KR20170080551A - Lifestyle data management system and method - Google Patents

Lifestyle data management system and method Download PDF

Info

Publication number
KR20170080551A
KR20170080551A KR1020170080638A KR20170080638A KR20170080551A KR 20170080551 A KR20170080551 A KR 20170080551A KR 1020170080638 A KR1020170080638 A KR 1020170080638A KR 20170080638 A KR20170080638 A KR 20170080638A KR 20170080551 A KR20170080551 A KR 20170080551A
Authority
KR
South Korea
Prior art keywords
data
lifestyle
metadata
information
individual
Prior art date
Application number
KR1020170080638A
Other languages
Korean (ko)
Inventor
조위덕
Original Assignee
아주대학교산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 아주대학교산학협력단 filed Critical 아주대학교산학협력단
Priority to KR1020170080638A priority Critical patent/KR20170080551A/en
Publication of KR20170080551A publication Critical patent/KR20170080551A/en

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/22—Social work
    • G06F17/30864—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/40—Data acquisition and logging
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records

Abstract

본 발명은 라이프 로그를 수집하고, 수집된 라이프 로그를 자가 생성한 규칙을 기반으로 필터링하여 개인별 생활습관 데이터를 생성하고, 상기 자가 생성한 규칙은 머신 러닝 기법에 기반하여 적응적으로 조정하고, 필터링된 개인별 생활습관 데이터의 특성 별로 동적인 데이터 디스크립션을 포함하는 개인별 생활습관 메타데이터를 생성하는 메타데이터 생성 및 개인별 생활습관 메타데이터의 개체 간 링크를 추출하고 상기 추출된 링크를 기반으로 연결된 데이터베이스 구조를 구현하여 저장하는 메타데이터 저장하는 것을 포함하는 라이프스타일 데이터 관리 시스템.The present invention collects life logs, generates personal lifestyle data by filtering the collected life logs based on self-generated rules, adaptively adjusts the self-generated rules based on a machine learning technique, Metadata for generating individual lifestyle metadata including dynamic data description according to characteristics of individual lifestyle habits data, extracting links between entities of individual lifestyle metadata and linking the database structure based on the extracted links And storing metadata to be implemented and stored.

Figure P1020170080638
Figure P1020170080638

Description

라이프스타일 데이터 관리 시스템 및 방법{Lifestyle data management system and method}[0001] Lifestyle data management system and method [0002]

본 발명은 라이프 스타일을 관리하는 기술에 관한 것으로, 개인의 라이프 로그의 데이터를 수집하고, 이를 규칙을 기반으로 필터링하여 개인별 생활습관 데이터를 생성하고, 개인별 생활습관 데이터를 이용하여 개인별 생활습관 메타데이터를 생성 및 저장하여 데이터 관리하는 기술에 관한 것이다.The present invention relates to a technology for managing lifestyles, which collects data of an individual's life log, generates personal lifestyle data by filtering based on rules, and generates personal lifestyle data using personal lifestyle data To a technique of generating and storing and managing data.

한국은 특히 생활습관병 환자가 가파르게 증가하고 있는데, 단순히 식생활의 서구화, 고령화, 비만인구 증가만으로 설명되지 못하는 대사성질환 유사환자들이 유아 및 청소기부터 나타나고 있다. 이에 대해 의료 약물적 치료로도 해결이 잘 안되고 만성질환으로 발전됨에 따라 국민건강보험의 의료비용이 지속적으로 증가하고 있다. 그 해결책으로써 생활습관의학(lifestyle medicine)이 중요해지고 있으나, 전통적 문진 문서방식, 지속적 치료 효과 및 환자의 체계적 관리와 실질효과의 어려움 등 문제점이 많아 적용하는데 어려움이 있다.In Korea, especially lifestyle - related diseases are increasing rapidly, but similar cases of metabolic diseases, which can not be explained only by westernization of diet, aging, and increase of obesity population, are emerging from infants and cleaners. As a result, the medical cost of the National Health Insurance has been continuously increasing due to the fact that it can not be solved by the medical drug treatment and it is developed as a chronic disease. Lifestyle medicine has become important as a solution to this problem, but it is difficult to apply lifestyle medicine due to problems such as traditional documentary method, continuous treatment effect, systematic management of patients and difficulty of real effect.

현재의 각종 IT제품과 케어 서비스(어린이보호 및 성장케어, 노약자 보호케어, 일반인들의 정신적 힐링케어, 급변하는 경제상황에서의 재정예측관리 등)들은 최종 사용자인 '인간'과 그 복합적 특성(사회관계, 심리, 생리, 감성 등)에 대한 이해와 표현 및 정량화가 용이하지 않음에 따라 적용 및 고도화에 근본적 한계가 있다.Currently, various IT products and care services (such as child protection and growth care, care for the elderly, mental healing care of the general public, and financial forecasting management in a rapidly changing economic environment) , Psychology, physiology, emotion, etc.) are difficult to understand, express and quantify, there is a fundamental limitation in application and advancement.

특히, 라이프 스타일(Lifestyle)로 대변되는 '나'를 결정짓는 요소에 대한 고려가 부족하고, 복합적이고 다양한 특성을 지닌 인간을 특징적으로 표현할 도구나 방식의 어려움에 직면해 있다.In particular, there is a lack of consideration of the factors that determine 'I' represented by lifestyle, and it faces the difficulty of tools or methods that characteristically express human beings with complex and diverse characteristics.

이를 극복하기 위한 방안으로 전세계적으로 라이프 로그(Lifelog) 데이터를 활용하는 다양한 연구가 진행되고 있지만, 라이프 로그 수집을 위한 혁신적 디바이스의 부재와 방대한 데이터의 의미적인 분석의 난제를 여전히 해결 못하고 있다.To overcome this problem, various studies using Lifelog data have been conducted worldwide. However, the problem of lack of innovative devices for life log collection and semantic analysis of vast amount of data is still not resolved.

종래의 라이프 케어 서비스 기술의 한 예로, 한국공개특허 제2012-0045459호 "라이프 케어 서비스 제공 시스템"이 제안되었다. 상기 선행기술에서는 사용자의 건강 상태를 확인하는데 요구되는 라이프로그 정보를 수집하고 라이프 로그 정보를 분석하여, 사용자의 생활 습관을 관리하는데 사용되는 라이프 케어 정보를 제공하는 라이프 케어 서비스 기술이 개시되었다As an example of the conventional life care service technology, Korean Unexamined Patent Publication No. 2004-45459, "Life Care Service Providing System" has been proposed. In the prior art, life care service technology is disclosed in which life log information required for checking a user's health state is collected, life log information is analyzed, and lifecare information used for managing lifestyle of a user is provided

하지만, 종래의 선행기술은 라이프 로그 정보를 분석하여, 사용자의 생활 습관을 관리하기 위해서는 먼저 생활습관을 설정하는 과정이 필요하고, 특정 상황에 대응되는 룰을 기설정해야만 하였다. 선행기술에서 기설정한 룰들은 개인차가 존재할 수 있으나 고려하고 있지 않으며, 시대흐름에 따라 적절하게 변경되지 못하고 있으며, 룰을 설정하는 방법에 대한 구체적인 기술을 언급하고 있지 않다. 또한, 선행기술은 라이프 로그를 분석함에 있어서도 인간의 다양성을 고려하지 않고 있다.However, in the prior art, the life log information is analyzed and a lifestyle setting process is first required in order to manage a lifestyle of a user, and a rule corresponding to a specific situation has to be set in advance. The rules set forth in the prior art do not consider individual differences but can not be changed appropriately according to the times, and do not mention a specific description of how to set rules. Also, prior art does not consider human diversity in analyzing life logs.

따라서, 개인의 라이프 로그의 빅데이터를 수집하고, 그를 이용한 의미 기반 분석을 수행하여 일반적인 행동 시퀀스, 개인화된 생활습관에 따른 행동 시퀀스를 추출하고, 추출된 행동 시퀀스를 모델링하여, 사용자의 상태에 따른 이후 발생할 행동을 유추하고, 유추되는 행동을 바람직한 방향으로 유도하여 사용자의 건강을 관리하는 방법이 요구된다.Therefore, it is possible to collect big data of an individual's life log and perform semantic-based analysis using the same to extract a general action sequence, an action sequence according to personalized lifestyle, model the extracted action sequence, It is necessary to infer the behaviors that will occur afterwards and to manage the health of the users by inducing the inferred behaviors in a desirable direction.

한국공개특허 제2012-0045459호 (공개일 2012.05.09)Korean Public Patent No. 2012-0045459 (public date 2012.05.09)

본 발명은 상기와 같은 종래 기술의 문제점을 해결하고자 도출된 것으로서, 라이프 스타일 데이터 관리 시스템을 제공하는 것을 목적으로 한다.SUMMARY OF THE INVENTION It is an object of the present invention to provide a lifestyle data management system.

구체적으로, 본 발명은 라이프 로그를 수집하고, 수집된 라이프 로그를 자가 생성한 규칙을 기반으로 필터링하여 개인별 생활습관 데이터를 생성하고, 상기 자가 생성한 규칙은 머신 러닝 기법에 기반하여 적응적으로 조정하고, 필터링된 개인별 생활습관 데이터의 특성 별로 동적인 데이터 디스크립션을 포함하는 개인별 생활습관 메타데이터를 생성하는 메타데이터 생성 및 개인별 생활습관 메타데이터의 개체 간 링크를 추출하고 상기 추출된 링크를 기반으로 연결된 데이터베이스 구조를 구현하여 저장하는 메타데이터 저장하는 것을 포함하는 라이프스타일 데이터 관리 시스템을 제공하는 것을 목적으로 한다.Specifically, the present invention collects life logs, generates personal lifestyle data by filtering the collected life logs based on self-generated rules, and the self-generated rules are adjusted adaptively based on a machine learning technique Extracting metadata of individual lifestyle metadata including dynamic data description according to characteristics of filtered individual lifestyle data, extracting links between entities of individual lifestyle metadata, and linking based on the extracted links And storing metadata for storing and implementing a database structure.

상기와 같은 목적을 달성하기 위하여, 본 발명의 일 실시 예에 따른 라이프스타일 데이터 관리 시스템은, 라이프 로그를 수집하고, 상기 라이프 로그의 원본 데이터(raw data)의 종류에 따라 상기 원본 데이터를 편집할 도메인을 분류하며, 상기 분류된 도메인에 따라 결정되는 이관 경로를 경유하여 상기 라이프 로그를 전처리부로 이관하는 로그 수집부; 상기 수집된 라이프 로그를 자가 생성한 규칙을 기반으로 필터링하여 개인별 생활습관 데이터를 생성하고, 상기 자가 생성한 규칙은 규칙 학습자(Rule Learner) 모듈에 의하여 머신 러닝 기법에 기반하여 스스로 학습되어 적응적으로 강화되거나 보완되며, 상기 수집된 라이프 로그의 상기 원본 데이터의 각 항목 간의 커플링 조건(coupling constraints)을 상기 자가 생성한 규칙의 일부로서 적용하여 상기 개인별 생활습관 데이터를 생성하고, 상기 자가 생성한 규칙이 상기 규칙 학습자에 의하여 학습됨에 따라서 상기 수집된 라이프 로그의 상기 원본 데이터의 각 항목과 상기 개인별 생활습관 데이터의 특성 간의 커플링이 증강되는 전처리부; 상기 수집된 라이프 로그의 상기 원본 데이터의 출처와 상기 원본 데이터가 나타내는 정보의 종류를 의미하는 상기 필터링된 개인별 생활습관 데이터의 특성 별로 동적인 데이터 디스크립션을 포함하는 개인별 생활습관 메타데이터를 생성하고, 상기 개인별 생활습관 데이터에 대한 학습 과정을 통하여 상기 개인별 생활습관 데이터를 분류하고, 상기 개인별 생활습관 데이터에 대한 컨텍스트 패턴을 추출하여 상기 동적인 데이터 디스크립션을 생성하며, 이때 상기 동적인 데이터 디스크립션은 상기 추출된 컨텍스트 패턴으로부터 추출되는 정보를 컨텐츠 관련된 정보, 서비스 관련된 정보, 사용자 관련된 정보, 및 커뮤니티 관련된 정보로 세분화한 후, 상기 세분화된 컨텍스트 패턴 정보에 기반하여 생성되는 메타데이터 생성부; 및 상기 개인별 생활습관 메타데이터의 개체 간 링크를 추출하고 상기 추출된 링크를 기반으로 연결된 데이터베이스 구조를 구현하여 저장하는 메타데이터 저장부를 포함한다.In order to achieve the above object, a lifestyle data management system according to an embodiment of the present invention collects a life log and edits the original data according to a kind of raw data of the life log A log collector for classifying domains and transferring the life log to a preprocessor via a divert path determined according to the classified domain; The collected lifelogs are filtered based on self-generated rules, and personal lifestyle data is generated. The self-generated rules are automatically learned by the Rule Learner module based on the machine learning technique and adaptively And generating the individual lifestyle data by applying coupling constraints between each item of the original data of the collected life log as a part of the self-generated rule, A preprocessing unit for enhancing coupling between each item of the original data of the collected life log and characteristics of the individual lifestyle data as it is learned by the rule learner; Generating personal lifestyle metadata including a data description that is dynamic according to characteristics of the filtered personalized life style data indicating the source of the original data of the collected life log and the type of the information represented by the original data, Wherein the dynamic data description is generated by classifying the individual lifestyle data through a learning process for individual lifestyle data and extracting a context pattern for the personal lifestyle data, A metadata generation unit that generates information based on the subdivided context pattern information after subdividing the information extracted from the context pattern into content related information, service related information, user related information, and community related information; And a metadata storage unit for extracting inter-entity links of the individual lifestyle metadata and implementing and storing a linked database structure based on the extracted links.

