JP2024517553A - 音響情報を通じて使用者の睡眠状態を分析するための方法、コンピューティング装置及びコンピュータプログラム - Google Patents

Abstract

前述したような課題を実現するための音響情報を介して使用者の睡眠状態を分析するための方法が開示される。前記方法は、使用者の睡眠と関連した睡眠音響情報を獲得する段階、前記睡眠音響情報に対する前処理を遂行する段階、及び前記前処理された睡眠音響情報に対する分析を遂行して睡眠状態情報を獲得する段階を含み、前記睡眠状態情報は、前記使用者の睡眠の深さに関連した睡眠段階情報を含むことを特徴とすることができる。【選択図】 図７

Description

本発明は、使用者の睡眠状態を分析するためのものであって、より具体的には、使用者の睡眠環境から獲得される音響（sound）情報に基づいて睡眠段階に関連した分析情報を提供する。

健康を維持して改善させる方法には、運動、食事療法など多様な方法があるが、一日のうち約３０％以上の時間を占める睡眠をよく管理することが何より重要である。

しかし、現代人は、機械の単純な労働代替及び生活の余裕にもかかわらず、不規則な食習慣と生活習慣及びストレスにより熟睡を取ることができず、不眠症、過多睡眠、睡眠無呼吸症候群、悪夢、夜驚症、夢遊病などのような睡眠疾患で苦しんでいる。

国民健康保険公団によれば、国内の睡眠障害患者が２０１４年から２０１８年まで年平均約８％ずつ増加することが示され、２０１８年に国内において睡眠障害で診療を受けた患者は約５７万人に達する。

熟睡が身体的又は精神的な健康に影響を及ぼす重要な要素と認識され熟睡に対する関心が増加しているが、睡眠疾患の改善のためには専門医療機関を直接訪問しなければならず、別途の検査費用が要求され、そして持続的な管理が難しいことにより、治療に対する使用者の努力が足りていないのが実情である。

韓国公開特許公報第２００３－００３２５２９号は、使用者の身体情報の入力を受けて、睡眠中の使用者の身体状態に応じて反復的な学習によって検出した周波数帯域の振動及び／又は超音波を出力し、最適な睡眠誘導を可能なようにする就寝誘導機及び睡眠誘導方法について開示している。

ただし、従来の技術は、身体着用型装備によって引き起こされる不便さで睡眠の質が減少するおそれがあり、装備の周期的な管理（例えば、充電など）が必要である。

これにより、最近では非接触式で呼吸パターン、夜中の体の動きによって自律神経系の活性化の程度をモニタリングして、睡眠段階を推定しようとする研究が進んでいる。

しかし、非接触式で睡眠中の動きに影響を与えない距離で呼吸パターン及び動きなどに関する情報を獲得するためには、別途の装備（例えば、動きセンシングのための電波測定装置）が備えられなければならない。

したがって、別途の装備を備えなくても、使用者が所持する使用者端末（例えば、移動式端末）を介して容易に睡眠環境に関連した音響情報を獲得し、獲得した音響情報をもとに使用者の睡眠段階を分析して睡眠状態を感知しようとする技術に対する需要が存在し得る。

本発明は、前述した背景技術に対応して案出されたもので、使用者の睡眠環境において感知される音響情報を介して使用者の睡眠段階を分析して睡眠状態に関する情報を提供するためである。

本発明が解決しようとする課題は、以上で言及された課題に制限されず、言及されていないさらに他の課題は、下の記載から通常の技術者に明確に理解され得るだろう。

上述した課題を解決するための本発明の一実施形態において、音響情報を介して使用者の睡眠状態を分析するための方法が開示される。

前記方法は、使用者の睡眠と関連した睡眠音響情報を獲得する段階、前記睡眠音響情報に対する前処理を遂行する段階、及び前記前処理された睡眠音響情報に対する分析を遂行して睡眠状態情報を獲得する段階を含み、前記睡眠状態情報は、前記使用者の睡眠の深さに関連した睡眠段階情報を含むことを特徴とすることができる。

代案的な実施形態において、前記睡眠音響情報を獲得する段階は、生活環境音響情報において既に設定されたパターンの情報が感知される特異点を識別する段階、及び前記特異点を基準として獲得される生活環境音響情報に基づいて前記睡眠音響情報を獲得する段階を含んでよい。

代案的な実施形態において、前記睡眠音響情報に対する前処理を遂行する段階は、前記睡眠音響情報を予め決められた時間単位を有する１以上の音響フレームに分類する段階、前記１以上の音響フレームそれぞれのエネルギーレベルに基づいて最小エネルギーレベルを有する最小音響フレームを識別する段階、及び前記最小音響フレームに基づいて前記睡眠音響情報に対するノイズ除去を遂行する段階を含んでよい。

代案的な実施形態において、前記睡眠状態情報を獲得する段階は、１以上のネットワーク関数を含む睡眠分析モデルを用いて前記睡眠状態情報を獲得する段階を含んでよい。

代案的な実施形態において、前記睡眠分析モデルは、予め決められたエポック別の１以上のフィーチャーを抽出するフィーチャー抽出モデル、及び前記フィーチャー抽出モデルを介して抽出されたフィーチャーそれぞれを１以上の睡眠段階に分類して前記睡眠状態情報を生成するフィーチャー分類モデルを含んでよい。

代案的な実施形態において、前記睡眠状態情報を獲得する段階は、前記睡眠音響情報に対応するスペクトログラムを生成する段階、及び前記スペクトログラムを前記睡眠分析モデルの入力として処理して前記睡眠状態情報を獲得する段階を含んでよい。

代案的な実施形態において、前記方法は、前記前処理された睡眠音響情報に基づいてデータ増強を遂行する段階をさらに含み、前記データ増強は、Pitch shifting、Gaussian noise、Loudness control、Dynamic range control、及びSpec augmentationのうち少なくとも一つを含んでよい。

代案的な実施形態において、使用者端末から睡眠計画情報を受信する段階、前記睡眠計画情報に基づいて外部環境造成情報を生成する段階、及び前記外部環境造成情報を環境造成モジュールとして伝送することを決定する段階をさらに含んでよい。

代案的な実施形態において、前記睡眠状態情報に基づいて外部環境造成情報を生成する段階、及び前記外部環境造成情報を環境造成モジュールとして伝送することを決定する段階をさらに含んでよい。

本発明の他の一実施形態において、音響情報を介して使用者の睡眠状態を分析するためのコンピューティング装置が開示される。前記コンピューティング装置は、１以上のインストラクションを格納するメモリ、及び前記メモリに格納された１以上のインストラクションを実行するプロセッサを含み、前記プロセッサは前記１以上のインストラクションを実行することにより、音響情報を介して使用者の睡眠状態を分析するための方法を遂行することができる。

本発明のさらに他の実施形態において、コンピュータ読取可能格納媒体に格納されたコンピュータプログラムが開示される。前記コンピュータプログラムは、ハードウェアであるコンピュータと結合されて、音響情報を介して使用者の睡眠状態を分析するための方法を遂行できるように、コンピュータから読み出し可能な記録媒体に格納されてよい。

本発明のその他の具体的な事項は、詳細な説明及び図面に含まれている。

本発明は、前述した背景技術に対応して案出されたもので、使用者の睡眠環境から獲得される音響情報に基づいて使用者の睡眠状態に関する分析情報を提供することができる。

本発明の効果は、以上で言及された効果に制限されず、言及されていないさらに他の効果は、下の記載から通常の技術者に明確に理解され得るだろう。

様々な態様が図面を参照して記載され、ここで類似の参照番号は総括的に類似の構成要素を指称するのに用いられる。

以下の実施形態において、説明の目的のために、多数の特定細部事項が１以上の態様の総体的理解を提供するために提示される。しかし、そのような態様が、このような具体的な細部事項なしに実施され得ることは明白だろう。

図１は、本発明の一実施形態と関連した音響情報を介して使用者の睡眠状態を分析するためのコンピューティング装置の多様な様態が具現され得るシステムを示した概念図を示す。

図２は、本発明の一実施形態と関連した音響情報を介して使用者の睡眠状態を分析するためのコンピューティング装置のブロック構成図を示す。

図３は、本発明の一実施形態と関連した生活環境音響情報から睡眠音響情報を獲得する過程を説明するための例示図である。

図４は、本発明の一実施形態と関連した睡眠音響情報に対応するスペクトログラムを獲得する方法を説明するための例示図である。

図５は、本発明の一実施形態と関連した多様な睡眠段階それぞれに関連したスペクトログラムを例示的に示した例示図である。

図６は、本発明の一実施形態と関連したスペクトログラムを介して睡眠状態情報を獲得する過程を例示的に示した例示図である。

図７は、本発明の一実施形態と関連した音響情報を介して使用者の睡眠状態を分析するための方法を例示的に示した順序図を示す。

図８は、本発明の一実施形態と関連した１以上のネットワーク関数を示した概略図である。

本発明の利点及び特徴、そして、それらを達成する方法は、添付される図面と共に詳細に後述されている実施形態を参照すれば明確になるだろう。

しかし、本発明は、以下で開示される実施形態に制限されるのではなく、互いに異なる多様な形態で具現されてよく、単に本実施形態は本発明の開示が完全であるようにして、本発明が属する技術分野における通常の技術者に本発明の範疇を完全に知らせるために提供されるものであり、本発明は請求項の範疇によって定義されるだけである。

本明細書で使用された用語は、実施形態を説明するためのものであり、本発明を制限しようとするものではない。本明細書において、単数形は文言で特別に言及しない限り複数形も含む。明細書で使用される「含む（comprises）」及び／又は「含む（comprising）」は、言及された構成要素以外に１以上の他の構成要素の存在又は追加を排除しない。明細書の全体にわたって同一の図面符号は同一の構成要素を指称し、「及び／又は」は、言及された構成要素のそれぞれ及び1以上の全ての組み合わせを含む。たとえ「第１」、「第２」などが多様な構成要素を述べるために使用されるが、これら構成要素はこれら用語によって制限されないのはもちろんである。これら用語は、単に一つの構成要素を他の構成要素と区別するために使用するものである。したがって、以下で言及される第１構成要素は、本発明の技術的思想内で第2構成要素であってもよいのはもちろんである。

他の定義がないならば、本明細書で使用される全ての用語（技術及び科学的用語を含む）は、本発明が属する技術分野の通常の技術者に共通して理解され得る意味で使用され得るだろう。また、一般的に使用される事前に定義されている用語は、明白に特に定義されていない限り、理想的に又は過度に解釈されない。

