[논문]헬스 빅데이터 플랫폼에서 이기종 라이프로그 마이닝 모델

강지수; 정경용

doi:10.15207/jkcs.2018.9.10.075

헬스 빅데이터 플랫폼에서 이기종 라이프로그 마이닝 모델
Heterogeneous Lifelog Mining Model in Health Big-data Platform 원문보기

한국융합학회논문지 = Journal of the Korea Convergence Society, v.9 no.10, 2018년, pp.75 - 80

초록
AI-Helper

본 논문에서는 헬스 빅데이터 플랫폼에서 이기종 라이프로그 마이닝 모델을 제안한다. 이는 사용자의 라이프 로그를 실시간으로 수집하고 헬스케어 서비스를 제공하기 위한 온톨로지 기반의 마이닝 모델이다. 제안하는 방법은 이기종 라이프 로그 데이터를 분산처리하고, 클라우드 컴퓨팅 환경에서 실시간으로 처리한다. 이를 이기종 온톨로지를 기반으로 구성한 환경에 적합하도록 상위 온톨로지 방식으로 지식베이스를 재구성한다. 재구성한 지식베이스는 Jena 4.0 추론엔진을 이용해 추론 규칙들을 생성하고, 규칙 기반 추론 방법으로 실시간 헬스 서비스를 제공한다. 라이프로그 마이닝을 숨겨진 관계에 대한 분석과 시계열적 생체신호에 대한 예측모델을 구성한다. 이는 관계나 추론규칙에서 포함되지 않은 음의 상관관계나 양의 상관관계를 탐색하여 사용자의 생체신호에 대한 변화를 감지하고 예방 의료 서비스를 현실화하는 실시간 헬스케어 서비스가 가능하다. 성능 평가는 제안한 이기종 라이프로그 마이닝 모델 방법이 정확도에서 0.734, 재현율에서 0.752로 다른 모델에 비해 우수하게 나타난다.

Abstract ▼ AI-Helper

In this paper, we propose heterogeneous lifelog mining model in health big-data platform. It is an ontology-based mining model for collecting user's lifelog in real-time and providing healthcare services. The proposed method distributes heterogeneous lifelog data and processes it in real time in a cloud computing environment. The knowledge base is reconstructed by an upper ontology method suitable for the environment constructed based on the heterogeneous ontology. The restructured knowledge base generates inference rules using Jena 4.0 inference engines, and provides real-time healthcare services by rule-based inference methods. Lifelog mining constructs an analysis of hidden relationships and a predictive model for time-series bio-signal. This enables real-time healthcare services that realize preventive health services to detect changes in the users' bio-signal by exploring negative or positive correlations that are not included in the relationships or inference rules. The performance evaluation shows that the proposed heterogeneous lifelog mining model method is superior to other models with an accuracy of 0.734, a precision of 0.752.

주제어

표/그림 (6)

그림 Fig. 1. Big Data Preprocessing Process
그림 Fig. 2. Heterogeneous Lifelog Ontology
그림 Fig. 3. Ontology Inference Process in Knowledge Base
표 Table 1. Relation of association rules analyzed through life log mining
그림 Fig. 4. Architecture of Heterogenonous Lifelog Mining Model
그림 Fig. 5. Performance Result of Accuracy and Recall

AI 본문요약
AI-Helper

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

문제 정의

하지만 이를 실시간으로 분석하고 체계적으로 관리할 수 있는 서비스 모델에 대한 연구는 미약하다. 따라서 본 논문에서는 헬스 빅데이터 플랫폼에서 이기종 라이프로그마이닝 모델을 제안한다.
본 논문에서는 헬스 빅데이터 플랫폼에서 이기종 라이프로그 마이닝 모델을 제안하였다. 분산처리와 클라우드 컴퓨팅 환경에서 데이터 파이프라인을 구성을 통해 실시간으로 라이프로그 데이터의 수집과 서비스가 가능하도록 한다.

