KR101085053B1 - 사용자 맞춤형 운동 추천 방법 및 이를 적용한 휴대용 단말기 - Google Patents

사용자 맞춤형 운동 추천 방법 및 이를 적용한 휴대용 단말기 Download PDF

Info

Publication number
KR101085053B1
KR101085053B1 KR1020090100526A KR20090100526A KR101085053B1 KR 101085053 B1 KR101085053 B1 KR 101085053B1 KR 1020090100526 A KR1020090100526 A KR 1020090100526A KR 20090100526 A KR20090100526 A KR 20090100526A KR 101085053 B1 KR101085053 B1 KR 101085053B1
Authority
KR
South Korea
Prior art keywords
exercise
user
information
calorie consumption
inference model
Prior art date
Application number
KR1020090100526A
Other languages
English (en)
Other versions
KR20110043826A (ko
Inventor
김용준
박한샘
조성배
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 KR1020090100526A priority Critical patent/KR101085053B1/ko
Publication of KR20110043826A publication Critical patent/KR20110043826A/ko
Application granted granted Critical
Publication of KR101085053B1 publication Critical patent/KR101085053B1/ko

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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/04—Inference or reasoning models

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • Primary Health Care (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Epidemiology (AREA)
  • Medical Informatics (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Biophysics (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Medical Treatment And Welfare Office Work (AREA)

Abstract

본 발명은 사용자 맞춤형 운동을 추천하는 휴대용 단말기에 관한 것으로, 특히 확률 모델 기반 상황 인식 기술을 이용하여 사용자에게 적합한 운동을 추천하는 휴대용 단말기에 관한 것이다. 본 발명은 휴대용 단말기로 수집된 사용자 정보 및 센서 정보를 이용하여 사용자의 운동 여부를 파악하고, 이를 기반으로 사용자가 실행한 운동에 관한 정보를 관리함으로써 사용자에게 적합한 운동을 추천할 수 있다.
운동 추천, 추론 모델, 센서 데이터, 베이지안 네트워크, 휴대용 단말기