明細書で使用される「部」又は「モジュール」という用語は、ソフトウェア、ＦＰＧＡ又はＡＳＩＣのようなハードウェア構成要素を意味し、「部」又は「モジュール」はある役割を遂行する。しかし、「部」又は「モジュール」は、ソフトウェア又はハードウェアに限定される意味ではない。「部」又は「モジュール」は、アドレッシングすることができる記憶媒体にあるように構成することもでき、又は、それ以上のプロセッサを再生させるように構成することもできる。したがって、一例として「部」又は「モジュール」は、ソフトウェア構成要素、オブジェクト指向ソフトウェア構成要素、クラス構成要素、及びタスク構成要素のような構成要素と、プロセス、関数、属性、プロシージャ、サブルーチン、プログラムコードのセグメント、ドライバ、ファームウェア、マイクロコード、回路、データ、データベース、データ構造、テーブル、アレイ、及び変数を含む。構成要素と「部」又は「モジュール」内で提供される機能は、さらに小さい数の構成要素及び「部」又は「モジュール」に結合したり追加的な構成要素と「部」又は「モジュール」にさらに分離することができる。

本明細書において、コンピュータは、少なくとも一つのプロセッサを含む全ての種類のハードウェア装置を意味するものであり、実施形態により該ハードウェア装置で動作するソフトウェア的構成も包括する意味として理解することができる。例えば、コンピュータは、スマートフォン、タブレットＰＣ、デスクトップ、ノートパソコン、及び各装置で駆動される使用者クライアント及びアプリケーションを全て含む意味として理解されてよく、また、これに制限されるわけではない。

当業者は、追加的にここで開示された実施形態と関連して説明された多様な例示的論理的ブロック、構成、モジュール、回路、手段、ロジック、及びアルゴリズム段階が、電子ハードウェア、コンピュータソフトウェア、又は双方全ての組み合わせで具現され得ることを認識しなければならない。ハードウェア及びソフトウェアの相互交換性を明白に例示するために、多様な例示的コンポーネント、ブロック、構成、手段、ロジック、モジュール、回路、及び段階は、それらの機能性の側面で一般的に上で説明された。そのような機能性がハードウェア又はソフトウェアとして具現されるか否かは、全般的なシステムに課せられた特定のアプリケーション（application）及び設計制限にかかっている。熟練した技術者は、それぞれの特定のアプリケーションのために多様な方法で説明された機能性を具現することができる。ただし、そのような具現の決定が本発明内容の領域を逸脱させるものと解釈されてはならない。

以下、添付された図面を参照して、本発明の実施形態を詳細に説明する。

本明細書で説明される各段階は、コンピュータによって遂行されるものと説明されるが、各段階の主体はこれに制限されるものではなく、実施形態により各段階の少なくとも一部が互いに異なる装置で実行されてもよい。

図１は、本発明の一実施形態と関連した音響情報を介して使用者の睡眠状態を分析するためのコンピューティング装置の多様な様態が具現され得るシステムを示した概念図を示す。

本発明の実施形態によるシステムは、コンピューティング装置１００、使用者端末１０、外部サーバ２０、及びネットワークを含んでよい。本発明の実施形態によるコンピューティング装置１００、使用者端末１０、及び外部サーバ２０は、ネットワークを介して、本発明の一実施形態によるシステムのためのデータを相互送受信することができる。

本発明の実施形態によるネットワークは、公衆電話交換網（PSTN：Public Switched Telephone Network)、ｘＤＳＬ（x Digital Subscriber Line）、ＲＡＤＳＬ（Rate Adaptive DSL）、ＭＤＳＬ（Multi Rate DSL）、ＶＤＳＬ（Very High Speed DSL）、ＵＡＤＳＬ（Universal Asymmetric DSL）、ＨＤＳＬ（High Bit Rate DSL）、及び近距離通信網（LAN）などのような多様な有線通信システムを使用することができる。

また、ここで提示されるネットワークは、ＣＤＭＡ（Code Division Multi Access）、ＴＤＭＡ（Time Division Multi Access）、ＦＤＭＡ（Frequency Division Multi Access）、ＯＦＤＭＡ（Orthogonal Frequency Division Multi Access）、ＳＣ－ＦＤＭＡ（Single Carrier-FDMA）、及び他のシステムと同じ多様な無線通信システムを使用することができる。

本発明の実施形態によるネットワークは、有線及び無線などのようなその通信様態を分けずに構成されてよく、短距離通信網（PAN：Personal Area Network）、近距離通信網（WAN：Wide Area Network）など多様な通信網で構成されてよい。また、前記ネットワークは、公知のワールドワイドウェブ（WWW：World Wide Web）であってよく、赤外線（IrDA：Infrared Data Association）又はブルートゥース（Bluetooth）のように短距離通信に利用される無線伝送技術を用いることもできる。本明細書で説明された技術は、上で言及されたネットワークだけでなく、他のネットワークでも使用することができる。

本発明の一実施形態によれば、使用者端末１０は、コンピューティング装置１００との情報交換を介して使用者の睡眠と関連した情報の提供を受けることができる端末で、使用者が所持した端末を意味してよい。

例えば、使用者端末１０は、自身の睡眠習慣に関連した情報を介して健康を増進させようとする使用者と関連した端末であってよい。使用者は、使用者端末１０を介して自身の睡眠と関連した情報を獲得することができる。睡眠に関連した情報は、例えば、睡眠中に睡眠段階の変化に関連した睡眠状態情報４２１を含んでよい。

具体的な例を挙げると、睡眠状態情報４２１は、使用者の昨夜の８時間睡眠の間の各時点別に、使用者の睡眠が浅い睡眠、普通睡眠、深い睡眠又はＲＥＭ睡眠などに変化した情報を意味し得る。前述した睡眠状態情報４２１に対する具体的な記載は例示に過ぎず、本発明はこれに制限されない。

このような使用者端末１０は、コンピューティング装置１００と通信のためのメカニズムを有するシステムにおける任意の形態のエンティティーを意味してよい。例えば、このような使用者端末１０は、ＰＣ（personal computer）、ノートパソコン（note book）、モバイル端末（mobile terminal）、スマートフォン（smart phone）、タブレットＰＣ（tablet pc）、人工知能（AI）スピーカー及び人工知能ＴＶ及びウェラブルデバイス（wearable device）等を含んでよく、有線／無線ネットワークに接続できる全ての種類の端末を含んでよい。また、使用者端末１０は、エージェント、ＡＰＩ（Application Programming Interface）、及びプラグイン（Plug-in）のうち少なくとも一つによって具現される任意のサーバを含んでよい。また、使用者端末１０は、アプリケーションソース及び／又はクライアントアプリケーションを含んでよい。

本発明の一実施形態によれば、外部サーバ２０は神経網の学習のための複数の学習データに対する情報を格納するサーバであってよい。複数の学習データは、例えば、健康診断情報又は睡眠検診情報などを含んでよい。

例えば、外部サーバ２０は、病院サーバ及び情報サーバのうち少なくとも一つであってよく、複数の睡眠多元検査記録、電子健康記録、及び電子医療機録などに関する情報を格納するサーバであってよい。例えば、睡眠多元検査記録は、睡眠検診対象者の睡眠中の呼吸及び動きなどに対する情報、及び当該情報に対応する睡眠診断結果（例えば、睡眠段階など）に対する情報を含んでよい。外部サーバ２０に格納された情報は、本発明における神経網を学習させるための学習データ、検証データ、及びテストデータとして活用することができる。

本発明のコンピューティング装置１００は、外部サーバ２０から健康診断情報又は睡眠検診情報などを受信し、当該情報に基づいて学習データセットを構築することができる。コンピューティング装置１００は、学習データセットを介して１以上のネットワーク関数に対する学習を遂行することにより、睡眠音響情報に対応する睡眠状態情報４２１を算出するための睡眠分析モデルを生成することができる。本発明の神経網学習のための学習データセットを構築する構成及び学習データセットを活用した学習方法に対する具体的な説明は、図２を参照して後述するようにする。

外部サーバ２０は、デジタル機器として、ラップトップコンピュータ、ノートパソコン、デスクトップコンピュータ、ウェブパッド、移動電話機のようにプロセッサを搭載してメモリを具備した演算能力を備えたデジタル機器であってよい。外部サーバ２０は、サービスを処理するウェブサーバであってよい。前述したサーバの種類は例示に過ぎず、本発明はこれに制限されない。

本発明の一実施形態によれば、コンピューティング装置１００は、使用者の睡眠環境に関連した睡眠音響情報を獲得し、そして、睡眠音響情報に基づいて使用者の睡眠段階に関連した睡眠状態情報４２１を生成することができる。具体的に、コンピューティング装置１００は、１以上のネットワーク関数を含んで構成され、事前学習された神経網モデル（例えば、睡眠分析モデル）を活用して睡眠音響情報を分析することにより、睡眠状態情報４２１を生成することができる。

ここで、コンピューティング装置１００が睡眠分析のために活用する睡眠音響情報は、使用者の睡眠中に非侵襲的方式で獲得される音響情報に関連したものであってよい。具体的な例を挙げると、睡眠音響情報は、睡眠中に使用者が寝返りを打つことにより発生する音響、筋肉の動きに関連した音響、又は睡眠中に使用者の呼吸に関連した音響などを含んでよい。すなわち、本発明における睡眠音響情報は、使用者の睡眠中に関連した動きパターン及び呼吸パターンに関連した音響情報を意味してよい。

実施形態において、睡眠音響情報は、使用者が所持した使用者端末１０を介して獲得することができる。例えば、使用者端末１０に備えられたマイクモジュールを介して使用者の睡眠環境に関連した睡眠音響情報を獲得することができる。

一般的に、使用者が所持した使用者端末１０に備えられたマイクモジュールは、比較的小さい大きさの使用者端末１０に備えられなければならないので、ＭＥＭＳ（Micro-Electro Mechanical Systems）で構成することができる。このようなマイクモジュールは、非常に小型に製作が可能であるが、コンデンサマイク（Condenser Microphone）やダイナミックマイク（dynamic microphone）に比べて低い信号対雑音比（SNR）を有してよい。信号対雑音比が低いということは、識別しようとする音響比の識別しないようにする音響である雑音の比率が高いもので、音響の識別が容易でないこと（すなわち、不明）を意味し得る。

本発明において、分析の対象になる情報は、睡眠中に獲得される使用者の呼吸及び動きに関連した音響情報、すなわち、睡眠音響情報であってよい。このような睡眠音響情報は、使用者の呼吸及び動き等の非常に小さい音響（すなわち、区分が難しい音響）に関する情報であり、睡眠環境中の他の音響と共に獲得されるものであるため、低い信号対雑音比の前記したようなマイクモジュールを介して獲得される場合、探知及び分析が非常に難しいこともある。

