KR102173553B1

KR102173553B1 - 딥러닝 기술을 이용한 능동형 맞춤 운동시스템

Info

Publication number: KR102173553B1
Application number: KR1020190118483A
Authority: KR
Inventors: 허정훈; 채상혁; 김경석
Original assignee: 주식회사 베니페
Priority date: 2019-09-26
Filing date: 2019-09-26
Publication date: 2020-11-03

Abstract

본 발명에 따른 딥러닝 기술을 이용한 능동형 맞춤 운동시스템은, 딥러닝 기술을 이용하여 쉽게 누구나 맞는 운동방법을 추천하고 관리해 주는 기능과 AI 기반의 챗봇을 통해 사용자와 상호작용하는 서비스를 제공하여 효과적으로 운동을 하고 싶은 고객의 니즈를 충족시키며, 피트니스 클럽에서 운동을 하는 고객에게 개인 헬스트레이너를 대체하는 저렴한 서비스를 제공하고, 홈 트레이닝으로 쉽게 확장할 수 있는 딥러닝 기술을 이용한 것으로서, AI 챗봇 기반 딥러닝 피트니스 서비스 플랫폼에 의해 사용자에게 익숙한 형태의 채팅으로 자연스러운 대화를 통해 사용자의 운동 스케줄 관리와 운동 방법, 피드백 등 을 서로 주고받는 서비스를 제공하며, 딥러닝 기술을 이용하여 스마트폰으로 언제 어디서 누구나 쉽게 사용자에게 맞는 운동방법을 추천하고 AI 챗봇을 통해 운동 스케줄 및 피드백 등 관리를 구현한다.

Description

딥러닝 기술을 이용한 능동형 맞춤 운동시스템{An active and Customized exercise system using deep learning technology}

본 발명은 딥러닝 기술을 이용한 능동형 맞춤 운동시스템에 관한 것으로서, 보다 상세하게는 딥러닝 기술을 이용하여 사용자의 여러 신체 조건에 부합하는 운동 프로그램을 제공하는 능동형 맞춤 운동시스템에 관한 것이다.

국내 인구의 삶의 질이 전반적으로 향상됨에 따라 건강과 다이어트에 대한 관심도가 매우 높아 이에 대한 시장 규모가 해마다 증가하고 있다.

IT 웰니스는 100세 시대를 맞아 국민 삶의 질 제고는 물론이고 새로운 시장 창출이 가능해 신성장 동력의 핵심으로 떠오르고 있다.

현재는 운동 관리의 주요 수단으로 실내 헬스장에 가는 비율이 높으나, 개인 헬스트레이너를 고용하지 않으면, 초기에 몇 번만 운동 지도를 받고 방치되는 경우가 많다. 운동 초보자의 경우 등록 후 1개월 내에 운동을 포기하는 경우가 많은 것으로 조사되었다.

한편, 일반인들이 체계적이고 효율적인 운동을 위해 개인 헬스트레이너에게 운동 관리를 받을 경우 다음과 같은 장단점이 있다.

장점으로는 개인에 맞는 운동과 식단 추천, 다양하고 정확한 운동법 습득, 및 꾸준한 운동 동기 부여가 가능하다는 것이다.

단점으로는 고액의 트레이닝 비용과 헬스 트레이너의 범람으로 인해서 검증되지 않은 헬스 트레이너에게 트레이닝 받을 수 있게 되어, 고객이 원치 않거나 맞지 않는 운동방법을 헬스트레이너의 방식으로 강요받기 쉽다는 것이다.

위와 같은 단점을 해소하고 장점을 부각하기 위해 제안된 기술로서는 헬스 앱 서비스가 있지만, 기존의 헬스 앱 서비스는 단순 운동 정보를 전달하고 관리 목적의 서비스를 제공하고 있을 뿐, 딥러닝 기술을 이용하여 사용자에게 맞는 운동 정보를 추천하고 지속적인 관리를 위해 효과적으로 전달하는 인공지능(AI) 기반의 챗봇 기술을 이용한 양방향 앱 서비스를 제공하지 못했다.

기존의 헬스 트레이닝 관련 기술로서는 (1) 등록번호 제10-1085053호 “사용자 맞춤형 운동 추천 방법 및 이를 적용한 휴대용 단말기” (2) 등록번호 제10-1723849호 “사용자 맞춤형 운동 콘텐츠 제공 방법”등이 있다.

