생체정보 컴퓨팅은 생체신호 센서와 컴퓨터 정보처리를 융합한 정보시스템에 기초하여 컴퓨팅시스템 뿐만 아니라 빅데이터 시스템에 크게 영향을 미치고 있다. 이러한 생체정보는 지금까지의 텍스트, 이미지, 동영상 등의 전통적인 데이터 형식과는 달리 생체신호의 의미를 부여하는 값은 텍스트 기반으로 표현되고, 중요한 이벤트 순간은 이미지 형식으로 저장하며, 시계열 분석을 통한 데이터 변화 예측 및 분석을 위해서는 동영상 형식 등 비정형데이터를 포함하는 복합적인 데이터 형식을 구성한다. 이러한 복합적인 데이터 구성은 개별 생체정보 응용서비스에서 요구하는 데이터의 특징에 따라 텍스트, 이미지, 영상 형식 등으로 각각 분리되어 요청되거나, 상황에 따라 복잡 데이터 형식을 동시에 요구할 수 있다. 기존 생체정보 컴퓨팅 시스템들은 전통적인 컴퓨팅 구성요소, 컴퓨팅 구조, 데이터 처리 방법 등에 의존하므로 데이터 처리성능, 전송능력, 저장효율성, 시스템안전성 등의 측면에서 많은 비효율성을 내포하고 있다. 본 연구에서는 생체정보 처리 컴퓨팅을 효과적으로 지원하는 생체정보 빅데이터 플랫폼을 구축하기 위해 개선된 바이오센싱 융합 빅데이터 컴퓨팅 아키텍처를 제안한다. 제안 아키텍처는 생체신호관련 데이터의 저장 및 전송 효율성, 컴퓨팅 성능, 시스템 안정성 등을 효과적으로 지원하며, 향후 생체정보 컴퓨팅에 최적화된 시스템 구현 및 생체정보 서비스 구축을 위한 기반을 제공할 수 있다.
생체정보 컴퓨팅은 생체신호 센서와 컴퓨터 정보처리를 융합한 정보시스템에 기초하여 컴퓨팅시스템 뿐만 아니라 빅데이터 시스템에 크게 영향을 미치고 있다. 이러한 생체정보는 지금까지의 텍스트, 이미지, 동영상 등의 전통적인 데이터 형식과는 달리 생체신호의 의미를 부여하는 값은 텍스트 기반으로 표현되고, 중요한 이벤트 순간은 이미지 형식으로 저장하며, 시계열 분석을 통한 데이터 변화 예측 및 분석을 위해서는 동영상 형식 등 비정형데이터를 포함하는 복합적인 데이터 형식을 구성한다. 이러한 복합적인 데이터 구성은 개별 생체정보 응용서비스에서 요구하는 데이터의 특징에 따라 텍스트, 이미지, 영상 형식 등으로 각각 분리되어 요청되거나, 상황에 따라 복잡 데이터 형식을 동시에 요구할 수 있다. 기존 생체정보 컴퓨팅 시스템들은 전통적인 컴퓨팅 구성요소, 컴퓨팅 구조, 데이터 처리 방법 등에 의존하므로 데이터 처리성능, 전송능력, 저장효율성, 시스템안전성 등의 측면에서 많은 비효율성을 내포하고 있다. 본 연구에서는 생체정보 처리 컴퓨팅을 효과적으로 지원하는 생체정보 빅데이터 플랫폼을 구축하기 위해 개선된 바이오센싱 융합 빅데이터 컴퓨팅 아키텍처를 제안한다. 제안 아키텍처는 생체신호관련 데이터의 저장 및 전송 효율성, 컴퓨팅 성능, 시스템 안정성 등을 효과적으로 지원하며, 향후 생체정보 컴퓨팅에 최적화된 시스템 구현 및 생체정보 서비스 구축을 위한 기반을 제공할 수 있다.
Biometric information computing is greatly influencing both a computing system and Big-data system based on the bio-information system that combines bio-signal sensors and bio-information processing. Unlike conventional data formats such as text, images, and videos, biometric information is represen...
Biometric information computing is greatly influencing both a computing system and Big-data system based on the bio-information system that combines bio-signal sensors and bio-information processing. Unlike conventional data formats such as text, images, and videos, biometric information is represented by text-based values that give meaning to a bio-signal, important event moments are stored in an image format, a complex data format such as a video format is constructed for data prediction and analysis through time series analysis. Such a complex data structure may be separately requested by text, image, video format depending on characteristics of data required by individual biometric information application services, or may request complex data formats simultaneously depending on the situation. Since previous bio-information processing computing systems depend on conventional computing component, computing structure, and data processing method, they have many inefficiencies in terms of data processing performance, transmission capability, storage efficiency, and system safety. In this study, we propose an improved biosensing converged big data computing architecture to build a platform that supports biometric information processing computing effectively. The proposed architecture effectively supports data storage and transmission efficiency, computing performance, and system stability. And, it can lay the foundation for system implementation and biometric information service optimization optimized for future biometric information computing.