이때, 상기 라이프 로그는, 비밀 데이터(Private Data), 공개 데이터(Public Data), 개인 데이터(Personal Data), 익명 데이터(Anonymous Data), 접속 데이터(Connected Data) 및 센서 데이터(Sensor Data) 중에서 적어도 하나를 포함할 수 있다.At this time, the life log may include at least one of Private Data, Public Data, Personal Data, Anonymous Data, Connected Data, and Sensor Data One can be included.

이때, 상기 로그 수집부는, 크롤링(Crawling) 기법을 기반으로 웹 상의 데이터 및 문서에서 개인의 정보를 수집하고, 소셜 네트워크 상의 개인 데이터를 수집하고, 개인의 소비 패턴, 및 위치 정보에 기반하여 개인의 라이프 로그를 수집한다.At this time, the log collecting unit collects personal information from data and documents on the web based on a crawling technique, collects personal data on a social network, and collects personal information based on an individual's consumption pattern and location information. Collect life logs.

이때, 상기 전처리부는, 인위적인 외부 개입을 최소화하고 다차원적인 분석 기법을 제공하기 위하여, 상기 수집된 라이프 로그의 원본 데이터(raw data)의 각 항목 간의 커플링 조건(coupling constraints)을 상기 자가 생성한 규칙의 일부로서 적용하여 상기 개인별 생활습관 데이터를 생성할 수 있다.In order to minimize the artificial external intervention and to provide a multidimensional analysis technique, the preprocessing unit may set coupling constraints between respective items of the raw data of the collected life logs to the self- To generate the individual lifestyle data.

이때, 상기 메타데이터 생성부는, 상기 개인별 생활습관 데이터에 대한 학습 과정을 통하여 상기 개인별 생활습관 데이터를 분류하고, 상기 개인별 생활습관 데이터에 대한 컨텍스트 패턴을 추출하여 상기 동적인 데이터 디스크립션을 생성할 수 있다.At this time, the metadata generating unit may classify the individual lifestyle data through the learning process for the individual lifestyle data, and may generate the dynamic data description by extracting the context pattern for the individual lifestyle data .

이때, 상기 메타데이터 저장부는, 머신 러닝 기법을 기반으로 상기 개인별 생활습관 메타데이터의 비정형 정보에서 구조 정보를 추출하고, 상기 구조 정보와 라이프스타일 컨텍스트를 맞추어 상기 메타데이터의 개체 간 링크를 추출한다.At this time, the metadata storage unit extracts the structure information from the atypical information of the individual lifestyle metadata based on the machine learning technique, and extracts the inter-entity links of the metadata according to the structure information and the lifestyle context.

본 발명의 일 실시 예에 따른 라이프스타일 데이터 관리하는 방법은, 라이프 로그를 수집하고, 상기 라이프 로그의 원본 데이터(raw data)의 종류에 따라 상기 원본 데이터를 편집할 도메인을 분류하며, 상기 분류된 도메인에 따라 결정되는 이관 경로를 경유하여 상기 라이프 로그를 전처리부로 이관하는 로그 수집단계; 상기 수집된 라이프 로그를 자가 생성한 규칙을 기반으로 필터링하여 개인별 생활습관 데이터를 생성하고, 상기 자가 생성한 규칙은 규칙 학습자(Rule Learner) 모듈에 의하여 머신 러닝 기법에 기반하여 스스로 학습되어 적응적으로 강화되거나 보완되며, 상기 수집된 라이프 로그의 상기 원본 데이터의 각 항목 간의 커플링 조건(coupling constraints)을 상기 자가 생성한 규칙의 일부로서 적용하여 상기 개인별 생활습관 데이터를 생성하는 전처리단계; 상기 수집된 라이프 로그의 상기 원본 데이터의 출처와 상기 원본 데이터가 나타내는 정보의 종류를 의미하는 상기 필터링된 개인별 생활습관 데이터의 특성 별로 동적인 데이터 디스크립션을 포함하는 개인별 생활습관 메타데이터를 생성하고, 상기 개인별 생활습관 데이터에 대한 학습 과정을 통하여 상기 개인별 생활습관 데이터를 분류하고, 상기 개인별 생활습관 데이터에 대한 컨텍스트 패턴을 추출하여 상기 동적인 데이터 디스크립션을 생성하는 메타데이터 생성단계; 및 상기 개인별 생활습관 메타데이터의 개체 간 링크를 추출하고 상기 추출된 링크를 기반으로 연결된 데이터베이스 구조를 구현하여 저장하는 메타데이터 저장단계를 포함한다. 이때 상기 전처리단계에서는 상기 자가 생성한 규칙이 상기 규칙 학습자에 의하여 학습됨에 따라서 상기 수집된 라이프 로그의 상기 원본 데이터의 각 항목과 상기 개인별 생활습관 데이터의 특성 간의 커플링이 증강되고, 상기 메타데이터 생성단계에서는 상기 동적인 데이터 디스크립션은 상기 추출된 컨텍스트 패턴으로부터 추출되는 정보를 컨텐츠 관련된 정보, 서비스 관련된 정보, 사용자 관련된 정보, 및 커뮤니티 관련된 정보로 세분화한 후, 상기 세분화된 컨텍스트 패턴 정보에 기반하여 생성될 수 있다.A method of managing lifestyle data according to an embodiment of the present invention includes collecting life logs, classifying domains to edit the original data according to types of raw data of the life logs, A log collecting step of transferring the life log to a preprocessor via a transfer path determined according to a domain; The collected lifelogs are filtered based on self-generated rules, and personal lifestyle data is generated. The self-generated rules are automatically learned by the Rule Learner module based on the machine learning technique and adaptively A preprocessing step of applying the coupling constraints between each item of the original data of the collected life log as a part of the self-generated rules to generate the individual lifestyle data; Generating personal lifestyle metadata including a data description that is dynamic according to characteristics of the filtered personalized life style data indicating the source of the original data of the collected life log and the type of the information represented by the original data, A metadata generation step of classifying the individual lifestyle data through a learning process for individual lifestyle data and extracting a context pattern for the personal lifestyle data to generate the dynamic data description; And a meta data storing step of extracting inter-entity links of the individual lifestyle metadata and implementing and storing a linked database structure based on the extracted links. At this time, in the pre-processing step, since the self-generated rule is learned by the rule learner, the coupling between each item of the original data of the collected life log and the characteristic of the individual lifestyle data is enhanced, The dynamic data description subdivides the information extracted from the extracted context pattern into content related information, service related information, user related information, and community related information, and then generates based on the refined context pattern information .

이때, 상기 라이프 로그는, 비밀 데이터(Private Data), 공개 데이터(Public Data), 개인 데이터(Personal Data), 익명 데이터(Anonymous Data), 접속 데이터(Connected Data) 및 센서 데이터(Sensor Data) 중에서 적어도 하나를 포함할 수 있다.At this time, the life log may include at least one of Private Data, Public Data, Personal Data, Anonymous Data, Connected Data, and Sensor Data One can be included.

이때, 상기 로그 수집단계는, 크롤링(Crawling) 기법을 기반으로 웹 상의 데이터 및 문서에서 개인의 정보를 수집하고, 소셜 네트워크 상의 개인 데이터를 수집하고, 개인의 소비 패턴, 및 위치 정보에 기반하여 개인의 라이프 로그를 수집한다.At this time, the log collecting step collects personal information on data and documents on the web based on a crawling method, collects personal data on a social network, And collects the life log of the user.

이때, 상기 전처리단계는, 인위적인 외부 개입을 최소화하고 다차원적인 분석 기법을 제공하기 위하여, 상기 수집된 라이프 로그의 원본 데이터(raw data)의 각 항목 간의 커플링 조건(coupling constraints)을 상기 자가 생성한 규칙의 일부로서 적용하여 상기 개인별 생활습관 데이터를 생성할 수 있다.In this case, the pre-processing step may include coupling constraints between respective items of raw data of the collected life logs to minimize the artificial external intervention and provide a multi-dimensional analysis technique. And may be applied as a part of the rule to generate the individual lifestyle data.

이때, 상기 메타데이터 생성단계는, 상기 개인별 생활습관 데이터에 대한 학습 과정을 통하여 상기 개인별 생활습관 데이터를 분류하고, 상기 개인별 생활습관 데이터에 대한 컨텍스트 패턴을 추출하여 상기 동적인 데이터 디스크립션을 생성할 수 있다.At this time, the metadata generation step may classify the individual lifestyle data through the learning process for the personal lifestyle data, and generate the dynamic data description by extracting the context pattern for the personal lifestyle data have.

이때, 상기 메타데이터 저장단계는 머신 러닝 기법을 기반으로 상기 개인별 생활습관 메타데이터의 비정형 정보에서 구조 정보를 추출하고, 상기 구조 정보와 라이프스타일 컨텍스트를 맞추어 상기 메타데이터의 개체 간 링크를 추출한다.At this time, the metadata storing step extracts the structure information from the atypical information of the individual lifestyle metadata based on the machine learning technique, and extracts the inter-entity links of the metadata according to the structure information and the lifestyle context.

본 발명은 라이프 로그를 수집하고, 라이프스타일 데이터 관리 시스템 및 그 방법에 관한 것으로, 라이프 로그를 수집하고, 수집된 라이프 로그를 이용하여 개인별 생활습관 데이터를 생성하고, 개인별 생활습관 데이터의 특성을 이용하여 개인별 생활습관 메타데이터를 생성하고, 개인별 생활습관 메타데이터의 개체 간 링크를 추출하여 연결된 데이터베이스 구조를 구현하여서 데이터를 효과적으로 처리가 가능하고 최적의 상태로 저장이 가능하다는 효과가 있다.The present invention relates to a lifestyle data management system and method, which collects life logs, generates personal lifestyle data using the collected life logs, and uses personal lifestyle data characteristics And the link between the individual lifestyle metadata is extracted to implement a linked database structure, so that the data can be effectively processed and stored in an optimal state.

도 1은 본 발명의 일 실시예에 따른 라이프 스타일 자율 케어 시스템의 구성을 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 일반화된 라이프 스타일 모델링하는 레퍼런스 모델링 장치의 구성을 도시한 도면이다.
도 3은 본 발명의 일 실시예에 따른 개인화된 라이프 스타일 모델링하는 개인화된 모델링 장치의 구성을 도시한 도면이다.
도 4는 본 발명의 일 실시예에 따른 라이프 스타일 자율 케어 시스템에서 라이프 스타일을 관리하는 과정을 도시한 흐름도이다.
도 5는 본 발명의 일 실시예에 따른 레퍼런스 모델링 장치에서 레퍼런스 모델을 생성하는 과정을 도시한 흐름도이다.
도 6은 본 발명의 일 실시예에 따른 개인화된 모델링 장치에서 개인화된 생활습관 모델을 생성하는 과정을 도시한 흐름도이다.
도 7은 본 발명의 일 실시예에 따라 생성된 레퍼런스 모델의 예를 도시한 도면이다.
도 8은 본 발명의 일 실시예에 따른 라이프스타일 데이터 관리 시스템의 구성을 도시한 도면이다.
도 9는 본 발명의 일 실시예에 따른 전처리부에서 개인별 생활습관 데이터를 생성하는 과정의 예를 도시한 도면이다
도 10은 본 발명의 일 실시예에 따른 메타데이터 생성부에서 개인별 생활습관 메타데이터를 생성하는 과정의 예를 도시한 도면이다.
도 11은 본 발명의 일 실시예에 따른 개인별 생활습관 메타데이터에 링크를 기반으로 연결된 데이터베이스 구조의 예를 도시한 도면이다.
도 12은 본 발명의 일 실시예에 따른 라이프스타일 데이터 관리 시스템에서 라이프스타일 데이터를 관리하는 과정을 도시한 흐름도이다.1 is a diagram illustrating a configuration of a lifestyle autonomous care system according to an embodiment of the present invention.
2 is a diagram illustrating a configuration of a reference modeling apparatus for modeling a generalized lifestyle according to an embodiment of the present invention.
3 is a diagram illustrating a personalized modeling apparatus for personalized lifestyle modeling according to an embodiment of the present invention.
4 is a flowchart illustrating a lifestyle management process in the lifestyle autonomic care system according to an exemplary embodiment of the present invention.
5 is a flowchart illustrating a process of generating a reference model in a reference modeling apparatus according to an embodiment of the present invention.
6 is a flowchart illustrating a process of generating a personalized lifestyle model in the personalized modeling apparatus according to an exemplary embodiment of the present invention.
7 is a diagram illustrating an example of a reference model generated according to an embodiment of the present invention.
8 is a diagram illustrating a configuration of a lifestyle data management system according to an embodiment of the present invention.
9 is a diagram illustrating an example of a process of generating individual lifestyle data in the preprocessing unit according to an embodiment of the present invention
FIG. 10 is a view illustrating an example of a process of generating personal lifestyle metadata in the metadata generation unit according to an embodiment of the present invention.
11 is a diagram illustrating an example of a database structure linked to individual lifestyle metadata based on a link according to an embodiment of the present invention.
12 is a flowchart illustrating a process of managing lifestyle data in a lifestyle data management system according to an embodiment of the present invention.

상기 목적 외에 본 발명의 다른 목적 및 특징들은 첨부 도면을 참조한 실시 예에 대한 설명을 통하여 명백히 드러나게 될 것이다.Other objects and features of the present invention will become apparent from the following description of embodiments with reference to the accompanying drawings.