(1)번 특허는 휴대용 단말기에서 사용자정보와 센서정보를 이용하여 운동여부를 파악하고 단순한 운동방법을 추천하는 기술로 인공지능 기반의 딥러닝 알고리즘을 통한 개인별 운동 추천 방법이 구현되어 있지 않다.

(2)번 특허는 사용자가 직접 문진을 작성하여 서버로 전송해 운동 콘텐츠를 추천받는 기술로 사용자 정보 및 활동 정보를 인공지능 기술에 지속적으로 학습시켜 사용자 맞춤형 운동을 추천하는 기술이 구현되어 있지 않다.

본원 발명의 발명자는 기존 사용자 맞춤형 운동추천시스템을 효과적으로 개선하기 위하여 딥러닝기술을 적용하였으나, 기존의 딥러닝알고리즘에 그대로 적용할 때 예측값이 마이너스가 나오는 등 오류가 발생하여 맞춤형 운동추천시스템에 적합한 새로운 딥러닝알고리즘을 개발할 필요성이 제기되었다.

선행문헌 1 : 한국등록번호 제10-1085053호 선행문헌 2 : 한국등록번호 제10-1723849호

본 발명은 딥러닝 기술을 이용하여 쉽게 누구나 맞는 운동방법을 추천하고 관리해 주는 기능과 AI 기반의 챗봇을 통해 사용자와 상호작용하는 서비스를 제공할 수 있는 딥러닝 기술을 이용한 능동형 맞춤 운동시스템을 제공하는 것에 목적이 있다.

본 발명은 AI 챗봇 기반 딥러닝 피트니스 서비스 플랫폼에 의해 사용자에게 익숙한 형태의 채팅으로 자연스러운 대화를 통해 사용자의 운동 스케줄 관리와 운동 방법, 피드백 등 을 서로 주고받는 서비스를 제공하며, 딥러닝 기술을 이용하여 스마트폰으로 언제 어디서 누구나 쉽게 사용자에게 맞는 운동방법을 추천하고 AI 챗봇을 통해 운동 스케줄 및 피드백 등 관리를 제공하는 것에 목적이 있다.

본 발명에 따른 딥러닝 기술을 이용한 능동형 맞춤 운동시스템은, 운동방법과 운동 서비스 채팅을 위한 데이터베이스가 기록된 데이터 저장부; 사용자가 사용자 단말기를 통해 입력하는 사용자에 관한 나이, 신체조건 및 운동 목적을 포함하는 사용자 기초 데이터를 전송받고 상기 데이터 저장부의 운동방법에 관한 데이터베이스를 검색 참조함으로써 사용자의 상기 사용자 기초 데이터를 기초로 상기 사용자 기초 데이터에 대응하는 운동방법 및 운동 스케줄을 딥러닝에 의해 생성하는 운동방법 추천 딥러닝이 탑재된 딥러닝 기반 운동방법 추천서버; 상기 사용자 단말기와 딥러닝 기반 운동방법 추천서버에 데이터 통신이 가능하게 연결되며, 사용자가 상기 사용자 단말기를 통해 구매할 수 있는 운동 서비스를 제공하며, 상기 사용자 단말기에서 운동 서비스가 결제되고 상기 사용자 단말기를 통해 상기 사용자 기초 데이터가 입력되면 상기 사용자 기초 데이터를 상기 딥러닝 기반 운동방법 추천서버에 전송하며, 상기 사용자 기초 데이터를 기초로 상기 딥러닝 기반 운동방법 추천서버에서 전송받은 운동방법 및 운동 스케줄을 사용자 단말기에 전송하며, 상기 사용자 단말기를 통해 입력되는 사용자의 활동 정보를 기록하는 서비스 플랫폼이 탑재된 운동 서비스 플랫폼서버; 상기 데이터 저장부와 운동 서비스 플랫폼서버에 데이터 통신이 가능하게 연결되며, 상기 사용자 단말기를 통해 입력 전송된 챗에 대응하여 상기 데이터 저장부의 사용자 채팅에 관한 데이터베이스를 검색 참조함으로써 자동 챗을 생성할 수 있는 인공지능 챗봇이 탑재된 AI 기반 챗봇 서버; 및 상기 딥러닝 기반 운동방법 추천서버, 서비스 플랫폼서버, 및 AI 기반 챗봇 서버에 데이터 통신이 가능하게 연결되며, 상기 운동방법 추천 딥러닝, 인공지능 챗봇 및 서비스 플랫폼을 관리하는 서비스 관리자의 관리 도구로 사용되는 서비스 관제 서버;를 포함한다.