Biometric information computing is greatly influencing both a computing system and Big-data system based on the bio-information system that combines bio-signal sensors and bio-information processing. Unlike conventional data formats such as text, images, and videos, biometric information is represented by text-based values that give meaning to a bio-signal, important event moments are stored in an image format, a complex data format such as a video format is constructed for data prediction and analysis through time series analysis. Such a complex data structure may be separately requested by text, image, video format depending on characteristics of data required by individual biometric information application services, or may request complex data formats simultaneously depending on the situation. Since previous bio-information processing computing systems depend on conventional computing component, computing structure, and data processing method, they have many inefficiencies in terms of data processing performance, transmission capability, storage efficiency, and system safety. In this study, we propose an improved biosensing converged big data computing architecture to build a platform that supports biometric information processing computing effectively. The proposed architecture effectively supports data storage and transmission efficiency, computing performance, and system stability. And, it can lay the foundation for system implementation and biometric information service optimization optimized for future biometric information computing.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
또한 실시간으로 모니터링하고 상태 평가를 피드백하기 위해서는 빅데이터 기반의 데이터마이닝의 학습 및 분석 과정을 거쳐 데이터 분류/예측 모델을 생성하고 이를 기반으로 실시간으로 전송되는 바이오센싱 데이터에 대해서 데이터마이닝에 의해 생성된 모델을 적용하여 의미 있는 정보를 제공할 수 있는 프로세스를 제안하는 아키텍처에 추가하고자 한다.
이러한 플랫폼 구조는 비정형 생체데이터에 대한 비정형 의미 분석을 위한 다층 동적 프로세스 설계 및 실행 방법을 제안한다. 본 논문에서는 기본적인 웨어러블디바이스 생체 정보센싱 아키텍처와 동적 프로세스 설정을 위한 빅데이터 기반 융합 동적 프로세스 구성 방법에 대해 기술한다.
본 논문에서는 멀티 생체정보센싱시스템의 단일 정적 처리 구성에 따른 문제점을 극복하기 위해 동적 생체정보 프로세스와 멀티 센싱프로세스 방법을 제안하였다. 이는 다층 동적 프로세스를 구축하기 위한 확장된 다층 생체정보 센싱구조와 동적 생체정보프로세스로 구성되어 있다.
본 연구는 바이오센싱 융합 빅데이터 컴퓨팅을 효과적으로 지원하기 위한 플랫폼을 구축하기 위해 개선된 아키텍처를 제안한다. 이러한 제안 아키텍처는 데이터의 저장 및 전송 효율성, 컴퓨팅 성능, 시스템 안정성 등을 효과적으로 지원한다.
본 연구는 실시간성의 정도에 영향을 미치는 생체정보 네트워크 및 전송성능 구조에 따른 성능평가를 통해서, 향후 생체정보 프로세스 및 플랫폼에 대한 구성방안을 제시하고자 한다.
본 연구의 빅데이터 생체정보 플랫폼 아키텍처는 생체정보의 정형 및 비정형 데이터를 통합적으로 운영할 수 있는 생체정보 다층 구조 및 동적 프로세싱 방법을 제안한다. 이러한 플랫폼 구조는 비정형 생체데이터에 대한 비정형 의미 분석을 위한 다층 동적 프로세스 설계 및 실행 방법을 제안한다.
본 연구의 빅데이터 생체정보 플랫폼 아키텍처는 생체정보의 정형 및 비정형 데이터를 통합적으로 운영할 수 있는 생체정보 다층 구조 및 동적 프로세싱 방법을 제안한다. 이러한 플랫폼 구조는 비정형 생체데이터에 대한 비정형 의미 분석을 위한 다층 동적 프로세스 설계 및 실행 방법을 제안한다. 본 논문에서는 기본적인 웨어러블디바이스 생체 정보센싱 아키텍처와 동적 프로세스 설정을 위한 빅데이터 기반 융합 동적 프로세스 구성 방법에 대해 기술한다.
제안 연구의 실험은 제안된 모바일 생체정보 융합 컴퓨팅 환경에서 필수적으로 요구되는 동적 전송 및 동적 프로세싱을 지원하는 동적 아키텍처의 성능을 분석하고자 한다.