本発明の一実施形態によれば、コンピューティング装置１００は、ＭＥＭＳで構成されたマイクモジュールを介して獲得された睡眠音響情報に基づいて睡眠状態情報４２１を提供することができる。具体的に、コンピューティング装置１００は、多くのノイズを含んで不明瞭に獲得された睡眠音響データを、分析が可能なデータ変換及び／又は調整することができ、変換及び／又は調整されたデータを活用して人工神経網に対する学習を遂行することができる。

人工神経網に対する事前学習が完了した場合、学習された神経網（例えば、音響分析モデル）は、睡眠音響情報に対応して獲得された（例えば、変換及び／又は調整された）データ（例えば、スペクトログラム）に基づいて使用者の睡眠状態情報４２１を獲得することができる。ここで、睡眠状態情報４２１は、睡眠中の使用者の睡眠段階の変化に関連した情報を含んでよい。

具体的な例を挙げると、睡眠状態情報４２１は、第１時点では使用者がＲＥＭ睡眠であり、第１時点と相違した第２時点では使用者が浅い睡眠であったという情報を含んでよい。この場合、当該睡眠状態情報４２１を介して、使用者は、第１時点で比較的深い睡眠に陥り、第２時点ではより浅い睡眠をとったという情報を獲得することができる。

すなわち、コンピューティング装置１００は、音響を収集するように一般的に多く普及された使用者端末（例えば、人工知能スピーカー、寝室IoT機器、携帯電話など）を介して低い信号対雑音比を有する睡眠音響情報を獲得する場合、これを分析に適切なデータに加工し、加工されたデータを処理して睡眠段階の変化に関連した睡眠状態情報４２１を提供することができる。

これは明瞭な音響獲得のために使用者の身体に接触式でマイクを備えなくてもよく、また、高い信号対雑音比を有する別途の追加デバイスを購入せずに、ソフトウェアのアップデートだけで一般的な家庭環境において睡眠状態をモニタリングすることができるようにして、利便性を増大させる効果を提供することができる。

実施形態において、コンピューティング装置１００は、端末又はサーバであってよく、任意の形態の装置は全て含んでよい。コンピューティング装置１００は、デジタル機器として、ラップトップコンピュータ、ノートパソコン、デスクトップコンピュータ、ウェブパッド、移動電話機のように、プロセッサを搭載してメモリを備えた演算能力を備えたデジタル機器であってよい。コンピューティング装置１００は、サービスを処理するウェブサーバであってよい。前述したサーバの種類は例示に過ぎず、本発明はこれに制限されない。

本発明の一実施形態によれば、コンピューティング装置１００は、クラウドコンピューティングサービスを提供するサーバであってよい。より具体的に、コンピューティング装置１００は、インターネット基盤コンピューティングの一種で、情報を使用者のコンピュータでないインターネットに連結された他のコンピュータで処理するクラウドコンピューティングサービスを提供するサーバであってよい。

前記クラウドコンピューティングサービスは、インターネット上に資料を格納しておき、使用者が必要な資料やプログラムを自身のコンピュータに設置しなくても、インターネット接続を介していつでもどこでも利用できるサービスであってよく、インターネット上に格納された資料を簡単な操作及びクリックで容易に共有し伝達することができる。

また、クラウドコンピューティングサービスは、インターネット上のサーバに単に資料を格納するだけでなく、別にプログラムを設置しなくてもウェブで提供するアプリケーションの機能を利用して、所望する作業を遂行することができ、複数の人が同時に文書を共有して作業を進めることができるサービスであってよい。

また、クラウドコンピューティングサービスは、ＩａａＳ（Infrastructure as a Service）、ＰａａＳ（Platform as a Service）、ＳａａＳ（Software as a Service）、仮想マシン基盤クラウドサーバ、及びコンテナ基盤クラウドサーバのうち少なくとも一つの形態で具現することができる。すなわち、本発明のコンピューティング装置１００は、上述したクラウドコンピューティングサービスのうち少なくとも一つの形態で具現することができる。

前述したクラウドコンピューティングサービスの具体的な記載は例示に過ぎず、本発明のクラウドコンピューティング環境を構築する任意のプラットホームを含んでもよい。

本発明のコンピューティング装置１００の具体的な構成、技術的特徴、及び技術的特徴による効果は、下記の図２乃至図８を参照して後述するようにする。

図２は、本発明の一実施形態と関連した音響情報を介して使用者の睡眠状態を分析するためのコンピューティング装置のブロック構成図を示す。

図２に示されたように、コンピューティング装置１００は、ネットワーク部１１０、メモリ１２０、センサ部１３０、環境造成部１４０、及びプロセッサ１５０を含んでよい。前述したコンピューティング装置１００に含まれたコンポーネントは例示的なものであって、本発明の内容の権利範囲が前述したコンポーネントに制限されない。すなわち、本発明の内容の実施形態に対するの実現様態に従って追加的なコンポーネントが含まれたり又は前述したコンポーネントのうちの一部が省略されてよい。

本発明の一実施形態によれば、コンピューティング装置１００は、使用者端末１０及び外部サーバ２０とデータを送受信するネットワーク部１１０を含んでよい。ネットワーク部１１０は、本発明の一実施形態による睡眠音響情報に基づいて、睡眠状態を分析するための方法を遂行するためのデータなどを他のコンピューティング装置、サーバなどと送受信することができる。すなわち、ネットワーク部１１０は、コンピューティング装置１００と使用者端末１０及び外部サーバ２０との間の通信機能を提供することができる。

例えば、ネットワーク部１１０は、病院サーバから複数の使用者に対する睡眠検診記録及び電子健康記録を受信することができる。追加的に、ネットワーク部１１０は、コンピューティング装置１００にプロシージャを呼び出す方式でコンピューティング装置１００と使用者端末１０及び外部サーバ２０との間の情報伝達を許容することができる。

本発明の一実施形態によるネットワーク部１１０は、公衆電話交換網（PSTN：Public Switched Telephone Network）、ｘＤＳＬ（x Digital Subscriber Line）、ＲＡＤＳＬ（Rate Adaptive DSL）、ＭＤＳＬ（Multi Rate DSL）、ＶＤＳＬ（Very High Speed DSL）、ＵＡＤＳＬ（Universal Asymmetric DSL）、ＨＤＳＬ（High Bit Rate DSL）、及び近距離通信網（LAN）などのような多様な有線通信システムを使用することができる。

また、本明細書で提示されるネットワーク部１１０は、ＣＤＭＡ（Code Division Multi Access）、ＴＤＭＡ（Time Division Multi Access）、ＦＤＭＡ（Frequency Division Multi Access）、ＯＦＤＭＡ（Orthogonal Frequency Division Multi Access）、ＳＣ-ＦＤＭＡ（Single Carrier-FDMA）、及び他のシステムのような多様な無線通信システムを使用することができる。

本発明においてネットワーク部１１０は、有線及び無線などのようなその通信様態を問わずに構成されてよく、短距離通信網（PAN：Personal Area Network）、近距離通信網（WAN：Wide Area Network）等の多様な通信網で構成されてよい。また、前記ネットワークは、公示のワールドワイドウェブ（WWW：World Wide Web）であってよく、赤外線（IrDA：Infrared Data Association）又はブルートゥース（Bluetooth）のように短距離通信に利用される無線伝送技術を利用することもできる。本明細書で説明された技術は、上で言及されたネットワークだけでなく、他のネットワークでも使用されてよい。

本発明の一実施形態によれば、メモリ１２０は、本発明の一実施形態による睡眠音響情報を介して睡眠状態を分析するための方法を遂行するためのコンピュータプログラムを格納することができ、格納されたコンピュータプログラムはプロセッサ１５０によって読み取られて駆動することができる。

また、メモリ１２０は、プロセッサ１５０が生成したり決定した任意の形態の情報及びネットワーク部１１０が受信した任意の形態の情報を格納することができる。また、メモリ１２０は、使用者の睡眠に関連したデータを格納することができる。

例えば、メモリ１２０は、入力／出力されるデータ（例えば、使用者の睡眠環境に関連した睡眠音響情報、睡眠音響情報に対応する睡眠状態情報４２１など）を臨時又は永久に格納することもできる。

本発明の一実施形態によれば、メモリ１２０は、フラッシュメモリタイプ（flash memory type）、ハードディスクタイプ（hard disk type）、マルチメディアカードマイクロタイプ（multimedia card micro type）、カードタイプのメモリ（例えばSD又はXDメモリなど）、ラム（Random Access Memory、RAM）、ＳＲＡＭ（Static Random Access Memory）、ロム（Read-Only Memory、ROM）、ＥＥＰＲＯＭ（Electrically Erasable Programmable Read-Only Memory）、ＰＲＯＭ（Programmable Read-Only Memory）、磁気メモリ、磁気ディスク、光ディスクのうち少なくとも一つのタイプの格納媒体を含んでよい。コンピューティング装置１００は、インターネット（internet）上で前記メモリ１２０の格納機能を遂行するウェブストレージ（web storage）と関連して動作することもできる。前述したメモリに対する記載は例示に過ぎず、本発明はこれに制限されない。

本発明の一実施形態によれば、センサ部１３０は、使用者の睡眠環境と関連して使用者の身体温度、室内温度、室内気流、室内湿度、室内音響、及び室内照度のうち少なくとも一つに対する情報を含む室内環境情報を獲得するための１以上の環境センシングモジュールを含んでよい。

室内環境情報は、使用者の睡眠環境と関連した情報として、使用者の睡眠段階の変化に関連した睡眠状態を介して使用者の睡眠に対する外部的要因の影響を考慮するための基準になる情報であってよい。

１以上の環境センシングモジュールは、例えば、温度センサ、気流センサ、湿度センサ、音響センサ、照度センサのうち少なくとも一つのセンサモジュールを含んでよい。ただし、これに制限されるわけではなく、使用者の睡眠に影響を与えることができる多様なセンサをさらに含んでもよい。

本発明の一実施形態によれば、コンピューティング装置１００は、環境造成部１４０を介して使用者の睡眠環境を調整することができる。具体的に、環境造成部１４０は、１以上の環境造成モジュールを含んでよく、プロセッサ１５０から受信した外部環境造成情報に基づいて、温度、風向き、湿度、音響、及び照度のうち少なくとも一つに関連した環境造成モジュールを動作させることにより、使用者の睡眠環境を調整することができる。