본 발명의 바람직한 실시예를 첨부된 도면들을 참조하여 상세히 설명한다. 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.Preferred embodiments of the present invention will be described in detail with reference to the accompanying drawings. In the following description of the present invention, a detailed description of known functions and configurations incorporated herein will be omitted when it may make the subject matter of the present invention rather unclear.

그러나, 본 발명이 실시예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.However, the present invention is not limited to or limited by the embodiments. Like reference symbols in the drawings denote like elements.

이하에서는, 본 발명의 일 실시 예에 따른 라이프 스타일 자율 케어 시스템 및 방법을 첨부된 도 1 내지 도 7을 참조하여 상세히 설명한다.Hereinafter, a lifestyle autonomous care system and method according to an embodiment of the present invention will be described in detail with reference to FIGS. 1 to 7.

도 1은 본 발명의 일 실시예에 따른 라이프 스타일 자율 케어 시스템의 구성을 도시한 도면이다.1 is a diagram illustrating a configuration of a lifestyle autonomous care system according to an embodiment of the present invention.

도 1을 참조하면, 라이프 스타일 자율 케어 시스템(100)은 라이프 로그 수집 장치(110), 레퍼런스 모델링 장치(120), 개인화된 모델링 장치(130) 및 서비스 장치(140)를 포함할 수 있다.Referring to FIG. 1, a lifestyle autonomic care system 100 may include a lifelog collection device 110, a reference modeling device 120, a personalized modeling device 130, and a service device 140.

라이프 로그 수집 장치(110)는 비밀 데이터(Private Data) 관리서버(151), 공개 데이터(Public Data) 관리서버(152), 개인용 컴퓨터(153), 스마트 폰(154), 스마트 안경(155), 스마트 시계(157), 자전거(158), 런닝머신(159), 자동차(160) 등과 통신하여 라이프 로그를 수집할 수 있다.The life log collecting apparatus 110 includes a private data management server 151, a public data management server 152, a personal computer 153, a smart phone 154, smart glasses 155, The smart clock 157, the bicycle 158, the treadmill 159, the car 160, and the like to collect life logs.

이때, 라이프 로그는 비밀 데이터(Private Data), 공개 데이터(Public Data), 개인 데이터(Personal Data), 익명 데이터(Anonymous Data), 접속 데이터(Connected Data) 및 센서 데이터(Sensor Data) 중에서 적어도 하나를 포함할 수 있다.At this time, the life log stores at least one of private data, public data, personal data, anonymous data, connected data, and sensor data. .

여기서, 비밀 데이터(Private Data)는 일정, 주소록, 신용카드 사용내용, 의료기록, 쇼핑 내역, 통화기록, 문자 기록, 은행 거래 기록, 주식 거래 기록, 각종 금융 거래 기록 등이 가능하다.Here, the private data can be a schedule, an address book, a credit card usage, a medical record, a shopping history, a call record, a character record, a bank transaction record, a stock transaction record,

공개 데이터(Public Data)는 교통정보, 날씨정보, 각종 통계 데이터 등이 가능하다.Public data includes traffic information, weather information, and various statistical data.

개인 데이터(Personal Data)는 즐겨 찾기, 검색기록, SNS(Social Networking Service]) 대화 기록, 다운로드 기록, 블로그 기록 등이 가능하다.Personal data can be a bookmark, a search history, a social networking service (SNS) conversation record, a download record, a blog record, and the like.

익명 데이터(Anonymous Data)는 SNS에서 이슈화되는 주제 정보(여론의 추이), 뉴스, 실시간 검색어 순위 등이 가능하다.Anonymous data can be topic information (trend of public opinion), news, real-time keyword ranking, etc., which are discussed in SNS.

접속 데이터(Connected Data)는 집 또는 차량 등에 접속한 기록 등이 가능하며, 예를 들어 재실감지, RFID(개인식별, 출입기록), 디지털 도어락, 스마트 가전(이용정보), 홈 네트워크 이용기록, 인터넷 이용기록(Access Point), 차량 네비게이션(이동경로 등), 블랙박스(영상, 음성 기록), 운행기록계(운전시간, 운전패턴 등) 등이 가능하다.Connected data can be records connected to a house or a vehicle. For example, it can detect a room, RFID (personal identification, access record), digital door lock, smart home appliance (usage information) An access point, a car navigation system (navigation path), a black box (video and audio recording), a travel recorder (driving time, driving pattern, etc.).

센서 데이터(Sensor Data)는 전용 디바이스, 환경 센서, 스마트 장치, 의료기기, 개인운동기기, 개인 활동량 측정 장치 등을 통해 측정된 데이터가 될 수 있다.The sensor data may be data measured through a dedicated device, an environmental sensor, a smart device, a medical device, a personal exercise device, or a personal activity measuring device.

여기서, 전용 디바이스는 칼로리 측정 장치, 자세 측정 정치, 체온계, 스트레스 측정 정치, 구강구취 측정 정치, 음주 측정 정치, 이동거리/속도, GPS기반 위치 측정 정치, 무호흡 측정 정치, 코골이 측정 정치 등이 가능하다.Here, the dedicated device can be a calorie measuring device, a posture measuring device, a clinical thermometer, a stress measuring device, an oral breath measuring device, a drinking measurement device, a moving distance / speed device, Do.

환경 센서는 온도 측정 센서, 습도 측정 센서, 조도 측정 센서, CCTV(거리, 대중교통, 건물 등), 이산화탄소 측정 센서, 오존량 측정 센서, 일산화탄소 측정 센서, 먼지량 측정 센서, 자외선 측정 센서 등이 가능하다.Environmental sensors include temperature measurement sensors, humidity measurement sensors, illumination measurement sensors, CCTV (distance, public transportation, buildings, etc.), carbon dioxide measurement sensors, ozone measurement sensors, carbon monoxide measurement sensors, dust measurement sensors and ultraviolet measurement sensors.

스마트 장치는 스마트 폰, 헤드 마운트 디스플레이(Google Glass 등), 스마트 시계(Apple iWatch 등)이 있으며, 스마트 장치를 통해서 어플의 결제내역, 주로 사용하는 어플, 어플의 사용내역, GPS(위치), 기록된 영상, 음성, 사진, 선호하는 음악 등의 데이터를 획득할 수 있다.Smart devices include smartphones, head mount displays (such as Google Glass), and smart watches (such as Apple iWatch). The smart device allows you to view the payment history of your app, your favorite apps, It is possible to acquire data such as image, voice, photograph, and favorite music.

의료기기는 전자저울, 체지방 측정장치, 당뇨 측정장치, 심박수 측정장치, 혈압 측정장치 등이 가능하며, 측정되는 데이터가 센서 데이터에 포함될 수 있다.The medical instrument may be an electronic balance, a body fat measurement device, a diabetic measurement device, a heart rate measurement device, a blood pressure measurement device, etc., and the measured data may be included in the sensor data.

개인운동기기는 런닝머신, 자전거, 운동화에 부탁되는 센서 등과 같이 운동량을 측정할 수 있는 운동기기 등이 가능하며, 운동기기로부터 측정되는 운동량이 센서 데이터에 포함될 수 있다.The personal exercise device may be an exercise device capable of measuring the amount of exercise such as a treadmill, a bicycle, or a sensor submitted to a sneaker, and the amount of exercise measured from the exercise device may be included in the sensor data.

한편, 라이프 로그 수집 장치(110)는 별도의 장치로 구성될 수도 있지만, 레퍼런스 모델링 장치(120) 또는 개인화된 모델링 장치(130)에 포함되어 구성될 수도 있다.Meanwhile, the life log collection device 110 may be configured as a separate device, but may be included in the reference modeling device 120 or the personalized modeling device 130.

레퍼런스 모델링 장치(120)는 라이프 로그 수집 장치(110)로부터 수집된 라이프 로그를 수신하고, 수집된 라이프 로그를 이용하여 레퍼런스 모델을 생성한다.The reference modeling device 120 receives the life logs collected from the life log collection device 110, and generates a reference model using the collected life logs.

이때, 레퍼런스 모델링 장치(120)는 수집된 라이프 로그에서 행동 시퀀스를 추출하고, 추출된 행동 시퀀스 간의 유사도를 분석하고, 시퀀스 정렬(sequence alignment) 기법을 이용하여 행동 시퀀스를 정렬하여 레퍼런스 모델을 생성할 수 있다. 레퍼런스 모델링 장치(120)의 보다 상세한 설명은 이후 도 2를 참조하여 후술한다.At this time, the reference modeling device 120 extracts the action sequence from the collected life log, analyzes the similarity between the extracted action sequences, and generates a reference model by sorting the action sequence using a sequence alignment technique . A more detailed description of the reference modeling device 120 will be described below with reference to FIG.

개인화된 모델링 장치(130)는 라이프 로그 수집 장치(110)로부터 수집된 라이프 로그를 수신하고, 수집된 라이프 로그를 이용하여 개인별 성향을 분석하고, 성향 별로 개인화된 생활습관 모델을 생성한다.The personalized modeling device 130 receives the life logs collected from the life log collection device 110, analyzes the individual personalities using the collected life logs, and generates a personalized lifestyle model based on the personalities.

개인화된 모델링 장치(130)는 수집된 라이프 로그에서 데이터 마이닝 기법을 이용하여 개인별로 기설정된 횟수 이상 반복되는 행동 패턴을 개인별 행동 시퀀스로 추출하고, 수집된 라이프 로그에 포함된 개인별 소셜 네트워크에서의 활동정보를 분석하여 개인별 성향을 분석하고, 성향이 유사한 사용자의 행동 시퀀스를 연결하여 성향 별로 개인화된 생활습관 모델을 생성할 수 있다. 개인화된 모델링 장치(130)의 보다 상세한 설명은 이후 도 3을 참조하여 후술한다.The personalized modeling device 130 extracts a behavior pattern that is repeated more than a predetermined number of times by the individual action sequence using the data mining technique in the collected life log and displays the activity in the individual social network included in the collected life log Analyzing the information, analyzing individual tendencies, and linking behavior sequences of users having similar tendencies, a personalized lifestyle model can be generated according to the tendencies. A more detailed description of the personalized modeling device 130 will be described below with reference to FIG.

레퍼런스 모델링 장치(120)에서 레퍼런스 모델링 장치(120)에서 생성된 레퍼런스 모델과 개인화된 모델링 장치(130)에서 생성된 개인화된 생활습관 모델은 라이프 로그가 많이 쌓이면 쌓일수록 보다 정확해지는 경향을 가진다. 따라서, 레퍼런스 모델과 개인화된 생활습관 모델은 시간이 지나면서 시대에 따라 달라질 수 있는 행동 시퀀스를 자동적으로 반영하기 때문에 시간에 따라 진화되어 간다.The reference model generated by the reference modeling device 120 in the reference modeling device 120 and the personalized lifestyle model generated in the personalized modeling device 130 tend to be more accurate as the life logs accumulate. Thus, the reference model and the personalized lifestyle model evolve over time as it automatically reflects behavioral sequences that may change over time over time.

한편, 레퍼런스 모델링 장치(120)에서 레퍼런스 모델링 장치(120)에서 생성된 레퍼런스 모델과 개인화된 모델링 장치(130)에서 생성된 개인화된 생활습관 모델은 서비스를 위해 하나로 융합되어 서비스 장치(140)로 제공될 수도 있다.Meanwhile, the reference model generated by the reference modeling device 120 and the personalized lifestyle model generated by the personalized modeling device 130 in the reference modeling device 120 are merged into one for the service and provided to the service device 140 .

서비스 장치(140)는 레퍼런스 모델링 장치(120)로부터 수신하는 레퍼런스 모델과 개인화된 모델링 장치(130)로부터 수신하는 개인화된 생활습관 모델을 이용하여 수집되는 사용자의 현재 정보를 근거로 발생 가능한 사용자의 행동을 추정하고, 추정된 사용자의 행동이 사용자의 건강에 좋지 못한 영향을 주는지 확인한다.The service device 140 receives the reference model received from the reference modeling device 120 and the user behavior that can be generated based on the user's current information collected using the personalized lifestyle model received from the personalized modeling device 130 And verifies whether the estimated user's behavior has an adverse effect on the user's health.

확인결과 추정된 사용자의 행동이 사용자의 건강에 좋지 못한 영향을 주는 경우, 서비스 장치(140)는 추정된 사용자의 행동을 회피하도록 사용자를 유도할 수 있다. 이때, 서비스 장치(140)는 추정된 사용자의 행동을 회피하도록 하는 방법으로 직접적인 방법과 간접적인 방법을 사용할 수 있다.If the estimated user's behavior has an adverse effect on the user's health, the service device 140 can guide the user to avoid the estimated user's behavior. At this time, the service device 140 can use a direct method or an indirect method as a method for avoiding the estimated user's behavior.

직접적인 방법은 발생 가능한 사용자의 행동을 사용자에게 송신하여 사용자가 발생 가능한 행동을 직접 인지하고 회피할 수 있도록 하는 방법이다.The direct method is a method that allows the user to be able to recognize and avoid possible behaviors by sending possible actions of the user to the user.

간접적인 방법은 어너브트루시브(unobtrusive) 기법으로 사용자에게 어떤 행동을 지시하여 사전에 사용자의 행동이 발생하지 않도록 회피시키는 방법이다. 따라서, 간접적인 방법의 경우 사용자는 발생 가능한 행동을 인지하지 못하도록 할 수 있다.The indirect method is an unobtrusive method which instructs the user to do something to avoid the user's behavior in advance. Thus, in the indirect method, the user can be prevented from recognizing the possible actions.