Description

사용자 맞춤형 운동 추천 방법 및 이를 적용한 휴대용 단말기{PORTABLE DEVICE AND METHOD FOR RECOMMENDING USER FITTING EXERCISE}
본 발명은 사용자 맞춤형 운동을 추천하는 휴대용 단말기에 관한 것으로, 특히 확률 모델 기반 상황 인식 기술을 이용하여 사용자에게 적합한 운동을 추천하는 휴대용 단말기에 관한 것이다.
기존의 건강 관리 서비스는 주로 병원이나 의료기관에서 이루어지는 질병 치료에만 국한되는 건강 관리 중심으로 이루어지다가, 생활 수준의 향상과 함께 삶의 질 및 웰빙(well-being)에 대한 관심이 증가하면서 사전 예방적인 건강 관리 서비스에 대한 관심이 높이지고 있다.
최근 들어, 진단 가능한 복수의 생체 신호를 측정하기 위한 센서 기술과 휴대폰, PDA 등 휴대용 단말기를 이용한 사용자의 건강 관리를 위한 유비쿼터스 건강 관리 서비스에 대한 관심이 증가하고 있으며 유비쿼터스 건강 관리 서비스를 위한 기술 개발이 활발히 이루어지고 있다. 예를 들어, 실버 타운을 중심으로 노인들의 심전도, 혈당치 데이터를 검출하여 휴대폰 등의 휴대용 단말기를 통해 무선으로 병원 내 서버에 전송하여 외래 방문 시 상기 데이터를 조회할 수 있는 유비쿼터스 건 강 관리 서비스도 등장하고 있다.
특히, 상기 유비쿼터스 건강 관리 서비스에는 사용자의 특성 및 건강 상태에 따라 적절한 운동을 추천하기 위한 연구들이 진행되고 있다. 이 중 전문 의료인, 건강 관리 전문가 혹은 프로그램을 통한 운동 처방 방법은 이미 오래 전부터 시행되어오고 있다.
예를 들어, 전문 의료인의 일반적인 운동 제약사항 처방을 통한 운동 처방은 환자의 건강 상태를 의사가 판단하여 피해야 할 운동 관련 제약 사항을 처방한다. 이는 환자 개개인의 운동 능력을 토대로 처방하는 것이 아닌, 질병과 관련된 제약사항을 제공함으로써, 기본적인 운동 활동을 사용자 스스로 선택할 수 있도록 하는 수동적인 운동 처방 방법이다. 이는 사용자의 능동적인 운동 활동을 이끌어내지 못하는 단점이 있다.
데이터베이스화 되어 있는 특정 운동 세트의 처방 방법은 기존의 의료진이나 운동 전문가를 통하여 추천된 운동리스트들을 데이터베이스화하여 사용자에게 추천해주는 방식이다. 이는 사용자의 다양성을 고려하지 아니하고, 일반적으로 사용자들이 수행해야 할 운동 처방을 내림으로써, 사용자 맞춤형 서비스를 제공하지 못하는 한계점이 있다.
기기를 통하여 사용자 운동 능력 측정 후 미리 설정되어 있는 리스트 내에서 추천하는 방법은, 기존에 존재하는 운동 능력 측정기를 통하여 사용자의 운동 능력을 평가한 후 데이터베이스화 되어있는 운동 리스트 중에서 알맞은 운동 시퀀스를 추천하여 사용자에게 알려준다. 이는 사용자의 운동 능력이 적용된 시스템으로, 기 존의 시스템보다는 사용자 맞춤형 운동 추천 서비스가 가능하지만, 사용자의 단기적인 운동 능력 상태나 수행 정도, 혹은 각종 운동에 대한 선호도를 고려하지 않음으로써, 사용자가 직접 실행에 옮겨 적용하기에는 능동적 추천 방법이 부족하다.
이처럼, 기존의 운동 추천 방법은 전술한 단점들을 가지고 있기 때문에, 사용자의 여러 가지 상황을 적응적으로 인식하고 이를 기반으로 사용자에 적합한 운동을 추천하기 위한 새로운 방법이 절실히 요구된다.
본 발명은 사용자 정보 및 센서 정보를 이용하여 사용자의 운동 여부를 추론하고, 추론된 결과를 이용하여 사용자에게 적합한 운동을 추천하는 방법 및 장치를 제공한다.
또한, 본 발명은 학습 데이터를 분석하여 증거 변수를 추출하고, 상기 학습 데이터를 전처리하여 운동 여부 추론 모델을 학습하는 방법 및 장치를 제공한다.
본 발명은 사용자 정보 및 센서 데이터를 수신하는 과정과 상기 수신된 사용자 정보 및 센서 데이터를 이용하여 운동 여부 추론 모델을 학습하는 과정과 상기 학습된 추론 모델을 이용하여 사용자가 현재 운동하고 있는지 여부를 확인하는 과정 및 상기 확인된 결과를 기초로 사용자에게 적합한 운동을 추천하는 과정을 포함하는 사용자 맞춤형 운동 추천 방법을 제공한다.
또한, 본 발명은 사용자 맞춤형 운동 추천 기능을 가지는 휴대용 단말기에 있어서, 사용자로부터 사용자 정보를 입력 받는 사용자 정보 입력부와 센서부로부터 센서 데이터를 수신하는 센서 데이터 입력부와 상기 사용자 정보 입력부와 상기 센서 데이터 입력부로부터 제공된 상기 사용자 정보 및 상기 센서 데이터를 이용하여 운동 여부 추론 모델을 학습하는 추론 모델 학습부; 및 상기 학습된 추론 모델을 이용하여 사용자가 현재 운동하고 있는지 여부를 확인하고, 상기 확인된 결과를 기초로 사용자에게 적합한 운동을 추천하는 제어부를 포함하는 휴대용 단말기를 제 공한다.
본 발명은 휴대용 단말기로 수집된 사용자 정보 및 센서 정보를 이용하여 사용자의 운동 여부를 파악하고, 이를 기반으로 사용자가 실행한 운동에 관한 정보를 관리함으로써 사용자에게 적합한 운동을 추천할 수 있다.
