KR102092633B1 - 스마트 시니어 인지반응 기반의 모델링 방법 및 장치 - Google Patents

스마트 시니어 인지반응 기반의 모델링 방법 및 장치 Download PDF

Info

Publication number
KR102092633B1
KR102092633B1 KR1020180016503A KR20180016503A KR102092633B1 KR 102092633 B1 KR102092633 B1 KR 102092633B1 KR 1020180016503 A KR1020180016503 A KR 1020180016503A KR 20180016503 A KR20180016503 A KR 20180016503A KR 102092633 B1 KR102092633 B1 KR 102092633B1
Authority
KR
South Korea
Prior art keywords
variables
group
cognitive
smart
clustering
Prior art date
Application number
KR1020180016503A
Other languages
English (en)
Other versions
KR20190049342A (ko
Inventor
임희석
이설화
Original Assignee
고려대학교 산학협력단
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 고려대학교 산학협력단 filed Critical 고려대학교 산학협력단
Publication of KR20190049342A publication Critical patent/KR20190049342A/ko
Application granted granted Critical
Publication of KR102092633B1 publication Critical patent/KR102092633B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]

Abstract

본 발명은 스마트 시니어 인지반응 기반의 모델링 방법 및 장치에 관한 것으로, 본 발명의 스마트 시니어 인지반응 기반의 모델링 방법은 복수의 스마트 시니어 각각에 대하여 수집된 제1 그룹의 복수의 변수에 대응하는 인지데이터를 정규화하는 단계, 상기 제1 그룹의 복수의 변수 중 상관관계가 설정된 값 이상인 변수를 제외하고 모델링에 적합한 제2 그룹의 복수의 변수를 선택하는 단계, 상기 선택된 제2 그룹의 복수의 변수에 대응하는 인지데이터를 이용하여 군집화하여 모델링하는 단계, 및 상기 모델링된 그룹별로 상기 제2 그룹의 복수의 변수 중 유의미한 적어도 하나의 변수를 추출하는 단계를 포함한다.