예를 들어, 어떤 사용자의 개인화된 생활습관 모델을 확인해보니 기분이 나쁠 때, 집에 돌아가는 중에 위치한 고기집에서 고기를 폭식하는 행동 시퀀스를 가진고 있는 경우, 사용자의 현재 상태가 기분 나쁜 상태이고, 퇴근 중이고, 현재 사용자의 체중이 비만이면, 사용자에게 고기집이 없는 다른 경로를 추천함으로써 고기를 폭식하는 행동을 회피하도록 유도할 수 있다.For example, if you have identified a user's personalized lifestyle model, you are in a bad mood, and if you have a behavior sequence that bites meat in a meat home while you are at home, If the user is at work and the current weight of the user is obese, then the user can be encouraged to avoid other eating habits by recommending another route without meat.

또한, 사용자가 꽃 길을 걸을 때 기분이 좋아지는 행동 시퀀스를 추가로 가지고 있는 경우, 꽃 길을 경유하는 퇴근 경로 사용자에게 제공하여 사용자의 기분이 바뀌도록 유도할 수도 있다.In addition, if the user further has an action sequence that improves the mood when the user walks the flower road, the user may be guided to change the mood of the user by providing the user with a route to the exit route via the flower road.

도 2는 본 발명의 일 실시예에 따른 일반화된 라이프 스타일 모델링하는 레퍼런스 모델링 장치의 구성을 도시한 도면이다.2 is a diagram illustrating a configuration of a reference modeling apparatus for modeling a generalized lifestyle according to an embodiment of the present invention.

도 2를 참조하면, 레퍼런스 모델링 장치(120)는 제어부(210), 로그 수집부(212), 행동 시퀀스 획득부(214), 유사도 분석부(216), 레퍼런스 모델 생성부(218), 통신부(220) 및 저장부(230)를 포함할 수 있다.2, the reference modeling device 120 includes a control unit 210, a log collection unit 212, a behavior sequence acquisition unit 214, a similarity analysis unit 216, a reference model generation unit 218, 220 and a storage unit 230.

통신부(220)는 수신기(Receiver)와 송신기(transmitter)를 포함하는 통신 인터페이스 장치로서 유선 또는 무선으로 데이터를 송수신한다. 통신부(220)는 라이프 로그 수집 장치(110), 서비스 장치(140) 및 레퍼런스 모델 데이터베이스(170)와 통신할 수 있고, 라이프 로그를 제공하는 장치들과 직접 통신하여 라이프 로그를 수신할 수도 있다.The communication unit 220 is a communication interface device including a receiver and a transmitter, and transmits and receives data by wire or wireless. The communication unit 220 may communicate with the life log collection device 110, the service device 140, and the reference model database 170, and may directly communicate with the devices providing the life log to receive the life log.

저장부(230)는 레퍼런스 모델링 장치(120)의 전반적인 동작을 제어하기 위한 운영체제, 응용 프로그램 등을 저장하고, 또한 본 발명에 따라 수집된 라이프 로그와 생성된 레퍼런스 모델을 저장할 수 있다. 이때, 저장부(230)는 플래시 메모리, 하드 디스크 드라이브 등을 포함하는 스토리지 디바이스일 수 있다.The storage unit 230 may store an operating system, an application program, and the like for controlling the overall operation of the reference modeling device 120, and may also store the collected life log and the generated reference model according to the present invention. At this time, the storage unit 230 may be a storage device including a flash memory, a hard disk drive, and the like.

로그 수집부(212)는 라이프 로그를 수집하거나 또는 라이프 로그 수집 장치(110)에서 수집된 라이프 로그를 통신부(220)를 통해 수신할 수도 있다.The log collecting unit 212 may collect the life logs or the life logs collected by the life log collecting apparatus 110 through the communication unit 220.

행동 시퀀스 획득부(214)는 수집된 라이프 로그에서 행동 시퀀스를 추출한다.The action sequence acquiring unit 214 extracts the action sequence from the collected life log.

보다 상세히 설명하면, 행동 시퀀스 획득부(214)는 데이터 마이닝 기법을 이용하여 수집된 라이프 로그에서 자극사상, 인지, 정서, 행동 및 결과 중에서 적어도 하나를 가지는 행동 시퀀스를 추출한다. 이때, 자극사상, 인지, 정서, 행동 및 결과를 가지는 행동 시퀀스는 아래 <표 1>의 예와 같이 표현될 수 있다.More specifically, the action sequence acquiring unit 214 extracts a behavior sequence having at least one of stimulus mapping, perception, emotion, action, and result in the collected life log using a data mining technique. At this time, an action sequence having stimulation ideation, cognition, emotion, action, and result can be expressed as shown in the example of Table 1 below.

[표 1][Table 1]

Figure pat00001
Figure pat00001

행동 시퀀스 획득부(214)는 수집된 라이프 로그에서 행동 시퀀스를 추출할 수도 있지만, 사용자 또는 전문가(심리학자 등)로부터 행동 시퀀스를 수신할 수도 있다.The action sequence acquiring unit 214 may extract an action sequence from the collected life log, but may also receive an action sequence from a user or an expert (such as a psychologist).

유사도 분석부(216)는 행동 시퀀스 획득부(214)를 통해 획득된 행동 시퀀스 간의 유사도를 분석한다.The similarity analyzing unit 216 analyzes the similarity between the action sequences obtained through the action sequence obtaining unit 214. [

보다 상세히 설명하면, 유사도 분석부(216)는 기설정된 시간 내에서 발생되었는지 여부 및 행동 시퀀스에 포함된 정보를 동일 여부 중에서 적어도 하나를 이용하여 추출된 행동 시퀀스 간의 유사도를 평가할 수 있다.In more detail, the similarity analyzer 216 may evaluate the similarity between the extracted behavior sequences using at least one of whether information is generated within a predetermined time and information included in the behavior sequence.

레퍼런스 모델 생성부(218)는 시퀀스 정렬(sequence alignment) 기법을 이용하여 행동 시퀀스를 정렬하여 레퍼런스 모델을 생성한다.The reference model generation unit 218 generates a reference model by aligning the action sequence using a sequence alignment technique.

보다 상세히 설명하면, 레퍼런스 모델 생성부(218)는 추출된 행동 시퀀스의 유사도를 이용하여 유사도가 높은 행동 시퀀스를 트리 형태로 연결하여 온톨로지 형태의 레퍼런스 모델을 생성할 수 있다.More specifically, the reference model generation unit 218 can generate an ontology-type reference model by linking action sequences having high similarity in a tree form, using the similarity of the extracted action sequences.

도 7은 본 발명의 일 실시예에 따라 생성된 레퍼런스 모델의 예를 도시한 도면이다.7 is a diagram illustrating an example of a reference model generated according to an embodiment of the present invention.

도 7은 상기 <표 1>의 행동 시퀀스를 레퍼런스 모델로 생성한 예로 도 7을 참조하면 레퍼런스 모델은 트리 형태의 온톨로지 모델로 구성됨을 확인할 수 있다.FIG. 7 shows an example in which the action sequence of Table 1 is generated as a reference model. Referring to FIG. 7, it can be seen that the reference model is composed of a tree-shaped ontology model.

레퍼런스 모델 생성부(218)에서 적용하는 시퀀스 정렬 기법은 바이오 인포 매틱스 분야에서 염기 서열의 유사도 분석에 주로 사용되는 기법으로 본 발명에서는 아래 <표 2>와 같이 변형하여 적용할 수 있다.The sequence alignment technique applied by the reference model generator 218 is a technique that is mainly used for analyzing the similarity of base sequences in the field of bioinformatics. In the present invention, the sequence alignment technique can be modified as shown in Table 2 below.

[표 2][Table 2]

Figure pat00002
Figure pat00002

제어부(210)는 레퍼런스 모델링 장치(120)의 전반적인 동작을 제어할 수 있다. 그리고, 제어부(210)는 로그 수집부(212), 행동 시퀀스 획득부(214), 유사도 분석부(216) 및 레퍼런스 모델 생성부(218)의 기능을 수행할 수 있다. 제어부(210), 로그 수집부(212), 행동 시퀀스 획득부(214), 유사도 분석부(216) 및 레퍼런스 모델 생성부(218)를 구분하여 도시한 것은 각 기능들을 구별하여 설명하기 위함이다. 따라서 제어부(210)는 로그 수집부(212), 행동 시퀀스 획득부(214), 유사도 분석부(216) 및 레퍼런스 모델 생성부(218) 각각의 기능을 수행하도록 구성된(configured) 적어도 하나의 프로세서를 포함할 수 있다. 또한, 제어부(210)는 로그 수집부(212), 행동 시퀀스 획득부(214), 유사도 분석부(216) 및 레퍼런스 모델 생성부(218) 각각의 기능 중 일부를 수행하도록 구성된(configured) 적어도 하나의 프로세서를 포함할 수 있다.The control unit 210 may control the overall operation of the reference modeling device 120. [ The control unit 210 may perform the functions of the log collection unit 212, the action sequence acquisition unit 214, the similarity analysis unit 216, and the reference model generation unit 218. The control unit 210, the log collecting unit 212, the action sequence obtaining unit 214, the similarity analyzing unit 216, and the reference model generating unit 218 are separately described for distinguishing the respective functions. The control unit 210 includes at least one processor configured to perform the functions of the log collection unit 212, the behavior sequence acquisition unit 214, the similarity analysis unit 216, and the reference model generation unit 218 . The control unit 210 may be configured to perform at least one of the functions of the log collecting unit 212, the behavior sequence obtaining unit 214, the similarity analyzing unit 216, and the reference model generating unit 218, Of processors.

도 3은 본 발명의 일 실시예에 따른 개인화된 라이프 스타일 모델링하는 개인화된 모델링 장치의 구성을 도시한 도면이다.3 is a diagram illustrating a personalized modeling apparatus for personalized lifestyle modeling according to an embodiment of the present invention.

도 3을 참조하면, 개인화된 모델링 장치(130)는 제어부(310), 로그 수집부(312), 행동 시퀀스 획득부(314), 성향 분석부(316), 생활습관 모델 생성부(318), 통신부(320) 및 저장부(330)를 포함할 수 있다.3, the personalized modeling device 130 includes a control unit 310, a log collection unit 312, an action sequence acquisition unit 314, a propensity analysis unit 316, a lifestyle model generation unit 318, A communication unit 320 and a storage unit 330. [

통신부(320)는 수신기(Receiver)와 송신기(transmitter)를 포함하는 통신 인터페이스 장치로서 유선 또는 무선으로 데이터를 송수신한다. 통신부(320)는 라이프 로그 수집 장치(110), 서비스 장치(140) 및 생활습관 모델 데이터베이스(180)와 통신할 수 있고, 라이프 로그를 제공하는 장치들과 직접 통신하여 라이프 로그를 수신할 수도 있다.The communication unit 320 is a communication interface device including a receiver and a transmitter, and transmits and receives data by wire or wireless. The communication unit 320 may communicate with the life log collection device 110, the service device 140, and the lifestyle model database 180, and may directly communicate with the devices providing the life log to receive the life log .

저장부(330)는 개인화된 모델링 장치(130)의 전반적인 동작을 제어하기 위한 운영체제, 응용 프로그램 등을 저장하고, 또한 본 발명에 따라 수집된 라이프 로그와 생성된 개인화된 생활습관 모델을 저장할 수 있다. 이때, 저장부(330)는 플래시 메모리, 하드 디스크 드라이브 등을 포함하는 스토리지 디바이스일 수 있다.The storage unit 330 stores an operating system, an application program, and the like for controlling the overall operation of the personalized modeling device 130, and can also store the collected life log and the generated personalized lifestyle model according to the present invention . At this time, the storage unit 330 may be a storage device including a flash memory, a hard disk drive, and the like.

로그 수집부(312)는 라이프 로그를 수집하거나 또는 라이프 로그 수집 장치(110)에서 수집된 라이프 로그를 통신부(320)를 통해 수신할 수도 있다.The log collecting unit 312 may collect the life logs or receive the life logs collected by the life log collecting apparatus 110 through the communication unit 320. [

행동 시퀀스 획득부(314)는 수집된 라이프 로그에서 개인별 행동 시퀀스를 추출한다. 보다 상세히 설명하면, 행동 시퀀스 획득부(314)는 데이터 마이닝 기법을 이용하여 수집된 라이프 로그에서 개인별로 기설정된 횟수 이상 반복되는 행동 패턴을 검색하여 개인별 행동 시퀀스로 추출할 수 있다.The action sequence acquisition unit 314 extracts the individual action sequence from the collected life logs. In more detail, the behavior sequence acquiring unit 314 may search for a behavior pattern repeated more than a predetermined number of times for each individual in the collected life log using a data mining technique, and extract the individual behavior sequences.

한편, 행동 시퀀스 획득부(314)는 수집된 라이프 로그에서 행동 시퀀스를 추출할 수도 있지만, 사용자 또는 전문가로부터 행동 시퀀스를 수신할 수도 있다.Meanwhile, the action sequence acquiring unit 314 may extract an action sequence from the collected life log, but may also receive an action sequence from a user or an expert.

성향 분석부(316)는 수집된 라이프 로그를 이용하여 개인별 성향을 분석한다. 보다 상세히 설명하면, 성향 분석부(316)는 수집된 라이프 로그에 포함된 개인별 소셜 네트워크에서의 활동정보에서 각 개인의 관심사, 취향, 식습관, 활동성 등을 파악하여 개인별 성향을 분석한다. 이때, 소셜 네트워크에서의 활동정보는 소셜 네트워크의 접속 횟수, 방문하는 대상, 등록된 친구의 수, 올린 글의 횟수, 답변횟수, 올린 글의 문맥분석 등을 포함할 수 있다.The propensity analyzing unit 316 analyzes individual propensity using the collected life log. In more detail, the propensity analyzing unit 316 analyzes the individual propensity by understanding the interests, tastes, eating habits, activities, and the like of each individual from the activity information on the individual social network included in the collected life log. At this time, the activity information on the social network may include the number of connections of the social network, the object to be visited, the number of registered friends, the number of uploaded articles, the number of responses, and the context analysis of the uploaded article.

