U-Healthcare service is a new service which integrates various ubiquitous technologies such as portable vital sign sensors and high-speed communication infrastructure based on traditional healthcare services. Selecting an appropriate decision support method is one of issues in development of u-health applications. However, it is not easy to adopt the traditional machine learning algorithms to the u-health applications without any modifications because the u-healthcare is somewhat different from the traditional healthcare. This paper proposes two requirements of the method in u-healthcare and introduces a learning-based framework for meeting all requirements. The framework uses a matrix in order to count appearance frequencies support incremental learning by adding counts into the existing value and devise an impact matrix to give analyzing information of a diagnosis. We conducted three experiments to validate our framework. Through the results of three experiments, we could give a brief guideline to the framework designer, and the performance of the framework was confirmed by comparing with SVM. Also, we use three criteria of incremental learning to validate our method that supports incremental learning. There are some limitations such that this framework requires the most number of ranges as possible and people may be not received same quality of service until stable condition, but we can solve these limitations after constructing u-health environment fully. We hope that many u-health applications apply our framework to develop new diagnosis applications.
U-헬스케어 서비스는 기존의 헬스케어 영역에 휴대용 생체신호 센서나 초고속 통신망 구축과 같은 다양한 유비쿼터스 기술들을 접목시켜 만든 새로운 서비스를 의미한다. 이러한 u-헬스케어 응용을 개발하는데 있어서 적절한 진단지원 도구를 선택하는 것이 중요한 이슈 중에 하나이다. 하지만, 기존의 헬스케어 환경에서 적용하였던 기계학습 기법을 그대로 u-헬스케어 환경에 적용하는 것은 두 환경에 특징이 달라서 쉽지 않다. 본 논문에서는 u-헬스케어 환경에서의 진단지원 기법의 두 가지 요구사항을 제안하고 그에 맞는 학습기반의 프레임워크를 소개한다. 본 프레임워크는 학습데이터를 저장하기 위한 도구로써 배열을 사용하고 진단을 제공하기 위하여 확률 식을 고안하였고 진단 값 이외에 어떠한 요소들이 판정에 영향을 끼칠 수 있는지 알아내기에 쉬운 구조로 구성되었다. 이를 검증하기 위하여 세 가지의 검증 실험을 하였고, 첫 번째 실험을 통하여 프레임워크 제작자에게 간단한 지침서를 줄 수 있었고, SVM과의 비교실험을 통하여 프레임워크의 성능을 입증하였다. 그리고 지속적인 데이터 처리가 가능하다는 것을 검증하기 위하여 세 가지 기준에 의거하여 만족함을 보였다. 배열을 구성할 때 임의로 가중치 벡터 값을 구한다거나 타입의 수를 결정하는 등에 대한 언급이 부족하고 지속적인 데이터 처리에 따른 일정한 서비스가 힘들다는 한계점이 있지만, u-헬스 환경이 완벽히 구축된 이후로 이러한 한계점을 해결할 수 있을 것으로 보인다. 또한, 다양한 u-헬스 응용에서 본 프레임워크를 적용하여 새로운 진단서비스 개발이 되기를 기대한다.