Description

스마트 시니어 인지반응 기반의 모델링 방법 및 장치{METHOD AND APPARATUS FOR MODELING BASED ON COGNITIVE RESPONSE OF SMART SENIOR}
본 발명은 스마트 시니어의 정신적, 신체적 특징에 따라 스마트 시니어를 군집화한 모델을 생성하기 위한 스마트 시니어 인지반응 기반의 모델링 방법 및 장치에 관한 것이다.
최근 들어, 스마트폰, 스마트패드 등의 각종 스마트 기기가 널리 보급됨에 따라 스마트 기기 및 관련 콘텐츠의 소비 계층은 기존의 얼리어답터 등의 젊은 계층에서 고령자 계층으로 확대되는 추세이다. 이러한 스마트 기기 및 관련 콘텐츠를 소비하는 고령자 계층을 스마트 시니어라 한다.
시니어 세대는 정신적, 신체적으로 기능이 급격하게 상실되는 연령대의 사용자로, 시력감퇴, 지적 능력의 변화, 감각과 지각능력의 변화 등을 수반하게 된다. 통신사 및 하드웨어 제조사들도 시니어 세대를 위한 UI/UX를 개발하여 제공하고 있지만, 시니어 모드에서 단순히 UI를 확대하여 표시하거나, 음성으로 읽어주는 정도의 UX만을 제공할 뿐이며, 각각의 시니어들의 정신적, 신체적 특성을 고려한 맞춤형 UI/UX를 제공하지 못하는 문제점이 있다.
이러한 스마트 시니어에게 맞춤형으로 UI/UX 요소를 제공하기 위해서 스마트 시니어의 정신적, 신체적 특성을 반영한 스마트 시니어에 대한 유형을 파악할 필요성이 있고, 시니어의 특성에 따라 정량적인 매핑 기술을 적용하여 객관성을 높일 필요성이 있다.
공개특허번호 제10-2013-0009922호, 2013년 1월 24일 공개, 발명의 명칭: 상황 인지 사용자 감정 소셜 관심 모델, 공개특허번호 제10-2017-0019815호, 2017년 2월 22일 공개, 발명의 명칭: 신체 및 인지능력 평가를 통한 고령자 맞춤형 UI/UX 출력 방법
본 발명은 수집된 복수의 스마트 시니어의 인지데이터를 다변수 기반으로 그룹화하여 모델링함으로써, 각 그룹별 스마트 시니어의 특성에 적합한 UI 또는 UX를 제공하는 사용자 인지반응 기반의 군집화 모델링 방법 및 장치를 제공하는데 그 목적이 있다.
또한, 새로운 스마트 시니어에 대한 인지데이터가 누적되면 이를 이용하여 모델링을 수정하는 사용자 인지반응 기반의 군집화 모델링 방법 및 장치를 제공하는데 그 목적이 있다.
상기의 목적을 달성하기 위해 본 발명의 일 실시예에 따른 스마트 시니어 인지반응 기반의 군집화 모델링 방법은 복수의 스마트 시니어 각각에 대하여 수집된 제1 그룹의 복수의 변수에 대응하는 인지데이터를 정규화하는 단계, 상기 제1 그룹의 복수의 변수 중 상관관계가 설정된 값 이상인 변수를 제외하고 모델링에 적합한 제2 그룹의 복수의 변수를 선택하는 단계, 상기 선택된 제2 그룹의 복수의 변수에 대응하는 인지데이터를 이용하여 군집화하여 모델링하는 단계, 및 상기 모델링된 그룹별로 상기 제2 그룹의 복수의 변수 중 유의미한 적어도 하나의 변수를 추출하는 단계를 포함한다.
또한, 스마트 시니어 인지반응 기반의 모델링 방법은 상기 유의미한 적어도 하나의 변수를 추출하는 단계 이후에, 상기 추출된 적어도 하나의 변수에 대응하는 UI(User Interface) 또는 UX(User Experience)를 제공하는 단계를 더 포함할 수 있다.
또한, 스마트 시니어 인지반응 기반의 모델링 방법은 상기 UI 또는 UX를 제공하는 단계 이후에, 상기 UI 또는 UX의 스마트 시니어를 대상으로, 상기 제1 그룹의 복수의 변수에 대응하는 인지데이터를 수집하여 누적저장하는 단계, 및 상기 누적저장된 인지데이터가 설정된 기준 이상인 경우, 상기 모델링 과정을 다시 수행하는 단계를 더 포함할 수 있다.
여기서, 모델링된 그룹별로 상기 제2 그룹의 복수의 변수 중 유의미한 적어도 하나의 변수를 추출하는 단계는, 상기 제2 그룹의 복수의 변수의 인지데이터와 상기 복수의 스마트 시니어 전체의 인지데이터를 비교하여, 상기 비교 결과 차이가 임계값 이상인 경우, 상기 유의미한 적어도 하나의 변수로 추출할 수 있다.
또한, 상기 제2 그룹의 복수의 변수에 대응하는 인지데이터를 이용하여 군집화하여 모델링하는 단계는, 계층적 클러스터링 알고리즘(Hierarchical Clustering Algorithm), 자기조직화지도 클러스터링 알고리즘(Self-Organizing Map Clustering Algorithm), 또는 K-means 알고리즘 중 적어도 하나를 사용하여 1차 군집화를 수행하는 단계, 및 상기 1차 군잡화된 결과를 각 인지데이터에 레이블과 인덱싱하고, 상기 인덱싱된 인지데이터에 대하여 서포트 벡터 머신(Support Vector Machine)을 포함하는 기계학습방법에 의해 2차 군집화를 수행하는 단계를 포함하여 구성될 수 있다.
또한, 1차 군집화를 수행하는 단계는, 상기 계층적 클러스터링 알고리즘, 자기조직화지도 클러스터링 알고리즘, 또는 K-means 알고리즘 중 적어도 하나를 사용하여 1차 군집화한 결과의 성능을 elbow method를 이용하여 평가하는 단계, 및 상기 평가 결과 미리 설정된 기준값보다 작은 경우, 다른 알고리즘을 사용하여 상기 1차 군집화를 수행하는 단계를 포함하여 구성될 수 있다.
또한, 2차 군집화를 수행하는 단계는, 상기 제2 그룹의 복수의 변수에 대응하는 인지데이터를 학습셋과 테스트셋으로 구분하는 단계, 상기 학습셋에 대하여 상기 2차 군집화를 수행하는 단계, 및 상기 테스트셋에 대하여 인덱싱되지 않은 상태로 상기 2차 군집화된 그룹에 포함시켜 학습을 수행함으로써 상기 2차 군집화를 검증하는 단계를 포함하여 구성될 수 있다.