이러한 제안 아키텍처는 데이터의 저장 및 전송 효율성, 컴퓨팅 성능, 시스템 안정성 등을 효과적으로 지원한다. 특히, 향후 생체정보 컴퓨팅에 최적화된 시스템 구현 및 생체정보서비스 구축을 위한 기반을 제공하고자 한다. 제 2장에서는 관련 연구에 대해 다루고 제 3장에서는 실시간 바이오센싱 융합 아키텍처 및 바이오센싱 빅데이터 융합 컴퓨팅 프로세스에 대한 연구방법을 기술한다.
제안 방법
Fig. 5와 같이, 다층 동적 프로세스를 구축함에 있어서,클라이언트로부터 빅데이터 분산컴퓨팅 서버까지 0단계부터 3단계까지 단계적 생체정보 프로세싱(분석 및 피드백 등)을수행한다. 0단계에 가까울수록 실시간성이 높고 컴퓨팅 자원의 경량화 및 고성능이 요구되며, 3단계에 가까울수록 실시간성이 낮고 생체정보 컴퓨팅의 저장성 및 확장성이 요구된다.
생체정보 센싱시스템 구조는 개인용 생체정보 장치를 통해 각 사용자의 생체정보를 수집한다. LAN 및 PSTN과 같은 유선 네트워크를 사용하거나 WIFI, Zigbee 및 Bluetooth와 같은 무선 네트워크를 사용하여 로컬 인프라 네트워크를 구성한 후 이러한 생체정보를 수집한다. 뿐만 아니라 유선 IP 네트워크 또는 무선 3G/4G 글로벌네트워크를 통해 생체데이터를 전송할 수 있다.
하둡은 애플리케이션 데이터에 대한 높은 처리량의 액세스를 제공하며 대용량 데이터세트가 있는 애플리케이션에 적합하다. 또한 내결함성이 뛰어나며 저가의 하드웨어에 배치되도록 설계되었다. 하둡은 애플리케이션을 실행할 수 있는 맵-리듀스 및 하둡분산파일시스템(HDFS)으로 구성된다.
셋째, 관리부 층(Management Division Layer)은 건강관리센터의 서버에서 수집된 생체정보를 저장하고, 수집된 정보에 대한 평가 및 분석을 수행하고, 평가된 결과에 따라 피드백제어 및 고객서비스를 제공한다. 또한, 인터넷에 공개된 생체정보서비스를 제공하기 위한 표준 건강정보를 작성하며 사용자 생체신호에 기반 사용자건강상태 모델을 정의한다. 임계함수 및 임계값은 만족/경고/위험 등을 분류하기 위해 생체정보기기의 제약관리 프로세스를 정의한다.
본 연구에서 제안하는 바이오센싱 빅데이터 융합 처리 컴퓨팅 아키텍처는 Fig. 1과 같이 생체정보를 수집하는 디지털 센싱부, 수집된 생체정보를 사용자 단말이나 관리서버로 전송하는 생체정보 전송부, 그리고 수신한 바이오 정보를 저장, 분석 및 피드백하는 바이오정보 관리부 등의 계층구조로 이루어져 있다.
클라우드컴퓨팅은 인터넷을 통해 분산컴퓨팅 서비스를 제공하며, 생체정보 클라우드는 센싱데이터 수집, 생체데이터 저장, 생제정보 분석 등에 이르기까지 다양한 생체정보컴퓨팅 서비스를 포함한다. 생체정보 클라우드 기반 서비스는 다음 Fig. 2와 같이 DaaS(Data as a Service), SaaS(Software as a Service), PaaS(Platformas a Service), IaaS(Infrastructure as a Service)로 분류되는 클라우드 계층모델 기반 생체정보 컴퓨팅 플랫폼을 제안한다[12].
[15]는 다양한 생체정보 워크로드를 지원하는 데이터마이닝의 구조적인 문제를 기술하였다. 특히 실행시간, 확장성 및 병목조건을 고려한 메모리 계층구조의 특성을 분석하였다. [16]은 생체신호 데이터 처리를 위해 대규모 프레임워크, 분산컴퓨팅 엔진, 순차분석 모듈, 마이크로어레이분석 모듈 등을 지원하는 소프트웨어 시스템을 구현할 필요성을 제시하였다.