또한, 본 발명은 사용자 정보 및 센서 정보를 이용하여 적절한 운동을 추천함으로써 사용자의 운동을 보조할 수 있고, 사용자는 실제 운동으로 소모한 칼로리 량을 바탕으로 미리 설정한 목표 칼로리 소모량을 효과적으로 달성할 수 있는 다양한 운동 방법을 추천 받을 수 있다.
하기에서 본 발명을 설명함에 있어 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술 되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
본 발명의 실시 예에서는 사용자 정보 및 센서 데이터를 이용하여 사용자의 운동 여부를 추론하고, 추론된 결과를 이용하여 사용자에게 적합한 운동을 추천하는 방법을 제공한다.
구체적으로, 본 발명은 학습 데이터를 분석하여 추론 모델을 학습하고, 상기 학습된 추론 모델을 이용하여 사용자의 운동 여부를 추론하며, 상기 추론된 결과를 이용하여 사용자의 운동 시간 및 운동 종류를 계산하고, 이를 기반으로 사용자에게 적합한 운동을 추천하는 방법을 설명한다.
본 발명의 바람직한 실시 예에 따른 방법은 이동 통신 단말기, 개인 휴대용 정보 단말기(Personal Digital Assistant) 또는 휴대형 멀티미디어 플레이어(Portable Multimedia Player)등과 같은 휴대용 단말기를 통해 구현할 수 있다.
본 발명의 실시 예에 따른 운동 추천 방법은 크게 운동 여부 추론 모델을 학습하는 방법과 상기 학습된 추론 모델을 이용하여 사용자에게 적합한 운동을 추천하는 방법으로 이루어진다.
이하에서는, 본 발명의 바람직한 실시 예에 대해 도면을 참조하여 상세히 설명하도록 한다.
도 1은 본 발명의 바람직한 실시 예에 따른 사용자 맞춤형 운동 추천 방법의 전체 흐름을 도시하고 있다.
도 1을 참조하면, 102 단계에서 휴대용 단말기는 사용자 정보 및 센서 데이터를 수집한다. 상기 사용자 정보는 사용자의 키 또는 몸무게 등과 같은 신상 정보와 목표 칼로리 소모량과 같은 운동 목표 정보를 포함한다. 상기 센서 데이터는 GPS 센서, 바이오 센서 등에 의해 측정되는 데이터를 포함한다.
통상, 상기 신상 정보 및 상기 운동 목표 정보는 사용자에 의해 미리 설정되어 상기 휴대용 단말기로 입력된다.
상기 센서 데이터들은 휴대용 단말기 내부 또는 위부에 위치하는 센서로부터 상기 휴대용 단말기로 입력된다. 스마트 폰과 같은 휴대용 단말기는 GPS 센서, 바이오 센서 등을 내부에 포함하고 있기 때문에 사용자의 위치 및 신체 상태에 따른 센서 데이터가 실시간으로 입력된다. 한편, 외부의 센서들은 사용자의 생체 신호를 센싱하는 생체 신호 센서, 주변 환경 정보를 센싱하는 환경 센서 및 사용자의 행동에 관한 정보를 센싱하는 사용자 행동 관련 센서들로 구성된 착용 형 센서가 될 수 있다. 상기 휴대용 단말기와 상기 외부 센서는 무선 랜, 적외선 통신 또는 블루투스 등을 이용하여 무선 통신을 수행함으로써 센터 데이터를 송수신한다.
상기 사용자 정보 및 상기 센서 데이터는 사용자를 위한 운동 추천의 기반 데이터로 사용된다.
104 단계에서, 상기 휴대용 단말기는 학습 데이터를 분석하여 운동 여부 추론 모델을 학습한다. 상기 학습 데이터로 이용되는 정보는 상기 휴대용 단말기로 수집된 사용자 정보 및 센서 데이터이다. 상기 운동 여부 추론 모델을 학습하는 방법에 대해서는 도 2를 참조하여 상세히 설명하도록 한다.
상기 운동 여부 추론 모델의 학습 과정이 완료되면, 106 단계에서 상기 휴대용 단말기는 상기 추론 모델을 이용하여 사용자의 운동 여부를 추론하고, 이를 기반으로 사용자에 적합한 운동을 추천한다. 상기 운동 여부 추론 및 운동 추천 방법에 대해서는 도 5를 참조하여 상세히 설명하도록 한다.
도 2는 본 발명의 바람직한 실시 예에 따른 운동 여부 추론 모델을 학습하기 위한 동작의 흐름을 도시하고 있다.
도 2를 참조하면, 202 단계에서 휴대용 단말기는 학습 데이터를 분석하여 운 동 여부 추론에 의미 있는 항목들을 패턴 분석을 통해 파악한다.
이후, 204 단계에서 상기 휴대용 단말기는 상기 패턴 분석을 통해 파악한 의미 있는 항목들 중에서 중요하다고 생각되는 항목들을 모아 증거 변수로 추출한다.
상기 증거 변수의 추출이 완료되면, 206 단계에서 상기 휴대용 단말기는 상기 추출된 증거 변수들의 값을 정의하고, 해당 증거 변수들의 값을 상기 학습 데이터로부터 가져오기 위해 데이터의 전처리 과정을 수행한다.
이후 208 단계에서, 상기 휴대용 단말기는 상기 증거 변수들의 값을 이용하여 사용자의 운동 여부를 추론하기 위해 사용되는 추론 모델을 학습시킨다.
상기 운동 여부 추론 모델은 공지된 추론 기법 중 어느 하나에 의하여 바람직하게 구현될 수 있으며, 본 발명의 바람직한 실시 예에서는 그 일 예로서 통계 기법 중 하나인 베이지안 네트워크(Bayesian network)를 이용하여 사용자의 운동 여부를 추론한다.