外部環境造成情報は、使用者の睡眠段階の変化による睡眠状態の判定に基づいてプロセッサ１５０により生成された信号であってよく、例えば、使用者の睡眠環境に関連して温度を低くしたり、湿度を上げたり、照度を低くしたり、又は音響を低くするようにする信号であってよい。前述した環境制御信号に対する具体的な記載は例示に過ぎず、本発明はこれに制限されない。

１以上の環境造成モジュールは、例えば、温度制御モジュール、風向き制御モジュール、湿度制御モジュール、音響制御モジュール、及び照度制御モジュールのうち少なくとも一つを含んでよい。ただし、これに制限されるわけではなく、１以上の環境造成モジュールは、使用者の睡眠環境に変化をもたらし得る多様な環境造成モジュールをさらに含んでよい。すなわち、環境造成部１４０は、プロセッサ１５０の環境制御信号に基づいて１以上の環境造成モジュールを駆動させることにより、使用者の睡眠環境を調整することができる。

本発明の他の実施形態によれば、環境造成部１４０は、モノのインターネット（IOT、Internet of Things）を介した連係を通じて具現されてもよい。具体的に、環境造成部１４０は、使用者が睡眠のために位置する空間に関連して室内環境の変化を与えることができる多様な機器との連係を介して具現されてよい。

例えば、環境造成部１４０は、モノのインターネットを介した連係に基づいたスマートエアコン、スマートヒータ、スマートボイラー、スマート窓、スマート加湿器、スマート除湿機、及びスマート照明などで具現されてよい。前述した環境造成部に対する具体的な記載は例示に過ぎず、本発明はこれに制限されない。

本発明の一実施形態によれば、プロセッサ１５０は、１以上のコアで構成されてよく、コンピューティング装置の中央処理装置（CPU：central processing unit）、汎用グラフィック処理装置（GPGPU：general purpose graphics processing unit）、テンソル処理装置（TPU：tensor processing unit）等のデータ分析、ディープラーニングのためのプロセッサを含んでよい。

プロセッサ１５０は、メモリ１２０に格納されたコンピュータプログラムを読み取って本発明の一実施形態による機械学習のためのデータ処理を遂行することができる。本発明の一実施形態によってプロセッサ１５０は神経網の学習のための演算を遂行することができる。

プロセッサ１５０は、ディープラーニング（DL：deep learning）において学習のための入力データの処理、入力データにおけるフィーチャー抽出、誤差計算、逆伝播（backpropagation）を用いた神経網の加重値アップデートなどの神経網の学習のための計算を遂行することができる。

また、プロセッサ１５０のＣＰＵ、ＧＰＧＰＵ、及びＴＰＵのうち少なくとも一つがネットワーク関数の学習を処理することができる。例えば、ＣＰＵとＧＰＧＰＵが共にネットワーク関数の学習、ネットワーク関数を用いたデータ分類を処理することができる。

また、本発明の一実施形態において複数のコンピューティング装置のプロセッサを共に使用して、ネットワーク関数の学習、ネットワーク関数を用いたデータ分類を処理することができる。また、本発明の一実施形態によるコンピューティング装置で実行されるコンピュータプログラムは、ＣＰＵ、ＧＰＧＰＵ又はＴＰＵ実行可能プログラムであってよい。

本明細書において、ネットワーク関数は、人工神経網、ニューラルネットワークと相互交換可能に使用されてよい。本明細書において、ネットワーク関数は、１以上のニューラルネットワークを含んでよく、この場合、ネットワーク関数の出力は、１以上のニューラルネットワークの出力のアンサンブル（ensemble）であってよい。

本明細書において、モデルは、ネットワーク関数を含んでよい。モデルは、１以上のネットワーク関数を含んでもよく、この場合、モデルの出力は、１以上のネットワーク関数の出力のアンサンブルであってよい。

プロセッサ１５０は、メモリ１２０に格納されたコンピュータプログラムを読み取って本発明の一実施形態による睡眠分析モデルを提供することができる。本発明の一実施形態により、プロセッサ１５０は睡眠センシングデータに基づいて睡眠分析情報を算出するための計算を遂行することができる。本発明の一実施形態により、プロセッサ１５０は睡眠分析モデルを学習させるための計算を遂行することができる。

本発明の一実施形態によれば、プロセッサ１５０は通常的にコンピューティング装置１００の全般的な動作を処理することができる。プロセッサ１５０は、上で詳しく見た構成要素を介して入力又は出力される信号、データ、情報などを処理したり、メモリ１２０に格納されたアプリケーションを駆動することにより、使用者端末に適正な情報、又は機能を提供したり処理したりすることができる。

本発明の一実施形態によれば、プロセッサ１５０は、使用者の睡眠と関連した睡眠音響情報２１０を獲得することができる。本発明の一実施形態による、睡眠音響情報２１０の獲得は、メモリ１２０に格納された睡眠音響情報を獲得したり、又は、ローディング（loading）することであってよい。

また、睡眠音響情報の獲得は、有線／無線通信手段に基づいて他の格納媒体に、他のコンピューティング装置、同一のコンピューティング装置内の別途処理モジュールからデータを受信したり、又はローディングすることであってよい。

睡眠音響情報は、使用者の睡眠中に非侵襲方式で獲得される音響情報に関連したものであってよい。具体的な例を挙げると、睡眠音響情報は、睡眠中に使用者が寝返りを打つことにより発生する音響、筋肉の動きに関連した音響、又は睡眠中の使用者の呼吸に関連した音響などを含んでよい。すなわち、本発明における睡眠音響情報は、使用者の睡眠中に関連した動きパターン及び呼吸パターンに関連した音響情報を意味してよい。

一実施形態によれば、使用者が所持した使用者端末１０を介して使用者が活動する空間に関連した生活環境音響情報が獲得されてよく、プロセッサ１５０は、生活環境音響情報から睡眠音響情報を獲得することができる。

ここで、生活環境音響情報は、使用者の日常生活の中で獲得される音響情報であってよい。例えば、生活環境音響情報は、清掃に関連した音響情報、食べ物の料理に関連した音響情報、ＴＶ視聴に関連した音響情報等の使用者の生活によって獲得される多様な音響情報を含んでよい。

具体的に、プロセッサ１５０は、生活環境音響情報に既に設定されたパターンの情報が感知される特異点を識別することができる。ここで、既に設定されたパターンの情報は、睡眠に関連した呼吸及び動きパターンに関連したものであってよい。

例えば、目覚めている状態（wake）では、全ての神経系が活性化しているので、呼吸パターンが不規則的であり、体の動きが多くてよい。また、首の筋肉の弛緩がなされないため、呼吸の音が大変少ないことがある。

反面、使用者が睡眠をとる場合には、自律神経系が安定化されて呼吸が規則的に変化し、体の動きもまた少なくてよく、呼吸音も大きくなることがある。すなわち、プロセッサ１５０は、生活環境音響情報において、規則的な呼吸、少ない体の動き又は少ない呼吸音などに関連した既に設定されたパターンの音響情報が感知される時点を特異点として識別することができる。

また、プロセッサ１５０は、識別された特異点を基準として獲得される生活環境音響情報に基づいて睡眠音響情報を獲得することができる。プロセッサ１５０は、時系列的に獲得される生活環境音響情報から使用者の睡眠時点に関連した特異点を識別し、当該特異点を基準として睡眠音響情報を獲得することができる。

具体的な例を挙げると、図３を参照すると、プロセッサ１５０は、生活環境音響情報２００から既に設定されたパターンが識別される時点に関連した特異点２０１を識別することができる。また、プロセッサ１５０は、識別された特異点を基準として当該特異点以降に獲得される音響情報に基づいて睡眠音響情報２１０を獲得することができる。図３における音響に関連した波形及び特異点は、本発明の理解のための例示に過ぎず、本発明はこれに制限されない。

すなわち、プロセッサ１５０は、生活環境音響情報から使用者の睡眠に関連した特異点を識別することにより、膨大な量の音響情報から睡眠音響情報だけを抽出して獲得することができる。これは、使用者が自身の睡眠時間を記録する過程を自動化するようにして利便性を提供すると共に、獲得される睡眠音響情報の正確性の向上に寄与することができる。

実施形態によれば、睡眠音響情報は、使用者が所持した使用者端末１０を介して獲得することができる。例えば、使用者端末１０に備えられたマイクモジュールを介して使用者の睡眠環境に関連した睡眠音響情報を獲得することができる。

一般的に、使用者が所持した使用者端末１０に備えられたマイクモジュールは、比較的小さい大きさの使用者端末１０に備えられなければならないので、ＭＥＭＳ（Micro-Electro Mechanical Systems）で構成されてよい。このようなマイクモジュールは、非常に小型に製作が可能であるが、コンデンサマイク（Condenser Microphone）やダイナミックマイク（dynamic microphone）に比べて低い信号対雑音比（SNR）を有してよい。信号対雑音比が低いということは、識別しようとする音響比の識別しないようにする音響である雑音の比率が高いもので、音響の識別が容易でないこと（すなわち、不明）を意味し得る。

本発明において、分析の対象になる情報は、睡眠中に獲得される使用者の呼吸及び動きに関連した音響情報、すなわち、睡眠音響情報であってよい。このような睡眠音響情報は、使用者の呼吸及び動き等の非常に微細な音響に関する情報であり、睡眠環境の間に他の音響と共に獲得されるものであるため、低い信号対雑音比の前記したようなマイクモジュールを介して獲得される場合、探知及び分析が非常に難しいこともある。これにより、プロセッサ１５０は、低い信号対雑音比を有する睡眠音響情報が獲得される場合、これを処理及び／又は分析するためのデータに加工処理することができる。

一実施形態によれば、プロセッサ１５０は、睡眠音響情報に対する前処理を遂行することができる。睡眠音響情報に対する前処理は、ノイズ除去に関する前処理であってよい。具体的に、プロセッサ１５０は、睡眠音響情報を予め決められた時間単位を有する１以上の音響フレームに分類することができる。また、プロセッサ１５０は、１以上の音響フレームそれぞれのエネルギーレベルに基づいて最小エネルギーレベルを有する最小音響フレームを識別することができる。プロセッサ１５０は、最小音響フレームに基づいて睡眠音響情報に対するノイズ除去を遂行することができる。

具体的な例を挙げると、プロセッサ１５０は、３０秒の睡眠音響情報を非常に短い４０ｍｓの大きさの１以上の音響フレームに分類することができる。また、プロセッサ１５０は、４０ｍｓの大きさに関連した複数の音響フレームそれぞれの大きさを比較して、最小エネルギーレベルを有する最小音響フレームを識別することができる。プロセッサ１５０は、全体睡眠音響情報（すなわち、３０秒の睡眠音響情報）から識別された最小音響フレーム成分を除去することができる。