맵-리듀스는 컴퓨터 프로그램을 여러가지 작은 하위 문제로 나누고 여러 컴퓨터 노드에 배포하며 HDFS는 이러한 노드에 데이터를 저장하는 분산파일시스템을 제공한다. 하둡 및 관련 소프트웨어는 여러 노드간의 로드밸런싱을 처리하고 모든 노드에서 자동으로 재실행할 수 있는 노드 장애를 감지하도록 설계되었다. 하둡 프레임워크는 다음 Fig.
대상 데이터
생체정보 빅데이터 시스템 구조는 Fig. 1과 같이 3계층으로 센싱부, 전송부, 관리부 등으로 구성된다.
이론/모형
본 연구에서는 다양한 형태로 수집된 센서 데이터를 처리하기 위해서는 대량의 자료를 처리할 수 있는 분산 컴퓨터 클러스터에서 동작하고 분산 응용프로그램을 지원하는 하둡화일시스템(Hadoop File System)을 사용한다.
성능/효과
Table 1은 생체정보를 처리하기 위한 시간 흐름에 따른 생체정보 요구 단위 대역폭 변화에 따른 시간지연 결과를 비교한 결과이다. 결과에서 볼 수 있듯이 생체정보 센싱 Triple step이 정보의 시간지연이 Single step 생체정보의 시간지연보다 큼을 알 수 있다. 따라서 생체정보 전송대역폭이 낮은 경우는 생체정보 전송경로 상의 Step 카운트를 줄이는 것이 생체정보 전송효율을 높이는 중요한 구조적 요인으로 작용함을 확인할 수 있다.
둘째, 전송부 층(Transfer Division Layer)은 사용자와 서버 간의 인트라넷과 인터넷의 네트워킹 계층인 투명 프로세스 구성 요소로서, 수집된 정보를 사용자로부터 서버로 전달하거나 또는 피드백 제어 및 정보를 서버에서 사용자에게로 전달한다. 이 계층은 등록된 사용자의 상태정보를 보호하기 위한 보안인증 서비스를 기반으로 한다.
결과에서 볼 수 있듯이 생체정보 센싱 Triple step이 정보의 시간지연이 Single step 생체정보의 시간지연보다 큼을 알 수 있다. 따라서 생체정보 전송대역폭이 낮은 경우는 생체정보 전송경로 상의 Step 카운트를 줄이는 것이 생체정보 전송효율을 높이는 중요한 구조적 요인으로 작용함을 확인할 수 있다.
특히, 생체정보시스템의 분석 및 평가를 위한 분산 빅데이터컴퓨팅 모델은 생체신호 분석 또는 생체정보의 유용성을 극대화하기 위한 미래 대안으로 고려될 수 있다. 제안하는 동적 센싱 아키텍처는 생체데이터의 저장 및 전송 효율성, 컴퓨팅 성능, 시스템 안정성 등을 효과적으로 지원할 수 있다.
후속연구
동적 생체정보 센싱 프로세스 구조는 향후 멀티 생체정보 센싱시스템 플랫폼의 기능 또는 방법으로 활용될 수 있다. 특히, 생체정보시스템의 분석 및 평가를 위한 분산 빅데이터컴퓨팅 모델은 생체신호 분석 또는 생체정보의 유용성을 극대화하기 위한 미래 대안으로 고려될 수 있다.
질의응답
핵심어
질문
논문에서 추출한 답변
웨어러블디바이스는 무엇인가?
고령화 사회가 본격화되고 웰빙에 대한 높은 사회적 관심이 스마트폰의 보편화와 맞물리면서 생체신호를 지속적으로 모니터링 해주는 웨어러블컴퓨터에 대한 수요가 증가하고 있다. 웨어러블디바이스는 웨어러블컴퓨터 또는 착용컴퓨터로도 불리는데 안경, 시계, 밴드, 의복 등과 같이 착용할 수 있는 형태로 된 컴퓨터를 의미한다. 웨어러블디바이스는 사용자가 거부감 없이 신체의 일부처럼 항상 착용하고 사용할 수 있으며 신체에 직접 접촉하여 각종 정보를 수집하고 정보화할 수 있는 차세대 정보디바이스이다[1-3].
웨어러블디바이스의 유형 중, 휴대형, 착용형은 무엇인가?
웨어러블디바이스는 유형에 따라 휴대형, 착용형, 부착형 등으로 분류할 수 있다. 휴대형의 경우 스마트폰과 연계하여 작동하는 제품으로 구글글래스, 갤럭시기어, 애플워치, 스마트의류가 있다. 착용형은 웨어러블디바이스의 최종 단계로 전망되는 형태로 인체에 일정시간 머물다 자연적으로 분해되어 없어지는 형태로도 활발하게 연구개발되고 있다[2]. 그리고 피부를 통한 물질 전달이나 생체신호 센싱 기술이 발달함에 따라 피부를 활용한 의료기술이 많은 발전을 거듭하고 있으며 특히, 탈부착이 쉽고 사용이 간편한 패치타입의 부착형 웨어러블디바이스가 개발됨에 따라 다양한 디지털패치의 사용이 기대된다[3].