또한, 스마트 시니어 인지반응 기반의 모델링 방법은 상기 제1 그룹의 복수의 변수에 대응하는 인지데이터를 정규화하는 단계 이전에, 시각, 청각, 지각, 기억력, 문제해결력, 주의력, 운동능력을 평가하는 검사 방법을 상기 제1 그룹의 복수의 변수로 설정하는 단계, 및 상기 제1 그룹의 복수의 변수에 대한 입력된 인지데이터를 수집하는 단계를 더 포함할 수 있다.
또한, 본 발명의 다른 실시예에 따른 스마트 시니어 인지반응 기반의 군집화 모델링 장치는 디스플레이부, 및 복수의 스마트 시니어 각각에 대하여 수집된 제1 그룹의 복수의 변수에 대응하는 인지데이터를 정규화하고, 상기 제1 그룹의 복수의 변수 중 상관관계가 설정된 값 이상인 변수를 제외하고 모델링에 적합한 제2 그룹의 복수의 변수를 선택하고, 상기 선택된 제2 그룹의 복수의 변수에 대응하는 인지데이터를 이용하여 군집화하여 모델링하고, 상기 모델링된 그룹별로 상기 제2 그룹의 복수의 변수 중 유의미한 적어도 하나의 변수를 추출하고, 상기 추출된 적어도 하나의 변수에 대응하는 UI(User Interface) 또는 UX(User Experience)를 상기 디스플레이부를 통해 제공하는 제어부를 포함한다.
제어부는 상기 UI 또는 UX의 사용자에 의해 상기 디스플레이부를 통해 입력된 상기 제1 그룹의 복수의 변수에 대응하는 인지데이터를 누적저장하고, 상기 누적저장된 인지데이터가 설정된 기준 이상인 경우, 상기 모델링 과정을 다시 수행할 수 있다.
본 발명에 의하면, 스마트 시니어의 생리학적 변화를 생체 신호 인덱스를 기반으로 인지반응을 정량화하여 수집하고, 이를 이용하여 시니어 그룹으로 모델링함으로써 객관화된 그룹핑이 가능한 효과가 있다.
또한, 본 발명에 의하면, 스마트 시니어 그룹의 인지반응 차이를 이용하여 맞춤형 UI/UX를 제공할 수 있고, 이를 사용하는 스마트 시니어 그룹을 새로운 데이터 셋으로 활용하여 모델링된 그룹을 수정할 수 있어 적응적 모델링을 수립할 수 있다.
도 1은 본 발명의 일 실시예에 따른 스마트 시니어 인지반응 기반의 모델링 방법의 개략적인 흐름도이다.
도 2는 본 발명의 일 실시예에 따른 스마트 시니어 인지반응 기반의 모델링 방법의 모델링 과정을 구체화한 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 스마트 시니어 인지반응 기반의 모델링 방법의 업데이트 과정을 나타내는 개략적인 흐름도이다.
도 4는 본 발명의 일 실시예에 따른 스마트 시니어 인지반응 기반의 모델링 방법에 사용되는 제1 그룹의 복수의 변수를 나타내는 도면이다.
도 5는 본 발명의 일 실시예에 따른 스마트 시니어 인지반응 기반의 모델링 방법의 데이터 전처리를 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 스마트 시니어 인지반응 기반의 모델링 방법의 그룹 개수 검증을 설명하기 위한 도면이다.
도 7은 본 발명의 일 실시예에 따른 스마트 시니어 인지반응 기반의 모델링 방법의 모델링된 결과의 예시 도면이다.
도 8 내지 도 9는 본 발명의 일 실시예에 따른 스마트 시니어 인지반응 기반의 모델링 방법의 SVM 알고리즘을 설명하기 위한 도면이다.
도 10은 본 발명의 일 실시예에 따른 스마트 시니어 인지반응 기반의 모델링 방법의 맞춤형 UI/UX를 제공하는 방법을 설명하기 위한 도면이다.
도 11은 본 발명의 다른 실시예에 따른 스마트 시니어 인지반응 기반의 모델링 장치의 개략적인 블록도이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면을 참조하여 상세하게 설명하도록 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재 항목들의 조합 또는 복수의 관련된 기재 항목들 중의 어느 항목을 포함한다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급될 때에는 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 출원에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
명세서 및 청구범위 전체에서, 어떤 부분이 어떤 구성 요소를 포함한다고 할때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있다는 것을 의미한다.
이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 일 실시예에 따른 스마트 시니어 인지반응 기반의 모델링 방법의 개략적인 흐름도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 스마트 시니어 인지반응 기반의 모델링 방법은 사용자 인지반응 기반의 모델링 장치에서 데이터 전처리(S110), 변수 선택(S120), 모델링(S130), 및 변수 추출(S140) 과정으로 수행될 수 있다.
먼저, 데이터 전처리과정은 복수의 스마트 시니어 각각에 대하여 수집된 제1 그룹의 복수의 변수에 대응하는 인지데이터를 정규화하는 과정을 의미한다(S110). 구체적으로, 정규화 과정은 각 변량과 평균값의 차이를 표준편차로 나누어 '0'을 기준으로 해당 변량의 크기가 얼마나 떨어져 있는지 재구성할 수 있다.
도 4는 본 발명의 일 실시예에 따른 스마트 시니어 인지반응 기반의 모델링 방법에 사용되는 제1 그룹의 복수의 변수를 나타내는 도면이다.