상기 베이지안 네트워크는 확률 변수들(random variables)의 집합과 그것들의 조건부 독립성(conditional independencies)을 방향성 비 순환 그래프(directed acyclic graph, DAG)를 통해 나타내는 확률 그래프 모델(probabilistic graphical model)이다. 상기 베이지안 네트워크는 많은 변수들 간의 확률 관계를 비교적 축약된 형태로 표현하는데 유용한 모델로 확률적 추론, 예측, 의사 결정 등에 적합한 모델이다. 이러한 특징으로 인하여 확률적 성격이 강한 상황 인식 기술에서 베이지안 네트워크가 사용되고 있다.
즉, 상기 베이지안 네트워크는 결측치가 많이 포함된 데이터를 자연스럽게 처리할 수 있고, 변수들 사이의 인과관계를 알려줌으로써 특정 조건 아래에서 결과를 예측할 수 있다는 장점이 있기 때문에, 본 발명의 바람직한 실시 예에서는 일련의 상황 정보로부터 사용자의 운동 여부(즉, 상황 인식)를 추론하는 방법으로서 상기 베이지안 네트워크를 사용한다.
도 3은 베이지안 네트워크를 이용한 운동 여부 추론 모델의 일 예를 도시하고 있다.
도 3을 참조하면, 상기 베이지안 네트워크는 기본적으로 증거 변수들간의 결합확률분포를 나타내기 때문에 추론 모델의 예측이 가능하다. 즉, 상기 베이지안 네트워크는 상황 정보인 증거 변수들을 통해 사용자의 운동 여부를 추론하고, 이를 학습하는 모델을 구현할 수 있다.
예를 들어, 상기 베이지안 네트워크에는 총 6개의 노드가 존재한다. 이 중 5 개의 노드는 증거 변수이고, 상기 증거 변수에는 활동량, 운동가능위치여부, 이동 속도, 현재 시간, 휴일 여부가 존재한다. 상기 5 개의 증거 변수들은 운동 여부 추론에 의미 있는 항목들 중 중요하다고 생각되는 항목들이다.
그리고, 상기 5 개의 증거 변수들과 연결된 추론 대상(즉, 운동 여부) 노드가 존재한다. 상기 증거 변수들과 상기 추론 대상 노드간의 결합 확률 분포를 이용하여 사용자의 운동 여부를 추론한다.
도 4의 표를 참조하면, 상기 증거 변수들과 추론 대상을 베이지안 네트워크의 노드로 정의하고, 상기 노드들에 대한 노드 값을 예시하고 있다. 예를 들어, 활동량에 대한 노드 값은 많음/보통/조금으로, 운동가능위치여부에 대한 노드 값은 가능/불가능으로, 이동 속도에 대한 노드 값은 빠름/보통/느림으로, 현재 시간에 대한 노드 값은 오전/오후/저녁/밤/새벽으로, 휴일 여부에 대한 노드 값은 예/아니오, 운동 여부에 대한 노드 값은 예/아니오 로 설정할 수 있다.
상기 증거 변수들은 휴대용 단말기로 수집되는 학습 데이터(사용자 정보 및 센서 정보)를 분석하여 추출된다. 예를 들어, 상기 학습 데이터는 휴대용 단말기로 수집된 사용자 정보와 센서로부터 획득한 생체 신호 정보, 주변 환경 정보, 시간 정보, 위치 정보 등이 될 수 있다. 상기 사용자 정보와 센서 데이터를 이용하여 증거 변수인 사용자의 활동량, 운동가능위치여부, 이동 속도, 현재 시간, 휴일 여부를 추출할 수 있다.
이후, 상기 추출된 증거 변수들의 값을 정의하고, 해당 증거 변수들의 값을 결정하기 위해 상기 학습 데이터의 전처리 작업을 수행한다. 상기 결정된 증거 변수들의 값은 확률 모델 기반의 베이지안 네트워크를 이용하여 상황 인식 정보를 추출하는데 사용된다. 즉, 사용자의 활동량, 운동가능위치여부, 이동 속도, 현재 시간, 휴일 여부 등에 대한 증거 변수들의 값을 결정하고, 상기 증거 변수들의 값을 이용하여 현재 사용자가 운동을 하고 있는지 여부를 추론한다. 그리고, 상기 학습 데이터로부터 파라미터 학습 또는 구조 학습을 통해 추론 모델을 학습하는 과정을 반복한다.
이상의 과정을 통하여 본 발명의 바람직한 실시 예에서는 확률 모델 기반의 상황 인식 기술을 이용하여 사용자의 운동 여부 추론 모델을 학습할 수 있다.
상기 추론 모델에 대한 학습이 완료되면, 상기 추론 모델을 이용하여 사용자 의 운동 여부를 추론하고, 이를 기반으로 사용자에 적합한 운동을 추천하는 방법을 수행한다.
도 5는 본 발명의 바람직한 실시 예에 따른 추론 모델을 이용하여 운동을 추천하기 위한 동작의 흐름을 도시하고 있다.
도 5를 참조하면, 502 단계에서 휴대용 단말기는 사용자로부터 사용자 정보를 획득한다. 상기 사용자 정보에는 사용자의 키, 몸무게 등의 신상 정보와 목표 칼로리 소모량 등의 운동 목표를 포함한다. 상기 사용자 정보는 실시간으로 변경되는 정보가 아니기 때문에, 사용자의 상태에 따라 상기 사용자 정보가 변경되는 경우에만 상기 휴대용 단말기로 입력된다.
504 단계에서, 상기 휴대용 단말기에 구비된 GPS 센서, 바이오 센서 및 외부 센서 등으로부터 센서 데이터를 획득한다. 상기 센서 데이터로부터 사용자의 현재 위치, 이동 속도, 주변 환경 정보, 생체 신호 등의 정보를 획득할 수 있다. 상기 502 단계 및 상기 504 단계가 완료되면, 506 단계로 이동한다.