제안 방법

이는 건강보험심사평가원[15]으로부터 제공받은 데이터를 기반으로 구성한다. 각 모델을 이용한 사용자 건강 상황을 예측하고 이에 대한 정확도와 재현율을 평가한다. 정확도는 전체 예측 결과 중 예측한 상황과 실제 상황이 같은 비율을 나타낸다.
사용자는 일상생활에서 행동 예측에 대한 의사결정으로 제공받은 정보를 반영하여 건강에 대한위험을 회피하거나 예방할 수 있다. 또한 라이프로그 마이닝을 통해 시계열적 특성을 나타내는 생체신호에 대한 변화를 예측하고, 이에 대한 예측 결과가 부정적일 경우 사용자에게 경고와 대처방안을 제공한다. 그림 4는 이기종 라이프로그 마이닝 모델 구성도를 나타낸다.
전처리 과정을 거쳐 구성한 이기종 라이프로그 데이터에 온톨로지 추론엔진을 이용하여 규칙을 발견한다. 발견된 추론 규칙으로 지식베이스를 생성한다. 또한 변화하는 상황에 따라 추가되는 추론규칙으로 지식베이스를 확장한다.
이를 통한 규칙기반 추론으로 시계열 데이터 변화에 따라 엠비언트 상황에 맞추어 지식베이스를 확장한다[14]. 실시간 건강관리 서비스를 위한 라이프로그 온톨로지 추론 모델을 개발하여 지식베이스 기반 적응적인 의사결정 및 지식베이스 확장, 지식 표현 및 획득, 추론을 진행한다. 그림 3은 지식베이스에서 온톨로지 추론 과정을 나타낸다.
추론엔진을 이용해 추론 규칙들을 생성하고, 규칙 기반 추론 방법으로 실시간 의료 서비스를 제공한다. 예방 의료를 위해 관계나 추론규칙에서 포함되지 않은 음의 상관관계나 양의 상관관계를 라이프로그 마이닝을 통해 탐색하였다. 이는 사용자의 생체신호에 대한 변화를 감지하고 예방 의료 서비스를 현실화할 수 있는 적응적인 건강관리 기술이다.
이기종 라이프로그 마이닝 모델은 온톨로지 추론규칙과 시계열 생체신호를 이용하여 사용자의 건강에 대한 이상 징후를 예측하고, 이에 대한 행동지침을 제공한다. 웨어러블 엠비언트 센서를 통해 사용자의 라이프로그를 실시간으로 수집하고 클라우드 환경에서 처리한다. 분산 클라우드 컴퓨팅에서 사용자의 현재 라이프로그와 관련이 있는 추론규칙을 기반으로 행동요령이나 건강관련 지식을 제공한다.
시계열 생체신호가 발생 시간 순으로 측정된다. 이를 구성된 트랙잭션에서 의미적 관계에 대한 분석으로 온톨로지에서 나타나지 않은 숨겨진 관계를 탐색하고, 생체신호의 변화를 예측한다. 생체신호는 사용자의 주변의 엠비언트 환경이나 사용자의 활동에 따라 수시로 변화한다.
전처리 과정을 거쳐 구성한 이기종 라이프로그 데이터에 온톨로지 추론엔진을 이용하여 규칙을 발견한다. 발견된 추론 규칙으로 지식베이스를 생성한다.
제안하는 모델에 대한 성능을 평가하기 위해 정확도와 재현율을 평가한다. 제안하는 라이프로그 마이닝 모델(LMM: Lifelog Mining Model)과 단순 온톨로지 모델(SOM:Simple Ontology Model), 시계열 예측 모델(TPM:Time Series Prediction Model)을 비교한다. 성능평가는 사용자의 건강상태에 대한 상황을 내부, 외부, 서비스로 약 500개로 정의한다.
분산처리와 클라우드 컴퓨팅 환경에서 데이터 파이프라인을 구성을 통해 실시간으로 라이프로그 데이터의 수집과 서비스가 가능하도록 한다. 확장성을 높이기 위해 이기종 환경에 적합한 상위 온톨로지 방식으로 온톨로지를 재구성하였다. 추론엔진을 이용해 추론 규칙들을 생성하고, 규칙 기반 추론 방법으로 실시간 의료 서비스를 제공한다.

대상 데이터

비정형과 반정형 데이터는 특징 추출과 전처리 작업을 통해 정형 데이터로 변환한다[4]. 본 논문에서는 이기종라이프로그 마이닝 모델을 개발하기 위해 라이프로그, EMR, PHR, 상황정보 등으로 데이터 모델을 구성한다. 이는 실시간으로 추출한 사용자의 정보에 대한 피드백을 통해 개인화된 헬스 서비스를 제공한다[1-3].

