KR20160034199A

KR20160034199A - Method and apparatus for health care

Info

Publication number: KR20160034199A
Application number: KR1020150129777A
Authority: KR
Inventors: 랑가비탈 나라야난; 비제이 나라얀 티와리; 미툰 만지나트 나야크; 아록나스 데; 샨카르 엠 벤카테산; 수브라마니안 라마크리쉬난; 아비나쉬 프라사드; 라마찬드란 나라심하머시; 이충현
Original assignee: 삼성전자주식회사
Priority date: 2014-09-19
Filing date: 2015-09-14
Publication date: 2016-03-29

Abstract

An apparatus for health care according to an embodiment of the present invention includes: a receiving unit which receives, from a wearable device, a sensor signal related to a user′s body; a control unit which classifies, based on the received sensor signal, an activity of the user′s body into one among multiple preestablished activity models and generates, based on a classification result and profile information of the user, expected information on the user′s body; and an output unit which outputs, based on the expected information, health management information to the user.

Description

[0001] METHOD AND APPARATUS FOR HEALTH CARE [0002]

본 발명은 건강 관리 방법 및 장치에 관한 것으로, 더 구체적으로는 웨어러블(wearable) 센서 신호를 사용하여 사용자 개인에게 특화된 건강 관리 방법 및 장치에 관한 것이다.BACKGROUND OF THE INVENTION 1. Field of the Invention The present invention relates to a health care method and apparatus, and more particularly to a health care method and apparatus specialized for the user using a wearable sensor signal.

건강과 복지를 유지하고 증진하기 위한 다양한 자동화 장치가 존재한다. 이러한 장치들은 보건 대학의 교수들, 보건 전문가, 환자들, 또는 이들 모두에 의해 사용되는 건강 데이터 관리에 목적이 있다. 기존의 데이터 관리 장치들은 중요한 통계들을 모니터링하고 기록할 수 있다. 그러나, 기존의 장치들 내에서, 사용자들의 동작을 검출하고, 건강 팁 또는 칼로리 섭취량을 제안하는 것은 제한적이다. 또한, 사용자의 동작 검출과 신체 활동에 기초한 사용자에게의 조언 및 권고는 사용자에게 특화된 모델(즉, 특정 사용자에게만 적용될 수 있는 모델)을 필요로 할 수 있다.There are various automation devices to maintain and promote health and welfare. These devices are aimed at health data management used by professors, health professionals, patients, or both at health universities. Existing data management devices can monitor and record important statistics. However, within conventional devices, it is limited to detect user activity and suggest health tips or caloric intakes. In addition, the user's motion detection and advice and advice to the user based on physical activity may require a user-specific model (i.e., a model that can only be applied to a particular user).

웨어러블 센서 신호를 사용한 건강 관리 방법 및 장치가 제공될 수 있다. A health care method and apparatus using the wearable sensor signal can be provided.

또한, 상기 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체를 제공하는데 있다. 본 실시 예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제로 한정되지 않으며, 이하의 실시 예들로부터 또 다른 기술적 과제들이 유추될 수 있다.It is still another object of the present invention to provide a computer-readable recording medium on which a program for executing the above method on a computer is recorded. The technical problem to be solved by this embodiment is not limited to the above-described technical problems, and other technical problems can be deduced from the following embodiments.

일 실시 예에 따른 정확한 신체 활동(activity) 인식 및 소비되는 칼로리 예측을 통한 다양한 신체 활동들 동안의 매일 소비되는 에너지를 예측하기 위한 방법 및 장치가 제공된다. 또한, 상기 방법 및 장치는 체중 변화 관리의 추세를 예측하기 위한 개별화된 모델들을 제공할 수 있다. 상기 방법 및 장치는 센서 데이터를 사용하여 개별적인 신체 활동을 식별하고 프로파일(profile)하고, 소비되는 칼로리를 대응되는 동작에 맵핑하기 위해 접근에 기초한 신호 처리를 제공할 수 있다. Methods and apparatus are provided for predicting daily energy expenditure during various physical activities through accurate physical activity recognition and consumed calorie prediction according to one embodiment. The method and apparatus may also provide individualized models for predicting trends in weight change management. The method and apparatus can use sensor data to identify and profile individual physical activities and provide access-based signal processing to map the calories consumed to corresponding actions.

신체 활동의 세기 강도(intensity level)들은, 기타 모델링 엔진에 의해 지금까지 고려되지 않은, 심박수 데이터 형태의 기본적인 물리적 파라미터를 사용하여 판단될 수 있고, 신체 활동을 특정 심장 속도 영역(cardiac rate zones)들과 관련시킬 수 있다. The intensity levels of physical activity can be determined using basic physical parameters in the form of heart rate data, which have not been considered so far by other modeling engines, and physical activity can be measured in certain cardiac rate zones . &Lt; / RTI >

특정 개인 센서 데이터를 사용하여 모델을 트레이닝(model training)함으로서 모델의 개별화가 수행될 수 있다. 모든 개인에 대한 건강과 피트니스와 관련된 데이터 집합은 임상적으로 고유한 것으로 알려져 있으므로, 이러한 모델을 구축하여 개별화 목적을 달성할 수 있다. 장치를 주기적으로 재-트레이닝시키는 것은 적응적 모델링을 가능하게 할 수 있다. Individualization of the model can be performed by model training the model using specific personal sensor data. Since data sets related to health and fitness for all individuals are known to be clinically unique, these models can be constructed to achieve individualization goals. Periodically re-training the device may enable adaptive modeling.

개시된 상기 방법 및 장치는 손, 다리, 및 많은 물리적 신체 활동들(서있기, 앉기, 걷기, 조깅, 스프린팅, 하이킹, 계단 오르기/내리기, 싸이클링을 포함하나 이에 제한되지 않는다) 동안의 몸의 움직임에 의한 자이로스코프(gyroscope), 가속계(accelerometer) 및 자력계(magnetometer)로부터의 즉각적인 신호 사이의 상관 관계의 특성을 정확히 측정하고, 이러한 상관 관계를 사용하여 사람의 다양한 신체 활동들의 정확한 판단 매커니즘을 개발할 수 있다. The disclosed methods and apparatus are based on the movement of the body during the hands, legs and many physical physical activities (including but not limited to standing, sitting, walking, jogging, sprinting, hiking, stair climbing / Can accurately characterize the correlation between the instantaneous signals from a gyroscope, an accelerometer and a magnetometer, and use these correlations to develop an accurate decision mechanism of a person's various physical activities .

손이나 주머니와 같은 신체의 동일한 위치 안에 존재하는 하나의 휴대 전화 내에 위치하는 다른 종류의 센서들(계단 오르기에 대한 특징을 제공하는 자이로 및 충격 데이터를 제공하는 가속도계와 같은)은 신체 활동을 분류하는데 높은 정확도를 가지는 위상 상관(phase correlation)을 가지는 신호들을 출력할 수 있다. 자력계는 안정적인 방향성 있는 데이터를 제공하는 것으로 알려져 있기 때문에 이러한 데이터는 가속계로부터의 거리를 통합하는 상수들의 드리프트(drift)를 정확하게 특성화하는데 사용될 수 있다. 이것은 회전과 같은 방향의 급격한 변화를 식별하는데 도움이 될 수 있다. Other types of sensors (such as accelerometers that provide gyro and impact data that provide features for stepping) located within a cell phone that reside in the same location in the body, such as a hand or pocket, classify physical activity It is possible to output signals having phase correlation with high accuracy. Since the magnetometer is known to provide stable directional data, this data can be used to accurately characterize the drift of the constants incorporating the distance from the accelerometer. This can help identify sudden changes in direction, such as rotation.

각 신체 활동들에 대해 여러 가지 변환(퓨리에 경계 서술자)들로 캡처된 가속계 신호의 모양은 특징 공간(feature space)에서 매우 밀접한 신체 활동들의 분류 정확도를 향상시킬 수 있다. For each physical activity, the shape of the accelerator signal captured by various transformations (Fourier boundary descriptors) can improve the classification accuracy of physical activities very closely in the feature space.

오랜 기간 동안 연구된 특정 신체 활동으로부터의 가속계 신호는 사용자에 대한 가치 있는 정보를 제공할 수 있다. 가치 있는 정보는 예를 들어, 사용자의 (a)신발과 같은 워킹 아웃핏(walking outfit)의 최적화된 개별화 디자인 (b) 걸음걸이 패턴의 지형의 영향을 포함할 수 있다. 개시된 방법 및 장치는 원할한 (일정 기간에 걸쳐 소비된) 칼로리 측정 및 추적 그리고 칼로리를 대응하는 신체 활동, 일상의 정기적인 신체 활동 및 제어된 신체적 운동(짐 운동과 같은)에 맵핑시킬 수 있다. Accelerometer signals from specific physical activity that have been studied over a long period of time can provide valuable information about the user. The valuable information may include, for example, the influence of the terrain of the user's gait pattern (b) optimized personalized design of walking outfits such as shoes. The disclosed methods and apparatus can calibrate and track calories (consumed over a period of time) and calories into corresponding physical activities, regular physical activities of the day and controlled physical exercises (such as weight movements).

상기 방법 및 장치는 개인에게 특화된 모델의 구축을 향해 개인 칼로리 소비 및 지구성 데이터를 사용할 수 있다. 개인의 센서 데이터와 함께 상기 장치를 트레이닝함으로서 구축된 모델은 적응적이기 때문에 일정기간 동안에 걸쳐 변할 수 있다. 모델들은 한 사람의 건강 상태를 확인하기 위해 다양한 시점에서 사용될 수 있다. 모델의 견고성은 비-통상적인 신체 활동 또는 비-통상적인 칼로리 소비를 향한 개인의 변화된 응답을 쉽게 선택할 수 있는 모델의 능력에 따라 결정되는데, 이것은 일정 기간 동안 어느 정도의 모델의 중간 값의 편차를 발생시킬 수 있다. 일 예에서, 사람의 지구력은 규칙적인 운동으로 향상될 수 있으므로 그 결과로서 동일한 시간 동안 더 강한 운동을 수행하더라도, 상기 개별화 모델은 사람의 지구력 향상에 대응하여 적응적으로 변함으로서 동일한 사람에게 적용될 수 있다. The method and apparatus may use personal calorie consumption and endurance data to build an individualized model. Models constructed by training the device with personal sensor data can be varied over a period of time because they are adaptive. Models can be used at various points in time to identify a person's health condition. The robustness of the model is determined by the ability of the model to easily select an individual's altered response to non-conventional physical activity or non-conventional calorie consumption, which is the deviation of the median value of some model over a period of time . In one example, human endurance can be improved with regular exercise, so that even if a stronger motion is performed for the same time, the individualized model can adapt to the same person as adaptively changing in response to human endurance have.

신체 활동의 세기 강도는 개시된 모델링 장치의 하나의 파라미터로서 고려될 수 있다. 상기 세기 강도는 심장 박동 데이터를 측정함으로서 예측되며 세기 강도는 다양한 심장 영역들로 올바르게 분류하게 할 수 있다. The intensity intensity of physical activity can be considered as one parameter of the disclosed modeling device. The intensity intensity is predicted by measuring heart rate data and the intensity intensity can be correctly classified into various heart regions.

일 실시예에 따른 장치는 웨어러블 장치로부터 사용자의 신체에 대한 센서 신호를 수신하는 수신부, 상기 수신된 센서 신호에 기초하여 상기 사용자의 신체의 활동을 복수의 사전 정의된 활동 모델 중 하나로 분류하고, 상기 분류 결과 및 상기 사용자의 프로필 정보에 기초하여 상기 사용자의 신체의 예측 정보를 생성하는 제어부, 및 상기 예측 정보에 기초하여 상기 사용자에게 건강 관리 정보를 출력하는 출력부를 포함할 수 있다.An apparatus according to an embodiment includes a receiving unit that receives a sensor signal for a user's body from a wearable device, a system that classifies the user's body activity into one of a plurality of predefined activity models based on the received sensor signal, A classification result, and profile information of the user, and an output unit outputting health management information to the user based on the prediction information.

상기 사전 정의된 활동 모델은, 심장형(cardio), 비-심장형(non-cardio), 서기, 앉기, 걷기, 계단 오르기, 계단 내려가기, 하이킹, 조깅, 스프린팅(sprinting), 사이클링(cycling), 트레드밀(Treadmil) 운동 및 운전하기 중 적어도 하나를 포함할 수 있다. The predefined activity model may be a cardio, non-cardio, clerical, sitting, walking, stair climbing, stair descending, hiking, jogging, sprinting, cycling, And may include at least one of treadmill movement and driving.

상기 예측 정보는, 상기 분류된 활동 모델에 따라, 상기 신체의 활동을 수행하기 위해 소비되는 칼로리에 대한 정보를 포함하는 것을 특징으로 할 수 있다.The prediction information may include information on calories consumed to perform the activity of the body according to the classified activity model.

상기 제어부는, 상기 수신된 센서 신호를 분석하여 상기 사용자의 신체의 활동을 심장형(cardio) 활동 모델과 비-심장형(non-cardio) 활동 모델 중 어느 하나로 분류하고, 상기 신체의 활동이 심장형 활동 모델로 분류된 경우, 상기 예측 정보는, 심장 박동수 데이터를 사용한 회귀 분석을 수행하여 예측된 상기 신체의 활동을 위해 소비되는 칼로리에 대한 정보를 포함하고, 상기 신체의 활동이 비-심장형 활동 모델로 분류된 경우, 상기 예측 정보는, 신체의 활동과 칼로리 소비의 관계를 나타내는 칼로리 차트를 참조하여 예측된 상기 신체의 활동을 위해 소비되는 칼로리에 대한 정보를 포함하는 것을 특징으로 할 수 있다.Wherein the control unit analyzes the received sensor signal to classify the user's body activity into one of a cardio activity model and a non-cardio activity model, and if the activity of the body is a cardiac activity model , The prediction information includes information on the calories consumed for the predicted activity of the body by performing the regression analysis using the heart rate data, and the activity of the body is classified into the non-cardiac activity model The prediction information may include information on calories consumed for the activity of the body predicted by referring to a calorie chart indicating a relationship between body activity and calorie consumption.

상기 수신부는, 복수의 센서로부터 상기 사용자의 신체에 대한 센서 신호들을 수신하고, 상기 제어부는, 상기 수신된 센서 신호들의 상관 관계(correlation)를 이용하여 상기 사용자의 신체의 활동을 상기 복수의 사전 정의된 활동 모델 중 어느 하나로 분류하는 것을 특징으로 할 수 있다. Wherein the receiving unit receives sensor signals for the user's body from a plurality of sensors, and the control unit controls the plurality of predefined activities of the user's body using the correlation of the received sensor signals And an activity model of the user.

상기 제어부는, 상기 수신된 센서 신호에 기초한 회귀 분석을 수행하여 상기 사용자의 미래에 기대되는 지구력에 대한 예측 정보를 생성하는 예측 모델을 결정하는 것을 특징으로 할 수 있다.The controller may perform a regression analysis based on the received sensor signal to determine a prediction model for generating prediction information on the endurance expected in the future of the user.

상기 예측 정보는, 상기 분류된 활동 모델에 따라, 상기 신체의 활동을 수행하기 위해 소비되는 칼로리에 대한 정보를 포함하고, 상기 제어부는, 상기 칼로리에 대한 정보에 기초하여, 운동 강도, 운동 시간 중 적어도 하나의 변수와 최소 제곱 추정법을 사용하여 결정된 계수를 포함하는 수식 모델인 것을 특징으로 할 수 있다.Wherein the prediction information includes information on calories consumed for performing the activities of the body according to the classified activity model, and the control unit calculates, based on the information on the calories, And is a mathematical expression model including coefficients determined using at least one variable and a least squares estimation method.

상기 수신부는, 상기 웨어러블 장치로부터 상기 사용자의 심박수 데이터를 수신하고, 상기 제어부는 상기 수신된 심박수 데이터에 기초하여 현재의 지구력 수준을 결정하고, 목표 지구력 수준에 도달하기 위한 운동 계획을 상기 예측 모델에 기초하여 결정하고, 상기 출력부는, 상기 결정된 운동 계획이 포함된 건강 관리 정보를 상기 사용자에게 출력하는 것을 특징으로 할 수 있다.Wherein the receiving unit receives the heart rate data of the user from the wearable device, the control unit determines a current endurance level based on the received heart rate data, and transmits a motion plan for reaching a target endurance level to the prediction model And the output unit may output health management information including the determined exercise plan to the user.

상기 예측 정보는, 상기 수신된 센서 신호에ARIMA(Auto Regressive Integrated Moving Average)모델링을 적용한 회귀 분석을 수행하여 예측된 미래의 체중에 대한 정보를 포함하는 것을 특징으로 할 수 있다.The predictive information may include predicted future weight information by performing a regression analysis using ARIMA (Auto Regressive Integrated Moving Average) modeling on the received sensor signal.