행동 시퀀스 획득부(314)와 성형 분석부(316)는 대용량의 라이프 로그를 분석하기 위하여 분산 컴퓨팅 기술인 Hadoop, MapReduce 기술을 이용할 수 있다. 즉, 행동 시퀀스 획득부(314)와 성형 분석부(316)는 Hadoop 시스템을 통하여 개인의 행동 시퀀스를 저장 및 관리하고, MapReduce를 통하여 분석 기술을 분산 처리할 수도 있다.The behavior sequence acquisition unit 314 and the shaping analysis unit 316 can use the distributed computing technology Hadoop and MapReduce technology to analyze a large-capacity lifelog. That is, the behavior sequence acquisition unit 314 and the shaping analysis unit 316 may store and manage an individual's behavior sequence through the Hadoop system, and distribute analysis techniques through MapReduce.

생활습관 모델 생성부(318)는 성향이 유사한 사용자의 행동 시퀀스를 연결하여 성향 별로 개인화된 생활습관 모델을 생성한다.The lifestyle model generation unit 318 generates lifestyle models that are personalized according to the tendencies by connecting action sequences of users having similar tendencies.

보다 상세히 설명하면, 생활습관 모델 생성부(318)는 성향이 유사한 사용자의 행동 시퀀스들 간의 유사도를 분석하고, 유사도가 높은 행동 시퀀스를 트리 형태로 연결하여 온톨로지 형태의 개인화된 생활습관 모델을 성향 별로 생성할 수 있다.More specifically, the lifestyle model generation unit 318 analyzes the similarities between the behavior sequences of users having similar inclinations, connects the high-similarity action sequences to the tree form, and displays the personalized lifestyle model of the ontology type on the basis of the inclinations Can be generated.

한편, 개인이 자신의 결정이나 행동에 대하여 특정한 휴리스틱을 사용하며, 이 휴리스틱을 이용하여 개인 생활습관 모델의 적합성 검증이 필요하다.On the other hand, individuals use specific heuristics for their decisions and behaviors, and it is necessary to verify the suitability of personal lifestyle models using this heuristic.

개인 생활습관 모델의 적합성 검증은 심리학, 생리학자들이 이미 고안한 개인의 휴리스틱을 사용하여 각 개인의 휴리스틱을 파악하고, 개인의 휴리스틱 파악을 위한 방법으로 설문 조사 등을 이용하여 개인의 휴리스틱과 개인 생활습관 모델의 적합성을 확인할 수 있다.The validation of the personal lifestyle model is based on the heuristic of each individual by using the heuristic of the individual who has already been designed by psychologists and physiologists, and the method of the heuristic of the individual, The suitability of the habit model can be confirmed.

그리고, 사용자의 개인 생활습관 모델과 휴리스틱간의 연관성을 파악하고, 휴리스틱을 바탕으로 개인 생활습관 모델의 적합성을 판정(심리학, 생리학자와 연계)하고, 휴리스틱을 분석하여 개인 생활습관 모델을 재조정할 수 있다.Then, we can grasp the relation between the user's personal lifestyle model and heuristic, judge the suitability of personal lifestyle model based on heuristic (associate with psychology, physiologist) and analyze heuristic to re-adjust personal lifestyle model have.

하지만, 사용자 또는 전문가의 개입을 최소화하는 방안으로 기존 축적된 행동 시퀀스와 개인 생활습관 모델을 통하여 개인의 휴리스틱을 추정하고, 동일하거나 유사한 휴리스틱을 가진 사용자의 행동 시퀀스를 검색하여 개인 생활습관 모델간의 유사 패턴을 도출하여 개인 생활습관 모델의 적합성 검증하는 방법이 바람직하겠다.However, to minimize the intervention of the user or the expert, the heuristic of the individual is estimated through the existing accumulated behavior sequence and the personal lifestyle model, and the behavior sequence of the user having the same or similar heuristic is searched, It is desirable that a method of verifying fitness of a personal lifestyle model by deriving a pattern is desirable.

제어부(310)는 개인화된 모델링 장치(130)의 전반적인 동작을 제어할 수 있다. 그리고, 제어부(310)는 로그 수집부(312), 행동 시퀀스 획득부(314), 성향 분석부(316) 및 생활습관 모델 생성부(318)의 기능을 수행할 수 있다. 제어부(310), 로그 수집부(312), 행동 시퀀스 획득부(314), 성향 분석부(316) 및 생활습관 모델 생성부(318)를 구분하여 도시한 것은 각 기능들을 구별하여 설명하기 위함이다. 따라서 제어부(310)는 로그 수집부(312), 행동 시퀀스 획득부(314), 성향 분석부(316) 및 생활습관 모델 생성부(318) 각각의 기능을 수행하도록 구성된(configured) 적어도 하나의 프로세서를 포함할 수 있다. 또한, 제어부(310)는 로그 수집부(312), 행동 시퀀스 획득부(314), 성향 분석부(316) 및 생활습관 모델 생성부(318) 각각의 기능 중 일부를 수행하도록 구성된(configured) 적어도 하나의 프로세서를 포함할 수 있다.The control unit 310 can control the overall operation of the personalized modeling device 130. [ The control unit 310 may perform the functions of the log collection unit 312, the behavior sequence acquisition unit 314, the propensity analysis unit 316, and the lifestyle model generation unit 318. The functions of the control unit 310, the log collection unit 312, the action sequence acquisition unit 314, the propensity analysis unit 316, and the lifestyle model generation unit 318 are separately described to distinguish the functions . Accordingly, the control unit 310 includes at least one processor configured to perform the functions of the log collection unit 312, the behavior sequence acquisition unit 314, the propensity analysis unit 316, and the lifestyle model generation unit 318, . &Lt; / RTI &gt; The control unit 310 may be configured to perform at least some of the functions of the log collection unit 312, the behavior sequence acquisition unit 314, the propensity analysis unit 316, and the lifestyle model generation unit 318, And may include one processor.

이하, 상기와 같이 구성된 본 발명에 따른 라이프 스타일 자율 케어 시스템에서 라이프 스타일을 관리하는 방법을 아래에서 도면을 참조하여 설명한다.Hereinafter, a method for managing lifestyle in the lifestyle autonomous care system according to the present invention will be described with reference to the drawings.

도 4는 본 발명의 일 실시예에 따른 라이프 스타일 자율 케어 시스템에서 라이프 스타일을 관리하는 과정을 도시한 흐름도이다.4 is a flowchart illustrating a lifestyle management process in the lifestyle autonomic care system according to an exemplary embodiment of the present invention.

도 4를 참조하면, 라이프 스타일 자율 케어 시스템(100)은 비밀 데이터(Private Data), 공개 데이터(Public Data), 개인 데이터(Personal Data), 익명 데이터(Anonymous Data), 접속 데이터(Connected Data) 및 센서 데이터(Sensor Data) 중에서 적어도 하나를 포함하는 라이프 로그를 수집한다(S410).Referring to FIG. 4, the lifestyle autonomic care system 100 includes a private data management server 100 for managing private data, public data, personal data, anonymous data, And the sensor data (S410).

그리고, 라이프 스타일 자율 케어 시스템(100)은 수집된 라이프 로그를 이용하여 레퍼런스 모델을 생성한다(S412). 이때, 라이프 스타일 자율 케어 시스템(100)은 수집된 라이프 로그에서 행동 시퀀스를 추출하고, 추출된 행동 시퀀스 간의 유사도를 분석하고, 시퀀스 정렬(sequence alignment) 기법을 이용하여 행동 시퀀스를 정렬하여 레퍼런스 모델을 생성할 수 있다. 레퍼런스 모델을 생성하는 보다 상세한 설명은 이후 도 5를 참조하여 후술한다.Then, the lifestyle autonomic care system 100 generates a reference model using the collected life logs (S412). At this time, the lifestyle autonomic care system 100 extracts a behavior sequence from the collected life logs, analyzes the similarity between the extracted behavior sequences, and aligns the behavior sequence using a sequence alignment technique to obtain a reference model Can be generated. A more detailed description of creating the reference model will be described below with reference to FIG.

그리고, 라이프 스타일 자율 케어 시스템(100)은 수집된 라이프 로그를 이용하여 개인별 성향을 분석하고, 성향 별로 개인화된 생활습관 모델을 생성한다(S414). Then, the lifestyle autonomic care system 100 analyzes personal tendencies using the collected life logs, and generates a personalized lifestyle model according to inclinations (S414).

이때, 라이프 스타일 자율 케어 시스템(100)은 데이터 마이닝 기법을 이용하여 수집된 라이프 로그에서 개인별로 기설정된 횟수 이상 반복되는 행동 패턴을 개인별 행동 시퀀스로 추출하고, 수집된 라이프 로그에 포함된 개인별 소셜 네트워크에서의 활동정보를 분석하여 개인별 성향을 분석하고, 성향이 유사한 사용자의 행동 시퀀스를 연결하여 성향 별로 개인화된 생활습관 모델을 생성할 수 있다. 개인화된 생활습관 모델을 생성하는 보다 상세한 설명은 이후 도 6을 참조하여 후술한다.At this time, the lifestyle autonomic care system 100 extracts a behavior pattern that repeats more than a predetermined number of times in the collected life log by using a data mining technique, as an individual action sequence, Analyzing individual activity information by analyzing the activity information in the user, and linking the behavior sequences of users having similar tendencies, thereby generating a personalized lifestyle model based on the tendencies. A more detailed description of creating a personalized lifestyle model will be described below with reference to FIG.

그리고, 라이프 스타일 자율 케어 시스템(100)은 레퍼런스 모델과 개인화된 생활습관 모델에 수집되는 사용자의 현재 정보를 반영하여 발생 가능한 사용자의 행동을 추정한다(S416).In addition, the lifestyle autonomic care system 100 estimates the user behavior that can be generated by reflecting the current information of the user collected in the reference model and the personalized lifestyle model (S416).

그리고, 라이프 스타일 자율 케어 시스템(100)은 추정된 사용자의 행동이 사용자의 건강에 좋지 못한 영향을 주는지 확인한다(S418).Then, the lifestyle autonomic care system 100 checks whether the estimated user's behavior has an adverse effect on the user's health (S418).

S418단계의 확인결과 추정된 사용자의 행동이 사용자의 건강에 좋지 못한 영향을 주는 경우, 라이프 스타일 자율 케어 시스템(100)은 추정된 사용자의 행동을 회피하도록 사용자를 유도한다(S420).If it is determined in operation S418 that the estimated user's behavior has an adverse effect on the user's health, the lifestyle autonomic care system 100 induces the user to avoid the estimated user's behavior in operation S420.

이때, 라이프 스타일 자율 케어 시스템(100)은 추정된 사용자의 행동을 회피하도록 사용자를 유도하기 위해 발생 가능한 사용자의 행동을 사용자에게 송신하거나 또는 사용자에게 어떤 행동을 지시하여 사전에 사용자의 행동이 발생하지 않도록 할 수 있다.At this time, the lifestyle autonomic care system 100 transmits the user's action, which can be generated to induce the user to avoid the estimated user's behavior, or instructs the user to perform an action, .

도 5는 본 발명의 일 실시예에 따른 레퍼런스 모델링 장치에서 레퍼런스 모델을 생성하는 과정을 도시한 흐름도이다.5 is a flowchart illustrating a process of generating a reference model in a reference modeling apparatus according to an embodiment of the present invention.

도 5를 참조하면, 레퍼런스 모델링 장치(120)는 비밀 데이터(Private Data), 공개 데이터(Public Data), 개인 데이터(Personal Data), 익명 데이터(Anonymous Data), 접속 데이터(Connected Data) 및 센서 데이터(Sensor Data) 중에서 적어도 하나를 포함하는 라이프 로그를 수집한다(S510).Referring to FIG. 5, the reference modeling device 120 may include private data, public data, personal data, anonymous data, connected data, and sensor data And sensor data (S510).

그리고, 레퍼런스 모델링 장치(120)는 수집된 라이프 로그에서 행동 시퀀스를 추출한다(S520). 이때, 레퍼런스 모델링 장치(120)는 데이터 마이닝 기법을 이용하여 수집된 라이프 로그에서 자극사상, 인지, 정서, 행동 및 결과 중에서 적어도 하나를 가지는 행동 시퀀스를 추출할 수 있다.Then, the reference modeling device 120 extracts the action sequence from the collected life log (S520). At this time, the reference modeling device 120 can extract a behavior sequence having at least one of stimulus ideation, perception, emotion, behavior, and result in the collected life log using a data mining technique.

그리고, 레퍼런스 모델링 장치(120)는 추출된 행동 시퀀스 간의 유사도를 분석한다(S530). 이때, 레퍼런스 모델링 장치(120)는 기설정된 시간 내에서 발생되었는지 여부 및 행동 시퀀스에 포함된 정보를 동일 여부 중에서 적어도 하나를 이용하여 추출된 행동 시퀀스 간의 유사도를 평가하여 분석할 수 있다.Then, the reference modeling device 120 analyzes the similarity between the extracted action sequences (S530). At this time, the reference modeling device 120 can evaluate and analyze the similarity between the extracted action sequences by using at least one of whether or not the information is included within a predetermined time and information included in the action sequence.