데이터처리

이는 사용자가 당뇨환자로 가정된 추론규칙이다. 또한 추론된 RULE은 IF-THEN 형식을 따라 작성되었으며 경우에 따라 입력 변수를 논리곱 한다.
제안하는 모델에 대한 성능을 평가하기 위해 정확도와 재현율을 평가한다. 제안하는 라이프로그 마이닝 모델(LMM: Lifelog Mining Model)과 단순 온톨로지 모델(SOM:Simple Ontology Model), 시계열 예측 모델(TPM:Time Series Prediction Model)을 비교한다.

이론/모형

실시간 데이터 처리에 대한 하드웨어, 소프트웨어적 부하를 줄이기 위해 하둡 분산파일 시스템의 클러스터 컴퓨팅을 활용하며, 클라우드 환경에서 빠르게 연결되는 고속 전용회선과 P2P 데이터 파이프라인을 구성한다[11]. 또한 사전에 정의된 라이프케어 모델에 따른 일괄처리 시스템 형태의 아키텍처 설계와 별도의 데이터 분석 모델을 구성하여 공통 데이터 모델[12]을 적용한다. 이를 통해 이기종 라이프로그를 효율적으로 통합 및 관리한다.
이는 총 372개의 연관규칙 중에서 빈도가 높은 규칙과 특이한 규칙을 나타낸다. 라이프로그 마이닝은 데이터간의 빈발항목집합과 후보항목집합의 반복적인 프로세스로 연관관계를 발견하고 지지도, 신뢰도, 향상도를 이용하여 분석하는 Apriori 알고리즘[4,5]을 사용한다. 또한 관계 속성은 음의 상관관계와 양의 상관관계로 나타낸다.
라이프로그는 시간의 흐름에 따라 위치, 행동 상태, 건강 상태 등의 상황정보가 끊임없이 변화한다[1-3]. 이러한 특성으로 인해 F-logic과 SWRL 추론방식을 이용한다. 이를 통한 규칙기반 추론으로 시계열 데이터 변화에 따라 엠비언트 상황에 맞추어 지식베이스를 확장한다[14].

성능/효과

음의 상관관계는 두 속성 a와 b의 상관계수가 음수일 때, 속성 a가 평균보다 높으면 속성 b는 평균보다 작고, 속성 a가 평균보다 높으면 속성 b는 평균보다 낮을 가능성이 높음을 나타낸다. 양의 상관관계는 두 속성 a와 b가 양수일 때, 속성 a가 평균보다 높으면 속성 b역시 평균보다 높을 가능성이 있음을 나타낸다. 표 1에서 {ultraviolet} => {body temperature}, positive는 자외선과 체온이 양의 상관관계임을 나타낸다.
이는 사용자의 생체신호에 대한 변화를 감지하고 예방 의료 서비스를 현실화할 수 있는 적응적인 건강관리 기술이다. 제안하는 모델에 대한 성능 평가를 진행한 결과가 정확도는 0.734, 재현율은 0.752로 향상된 것으로 나타났다. 이를 통해 기존의 질병 발생 후 치료 프로세스의 의료 서비스에서 탈피하여 질병 예방 관리 프로세스의 건강관리 서비스가 가능해진다.
그림 5는 정확도와 재현율 평가 결과를 나타낸다. 평가 결과에서 제안하는 이기종 라이프로그 마이닝 모델 방법이 정확도에서 0.734, 재현율에서 0.752로 다른 모델에 비해 우수하게 나타난다. 단순 온톨로지 모델은 실시간으로 변화하는 생체신호의 변화에 대한 고려를 하지 않아 정확도가 낮아지고, 시계열 예측 모델의 경우 사용자의 상황정보를 고려하지 않아 재현율이 낮게 나타난다.