상기 506 단계에서, 상기 사용자 정보 및 상기 센서 데이터를 전처리하여 추론 모델에 사용할 증거 변수를 추출한다. 즉, 상기 사용자 정보 및 상기 센서 데이터를 분석하여 운동 여부 추론에 의미 있는 항목들을 패턴 분석을 통해 파악하고, 상기 파악된 의미 있는 항목들 중에서 중요하다고 생각되는 항목들을 모아 증거 변수로 추출한다.
이후, 508 단계에서 상기 추출된 증거 변수를 학습된 추론 모델에 입력하여 현재 사용자가 운동하고 있는지 여부를 추론한다. 즉, 확률 모델 기반의 상황 인식 기술을 이용하여 사용자의 운동 여부를 추론한다.
510 단계에서, 상기 운동 여부 추론 결과 사용자가 운동 중이 아니라고 판단되면, 504 단계로 이동하여 센서 정보를 획득하는 과정을 반복한다. 한편, 상기 510 단계에서 사용자가 운동 중인 것으로 판단되면, 512 단계로 이동한다.
상기 512 단계에서, 상기 휴대용 단말기에 구비된 GPS 센서로부터 획득된 사용자의 위치 변화량을 기초로 사용자의 운동 속도를 계산한다. 이후, 514 단계에서, 상기 계산된 운동 속도에 따라 사용자가 수행한 운동의 종류를 계산한다. 예를 들어, 사용자가 걷기, 빨리 걷기, 달리기, 자전거 타기, 축구 등을 하는 경우 평균 운동 속도가 서로 다르게 때문에, 사용자의 평균 운동 속도에 따라 사용자가 수행하는 운동의 종류를 계산할 수 있다. 상기 운동 속도에 따른 운동 종류는 미리 설정되어 상기 휴대용 단말기 내의 메모리 또는 데이터베이스에 저장될 수 있다.
516 단계에서, 상기 계산된 운동 종류에 따라 사용자가 소모한 칼로리 량을 계산한다. 도 6의 표를 참조하면, 운동 종류에 따른 체중 별 칼로리 소모량을 예시하고 있다. 즉, 사용자가 수행하고 있는 운동의 종류와 사용자 정보로부터 획득한 체중 정보를 이용하여 사용자의 현재 칼로리 소모량을 계산할 수 있다. 상기 운동 종류에 따른 체중 별 칼로리 소모량은 미리 설정되어 상기 휴대용 단말기 내의 메모리 또는 데이터베이스에 저장될 수 있다.
상기 516 단계가 완료되면, 518 단계에서 상기 계산된 칼로리 소모량과 사용자가 설정한 목표 칼로리 소모량을 비교하여 운동 목표를 완수하였는지 여부를 판단한다. 만약 상기 계산된 칼로리 소모량이 상기 목표 칼로리 소모량 보다 많다면, 운동의 목표가 완수된 것으로 판단하여 운동 추천 과정을 완료한다.
만약 상기 계산된 칼로리 소모량이 상기 목표 칼로리 소모량 보다 적다면, 운동의 목표가 완수되지 않은 것으로 판단하여 520 단계로 이동한다.
상기 520 단계에서, 상기 계산된 칼로리 소모량과 목표 칼로리 소모량의 비교를 기초로 사용자에게 적합한 운동을 추천한다. 즉, 사용자가 미리 설정한 목표 칼로리 소모량에서 사용자가 현재까지 수행한 운동에 의한 칼로리 소모량을 뺀 값에 향후 운동 가능한 시간을 예측하여 평균 소모 필요 칼로리 량을 계산하고, 이후 상기 필요 칼로리 량을 달성할 수 있는 운동을 추천한다.
운동 종류에 따른 체중 별 칼로리 소모량은 상기 휴대용 단말기 내 메모리 또는 데이터베이스에 저장되어 있기 때문에, 이를 이용하여 사용자에게 적합한 운동을 추천할 수 있다. 상기 520 단계가 완료되면, 504 단계로 이동하여 전술한 운동 추천 과정을 반복한다.
이상 전술한 과정을 통해 사용자 정보 및 센서 데이터를 이용하여 사용자의 운동 여부를 추론하고, 추론된 결과를 기초로 사용자에게 적합한 운동을 추천하는 방법을 제공한다.
도 7은 본 발명의 바람직한 실시 예에 따른 운동 추천 방법을 적용한 휴대용 단말기의 구성을 도시한다.
도 7을 참조하면, 휴대용 단말기(700)는 사용자 정보 입력부(702), 센서 데이터 입력부(704), 센서부(706), 추론 모델 학습부(708), 제어부(710), 메모리(712)를 포함한다. 이하, 본 발명의 내용과 관련 없는 상기 휴대용 단말기(700) 의 다른 구성 요소들에 대해서는 생략하도록 한다.
상기 사용자 정보 입력부(702)는 사용자로부터 사용자 정보를 획득한다. 상기 사용자 정보에는 사용자의 키 또는 몸무게 등과 같은 신상 정보와 목표 칼로리 소모량과 같은 운동 목표 정보를 포함한다.
상기 센서 데이터 입력부(704)는 센서부(706)로부터 사용자의 생체 신호 정보, 주변 환경 정보, 사용자의 행동에 관한 정보와 같은 센서 데이터를 획득한다. 상기 센서부(706)는 상기 휴대용 단말기(700) 내부에 위치하는 것을 도시하고 있으나, 상기 휴대용 단말기(700) 외부에 위치할 수 있음은 당업자에게 자명하다. 한편, 외부 센서들(미도시)은 무선 랜, 적외선 통신 또는 블루투스 등을 이용하여 무선 통신을 수행함으로써 상기 휴대용 단말기(700)로 센터 데이터를 송신한다.
본 발명의 바람직한 실시 예에서, 상기 사용자 정보 및 상기 센서 데이터는 사용자를 위한 운동 추천의 기반 데이터로 사용된다.