도 4를 참조하면, 본 발명의 일 실시예에 따른 스마트 시니어 인지반응 기반의 모델링 방법에 사용되는 제1 그룹의 복수의 변수는 시각, 청각, 지각, 기억력, 문제해결력, 주의력, 운동능력을 평가하는 검사 방법이 될 수 있다.
감각과 관련된 시각, 청각, 지각 인지반응에 대한 다양한 검사들, 인지와 관련된 기억력, 문제해결력, 주의력에 대한 다양한 검사들, 운동과 관련된 운동능력 검사들이 변수가 될 수 있다. 구체적으로, 시각 검사를 위한 색각검사, 시력검사, 청각 검사를 위한 청력검사, 지각 검사를 위한 LDT(Lexical Decision Task), 기억력 검사를 위한 Word span, digit span, 문제해결력 검사를 위한 Tower of london, 주의력 검사를 위한 Wisconsin card sorting, 운동능력 검사를 위한 Tapping task 등이 변수가 될 수 있다. 상기의 제1 그룹의 복수의 변수에 대한 입력된 인지데이터를 수집하여 모델링을 수행할 수 있다.
도 5는 본 발명의 일 실시예에 따른 스마트 시니어 인지반응 기반의 모델링 방법의 데이터 전처리를 설명하기 위한 도면이다.
도 5를 참조하면, Z-score를 이용하여 정규화(normalization)을 수행하여 '0'을 기준으로 각 변량의 분포도를 나타낸 것이다. 이때, 정규화는 [수학식 1]을 사용하며, 변량 x=x1, x2, ..., xn이 될 수 있다.
Figure 112018014683465-pat00001
여기서, sd(x)는 표준편차를, mean(x)는 평균을 나타낸다.
다음으로, 변수 선택과정은 제1 그룹의 복수의 변수 중 상관관계가 설정된 값 이상인 변수를 제외하고 모델링에 적합한 제2 그룹의 복수의 변수를 선택할 수 있다(S120). 구체적으로, 변수 선택과정은 주어진 데이터의 변수 중 모델링에 가장 적합한 변수만 택하는 과정을 의미한다. 상관관계가 너무 높은 변수는 모델링에 영향을 미칠 수 있으므로, 변수 선택과정에서 제외된다. 특히, 변수 선택방법 중 필터 방법(Filter Method)은 변수의 상관관계를 분석하여 모델링에 적합한 변수를 채택하는 방법이며, 상관관계 분석법은 피어슨(Pearson) 상관관계를 사용하여 상관관계가 0.7 이상인 경우 제거하는 분석 방법이다. 이외에도, 변수의 일부만을 모델링에 사용하고 그 결과를 확인하는 작업을 반복하면서 변수를 택하는 Wrapper Method를 사용할 수 있다. 이러한 변수 간의 상관관계를 이용하여 통계적으로 유의미한 변수를 선별할 수 있고, 상기의 변수 선택방법들은 일 예일뿐 다양한 다른 방법을 이용하여 통계적으로 유의미한 변수를 선택할 수 있다.
다음으로, 모델링 과정은 위의 변수 선택과정에서 선택된 제2 그룹의 복수의 변수에 대응하는 인지데이터를 군집화하여 모델링할 수 있다(S130). 모델링 과정은 도 2를 참조하여, 구체적으로 설명하도록 한다.
도 2는 본 발명의 일 실시예에 따른 스마트 시니어 인지반응 기반의 모델링 방법의 모델링 과정을 구체화한 흐름도이다.
도 2를 참조하면, 본 발명의 일 실시예에 따른 스마트 시니어 인지반응 기반의 모델링 방법의 시니어 인지반응 모델링은 1차 군집화(S131)와 2차 군집화(S132)를 포함하여 구성될 수 있다.
구체적으로, 1차 군집화는 계층적 클러스터링 알고리즘(Hierarchical Clustering Algorithm), 자기조직화지도 클러스터링 알고리즘(Self-Organizing Map Clustering Algorithm), 또는 K-means 알고리즘 중 적어도 하나를 사용하여 1차 군집화를 수행할 수 있다(S131). 1차 군집화는 비지도 학습(unsupervised learning)에 의해 군집을 나누는 방법으로, Hierarchical Clustering Algorithm, SOM Clustering Algorithm, 또는 K-means 알고리즘 중 하나를 사용할 수 있다.
여기서, 계층적 클러스터링 알고리즘은 계산방법을 ward.D를 사용하며, ward.D는 두 클러스터간 거리를 두 클러스터의 모든 멤버 사이의 거리의 중심점(centroid)으로 보는 방법이다. 또한, 계층적 클러스터링 알고리즘은 집적적인(agglomerative) 방법을 사용하여 바텀-업(bottom-up)으로 클러스터를 합쳐나가는 방법을 사용한다. SOM 클러스터링 알고리즘은 군집 내의 노드를 RGB 컬러로 나타내고 어느 변수(feature)에서 군집에 특출난 차이가 있는지를 구분가능하도록 나타내는 클러스터링 방법이다. K-means 알고리즘은 R에서 제공하는 K-means 알고리즘을 사용하여 모델링하는 방법이다. K-means 알고리즘은 로우값들이 점의 좌표가 되어 다차원 공간에 뿌려지는 하나의 인스턴스라고 할 수 있고, 각 인스턴스끼리의 유클리디안 거리 계산을 통해 서로 가까운 거리의 인스턴스끼리 군집화를 수행하게 된다.
이때, 1차 군집화 과정은 계층적 클러스터링 알고리즘, 자기조직화지도 클러스터링 알고리즘, 또는 K-means 알고리즘 중 적어도 하나를 사용하여 1차 군집화한 결과의 성능을 elbow method를 이용하여 평가하고, 평가 결과 미리 설정된 기준값보다 작은 경우, 다른 알고리즘을 사용하여 1차 군집화를 수행할 수 있다. elbow method는 최적의 클러스터의 개수를 찾아주는 평가방법으로, 그래프의 꺾인 형태로 모델이 잘 클러스터링 되었는지 판단할 수 있다(도 6 참조).
도 6은 본 발명의 일 실시예에 따른 스마트 시니어 인지반응 기반의 모델링 방법의 그룹 개수 검증을 설명하기 위한 도면이다.