질의응답

핵심어	질문	논문에서 추출한 답변
	전처리 과정을 거치지 않은 원시 데이터는 어떤 문제점이 발생하는가?	이는 수집한 데이터를 활용하기 유용한 형태로 정제하는 과정이다. 전처리 과정을 거치지 않은 원시 데이터는 필요한 속성이 없는 불완전 문제, 데이터 내에 의미가 맞지 않는 값이 있거나 범위 밖의 이상치가 있는 노이즈 문제,그리고 여러 데이터를 통합할 때 발생할 수 있는 비일관성 문제가 나타난다. 그림 1은 빅데이터의 전처리 프로세스를 나타낸다.
	빅데이터 일괄 처리기술에는 어떤것들이 있는가?	빅데이터 일괄 처리기술은 빅데이터를 수집하여 여러 서버로 분산하고 병렬 처리한 후, 이를 다시 수집하여 결과를 도출하는 기술이다. 여기에는 구글 맵-리듀스, 하둡맵-리듀스, 마이크로소프트 드라이애드 등의 기술이 있다[7]. 빅데이터 실시간 처리기술은 실시간으로 들어오는 빅데이터를 처리하기 위한 기술로 분산 환경에서 스트리밍 데이터를 분석할 수 있는 트위터의 스톰이 있다.
	데이터 클리닝이란 무엇인가?	데이터 클리닝은 데이터의 공백을 채우고 잡음은 제거하며 모순된 데이터를 해결하는 과정이다. 데이터 집합을 쉽게 사용할 수 있도록 만들며 불일치나 오류를 수정하고 추론엔진이 읽을 수 없는 요소를 제거한다.

참고문헌 (15)

J. K. Kim, J. H. Kim, D. K. Park & Y. H. Lee. (2012). U-Health Platform based Health Management Service Model using Context Information. Journal of Digital Convergence, 10(8), 185-192.
H. Jung & K. Chung. (2016). Life Style Improvement Mobile Service for High Risk Chronic Disease based on PHR Platform. Cluster Computing, 19(2), 967-977.

상세보기
K. Chung, Y. Na & J. Lee. (2013). Interactive Design Recommendation using Sensor based Smart Wear and Weather WebBot. Wireless Personal Communications, 73(2), 243-256.

상세보기
J. C. Kim & K. Chung. (2018). Mining Health-Risk Factors using PHR Similarity in a Hybrid P2P Network. Peer-to-Peer Networking and Applications, 11(6), 1278-1287.

상세보기
J. S. Lee. (2014). A Study on the Data Mining Preprocessing Tool For Efficient Database Marketing. Journal of Digital Convergence, 12(11), 257-264.
C. W. Song, H. Jung & K. Chung. (2018). Development of a Medical Big-Data Mining Process using Topic Modeling. Cluster Computing, DOI 10.1007/s10586-017-0942-0.
S. J. Choi, J. W. Park, J. B. Kim & J. H. Choi. (2014). A Quality Evaluation Model for Distributed Processing Systems of Big Data. Journal of Digital Contents Society, 15(4), 533-545.
S. Sakr. (2013). An Introduction to InfoSphere Streams and InfoSphere BigInsights, IBM, https://www.ibm.com/developerworks/library/bd-streamsintro/.
J. Kim, N. Kim, H. Yu, S. Yun & B. Lee. (2013). Framework for Unstructured Big Data Analysis. Information Communication Technology Platform, 1(1), 1-4.
H. Yoo & K. Chung. (2018). Mining-based Lifecare Recommendation using Peer-to-Peer Dataset and Adaptive Decision Feedback. Peer-to-Peer Networking and Applications, 11(6), 1309-1320.

상세보기
K. Chung & R. C. Park. (2016). P2P Cloud Network Services for IoT based Disaster Situations Information. Peer-to-Peer Networking and Applications, 9(3), 566-577.

상세보기
H. Jung & K. Chung. (2016). Knowledge-based dietary nutrition recommendation for obese management. Information Technology and Management, 17(1), 29-42.
J. H. Kim, J. W. Kim, D. S. Lee & K. Y. Chung. (2014). Ontology Driven Interactive Healthcare with Wearable Sensors. Multimedia Tools and Applications, 71(2), 827-841.

상세보기
S. K. Kim & K. H. Ahn. (2008). Web Ontology Modeling Based on Description Logic and SWRL. Journal of the Korean Society for Information Management, 25(1), 149-171.
Health Insurance Review and Assessment Service(HIRA). http://opendata.hira.or.kr/.

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