추론 모델 학습부(708)는 학습 데이터를 이용하여 사용자의 운동 여부 추론 모델을 학습하는 기능을 수행한다.
상기 사용자 정보 입력부(702) 및 상기 센서 데이터 입력부(704)로부터 제공된 사용자 정보 및 센서 데이터는 상기 추론 모델 학습을 위한 학습 데이터로 사용된다.
상기 추론 모델 학습부(708)는 상기 학습 데이터를 분석하여 운동 여부 추론에 의미 있는 항목들을 패턴 분석을 통해 파악한다. 그리고, 상기 추론 모델 학습부(708)는 상기 패턴 분석을 통해 파악한 의미 있는 항목들 중에서 중요하다고 생 각되는 항목들을 모아 증거 변수로 추출한다.
상기 증거 변수의 추출이 완료되면, 상기 추론 모델 학습부(708)는 상기 추출된 증거 변수들의 값을 정의하고, 해당 증거 변수들의 값을 상기 학습 데이터로부터 가져오기 위해 데이터의 전처리 과정을 수행한다.
상기 추론 모델 학습부(708)는 상기 증거 변수들의 값을 이용하여 사용자의 운동 여부를 추론하기 위해 사용되는 추론 모델을 학습한다.
상기 운동 여부 추론 모델은 공지된 추론 기법 중 어느 하나에 의하여 바람직하게 구현될 수 있으며, 본 발명의 바람직한 실시 예에서는 그 일 예로서 통계 기법 중 하나인 베이지안 네트워크(Bayesian network)를 이용하여 사용자의 운동 여부를 추론한다.
상기 제어부(710)는 학습된 추론 모델을 이용하여 현재 사용자의 운동 여부를 추론하고, 이를 기반으로 사용자에 적합한 운동을 추천하는 기능을 수행한다.
먼저, 상기 제어부(710)는 상기 사용자 정보 입력부(702) 및 상기 센서 데이터 입력부(704)로부터 사용자 정보 및 센서 데이터를 수신한다. 상기 제어부(710)는 상기 사용자 정보 및 센서 데이터를 전처리하여 추론 모델에 사용할 증거 변수를 추출한다. 상기 제어부(710)는 추출된 증거 변수를 상기 추론 모델 학습부(708)에 입력하여 현재 사용자가 운동하고 있는 지 여부를 결정한다.
만약 사용자가 운동 중인 것으로 결정되면, 상기 제어부(710)는 상기 센서부(706)로부터 획득한 사용자의 위치 변화량을 기초로 운동 속도를 계산한다. 그리고, 상기 제어부(710)는 상기 계산된 운동 속도에 따라 사용자가 수행한 운동 종류 와 소모된 칼로리 량을 계산한다.
상기 계산을 위해 사용되는 운동 속도에 따른 운동 종류에 관한 정보와 운동 종류에 따른 체중 별 칼로리 소모량에 관한 정보 등은 메모리(712) 또는 데이터베이스(미도시)에 미리 설정되어 저장된다. 따라서, 상기 제어부(710)는 상기 메모리(712)에 저장된 정보를 이용하여 운동 종류 및 소모된 칼로리 량을 계산할 수 있다.
상기 제어부(710)는 상기 계산된 칼로리 소모량과 사용자가 설정한 목표 칼로리 소모량을 비교하여 운동 목표를 완수하였는지 여부를 판단한다. 만약 상기 계산된 칼로리 소모량이 상기 목표 칼로리 소모량 보다 많다면, 운동의 목표가 완수된 것으로 판단하여 운동 추천 과정을 완료한다.
만약 상기 계산된 칼로리 소모량이 상기 목표 칼로리 소모량 보다 적다면, 운동의 목표가 완수되지 않은 것으로 판단하여 사용자에 적합한 운동을 추천한다.
즉, 사용자가 미리 설정한 목표 칼로리 소모량에서 사용자가 현재까지 수행한 운동에 의한 칼로리 소모량을 뺀 값에 향후 운동 가능한 시간을 예측하여 평균 소모 필요 칼로리 량을 계산하고, 이후 상기 필요 칼로리 량을 달성할 수 있는 운동을 추천한다.
운동 종류에 따른 체중 별 칼로리 소모량에 관한 정보가 상기 메모리(712) 또는 데이터베이스에 저장되어 있기 때문에, 이를 이용하여 상기 제어부(710)는 사용자에게 적합한 운동을 추천할 수 있다.
따라서, 본 발명의 바람직한 실시 예에 따른 휴대용 단말기는 확률 모델 기 반 상황 인식 기술을 이용하여 사용자에 적합한 운동을 추천할 수 있다.
한편 이상에서는 본 발명의 구체적인 실시 예에 관해 설명하였으나, 본 발명의 범위에서 벗어나지 않는 한도 내에서 여러 가지 변형이 가능함은 물론이다. 그러므로 본 발명의 범위는 설명된 실시 예에 국한되지 않으며, 후술 되는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.
도 1은 본 발명의 바람직한 실시 예에 따른 사용자 맞춤형 운동 추천 방법의 전체 흐름도;
도 2는 본 발명의 바람직한 실시 예에 따른 운동 여부 추론 모델을 학습하기 위한 동작의 흐름도;
도 3은 베이지안 네트워크를 이용한 운동 여부 추론 모델의 일 예를 도시한 도면;
도 4는 운동 여부 추론 모델에 사용되는 노드 및 노드 값의 일 예를 도시한 도면;
도 5는 본 발명의 바람직한 실시 예에 따른 추론 모델을 이용하여 운동을 추천하기 위한 동작의 흐름도;
도 6은 운동 종류에 따른 체중 별 칼로리 소모량의 일 예를 도시한 도면;
도 7은 본 발명의 바람직한 실시 예에 따른 운동 추천 방법을 적용한 휴대용 단말기의 구성도.