도 6을 참조하면, 본 발명의 일 실시예에 따른 스마트 시니어 인지반응 기반의 모델링 방법은 K=3인 경우, 클러스터링이 잘된 상태인 것을 확인할 수 있다. 이러한 방법으로, 1차 군집화 결과의 성능을 검증할 수 있다.
따라서, 위 세 알고리즘을 모두 수행하여 K=3으로 한 경우의 elbow method 모델 평가와 각 군집에 사이즈가 너무 편향되어 나오지 않았는지 군집별 의미있는 데이터가 도출가능한지 판단하여 성능비교를 수행할 수 있다.
도 7은 본 발명의 일 실시예에 따른 스마트 시니어 인지반응 기반의 모델링 방법의 모델링된 결과의 예시 도면이다.
도 7을 참조하면, 본 발명의 일 실시예에 따른 스마트 시니어 인지반응 기반의 모델링 방법의 모델링된 결과의 예시로, 106명의 실험 데이터셋을 A, B, C 3개의 그룹으로 클러스터링한 것이다. 이때, 각 변수들의 값은 정규화된 값으로 나타낸 것이다.
도 2를 참조하면, 2차 군집화는 1차 군잡화된 결과를 각 인지데이터에 레이블과 인덱싱하고, 인덱싱된 인지데이터에 대하여 서포트 벡터 머신(Support Vector Machine)을 포함하는 기계학습방법에 의해 2차 군집화를 수행할 수 있다(S132).
2차 군집화를 수행하는 과정은(S132) 제2 그룹의 복수의 변수에 대응하는 인지데이터를 학습셋과 테스트셋으로 구분하고, 학습셋에 대하여 2차 군집화를 수행할 수 있다. 1차 군집화한 데이터를 정답셋으로 사용하여 인지학습(supervised learning)을 수행할 수 있다. 이때, 사용되는 인지학습 알고리즘은 분류에서 정확도를 가장 높일 수 있는 SVM(support vector machine)을 사용한다. 이러한 기계학습방법은 1차 군집화를 수행한 후 데이터에 결과를 부여하여 레이블을 구축하고, 분류 정확도를 측정하기 위한 알고리즘을 의미한다.
도 8 내지 도 9는 본 발명의 일 실시예에 따른 스마트 시니어 인지반응 기반의 모델링 방법의 SVM 알고리즘을 설명하기 위한 도면이다.
도 8을 참조하면, SVM은 선행 분류기를 기반으로 구성된 알고리즘으로 주어진 데이터 집합을 특징 공간에서 선형적으로 분류한다. 이때, 선형적인 분류 기준을 초평면(hyperplane)이라하고, 주어진 초평면의 서포트 벡터 (X+, X-)를 각 클래스의 데이터 중에서 초평면과 가장 가까운 데이터로 정의한다.
또한, 각 서포트 벡터를 지나는 초평면 사이의 거리를 초평면의 마진(margin)으로 정의하며, 마진은 [수학식 2]에 의해 계산된다.
Figure 112018014683465-pat00002
SVM은 [수학식 2]의 계산 결과 마진이 최대가 되도록 초평면을 최적화하는 분류 알고리즘이다.
입력데이터가 선행으로 분리가 불가능하면 입력 벡터를 선형 초평면이 발견되는 고차원의 특징 공간으로 비선형 매핑을 수행하고, 비선형 SVM은 선형 SVM으로 분리가 불가능한 훈련 데이터에 대해 커널 기법을 이용한다. 커널 기법은 입력 데이터를 어떤 특징으로 조직화하고, 이를 고차원의 특징 공간(feature space)에 매핑하는 기법으로 커널 함수는 [수학식 3]에 의해 계산된다.
Figure 112018014683465-pat00003
다음으로, 테스트셋에 대하여 인덱싱되지 않은 상태로 2차 군집화된 그룹에 포함시켜 학습을 수행함으로써 2차 군집화를 검증할 수 있다. 이러한 인지학습 평가는 전체 데이터의 80%는 학습 데이터셋으로 사용하고 나머지 20%는 테스트셋으로 하여 학습이 완료된 모델에 레이블되지 않은 테스트셋을 모델에게 주고 해당 데이터가 어느 그룹으로 분류되는지 예측해보는 태스크를 던져준다. 이 과정을 거치면 학습된 모델은 해당 데이터가 어느 그룹인지 예측한 결과를 던져주고, 이미 해당 데이터에 대해 정답 레이블을 알고 있기 때문에 해당 결과를 가지고 정확도를 구할 수 있게 된다.
상기의 모델링이 완료되면, 모델링된 그룹별로 제2 그룹의 복수의 변수 중 유의미한 적어도 하나의 변수를 추출할 수 있다(S140). 각 그룹별로 복수의 변수에 대하여 그룹별 평균값과 전체 평균값을 비교하여 차이가 큰 변수를 유의미한 변수로 도출할 수 있다. 또한, 어떤 변수가 그룹별로 군집하는데 가장 유의미하게 신뢰가 가는지에 대한 분석도 수행하여 반영할 수 있다. K-means 분석 결과를 기반으로 선형 회귀 분석(linear regression)을 실시하여 해당 변수에 대한 유의미성을 판단할 수도 있다.
도 9를 참조하면, Linear Regression 분석 결과에 의해 유의미한 변수를 결정할 수 있다.
구체적으로, 선형 회귀 분석을 통해 R값이 0.900인 강한 양적 선형관계를 가진 것으로 계산되고, R2값이 0.811로 계산되면 군집을 분류하는데 11가지 독립변수에 의해 81.1%로 설명되고 있다. 또한, Durbin-Watson값이 2.243으로 1.5 내지 2.5 사이이므로 잔차(Residual)간의 상관관계가 없기 때문에 회귀모형이 적합하다. F-measure값이 36.612이고, p-value값이 0.000으로 나타나 도출된 선형 회귀 모형이 적합하다는 것을 확인할 수 있다.