그리고, 레퍼런스 모델링 장치(120)는 시퀀스 정렬(sequence alignment) 기법을 이용하여 행동 시퀀스를 정렬하여 레퍼런스 모델을 생성한다(S540). 이때, 레퍼런스 모델링 장치(120)는 추출된 행동 시퀀스의 유사도를 이용하여 유사도가 높은 행동 시퀀스를 트리 형태로 연결하여 온톨로지 형태의 레퍼런스 모델을 생성할 수 있다.Then, the reference modeling device 120 generates a reference model by aligning the action sequence using a sequence alignment technique (S540). At this time, the reference modeling device 120 may generate an ontology-type reference model by connecting action sequences having high similarity in a tree form using the similarity of the extracted action sequences.

도 6은 본 발명의 일 실시예에 따른 개인화된 모델링 장치에서 개인화된 생활습관 모델을 생성하는 과정을 도시한 흐름도이다.6 is a flowchart illustrating a process of generating a personalized lifestyle model in the personalized modeling apparatus according to an exemplary embodiment of the present invention.

도 6을 참조하면, 개인화된 모델링 장치(130)는 비밀 데이터(Private Data), 공개 데이터(Public Data), 개인 데이터(Personal Data), 익명 데이터(Anonymous Data), 접속 데이터(Connected Data) 및 센서 데이터(Sensor Data) 중에서 적어도 하나를 포함하는 라이프 로그를 수집한다(S610).Referring to FIG. 6, the personalized modeling device 130 may include private data, public data, personal data, anonymous data, connected data, And a sensor data (S610).

그리고, 개인화된 모델링 장치(130)는 수집된 라이프 로그에서 개인별 행동 시퀀스를 추출한다(S620). 이때, 개인화된 모델링 장치(130)는 데이터 마이닝 기법을 이용하여 수집된 라이프 로그에서 개인별로 기설정된 횟수 이상 반복되는 행동 패턴을 개인별 행동 시퀀스로 추출할 수 있다.Then, the personalized modeling device 130 extracts the individual action sequence from the collected life log (S620). At this time, the personalized modeling device 130 can extract a behavior pattern that is repeated more than a predetermined number of times by the individual action sequence in the collected life log using the data mining technique.

그리고, 개인화된 모델링 장치(130)는 수집된 라이프 로그를 이용하여 개인별 성향을 분석한다(S630). 이때, 개인화된 모델링 장치(130)는 수집된 라이프 로그에 포함된 개인별 소셜 네트워크에서의 활동정보를 분석하여 개인별 성향을 분석할 수 있다.Then, the personalized modeling device 130 analyzes individual tendencies using the collected life logs (S630). At this time, the personalized modeling device 130 may analyze activity information in individual social networks included in the collected life log, and analyze personal tendencies.

그리고, 개인화된 모델링 장치(130)는 성향이 유사한 사용자의 행동 시퀀스를 연결하여 성향 별로 개인화된 생활습관 모델을 생성한다(S640). 이때, 개인화된 모델링 장치(130)는 성향이 유사한 사용자의 행동 시퀀스들 간의 유사도를 분석하고, 유사도가 높은 행동 시퀀스를 트리 형태로 연결하여 온톨로지 형태의 개인화된 생활습관 모델을 성향 별로 생성할 수 있다.Then, the personalized modeling device 130 links the behavior sequences of users having similar tendencies to generate personalized lifestyle models according to inclinations (S640). At this time, the personalized modeling device 130 analyzes the similarities between the behavior sequences of users having similar tendencies, and connects the action sequences having high similarity in the form of a tree, thereby generating a personalized lifestyle model of the ontology type for each of the inclinations .

도 8은 본 발명의 일 실시예에 따른 라이프스타일 데이터 관리 시스템(800)의 구성을 도시한 도면이다.FIG. 8 is a diagram illustrating a configuration of a lifestyle data management system 800 according to an embodiment of the present invention.

도 8을 참조하면, 라이프스타일 데이터 관리 시스템(800)은 로그 수집부(810), 전처리부(820), 메타데이터 생성부(830) 및 메타데이터 저장부(840)를 포함할 수 있다.8, the lifestyle data management system 800 may include a log collection unit 810, a preprocessing unit 820, a metadata generation unit 830, and a metadata storage unit 840.

이때, 로그 수집부(810)는 크롤링(crawling) 기법을 기반으로 웹 상의 데이터 및 문서에서 개인의 정보를 수집할 수 있고, 소셜 네트워크(페이스북, 트위터 등) 상의 개인의 정보를 수집할 수 있다. 이때, 소셜 네트워크에서의 상의 개인의 정보는 소셜 네트워크의 접속 횟수, 방문하는 대상, 등록된 친구의 수, 올린 글의 횟수, 답변횟수, 올린 글의 문맥분석 등을 포함할 수 있다. 개인의 라이프 로그를 파악하기 위하여 개인의 소비패턴, 위치 정보, 개인의 이동 경로 등을 다수의 데이터를 기반으로 하여 개인의 라이프 로그를 수집할 수 있다. At this time, the log collecting unit 810 can collect personal information from data and documents on the web based on a crawling technique, and collect personal information on a social network (Facebook, Twitter, etc.) . At this time, the personal information of the social network may include the number of connections of the social network, the object to be visited, the number of registered friends, the number of uploaded articles, the number of responses, and the context analysis of the uploaded article. In order to grasp an individual's life log, an individual's life log can be collected based on a plurality of data such as an individual's consumption pattern, location information, and personal movement route.

또한, 로그 수집부(810)는 비밀 데이터(Private Data) 관리서버(151), 공개 데이터(Public Data) 관리서버(152), 개인용 컴퓨터(153), 스마트 폰(154), 스마트 안경(155), 스마트 시계(157), 자전거(158), 런닝머신(159), 자동차(160) 등과 통신하여 라이프 로그를 수집할 수 있다.The log collection unit 810 includes a private data management server 151, a public data management server 152, a personal computer 153, a smart phone 154, smart glasses 155, The smart clock 157, the bicycle 158, the treadmill 159, the car 160, and the like to collect life logs.

이때, 라이프 로그는 비밀 데이터(Private Data), 공개 데이터(Public Data), 개인 데이터(Personal Data), 익명 데이터(Anonymous Data), 접속 데이터(Connected Data) 및 센서 데이터(Sensor Data) 중에서 적어도 하나를 포함할 수 있으며, 이에 대한 더 자세한 설명은 상기에 설명했으므로 이하 생략하기로 한다.At this time, the life log stores at least one of private data, public data, personal data, anonymous data, connected data, and sensor data. And a detailed description thereof has been described above, so that the following description is omitted.

전처리부(820)는 로그 수집부(810)로부터 수집된 라이프 로그를 수신하고, 수집된 라이프 로그를 자가 생성한 규칙을 기법을 이용하여 라이프 로그를 필터링하여 개인별 생활습관 데이터를 생성한다.The preprocessing unit 820 receives the life log collected from the log collecting unit 810 and generates personal lifestyle data by filtering the life log using a rule generated by the collected life log.

이때, 자가 생성한 규칙을 기법은 머신 러닝기법에 기반하여 적응적으로 조정이 가능하다. At this time, the self - generated rules can be adaptively adjusted based on the machine learning technique.

메타데이터 생성부(830)는 전처리부(820)로부터 필터링된 개인별 생활 습관 데이터의 특성을 파악하고 별로 동적인 데이터 디스크립션을 포함하는 개인별 생활 습관 메타데이터를 생성한다.The metadata generation unit 830 grasps the characteristics of the individual lifestyle data filtered by the preprocessing unit 820 and generates individual lifestyle metadata including the dynamic data description.

이때, 개인별 생활 습관 데이터의 특성은 데이터의 출처와 데이터가 나타내는 정보의 종류를 종합적으로 의미하는 것이다. 그 예로는 도메인, 공개 웹 데이터, Sensory 데이터, 통신 데이터, 소셜 컴퓨팅 데이터, 공개 / 비밀 데이터, 유틸리티 사용 데이터, 시스템 로그 등으로 특성에 대해 설명할 수 있다.In this case, the characteristics of individual lifestyle data collectively mean the source of data and the kinds of information represented by the data. Examples include domains, public Web data, Sensory data, communication data, social computing data, public / confidential data, utility usage data, and system logs.

메타데이터 저장부(840)는 메타데이터 생성부(830)로부터 생성된 메타데이터의 개체 간 링크를 추출하여 추출된 링크를 기반으로 연결된 데이터베이스 구조를 구현하여 저장한다. The metadata storage unit 840 extracts inter-entity links of the metadata generated by the metadata generation unit 830, and stores and implements a connected database structure based on the extracted links.

도 9는 본 발명의 일 실시예에 따른 로그 수집부(810) 및 전처리부(820)에서 개인별 생활습관 데이터를 생성하는 과정의 예를 도시한 도면이다.9 is a diagram illustrating an example of a process of generating personal lifestyle data in the log collection unit 810 and the preprocessing unit 820 according to an embodiment of the present invention.

도 9를 참조하면, 라이프 로그를 수집한 로그 수집부(810)로부터 수집된 라이프 로그를 수신하여, 머신 러닝 기반의 자가 생성한 규칙을 이용하여 라이프 로그를 필터링하여 개인별 생활습관 데이터를 생성한다.Referring to FIG. 9, the life log collected from the log collection unit 810 that collects the life log is received, and the life log data is generated by filtering the life log using the rule generated by the machine learning based user.

이 때 로그 수집부(810)는 크롤링(crawling) 기법을 이용하여 퍼블릭 웹 데이터 및 로그로부터 개인의 생활습관에 관련된 raw data를 수집할 수 있다. 이 때 로그 수집부(810)가 수집하는 raw data의 종류에 따라 이후의 과정에서 다루어지는 도메인이 분류된다. Sensory 데이터(인간의 감각 데이터), 커뮤니케이션 데이터는 데이터 스트림 및 오픈 API를 통하여 축적되고, 소셜 컴퓨팅 데이터, 공개/비밀 데이터, 유틸리티 사용 데이터, 시스템 로그 데이터 등은 벌크 데이터셋(Bulk Dataset)의 형태로 수집되어 전처리부(820)로 전달될 수 있다.At this time, the log collecting unit 810 can collect raw data related to personal lifestyle from the public web data and logs by using a crawling method. At this time, the domain to be handled in the following process is classified according to the kind of raw data collected by the log collecting unit 810. Sensory data (human sense data) and communication data are accumulated through a data stream and an open API, and social computing data, open / secret data, utility usage data, and system log data are stored in the form of a bulk data set And may be collected and transferred to the preprocessing unit 820.

이처럼 로그 수집부(810)에서 수집되는 raw data의 도메인에 따라서 편집되고 전처리부(820)로 이관되는 방법이 다양하게 결정될 수 있다.The method of editing the data according to the domain of the raw data collected in the log collecting unit 810 and transferring it to the preprocessing unit 820 can be variously determined.

전처리부(820)에서는 미리 결정된 규칙(rule)에 의하여 텍스트 문맥 패턴(Text Context Pattern)을 추출하거나, HTML-URL 문맥 패턴을 추출하거나, 변형 분류(Morphology Classifier)를 적용하여 raw data를 정리하고 필터링할 수 있다. 이러한 전처리 과정은 자가 생성된(self-generated) 규칙에 의하여 실행될 수 있고, 자가 생성된 규칙은 규칙 학습자(Rule Learner)에 의하여 머신 러닝 기법에 의하여 스스로 학습되어 추가되거나 제외될 수 있고, 강화되거나 보완될 수 있다.The preprocessing unit 820 extracts a text context pattern according to a predetermined rule, extracts an HTML-URL context pattern, applies a morphology classifier, can do. This preprocessing process can be executed by self-generated rules, self-generated rules can be learned or added by machine learning technique by rule learners, and can be enhanced or supplemented .

이때, 전처리부(820)는 인위적인 외부 개입을 최소화하고 다차원적인 분석 기법을 제공하기 위해서, 수집된 라이프 로그의 원본 데이터의 각 항목 간의 커플링 조건을 자가 생성한 규칙의 일부로서 적용하여, 다차원적으로 분석할 데이터의 특성을 파악하여, 개인별 생활습관 데이터를 생성할 수 있다. 도 9를 참조하면, 이때 자가 생성된 규칙은 라이프스타일 특성 증강 모델(Lifestyle Feature Augmentation Model)과 커플링 조건(Coupling Constraints)에 함께 적용되는 규칙임이 도시된다. 라이프스타일 특성 증강 모델은 Lifestyle의 특성에 맞는 데이터를 Domain Specific한 형태로 추출하기 위한 모델이며, Rule이 반복적으로 적용되어 학습됨에 따라서 Domain Adaptation이 이루어지고, Lifestyle Feature와 Domain 간의 관계도 증강될 수 있다. 원본 데이터의 각 항목 간의 커플링 조건은 라이프스타일 특성과 원본 데이터의 도메인 간의 커플링에 관한 조건이며 원본 데이터의 필터링에 기반하여 얻어질 수 있고, 규칙 학습자(Rule Learner)에 의하여 머신 러닝이 적용되어 강화되거나 보완될 수 있다.In order to minimize the artificial external intervention and to provide a multidimensional analysis technique, the preprocessing unit 820 applies the coupling condition between each item of the collected original life log data as a part of self-generated rules, It is possible to generate individual lifestyle data by grasping the characteristics of the data to be analyzed. Referring to FIG. 9, a self-generated rule at this time is a rule applied together with a Lifestyle Feature Augmentation Model and Coupling Constraints. The Lifestyle Feature Enhancement Model is a model for extracting data that conforms to the characteristics of lifestyle in a domain specific form. As the rule is repeatedly applied, domain adaptation is performed, and the relationship between Lifestyle Feature and Domain can also be enhanced . The coupling condition between each item of original data is a condition regarding the coupling between the lifestyle characteristics and the domain of the original data and can be obtained based on the filtering of the original data and the machine learning is applied by the rule learner Can be enhanced or supplemented.