例えば、図４を参照すると、睡眠音響情報２１０から最小音響フレーム成分が除去されることにより、前処理された睡眠音響情報２１１を獲得することができる。すなわち、プロセッサ１５０は、最小音響フレームをバックグラウンドノイズフレームとして識別し、原本信号（すなわち、睡眠音響情報）から除去することによって、ノイズ除去に関する前処理を遂行することができる。

本発明の一実施形態によれば、プロセッサ１５０は、前処理された睡眠音響情報に対する分析を遂行して睡眠状態情報４２１を獲得することができる。実施形態によれば、睡眠状態情報４２１は、使用者の睡眠中に変化する睡眠段階に関連した情報であってよい。

例えば、睡眠状態情報４２１は、使用者の昨夜の８時間睡眠の間の各時点別に使用者の睡眠が浅い睡眠、普通睡眠、深い睡眠又はＲＥＭ睡眠などに変化した情報を意味し得る。前述した睡眠状態情報４２１に対する具体的な記載は例示に過ぎず、本発明はこれに制限されない。

具体的に、プロセッサ１５０は、前処理された睡眠音響情報に対応するスペクトログラムを生成することができる。前処理された睡眠音響情報に対応してスペクトログラムを生成する過程は、図４及び図５を参照して以下で後述するようにする。

プロセッサ１５０は、前処理された睡眠音響情報２１１に対応してスペクトログラムを生成することができる。プロセッサ１５０は、前処理された睡眠音響情報２１１に対する高速フーリエ変換を遂行して、前処理された睡眠音響情報２１１に対応するスペクトログラムを生成することができる。

スペクトログラムは、音や波動を視角化して把握するためのもので、波形（waveform）とスペクトル（spectrum）の特徴が組み合わされたものであってよい。スペクトログラムは、時間軸と周波数軸の変化によって振幅の差異を印刷濃度、又は表示色の差異で示したものであってよい。

本発明の一実施形態によれば、プロセッサ１５０が睡眠音響情報２１０に対応して生成するスペクトログラムは、メルスペクトログラムを含んでよい。プロセッサ１５０は、図５に示されたように、スペクトログラムに対するメルフィルタバンク（Mel-Filter Bank）を介してメルスペクトログラム（Mel-Spectrogram）を獲得することができる。

一般的に、人間の蝸牛管は、音声データの周波数によって振動する部位が相違し得る。また、人間の蝸牛管は、周波数が低い帯域で周波数の変化をよく感知し、高い帯域における周波数の変化をうまく感知できない特性を有している。これにより、音声データに対する人間の蝸牛管の特性と類似した認識能力を有するようにメルフィルタバンクを活用して、スペクトログラムからメルスペクトログラムを獲得することができる。

すなわち、メルフィルタバンクは、低い周波数帯域で少ないフィルタバンクを適用し、高帯域に行くほど広いフィルタバンクを適用するものであってよい。換言すれば、プロセッサ１５０は、人間の蝸牛管の特性と類似するように音声データを認識するために、メルフィルタバンクをスペクトログラムに適用することにより、メルスペクトログラムを獲得することができる。メルスペクトログラムは、人間の聴覚特性が反映された周波数成分を含んでよい。

すなわち、本発明において、睡眠音響情報に対応して生成され、神経網を活用した分析の対象となるスペクトログラムは、前述したメルスペクトログラムを含んでよい。

本発明において、睡眠音響情報は、呼吸及び体の動きに関連した音響に関連したものなので、非常に小さい声であり得る。これにより、プロセッサ１５０は、睡眠音響情報をスペクトログラム３００に変換して音響に対する分析を遂行することができる。

この場合、スペクトログラム３００は、前述したように、音の周波数スペクトルが時間によってどのように変換するのかを示す情報を含んでいるので、比較的小さい音響に関連した呼吸又は動きパターンを容易に識別することができ、分析の効率を向上させることができる。

具体的な例を挙げると、図５に示されたように、多様な睡眠段階によって、それぞれのスペクトログラムが相違した濃度の周波数スペクトルを有するように構成されてよい。すなわち、睡眠音響情報のエネルギーレベルの変化だけでは、目覚めている状態、ＲＥＭ睡眠状態、浅い睡眠状態、及び深い睡眠状態のうち少なくとも一つなのかを予測しにくいこともあるが、睡眠音響情報をスペクトログラムに変換することにより、各周波数のスペクトルの変化を容易に感知することができるので、小さい声（例えば、呼吸及び体の動き）に対応した分析が可能になり得る。

また、プロセッサ１５０は、スペクトログラム３００を睡眠分析モデルの入力で処理して睡眠状態情報４２１を獲得することができる。ここで、睡眠分析モデルは、使用者の睡眠段階の変化に関連した睡眠状態情報４２１を獲得するためのモデルで、使用者の睡眠中に獲得された睡眠音響情報を入力として睡眠状態情報４２１を出力することができる。実施形態において、睡眠分析モデルは、１以上のネットワーク関数を介して構成される神経網モデルを含んでよい。

睡眠分析モデルは、１以上のネットワーク関数で構成され、１以上のネットワーク関数は、一般的に、「ノード」と指称され得る相互連結された計算単位の集合で構成されてよい。このような「ノード」は、「ニューロン（neuron）」と指称されてもよい。１以上のネットワーク関数は、少なくとも１以上のノードを含んで構成される。１以上のネットワーク関数を構成するノード（又は、ニューロン）は、１以上の「リンク」によって相互連結されてよい。

神経網内において、リンクを介して連結された１以上のノードは、相対的に入力ノード及び出力ノードの関係を形成することができる。入力ノード及び出力ノードの概念は、相対的なものとして、一つのノードに対して出力ノードの関係にある任意のノードは、他のノードとの関係において入力ノードの関係にあってよく、その逆も成立し得る。前述したように、入力ノード対出力ノードの関係は、リンクを中心に生成されてよい。一つの入力ノードに１以上の出力ノードがリンクを介して連結されてよく、その逆も成立し得る。

一つのリンクを介して連結された入力ノード及び出力ノードの関係において、出力ノードは入力ノードに入力されたデータに基づいて、その値が決定され得る。ここで、入力ノードと出力ノードを相互連結するノードは、加重値（weight）を有してよい。加重値は可変的であってよく、神経網が所望する機能を遂行するために、使用者又はアルゴリズムによって可変されてよい。例えば、一つの出力ノードに１以上の入力ノードがそれぞれのリンクによって相互連結された場合、出力ノードは、前記出力ノードと連結された入力ノードに入力された値及びそれぞれの入力ノードに対応するリンクに設定された加重値に基づいて、出力ノード値を決定することができる。

前述したように、神経網は１以上のノードが１以上のリンクを介して相互連結されて神経網内で入力ノード及び出力ノードの関係を形成する。神経網内でノードとリンクの個数及びノードとリンクとの間の相関関係、リンクそれぞれに付与された加重値の値によって、神経網の特性が決定されてよい。例えば、同一の個数のノード及びリンクが存在し、リンク間の加重値の値が相違した二つの神経網が存在する場合、二つの神経網は互いに相違したものと認識することができる。

神経網を構成するノードのうち一部は、最初入力ノードからの距離に基づいて、一つのレイヤー（layer）を構成することができる。例えば、最初入力ノードから距離がｎであるノードの集合は、ｎレイヤーを構成することができる。最初入力ノードから距離は、最初入力ノードから当該ノードまで到達するために経なければならないリンクの最小個数によって定義することができる。しかし、このようなレイヤーの定義は、説明のための任意的なものであって、神経網内でレイヤーの差数は前述したものと相違した方法で定義されてよい。例えば、ノードのレイヤーは、最終出力ノードから距離によって定義されてもよい。

最初入力ノードは、神経網内のノードのうち他のノードとの関係でリンクを経ずにデータが直接入力される１以上のノードを意味してよい。又は、神経網ネットワーク内で、リンクを基準としたノード間の関係において、リンクに連結された他の入力ノードを持たないノードを意味してよい。これと同様に、最終出力ノードは、神経網内のノードのうち他のノードとの関係で、出力ノードを持たない１以上のノードを意味し得る。また、隠れノードは、最初入力ノード及び最後出力ノードでない神経網を構成するノードを意味し得る。本発明の一実施形態にともなう神経網は、入力レイヤーのノードが出力レイヤーに近い隠れレイヤーのノードよりも多くてよく、入力レイヤーから隠れレイヤーに進むことによりノードの数が減少する形態の神経網であってよい。

神経網は、１以上の隠れレイヤーを含んでよい。隠れレイヤーの隠れノードは、以前のレイヤーの出力と周辺の隠れノードの出力を入力にすることができる。各隠れレイヤー別の隠れノードの数は、同一であってもよく、相違してもよい。入力レイヤーのノードの数は、入力データのデータフィールドの数に基づいて決定されてよく、隠れノードの数と同一であってもよく、相違してもよい。入力レイヤーに入力された入力データは、隠れレイヤーの隠れノードによって演算することができ、出力レイヤーである完全連結レイヤー（FCL：fully connected layer）によって出力することができる。

本発明の一実施形態によれば、睡眠分析モデルは、予め決められたエポック別の１以上のフィーチャーを抽出するフィーチャー抽出モデル、及びフィーチャー抽出モデルを介して抽出されたフィーチャーそれぞれを１以上の睡眠段階に分類して睡眠状態情報４２１を生成するフィーチャー分類モデルを含んでよい。睡眠分析モデルを活用して睡眠状態情報４２１を獲得する過程は、図６を参照して以下で後述するようにする。

実施形態によれば、フィーチャー抽出モデル４１０は、スペクトログラム３００の時系列的周波数パターンを分析して、呼吸音、呼吸パターン、動きパターンに関連したフィーチャーを抽出することができる。一実施形態において、フィーチャー抽出モデル４１０は、学習データセットを介して事前学習された神経網モデル（例えば、オートエンコーダ）であってよい。ここで、学習データセットは、複数のスペクトログラム及び各スペクトログラムに対応する複数の睡眠段階情報で構成されてよい。

一実施形態において、フィーチャー抽出モデル４１０は、学習データセットを介して学習されたオートエンコーダ（Autoencoder）においてエンコーダを介して構成されてよい。オートエンコーダは、非指導学習方式を介して学習されてよい。オートエンコーダは、学習データセットを介して入力データと類似した出力データを出力するように学習されてよい。