최종적으로, 선형 회귀 분석 결과를 기반으로 군집을 분류하는데 영향을 미치는 변수는 9pt_mean_시력, 11pt_mean_시력, 18pt_mean_시력, 운동능력_Tap, 에딘버러(Edinburgh), 3_mean_동영상, 6_mean_동영상, 8_mean_색상어휘, 4pt_만족도, 15pt_만족도로 나타났다. 이 중에서 운동능력_Tap(t=3.083, p＜0.01), 에딘버러(t=2.561, p＜0.05) 변수들은 수치가 높을수록 군집 A에 가까워지는 것으로 나타났다. 또한, 나머지 변수들 9pt_mean_시력(t=2.099, p＜0.05), 11pt_mean_시력(t=-2.721, p＜0.01), 18pt_mean_시력(t=-2.539, p＜0.05), 3_mean_동영상(t=-2.830, p＜0.01), 6_mean_동영상(t=-6.459, p＜0.01), 8_mean_색상어휘(t=-2.231, p＜0.05), 4pt_만족도(t=-2.069, p＜0.05), 15pt_만족도(t=-3.939, p＜0.001)변수들은 수치가 높을수록 군집 C에 가까워지는 것을 확인할 수 있다. 또한, 공차한계(Tolerance)가 모두 0.100이상, VIF가 모두 10미만의 값이 도출되어 다중공선성(Multi-collinearity) 문제없이 회귀 모형에 적합하다는 것을 확인할 수 있다.
도 3은 본 발명의 일 실시예에 따른 스마트 시니어 인지반응 기반의 모델링 방법의 업데이트 과정을 나타내는 개략적인 흐름도이다.
도 3을 참조하면, 본 발명의 일 실시예에 따른 스마트 시니어 인지반응 기반의 모델링 방법의 업데이트 과정은 맞춤형 UI/UX를 제공하고(S150), 새로운 인지데이터를 누적 저장하고(S160), 누적저장된 인지데이터가 기준값 이상되면 모델링 과정을 다시 수행할 수 있다(S170). 구체적으로, 스마트 시니어에 대한 군집화 모델링이 완료되면, 각 군집별로 추출된 유의미한 변수에 대응하는 맞춤형 UI/UX를 제공할 수 있다.
다음으로, UI 또는 UX의 사용자를 대상으로, 제1 그룹의 복수의 변수에 대응하는 인지데이터를 수집하여 누적저장하고, 누적저장된 인지데이터가 설정된 기준 이상인 경우, 모델링 과정을 다시 수행하여 모델링된 결과를 수정(업데이트)할 수 있다.
도 10은 본 발명의 일 실시예에 따른 스마트 시니어 인지반응 기반의 모델링 방법의 맞춤형 UI/UX를 제공하는 방법을 설명하기 위한 도면이다.
도 10을 참조하면, 본 발명의 일 실시예에 따른 스마트 시니어 인지반응 기반의 모델링 방법의 맞춤형 UI/UX를 제공하는 방법은 각 그룹별로 유의미한 변수와 관련된 맞춤형 UI/UX를 제공하는 실시예이다.
예를 들어, A 군집은 운동능력과 관련된 변수의 수치가 높은 그룹으로, UI/UX의 터치 인식 속도는 보통으로 유지하면서 다른 항목들 감각과 인지와 관련된 부분이 조정된 맞춤형 UI/UX를 제공할 수 있다. 또한, 군집 C는 시각과 관련된 변수의 수치가 높은 그룹으로 UI/UX의 사이즈는 보통으로 유지하면서, 다른 항목들과 관련된 부분이 조정된 맞춤형 UI/UX(예를 들어, 스크롤 속도, 터치 인식 속도를 조정)를 제공할 수 있다.
도 11은 본 발명의 다른 실시예에 따른 스마트 시니어 인지반응 기반의 모델링 장치의 개략적인 블록도이다.
도 11을 참조하면, 본 발명의 다른 실시예에 따른 스마트 시니어 인지반응 기반의 모델링 장치(100)는 디스플레이부(110) 및 제어부(120)를 포함하여 구성될 수 있다. 여기서, 제어부(120)는 전처리 모듈(121), 군집화 모듈(122), 및 변수 추출과 UI/UX 매칭 모듈(123)로 구성될 수 있다.
디스플레이부(110)는 사용자(특정 스마트 시니어)에 대하여 모델링된 군집 중 어디에 속하는지 분류하기 위한 테스트 셋을 제공하고, 테스트 셋을 수행하여 분류된 군집에 대응하는 맞춤형 UI/UX를 표시할 수 있다.
제어부(120)의 전처리 모듈(121)은 복수의 스마트 시니어 각각에 대하여 수집된 제1 그룹의 복수의 변수에 대응하는 인지데이터를 정규화할 수 있다.
제어부(120)의 군집화 모듈(122)은 제1 그룹의 복수의 변수 중 상관관계가 설정된 값 이상인 변수를 제외하고 모델링에 적합한 제2 그룹의 복수의 변수를 선택하고, 선택된 제2 그룹의 복수의 변수에 대응하는 인지데이터를 군집화하여 모델링할 수 있다.
제어부(120)의 변수 추출, UI/UX 매칭 모듈(123)은 모델링된 그룹별로 제2 그룹의 복수의 변수 중 유의미한 적어도 하나의 변수를 추출하고, 추출된 적어도 하나의 변수에 대응하는 UI(User Interface) 또는 UX(User Experience)를 디스플레이부(110)를 통해 제공할 수 있다.
상기의 전처리 모듈(121), 군집화 모듈(122), 및 변수 추출, UI/UX 매칭 모듈(123)은 별도의 하드웨어 모듈로 구분되거나, 하나의 프로그램에서 기능별로 구분될 수 있다.
먼저, 제어부(120)는 상기의 전처리 모듈(121), 및 군집화 모듈(122)을 통해 군집화된 모델링을 수행한 후, 변수 추출, UI/UX 매칭 모듈(123)을 통해 사용자인 특정 스마트 시니어에게 테스트 셋을 제공하여 모델링된 군집 중 하나로 분류할 수 있다. 이러한 분류 과정을 수행한 후, 특정 스마트 시니어에게 대응하는 맞춤형 UI/UX를 제공할 수 있다.
또한, 제어부(120)는 UI 또는 UX의 사용자에 의해 디스플레이부(110)를 통해 입력된 제1 그룹의 복수의 변수에 대응하는 인지데이터를 누적저장하고, 누적저장된 인지데이터가 설정된 기준 이상인 경우, 모델링 과정을 다시 수행할 수 있다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 사람이라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100: 스마트 시니어 인지반응 기반의 모델링 장치
110: 디스플레이부 120: 제어부
121: 전처리 모듈 122: 군집화 모듈
123: 변수 추출, UI/UX 매칭 모듈