도 10은 본 발명의 일 실시예에 따른 메타데이터 생성부(830)에서 개인별 생활습관 메타데이터를 생성하는 과정의 예를 도시한 도면이다.10 is a diagram illustrating an example of a process of generating personal lifestyle metadata in the metadata generation unit 830 according to an embodiment of the present invention.

도 10을 참조하면, 메타데이터 생성부(830)는 전처리부(820)로부터 필터링된 개인별 생활습관 데이터에 대한 학습 과정을 통하여 개인별 생활 습관 데이터를 분류할 수 있다.Referring to FIG. 10, the metadata generation unit 830 may classify individual lifestyle data through a learning process on individual lifestyle data filtered from the preprocessing unit 820.

그리고, 개인별 생활습관 데이터에 대한 컨텍스트 패턴을 추출하고, 개인별 생활습관 데이터의 특성 별로 동적인 데이터 디스크립션를 포함하는 개인별 생활습관 메타데이터를 생성한다.Then, context patterns for individual lifestyle data are extracted, and individual lifestyle metadata including dynamic data descriptions are generated according to characteristics of individual lifestyle data.

메타데이터 생성부(830)는 추출된 컨텍스트 패턴으로부터 컨텐츠 관련된 정보, 서비스 관련된 정보, 사용자 관련된 정보, 커뮤니티 관련된 정보를 추출하여 이들 추출된 정보에 대한 동적인 데이터 디스크립션을 생성할 수 있다. The metadata generating unit 830 may extract content related information, service related information, user related information, and community related information from the extracted context pattern and generate a dynamic data description for the extracted information.

이 때 개인별 생활습관 데이터의 특성이라 함은 도메인 등에 의하여 분류될 수 있음은 앞에서 설명한 바와 같다. 데이터의 특성 및 도메인에 관한 예로는 raw data의 수집된 경로, 즉, 공개/비밀 데이터인지, 유틸리티의 측정 데이터인지, 소셜 컴퓨팅 데이터인지에 따라서 특성 및 도메인이 구분될 수도 있으며, 또 다른 실시예로는 컨텐츠 관련 데이터인지, 서비스 관련 데이터인지, 사용자 관련 데이터인지, 커뮤니티 관련 데이터인지에 따라서 특성 및 도메인이 구분될 수도 있다.In this case, the characteristics of the individual lifestyle data can be classified by the domain or the like as described above. Examples of characteristics and domains of data may be divided into characteristics and domains depending on whether the collected data is raw data, that is, whether it is public / secret data, utility measurement data, or social computing data. In another embodiment May be divided into characteristics and domains depending on whether they are content related data, service related data, user related data, or community related data.

메타데이터 생성부(830)에 의하여 생성된 디스크립션은 디스크립션 매니저에 의하여 패키징, 추출, 수집 및 변환의 과정을 거쳐 데이터베이스에 저장될 수 있는 형태로 변환될 수 있다. 이 때 추출 과정은 디스크립션으로부터 유의미한 데이터를 추출하는 과정이고, 패키징, 수집 및 변환의 과정은 파일의 형식 상 헤더(header), 테일(tail) 등을 부가하여 용이하게 편집 가능한 형태로 변환하는 과정을 의미할 수 있다.The description generated by the metadata generating unit 830 may be converted into a form that can be stored in the database through the description manager after the process of packaging, extraction, collection, and conversion. In this case, the extraction process is a process of extracting meaningful data from the description, and the process of packaging, collecting, and transforming is a process of converting a format of a file into an easily editable form by adding a header, a tail, It can mean.

디스크립션 데이터는 태그 기반 디스크립션(Tag based description), 메타데이터 디스크립션, 풀 데이터 디스크립션(Full data description), 등의 형태를 취할 수 있으며, 각각의 특성에 따라서 Key Value Store, Column Store, Document Store, Graphic Store 등의 저장소로 분류되어 저장될 수 있다.The description data may take the form of a tag based description, a metadata description, a full data description, etc. Depending on the characteristics, the description data may include a key value store, a column store, a document store, a graphic store And the like.

도 11은 본 발명의 일 실시예에 따른 개인별 생활습관 메타데이터에 링크를 기반으로 연결된 데이터베이스 구조의 예를 도시한 도면이다.11 is a diagram illustrating an example of a database structure linked to individual lifestyle metadata based on a link according to an embodiment of the present invention.

도 11를 참조하면, 메타데이터 저장부(840)는 메타데이터 생성부(830)로부터, 생성된 개인별 생활습관 메타데이터를 머신 러닝 기법을 기반하여, 비정형 정보에서 구조 정보를 추출하고, 구조정보와 라이프스타일 컨텍스트를 맞추어 메타데이터의 개체 간 링크를 추출하는데, 개체 간 링크에서 개체는 필터링으로 인하여 유의미한 정보로 판정된 각각의 데이터들을 말한다. 예를 들어서, 개인이 자신의 블로그 등 소셜 네트워크 상에 서술한 본인의 심정에 관련된 글, 개인의 이동한 경로(위치 추적으로부터 얻은 정보), 개인의 금융정보 등의 데이터들이 각각의 개체라고 할 수 있다. 또한, 개체 간 링크는 소셜 네트워크 상에 서술한 본인의 심정에 관한 글과, 개인의 쇼핑 정보(개인의 금융정보)의 시간이 일정 범위 내에서 정보가 일치한다면 각각의 개체 간의 링크가 발생하는 것으로 볼 수 있다.11, the metadata storage unit 840 extracts the structure information from the irregular information based on the generated personal lifestyle metadata from the metadata generation unit 830 based on the machine learning technique, The link between entities of metadata is extracted according to the lifestyle context. In an inter-entity link, an entity refers to individual data determined as meaningful information due to filtering. For example, data such as an article related to a person's feelings described by a person on a social network such as his / her blog, an individual's traveled path (information obtained from location tracking), personal financial information, have. In addition, a link between entities generates links between respective articles if the information about the person's feelings described on the social network and the information of personal shopping information (personal financial information) match within a certain range can see.

그리고, 추출된 링크를 기반으로 연결된 데이터베이스 구조를 구현하여 저장하고, 개인별 생활습관 메타데이터가 저장되는 공간을 저장소라고 하는데, 이 저장소의 특성에 따른 맞춤형 형식으로 저장이 된다.Then, the connected database structure is implemented and stored based on the extracted link, and the space in which the personal lifestyle metadata is stored is called a storage, which is stored in a customized format according to the characteristics of the storage.

그리고, 메타데이터 저장부(840)는 라이프스타일 데이터 관리 시스템(800)에서 다루는 모든 이질적 데이터를 통합 관리하는 시스템을 더 포함할 수 있다.The metadata storage unit 840 may further include a system for integrally managing all the heterogeneous data handled by the lifestyle data management system 800.

라이프스타일 데이터의 카테고리(또는 도메인)에 따른 분류는 에너지(Energy), 엔터테인먼트(Entertainment), 업무(Working), 생활(Living), 이동(Mobility), 보살핌(Caring), 통신(Communication) 등으로 구분될 수 있으며, 각 카테고리 별로 개별 데이터 간의 링크가 발생하는 경우 이를 시스템(800)이 파악하고 추출하여 데이터베이스 상에 저장한다.Classification by lifestyle data category (or domain) is divided into energy, entertainment, working, living, mobility, caring, communication. When a link between individual data occurs for each category, the system 800 identifies and extracts the link and stores it on the database.

도 12은 본 발명의 일 실시예에 따른 라이프스타일 데이터 관리 시스템에서 라이프스타일 데이터를 관리하는 과정을 도시한 흐름도이다. 이는 도 8의 설명을 기반으로 간략히 설명하기로 한다.12 is a flowchart illustrating a process of managing lifestyle data in a lifestyle data management system according to an embodiment of the present invention. This will be briefly described based on the description of FIG.

도 12을 참조하면, 단계S910은 라이프 로그를 수집하는 단계로, 로그 수집부(810)는 크롤링 기법을 기반으로 웹 상의 데이터 및 문서에서 개인의 정보를 수집할 수 있고, 소셜 네트워크(페이스북, 트위터 등) 상의 개인의 정보를 수집할 수 있다. 이때, 소셜 네트워크에서의 상의 개인의 정보는 소셜 네트워크의 접속 횟수, 방문하는 대상, 등록된 친구의 수, 올린 글의 횟수, 답변횟수, 올린 글의 문맥분석 등을 포함할 수 있다. 개인의 라이프 로그를 파악하기 위하여 개인의 소비패턴, 위치 정보, 개인의 이동 경로 등을 다수의 데이터를 기반으로 하여 개인의 라이프 로그를 수집할 수 있다.Referring to FIG. 12, the step S910 is a step of collecting the life log. The log collecting unit 810 can collect personal information from data and documents on the web based on the crawling technique, Twitter, etc.). At this time, the personal information of the social network may include the number of connections of the social network, the object to be visited, the number of registered friends, the number of uploaded articles, the number of responses, and the context analysis of the uploaded article. In order to grasp an individual's life log, an individual's life log can be collected based on a plurality of data such as an individual's consumption pattern, location information, and personal movement route.

이때, 라이프 로그는 비밀 데이터(Private Data), 공개 데이터(Public Data), 개인 데이터(Personal Data), 익명 데이터(Anonymous Data), 접속 데이터(Connected Data) 및 센서 데이터(Sensor Data) 중에서 적어도 하나를 포함할 수 있으며, 이에 대한 더 자세한 설명은 상기에 설명했으므로 이하 생략하기로 한다. At this time, the life log stores at least one of private data, public data, personal data, anonymous data, connected data, and sensor data. And a detailed description thereof has been described above, so that the following description is omitted.

단계S920은 수집된 라이프 로그를 이용하여 개인별 생활습관 데이터를 생성하는 단계로, 전처리부(820)는 로그 수집부(810)로부터 수집된 라이프 로그를 수신하고, 수집된 라이프 로그를 자가 생성한 규칙을 기법을 이용하여 라이프 로그를 필터링하여 개인별 생활습관 데이터를 생성한다.The preprocessing unit 820 receives the life log collected from the log collecting unit 810 and stores the collected life log in the self-generated life log data using the collected life log data, To generate personal lifestyle data by filtering the life log.

이때, 자가 생성한 규칙을 기법은 머신 러닝기법에 기반하여 적응적으로 조정이 가능하다. 전처리부(820)의 상세한 설명은 상기 도 9를 참조하여 설명하였으므로 이하 생략하기로 한다.At this time, the self - generated rules can be adaptively adjusted based on the machine learning technique. Since the detailed description of the preprocessing unit 820 has been described with reference to FIG. 9, the following description will be omitted.

단계S930은 개인별 생황습관 데이터의 특성을 이용하여 메타데이터를 생성하는 단계로, 메타데이터 생성부(830)는 전처리부(820)로부터 필터링된 개인별 생활 습관 데이터의 특성을 파악하고 별로 동적인 데이터 디스크립션을 포함하는 개인별 생활 습관 메타데이터를 생성한다.In step S930, the metadata generation unit 830 generates metadata using the characteristics of the individual habituation habit data. The metadata generation unit 830 analyzes the characteristics of the individual habituation data filtered by the preprocessing unit 820, And the like.

이때, 특성은 데이터의 출처와 데이터가 나타내는 정보의 종류를 종합적으로 의미하는 것이다. 그 예로는 도메인, 공개 웹 데이터, Sensory 데이터, 통신 데이터, 소셜 컴퓨팅 데이터, 공개 / 비밀 데이터, 유틸리티 사용 데이터, 시스템 로그 등으로 특성에 대해 설명할 수 있다. 메타데이터 생성부(830)의 상세한 설명은 상기 도 10를 참조하여 설명하였으므로 이하 생략하기로 한다.In this case, the characteristics collectively mean the source of data and the kinds of information represented by the data. Examples include domains, public Web data, Sensory data, communication data, social computing data, public / confidential data, utility usage data, and system logs. The detailed description of the metadata generating unit 830 has been described with reference to FIG. 10, so that the following description is omitted.

단계S940은 메타데이터에서 추출된 링크를 기반으로 데이터베이스 구조를 구현하여 저장하는 단계로써, 메타데이터 저장부(840)는 메타데이터 생성부(830)로부터 생성된 메타데이터의 개체 간 링크를 추출하여 추출된 링크를 기반으로 연결된 데이터베이스 구조를 구현하여 저장한다. 메타데이터 저장부(840)의 보다 상세한 설명은 이후 상기 도 11를 참조하여 설명하였으므로 생략하기로 한다.In step S940, a database structure is implemented and stored based on the link extracted from the metadata. The metadata storage unit 840 extracts a link between entities of the metadata generated by the metadata generation unit 830, And stores the linked database structure based on the link. A more detailed description of the metadata storage unit 840 will be omitted since it has been described with reference to FIG.

본 발명의 일 실시 예에 따른 라이프스타일 데이터를 관리하는 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.The method for managing lifestyle data according to an exemplary embodiment of the present invention may be implemented in the form of a program command that can be executed through various computer means and recorded in a computer readable medium. The computer-readable medium may include program instructions, data files, data structures, and the like, alone or in combination. The program instructions recorded on the medium may be those specially designed and configured for the present invention or may be available to those skilled in the art of computer software. Examples of computer-readable media include magnetic media such as hard disks, floppy disks and magnetic tape; optical media such as CD-ROMs and DVDs; magnetic media such as floppy disks; Magneto-optical media, and hardware devices specifically configured to store and execute program instructions such as ROM, RAM, flash memory, and the like. Examples of program instructions include machine language code such as those produced by a compiler, as well as high-level language code that can be executed by a computer using an interpreter or the like. The hardware devices described above may be configured to operate as one or more software modules to perform the operations of the present invention, and vice versa.