詳しく説明すると、エンコーダを介してエンコーディング過程で入力されたスペクトログラムの核心特徴データ（又は、フィーチャー）のみを隠れレイヤーを介して学習し、残りの情報を損失させることができる。この場合、デコーダを介したデコーディング過程で隠れレイヤーの出力データは完璧な複写値でない入力データ（すなわち、スペクトログラム）の近似値であってよい。すなわち、オートエンコーダは、出力データと入力データが出来るだけ同じになるように加重値を調整するように学習することができる。

実施形態において、学習データセットに含まれた複数のスペクトログラムそれぞれには、睡眠段階情報がタギングされてよい。複数のスペクトログラムそれぞれをエンコーダに入力されてよく、各スペクトログラムに対応する出力はタギングされた睡眠段階情報とマッチングして格納されてよい。

具体的にエンコーダを用いて第１睡眠段階情報（例えば、浅い睡眠）がタギングされた第１学習データセット（すなわち、複数のスペクトログラム）エンコーダの入力とする場合、当該入力に対するエンコーダの出力に関連したフィーチャーは第１睡眠段階情報とマッチングして格納することができる。

実施形態において、エンコーダの出力に関連した１以上のフィーチャーは、ベクター空間上に表示することができる。この場合、第１学習データセットをそれぞれに対応して出力された特徴データは、第１睡眠段階に関連したスペクトログラムを介した出力であるため、ベクター空間上で比較的近い距離に位置することができる。すなわち、各睡眠段階に対応して複数のスペクトログラムが類似したフィーチャーを出力するようにエンコーダの学習が遂行されてよい。

エンコーダの場合、デコーダが入力データをよく復元できるようにする特徴をよく抽出するように学習することができる。したがって、フィーチャー抽出モデル４１０の学習されたオートエンコーダのうち、エンコーダを介して具現されることにより、入力データ（すなわち、スペクトログラム）をよく復元できるようにする特徴（すなわち、複数のフィーチャー）を抽出することができる。

前述した学習過程を介してフィーチャー抽出モデル４１０を構成するエンコーダは、スペクトログラム（例えば、睡眠音響情報に対応して変換されたスペクトログラム）を入力とする場合、当該スペクトログラムに対応するフィーチャーを抽出することができる。

実施形態において、プロセッサ１５０は、睡眠音響情報２１０に対応して生成されたスペクトログラム３００をフィーチャー抽出モデル４１０の入力で処理してフィーチャーを抽出することができる。ここで、睡眠音響情報２１０は、使用者の睡眠中に時系列的に獲得される時系列データであるため、プロセッサ１５０は、スペクトログラム３００を予め決められたエポックに分割することができる。

例えば、プロセッサ１５０は、睡眠音響情報２１０に対応するスペクトログラム３００を３０秒単位で分割して複数個のスペクトログラム３００ｎを獲得することができる。例えば、使用者の７時間（すなわち、４２０分）睡眠中の睡眠音響情報が獲得された場合、プロセッサ１５０は３０秒単位でスペクトログラムを分割して１４０個のスペクトログラム３００ｎを獲得することができる。前述した睡眠時間、スペクトログラムの分割時間単位及び分割個数に対する具体的な数値的記載は例示に過ぎず、本発明はこれに制限されない。

プロセッサ１５０は、分割された複数個のスペクトログラム３００ｎそれぞれをフィーチャー抽出モデル４１０の入力で処理し、複数個のスペクトログラム３００ｎそれぞれに対応する複数のフィーチャー４１１を抽出することができる。例えば、複数個のスペクトログラムの個数が１４０個である場合、これに対応してフィーチャー抽出モデル４１０が抽出する複数のフィーチャー４１１の個数もまた１４０個であってよい。前述したスペクトログラム及び複数のフィーチャーの個数に関連した具体的な数値的記載は例示に過ぎず、本発明はこれに制限されない。

また、プロセッサ１５０は、図６に示されたように、フィーチャー抽出モデル４１０を介して出力された複数のフィーチャー４１１をフィーチャー分類モデル４２０の入力で処理して睡眠状態情報４２１を獲得することができる。実施形態において、フィーチャー分類モデル４２０は、フィーチャーに対応して睡眠段階を予測するように事前学習された神経網モデルであってよい。

例えば、フィーチャー分類モデル４２０は、fully connected layerを含んで構成され、フィーチャーを睡眠段階のうち少なくとも一つに分類するモデルであってよい。例えば、フィーチャー分類モデル４２０は、第1スペクトログラムに対応する第1フィーチャーを入力とする場合、当該第１フィーチャーを浅い睡眠に分類することができる。

一実施形態において、フィーチャー分類モデル４２０は、様々なエポックに関連したスペクトログラムを入力にして、様々なエポックの睡眠段階を予測するマルチエポック分類を遂行することができる。マルチエポック分類とは、単一エポックのスペクトログラム（すなわち、３０秒に該当する一つのスペクトログラム）に対応して、一つの睡眠段階分析情報を提供するのではない、複数のエポックに該当するスペクトログラム（すなわち、それぞれ３０秒に該当するスペクトログラムの組み合わせ）を入力として、様々な睡眠段階（例えば、時間変化による睡眠段階の変化）を一度に推定するためのものであってよい。

例えば、呼吸パターン又は動きパターンは、脳波信号又は他の生体信号に比べてゆっくり変化するため、過去と未来の時点でパターンがどのように変化するのかを観察してこそ、正確な睡眠段階の推定が可能であり得る。

具体的な例を挙げると、フィーチャー分類モデル４２０は、４０個のスペクトログラム（例えば、それぞれ３０秒に該当するスペクトログラムが４０個）を入力として、中央に位置した２０個のスペクトログラムに対する予測を遂行することができる。すなわち、１から４０のスペクトログラムを全て詳しく見ても、１０から２０に対応するスペクトログラムに対応する分類を介して睡眠段階を予測することができる。前述したスペクトログラムの個数に対する具体的な数値的記載は例示に過ぎず、本発明はこれに制限されない。

すなわち、睡眠段階を推定する過程で、単一スペクトログラムそれぞれに対応して睡眠段階予測を遂行するのではない、過去と未来に関連した情報を全て考慮できるように複数のエポックに該当するスペクトログラムを入力として活用するようにすることにより、出力の正確度向上を図ることができる。

前述したように、プロセッサ１５０は、低い信号対雑音比で獲得された睡眠音響情報に対する前処理を遂行し、前処理された睡眠音響情報に基づいてスペクトログラムを獲得することができる。この場合、スペクトログラムロの変換は比較的小さい音響に関連した呼吸又は動きパターンを容易に分析するようにするためであってよい。

また、プロセッサ１５０は、フィーチャー抽出モデル４１０及びフィーチャー分類モデル４２０を含んで構成される睡眠分析モデルを活用して獲得したスペクトログラムに基づいた睡眠状態情報４２１を生成することができる。この場合、睡眠分析モデルは、過去と未来に関連した情報を全て考慮できるように複数のエポックに該当するスペクトログラムを入力として睡眠段階予測を遂行することができるので、より精度ある睡眠状態情報４２１を出力することができる。

本発明の一実施形態によれば、プロセッサ１５０は前処理された睡眠音響情報に基づいてデータ増強を遂行することができる。このようなデータ増強は、睡眠分析モデルをして多様なドメインから測定されたサウンド（例えば、他の寝室、他のマイク、他の配置位置など）でもロバスト（robust）に睡眠状態情報４２１を出力するようにするためである。実施形態においてデータ増強は、Pitch shifting、gaussian noise、loudness control、dynamic range control及びspec augmentationのうち少なくとも一つを含んでよい。

一実施形態によれば、プロセッサ１５０は、睡眠音響情報に基づいてPitch shiftingに関連したデータ増強を遂行することができる。例えば、プロセッサ１５０は、予め決められた間隔でサウンドのピッチを高めたり又は下げたりするなど、音響のピッチを調整することにより、データ増強を遂行することができる。

プロセッサ１５０は、Pitch shiftingだけでなく、ノイズに関連した補正を介してデータ増強を遂行するgaussian noise、音量を変化させても音質が維持される感じを与えるように音響を補正してデータ増強を遂行するloudness control、音響の最大振幅と最小振幅との間をｄＢで測定した大小比であるダイナミックレンジを調整してデータ増強を遂行するdynamic range control、及び音響の仕様増加に関連したspec augmentationを遂行することができる。

すなわち、プロセッサ１５０は、本発明の分析に基礎となる音響情報（すなわち、睡眠音響情報）に対するデータ増強を介して、睡眠分析モデルが多様な環境で獲得される睡眠音響に対応して強靭な認識を遂行するようにして睡眠段階予測の正確性を向上させることができる。

本発明の一実施形態によれば、プロセッサ１５０は、環境造成モジュールを制御することができる。具体的に、プロセッサ１５０は、照度調整に関連した外部環境造成情報を生成することができ、当該外部環境造成情報を環境造成モジュールに伝送することを決定することにより、環境造成モジュールの照度調整動作を制御することができる。

実施形態によれば、光は睡眠の質に影響を与え得る代表的な要因のうちの一つであり得る。例えば、光の照度、色、露出程度などにより、睡眠の質に良い影響を及ぼすことがあり、そして悪い影響を及ぼすことがある。これにより、プロセッサ１５０は、照度を調整して使用者の睡眠の質を向上させることができる。

例えば、プロセッサ１５０は、寝つく前でも寝ついた後の状況をモニタリングして、これによって、使用者を効果的に起こすための照度調整を遂行することができる。すなわち、プロセッサ１５０は、睡眠状態（例えば、睡眠段階）を把握して、自動で照度を調整して睡眠の質を最大化させることができる。

一実施形態において、プロセッサ１５０は、使用者端末１０から睡眠計画情報を受信することができる。睡眠計画情報は、使用者が使用者端末１０を介して生成する情報であって、例えば、就寝時間及び起床時間に関する情報を含んでよい。プロセッサ１５０は、睡眠計画情報に基づいて外部環境造成情報を生成することができる。

具体的な例を挙げると、プロセッサ１５０は、睡眠計画情報を介して使用者の就寝時間を識別し、当該就寝時間に基づいて外部環境造成情報を生成することができる。例えば、プロセッサ１５０は、就寝時間２０分前、ベッドの位置を基準として３０００Ｋの白色光を３０ｌｕｘの照度の光を提供するようにする外部環境造成情報を生成することができる。すなわち、就寝時間に関連して使用者が自然に睡眠に入るように誘導する照度を造成することができる。