Claims (10)

  1. 스마트 시니어 인지반응 기반의 모델링 장치에서 제공하는 스마트 시니어 인지반응 기반의 모델링 방법에 있어서,
    복수의 스마트 시니어 각각에 대하여 수집된 제1 그룹의 복수의 변수에 대응하는 인지데이터를 정규화하는 단계;
    상기 제1 그룹의 복수의 변수 중 상관관계가 설정된 값 이상인 변수를 제외하고 모델링을 위한 제2 그룹의 복수의 변수를 선택하는 단계;
    상기 선택된 제2 그룹의 복수의 변수에 대응하는 인지데이터를 이용하여 군집화하여 모델링하는 단계; 및
    상기 모델링된 그룹별로 상기 제2 그룹의 복수의 변수 중 적어도 하나의 변수를 추출하는 단계;
    를 포함하는 스마트 시니어 인지반응 기반의 모델링 방법.
  2. 제1항에 있어서,
    상기 적어도 하나의 변수를 추출하는 단계 이후에,
    상기 추출된 적어도 하나의 변수에 대응하는 UI(User Interface) 또는 UX(User Experience)를 제공하는 단계;를 더 포함하는, 스마트 시니어 인지반응 기반의 모델링 방법.
  3. 제2항에 있어서,
    상기 UI 또는 UX를 제공하는 단계 이후에,
    상기 UI 또는 UX의 사용자를 대상으로, 상기 제1 그룹의 복수의 변수에 대응하는 인지데이터를 수집하여 누적저장하는 단계; 및
    상기 누적저장된 인지데이터가 설정된 기준 이상인 경우, 상기 모델링하는 단계를 다시 수행하는 단계;를 더 포함하는, 스마트 시니어 인지반응 기반의 모델링 방법.
  4. 제1항에 있어서,
    상기 모델링된 그룹별로 상기 제2 그룹의 복수의 변수 중 적어도 하나의 변수를 추출하는 단계는,
    상기 제2 그룹의 복수의 변수의 인지데이터와 상기 복수의 스마트 시니어 전체의 인지데이터를 비교하여, 비교 결과 차이가 임계값 이상인 경우, 상기 적어도 하나의 변수로 추출하는, 스마트 시니어 인지반응 기반의 모델링 방법.
  5. 제1항에 있어서,
    상기 제2 그룹의 복수의 변수에 대응하는 인지데이터를 이용하여 군집화하여 모델링하는 단계는,
    계층적 클러스터링 알고리즘(Hierarchical Clustering Algorithm), 자기조직화지도 클러스터링 알고리즘(Self-Organizing Map Clustering Algorithm), 또는 K-means 알고리즘 중 적어도 하나를 사용하여 1차 군집화를 수행하는 단계; 및
    상기 1차 군집화된 결과를 각 인지데이터에 레이블과 인덱싱하고, 상기 인덱싱된 인지데이터에 대하여 서포트 벡터 머신(Support Vector Machin)을 포함하는 기계학습방법에 의해 2차 군집화를 수행하는 단계;
    를 포함하여 구성되는, 스마트 시니어 인지반응 기반의 모델링 방법.
  6. 제5항에 있어서,
    상기 1차 군집화를 수행하는 단계는,
    상기 계층적 클러스터링 알고리즘, 자기조직화지도 클러스터링 알고리즘, 또는 K-means 알고리즘 중 적어도 하나를 사용하여 1차 군집화한 결과의 성능을 elbow method를 이용하여 평가하는 단계; 및
    상기 평가하는 단계에 의해 평가된 평가 결과가 미리 설정된 기준값보다 작은 경우, 다른 알고리즘을 사용하여 상기 1차 군집화를 수행하는 단계;
    를 포함하여 구성되는, 스마트 시니어 인지반응 기반의 모델링 방법.
  7. 제5항에 있어서,
    상기 2차 군집화를 수행하는 단계는,
    상기 제2 그룹의 복수의 변수에 대응하는 인지데이터를 학습셋과 테스트셋으로 구분하는 단계;
    상기 학습셋에 대하여 상기 2차 군집화를 수행하는 단계; 및
    상기 테스트셋에 대하여 인덱싱되지 않은 상태로 상기 2차 군집화된 그룹에 포함시켜 학습을 수행함으로써 상기 2차 군집화를 검증하는 단계;
    를 포함하여 구성되는, 스마트 시니어 인지반응 기반의 모델링 방법.
  8. 제1항에 있어서,
    상기 제1 그룹의 복수의 변수에 대응하는 인지데이터를 정규화하는 단계 이전에,
    시각, 청각, 지각, 기억력, 문제해결력, 주의력, 운동능력을 평가하는 검사 방법을 상기 제1 그룹의 복수의 변수로 설정하는 단계; 및
    상기 제1 그룹의 복수의 변수에 대한 입력된 인지데이터를 수집하는 단계;
    를 더 포함하는, 스마트 시니어 인지반응 기반의 모델링 방법.
  9. 디스플레이부; 및
    복수의 스마트 시니어 각각에 대하여 수집된 제1 그룹의 복수의 변수에 대응하는 인지데이터를 정규화하고, 상기 제1 그룹의 복수의 변수 중 상관관계가 설정된 값 이상인 변수를 제외하고 모델링을 위한 제2 그룹의 복수의 변수를 선택하고, 상기 선택된 제2 그룹의 복수의 변수에 대응하는 인지데이터를 이용하여 군집화하여 모델링하고, 상기 모델링된 그룹별로 상기 제2 그룹의 복수의 변수 중 적어도 하나의 변수를 추출하고, 상기 추출된 적어도 하나의 변수에 대응하는 UI(User Interface) 또는 UX(User Experience)를 상기 디스플레이부를 통해 제공하는 제어부;
    를 포함하는, 스마트 시니어 인지반응 기반의 모델링 장치.
  10. 제9항에 있어서,
    상기 제어부는, 상기 UI 또는 UX의 사용자에 의해 상기 디스플레이부를 통해 입력된 상기 제1 그룹의 복수의 변수에 대응하는 인지데이터를 누적저장하고, 상기 누적저장된 인지데이터가 설정된 기준 이상인 경우, 상기 모델링하는 동작을 다시 수행하는, 스마트 시니어 인지반응 기반의 모델링 장치.
KR1020180016503A 2017-10-30 2018-02-09 스마트 시니어 인지반응 기반의 모델링 방법 및 장치 KR102092633B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020170142501 2017-10-30
KR20170142501 2017-10-30