상기 센서 신호는, 계보기(pedometer), 자이로스코프(gyroscope), 가속도계(accelerometer), 심장 박동 모니터(HRM Monitor), 체중계, 자력계(magnetometer) 중 적어도 하나의 웨어러블 센서에 의하여 획득되는 신호인 것을 특징으로 할 수 있다.The sensor signal is a signal obtained by a wearable sensor of at least one of a pedometer, a gyroscope, an accelerometer, a HRM monitor, a scale, and a magnetometer .

상기 장치는, 상기 프로필 정보를 상기 사용자로부터 입력 받는 입력부를 더 포함하고, 상기 프로필 정보는 상기 사용자의 성별, 나이, 키, 체중, 체질량 지수 중 적어도 하나에 대한 정보를 포함하는 것을 특징으로 할 수 있다.The apparatus may further include an input unit for receiving the profile information from the user, wherein the profile information includes information on at least one of sex, age, key, weight, and body mass index of the user have.

상기 제어부는, 상기 수신된 센서 신호에 기초한 회귀 분석을 수행하여 상기 예측 정보를 생성하기 위한 예측 모델을 결정하고, 상기 예측 모델은, 상기 사용자의 프로필 정보의 변화 및 지구력 변화 중 적어도 하나에 기초하여 지속적으로 보정(re-calibration)되는 것을 특징으로 할 수 있다.Wherein the controller determines a prediction model for generating the prediction information by performing a regression analysis based on the received sensor signal and the prediction model is based on at least one of a change in profile information of the user and a change in endurance And is continuously re-calibrated.

상기 출력부는, 상기 예측 정보에 기초하여, 상기 사용자의 칼로리 소비, 지구력, 권장 음식량, 필요한 칼로리 섭취량, 섭취하는 음식에 대한 영양소 또는 성분, 체중의 변화 중 적어도 하나를 상기 사용자에게 표시하는 것을 특징으로 할 수 있다.Wherein the output unit displays at least one of a user's calorie consumption, endurance, a recommended food amount, a required calorie intake amount, a nutrient or a component of a food to be ingested, and a change in body weight based on the prediction information. can do.

일 실시 예에 따른 장치는 사용자의 신체 데이터와 사용자 프로필 정보를 획득하여 상기 사용자의 지구력을 예측하는 지구력 모델을 생성하고, 상기 생성된 지구력 모델에 기초하여 상기 사용자의 건강에 영향을 미치는 하나 이상의 파라미터들을 식별하고, 상기 식별된 파라미터들에 기초하여 상기 사용자를 위한 건강 계획을 생성하는 제어부를 포함할 수 있다.An apparatus according to an exemplary embodiment of the present invention generates endurance models for predicting the endurance of the user by acquiring user's body data and user profile information, and generates one or more parameters that affect the health of the user based on the generated endurance model And generate a health plan for the user based on the identified parameters.

상기 사용자의 신체 데이터는, 사용자의 운동 데이터와 심장 박동수 데이터를 포함하는 것을 특징으로 할 수 있다. The body data of the user may include movement data of the user and heart rate data.

상기 제어부는, 상기 사용자의 신체 데이터를 측정하고 상기 사용자에 의해 섭취된 칼로리 및 소비된 칼로리를 측정하여 예측 모델을 생성하고 상기 사용자의 지구력 점수를 생성하고, 상기 예측 모델에 기초하여 특정 기간 동안의 상기 사용자의 건강 관리 정보를 생성하는 것을 특징으로 할 수 있다.The control unit measures the body data of the user, measures a calorie consumed by the user and calories consumed to generate a prediction model, generates the endurance score of the user, And generates health management information of the user.

일 실시예에 따른 방법은, 웨어러블 장치로부터 사용자의 신체에 대한 센서 신호를 수신하는 단계, 상기 수신된 센서 신호에 기초하여 상기 사용자의 신체의 활동을 복수의 사전 정의된 활동 모델 중 하나로 분류하고, 상기 분류 결과 및 상기 사용자의 프로필 정보에 기초하여 상기 사용자의 신체의 예측 정보를 생성하는 단계, 및 상기 예측 정보에 기초하여 상기 사용자에게 건강 관리 정보를 출력하는 단계를 포함할 수 있다.A method according to an embodiment includes receiving a sensor signal for a user's body from a wearable device, classifying the user's body activity into one of a plurality of predefined activity models based on the received sensor signal, Generating prediction information of the user's body based on the classification result and the profile information of the user, and outputting health management information to the user based on the prediction information.

상기 사전 정의된 활동 모델은, 심장형(cardio), 비-심장형(non-cardio), 서기, 앉기, 걷기, 계단 오르기, 계단 내려가기, 하이킹, 조깅, 스프린팅(sprinting), 사이클링(cycling), 트레드밀 운동 및 운전하기 중 적어도 하나를 포함할 수 있다.The predefined activity model may be a cardio, non-cardio, clerical, sitting, walking, stair climbing, stair descending, hiking, jogging, sprinting, cycling, Treadmill movement and operation.

상기 사용자의 신체의 예측 정보를 생성하는 단계는, 상기 수신된 센서 신호를 분석하여 상기 사용자의 신체의 활동을 심장형(cardio) 활동 모델과 비-심장형(non-cardio) 활동 모델 중 어느 하나로 분류하는 단계를 포함하고, 상기 신체의 활동이 심장형 활동 모델로 분류된 경우, 상기 예측 정보는, 심장 박동수 데이터를 사용한 회귀 분석을 수행하여 예측된 상기 신체의 활동을 위해 소비되는 칼로리에 대한 정보를 포함하고, 상기 신체의 활동이 비-심장형 활동 모델로 분류된 경우, 상기 예측 정보는, 신체의 활동과 칼로리 소비의 관계를 나타내는 칼로리 차트를 참조하여 예측된 상기 신체의 활동을 위해 소비되는 칼로리에 대한 정보를 포함하는 것을 특징으로 할 수 있다.The generating of the user's body prediction information may include analyzing the received sensor signal to classify the user's body activity into either a cardio activity model or a non-cardio activity model Wherein when the activity of the body is classified into a cardiac activity model, the prediction information includes information on calories consumed for the predicted activity of the body by performing a regression analysis using heart rate data , When the activity of the body is classified as a non-cardiac activity model, the prediction information includes information on calories consumed for the activity of the body predicted with reference to a calorie chart representing the relationship between body activity and calorie consumption And a control unit.

상기 수신하는 단계는, 복수의 센서로부터 상기 사용자의 신체에 대한 센서 신호들을 수신하는 단계를 포함하고, 상기 사용자의 신체의 예측 정보를 생성하는 단계는, 상기 수신된 센서 신호들의 상관 관계(correlation)를 이용하여 상기 사용자의 신체의 활동을 분류하는 단계를 포함하는 것을 특징으로 할 수 있다.Wherein the step of receiving comprises receiving sensor signals for the user's body from a plurality of sensors, wherein generating the prediction information of the user's body comprises: correlating the received sensor signals, And classifying the activity of the user's body by using the user's body.

상기 수신하는 단계는, 계보기(pedometer), 자이로스코프(gyroscope), 가속도계(accelerometer), 심장 박동 모니터(HRM Monitor), 체중계, 자력계(magnetometer) 중 적어도 하나의 웨어러블 센서에 의하여 획득되는 신호인 것을 특징으로 할 수 있다.The receiving step may be a signal obtained by a wearable sensor of at least one of a pedometer, a gyroscope, an accelerometer, a HRM monitor, a scale, and a magnetometer .

상기 사용자의 신체의 예측 정보를 생성하는 단계는, 상기 수신된 센서 신호에 기초한 회귀 분석을 수행하여 상기 예측 정보를 생성하기 위한 예측 모델을 결정하는 단계를 포함하고, 상기 예측 모델은, 상기 사용자의 프로필 정보의 변화 및 지구력 변화 중 적어도 하나에 기초하여 지속적으로 보정(re-calibration)되는 것을 특징으로 할 수 있다.Wherein the step of generating the prediction information of the user's body includes a step of determining a prediction model for generating the prediction information by performing a regression analysis based on the received sensor signal, And is continuously (re-calibrated) based on at least one of a change in profile information and a change in endurance.

상기 사용자의 신체의 예측 정보를 생성하는 단계는, 상기 수신된 센서 신호에 기초한 회귀 분석을 수행하여 상기 사용자의 미래에 기대되는 지구력에 대한 예측 정보를 생성하기 위한 예측 모델을 결정하는 단계를 포함하고, 상기 건강 관리 정보를 출력하는 단계는, 상기 사용자의 현재 지구력 수준 및 상기 예측 모델에 기초하여 목표 지구력 수준에 도달하기 위한 운동 계획을 출력하는 단계를 포함하고, 상기 예측 모델은, 운동 강도, 운동 시간 중 적어도 하나의 변수와 최소 제곱 추정법을 사용하여 결정된 계수를 포함하는 수식 모델일 수 있다.The step of generating the prediction information of the user's body includes a step of determining a prediction model for generating prediction information on endurance expected in the future of the user by performing a regression analysis based on the received sensor signal , The step of outputting the health management information includes outputting a motion plan for reaching a target endurance level based on the current endurance level of the user and the prediction model, Lt; RTI ID = 0.0 > least-squares < / RTI > estimation method.

상기 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체가 제공될 수 있다.A computer-readable recording medium having recorded thereon a program for causing the computer to execute the method may be provided.

본 발명은 후술하는 도면을 참조하여 설명된다. 참조 문자는 여러 도면들 중 대응되는 부분을 표시한다. 실시 예들은 본원에서 도면을 참조하여 다음의 상세한 설명으로부터 이해될 수 있을 것이다.
도1은 일 실시 예에 따라, 다양한 신체 활동들 동안 매일매일 소비되는 에너지를 예측하기 위한 여러 가지 요소들을 포함하는 블록 다이어그램을 나타낸다.
도2는 일 실시 예에 따른 장치가 수행하는 건강 관리 방법의 개요도를 나타낸다.
도3은 일 실시 예에 따른 웨어러블 장치로부터 센서 신호를 수신하여 신체의 예측 모델을 생성하기 위한 장치의 구조도를 나타낸다.
도4는 일 실시 예에 따른, 수신된 센서 신호들의 상관 관계(correlation)를 나타낸다.
도5은 개시된 일 실시 예에 따라 다양한 사용자 신체 활동들에 기초한 신체 활동 인식(Activity recognition)을 나타낸다.
도6a은 일 실시 예에 따른 장치가 신체 활동을 인식을 하기 위한 세 단계의 레벨 분류를 나타낸다.
도6b는 일 실시 예에 따른 장치가 수신된 센서 신호로부터 신체 활동 인식을 위한 세 단계의 레벨 분류를 나타낸다.
도7은 일 실시 예에 따른 장치가 사용자의 체중 변화 관리의 추세를 예측하기 위해 개별화된 예측 모델을 생성하기 위한 여러 가지 단계들을 나타낸다.
도8는 일 실시 예에 따른 장치가 체중 변화에 대한 예측 모델을 생성하는 것을 나타낸다.
도9는 일 실시 예에 따른 장치가 칼로리 추적 분석에 기초하여 칼로리 섭취에 대해 사용자에게 건강 관리 정보를 출력하는 시나리오의 예이다.
도10은 일 실시 예에 따른 장치가 음식 섭취 분석에 기초하여 사용자에게 건강 관리 정보를 출력하는 시나리오의 예이다.
도11는 일 실시 예에 따른 장치의 사용자 인터페이스를 나타낸다.
도12는 일 실시 예에 따른 장치가 개인의 다양한 심장형 신체 활동으로부터 예측된 지구력을 모델링하고 시각화하여 사용자에게 지구력에 대한 예측 정보를 제공하는 것을 나타낸다.
도13a 는 일 실시예에 따른 사용자의 건강을 관리할 수 있는 장치를 나타낸다.
도13b는 일 실시 예에 따른 사용자의 건강을 관리하는 방법의 흐름도를 나타낸다.
도14는 일 실시 예에 따른 장치가 사용자의 미래의 기대 지구력에 대한 예측 정보를 생성하는 예측 모델을 결정하는 것을 나타낸다.
도15는 일 실시 예에 따른 장치가 사용자의 지구력과 관련된 다양한 건강 관리 정보를 제공하는 것을 나타낸다.
도16a 는 일 실시 예에 따른 장치가 사용자의 목표 지구력 수준을 설정할 수 있는 사용자 인터페이스를 나타낸다.
도16b는 일 실시 예에 따른 장치가 사용자의 지구력 수준에 따라 건강 관리 정보를 다르게 출력하는 것을 나타낸다.
도17은 일 실시 예에 따른 장치가 개인에게 개별화된 건강 계획을 생성하여 제공하는 방법의 개요를 나타낸다.
도18은 일 실시 예에 따른 장치가 사용자에 대한 건강 계획을 포함하는 건강 관리 정보를 생성하는 흐름도를 나타낸다.
도19는 일 실시 예에 따른 여러 가지 심박수 영역과 각 심박수 영역과 관련된 심박수의 범위를 나타내는 그래프이다.
도20a 내지 도20d는 일 실시 예에 따른 생성된 예측 모델에 기초하여 사용자에게 건강 관리 정보를 제공하는 어플리케이션 '건강 추적기'의 스크린 화면을 나타낸다.The present invention will be described with reference to the following drawings. The reference character indicates the corresponding part of the various drawings. Embodiments may be understood from the following detailed description with reference to the drawings herein.
Figure 1 shows a block diagram including various elements for predicting the energy consumed daily for various physical activities, according to one embodiment.
2 shows a schematic diagram of a health care method performed by an apparatus according to one embodiment.
3 is a structural diagram of an apparatus for generating a predictive model of a body by receiving a sensor signal from a wearable device according to an embodiment.
Figure 4 shows the correlation of received sensor signals, according to one embodiment.
Figure 5 illustrates activity recognition based on various user physical activities in accordance with one disclosed embodiment.
6A illustrates a three-level level classification for a device according to an embodiment to recognize physical activity.
6B illustrates a three-level level classification for physical activity recognition from a sensor signal received by an apparatus according to one embodiment.
FIG. 7 illustrates various steps for an apparatus according to an embodiment to generate an individualized prediction model to predict a trend of a user's weight change management.
Figure 8 shows that the device according to one embodiment produces a predictive model for weight change.
FIG. An example of a scenario in which an apparatus according to an embodiment outputs healthcare information to a user for calorie intake based on calorie tracking analysis.
10 is an example of a scenario in which an apparatus according to an embodiment outputs health management information to a user based on a food intake analysis.
11 illustrates a user interface of a device according to one embodiment.
Figure 12 shows that the device according to one embodiment models and visualizes predicted endurance from various cardiac physical activity of an individual to provide the user with prediction information about endurance.
13A shows an apparatus for managing health of a user according to an embodiment.
13B illustrates a flowchart of a method of managing health of a user according to an embodiment.
FIG. 14 shows that a device according to an embodiment determines a prediction model in which to generate prediction information on a user's future expected endurance.
Figure 15 shows that the device according to one embodiment provides various health care information related to the endurance of the user.
16A illustrates a user interface through which an apparatus according to one embodiment may set a user's target endurance level.
16B shows that the device according to an embodiment outputs health management information differently according to a user's endurance level.
17 shows an overview of how a device according to one embodiment generates and provides an individualized health plan to an individual.
18 shows a flow diagram in which an apparatus according to one embodiment generates health care information that includes a health plan for a user.
FIG. 19 is a graph showing various heart rate ranges and ranges of heart rates associated with each heart rate range according to an exemplary embodiment.
20A-20D illustrate screen screens of an application 'health tracker' that provides health management information to a user based on a generated prediction model in accordance with an embodiment.

이하에서는 첨부된 도면을 참고하여 본 발명의 바람직한 실시 예를 상세히 설명한다. 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 이하에서 개시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 개시된 실시 예들은 당해 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서에서 사용되는 용어는 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 발명의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 명세서에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 명세서 전반에 걸친 내용을 토대로 정의되어야 한다. 이하에서는 도면을 참조하여 실시 예들을 상세히 설명한다. 본 명세서에 기재된 실시 예와 도면에 도시된 구성은 일 실시 예에 불과할 뿐이고, 본 발명의 기술적 사상을 모두 대변하는 것은 아니므로, 본 출원시점에 있어서 이들을 대체할 수 있는 다양한 균등물과 변형 예들이 있을 수 있음을 이해하여야 한다.Hereinafter, preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings. Advantages and features of the present invention, and how to accomplish them, will become apparent with reference to the embodiments described hereinafter with reference to the accompanying drawings. It should be understood, however, that the invention is not limited to the disclosed embodiments, but may be embodied in many different forms and should not be construed as limited to the embodiments set forth herein. Rather, these embodiments are provided so that this disclosure will be thorough and complete and will fully convey the concept of the invention to those skilled in the art. , The invention is only defined by the scope of the claims. Although the terms used in the specification have selected general terms that are widely used at present, considering the functions, they may vary depending on the intention or circumstance of a person skilled in the art, the emergence of new technologies and the like. Also, in certain cases, there may be a term selected arbitrarily by the applicant, in which case the meaning thereof will be described in detail in the description of the corresponding invention. Therefore, the terms used in the specification should be defined not based on the names of simple terms but on their meaning and contents throughout the specification. Hereinafter, embodiments will be described in detail with reference to the drawings. It should be noted that the embodiments described in the present specification and the configurations shown in the drawings are merely examples and do not represent all of the technical ideas of the present invention, so that various equivalents and modifications It should be understood.