상기 사용자 기초 데이터는 성별, 나이, 키, 몸무게, BMI, 체형을 포함하며, 상기 딥러닝 기반 운동방법 추천서버는 상기 운동추천 딥러닝을 사용하여 상기 사용자의 1RM(Repetition Maximum: 1회 최대로 들어 올릴 수 있는 중량) 분석을 수행하되, 초기에는 사용자들의 설문조사 데이터를 활용해 초기 학습을 진행하고, 상기 사용자 기초데이터를 이용해 딥러닝 알고리즘으로 예측모델을 생성하여 1RM을 도출하며, 도출된 1RM과 사용자 맞춤형 운동 분석을 통해 운동기구, 중량, 운동 횟수를 포함하는 운동 방법과 운동 스케줄을 추천 생성하며, 상기 사용자가 추천한 운동방법과 운동 스케줄을 이용하여 운동을 진행하고 상기 사용자 단말기를 통해 피드백을 남기면 이를 전송받고 딥러닝 재학습을 통해 다음 운동방법 추천 시 반영하여 정확도를 높일 수 있다.

상기 딥러닝 기반 운동방법 추천서버는 상기 운동방법 추천 딥러닝의 알고리즘을 구현하기 위해서 상기 초기 데이터를 사용하여 일정 모델을 학습 도출하되, 상기 초기 데이터가 주어지면 입력층(input layer)과 출력층(output layer) 사이에 복수개의 은닉층들(hidden layers)로 이루어진 인공신경망으로 복잡한 비선형관계를 모델링할 수 있으며, 상기 일정 모델에 사용할 layer의 수와 각 layer에 따른 가중치(weight)값과 편향(bias)값을 초기화 하고, 딥러닝 모델에 사용할 비용함수(cost function)와 최적화 방법을 정의한 뒤, 이미 정의된 내용과 수집된 데이터를 기반으로 차기 모델을 학습시키고, 학습된 모델의 정확도를 평가하고 검증할 수 있다.

상기 사용자가 사용자 단말기에 입력한 이름, 성별, 나이, 키, 몸무게, 운동방법, 활동레벨, 지병유무, 및 체형을 포함한 기본정보가 상기 서비스 플랫폼에 전달되되, 상기 운동방법 추천 딥러닝은, 딥러닝 및 학습 스케줄 관리하는 스케줄러블록; 딥러닝으로 RM(Repetition Maximum, 최대근력) 도출을 처리하는 RM Learning(DNN, Deep Neural Network, 심층신경망)블록; 상기 RM 도출에 필요한 학습 데이터를 관리하는 학습 데이터 관리블록; 및 상기 딥러닝으로 도출된 RM과 사용자의 기본정보를 활용하여 세부 운동방법 추천을 포함한 심층 분석을 처리하는 심층 분석 처리블록;을 포함할 수 있다.

상기 운동 서비스 플랫폼서버는 통해 상기 사용자에게 추천된 운동 스케줄에 따라 효율적인 운동 관리 및 소모 칼로리를 상기 사용자 단말기에 실시간으로 전송하며, 상기 사용자의 신체조건, 나이, 성별, 운동 목적이 비슷한 다른 사용자 간의 경쟁과 재미를 유발하기 위한 랭킹 블록을 구비할 수 있다.

상기 운동 서비스 플랫폼서버의 서비스 플랫폼은, 상기 운동 서비스의 운동 추천과 사용자 정보 관리를 위한 운동 추천부; 상기 운동 서비스 전반의 관리를 위한 서비스 관리부; 상기 운동 서비스의 기구별 운동법, 부위별 운동, 소모 칼로리를 포함한 다양한 헬스장 운동 정보를 관리하는 운동 정보 관리블록; 상기 운동 서비스를 위한 상기 데이터 저장부의 데이터베이스에 연동하는 데이터베이스 연동블록; 상기 사용자에게 AI 챗봇과 채팅을 통한 운동 방법과 운동 스케줄 정보를 제공하는 인스턴트 메시징블록; 및 상기 운동 서비스 관리를 위한 관리 GUI 및 상기 사용자 단말기에 탑재되는 사용자 앱과 통신을 위한 Restful API(Representational State Transfer, 아키텍처를 따르는 어플리케이션 프로그램 인터페이스)를 구비한 GUI 및 앱 Restful API블록을 포함할 수 있다.