웨어러블디바이스는 유형에 따라 어떻게 분류할 수 있는가?
웨어러블디바이스는 유형에 따라 휴대형, 착용형, 부착형 등으로 분류할 수 있다. 휴대형의 경우 스마트폰과 연계하여 작동하는 제품으로 구글글래스, 갤럭시기어, 애플워치, 스마트의류가 있다.
참고문헌 (18)
Wikipedia [Internet], https://ko.wikipedia.org/wiki/.
M. K. Kim and H. J. Lee, "Wearable / implantable smart medical device," JKICS, Vol.33, No.6, pp.47-52, 2016.
S. Y. Yang, K. Y. Sung, and S. G. Lim, "Research trends in medical skin patches," BT NEWS, The Korean Society For Biotechnology And Bioengineering, Vol.22, No.1, pp.62-68, 2015.
Y. H. Oh, J. S. Lee, and S. J Kang, "Protocol Design for Opportunistic Direct M2M Communication in Wearable Computing Environment," JKICS, Vol.39, No.2, pp.151-163, 2014.
D. W. Lee and K. H. Kwon, "Analysis of Determinants of Labor Market Performance of Young College Students Using Data Mining Analysis Method," Korean Policy Academic Bulletin, Vol.25, No.3, pp.362-363, 2016.
Y. G. Jumg, "Reature Reduction and Baysian Networks Learning for Medical Datamining," Proceeding of KISSE, Vol.31, No.1B, pp.595-597, 2004.
S. Y. Han and Y. G. Jumg, "A Naive Baysian Learning of Clustering for Medical Data mining," Proceeding of KISSE, Vol.37, No.1C, pp.410-413, 2010.
G. H. Park, "A Trends of Big Data Processing for Digital Healthcare," The Korea Contents Association Review, Vol.15, No.1, pp.35-37, 2017.
S. S. Kim, M. C. Chung, T. W. Lee, and J. H. Won, "Implementation of Medical Data-Based Big Data Analytics Service," Proceeding of KISSE, pp.157-159, 2015.
T. G. Lee, S. H. Lee, and H. Y. Kim, "Dynamic Configuration Method of Process Design in Bio-sensing Information Computing System," International Journal of Bio-Science and Bio-Technology, Vol.5, No.6, pp.147-156, 2013.
T. G. Lee, "Chapter 15: Mobile Healthcare Computing in the Cloud," Mobile Networks and Cloud Computing Convergence for Progressive Services and Applications, IGI Global, pp.275-294, 2014. DOI: 10.4018/978-1-4666-47817.ch015
T. G. Lee and S. H. Lee, "Dynamic stepping information process method in mobile bio-sensing computing environments," Technology and Health Care, IOS Press., 2014. DOI: 10.3233/THC-140795
E. Merelli, G. Armano, N. Cannata, F. Corradini, M. d'Inverno, A. Doms, P. Lord, A. Martin, L. Milanesi, S. Mo≪ller, M. Schroeder, and M. Luck, "Agents in bioinformatics, computational and systems biology," Briefings in Bioinformatics Advance Access, pp.1-15, 2006.
B. Ozisikyilmaz, R. Narayanan, J. Zambreno, G. Memik, and A. Choudhary, "An Architectural Characterization Study of Data Mining and Bioinformatics Workloads," In Proceedings of the International Symposium on Workload Characterization, 2006.
A. K. Atwa, A. S. Aboelenine, M. S. Mabrouk, and Y. M. Kadah, "A New Enterprise Scale Software System for the Analysis of the Biological Data: An Enterprise Lifeware," Proceedings of Cairo International Biomedical Engineering Conference, pp.1-4, 2006.
S. Gonzalez, V. Robles, J. M. Pena, and E. Menasalvas, "Instantiation and adaptation of CRISP-DM to Bioinformatics computational processes," Allen Institute for Artificial Intelligence, 2011.
M. Zakarya, I. U. Rahman, N. Dilawar, and R. Sadaf, "An Integrative Study on Bioinformatics Computing Concepts, Issues and Problems," International Journal of Computer Science Issues, Vol.8, Issues 6, No.1, pp.330-339, 2011.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.