또한, 명세서에서 사용되는 "부" 또는 "모듈"이라는 용어는 FPGA 또는 ASIC과 같은 하드웨어 구성요소 또는 회로를 의미한다.Also, as used herein, the term "portion" or "module" refers to a hardware component or circuit, such as an FPGA or ASIC.

이하 '개별화(personalize)'는 특정 개인에게 최적화 또는 특화시키는 것을 의미하며, '개별화된 예측 모델(personalized prediction model)'이란, 상기 개인에 한해 적용될 수 있는 특정 개인에게 최적화 또는 특화된 모델로서, 특정 개인의 건강을 관리하는데 유용한 예측 정보를 생성하는 모델을 의미할 수 있다. The term 'personalize' refers to optimizing or specifying a specific individual, and the term 'personalized prediction model' refers to a model that is optimized or specialized for a particular individual, Which is useful for managing the health of the patient.

일 실시 예에 따라, 정확한 신체 활동의 분류 및 칼로리 예측을 통해 다양한 신체 활동 또는 동작들 동안에 매일 소비되는 에너지를 예측하기 위한 방법 및 장치가 개시될 수 있다. 또한, 개시된 방법 및 장치는 체중 변화 관리에서 체중 변화의 추세를 예측하기 위한 개별화된 예측 모델을 제공할 수 있다. 개시된 방법 및 장치는 센서 데이터를 사용하여 개별적인 신체 활동을 식별하고 프로파일(profile)하고, 소비되는 칼로리를 대응되는 신체 활동 및 동작에 맵핑하기 위해 접근에 기초한 신호 처리를 제공할 수 있다.According to one embodiment, methods and apparatus for predicting the energy consumed daily during various physical activities or actions through classification and calorie prediction of accurate physical activity can be disclosed. The disclosed methods and apparatus can also provide an individualized prediction model for predicting trends in weight changes in weight change management. The disclosed methods and apparatus can use sensor data to identify and profile individual physical activity and provide access-based signal processing to map the calories consumed to corresponding physical activity and movement.

개시된 방법 및 장치는 개별적인 매일의 신체의 활동을 심장 강화(cardio) 및 비-심장 강화(non-cardio type) 의 활동 모델로 계층화하여 신체 활동 동안 소비되는 칼로리의 정확한 예측을 제공할 수 있다. The disclosed methods and apparatus can layer individual daily body activities into cardio and non-cardio type activity models to provide accurate prediction of calories consumed during physical activity.

개시된 방법은 심장 강화/비-심장 강화로 구별되는 신체 활동 및 동작들을 정확하게 검출하고, 각 신체 활동에서 소비되는 칼로리를 발견하거나 예측할 수 있다. 또한, 개시된 방법 및 장치는 일정 기간 동안에 수행되는 신체 활동에서 소비되는 칼로리의 정확한 예측에 기초하여 개별화된 모델을 제공할 수 있다. 상기 개별화된 모델은 체중 변화 관리를 예측하는데 사용될 수 있다.The disclosed method can accurately detect physical activity and actions distinguished by cardiac strengthening / non-cardiac strengthening, and can discover or predict the calories consumed in each physical activity. In addition, the disclosed methods and apparatus can provide a personalized model based on accurate prediction of calories consumed in physical activity performed over a period of time. The individualized model may be used to predict weight change management.

신체 활동 인식은 신체 역학의 센서에 기초한 분석(센서가 발산하는 신호로부터의 정보 추출을 포함한다)을 사용하여 수행될 수 있다. 신체 활동의 세기 강도(Intensity level)는 소비되는 에너지에 대해 심박수 영역(heart rate zones)을 계층화함으로서 결정될 수 있고 상기 모델은 개인의 개별적인 데이터를 사용함으로서 특정 개인에게 특화될 수 있다. 개시된 방법 및 장치는 개인의 건강 수준을 추적하기 위해 채택될 수 있다. 상기 건강 수준은 칼로리 섭취 추적, 신체 역학에 기초한 신체 활동 인식, 칼로리 소비 추적, 체중 감소를 가져오는 칼로리 소비 예측, 피트니스/건강 모델링을 포함할 수 있다. Physical activity perception can be performed using sensor-based analysis of body dynamics (including extracting information from signals that the sensor emits). The intensity level of physical activity can be determined by stratifying heart rate zones for the energy consumed and the model can be tailored to a particular individual by using individual data of the individual. The disclosed methods and apparatus may be employed to track an individual's health level. The health level may include tracking calorie intake, physical activity awareness based on body mechanics, tracking calorie consumption, predicting caloric expenditure for weight loss, and fitness / health modeling.

도1은 개시된 일 실시 예에 따라, 다양한 신체 활동들 동안 매일매일 소비되는 에너지를 예측하기 위한 여러 가지 요소들을 포함하는 블록 다이어그램을 나타낸다. 1 shows a block diagram including various elements for predicting the energy consumed daily during various physical activities, in accordance with one disclosed embodiment.

블록 다이어그램의 여러 가지 요소들은 수동 칼로리 추적(passive calorie tracking), 자동 신체 활동 인식, 칼로리 연소/신체 활동을 포함한다. 수동 칼로리 추적은 안정시 대사율(Resting Metabolic Rate, RMR) 또는 기초 대사율을 결정하는 것을 포함할 수 있다. 신체 활동 칼로리 예측 모델은 칼로리 연소에 기초한 사전적인 식사량 경보, 신체 활동 시간 및 건강 습관, 최종 목표 예측을 생성하는 것을 포함할 수 있다.The various elements of the block diagram include passive calorie tracking, automatic physical activity perception, and caloric burning / physical activity. Manual calorie tracking may include determining a Resting Metabolic Rate (RMR) or basal metabolic rate. The physical activity calorie prediction model may include generating a prior food alert based on caloric burn, physical activity time and health habits, and a final goal prediction.

도2은 일 실시 예에 따른 장치가 수행하는 건강 관리 방법의 개요도를 나타낸다.2 shows a schematic diagram of a health care method performed by an apparatus according to one embodiment.

일 실시 예에 따른 건강 관리 장치는 사용자의 신체 활동을 비-심장형 신체 활동(Non-cardio activities)과 심장형 신체 활동(Cardio activities) 중 어느 하나로 분류하기 위해 계보기(pedometer), 가속계(accelerometer), 자이로스코프(gyroscope)와 같은 센서들을 통해 데이터를 획득할 수 있다. The health management apparatus according to an exemplary embodiment may include a pedometer, an accelerometer, a pedometer, and the like to classify the user's physical activity into one of non-cardio activities and cardio activities. Data can be acquired through sensors such as gyroscopes.

심장형 신체 활동에 의해 소비되는 칼로리는 심장 박동수(심장 박동수는 심장 박동 모니터로부터 획득될 수 있다) 데이터와 심장 박동수를 칼로리 소비와 관련시키는 방정식을 사용하여 예측될 수 있으며, 비-심장형 타입의 신체 활동에 의해 소비되는 칼로리는 안정된 칼로리 차트들을 칼로리 소비를 획득할 수 있다. Calories consumed by cardiac physical activity can be predicted using heart rate data (heart rate can be obtained from a heart rate monitor) and equations that relate heart rate to calorie consumption, and non-cardiac type of physical activity The calories consumed by the calorie charts can achieve calorie consumption with stable calorie charts.

일 실시 예에 따른 건강 관리 방법은 계획적인 운동 방법, 체중 변화 예측, 정확한 칼로리 계산을 위해 일정기간 동안의 신체 활동 및 개인의 칼로리 소비와 같은 데이터를 수학적으로 모델링 할 수 있다.The health management method according to an embodiment can mathematically model data such as a planned exercise method, a weight change prediction, a calorie calculation for a certain period of time, and a calorie consumption of an individual for accurate calorie calculation.

도3은 일 실시 예에 따른 웨어러블 장치로부터 센서 신호를 수신하여 신체의 예측 정보를 생성하기 위한 장치의 구조도를 나타낸다. FIG. 3 is a structural diagram of an apparatus for generating a prediction information of a body by receiving a sensor signal from a wearable device according to an embodiment.

장치(300)는 수신부(320), 제어부(340) 및 출력부(360)을 포함할 수 있다. 장치(300)는 도13a의 장치(1300)의 다른 실시 예를 나타낸다. 장치(1300)의 통신부(1320), 제어부(1340) 및 출력부(1360)는 각각 장치(300)의 수신부(320), 제어부(340) 및 출력부(360)으로 구현될 수 있으나 이에 제한되지 않는다.The apparatus 300 may include a receiving unit 320, a control unit 340, and an output unit 360. Apparatus 300 represents another embodiment of apparatus 1300 of FIG. 13A. The communication unit 1320, the control unit 1340 and the output unit 1360 of the device 1300 may be implemented as the receiving unit 320, the control unit 340 and the output unit 360 of the device 300, respectively, Do not.

데이터 획득 장치(100)는 웨어러블 장치를 포함할 수 있다. 일 실시 예에 따른 데이터 획득 장치(100)는 계보기(pedometer), 자이로스코프(gyroscope), 가속도계(accelerometer), 심장 박동 모니터(HRM Monitor), 체중계, 기압계, 자력계(magnetometer), 온도계, 습도계, 조도계 센서 중 적어도 하나를 포함할 수 있다. 데이터 획득 장치(100)는 모바일 컴퓨팅 디바이스(예: 스마트폰) 또는 웨어러블 디바이스에 존재하는 센서 허브(sensor hub)일 수 있다. 도3에서, 데이터 획득 장치(100)는 장치(300)의 외부에 도시되었으나 데이터 획득 장치(100)는 장치(300)의 내부에 존재할 수도 있으며 물리적으로 분리되어 존재하는 복수의 웨어러블 센서를 포함할 수도 있다.The data acquisition device 100 may include a wearable device. The data acquisition apparatus 100 according to an exemplary embodiment may include a pedometer, a gyroscope, an accelerometer, a HRM monitor, a scale, a barometer, a magnetometer, a thermometer, a hygrometer, And an illuminometer sensor. The data acquisition device 100 may be a sensor hub present in a mobile computing device (e.g., a smart phone) or a wearable device. In Figure 3, the data acquisition device 100 is shown external to the device 300, but the data acquisition device 100 may include multiple wearable sensors that may be internal to the device 300 and physically separate It is possible.

수신부(320)는 데이터 획득 장치(100)로부터 사용자의 신체에 대한 센서 신호(즉, 데이터)를 수신할 수 있다. 일 실시 예에 따른 수신부(320)는 데이터 입력 모듈(101)을 포함할 수 있다. 데이터 입력 모듈(101)은 데이터 획득 장치(100)로부터 수신한 데이터들을 취합할 수 있다. 데이터 입력 모듈(101)은 컴퓨팅 디바이스에 의해 자동적으로 선택된 잘못된 입력 데이터에 의한 사용자에 의한 개입을 포함하는 사용자 피드백 모듈(109)을 포함할 수 있다. 수신부(320)는 성별, 나이, 키, 체중, 체질량 지수 중 적어도 하나에 대한 정보를 포함하는 사용자 프로필 정보를 입력부(330)로부터 입력 받을 수 있다.The receiving unit 320 may receive the sensor signal (i.e., data) for the user's body from the data acquiring apparatus 100. [ The receiving unit 320 according to an exemplary embodiment may include a data input module 101. The data input module 101 can collect the data received from the data acquisition device 100. [ The data input module 101 may include a user feedback module 109 that includes user intervention by erroneous input data automatically selected by the computing device. The receiving unit 320 From the input unit 330, user profile information including information on at least one of sex, age, height, weight, and body mass index.

입력부(330)는 성별, 나이, 키, 체중, 체질량 지수 중 적어도 하나에 대한 정보를 포함하는 사용자 프로필 정보를 사용자로부터 입력 받을 수 있다. 입력부(330)는 사용자 프로필 모듈(107)를 포함할 수 있다. 사용자 프로필 모듈(107)은 성별, 나이, 키, 체중, 체질량 지수(BMI 지수)와 같은 데이터를 가지고 있는 데이터 베이스를 포함한다. 사용자 프로필 모듈(107)가 제공한 사용자에 대한 정보는 제어부(340)에서 예측 모델을 생성하기 위해 사용될 수 있다. 즉, 사용자 프로필 정보에 기초하여 예측 모델은 다르게 결정될 수 있다. [수학식1]은 일 실시 예에 따른 사용자 프로필 정보에 따라 동일한 운동 동안의 소비되는 칼로리를 예측하는 수식을 나타낸다. [수학식1]에서 나타나는 바와 같이, 동일한 신체활동이라 하더라도 성별, 체중, 나이 등에 따라 사용자가 소비하는 칼로리는 달라질 수 있다.The input unit 330 may receive user profile information including information on at least one of sex, age, key, weight, and body mass index from a user. The input unit 330 may include a user profile module 107. The user profile module 107 includes a database having data such as sex, age, key, body weight, and body mass index (BMI index). Information about the user provided by the user profile module 107 may be used by the control unit 340 to generate a prediction model. That is, the prediction model may be determined differently based on the user profile information. [Equation 1] represents a formula for predicting the calories consumed during the same exercise according to the user profile information according to an embodiment. As shown in Equation (1), even though the same physical activity is performed, calories consumed by the user may vary depending on sex, weight, age, and the like.

[수학식 1][Equation 1]

남성 : ((-55.0969 + (0.6309 x HR) + (0.6309 x HR) + (0.1988 x W) + (0.2017 x A))/4.184) x 60 x T Male: (-55.0969 + (0.6309 x HR) + 0.6309 x HR + 0.1988 x W + 0.2017 x A) / 4.184) x 60 x T

여성 : ((-20.4022 + (0.4472 x HR) - (0.1263 x W) + (0.074 x A))/4.184) x 60 x T Female: ((-20.4022 + (0.4472 x HR) - (0.1263 x W) + (0.074 x A)) / 4.184) x 60 x T

[수학식 1]의HR 은 심장 박동수(비트/분), W는 체중(킬로그램), A 는 나이(년), T 는 운동 시간을 나타낼 수 있다.HR in Equation (1) can represent heart rate (bits / minute), W is weight (kg), A is age (years), and T is exercise time.

제어부(340)는 수신부(320)가 수신한 센서 신호에 기초하여 사용자의 신체의 활동을 복수의 사전 정의된 활동 모델 중 하나로 분류하고, 분류 결과 및 사용자 프로필 정보에 기초하여 사용자의 신체의 예측 정보를 생성할 수 있다. 신체의 예측 정보는 사용자의 건강 관리에 도움이 될 수 있는 유용한 정보로서, 제어부(340)는 수신된 센서 신호에 기초하여 다양한 회귀 분석을 수행하고 예측 모델을 결정하여, 결정된 예측 모델을 사용하여 예측 정보를 생성할 수 있다. 제어부(340)는 프로세서, ASIC(application specific integrated circuit), 임베디드 프로세서, 마이크로 프로세서, 하드웨어 제어 로직, 하드웨어 유한 상태 기계(FSM), 디지털 신호 프로세서(DSP) 또는 이들의 조합일 수 있다. The control unit 340 classifies the activity of the user's body into one of a plurality of predefined activity models based on the sensor signal received by the receiving unit 320 and outputs prediction information of the user's body based on the classification result and the user profile information Lt; / RTI > The body prediction information is useful information that can help the health care of the user. The controller 340 performs various regression analysis based on the received sensor signals, determines a prediction model, and uses the determined prediction model to predict Information can be generated. The controller 340 may be a processor, an application specific integrated circuit (ASIC), an embedded processor, a microprocessor, hardware control logic, a hardware finite state machine (FSM), a digital signal processor (DSP)

사전 정의된 활동 모델은 심장형(cardio), 비-심장형(non-cardio), 서기, 앉기, 걷기, 계단 오르기, 계단 내려가기, 하이킹, 조깅, 스프린팅(sprinting), 사이클링(cycling), 트레드밀(Treadmil) 운동, 운전하기, 가벼운 활동(mild activity), 중간 정도의 활동(moderate activity) 및 격한 활동(vigorous activity) 중 적어도 하나를 포함할 수 있다. 제어부(340)는 분류된 활동 모델의 결과에 따라 신체의 활동을 수행하기 위해 소비되는 칼로리에 대한 예측 정보를 생성할 수 있다. Predefined activity models include cardio, non-cardio, clerical, sitting, walking, stair climbing, stair descending, hiking, jogging, sprinting, cycling, treadmill Treadmill exercise, driving, mild activity, moderate activity, and vigorous activity. The controller 340 may generate prediction information on the calories consumed to perform the activities of the body according to the results of the classified activity model.

일 실시 예에 따른 제어부(340)는 수신부(320)가 획득한 신호를 처리하고 분석하여 사용자의 신체 활동을 심장형(cardio) 활동 모델과 비-심장형(non-cardio) 활동 모델 중 어느 하나로 결정하고, 결정된 타입에 따라 신체 활동을 수행하는데 소비되는 칼로리를 다른 방법으로 예측할 수 있다. The controller 340 processes and analyzes the signals obtained by the receiver 320 to determine the user's physical activity as either a cardio activity model or a non-cardio activity model , The calories consumed to perform physical activity may be predicted in other ways depending on the determined type.