また、例えば、プロセッサ１５０は、睡眠計画情報を介して使用者の起床時間を識別し、当該起床時間に基づいて外部環境造成情報を生成することができる。例えば、プロセッサ１５０は、起床時間３０分前からベッドの位置を基準として３０００Ｋの白色光を０ｌｕｘから始めて２５０ｌｕｘに達するように照度を徐々に高めるようにする外部環境造成情報を生成することができる。このような外部環境造成情報は、希望起床時間に対応して自然にすっきりと起床するように誘導することができる。

また、プロセッサ１５０は、外部環境造成情報を環境造成モジュールに伝送することを決定することができる。すなわち、プロセッサ１５０は、睡眠計画情報に基づいて就寝又は起床時に、使用者が睡眠に容易に入ったり又は自然に起きられるようにする外部環境造成情報を生成することにより、使用者の睡眠の質を向上させることができる。

他の実施形態において、プロセッサ１５０は、睡眠状態情報４２１に基づいて外部環境造成情報を生成することができる。実施形態において、睡眠状態情報４２１は、睡眠音響情報に対する分析を介して時系列的に獲得される使用者の睡眠段階の変化に関する情報を含んでよい。

具体的な例を挙げると、プロセッサ１５０は、使用者の睡眠状態情報４２１を介して使用者が睡眠段階（例えば、浅い睡眠）に進入したことを識別する場合、照度を最小化して光がない暗室環境を造成するようにする外部環境造成情報を生成することができる。すなわち、使用者の睡眠段階別の最適な照度、すなわち最適な睡眠環境を造成することにより、使用者の睡眠効率を向上させることができる。

この他にも、プロセッサ１５０は、睡眠中、使用者の睡眠段階の変化に応じて適正な照度を提供するようにするための外部環境造成情報を生成することができる。例えば、浅い睡眠から深い睡眠に変化する場合、微細な赤色光を供給したり、又はＲＥＭ睡眠から浅い睡眠に変化する場合、照度を低くしたり青色光を供給するなど、睡眠段階の変化に応じてより多様な外部環境造成情報を生成することができる。これは、睡眠前、又は、起床直後だけでない睡眠中の状況まで自動で考慮して睡眠経験の一部でない全体を考慮することにより、使用者をして睡眠の質を極大化させる効果を有することができる。

追加的な実施形態において、プロセッサ１５０は、睡眠状態情報４２１に基づいて推薦睡眠計画情報を生成することができる。具体的に、プロセッサ１５０は、睡眠状態情報４２１を介して使用者の睡眠段階の変化に対する情報（例えば、睡眠サイクル）を獲得することができ、このような情報を基に、起床予想時間を設定することができる。

例えば、一般的に、一日の間の睡眠サイクルは、浅い睡眠、深い睡眠、前睡眠、ＲＥＭ睡眠段階を経ることができる。プロセッサ１５０は、ＲＥＭ睡眠以降が使用者が最もすっきりと起床できる時点と判断し、ＲＥＭ時点以降に起床時間を決定することで、推薦睡眠計画情報を生成することができる。また、プロセッサ１５０は、推薦睡眠計画情報により外部環境造成情報を生成し、これを環境造成モジュールに伝送することを決定することができる。したがって、使用者は、プロセッサ１５０が推薦した推薦睡眠計画情報に従って自然に起床することができる。これは、プロセッサ１５０が使用者の睡眠段階の変化に応じて使用者の起床時点を推薦したもので、使用者の疲労度が最小化される時点であり得るので、使用者の睡眠効率が向上するという長所を有することができる。

図７は、本発明の一実施形態と関連した音響情報を介して使用者の睡眠状態を分析するための方法を例示的に示した順序図を示す。

本発明の一実施形態によれば、前記方法は、使用者の睡眠と関連した睡眠音響情報を獲得する段階（S100）を含んでよい。

本発明の一実施形態によれば、前記方法は、睡眠音響情報に対する前処理を遂行する段階（S200）を含んでよい。

本発明の一実施形態によれば、前記方法は、前処理された睡眠音響情報に対する分析を遂行して、睡眠状態情報４２１を獲得する段階（S300）を含んでよい。

前述した図７に示された段階は、必要によって順序が変更されてよく、少なくとも１以上の段階が省略又は追加されてよい。すなわち、前述した段階は、本発明の一実施形態に過ぎず、本発明の権利範囲はこれに制限されない。

図８は、本発明の一実施形態に関連したネットワーク関数を示した概略図である。

ディープニューラルネットワーク（DNN：deep neural network、深層神経網）は、入力レイヤーと出力レイヤーの他に複数の隠れレイヤーを含む神経網を意味してよい。ディープニューラルネットワークを用いれば、データの潜在的な構造（latent structures）を把握することができる。すなわち、写真、文、ビデオ、音声、音楽の潜在的な構造（例えば、どんな物体が写真にあるのか、文の内容と感情が何なのか、音声の内容と感情が何なのかなど）を把握することができる。

ディープニューラルネットワークは、畳み込みニューラルネットワーク（CNN：convolutional neural network）、リカレントニューラルネットワーク（RNN：recurrent neural network）、オートエンコーダ（auto encoder）、ＧＡＮ（Generative Adversarial Networks）、制限ボルツマンマシン（RBM：restricted boltzmann machine）、深層信頼ネットワーク（DBN：deep belief network）、Ｑネットワーク、Ｕネットワーク、シャムネットワークなどを含んでよい。前述したディープニューラルネットワークの記載は例示に過ぎず、本発明はこれに制限されない。

本発明の一実施形態において、ネットワーク関数はオートエンコーダを含んでもよい。オートエンコーダは、入力データと類似した出力データを出力するための人工神経網の一種であってよい。オートエンコーダは、少なくとも一つの隠れレイヤーを含んでよく、奇数個の隠れレイヤーが入出力レイヤーの間に配置されてよい。

それぞれのレイヤーのノードの数は、入力レイヤーのノードの数からボトルネックレイヤー（エンコーディング）という中間レイヤーに縮小され、ボトルネックレイヤーから出力レイヤー（入力レイヤーと対称）に縮小と対称されて拡張されてもよい。次元削減レイヤーと次元復元レイヤーのノードとは、対称であってもよく、そうでなくてもよい。

オートエンコーダは、非線形次元削減を遂行することができる。入力レイヤー及び出力レイヤーの数は、入力データの前処理以降に残ったセンサの数と対応されてよい。

オートエンコーダ構造においてエンコーダに含まれた隠れレイヤーのノードの数は、入力レイヤーから離れるほど減少する構造を有し得る。ボトルネックレイヤー（エンコーダとデコーダとの間に位置する最も少ないノードを有するレイヤー）のノードの数は非常に小さい場合、十分な量の情報が伝達できないことがあるので、特定数以上（例えば、入力レイヤーの半分以上など）に維持されてもよい。

ニューラルネットワークは、教師あり学習（supervised learning）、教師なし学習（unsupervised learning）、及び半教師あり学習（semi supervised learning）のうち少なくとも一つの方式で学習することができる。ニューラルネットワークの学習は、出力のエラーを最小化するためのものである。

ニューラルネットワークの学習において反復的に学習データをニューラルネットワークに入力させて学習データに対するニューラルネットワークの出力とターゲットのエラーを計算し、エラーを減らすための方向にニューラルネットワークのエラーをニューラルネットワークの出力レイヤーから入力レイヤー方向に逆伝播（backpropagation）してニューラルネットワークの各ノードの加重値をアップデートする過程である。

教師あり学習の場合、それぞれの学習データに正解がラベルリングされている学習データを使用し（すなわち、ラベルリングされた学習データ）、教師なし学習の場合は、それぞれの学習データに正解がラベリングされていないことがある。

すなわち、例えば、データ分類に関する教師あり学習の場合の学習データは、学習データそれぞれにカテゴリーがラベリングされたデータであってよい。ラベルリングされた学習データがニューラルネットワークに入力され、ニューラルネットワークの出力（カテゴリー）と学習データのラベルとを比較することによりエラー（error）を計算することができる。

他の例として、データ分類に関する教師なし学習の場合、入力である学習データがニューラルネットワーク出力と比較されることによりエラーを計算することができる。計算されたエラーは、ニューラルネットワークから逆方向（すなわち、出力レイヤーから入力レイヤー方向）に逆伝播されて、逆伝播によりニューラルネットワークの各レイヤーの各ノードの連結加重値をアップデートすることができる。

アップデートされる各ノードの連結加重値は、学習率（learning rate）によって変化量を決定することができる。入力データに対するニューラルネットワークの計算とエラーの逆伝播は、学習サイクル（epoch）を構成することができる。学習率は、ニューラルネットワークの学習サイクルの反復回数によって相違するように適用されてよい。

例えば、ニューラルネットワークの学習初期には、高い学習率を使用してニューラルネットワークが早く一定水準の性能を確保するようにして効率性を高め、学習後期には、低い学習率を使用して精度を高めることができる。

ニューラルネットワークの学習において、一般的に学習データは実際のデータ（すなわち、学習されたニューラルネットワークを用いて処理しようとするデータ）の部分集合であってよく、したがって、学習データに対するエラーは減少するが、実際のデータに対してはエラーが増加する学習サイクルが存在し得る。過剰適合（overfitting）は、このように学習データに過度に学習して実際のデータに対するエラーが増加する現象である。

例えば、黄色の猫を見せて猫を学習したニューラルネットワークが、黄色以外の猫を見て猫であることを認識できない現象が過剰適合の一種である。過剰適合は、マシンラーニングアルゴリズムのエラーを増加させる原因として作用し得る。このような過剰適合を防ぐために多様な最適化方法が使用されてよい。

過剰適合を防ぐためには、学習データを増加させたり、レギュラリゼイション（regularization）、学習の過程でネットワークのノードの一部を省略するドロップアウト（dropout）等の方法が適用されてよい。

本明細書にわたって、演算モデル、神経網、ネットワーク関数、ニューラルネットワーク（neural network）は、同一の意味として使用されてよい（以下では、神経網に統一して記述する。）。データ構造は神経網を含んでよい。そして、神経網を含むデータ構造は、コンピュータ読み取り可能媒体に格納されてよい。

神経網を含むデータ構造はまた、神経網に入力されるデータ、神経網の加重値、神経網のハイパーパラメータ、神経網から獲得したデータ、神経網の各ノード、又はレイヤーと関連した活性関数、神経網の学習のための損失関数を含んでよい。神経網を含むデータ構造は、前記開示された構成のうち任意の構成要素を含んでよい。