Claims (14)

  1. 사용자 정보 및 센서 데이터를 수신하는 과정과;
    상기 사용자 정보 및 상기 센서 데이터를 분석하여 운동 여부 추론 모델을 학습하는 과정과;
    상기 학습된 추론 모델을 이용하여 사용자가 현재 운동하고 있는지 여부를 확인하는 과정; 및
    상기 사용자가 운동하고 있는지 여부에 따라 상기 사용자에게 상기 사용자가 설정한 운동 목표를 달성하기 위한 운동을 추천하는 과정을 포함하는 사용자 맞춤형 운동 추천 방법.
  2. 제 1항에 있어서,
    상기 사용자 정보는 사용자의 신상 정보 및 사용자의 운동 목표 정보임을 특징으로 하는 사용자 맞춤형 운동 추천 방법.
  3. 제 1항에 있어서, 상기 추론 모델을 학습하는 과정은,
    상기 사용자 정보 및 상기 센서 데이터를 분석하여 증거 변수들을 추출하는 과정과;
    상기 추출된 증거 변수들의 값을 정의하고, 해당 증거 변수들의 값을 획득하기 위해 상기 사용자 정보 및 상기 센서 데이터를 전처리하는 과정; 및
    상기 증거 변수들의 값을 이용하여 추론 모델을 학습하는 과정을 포함하는 것을 특징으로 하는 사용자 맞춤형 운동 추천 방법.
  4. 제 3항에 있어서,
    상기 운동 여부 추론 모델은 베이지안 네트워크가 사용되는 것을 특징으로 하는 사용자 맞춤형 운동 추천 방법.
  5. 제 1항에 있어서, 상기 확인하는 과정은,
    상기 사용자 정보 및 상기 센서 데이터를 전처리하여 증거 변수들을 추출하는 과정과;
    상기 추출된 증거 변수들을 상기 학습된 추론 모델에 입력하여 사용자가 현재 운동하고 있는지 여부를 확인하는 과정을 포함하는 것을 특징으로 하는 사용자 맞춤형 운동 추천 방법.
  6. 제 1항에 있어서, 상기 운동을 추천하는 과정은,
    상기 센서 데이터로부터 사용자의 운동 속도를 계산하는 과정과;
    상기 운동 속도에 따라 사용자의 운동 종류 및 칼로리 소모량을 계산하는 과정과;
    상기 칼로리 소모량과 목표 칼로리 소모량을 비교하여 상기 운동 목표를 달성하기 위한 운동을 추천하는 과정을 포함하는 것을 특징으로 하는 사용자 맞춤형 운동 추천 방법.
  7. 제 6항에 있어서, 상기 운동을 추천하는 과정은,
    상기 목표 칼로리 소모량에서 상기 칼로리 소모량을 뺀 값, 향후 운동 가능 시간 및 운동 종류별 칼로리 소모량을 계산하여 사용자에게 운동을 추천하는 것을 특징으로 하는 사용자 맞춤형 운동 추천 방법.
  8. 사용자 맞춤형 운동 추천 기능을 가지는 휴대용 단말기에 있어서,
    사용자로부터 입력된 사용자 정보를 출력하는 사용자 정보 입력부와;
    센서부로부터 수신된 센서 정보를 출력하는 센서 데이터 입력부와;
    상기 사용자 정보 입력부 및 상기 센서 데이터 입력부로부터 출력된 정보를 분석하여 운동 여부 추론 모델을 학습하는 추론 모델 학습부; 및
    상기 학습된 추론 모델을 이용하여 사용자가 현재 운동하고 있는지 여부를 확인하고, 상기 사용자가 운동하고 있는지 여부에 따라 상기 사용자에게 상기 사용자가 설정한 운동 목표를 달성하기 위한 운동을 추천하는 제어부를 포함하는 휴대용 단말기.
  9. 제 8항에 있어서,
    상기 사용자 정보는 사용자의 신상 정보 및 사용자의 운동 목표 정보임을 특징으로 하는 휴대용 단말기.
  10. 제 8항에 있어서, 상기 추론 모델 학습부는,
    상기 사용자 정보 및 상기 센서 정보를 분석하여 증거 변수들을 추출하고,
    상기 추출된 증거 변수들의 값을 정의하고 해당 증거 변수들의 값을 획득하기 위해 상기 사용자 정보 및 상기 센서 정보를 전처리하며, 상기 증거 변수들의 값을 이용하여 추론 모델을 학습하는 것을 특징으로 하는 휴대용 단말기.
  11. 제 10항에 있어서,
    상기 운동 여부 추론 모델은 베이지안 네트워크가 사용되는 것을 특징으로 하는 휴대용 단말기.
  12. 제 8항에 있어서, 상기 제어부는,
    상기 사용자 정보 및 상기 센서 정보를 전처리하여 증거 변수들을 추출하고, 상기 증거 변수들을 상기 추론 모델 학습부에 입력하여 사용자가 현재 운동하고 있는지 여부를 확인하는 것을 특징으로 하는 휴대용 단말기.
  13. 제 8항에 있어서, 상기 제어부는,
    상기 센서 정보로부터 사용자의 운동 속도를 계산하고, 상기 계산된 운동 속도에 따라 사용자의 운동 종류 및 칼로리 소모량을 계산하고, 상기 칼로리 소모량과 목표 칼로리 소모량을 비교하여 상기 운동 목표를 달성하기 위한 운동을 추천하는 것을 특징으로 하는 휴대용 단말기.
  14. 제 13항에 있어서, 상기 제어부는,
    상기 목표 칼로리 소모량에서 상기 칼로리 소모량을 뺀 값, 향후 운동 가능 시간 및 운동 종류 별 칼로리 소모량을 계산하여 사용자에게 운동을 추천하는 것을 특징으로 하는 휴대용 단말기.
KR1020090100526A 2009-10-22 2009-10-22 사용자 맞춤형 운동 추천 방법 및 이를 적용한 휴대용 단말기 KR101085053B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020090100526A KR101085053B1 (ko) 2009-10-22 2009-10-22 사용자 맞춤형 운동 추천 방법 및 이를 적용한 휴대용 단말기