일 실시 예에 따른 제어부(340)는 사용자의 심장 박동수에 기초하여 사용자의 신체의 활동의 강도를 식별하고 사용자의 신체의 활동의 강도에 기초하여 사용자의 신체 활동을 심장형(cardio) 활동 모델과 비-심장형(non-cardio) 활동 모델 중 어느 하나로 결정할 수 있다. 사용자의 심장 박동수는 유산소 영역(aerobic zone), 무산소 영역(anaerobic zone), 회복 영역(recovery zone), 최대 영역(maximal zone)을 포함하는 복수의 심장 박동수 영역들로 분류될 수 있다. 각 심장 박동수 영역의 범위는 사용자 프로필 정보에 의해 제공된 사용자의 나이로부터 획득되는 사용자의 최대 심박수(Maximum Heart Rate, MHR)에 기초하여 식별될 수 있다. 최대 심박수와 심장 박동수 영역들에 대한 수학적 모델링은 도19을 참조하여 설명한다. 제어부(340)는 신체의 활동의 종류가 심장형 활동 모델로 분류된 경우, 심장 박동수 데이터를 사용한 회귀 분석을 수행하여 신체의 활동을 위해 소비되는 칼로리에 대한 예측 정보를 포함하는 예측 정보를 생성하고, 신체의 활동의 종류가 비-심장형 활동 모델로 분류된 경우, 신체의 활동과 칼로리 소비의 관계를 나타내는 칼로리 차트를 참조하여 신체의 활동을 위해 소비되는 칼로리에 대한 예측 정보를 생성할 수 있다. The control unit 340 according to an embodiment identifies the intensity of the user's body activity based on the user's heart rate and calculates the user's physical activity based on the strength of the user's body activity and the cardio activity model - Can be determined from any of the non-cardio activity models. The user's heart rate can be divided into a plurality of heart rate zones including an aerobic zone, anaerobic zone, recovery zone, and maximal zone. The range of each heart rate range may be identified based on the user's maximum heart rate (MHR), which is obtained from the age of the user provided by the user profile information. Mathematical modeling for the maximum heart rate and heart rate ranges is described with reference to FIG. When the kind of the activity of the body is classified into the cardiac activity model, the controller 340 performs regression analysis using the heart rate data to generate prediction information including prediction information on the calories consumed for the activity of the body, If the type of activity of the body is classified as a non-cardiac activity model, the calorie chart indicating the relationship between body activity and calorie consumption can be used to generate prediction information about the calories consumed for the body's activities.

일 실시 예에 따른 제어부(340)는 수신부(320)가 복수의 센서로부터 수신한 복수의 사용자의 신체에 대한 신호들의 상관 관계(correlation)의 특성을 사용하여 사용자의 신체 활동을 분류할 수 있다. 속도 신호와 발 충격 신호의 상관 관계를 사용하여 사용자의 신체 활동을 복수의 사전 정의된 활동 모델 중 어느 하나로 분류하는 실시 예가 도4에 개시된다.The controller 340 according to an exemplary embodiment may classify the user's physical activity using characteristics of correlation between signals of the plurality of users' bodies received from the plurality of sensors. An embodiment of classifying a user ' s physical activity into one of a plurality of predefined activity models using the correlation of the velocity signal and foot impact signal is shown in Fig.

일 실시 예에 따른 제어부(340)는 신호 처리 모듈(102), 머신 러닝 모듈(103), 칼로리 계산 모듈(104), 신체 활동-칼로리 맵(105) 및 회귀 모듈(106)을 포함할 수 있다.The controller 340 according to one embodiment may include a signal processing module 102, a machine learning module 103, a calorie calculation module 104, a physical activity-calorie map 105, and a regression module 106 .

신호 처리 모듈(102)은 수신된 센서 신호를 처리하고 분석할 수 있다. 센서 신호는 가속도계, 자이로스코프, 기압계, 자력계로부터 수신될 수 있으며, 신호 처리는 클라이언트 및 서버 모두에서 수행될 수 있다.The signal processing module 102 may process and analyze the received sensor signals. The sensor signal may be received from an accelerometer, a gyroscope, a barometer, a magnetometer, and the signal processing may be performed on both the client and the server.

머신 러닝 모듈(Machine learning module, 103)은 신체 활동을 여러 가지 활동 모델들로 분류할 수 있다. 예를 들어, 머신 러닝 모듈(103)은 사용자 신체 활동을 휴식, 심장형, 비-심장형 중 어느 하나로 분류할 수 있다. 신체 활동의 타입이 심장형으로 결정된 경우, 장치(300)는 심장 박동수와 칼로리 소비의 관계를 나타내는 통계적 건강 모델(statistical fitness model)을 사용하여 심장형 신체 활동 동안에 소비되는 칼로리를 예측할 수 있다. 통계적 건강 모델은 수신부(320)에서 획득한 사용자의 성별, 나이, 키, 체중, 체질량 지수 중 적어도 하나의 정보를 사용하여 생성될 수 있다. A machine learning module (103) can classify physical activity into various activity models. For example, the machine learning module 103 may classify user physical activity into one of rest, cardiac, or non-cardiac. If the type of physical activity is determined to be cardiac, the device 300 can predict the calories consumed during cardiac physical activity using a statistical fitness model that indicates the relationship between heart rate and calorie consumption. The statistical health model may be generated using at least one of sex, age, height, body weight, and body mass index of the user acquired by the receiving unit 320. [

칼로리 계산 모듈(104)는 심장형의 활동 모델에 대해, 심박수 방정식을 사용하여 칼로리를 계산할 수 있다. 일 실시 예에 따라 계산된 칼로리는 회귀 모듈(106)의 회귀 분석을 위해 사용될 수 있다. 즉, 계산된 칼로리 정보는 다른 예측 정보를 생성하기 위한 다양한 예측 모델을 결정하기 위한 다양한 회귀 분석에 사용될 수 있다. 사용자의 신체 활동을 분류하여 신체 활동의 분류 결과에 따라 소비되는 칼로리를 예측하므로 장치(300)는 보다 정확한 회귀 분석을 수행할 수 있다.The calorie calculation module 104 may calculate calories using heart rate equations for heart activity models. Calories calculated in accordance with one embodiment may be used for regression analysis of the regression module 106. That is, the caloric information calculated can be used in a variety of regression analyzes to determine various prediction models for generating other prediction information. The device 300 can perform more accurate regression analysis by classifying the user's physical activity and predicting the calories consumed according to the classification result of the physical activity.

신체 활동-칼로리 맵핑 모듈(105)는 휴식 또는 비-심장형 신체 활동에 대한 데이터 베이스를 포함할 수 있다.The physical activity-calorie mapping module 105 may include a database of rest or non-cardiac physical activity.

회귀 모듈(106)은 다양한 회귀 분석을 수행하여 사용자의 건강 관리를 위한 다양한 예측 정보를 생성하는 다양한 예측 모델을 결정할 수 있다. 예를 들어, 회귀 모듈(106)은 일정 기간 동안의 기록된 특정 신체 활동과 심장 박동수 데이터에 기초하여 회귀 분석을 수행할 수 있다. The regression module 106 may perform various regression analyzes to determine various prediction models for generating various prediction information for a user's health care. For example, the regression module 106 may perform regression analysis based on recorded specific physical activity and heart rate data for a period of time.

일 실시 예에 따른 회귀 모듈(106)은 트레드밀 운동을 하는 동안 소비되는 에너지가 운동의 강도(Intensity), 트레드밀의 경사(Inclination), 운동 시간(Duration), 사용자의 체중(Weight)에 의해 결정된다는 점을 고려하여 회귀 분석을 수행할 수 있다. 회귀 모듈(106)은 트레드밀 운동을 하는 동안 소비되는 칼로리에 대한 예측 정보를 생성하는 예측 모델을 결정할 수 있다. 트레드밀 운동을 수행하는 동안 소비되는 칼로리를 예측하는 예측 모델은 [수학식2]과 같이 결정될 수 있다.The regression module 106 according to one embodiment determines that the energy consumed during the treadmill exercise is determined by the intensity of the exercise, the inclination of the treadmill, the duration, and the weight of the user Regression analysis can be performed considering the points. Regression module 106 may determine a prediction model that generates prediction information on the calories consumed during treadmill exercise. A prediction model for predicting the calories consumed while performing the treadmill motion can be determined as shown in [Equation 2].

[수학식2]&Quot; (2) "

Cal(소비) = α₀+ α₁Z₁ + α₂Z₂ + α₃Z₃ + α₄Z₄ + α₅I + f(W)ZCal (consumption) = α ₀ + α ₁ Z ₁ + α ₂ Z ₂ + α ₃ Z ₃ _{_{_{+ Α 4 Z 4 + α 5}}} I + f (W) Z

[수학식2]의 Cal은 운동 동안 연소된 칼로리, Z₁ 은 심장 박동/스피드 영역-1 의 시간, Z₂는 심장 박동/스피드 영역-2의 시간, Z₃ 은 심장 박동/스피드 영역-3의 시간, Z₄는 심장 박동/스피드 영역-4 의 시간, f는 체중 W 에 대한 함수, I 는 트레드밀의 기울기를 나타낼 수 있다. 따라서, 제어부(340)는 사용자가 현재 수행하고 있는 신체의 활동을 심장형 타입의 신체 활동 중 트레드밀 운동을 수행하고 있는 것으로 분류하고, [수학식2]의 예측 모델을 사용하여 트레드밀 운동을 수행하는 동안 사용자가 소비하는 칼로리를 예측할 수 있다.Z ₁ is the time of the heart rate / speed zone-1, Z ₂ is the time of the heart rate / speed zone-2, Z ₃ is the heart rate / speed zone-3 Z ₄ is the time in heartbeat / speed zone -4, f is a function of body weight W, and I is the slope of the treadmill. Accordingly, the controller 340 classifies the activity of the user currently performed by the user as performing the treadmill exercise during heart-type physical activity, while performing the treadmill exercise using the predictive model of Equation (2) The calories consumed by the user can be predicted.

또 다른 실시 예로서 회귀 모듈(106)은 미래의 체중에 대한 예측정보를 생성하는 예측 모델을 결정할 수 있다. 미래의 체중을 예측하는 예측 모델은 [수학식3]과 같이 결정될 수 있다.As another example, the regression module 106 may determine a prediction model that will generate prediction information for future weights. A prediction model for predicting future weight can be determined as shown in [Equation 3].

[수학식3]&Quot; (3) "

Y_t = β₀+ β₁X_1t + β₂X_2t + ... + β_kX_kt + ∑α_iY_t _-i+ ∑γ_j ε_t-j Y _t = β ₀ + β ₁ X _1t + β ₂ X _2t + ... + β _k X _kt + Σα _i Y _t _-i + Σγ _j ε _tj

일 실시 예에 따른 회귀 모듈(106)은 ARIMA(Auto Regressive Integrated Moving Average)모델링을 사용하여 특정 시점의 체중을 예측하는 회귀 분석을 수행할 수 있다. [수학식3]의 Y_t 는 날짜 t 의 체중, X₁는 초기 체중(W₀), X₂는 에너지 섭취, X₃ 는 운동에 의한 에너지 소비(HRM 센서 및 계보기), X₄ 는 평균적인 매일의 신체 활동에 의해 소비되는 에너지(계보기 데이터), X₅ 는 체지방 비율을 나타낼 수 있다. 회귀 모듈(106)은 이전에 수 주간에 걸쳐 수집된 데이터를 [수학식3]에 대입하여 사용하여 계수 β₁β_2...β_k,α_i(i = 1,2, ..., p), γ_j(j = 1,2, ..., q) 를 결정할 수 있다. 회귀 모듈(106)은 결정된 계수를 이용하여 X₁ 내지 X₅ 가 알려져 있지 않더라도 미래의 체중을 예측할 수 있다.The regression module 106 according to an exemplary embodiment may perform a regression analysis that predicts a weight at a specific time point using ARIMA (Auto Regressive Integrated Moving Average) modeling. Y _{t in} Equation (3) X ₁ is the initial body weight (W ₀ ), X ₂ is the energy intake, X ₃ Energy consumption by exercise (HRM sensor and system view), X ₄ Is the energy consumed by the average daily physical activity (gauge view data), X ₅ Can represent body fat percentage. The regression module 106 calculates the coefficients β ₁ β _{2 ...} β _k, α _i (i = 1, 2, ..., _k ) by substituting the data collected over several weeks in advance into [ p), and? _j (j = 1, 2, ..., q). Regression module 106 uses the determined coefficients to calculate X ₁ To X ₅ it has even been known to predict future weight gain.

또 다른 실시예로서 회귀 모듈(106)은 사용자의 지구력에 대한 예측 정보를 생성하는 예측 모델을 결정할 수 있다. 사용자의 지구력에 대한 정보를 생성하는 예측 모델의 예는 [수학식4]와 같이 결정될 수 있다.As another example, the regression module 106 may determine a prediction model that generates prediction information on a user's endurance. An example of a prediction model that generates information on the endurance of the user can be determined as shown in Equation (4).

[수학식 4]&Quot; (4) "

지구력(Endurance) = β₀ y₀ + ∑ β_k y_k (0=< k <= n)Endurance = β ₀ y ₀ + Σ β _k y _k (0 = < k < = n)

[수학식 4]의y₀ 는 사용자의 초기 지구력, y₁ 은 현재의 운동 강도, y₂ 는 운동의 종류, y₃ 은 사용자의 나이, y₄ 는 이전의 트레이닝 수준, y₅ 는 체중, y₆ 은 생활 습관,y₇ 은 심장 박동수를 나타낼 수 있다. 사용자의 지구력에 대한 예측 정보를 생성하는 예측 모델은 도12 및 도 14 내지 20d를 참조하여 상세히 후술한다.[Equation 4] y ₀ is the user's initial endurance, y ₁ is the current intensity, y ₂ is the type of exercise, y ₃ is the user's age, y _4, the former training level, y ₅ is weight, y ₆ However, y ₇ can represent the heart rate. A prediction model for generating prediction information on the endurance of the user will be described later in detail with reference to FIG. 12 and FIGS. 14 to 20D.

제어부(340)는 사용자의 프로필 정보의 변화 및 지구력 변화 중 적어도 하나에 기초하여 지속적으로 예측 모델을 적응적으로 변화시킬 수 있다. 이전의 기록 데이터에 기초하여 개인에 대한 예측 모델을 구축하고, 이후의 날들에 새롭게 수집되는 데이터는 생성된 기 예측 모델과의 비교를 통해 새롭게 수집된 데이터와 기 예측 모델과의 매칭 또는 유사 여부를 확인할 수 있다. 이후에 새롭게 수집된 데이터가 기 예측 모델로부터 많이 벗어나는 경우, 개인의 건강 또는 체력이 향상 또는 악화되는 것으로 판단될 수 있으므로, 알림 또는 경고 메시지가 개인에게 전송될 수 있다. 개인은 정기적으로 통계적 예측 모델을 다시 보정할 수 있다. 모델에 기반한 샘플 데이터와의 비교는 신속하고 실시간으로 비교할 수 있으며, 차지하는 공간이 작기 때문에 어떠한 서버 개입 없이 클라이언트 장치에서 수행될 수 있으며, 쉬운 유지 보수성을 갖는다.The control unit 340 may adaptively change the prediction model based on at least one of the change of the user's profile information and the change of the endurance. A prediction model for the individual is constructed based on the previous record data, and the data newly collected in the following days are compared with the generated basic prediction model to determine whether the newly collected data is matched with or similar to the basic prediction model Can be confirmed. If newly collected data deviates much from the predictive model thereafter, it may be determined that the individual's health or fitness is improved or deteriorated, so that a notification or warning message may be transmitted to the individual. Individuals can recalibrate the statistical prediction model on a regular basis. Comparisons with sample data based on the model can be quickly and in real time compared and can be performed on the client device without any server intervention because of the small footprint and easy maintainability.

일 실시 예에 따른 출력부(360)는 예측 정보에 기초하여 건강 관리 정보를 사용자에게 출력할 수 있다. 출력부(360)은 액정 디스플레이(liquid crystal display), 박막 트랜지스터 액정 디스플레이(thin film transistor-liquid crystal display), 유기 발광 다이오드(organic light-emitting diode), 플렉시블 디스플레이(flexible display), 3차원 디스플레이(3D display), 전기영동 디스플레이(electrophoretic display)를 포함할 수 있으나 이에 제한되지 않는다. The output unit 360 according to one embodiment may output health management information to the user based on the prediction information. The output unit 360 may be a liquid crystal display, a thin film transistor-liquid crystal display, an organic light-emitting diode, a flexible display, a three-dimensional display 3D display, electrophoretic display, and the like.