すなわち、神経網を含むデータ構造は、神経網に入力されるデータ、神経網の加重値、神経網のハイパーパラメータ、神経網から獲得したデータ、神経網の各ノード、又はレイヤーと関連した活性関数、神経網のトレーニングのための損失関数等の全部又はこれらの任意の組み合わせを含んで構成されてよい。

前述した構成以外にも、神経網を含むデータ構造は、神経網の特性を決定する任意の他の情報を含んでよい。また、データ構造は、神経網の演算過程に使用されたり発生する全ての形態のデータを含んでよく、前述した事項に制限されるわけではない。

コンピュータ読み取り可能媒体は、コンピュータ読み取り可能記録媒体及び／又はコンピュータ読み取り可能伝送媒体を含んでよい。神経網は、一般的にノードと指称され得る相互連結された計算単位の集合で構成されてよい。このようなノードは、ニューロン（neuron）と指称されてもよい。神経網は、少なくとも1以上のノードを含んで構成される。

本発明の実施形態と関連して説明された方法又はアルゴリズムの段階は、ハードウェアで直接具現されたり、ハードウェアによって実行されるソフトウェアモジュールで具現されたり、又は、これらの結合によって具現されてよい。ソフトウェアモジュールは、ＲＡＭ（Random Access Memory）、ＲＯＭ（Read Only Memory）、ＥＰＲＯＭ（Erasable Programmable ROM）、ＥＥＰＲＯＭ（Electrically Erasable Programmable ROM）、フラッシュメモリ（Flash Memory）、ハードディスク、着脱型ディスク、ＣＤ－ＲＯＭ、又は、本発明が属する技術分野における公知の任意の形態のコンピュータ読み取り可能記録媒体に奏することもできる。

本発明の構成要素は、ハードウェアであるコンピュータと結合して実行されるためにプログラム（又は、アプリケーション）で具現されて媒体に格納されてよい。本発明の構成要素は、ソフトウェアプログラミング又はソフトウェア要素で実行されてよく、これと類似するように、実施形態は、データ構造、プロセス、ルーティン、又は他のプログラミング構成の組み合わせで具現される多様なアルゴリズムを含み、Ｃ、Ｃ＋＋、ジャバ（Java）、アセンブラ（assembler）等と同じプログラミング、又はスクリプト言語で具現されてよい。機能的な側面は、１以上のプロセッサで実行されるアルゴリズムで具現されてよい。

本発明の技術分野で通常の知識を有する者は、ここに開示された実施形態と関連して説明された多様な例示的な論理ブロック、モジュール、プロセッサ、手段、回路、及びアルゴリズム段階が電子ハードウェア、（便宜のために、ここでは「ソフトウェア」と指称する）多様な形態のプログラム、又は設計コード、又はこれら全ての結合によって具現さ得るということを理解するだろう。

ハードウェア及びソフトウェアのこのような相互互換性を明確に説明するために、多様な例示的なコンポーネント、ブロック、モジュール、回路、及び段階が、これらの機能と関連して上記で一般的に説明された。このような機能がハードウェア又はソフトウェアとして具現されるか否かは、特定のアプリケーション及び全体システムに対して課される設計制約によって左右される。

本発明の技術分野における通常の知識を有する者は、それぞれの特定のアプリケーションに対して多様な方式で説明された機能を具現することができるが、このような具現の決定は本発明の範囲を逸脱するものと解釈されてはならないだろう。

ここで提示された多様な実施形態は、方法、装置、又は標準プログラミング及び／又はエンジニアリング技術を使用した製造物（article）で具現されてよい。用語「製造物」は、任意のコンピュータ読み取り可能装置からアクセス可能なコンピュータプログラム、キャリア、又は媒体（media）を含む。

例えば、コンピュータ読み取り可能媒体は、磁気記憶装置（例えば、ハードディスク、フロッピーディスク、磁気ストリップ、など）、光学ディスク（例えば、CD、DVD、など）、スマートカード、及びフラッシュメモリ装置（例えば、EEPROM、カード、スティック、キードライブ、など）を含むが、これらに制限されるわけではない。また、ここで提示される多様な記憶媒体は、情報を格納するための１以上の装置及び／又は他の機械読み取り可能な媒体を含む。用語「機械読み取り可能媒体」は、命令及び／又はデータを格納、保有、及び／又は、伝達できる無線チャネル及び多様な他の媒体を含むが、これらに制限されるわけではない。

提示されたプロセスにある段階の特定の順序又は階層構造は、例示的な接近の一例であることを理解するようにする。設計優先順位に基づいて、本発明の範囲内においてプロセスにある段階の特定の順序又は階層構造が再配列され得るということを理解するようにする。添付された方法の請求項は、サンプル順序で多様な段階のエレメントを提供するが、提示された特定の順序又は階層構造に限定されることを意味しない。

提示された実施形態に対する説明は、任意の本発明の技術分野における通常の知識を有する者が、本発明を利用したり又は実施できるように提供される。このような実施形態に対する多様な変形は、本発明の技術分野における通常の知識を有する者に明白なものであり、ここに定義された一般的な原理は、本発明の範囲を逸脱することなしに他の実施形態に適用され得る。そして、本発明はここに提示された実施形態で限定されるのではなく、ここに提示された原理及び新規の特徴と一貫する最広義の範囲で解釈されなければならないだろう。

１０：使用者端末
２０：外部サーバ
１００：コンピューティング装置
１１０：ネットワーク部
１２０：メモリ
１３０：センサ部
１４０：環境造成モジュール
１５０：プロセッサ
２００：生活環境音響情報
２０１：既に設定されたパターンが識別される時点に関連した特異点
２１０：睡眠音響情報
２１１：前処理された睡眠音響情報
３００：スペクトログラム
３００ｎ：複数個のスペクトログラム
４１０：フィーチャー抽出モデル
４１１：複数のフィーチャー
４２０：フィーチャー分類モデル
４２１：睡眠状態情報
Ｓ１００：使用者の睡眠と関連した睡眠音響情報を獲得する段階
Ｓ２００：睡眠音響情報に対する前処理を遂行する段階
Ｓ３００：前処理された睡眠音響情報に対する分析を遂行して睡眠状態情報を獲得する段階

Claims (15)

1. 音響情報を介して使用者の睡眠状態情報を分析するための方法において、
   使用者の睡眠音響情報を獲得する段階と、
   前記睡眠音響情報に対する前処理を遂行する段階と、
   前記前処理された睡眠音響情報に対する分析を遂行して睡眠状態情報を獲得する段階と、
   を含み、
   前記睡眠音響情報を獲得する段階は、使用者端末に備えられたマイクモジュールを介して睡眠音響情報を獲得する段階を含み、
   前記睡眠状態情報を獲得する段階は、前記睡眠音響情報をスペクトログラムに変換して音響に対する分析を遂行する段階を含む、
   音響情報を介して使用者の睡眠状態情報を分析するためのプログラムを記録した記録媒体。
2. 前記睡眠音響情報は、呼吸及び体の動きに関連した音響を含むことを特徴とする、
   請求項１に記載の音響情報を介して使用者の睡眠状態情報を分析するためのプログラムを記録した記録媒体。
3. 前記スペクトログラムが３０秒単位で分割されて複数個のスペクトログラムを構成することを特徴とする、
   請求項１に記載の音響情報を介して使用者の睡眠状態情報を分析するためのプログラムを記録した記録媒体。
4. 前記睡眠状態情報は、睡眠段階情報を含むことを特徴とする、
   請求項１に記載の音響情報を介して使用者の睡眠状態を分析するためのプログラムを記録した記録媒体。
5. 前記マイクモジュールは、ＭＥＭＳで構成されることを特徴とする、
   請求項１に記載の音響情報を介して使用者の睡眠状態を分析するためのプログラムを記録した記録媒体。
6. 音響情報を介して使用者の睡眠状態情報を分析するための装置において、
   使用者の睡眠と関連した睡眠音響情報を獲得するためのマイクモジュールと、
   前記睡眠音響情報に対する前処理を遂行し、前記前処理された睡眠音響情報に対する分析を遂行して睡眠状態情報を獲得するためのプロセッサ手段と、
   を含み、
   前記プロセッサ手段は、
   前記睡眠音響情報をスペクトログラムに変換して音響に対する分析を遂行し、前記睡眠状態情報を獲得する、
   音響情報を介して使用者の睡眠状態情報を分析するための装置。
7. 前記睡眠音響情報は、呼吸及び体の動きに関連した音響を含むことを特徴とする、
   請求項６に記載の音響情報を介して使用者の睡眠状態情報を分析するための装置。
8. 前記スペクトログラムが３０秒単位で分割されて複数個のスペクトログラムを構成することを特徴とする、
   請求項６に記載の音響情報を介して使用者の睡眠状態情報を分析するための装置。
9. 前記睡眠状態情報は、睡眠段階情報を含むことを特徴とする、
   請求項６に記載の音響情報を介して使用者の睡眠状態情報を分析するための装置。
10. 前記マイクモジュールは、ＭＥＭＳで構成されることを特徴とする、
    請求項６に記載の音響情報を介して使用者の睡眠状態情報を分析するための装置。
11. 音響情報を介して使用者の睡眠状態を分析するための睡眠分析モデルが実装されたサーバ装置において、
    前記睡眠分析モデルは、
    マイクモジュールを介して獲得された使用者の睡眠と関連した睡眠音響情報に対する分析を遂行し、
    前記睡眠音響情報をスペクトログラムに変換して音響に対する分析を遂行する、
    音響情報を介して使用者の睡眠状態情報を分析するための睡眠分析モデルが実装されたサーバ装置。
12. 前記睡眠音響情報は、呼吸及び体の動きに関連した音響を含むことを特徴とする、
    請求項１１に記載の音響情報を介して使用者の睡眠状態情報を分析するための睡眠分析モデルが実装されたサーバ装置。
13. 前記スペクトログラムが３０秒単位で分割されて複数個のスペクトログラムを構成することを特徴とする、
    請求項１１に記載の音響情報を介して使用者の睡眠状態情報を分析するための睡眠分析モデルが実装されたサーバ装置。
14. 前記睡眠状態情報は、睡眠段階情報を含むことを特徴とする、
    請求項１１に記載の音響情報を介して使用者の睡眠段階状態情報を分析するための睡眠分析モデルが実装されたサーバ装置。
15. 前記マイクモジュールは、ＭＥＭＳで構成されることを特徴とする、
    請求項１１に記載の音響情報を介して使用者の睡眠段階状態情報を分析するための睡眠分析モデルが実装されたサーバ装置。

Images