Publications (2)

Publication Number Publication Date
KR20190049342A KR20190049342A (ko) 2019-05-09
KR102092633B1 true KR102092633B1 (ko) 2020-04-28

Family

ID=66546633

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180016503A KR102092633B1 (ko) 2017-10-30 2018-02-09 스마트 시니어 인지반응 기반의 모델링 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102092633B1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102658654B1 (ko) * 2021-10-25 2024-04-18 주식회사 에스와이비 발달장애아동 통합 교육지원 서비스 제공 방법
KR102481814B1 (ko) * 2022-09-23 2022-12-28 전남대학교산학협력단 샘플 크기가 작고 불균형한 분포를 가진 임상 데이터에서 예측을 위한 통계적학습 프레임워크

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110114181A (ko) * 2010-04-13 2011-10-19 고려대학교 산학협력단 예측 정확성이 향상된 대출 심사 방법
US20130018954A1 (en) 2011-07-15 2013-01-17 Samsung Electronics Co., Ltd. Situation-aware user sentiment social interest models
KR20170019815A (ko) 2015-08-12 2017-02-22 (의료)길의료재단 신체 및 인지능력 평가를 통한 고령자 맞춤형 ui/ux 출력 방법
KR20150115715A (ko) * 2015-09-30 2015-10-14 문경업 정밀한 인지 능력 측정을 위한 인지재활 치료 제공 방법
KR102044205B1 (ko) * 2015-12-30 2019-11-13 주식회사 솔리드웨어 빅데이터와 기계학습을 이용한 타겟 정보 예측 시스템 및 예측 방법

Also Published As

Publication number Publication date
KR20190049342A (ko) 2019-05-09

Similar Documents

Publication Publication Date Title
Lee et al. Emotion recognition using a hierarchical binary decision tree approach
US10762992B2 (en) Synthetic ground truth expansion
JP5454827B1 (ja) 文書評価装置、文書評価方法、及びプログラム
Erbilek et al. Age prediction from iris biometrics
WO2020248847A1 (zh) 智能心脏疾病检测方法、装置及计算机可读存储介质
Jatav An algorithm for predictive data mining approach in medical diagnosis
Paudyal et al. A comparison of techniques for sign language alphabet recognition using armband wearables
Lohr et al. Eye know you: Metric learning for end-to-end biometric authentication using eye movements from a longitudinal dataset
Zheng SMOTE variants for imbalanced binary classification: heart disease prediction
KR102092633B1 (ko) 스마트 시니어 인지반응 기반의 모델링 방법 및 장치
Habib et al. Machine learning based healthcare system for investigating the association between depression and quality of life
Mahmoudi et al. Diversity and separable metrics in over-sampling technique for imbalanced data classification
Yulita et al. Multichannel electroencephalography-based emotion recognition using machine learning
Jasira et al. DyslexiScan: a dyslexia detection method from handwriting using CNN LSTM model
Hammer et al. Supervised batch neural gas
Onifade et al. A review on the suitability of machine learning approaches to facial age estimation
CN106407922A (zh) 一种基于在线字典学习形变模型的疲劳状态识别方法
Noyce et al. Quantifying shapes: Mathematical techniques for analysing visual representations of sound and music
Ranade Classification and prediction of severity of inflammatory bowel disease using machine learning
Vrochidis et al. Exploiting gaze movements for automatic video annotation
Masmoudi et al. A binarization strategy for modelling mixed data in multigroup classification
Dewangan et al. Implementation of Machine Learning Techniques for Depression in Text Messages: A Survey
Priyadarishini et al. Diagnosis of psychopathology using clustering and rule extraction using rough set
CN110021435A (zh) 嗓音侦测分类系统
CN116227602A (zh) 基于人在回路的模型无关可解释方法及可解释框架

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