건강 관리 정보는 예측 정보 그 자체를 포함할 수도 있으며 예측 정보에 기초한 사용자에게의 경고 또는 알림과 같은 파생 정보도 포함할 수 있다. 예를 들어, 장치(300)는 하루 동안의 사용자가 섭취한 칼로리 예측 정보와 하루 동안에 사용자가 소비한 칼로리 예측 정보에 기초하여 사용자에게 칼로리 섭취 경고 또는 권장하는 문장을 출력부(360)에 출력할 수 있다. 건강 관리 정보는 사용자의 하루 동안의 걸음 걸이 수, 이동한 거리, 칼로리 소모량, 지구력, 권장 음식량, 필요한 칼로리 섭취량, 섭취하는 음식에 대한 영양소 또는 성분, 체중의 변화 중 적어도 하나를 포함할 수 있으나 이에 제한되지 않는다. 또한, 건강 관리 정보는 사용자에게 목표 지구력에 도달하기 위한 운동 계획(workout plan) 또는 건강 계획(fitness plan)을 포함할 수 있다. 출력부(360)는 건강 관리 정보를 시각화 또는 수치화하여 사용자에게 제공할 수 있다.The health care information may include the prediction information itself or may include derivative information such as a warning or notification to the user based on the prediction information. For example, the device 300 outputs to the output unit 360 a calorie intake warning or a recommendation sentence to the user based on the calorie prediction information consumed by the user during one day and the calorie prediction information consumed by the user during one day . Health care information may include at least one of the user's gait for the day, distance traveled, calorie consumption, endurance, recommended food quantity, calorie intake required, nutrient or ingredient for the food consumed, and body weight change It is not limited. In addition, the health care information may include a workout plan or a fitness plan for reaching the target endurance to the user. The output unit 360 can visualize or quantify the health care information and provide it to the user.

도4는 일 실시 예에 따른, 수신된 센서 신호들의 상관 관계(correlation)를 나타낸다.Figure 4 shows the correlation of received sensor signals, according to one embodiment.

손이나 주머니와 같은 신체의 동일한 위치 안에 존재하는 하나의 휴대 전화 내에 위치하는 다른 종류의 센서들(계단 오르기에 대한 특징을 제공하는 자이로 및 충격 데이터를 제공하는 가속도계와 같은)은 사용자의 신체의 활동을 분류하는데 높은 정확도를 가지는 위상 상관(phase correlation)을 가지는 신호들을 출력할 수 있다. 도4는, 오르기와 내리기 동작에 따라, 속도 신호의 크기가 0인 때의 시간에서 발 충격의 크기 변화의 방향이 반대되는 것을 나타낸다. 즉, 속도 신호의 크기가 0일 때에, 발 충격의 크기 변화의 제로 크로싱은 반대되는 방향으로 나타난다.Other types of sensors (such as an accelerometer that provides gyro and impact data that provide features for stair climbing) located within a cell phone that resides within the same location of the body, such as the hand or pocket, It is possible to output signals having phase correlation with high accuracy in classifying the signals. Fig. 4 shows that the direction of the change in the magnitude of the foot impact is opposite in the time when the magnitude of the velocity signal is zero, depending on the climb and descend operations. That is, when the magnitude of the velocity signal is zero, the zero crossing of the magnitude change of the foot impact appears in the opposite direction.

따라서, 머신 러닝 모듈(103)은 신호 처리 모듈(102)에서 처리된 발 충격 신호와 속도 신호를 사용하여 사용자의 신체 활동이 계단 오르기 동작과 계단 내려가기 동작임을 판단할 수 있다.Accordingly, the machine learning module 103 can determine that the user's physical activity is a step-up operation and a step-down operation using the foot impact signal and the speed signal processed in the signal processing module 102.

도5은 개시된 일 실시 예에 따라 다양한 사용자 신체 활동들에 기초한 신체 활동 인식(Activity recognition)을 나타낸다. Figure 5 illustrates activity recognition based on various user physical activities in accordance with one disclosed embodiment.

장치(300)는 사용자 신체 활동들을 일 실시 예에 따라 비-심장형(Non-Cardio) 및 심장형(Cardio)으로 분류할 수 있다. 일 실시 예에 따라, 사용자에 의해 수행되는 일상적인 신체 활동은 가속도계(accelerometer), 자이로(gyro) 및 자력계(magnetometer) 데이터를 사용하여 자동으로 분류될 수 있다. 일 실시 예에 따른 장치(300)는 비-심장형 신체 활동으로 분류한 다음 세분화하여 서기, 앉기, 걷기, 계단 오르기, 계단 내려가기 등으로 사용자 신체 활동을 특정할 수 있다.Apparatus 300 may classify user physical activities into non-cardio and cardio according to one embodiment. According to one embodiment, the daily physical activity performed by the user may be automatically classified using accelerometer, gyro, and magnetometer data. The device 300 according to one embodiment can classify the user into non-cardiac physical activity and then segment the physical activity by clerical, sitting, walking, stair climbing, stair climbing, and the like.

도6a은 일 실시 예에 따른 장치가 신체 활동을 인식을 하기 위한 세 단계의 레벨 분류를 나타낸다.6A illustrates a three-level level classification for a device according to an embodiment to recognize physical activity.

예를 들어, 컨텍스트 분류기(Context Classifier)는 비-심장형 신체 활동에 대해서, 모바일 디바이스를 소지하는 세 가지 가능한 모드(즉, 주머니에, 손에, 눈 앞에)를 결정할 수 있고 심장형 신체 활동에 대해서는 모바일 디바이스가 사용자의 큰 주머니(trouser pocket)에 있다고 가정할 수 있다.For example, the Context Classifier can determine three possible modes of having a mobile device (i.e., pocket, hand, and frontal) for non-cardiac physical activity, It can be assumed that the device is in the user's trouser pocket.

도6b는 일 실시 예에 따른 장치가 수신된 센서 신호로부터 신체 활동 인식을 위한 세 단계의 레벨 분류를 나타낸다. 6B illustrates a three-level level classification for physical activity recognition from a sensor signal received by an apparatus according to one embodiment.

도7은 일 실시 예에 따른 장치가 사용자의 체중 변화 관리의 추세를 예측하기 위해 개별화된 모델을 구축하기 위한 여러 가지 단계들을 나타낸다. FIG. 7 illustrates various steps for an apparatus according to an embodiment to build a personalized model to predict the trend of a user's weight change management.

먼저, 데이터 획득 단계는 계보기(pedometer), 자이로스코프(gyroscope), 심장 박동 모니터(HRM Monitor), 체중계와 같은 하나 이상의 센서로부터 다양한 데이터를 획득할 수 있으나 이에 제한되지 않는다. First, the data acquisition step can acquire various data from one or more sensors such as, but not limited to, a pedometer, a gyroscope, a HRM monitor, and a scale.

건강 엔진 단계는, 신호 처리 단계, 머신 러닝(machine learning) 단계, 신체 활동 라벨링(activity labelling) 단계, 매일 소비 에너지 맵핑 단계, 트레드밀(Treadmill) 운동 모델링 단계를 포함할 수 있다.The health engine stage may include a signal processing stage, a machine learning stage, an activity labeling stage, a daily energy consumption mapping stage, and a treadmill motion modeling stage.

신호 처리 단계는 노이즈 필터링과 특징 추출을 수행할 수 있다. 머신 러닝 단계는 랜덤 포레스트(Random forest) 또는 ANN(Artificial Neural Network)을 사용하여 신체 활동을 분류할 수 있다. 신체 활동 라벨링 단계는 오검출(false-positive analysis) 분석에 기초하여 최고의 정확도를 가지는 알고리즘을 선택할 수 있다. 트레드밀 운동 모델링 단계는 통계 모델을 사용하여 트레드밀 운동 동안의 칼로리 연소에 대한 계산을 수행할 수 있다. 매일 소비 에너지 맵핑 단계는 칼로리 맵핑을 수행할 수 있다. 칼로리 맵핑은 비 심장형 신체 활동에 대해서는 칼로리 차트와 신체 활동 인식을 위한 운동 기간을 조회하고, 심장형 신체 활동에 대해서는 트레드밀 운동 모델로부터 계산된 칼로리들을 이용하여 수행될 수 있다.The signal processing step may perform noise filtering and feature extraction. The machine learning phase can classify physical activity using a random forest or an artificial neural network (ANN). The physical activity labeling step can select an algorithm with the highest accuracy based on a false-positive analysis analysis. The treadmill motion modeling step may use a statistical model to perform calculations for caloric burn during treadmill exercise. The daily energy consumption mapping step can perform calorie mapping. Calorie mapping can be performed on calorie charts for non-cardiac physical activity and exercise periods for physical activity awareness, and for cardiac physical activity using calories calculated from a treadmill exercise model.

건강 알람 및 공지 단계는 유용한 건강 정보를 제공하기 위해 건강 엔진으로부터 적어도 하나의 추론을 수행할 수 있다. 일 실시 예에 따른 건강 알람 및 공지 단계는 매일 신체 활동 타임라인(Daily Activity Timeline)을 작성하는 단계와 사용자에게의 건강 경보 단계를 포함할 수 있다. 매일 신체 활동 타임라인 단계는 친숙한 사용자 인터페이스를 사용하여 하루 동안 소비되는 에너지(칼로리)의 정확하고 자동적인 추적을 할 수 있다. 건강 경보 단계는 사용자의 신체 활동 레벨을 앉아있는 것에서부터 높은 신체 활동성까지 분류하고 사용자가 운동을 하거나 그의 건강 상태를 인식하도록 건강 알람을 제공할 수 있다.The health alarm and announcement step may perform at least one inference from the health engine to provide useful health information. The health alarm and notification step according to an embodiment may include a step of creating a daily activity timeline and a health warning step to the user. The daily physical activity timeline step allows for accurate and automatic tracking of the energy (calories) consumed during the day using a familiar user interface. The health alert step can classify the user's level of physical activity from sitting to high physical activity and provide the user with a health alert to exercise or recognize his or her health condition.

도8는 개시된 일 실시 예에 따른, 장치가 체중 변화에 대한 예측 모델을 생성하는 것을 나타낸다.Figure 8 shows that the device generates a predictive model for weight change, according to one disclosed embodiment.

체중 변화 예측 모델은 데이터, 모델링, 건강 어플리케이션을 포함할 수 있다. 데이터는 계보기로부터의 신체 활동 추적, 심박수, 인구 통계 자료, 목표 체중 감량, 칼로리 섭취량을 포함할 수 있다. The weight change prediction model may include data, modeling, and health applications. Data can include physical activity tracking from the watch, heart rate, demographic data, target weight loss, and calorie intake.

모델링은 통계 모델을 사용한 모델링을 수행할 수 있다. Modeling can perform modeling using statistical models.

도9는 일 실시 예에 따른 장치가 칼로리 추적 분석에 기초하여 칼로리 섭취에 대해 사용자에게 건강 관리 정보를 출력하는 시나리오의 예이다.9 is an example of a scenario in which an apparatus according to an embodiment outputs healthcare information to a user for calorie intake based on calorie tracking analysis.

일 실시 예에 따른 장치(300)는 개인의 하루 동안 소비된 칼로리를 추적하고 신체 활동을 추적하고 프로파일 할 수 있다. 하루의 시작에 발생되는 칼로리 연소에 기초하여, 수동 칼로리 추적(passive calorie tracking) 분석은 칼로리 연소에 대한 보상을 위해 권장되는 음식량과 함께 다양한 정보를 사용자에게 사전적으로 알릴 수 있다. 또한, 장치(300)는 소비된 칼로리가 초과된 경우 하루 중 남은 시간 동안 더 필요한 칼로리 섭취량 정보를 사용자에게 알려줄 수도 있다. The device 300 according to one embodiment may track calories burned during an individual's day and track and profile physical activity. Based on the caloric burn that occurs at the start of the day, passive calorie tracking analysis can proactively inform users of diverse information along with the recommended amount of food for compensation for calorie burning. In addition, the device 300 may inform the user of further calorie intake information for the remaining time of day if the calories consumed are exceeded.

도10은 일 실시 예에 따른 장치가 음식 섭취 분석에 기초하여 사용자에게 건강 관리 정보를 출력하는 시나리오의 예이다.10 is an example of a scenario in which an apparatus according to an embodiment outputs health management information to a user based on a food intake analysis.

장치(300)는 사용자가 섭취하는 영양소, 성분 및 칼로리를 검출하는 음식 섭취 분석을 수행할 수 있다. 음식 섭취 분석은 음식 스캐너(food scanner), 음식 데이터 베이스, 자동 칼로리 섭취 추적 웨어러블 장치들과 같이 섭취되는 칼로리를 예측하는 다양한 방법들이 사용될 수 있다. 예를 들어, 장치(300)은 소비되는 식품이 설탕/탄수화물이 지나치게 많은 경우에 이를 사용자에게 경고할 수 있다. 장치(300)은 음식 피라미드(food pyramid)와 사용자 프로필에 기초하여 음식 추천 모델을 결정할 수 있다. The device 300 may perform a food intake analysis that detects the nutrients, components, and calories that the user consumes. Food intake analysis can be performed by various methods for predicting the calories consumed, such as food scanners, food databases, and automatic calorie consumption tracking wearable devices. For example, the device 300 may alert the user if the food being consumed has too much sugar / carbohydrates. Apparatus 300 may determine a food recommendation model based on a food pyramid and a user profile.

도11는 일 실시 예에 따른 장치의 사용자 인터페이스를 나타낸다. 장치(300)는 사용자의 하루 동안의 프로파일(profile)을 걸음 걸이 수, 이동한 거리, 칼로리 소모로서 나타낼 수 있다.11 illustrates a user interface of a device according to one embodiment. Apparatus 300 may represent a user's profile for a day as a number of gait, distance traveled, and calorie consumption.

도12는 일 실시 예에 따른 장치가 개인의 다양한 심장형 신체 활동으로부터 예측된 지구력을 모델링하고 시각화하여 사용자에게 지구력에 대한 예측 정보를 제공하는 것을 나타낸다.Figure 12 shows that the device according to one embodiment models and visualizes predicted endurance from various cardiac physical activity of an individual to provide the user with prediction information about endurance.

지구력은 개인의 체력 수준의 중요한 지표 중의 하나이다. 지구력은 더 긴 시간 동안 소정의 부하에서 운동을 수행하거나, 동일한 시간 동안 증가된 부하로 운동을 수행할 수 있는 능력으로 정의된다. 의학적으로, 심장 박동의 복구는 지구력을 나타내는 좋은 지표가 될 수 있다. 예를 들어, 지구력은 피크 심박수 (peak heart rate) 와 운동을 멈추고 1분 후의 심박수의 차이로 정의될 수 있다. 바꾸어 말하면, 피크 심박수에서 운동을 멈추고 1분 후의 심박수로 얼마나 빨리 떨어질 수 있느냐로 지구력을 표현할 수 있다. 즉, 장치(300)는 개인의 운동으로부터 심박수 복구 데이터를 사용하여 현재 지구력을 결정할 수 있다. 심박수 복구 데이터는 [수학식5]과 같이 결정될 수 있다.Endurance is one of the important indicators of an individual's fitness level. Endurance is defined as the ability to perform a motion at a given load for a longer period of time, or to perform an exercise at an increased load over the same period of time. Medically, restoration of heartbeat can be a good indicator of endurance. For example, endurance can be defined as the difference between the peak heart rate and the heart rate after one minute of stopping motion. In other words, you can express your endurance by stopping your workout at peak heart rate and how fast you can fall to your heart rate one minute later. That is, the device 300 may determine the current endurance using heart rate recovery data from an individual's movements. The heart rate recovery data can be determined as shown in Equation (5).

[수학식5]&Quot; (5) "

HRR_1min = HR_peak - HR_1min HRR _{1 min} = HR _peak - HR _{1 min}

[수학식5]에서 HR_peak는 피크 심박수를, HR_1min는 운동을 멈추고 1분 후의 심박수이다.In Equation (5), HR _peak is the peak heart rate, and HR _1min is the heart rate after 1 minute of stopping the exercise.

도12는 지구력 추적기의 지구력 경향 창과 지구력에 대한 각 신체 활동 모델(휴식, 심장형 및 비-심장형)의 기여 비율을 나타내는 지구력 추세 창을 나타낸다. 지구력 경향은 과거의 날들에 대한 지구력 점수의 변화와 최근에 관찰된 사용자의 건강에 기초한 지구력 점수의 예측과 같이 일정 시간 동안의 사용자의 지구력 점수의 변화를 플로팅(plotting)함으로서 사용자의 지구력에 대한 요약 정보를 포함하는 건강 관리 정보를 제공할 수 있다. Figure 12 shows a endurance trend window showing the percentage of contribution of each physical activity model (rest, cardiac and non-cardiac) to the endurance tendency window and endurance of the endurance tracker. The endurance tendency is a summary of the endurance of the user by plotting the change in endurance score of the user over a certain period of time, such as a change in the endurance score for the past days and a prediction of the endurance score based on the recently observed user's health Health care information including information can be provided.

도13a는 일 실시 예에 따른 사용자 건강 관리 장치를 나타낸다. 13A shows a user healthcare device according to one embodiment.