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020090100526A KR101085053B1 (ko) 2009-10-22 2009-10-22 사용자 맞춤형 운동 추천 방법 및 이를 적용한 휴대용 단말기

Publications (2)

Publication Number Publication Date
KR20110043826A KR20110043826A (ko) 2011-04-28
KR101085053B1 true KR101085053B1 (ko) 2011-11-21

Family

ID=44048789

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020090100526A KR101085053B1 (ko) 2009-10-22 2009-10-22 사용자 맞춤형 운동 추천 방법 및 이를 적용한 휴대용 단말기

Country Status (1)

Country Link
KR (1) KR101085053B1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101347692B1 (ko) * 2012-12-13 2014-01-07 주식회사 휘트닷라이프 운동 평가 시스템 및 방법
KR102173553B1 (ko) 2019-09-26 2020-11-03 주식회사 베니페 딥러닝 기술을 이용한 능동형 맞춤 운동시스템
KR20210084779A (ko) 2019-12-27 2021-07-08 순천향대학교 산학협력단 보행 데이터 기반 운동 추천 시스템 및 방법
US20220084655A1 (en) * 2020-09-17 2022-03-17 Toyota Jidosha Kabushiki Kaisha Information processing apparatus, information processing method, and system
KR20240085996A (ko) 2022-12-09 2024-06-18 주식회사 링크커넥션 환자 및 병원간 중개 서비스 기반의 재활 콘텐츠 제공 장치 및 방법

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2013101008A1 (en) * 2011-12-28 2013-07-04 Intel Corporation Promoting activity during periods of sedentary behavior
KR102565991B1 (ko) * 2021-01-28 2023-08-11 라이덕(주) 사용자의 유산소 및 무산소 운동 역량에 기반한 다양한 서비스를 제공하기 위한 방법 및 컴퓨팅 장치

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101347692B1 (ko) * 2012-12-13 2014-01-07 주식회사 휘트닷라이프 운동 평가 시스템 및 방법
WO2014092306A1 (ko) * 2012-12-13 2014-06-19 주식회사 휘트닷라이프 운동 평가 시스템 및 방법
KR102173553B1 (ko) 2019-09-26 2020-11-03 주식회사 베니페 딥러닝 기술을 이용한 능동형 맞춤 운동시스템
KR20210084779A (ko) 2019-12-27 2021-07-08 순천향대학교 산학협력단 보행 데이터 기반 운동 추천 시스템 및 방법
US20220084655A1 (en) * 2020-09-17 2022-03-17 Toyota Jidosha Kabushiki Kaisha Information processing apparatus, information processing method, and system
KR20240085996A (ko) 2022-12-09 2024-06-18 주식회사 링크커넥션 환자 및 병원간 중개 서비스 기반의 재활 콘텐츠 제공 장치 및 방법

Also Published As

Publication number Publication date
KR20110043826A (ko) 2011-04-28

Similar Documents

Publication Publication Date Title
KR101085053B1 (ko) 사용자 맞춤형 운동 추천 방법 및 이를 적용한 휴대용 단말기
Farrokhi et al. Application of Internet of Things and artificial intelligence for smart fitness: A survey
Fontecha et al. Elderly frailty detection by using accelerometer-enabled smartphones and clinical information records
CN104287706B (zh) 一种人体健康状态实时监测及诊疗推荐系统
US20160081620A1 (en) Method and apparatus for health care
Sousa et al. mHealth sensors and applications for personal aid
KR102338964B1 (ko) 학습 기반의 증상 및 질환 관리 장치 및 방법
KR102424629B1 (ko) 딥러닝 모듈을 이용한 발달장애 개선 시스템 및 방법
Bleser et al. Personalized physical activity monitoring using wearable sensors
CN105748037A (zh) 具有用于患脊柱侧凸的患者的生物反馈系统的体感背心
Brzostowski et al. Adaptive decision support system for automatic physical effort plan generation—data-driven approach
WO2021244734A1 (en) Method and system of providing personalized guideline information for a user in a predetermined domain
CN112908481A (zh) 一种自动化个人健康评估及管理方法及系统
KR100953826B1 (ko) 사용자 건강 관리 기능을 가지는 휴대용 단말기 및 이를 이용한 사용자 건강 관리 방법
Gulhane et al. Human behavior prediction and analysis using machine learning-A review
Tehrani et al. Wearable sensor-based human activity recognition system employing bi-LSTM algorithm
KR20160034199A (ko) 건강 관리 방법 및 장치
US11804147B2 (en) Personalized weight management
Santos et al. Context inference for mobile applications in the UPCASE project
Chen et al. Integrating context-aware computing in decision support system
Brzostowski et al. System analysis techniques in ehealth systems: A case study
Steele et al. A survey of cyber-physical system implementations of real-time personalized interventions
CN116825331A (zh) 一种基于门诊大数据的微波理疗自学习自诊断系统及装置
Fernández et al. The relevance of providing useful and personalized information to therapists and caregivers in tele
Lim et al. Developing a mobile wellness management system for healthy lifestyle by analyzing daily living activities

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20140926

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20161004

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20181002

Year of fee payment: 8