이상과 같이 본 발명에서는 구체적인 구성 요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.As described above, the present invention has been described with reference to particular embodiments, such as specific elements, and specific embodiments and drawings. However, it should be understood that the present invention is not limited to the above- And various modifications and changes may be made thereto by those skilled in the art to which the present invention pertains.

따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.Accordingly, the spirit of the present invention should not be construed as being limited to the embodiments described, and all of the equivalents or equivalents of the claims, as well as the following claims, belong to the scope of the present invention .

Claims (4)

라이프 로그를 수집하고, 상기 라이프 로그의 원본 데이터(raw data)의 종류에 따라 상기 원본 데이터를 편집할 도메인을 분류하며, 상기 분류된 도메인에 따라 결정되는 이관 경로를 경유하여 상기 라이프 로그를 전처리부로 이관하는 로그 수집부;
상기 수집된 라이프 로그를 자가 생성한 규칙을 기반으로 필터링하여 개인별 생활습관 데이터를 생성하고, 상기 자가 생성한 규칙은 규칙 학습자(Rule Learner) 모듈에 의하여 머신 러닝 기법에 기반하여 스스로 학습되어 적응적으로 강화되거나 보완되며, 상기 수집된 라이프 로그의 상기 원본 데이터의 각 항목 간의 커플링 조건(coupling constraints)을 상기 자가 생성한 규칙의 일부로서 적용하여 상기 개인별 생활습관 데이터를 생성하고, 상기 자가 생성한 규칙이 상기 규칙 학습자에 의하여 학습됨에 따라서 상기 수집된 라이프 로그의 상기 원본 데이터의 각 항목과 상기 개인별 생활습관 데이터의 특성 간의 커플링이 증강되는 전처리부;
상기 수집된 라이프 로그의 상기 원본 데이터의 출처와 상기 원본 데이터가 나타내는 정보의 종류를 의미하는 상기 필터링된 개인별 생활습관 데이터의 특성 별로 동적인 데이터 디스크립션을 포함하는 개인별 생활습관 메타데이터를 생성하고, 상기 개인별 생활습관 데이터에 대한 학습 과정을 통하여 상기 개인별 생활습관 데이터를 분류하고, 상기 개인별 생활습관 데이터에 대한 컨텍스트 패턴을 추출하여 상기 동적인 데이터 디스크립션을 생성하며, 이때 상기 동적인 데이터 디스크립션은 상기 추출된 컨텍스트 패턴으로부터 추출되는 정보를 컨텐츠 관련된 정보, 서비스 관련된 정보, 사용자 관련된 정보, 및 커뮤니티 관련된 정보로 세분화한 후, 상기 세분화된 컨텍스트 패턴 정보에 기반하여 생성되는 메타데이터 생성부; 및
상기 개인별 생활습관 메타데이터의 개체 간 링크를 추출하고 상기 추출된 링크를 기반으로 연결된 데이터베이스 구조를 구현하여 저장하는 메타데이터 저장부를 포함하는
라이프스타일 데이터 관리 시스템.A system for classifying domains into which the original data is to be edited according to a type of raw data of the life log, and a control unit for classifying the life log into a preprocessing unit A log collector for transferring the log;
The collected lifelogs are filtered based on self-generated rules, and personal lifestyle data is generated. The self-generated rules are automatically learned by the Rule Learner module based on the machine learning technique and adaptively And generating the individual lifestyle data by applying coupling constraints between each item of the original data of the collected life log as a part of the self-generated rule, A preprocessing unit for enhancing coupling between each item of the original data of the collected life log and characteristics of the individual lifestyle data as it is learned by the rule learner;
Generating personal lifestyle metadata including a data description that is dynamic according to characteristics of the filtered personalized life style data indicating the source of the original data of the collected life log and the type of the information represented by the original data, Wherein the dynamic data description is generated by classifying the individual lifestyle data through a learning process for individual lifestyle data and extracting a context pattern for the personal lifestyle data, A metadata generation unit that generates information based on the subdivided context pattern information after subdividing the information extracted from the context pattern into content related information, service related information, user related information, and community related information; And
And a metadata storage unit for extracting inter-entity links of the individual lifestyle metadata and implementing and storing a linked database structure based on the extracted links
Lifestyle data management system. 제1항에 있어서,
상기 메타데이터 저장부는
머신 러닝 기법을 기반으로 상기 개인별 생활습관 메타데이터의 비정형 정보에서 구조 정보를 추출하고, 상기 구조 정보와 라이프스타일 컨텍스트를 맞추어 상기 메타데이터의 개체 간 링크를 추출하는 것을 특징으로 하는
라이프스타일 데이터 관리 시스템. The method according to claim 1,
The metadata storage unit
Extracting structure information from unstructured information of the individual lifestyle metadata based on a machine learning technique and extracting a link between entities of the metadata in accordance with the structure information and the lifestyle context,
Lifestyle data management system. 라이프 로그를 수집하고, 상기 라이프 로그의 원본 데이터(raw data)의 종류에 따라 상기 원본 데이터를 편집할 도메인을 분류하며, 상기 분류된 도메인에 따라 결정되는 이관 경로를 경유하여 상기 라이프 로그를 전처리부로 이관하는 로그 수집단계;
상기 수집된 라이프 로그를 자가 생성한 규칙을 기반으로 필터링하여 개인별 생활습관 데이터를 생성하고, 상기 자가 생성한 규칙은 규칙 학습자(Rule Learner) 모듈에 의하여 머신 러닝 기법에 기반하여 스스로 학습되어 적응적으로 강화되거나 보완되며, 상기 수집된 라이프 로그의 상기 원본 데이터의 각 항목 간의 커플링 조건(coupling constraints)을 상기 자가 생성한 규칙의 일부로서 적용하여 상기 개인별 생활습관 데이터를 생성하는 전처리단계;
상기 수집된 라이프 로그의 상기 원본 데이터의 출처와 상기 원본 데이터가 나타내는 정보의 종류를 의미하는 상기 필터링된 개인별 생활습관 데이터의 특성 별로 동적인 데이터 디스크립션을 포함하는 개인별 생활습관 메타데이터를 생성하고, 상기 개인별 생활습관 데이터에 대한 학습 과정을 통하여 상기 개인별 생활습관 데이터를 분류하고, 상기 개인별 생활습관 데이터에 대한 컨텍스트 패턴을 추출하여 상기 동적인 데이터 디스크립션을 생성하는 메타데이터 생성단계; 및
상기 개인별 생활습관 메타데이터의 개체 간 링크를 추출하고 상기 추출된 링크를 기반으로 연결된 데이터베이스 구조를 구현하여 저장하는 메타데이터 저장단계를 포함하고,
상기 전처리단계에서는 상기 자가 생성한 규칙이 상기 규칙 학습자에 의하여 학습됨에 따라서 상기 수집된 라이프 로그의 상기 원본 데이터의 각 항목과 상기 개인별 생활습관 데이터의 특성 간의 커플링이 증강되고,
상기 메타데이터 생성단계에서는 상기 동적인 데이터 디스크립션은 상기 추출된 컨텍스트 패턴으로부터 추출되는 정보를 컨텐츠 관련된 정보, 서비스 관련된 정보, 사용자 관련된 정보, 및 커뮤니티 관련된 정보로 세분화한 후, 상기 세분화된 컨텍스트 패턴 정보에 기반하여 생성되는 것을 특징으로 하는 라이프스타일 데이터를 관리하는 방법.A system for classifying domains into which the original data is to be edited according to a type of raw data of the life log, and a control unit for classifying the life log into a preprocessing unit A log collecting step for escalating;
The collected lifelogs are filtered based on self-generated rules, and personal lifestyle data is generated. The self-generated rules are automatically learned by the Rule Learner module based on the machine learning technique and adaptively A preprocessing step of applying the coupling constraints between each item of the original data of the collected life log as a part of the self-generated rules to generate the individual lifestyle data;
Generating personal lifestyle metadata including a data description that is dynamic according to characteristics of the filtered personalized life style data indicating the source of the original data of the collected life log and the type of the information represented by the original data, A metadata generation step of classifying the individual lifestyle data through a learning process for individual lifestyle data and extracting a context pattern for the personal lifestyle data to generate the dynamic data description; And
Extracting inter-entity links of the individual lifestyle metadata and implementing and storing a linked database structure based on the extracted links,
In the pre-processing step, as the rule generated by the self-generated rule is learned by the rule learner, the coupling between each item of the original data of the collected life log and the characteristic of the individual lifestyle data is enhanced,
In the metadata generation step, the dynamic data description subdivides information extracted from the extracted context pattern into content-related information, service-related information, user-related information, and community-related information, and then subdivided context pattern information Based on the generated lifestyle data. 제3항에 있어서,
상기 메타데이터 저장단계는
머신 러닝 기법을 기반으로 상기 개인별 생활습관 메타데이터의 비정형 정보에서 구조 정보를 추출하고, 상기 구조 정보와 라이프스타일 컨텍스트를 맞추어 상기 메타데이터의 개체 간 링크를 추출하는 것을 특징으로 하는
라이프스타일 데이터 관리하는 방법.
The method of claim 3,
The metadata storage step
Extracting structure information from unstructured information of the individual lifestyle metadata based on a machine learning technique and extracting a link between entities of the metadata in accordance with the structure information and the lifestyle context,
How to manage lifestyle data.
KR1020170080638A 2017-06-26 2017-06-26 Lifestyle data management system and method KR20170080551A (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170080638A KR20170080551A (en) 2017-06-26 2017-06-26 Lifestyle data management system and method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170080638A KR20170080551A (en) 2017-06-26 2017-06-26 Lifestyle data management system and method

Related Parent Applications (1)

Application Number Title Priority Date Filing Date
KR1020160033399A Division KR20160037861A (en) 2016-03-21 2016-03-21 Lifestyle data management system and method

Publications (1)

Publication Number Publication Date
KR20170080551A true KR20170080551A (en) 2017-07-10

Family

ID=59356430

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170080638A KR20170080551A (en) 2017-06-26 2017-06-26 Lifestyle data management system and method

Country Status (1)

Country Link
KR (1) KR20170080551A (en)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020180170A1 (en) * 2019-03-06 2020-09-10 Samsung Electronics Co., Ltd. Effective user modeling with time-aware based binary hashing
KR20220043445A (en) * 2020-09-29 2022-04-05 주식회사 에임시스 Method and apparatus for analyzing confidential information
KR20220109529A (en) * 2021-01-28 2022-08-05 주식회사 피씨티 Method and system for predicting high risk adenoma related information based on plural of machine-leaned model

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020180170A1 (en) * 2019-03-06 2020-09-10 Samsung Electronics Co., Ltd. Effective user modeling with time-aware based binary hashing
US11615302B2 (en) 2019-03-06 2023-03-28 Samsung Electronics Co., Ltd. Effective user modeling with time-aware based binary hashing
US11797843B2 (en) 2019-03-06 2023-10-24 Samsung Electronics Co., Ltd. Hashing-based effective user modeling
KR20220043445A (en) * 2020-09-29 2022-04-05 주식회사 에임시스 Method and apparatus for analyzing confidential information
KR20220109529A (en) * 2021-01-28 2022-08-05 주식회사 피씨티 Method and system for predicting high risk adenoma related information based on plural of machine-leaned model

Similar Documents

Publication Publication Date Title
KR20150000921A (en) System and method for service design lifestyle
Min et al. Food recommendation: Framework, existing solutions, and challenges
US10261947B2 (en) Determining a cause of inaccuracy in predicted affective response
US20190236361A1 (en) Systems and methods for using persistent, passive, electronic information capturing devices
KR101562247B1 (en) System and method for lifestyle analysis
KR20150000590A (en) Lifestyle data management system and method
Wang et al. Mining user-generated content in an online smoking cessation community to identify smoking status: a machine learning approach
JP2010244523A (en) Method and device for adding and processing tag accompanied by feeling data
KR20180098840A (en) Real-time system of psychotherapy, and method thereof
KR101575886B1 (en) Apparatus and method for modeling a personalized lifestyle
KR20170080551A (en) Lifestyle data management system and method
Lawanont et al. Daily stress recognition system using activity tracker and smartphone based on physical activity and heart rate data
KR20160037861A (en) Lifestyle data management system and method
Gupta et al. A review of overfitting solutions in smart depression detection models
Al-Nafjan et al. Systematic review and future direction of neuro-tourism research
KR101612782B1 (en) System and method to manage user reading
KR20160055749A (en) System and method for service design lifestyle
Dogan et al. Multi-modal fusion learning through biosignal, audio, and visual content for detection of mental stress
Li et al. Know yourself: physical and psychological self-awareness with lifelog
KR20140146748A (en) System and method for self-care lifestyle
KR20140147168A (en) Apparatus and method for modeling a personalized lifestyle
KR101604010B1 (en) Apparatus and method for modeling a generalized Lifestyle
Suni-Lopez et al. Understanding implicit user feedback from multisensorial and physiological data: A case study
Arora et al. Deep‐SQA: A deep learning model using motor activity data for objective sleep quality assessment assisting digital wellness in healthcare 5.0
Jha et al. Predictive Model for Depression and Anxiety Using Machine Learning Algorithms

Legal Events

Date Code Title Description
A107 Divisional application of patent