장치(1300)은 통신부(1320), 제어부(1340) 및 출력부(1360)을 포함할 수 있다. 장치(1300)은 도3의 장치(300)으로 구현될 수 있으며, 장치(1300)의 통신부(1320), 제어부(1340) 및 출력부(1360)는 각각 장치(300)의 수신부(320), 제어부(340) 및 출력부(360)으로 구현될 수 있으나 이에 제한되지 않는다. 따라서, 이하 생략된 내용이라도 장치(1300)에 관하여 이상에서 설명한 내용은 장치(1300)에도 적용 가능하다. The apparatus 1300 may include a communication unit 1320, a control unit 1340, and an output unit 1360. The apparatus 1300 may be implemented as the apparatus 300 of Figure 3. The communication unit 1320 of the apparatus 1300, the control unit 1340 and the output unit 1360 may be implemented by the receiving unit 320, A control unit 340 and an output unit 360, but is not limited thereto. Therefore, the contents described above with respect to the apparatus 1300 can be applied to the apparatus 1300 even if omitted below.

통신부(1320)는 웨어러블 장치로부터 사용자의 신체에 대한 센서 신호를 수신할 수 있다. 일 실시 예에 따른 통신부(1320)는 장치(1300) 내부 또는 외부에 존재하는 하나 이상의 웨어러블 센서로부터 신체에 대한 센서 신호를 수신할 수 있다. 웨어러블 센서는 계보기(pedometer), 자이로스코프(gyroscope), 가속도계(accelerometer), 심장 박동 모니터(HRM Monitor), 체중계, 기압계, 자력계(magnetometer), 온도계, 습도계, 조도계 센서 중 적어도 하나를 포함할 수 있다. 통신부(1320)는 입력부(미도시)로부터 성별, 나이, 키, 체중, 체질량 지수 중 적어도 하나에 대한 정보를 포함하는 사용자 프로필 정보를 수신받을 수 있다. 통신부(1320)는 통신 경로를 사용하여 외부와의 통신이 가능하도록 하는 하드웨어 회로이다. 예를 들어, 통신 경로는 무선 통신, 유선 통신, 광학, 초음파, 또는 이들의 조합을 포함 할 수 있다. 위성 통신, 이동 통신, 블루투스(Bluetooth), 적외선 데이터 협회 표준 (Infrared Data Association standard: lrDA), 와이파이(wirelessfidelity: WiFi), 및 와이맥스 (worldwide interoperability for microwave access: WiMAX)는 통신 경로에 포함될 수 있는 무선 통신의 예들이다. 이더넷(Ethernet), DSL(digital subscriber line), FTTH (fiber to the home), 그리고 POTS (plain old telephone service) 들은 통신 경로에 포함될 수 있는 유선 통신의 예이다. 또한, 통신 경로는 PAN (personal area network), LAN(local area network), MAN(metropolitan area network), WAN(wide area network) 또는 이들의 조합을 포함할 수 있다. The communication unit 1320 can receive a sensor signal for the user's body from the wearable device. The communication unit 1320 according to an exemplary embodiment may receive sensor signals for the body from one or more wearable sensors existing inside or outside the apparatus 1300. The wearable sensor may include at least one of a pedometer, a gyroscope, an accelerometer, a HRM monitor, a scale, a barometer, a magnetometer, a thermometer, a hygrometer, have. The communication unit 1320 may receive user profile information including information on at least one of gender, age, key, weight, and body mass index from an input unit (not shown). The communication unit 1320 is a hardware circuit that enables communication with the outside using a communication path. For example, the communication path may include wireless communication, wired communication, optical, ultrasound, or a combination thereof. (WiMAX), satellite communication, mobile communication, Bluetooth, Infrared Data Association standard (lrDA), wirelessfidelity (WiFi), and worldwide interoperability for microwave access Examples of communication. Ethernet, digital subscriber line (DSL), fiber to the home (FTTH), and plain old telephone service (POTS) are examples of wired communications that can be included in a communication path. In addition, the communication path may include a personal area network (PAN), a local area network (LAN), a metropolitan area network (MAN), a wide area network (WAN)

제어부(1340)는 통신부(1320)가 수신한 센서 신호에 기초하여 사용자의 신체의 활동을 복수의 사전 정의된 활동 모델 중 하나로 분류하고, 분류 결과 및 사용자 프로필 정보에 기초하여 사용자의 신체의 예측 정보를 생성할 수 있다. 예측 정보란, 사용자의 건강 관리에 도움이 될 수 있는 정보로서, 체중, 칼로리 소비 또는 섭취량, 지구력, 걸음 걸이 수와 같은 정보를 포함할 수 있다. 사전 정의된 활동 모델은 심장형(cardio), 비-심장형(non-cardio), 서기, 앉기, 걷기, 계단 오르기, 계단 내려가기, 하이킹, 조깅, 스프린팅(sprinting), 사이클링(cycling), 트레드밀 운동, 운전하기, 가벼운 활동(mild activity), 중간 정도의 활동(moderate activity) 및 격한 활동(vigorous activity) 중 적어도 하나를 포함할 수 있다. 제어부(1340)는 사용자 신체의 활동을 복수의 사전 정의된 활동 모델 중 하나로 분류하기 위해 머신 러닝 방법 또는 복수의 센서로부터 수신한 복수의 사용자의 신체에 대한 신호들의 상관 관계(correlation)의 특성을 사용할 수 있다. 제어부(1340)는 수신된 센서 신호에 기초한 다양한 회귀 분석을 수행하여, 다양한 예측 정보를 생성하는 다양한 예측 모델을 결정할 수 있다. 예측 정보는 사용자의 건강 관리에 도움이 될 수 있는 유용한 정보로서, 지구력, 칼로리, 체중, 영양 상태와 같은 예측 정보를 생성할 수 있다. 제어부(1340)는 사용자 신체의 활동의 분류에 따라, 소비되는 칼로리를 다르게 예측할 수 있다. 제어부(1340)는 예측된 칼로리를 사용하여 회귀 분석을 수행하여, 또 다른 예측 정보를 생성하기 위한 다른 예측 모델을 결정할 수 있다. 예측 모델은 사용자의 성별, 나이, 키, 체중, 체질량 지수 중 적어도 하나의 정보에 기초하여 다르게 생성될 수 있다. 제어부(1340)는 프로세서, ASIC(application specific integrated circuit), 임베디드 프로세서, 마이크로 프로세서, 하드웨어 제어 로직, 하드웨어 유한 상태 기계(FSM), 디지털 신호 프로세서(DSP) 또는 이들의 조합일 수 있다. The control unit 1340 classifies the activity of the user's body into one of a plurality of predefined activity models based on the sensor signal received by the communication unit 1320 and outputs the prediction information of the user's body based on the classification result and the user profile information Lt; / RTI > The prediction information is information that can be helpful for the health care of the user, and may include information such as weight, calorie consumption or intake, endurance, and number of steps of walking. Predefined activity models include cardio, non-cardio, clerks, sitting, walking, stair climbing, stair descending, hiking, jogging, sprinting, cycling, treadmill exercise , Driving, mild activity, moderate activity, and vigorous activity. The controller 1340 may use a characteristic of a correlation between signals of a plurality of user's body received from a plurality of sensors or a machine learning method to classify the user's body activity into one of a plurality of predefined activity models . The controller 1340 may perform various regression analysis based on the received sensor signals to determine various prediction models for generating various prediction information. Predictive information is useful information that can be helpful to the healthcare of the user and can generate prediction information such as endurance, calories, weight, and nutritional status. The controller 1340 may predict the calories consumed differently according to the classification of the activity of the user's body. The controller 1340 may perform a regression analysis using the predicted calories to determine another prediction model for generating another prediction information. The prediction model can be generated differently based on at least one of the user's sex, age, height, weight, and body mass index. The controller 1340 may be a processor, an application specific integrated circuit (ASIC), an embedded processor, a microprocessor, hardware control logic, a hardware finite state machine (FSM), a digital signal processor (DSP)

출력부(1360)는 예측 정보에 기초하여 건강 관리 정보를 사용자에게 출력할 수 있다. 출력부(1360)은 액정 디스플레이(liquid crystal display), 박막 트랜지스터 액정 디스플레이(thin film transistor-liquid crystal display), 유기 발광 다이오드(organic light-emitting diode), 플렉시블 디스플레이(flexible display), 3차원 디스플레이(3D display), 전기영동 디스플레이(electrophoretic display)를 포함할 수 있으나 이에 제한되지 않는다. 건강 관리 정보는 예측 정보 그 자체를 포함할 수도 있으며 예측 정보에 기초한 사용자에게의 경고 또는 알림과 같은 파생 정보도 포함할 수 있다. 예를 들어, 장치(1300)는 하루 동안의 사용자가 섭취한 칼로리 예측 정보와 하루 동안에 사용자가 소비한 칼로리 예측 정보에 기초하여 사용자에게 칼로리 섭취 경고 또는 권장하는 문장을 출력부(1360)에 출력할 수 있다. 건강 관리 정보는 사용자의 하루 동안의 걸음 걸이 수, 이동한 거리, 칼로리 소모량, 지구력, 권장 음식량, 필요한 칼로리 섭취량, 섭취하는 음식에 대한 영양소 또는 성분, 체중의 변화 중 적어도 하나를 포함할 수 있으나 이에 제한되지 않는다. 출력부(1360)는 건강 관리 정보를 시각화 또는 수치화하여 사용자에게 제공할 수 있다. The output unit 1360 can output the health management information to the user based on the prediction information. The output unit 1360 may be a liquid crystal display, a thin film transistor-liquid crystal display, an organic light-emitting diode, a flexible display, a three-dimensional display 3D display, electrophoretic display, and the like. The health care information may include the prediction information itself or may include derivative information such as a warning or notification to the user based on the prediction information. For example, the apparatus 1300 outputs to the output unit 1360 a calorie intake alert or a recommendation sentence to the user based on the calorie prediction information consumed by the user during one day and the calorie prediction information consumed by the user during one day . Health care information may include at least one of the user's gait for the day, distance traveled, calorie consumption, endurance, recommended food quantity, calorie intake required, nutrient or ingredient for the food consumed, and body weight change It is not limited. The output unit 1360 can visualize or quantify the health care information and provide it to the user.

도13b은 일 실시 예에 따른 장치가 사용자의 건강을 관리하는 방법의 흐름도를 나타낸다. 13B shows a flow diagram of a method according to an embodiment of the invention for managing health of a user.

도13b에서 도시한 방법은 도13의 장치(1300)가 개인의 건강을 관리하는 방법의 흐름도를 나타내므로, 이하 생략되는 내용이라 하여도 장치(1300)에 관하여 이상에서 기술된 내용은 도13의 방법에도 적용된다. The method shown in FIG. 13B shows a flowchart of a method of managing the individual's health by the apparatus 1300 of FIG. 13, so that even though the contents are omitted in the following description, Method.

단계 1330에서, 장치(300)는 웨어러블 장치로부터 사용자의 신체에 대한 센서 신호를 수신할 수 있다. 장치(300)는 계보기(pedometer), 자이로스코프(gyroscope), 가속도계(accelerometer), 심장 박동 모니터(HRM Monitor), 체중계, 기압계, 자력계(magnetometer), 온도계, 습도계, 조도계 센서 중 하나 이상의 센서로부터 사용자 신체 활동을 나타내는 센서 신호(즉, 센서 데이터)를 획득할 수 있다. 센서는 모바일 디바이스 또는 웨어러블 디바이스에 위치할 수 있다. 단계 1330에서, 사용자의 성별, 나이, 키, 체중, 체질량 지수와 같은 사용자 프로필 정보를 추가적으로 수신할 수 있다. At step 1330, the device 300 may receive a sensor signal for the user's body from the wearable device. The device 300 may be coupled to a sensor from at least one of a pedometer, a gyroscope, an accelerometer, a HRM monitor, a scale, a barometer, a magnetometer, a thermometer, a hygrometer, (I.e., sensor data) representative of user physical activity. The sensor may be located in a mobile device or a wearable device. At step 1330, user profile information such as the user's gender, age, key, weight, and body mass index can be additionally received.

단계 1350에서, 장치(300)는 수신된 센서 신호에 기초하여 사용자의 신체의 활동을 사전 정의된 복수의 활동 모델 중 하나로 분류하고, 분류 결과 및 사용자의 프로필 정보에 기초하여 사용자의 신체의 예측 정보를 생성할 수 있다. 단계 1350에서, 장치(1300)는 수신된 센서 신호에 기초하여 다양한 회귀 분석을 수행하고 예측 모델을 결정하여, 결정된 예측 모델을 사용하여 예측 정보를 생성할 수 있다. 예측 정보란 사용자의 건강 관리에 도움이 될 수 있는 유용한 정보를 의미하고 예측 모델은 예측 정보를 생성하기 위한 개별화된 모델이다. 예를 들어, 장치(1300)는 단계 1330에서 획득된 신호를 처리하고 분석하여 사용자의 신체 활동 타입을 심장형(cardio) 활동 모델, 비심장형(non-cardio) 활동 모델 중 어느 하나로 분류하고, 분류 결과에 따라 신체 활동을 수행하는데 소비되는 칼로리를 다른 방법으로 예측할 수 있다. 또는, 장치(1300)는 복수의 센서로부터 획득한 복수의 신호의 상관 관계(correlation)의 특성을 사용하여 사용자의 신체 활동을 분류할 수 있다. 장치(1300)는 심장형 신체 활동에 대해 신체 활동과 소비 칼로리의 관계를 나타내는 방정식을 사용하여 칼로리를 예측하고, 비-심장형 신체 활동에 대해 칼로리 맵을 사용하여 신체 활동 동안의 소비 칼로리를 예측할 수 있다. 예를 들어, 장치(1300)는 심장형 타입의 신체활동으로 분류되는 트레드밀 운동 동안에 소비되는 칼로리를 예측하기 위해, 회귀 분석을 사용한 예측 모델을 결정할 수 있다. 또한, 장치(1300)는 다양한 신체 활동 동안에 소비되는 칼로리를 예측하고, 회귀식에 예측된 칼로리를 대입하여 미래의 체중을 예측하는 예측 모델을 결정할 수도 있다. 회귀 모델 또는 신체 활동과 소비 칼로리의 관계를 나타내는 방정식은 단계 1330에서 수신된 사용자 프로필 정보를 사용하여 구축될 수 있다. 또한, 예측 모델은 개인의 지구력이나 체중 변화 등을 반영하여 지속적으로 보정(re-calibration)될 수 있다. In operation 1350, the apparatus 300 classifies the activity of the user's body into one of a plurality of predefined activity models based on the received sensor signal, and generates prediction information of the user's body based on the classification result and the user's profile information Lt; / RTI > At step 1350, the apparatus 1300 may perform various regression analyzes based on the received sensor signals, determine a prediction model, and generate prediction information using the determined prediction model. Predictive information means useful information that can help the user's health. Predictive model is an individualized model for generating predictive information. For example, the device 1300 processes and analyzes the signal obtained in step 1330 to classify the user's physical activity type into either a cardio activity model or a non-cardio activity model, The calories consumed to perform physical activity can be predicted in other ways. Alternatively, the device 1300 may classify the user's physical activity using the characteristics of the correlation of the plurality of signals obtained from the plurality of sensors. Apparatus 1300 can predict calories using heart-shaped physical activity vs. calorie-related equations that express the relationship between physical activity and calorie consumption, and calorie maps for non-cardio physical activity to predict calories consumed during physical activity . For example, device 1300 may determine a predictive model using regression analysis to predict the calories consumed during a treadmill exercise classified as a cardiac type of physical activity. Apparatus 1300 may also predict a calorie consumed during a variety of physical activities and determine a prediction model that predicts future weight by substituting predicted calories into a regression equation. An equation representing the relationship between the regression model or physical activity and calories consumed can be established using the user profile information received in step 1330. [ In addition, the prediction model can be continuously re-calibrated to reflect an individual's endurance or weight change.

단계 1370에서, 장치(1300)는 건강 관리 정보를 사용자에게 표시할 수 있다. 건강 관리 정보는 사용자의 하루 동안의 걸음 걸이 수, 이동한 거리, 칼로리 소모량, 지구력, 권장 음식량, 필요한 칼로리 섭취량, 섭취하는 음식에 대한 영양소 또는 성분, 체중의 변화 중 적어도 하나를 포함할 수 있으나 이에 제한되지 않는다. 장치(1300)는 건강 관리 정보를 시각화 또는 수치화하여 사용자에게 제공할 수 있다. At step 1370, the device 1300 may display health care information to the user. Health care information may include at least one of the user's gait for the day, distance traveled, calorie consumption, endurance, recommended food quantity, calorie intake required, nutrient or ingredient for the food consumed, and body weight change It is not limited. The device 1300 can visualize or quantify the health care information and provide it to the user.

도14는 일 실시 예에 따른 장치가 사용자의 미래의 기대 지구력에 대한 예측 정보를 생성하는 예측 모델을 결정하는 것을 나타낸다. FIG. 14 shows that a device according to an embodiment determines a prediction model in which to generate prediction information on a user's future expected endurance.

장치(300)는 심박수 회복(Heart Rate recovery)데이터와 같은 심박수 데이터를 사용하여 사용자의 현재 지구력 수준을 정확하게 계산하고 사용자의 일상적인 신체의 활동을 관찰함으로서 사용자의 지구력 수준을 지속적으로 관찰하고 업데이트할 수 있다. 심박수 회복 데이터는 도12를 참조하여 상술한 방법을 사용하여 획득될 수 있다. 장치(300)는 계산된 지구력 수준에 기초하여 사용자에게 적절한 건강 관리 정보를 제공할 수 있다. The device 300 uses heart rate data such as heart rate recovery data to accurately calculate a user's current endurance level and observe the user's daily activities to observe and update the endurance level of the user . The heart rate recovery data can be obtained using the method described above with reference to FIG. The device 300 may provide the user with appropriate health care information based on the calculated endurance level.

장치(300)는 웨어러블 장치로부터 수신된 센서 신호를 사용하여 사용자의 신체의 활동을 정확하게 분류하고, 사용자 프로필 정보 및 신체 활동 데이터에 기초하여 분류된 신체의 활동에 소비되는 칼로리를 계산하고 사용자의 지구력 수준을 주기적으로 예측할 수 있다. 장치(300)는 일정 시간 동안 수집된 사용자의 신체의 활동에 대한 데이터에 기초하여 시계열 통계적 모델링(time series statistical modelling)을 사용하여, 사용자의 미래의 기대 지구력에 대한 예측 정보를 생성하는 예측 모델(이하, 지구력 예측 모델)을 생성할 수 있다. 지구력 예측 모델은, 운동 강도, 운동 시간 중 적어도 하나의 변수와 최소 제곱 추정법을 사용하여 결정된 계수를 포함하는 수식 모델일 수 있다. 장치(300)의 제어부(340)는 수신부(320)에서 수신된 심박수 회복 데이터를 사용하여 사용자의 현재 지구력을 예측하고, 지구력 예측 모델을 사용하여 목표 지구력 수준에 도달하기 위해 필요한 운동 계획을 결정하고, 출력부(360)에서 사용자에게 결정된 운동 계획을 출력할 수 있다. The device 300 can accurately classify the activities of the user's body using the sensor signals received from the wearable device, calculate the calories consumed by the activities of the classified body based on the user profile information and the physical activity data, The level can be predicted periodically. Apparatus 300 includes a predictive model (e.g., a predictive model) that generates predictive information about a user's future expected endurance using time series statistical modeling based on data on the user ' s body activity collected over a period of time Hereinafter, the endurance prediction model) can be generated. The endurance prediction model may be an equation model including a coefficient determined using at least one of the exercise intensity and the exercise time and the least squares estimation method. The control unit 340 of the device 300 predicts the user's current endurance using the heart rate recovery data received from the receiver 320 and determines the exercise plan necessary to reach the target endurance level using the endurance prediction model , The output unit 360 may output the determined exercise plan to the user.

제어부(340)는 수신부(320)에서 수신된 웨어러블 센서 신호에 기초하여 지구력 예측 모델을 결정할 수 있다. 지구력 예측 모델은 두 개의 다-평면(multilevel) 요소들로서, 운동 강도와 세선 시간의 종적 모델(longitudinal model)일 수 있다. 지구력 모델은 일정 시간에 걸쳐서 사용자의 건강 상태에 따라 동적으로 생성될 수 있다. 일 실시 예에 따른 장치(300)는 오차 상관(correlated error)에 의해 그룹 내 의존성(intra-subject dependence)을 모델링 할 수 있다. 장치(300)는 모델 파라미터(model parameter)에 대한 최소 제곱 추정법(least square estimation)을 사용하여 지구력을 모델링할 수 있다. 사용자의 지구력 수준은 운동 강도(intensity level), 세션 시간(session time), 강도 및 세션, 및 시간 상호 작용(time interaction) 중 적어도 하나에 따라 변화할 수 있다. 장치(300)는 [수학식6]와 같이 지구력 예측 모델을 생성할 수 있으나 이에 제한되지 않는다. 장치(300)는 사용자의 지구력을 결정하는 다양한 시계열 변수를 사용한 회귀 분석을 수행하여 지구력 예측 모델을 결정할 수 있다. 지구력 예측 모델은 운동 강도, 운동 시간 중 적어도 하나의 변수를 포함할 수 있으며, 각 계수는 최소 제곱 추정법을 사용하여 결정될 수 있다. The control unit 340 can determine the endurance prediction model based on the wearable sensor signal received by the receiving unit 320. [ The endurance prediction model is two multilevel elements, which may be a longitudinal model of exercise intensity and fine line time. The endurance model can be dynamically generated according to the health state of the user over a certain period of time. The apparatus 300 according to one embodiment may model intra-subject dependence by a correlated error. Apparatus 300 may model endurance using least squares estimation of model parameters. The endurance level of the user may vary according to at least one of intensity level, session time, intensity and session, and time interaction. The apparatus 300 may generate the endurance prediction model as shown in Equation (6), but is not limited thereto. The device 300 may determine a endurance prediction model by performing a regression analysis using various time series variables that determine a user's endurance. The endurance prediction model may include at least one of the exercise intensity and the exercise time, and each coefficient may be determined using a least squares estimation method.

[수학식6] &Quot; (6) "

E_ij = μ + αX_ij + βZ_ij + ai'X_ij + bi Z_ij + e_ij _Ij = μ + αX + _ij E _ij + βZ ai'X _ij + bi Z _ij + e _ij

[수학식6]의 E_ij 는 예측 되는 지구력, (X_ij _,Z_ij)는 운동 계획에 특화된 설계점(design point) 및 대상자(subject)에게 특화된 공변량(covariate)이다. (μ, α, β) 는 고정된 효과 계수들(fixed effect coefficients)이고 (ai, bi)는 대상자(subject)에 특화된 랜덤 계수들이다. 에러 e_ij 는, i와 i'이 동일한 값이 아니고 0이 아닌 경우에 cov(e_ij _,e_i'j')는 0의 값을 가진다.E _{ij in} Equation (6) Is the predicted endurance, (X _ij _, Z _ij ) is a covariate that is specific to the design point and subject of the exercise plan. (μ, α, β) are fixed effect coefficients and (ai, bi) are random coefficients specific to the subject. Error e _ij _Cov (e _ij _, e _{i'j '} ) has a value of 0 when i and i' are not equal and not equal to zero.

일 실시 예에 따른 장치(300)는 현재의 지구력과 목표 지구력에 기초하여, 목표 지구력에 도달하기 위한 최적의 운동 계획(workout plan)을 [수학식6]의 지구력 예측 모델에 기초하여 결정할 수 있다. 장치(300)는 목표 지구력에 도달하기 위해 특정의 대상자(subject) 그룹에 대한 운동 강도, 시간과 같은 요소들의 최적의 조합을 결정할 수 있다. 장치(300)는 다른 요소들을 고정시킴으로서 각각의 요소에 대한 지구력 변화의 효과를 비교할 수도 있다. 장치(300)는 특정 세션 시간(session time)에 대해서 요소들에 관한 모델을 최적화시킬 수 있다. 장치(300)는 다양한 지구력 커브들(endurance curve)을 비교하기 위해 다른 운동 요소들을 병합할 수 있다. 장치(300)는 정해진 시간에 목표 지구력 수준에 최대한 빨리 도달하기 위해 최적의 운동 계획을 결정할 수 있다. 즉, 장치(300)는 목표 지구력 수준에 도달하기 위한 가장 가파른 지구력 커브를 얻기 위해, 다양한 요소들에 관한 지구력 모델을 최적화할 수 있다. The device 300 according to one embodiment may determine an optimal workout plan for reaching the target endurance based on the endurance and target endurance based on the endurance prediction model of Equation 6 . Apparatus 300 may determine an optimal combination of factors, such as exercise intensity, time, for a particular subject group to reach a target endurance. The device 300 may compare the effect of endurance changes on each element by fixing other elements. Device 300 may optimize a model of the elements for a particular session time. Apparatus 300 may merge other motion components to compare various endurance curves. The device 300 may determine an optimal exercise plan to reach the target endurance level as soon as possible at a predetermined time. That is, the device 300 may optimize the endurance model for various factors to obtain the steepest endurance curve to reach the target endurance level.

도15는 일 실시 예에 따른 장치가 사용자의 지구력과 관련된 다양한 건강 관리 정보를 제공하는 것을 나타낸다. Figure 15 shows that the device according to one embodiment provides various health care information related to the endurance of the user.

장치(300)는 사용자가 목표 지구력 수준에 도달하기 위해, 정해진 시간 내에 수행해야 하는 운동 계획을 출력할 수 있다. The device 300 may output a motion plan that the user must perform within a predetermined time to reach a target endurance level.

일 실시 예에 따른 장치(300)는 사용자의 지구력 수준에 기초하여, 사용자가 30일 동안 20분씩 10kph 의 속도로 싸이클링을 했다면, 사용자에게 15kph의 속도로 25분 동안 무리 없이 싸이클링을 수행할 수 있다는 정보를 출력할 수 있다. The device 300 according to one embodiment may be able to cyclically perform cycling for 25 minutes at a rate of 15 kph to the user if the user has cycled at a rate of 10 kph for 20 days for 30 days based on the endurance level of the user Information can be output.

다른 실시 예에 따른 장치(300)는 사용자가 한 달 동안 매일 20분씩 운동을 하였다면 20bpm 만큼 지구력을 향상시키기 위한 효율적인 운동 계획을 사용자에게 제공할 수 있다. The device 300 according to another embodiment may provide the user with an efficient exercise plan for improving endurance by 20 bpm if the user has exercised every 20 minutes for one month.

다른 실시 예에 따른 장치(300)는 24bpm 의 지구력을 목표로 하고 있는 사용자에게 목표에 도달하기 위해 필요한 트레드밀 운동의 강도, 기간, 시간에 대한 정보를 제공할 수 있다. The device 300 according to another embodiment may provide information about the strength, duration, and time of the treadmill movement required to reach the target to the user targeting 24 bpm endurance.

도16a 는 일 실시 예에 따른 장치가 사용자의 목표 지구력 수준을 설정할 수 있는 사용자 인터페이스를 나타낸다. 도16a의 사용자 인터페이스는 출력부(360)에서 나타날 수 있다. 16A illustrates a user interface through which an apparatus according to one embodiment may set a user's target endurance level. The user interface of FIG. 16A may appear at the output 360.

장치(300)은 초기 지구력 수준을 나타낼 수 있다. 장치(300)는 사용자의 현재 지구력 수준을 초보자, 중급자, 전문가의 범주로 분류하고 분류 결과에 따라 사용자의 도달 가능한 지구력을 평가하고, 사용자로 하여금 목표를 설정하게 하고 사용자의 현재 지구력을 측정하여 상대적인 진행 정도를 추적할 수 있게 할 수 있다. 장치(300)는 사용자가 설정한 목표 지구력에 도달하기 위해 최적화되고 개별화된 운동 파라미터들을 제공할 수 있다. 사용자가 설정한 목표에 따른 진행 과정을 추적할 수 있게 지구력 맵이 사용자에게 제공될 수 있다. 지구력 맵은 일정 기간 동안 사용자에 의해 도달된 다양한 지구력 단계의 스냅샷을 제공할 수 있다. Apparatus 300 may indicate an initial endurance level. The device 300 classifies the current endurance level of the user into categories of novice, intermediate, and expert, evaluates the endurance of the user according to the classification result, allows the user to set a goal, measures the user's current endurance, You can track the progress. Apparatus 300 may provide optimized and customized motion parameters to achieve a user-set target endurance. An endurance map can be provided to the user to track the progress according to the goal set by the user. The endurance map can provide a snapshot of the various endurance steps reached by the user over a period of time.

도16b는 일 실시 예에 따른 장치가 사용자의 지구력 수준에 따라 건강 관리 정보를 다르게 출력하는 것을 나타낸다. 16B shows that the device according to an embodiment outputs health management information differently according to a user's endurance level.

도17은 일 실시 예에 따른 장치가 개인에게 개별화된 건강 계획을 생성하여 제공하는 방법의 개요를 나타낸다. 17 shows an overview of how a device according to one embodiment generates and provides an individualized health plan to an individual.

도17 내지 도18에 도시된 방법은 장치(300)의 제어부(340) 또는 장치(1300)의 제어부(1340)에서 수행될 수 있으나 이에 제한되지 않는다. 17 to 18 may be performed by the control unit 340 of the apparatus 300 or the control unit 1340 of the apparatus 1300, but the present invention is not limited thereto.

장치(300)는 칼로리 소비 또는 섭취에 기초하여 지구력에 대한 예측 정보를 생성하는 예측 모델(즉, 지구력 모델)을 생성할 수 있다. 또한, 상기 지구력 모델로부터 사용자의 목표 지구력 수준이 결정될 수 있으며 건강을 증진시키고 목표 지구력 수준에 도달할 수 있게 하는 파라미터들을 제안할 수 있다. 파라미터들은 예를 들어, 운동의 강도, 운동 기간, 생활 습관을 포함할 수 있다. 일 실시 예에 따른 건강 계획은 파워 추적(power tracking)로부터 근력(Muscular Fitness) 을 고려할 수 있다. 예를 들어, 파워 추적은 안정시 심박수(resting heart rate), 심박수 회복 또는 최대산소섭취량(Maximal oxygen consumption, VO2max)를 사용하여 수행될 수 있다. 사용자에게 제안되는 파워 트레이닝은 근육량(muscle mass)을 증가시키고, 대사율(metabolic rate)을 향상시키고, 골밀도(bone density)가 향상/유지시키고, 전반적인 힘과 건강이 향상시키고 혈액 지질 농도를 감소시키고 기능 역량(functional capability)를 향상시킬 수 있다. Apparatus 300 may generate a predictive model (i.e., endurance model) that generates predictive information about endurance based on calorie consumption or consumption. From the endurance model, it is also possible to suggest parameters that can determine the user's target endurance level and improve health and reach the target endurance level. The parameters may include, for example, intensity of exercise, duration of exercise, lifestyle habits. The health plan according to one embodiment may consider muscle fitness from power tracking. For example, power tracking may be performed using a resting heart rate, heart rate recovery, or maximum oxygen consumption (VO2max). The power training proposed to the user can be used to increase muscle mass, improve metabolic rate, improve / maintain bone density, improve overall strength and health, reduce blood lipid levels, The functional capability can be improved.

신체 데이터는, 사용자의 운동 데이터와 심장 박동수 데이터를 포함할 수 있다. 운동 데이터는 사용자의 신체의 활동에 대한 어떠한 종류의 데이터도 포함할 수 있다. 개인 데이터는 성별, 나이, 키, 체중, 체질량 지수 중 적어도 하나에 대한 정보를 포함하는 사용자 프로필 정보를 포함할 수 있다. The body data may include the user's athletic data and heart rate data. The exercise data may include any kind of data about the activity of the user's body. The personal data may include user profile information including information about at least one of sex, age, height, weight, and body mass index.

도18은 일 실시 예에 따른 장치가 사용자에 대한 건강 계획을 포함하는 건강 관리 정보를 생성하는 흐름도를 나타낸다. 도18에 도시된 흐름은 마이크로컨트롤러, 마이크로프로세서, 제어부(340) 또는 컴퓨터로 읽을 수 있는 기록 매체에 의해 수행될 수 있다. 18 shows a flow diagram in which an apparatus according to one embodiment generates health care information that includes a health plan for a user. The flow shown in FIG. 18 may be performed by a microcontroller, a microprocessor, a control unit 340, or a computer-readable recording medium.

단계 1802에서, 장치(300)는 주기적으로 사용자의 신체 데이터(physical data)와 개인 데이터(personal data)를 획득함으로서 지구력 모델을 생성할 수 있다. 지구력 모드는 상당히 미세하게 조정될 수 있으며, 실내 또는 실외에서 수행되는 운동이 지구력에 미치는 영향, 운동이 수행되는 지형의 특징이 지구력에 미치는 영향, 특정 음식 습관이 지구력에 미치는 영향과 같은 감지하기 힘든 요인들로부터의 지구력에 대한 기여를 고려할 수 있게 한다. At step 1802, the device 300 may periodically generate endurance models by obtaining the user ' s physical data and personal data. Endurance modes can be tuned to a fairly fine degree and are difficult to detect, such as the effects of exercise performed in indoor or outdoor environments on endurance, the effects of topographical features on exercise on endurance, and the impact of certain food habits on endurance To consider the contribution of endurance to the endurance.

단계 1806에서, 장치(300)는 현재 지구력에 기초하여 사용자를 초급자, 중급자, 전문가로 분류할 수 있다. 장치(300)는 사용자의 현재 지구력 수준을 초보자, 중급자, 전문가의 범주로 분류하고 분류 결과에 따라 사용자의 도달 가능한 지구력을 평가하고, 사용자로 하여금 목표를 설정하게 하고 사용자의 현재 지구력을 측정하여 상대적인 진행 정도를 추적할 수 있게 할 수 있다. 장치(300)는 사용자가 설정한 목표 지구력에 도달하기 위해 최적화되고 개별화된 운동 파라미터들을 제공할 수 있다. 일 실시 예에 따른 장치(300)는 분류 결과에 따라 사용자의 가능한 지구력을 평가하고 건강에 영향을 미치는 파라미터들을 식별할 수 있다. 파라미터들은 예를 들어, 운동의 강도, 운동 기간, 생활 습관을 포함할 수 있다. 상기 파라미터들에 기초하여, 장치(300)는 단계 1810에서 사용자를 위한 건강 계획을 포함하는 건강 관리 정보를 생성할 수 있다. In step 1806, the device 300 may classify the user as a beginner, an intermediate, or an expert based on the current endurance. The device 300 classifies the current endurance level of the user into categories of novice, intermediate, and expert, evaluates the endurance of the user according to the classification result, allows the user to set a goal, measures the user's current endurance, You can track the progress. Apparatus 300 may provide optimized and customized motion parameters to achieve a user-set target endurance. The device 300 according to one embodiment may evaluate a user's possible endurance according to the classification result and identify parameters that affect health. The parameters may include, for example, intensity of exercise, duration of exercise, lifestyle habits. Based on the parameters, the device 300 may generate health care information, including a health plan for the user, at step 1810.

일 실시 예에 따른 장치(300)는 사용자를 위한 건강 계획을 생성하는 데에 파워 추적을 고려할 수 있다. 파워 트레이닝은 지구력 트레이닝이 오랜 기간에 걸친 지속적인 에너지 사용을 향상시킴에 반해 짧은 기간에 신속한 에너지 방출을 가져오는 근육 건강(muscular fitness)을 설계하는데 중요하다. 파워 추적과 지구력 모델은 사용자를 위한 전체적인 건강 계획을 생성하는 요소가 될 수 있다. The device 300 according to one embodiment may consider power tracking in generating a health plan for a user. Power training is important in designing muscular fitness that results in rapid energy release in a short period of time, while endurance training improves long-term sustained energy use. Power tracking and endurance models can be a factor in creating a holistic health plan for the user.

장치(300)는 사용자의 건강 장비와 전자 장치가 클라우드와 통신하고 특정 사용자를 위한 설정과 운동을 저장할 수 있게 할 수 있다. 장치(300)는 사용자가 목표를 설정하고, 도전에 참여하고, 웹 사이트와 모바일 어플리케이션 상의 건강 커뮤니티에 참여할 수 있게 한다. The device 300 may allow the user's health equipment and electronics to communicate with the cloud and store settings and activities for a particular user. The device 300 allows a user to set goals, participate in challenges, and participate in a health community on websites and mobile applications.

도19는 일 실시 예에 따른 여러 가지 심박수 영역과 각 심박수 영역과 관련된 심박수 범위를 나타내는 그래프이다. FIG. 19 is a graph illustrating various heart rate ranges and heart rate ranges associated with each heart rate range according to one embodiment.

도19에 도시된 선 그래프는 관찰된 특정 시간 동안에 심장형 신체 활동을 수행하는 동안의 사용자의 심장 박동수의 변화를 시간의 흐름에 따라 나타낸 것이다. 각 심장 박동수 영역의 범위는 최대 심박수에 기초하여 계산될 수 있으며, 각 심장 박동수 영역에 대한 지방과 탄수화물의 섭취는 아래와 같이 주어질 수 있다. The line graph shown in FIG. 19 shows the change in the heart rate of the user during the period of time during which the cardiac physical activity is performed during the observed specific time in accordance with the passage of time. The range of each heart rate range can be calculated based on the maximum heart rate and the consumption of fat and carbohydrates for each heart rate range can be given as:

회복 영역: < 65% of MHR; 지방 85%, 탄수화물 15% Recovery area: <65% of MHR; 85% fat, 15% carbohydrates

유산소 영역: 65% - 75% of MHR; 지방 60%, 탄수화물 40% Aerobic area: 65% - 75% of MHR; Fat 60%, carbohydrate 40%

무산소 영역: 75% - 95% of MHR; 지방 20%, 탄수화물 80% Anoxic area: 75% - 95% of MHR; Fat 20%, carbohydrate 80%

최대 영역: 90% - 100% of MHR; 지방 10%, 탄수화물 90% Maximum area: 90% - 100% of MHR; Fat 10%, carbohydrate 90%

도20a 내지 도20d는 일 실시 예에 따른 생성된 예측 모델에 기초하여 사용자에게 건강 관리 정보를 제공하는 어플리케이션 '건강 추적기'의 스크린 화면을 나타낸다. 도20a내지 도20d는 장치(300)의 출력부(360)에서 나타나는 화면일 수 있다. 20A-20D illustrate screen screens of an application 'health tracker' that provides health management information to a user based on a generated prediction model in accordance with an embodiment. 20A-20D may be screens that appear at the output 360 of the device 300.

도20a는 사용자의 건강을 나타내고 사용자의 복수의 건강 측면들에 대한 정보를 제공할 수 있다. 20A depicts the health of the user and may provide information about a plurality of health aspects of the user.

도20b는 건강 추적기의 신체 활동 요약 창을 나타낸다. 신체 활동 요약 창은 대응되는 신체 활동 동안에 소비된 칼로리와 각 신체 활동 동안 소비된 시간을 가리키는 파이 차트(pie chart)에 따라 하루 동안 사용자에 의해 수행되었던 다양한 신체의 활동을 나타낼 수 있다. 예를 들어, 만약 사용자가 조깅, 뛰기, 오르기, 내려가기, 휴식, 싸이클링, 트레드밀과 같은 활동을 수행하고 있다면 식별되고 분류된 활동이 창에 표시될 수 있다. 또한, 각 신체 활동 동안 소비된 칼로리와 각 신체 활동을 수행한 시간은 파이 차트에 각각 표시될 수 있다. 20B shows a physical activity summary window of the health tracker. The physical activity summary window can indicate various body activities that were performed by the user during a day according to the calories consumed during the corresponding physical activity and the pie chart indicating the time spent during each physical activity. For example, if a user is performing activities such as jogging, running, climbing, going down, resting, cycling, or treadmill, identified and classified activities may be displayed in the window. In addition, the calories consumed during each physical activity and the time of each physical activity can be displayed on the pie chart, respectively.

도20c는 하루 동안 수행된 신체의 활동의 심장형/비-심장형 활동 모델의 분류가 표시된 지구력 추적기의 활동 요약 창을 나타낸다. 예를 들어, 사용자가 걷거나 휴식 또는 조깅한다면, 활동 요약 창은 디스플레이 창에 심장형 및 비-심장형 활동에 대한 표시가 함께 하이라이트 할 수 있다. 또한, 수행된 각 신체 활동의 칼로리 소모와 수행 시간에 대한 파이 차트가 표시될 수 있다. Figure 20c shows the activity summary window of the endurance tracker showing the classification of the cardiac / non-cardiac activity model of the activity of the body during the day. For example, if the user is walking, resting or jogging, the activity summary window may highlight the display window with an indication of cardiac and non-cardiac activity. In addition, a pie chart of calorie consumption and performance time of each physical activity performed may be displayed.

도20d 는 사용자에 의해 수행된 특정 운동 세션(심장형 신체 활동)에 대한 세션 요약(session summary)을 제공할 수 있다. 세션 요약은 사용자의 심장이 특정 심장 박동수 영역에 있었던 시간, 총 운동 시간 및 운동 동안 소비한 칼로리를 포함할 수 있다. 예를 들어, 장치(300)는 8분 42초의 트레드밀 운동 세션 동안, 심장 박동수는 3분 동안 회복 영역에, 2.6분 동안 유산소 영역에, 1.37분 동안 무산소 영역에, 0.6분 동안 최대 영역에 있었던 것으로 기록할 수 있다. 이러한 정보는 사용자로 하여금 사용자가 특정 운동을 효율적으로 수행했는지 알게 할 수 있다. 또한, 일정 시간 동안 세 번째 심장 박동수 영역 창을 추적하는 것은 사용자가 일정 시간에 걸쳐 운동 수행 능력이 향상되었는지 또는 감소되었는지 알 수 있게 한다. 이러한 표시들은 건강 체력을 향상시키기 위해 필요한 경우, 사용자의 시정 조치를 취할 수 있게 한다. 장치(300)는 또한 현재의 예측 모델을 기초하여 체력을 향상시키기 위한 자동 알림과 건강 팁을 제공할 수 있다. FIG. 20D may provide a session summary for a specific exercise session (cardiac physical activity) performed by the user. The session summary may include the time the user's heart was in a particular heart rate range, total exercise time, and calories consumed during exercise. For example, the device 300 may have been in a treadmill exercise session for 8 minutes 42 seconds, heart rate in the recovery zone for 3 minutes, aerobic zone for 2.6 minutes, anaerobic zone for 1.37 minutes, maximum zone for 0.6 minutes Can be recorded. This information can allow a user to know if a user has performed a specific exercise efficiently. Also, tracking the third heart rate region window over a period of time allows the user to see whether the exercise performance is improved or decreased over a period of time. These indications allow the user to take corrective action if necessary to improve his or her fitness. The device 300 can also provide automatic notification and health tips to enhance fitness based on current predictive models.

도14내지 도20d는 장치(300)가 수행하는 것으로 설명하였으나, 14내지 도20d에서 개시된 동작은 장치(1300)에서도 수행될 수 있다. 14 through 20d have been described as being performed by device 300, the operations described in FIGS. 14 through 20d may also be performed in device 1300. FIG.

개시된 일 실시 예는 적어도 하나의 하드웨어 장치 상에서 동작할 수 있고 상술한 요소들을 제어하는 네트워크 관리 기능들을 수행하는 적어도 하나의 소프트웨어 프로그램을 통해 구현될 수 있다. One disclosed embodiment may be implemented through at least one software program that is capable of operating on at least one hardware device and performing network management functions that control the elements described above.

한편, 상술한 건강 관리 방법은 컴퓨터로 읽을 수 있는 기록매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 기록매체는 컴퓨터 장치에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 기록매체의 예로는 ROM, RAM. CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장장치 등이 있으며, 또한 인터넷을 통한 전송 등과 같은 캐리어 웨이브의 형태로 구현되는 것도 포함한다. 또한, 컴퓨터가 읽을 수 있는 기록매체는 네트워크로 연결된 컴퓨터 장치에 분산되어, 분산방식으로 프로세서가 읽을 수 있는 코드가 저장되고 실행될 수 있다.Meanwhile, the health management method described above can be implemented as a computer-readable code on a computer-readable recording medium. A computer-readable recording medium includes all kinds of recording apparatuses in which data that can be read by a computer apparatus is stored. Examples of the computer-readable recording medium include ROM, RAM. CD-ROMs, magnetic tapes, floppy disks, optical data storage devices, and the like, as well as carrier waves such as transmission over the Internet. In addition, the computer-readable recording medium may be distributed over network-connected computer devices so that code readable by the processor in a distributed manner can be stored and executed.

본 발명에 의한 방법, 프로세스, 장치, 제품 및/또는 장치는 간단하고, 비용적으로 효과적이며, 복잡하지 않으면서 매우 다양하고 정확하다. 또한 본 발명에 의한, 프로세스, 장치, 제품 및 장치에 알려진 구성 요소를 적용함으로써 즉시 이용할 수 있으면서 효율적이고 경제적인 제조, 응용 및 활용을 구현할 수 있다. 본 발명의 또 다른 중요한 측면은 비용 감소, 장치 단순화, 성능 증가를 요구하는 현 추세에 부합한다는 것이다. 이러한 본 발명의 실시 예에서 볼 수 있는 유용한 양상은 결과적으로 적어도 현 기술의 수준을 높일 수 있을 것이다.The methods, processes, devices, products and / or apparatuses of the present invention are simple, cost effective, and not very complex and highly accurate. Further, by applying known components to processes, devices, products, and devices according to the present invention, it is possible to realize efficient, economical manufacture, application, and utilization that are immediately available. Another important aspect of the present invention is that it meets current trends that require cost reduction, device simplification, and increased performance. A useful aspect of this embodiment of the present invention may result in at least a substantial increase in the current state of the art.

본 발명은 특정한 최상의 실시 예와 관련하여 설명되었지만, 이외에 본 발명에 대체, 변형 및 수정이 적용된 발명들은 전술한 설명에 비추어 당업자에게 명백할 것이다. 즉, 청구범위는 이러한 모든 대체, 변형 및 수정된 발명을 포함하도록 해석한다. 그러므로 이 명세서 및 도면에서 설명한 모든 내용은 예시적이고 비제한적인 의미로 해석해야 한다.While the present invention has been described in connection with certain preferred embodiments, it will be apparent to those skilled in the art from the foregoing description that modifications, variations and adaptations of the invention are possible. That is, the claims shall be construed to include all such alternatives, modifications and modified inventions. It is therefore intended that all matter contained in the description and drawings be interpreted as illustrative and not in a limiting sense.

Claims

A receiver for receiving a sensor signal for a user's body from the wearable device;
A controller for classifying the activity of the user's body into one of a plurality of predefined activity models based on the received sensor signal and generating prediction information of the user's body based on the classification result and the profile information of the user, ; And
And an output unit outputting health management information to the user based on the prediction information.

2. The method of claim 1,
Cardio, non-cardio, clerical, sitting, walking, stair climbing, stair climbing, hiking, jogging, sprinting, cycling, treadmill exercise and driving &Lt; / RTI >

2. The apparatus of claim 1,
And information on calories consumed to perform the activities of the body according to the classified activity model.

The apparatus of claim 3,
Analyzing the received sensor signal to classify the user's body activity into either a cardio activity model or a non-cardio activity model,
When the activity of the body is classified into a cardiac activity model, the prediction information includes information on calories consumed for the predicted activity of the body by performing a regression analysis using heart rate data,
When the activity of the body is classified as a non-cardiac activity model, the prediction information includes information on calories consumed for the activity of the body predicted by referring to a calorie chart representing the relationship between body activity and calorie consumption Lt; / RTI >

The method according to claim 1,
The receiving unit receives sensor signals for the user's body from a plurality of sensors,
Wherein the controller classifies the activity of the user's body into one of the plurality of predefined activity models using a correlation of the received sensor signals.

The apparatus of claim 1,
And determines a prediction model for generating prediction information on endurance expected in the future of the user by performing a regression analysis based on the received sensor signal.

The method according to claim 6,
Wherein the prediction information includes information on calories consumed to perform the activities of the body according to the classified activity model,
Wherein the prediction model is a mathematical expression model including at least one of an exercise intensity and a movement time and a coefficient determined using a least squares estimation method based on the information on the calories.

The method according to claim 6,
Wherein the receiving unit receives the heart rate data of the user from the wearable device,
Wherein the control unit determines a current endurance level based on the received heart rate data, determines an exercise plan for reaching a target endurance level based on the prediction model,
And the output unit outputs health management information including the determined exercise plan to the user.

2. The apparatus of claim 1,
And estimating a future weight by performing a regression analysis using ARIMA (Auto Regressive Integrated Moving Average) modeling on the received sensor signal.

The method of claim 1,
Wherein the signal is obtained by a wearable sensor of at least one of a pedometer, a gyroscope, an accelerometer, a HRM monitor, a scale, and a magnetometer.

The method according to claim 1,
And an input unit for receiving the profile information from the user,
Wherein the profile information includes information on at least one of sex, age, key, body weight, and body mass index of the user.

The apparatus of claim 1,
Determining a prediction model for generating the prediction information by performing a regression analysis based on the received sensor signal,
Wherein the prediction model is continuously re-calibrated based on at least one of a change in profile information of the user and a change in endurance.

The image processing apparatus according to claim 1,
And displays at least one of the user's calorie consumption, endurance, recommended food amount, required calorie intake, nutrient or ingredient for the food to be consumed, and change in body weight based on the prediction information.

The method comprising: generating an endurance model for predicting the endurance of the user by acquiring user body data and user profile information; identifying one or more parameters that affect the health of the user based on the generated endurance model; And a controller for generating a health plan for the user based on the parameters.

15. The method of claim 14,
Wherein the heart rate data includes exercise data of the user and heart rate data.

15. The apparatus of claim 14,
Measuring a body data of the user and measuring a calorie consumed by the user and a calorie consumed to generate a prediction model, generating a user's endurance score, and calculating a user's health And generates management information.

Receiving a sensor signal for a user's body from a wearable device;
Classifying the activity of the user's body into one of a plurality of predefined activity models based on the received sensor signal and generating prediction information of the user's body based on the classification result and the profile information of the user ; And
And outputting health management information to the user based on the prediction information.

15. The method of claim 14, wherein the pre-
At least one of cardio, non-cardio, clerical, sitting, walking, stair climbing, stair climbing, hiking, jogging, sprinting, cycling, &Lt; / RTI >

18. The method of claim 17,
Wherein the step of generating the prediction information of the user's body comprises:
Performing a regression analysis based on the received sensor signal to determine a prediction model for generating prediction information on endurance expected in the future of the user,
Wherein outputting the health management information includes outputting a motion plan for reaching a target endurance level based on the current endurance level of the user and the prediction model,
Wherein the prediction model is a mathematical expression model including at least one of an exercise intensity and a motion time and a coefficient determined using a least squares estimation method.

A computer-readable recording medium having recorded thereon a program for causing a computer to execute the method according to any one of claims 17 to 19.