상기 운동 추천부는, 상기 운동 서비스를 이용하는 사용자의 인증관리(로그인/로그아웃) 처리를 위한 사용자 인증관리 블록; 상기 사용자가 입력하는 이름, 성별, 나이, 키, 몸무게, 운동방법, 활동레벨, 지병유무, 및 체형을 포함한 기본정보 관리를 수행하는 사용자 기본정보 관리블록; 상기 추천한 운동방법으로 운동 후 사용자가 사용자 단말기를 통해 보낸 피드백 데이터를 관리하는 사용자 피드백 정보 관리블록; 및 상기 딥러닝 기반 운동방법 추천서버와 연계하여 상기 사용자 단말기에 운동방법 및 운동중량, 기구, 운동횟수을 포함한 운동 스케줄 정보를 제공하는 운동 방법 및 스케줄 관리블록을 포함하며,

상기 서비스 관리부는, 사용자 통계, 추천 통계, 결제 통계를 포함한 서비스 통계 관리를 수행하는 통계 관리블록; 상기 사용자 단말기에 탑재되는 사용자 앱에 대한 공지사항 및 정보 Push 알림 메시지, 이메일 전송 관리하는 Push 및 이메일 알림블록; 상기 운동 서비스의 결제, 환불, 유료기간을 포함한 유료서비스 결제 관리를 수행하는 과금 관리블록; 및 상기 서비스 플랫폼의 보안 관리를 위한 보안블록;을 포함할 수 잇다.

상기 AI 기반 챗봇 서버의 인공지능 챗봇은, 상기 사용자가 입력한 텍스트와 AI 챗봇이 응답하는 대화의 기본 흐름정보를 설정하고 관리하는 대화 흐름 프로세스블록; 상기 사용자가 입력한 자연어를 분석하여 개체명 및 토픽을 추출하고 문장의 의미를 파악하는 자연어 처리 엔진블록; 및 상기 자연어 처리 엔진이 학습할 때 필요한 학습데이터와 상기 사용자에게 답변할 데이터를 관리하는 학습 모델 및 답변 데이터 관리블록을 포함할 수 있다.

상기 사용자 단말기에는 상기 운동 서비스를 사용하기 위한 딥러닝 기술을 이용한 사용자 앱이 탑재되되, 상기 사용자 앱은, 상기 사용자 앱 화면을 구성하는 GUI블록; 상기 사용자의 로그인/로그아웃 및 앱 설정을 수행하는 사용자 인증 및 설정블록; 상기 사용자와 AI 챗봇 간의 채팅 기능을 구성하는 인스턴트 메시징블록; 상기 운동 서비스 플랫폼서버에서 추천 받은 운동 후 피드백 전송하는 운동 피드백블록; 상기 운동 서비스 플랫폼서버에서 추천 받은 운동 표시 및 운동방법, 운동 스케줄, 및 소모칼로리를 관리하는 운동 추천 및 관리블록; 상기 운동 서비스 플랫폼서버에서 전달된 공지사항, 이벤트 등 알림 메시지를 처리하는 Push 알림블록; 상기 운동 서비스 플랫폼서버에 대해 유료서비스 결제를 처리하는 과금 관리블록; 및 서비스 플랫폼과 사용자 GUI 간 통신을 처리를 수행하는 Restful API블록;을 포함할 수 있다.

상기 운동 서비스 플랫폼서버는 상기 딥러닝 기반 운동 방법 추천서버에서 전달받은 운동종류, 무게, 세트 수, 세트 간 휴식시간을 포함한 사용자 맞춤형 운동방법을 일주일 단위로 사용자에게 채팅을 통해 전달하며, 상기 사용자 앱은 사용자에게 운동 스케줄을 확인시켜 실시간으로 운동세트가 진행 될 때 마다 소모 칼로리의 확인을 가능하게 만들고, 운동 시 AI 챗봇이 알려주는 운동방법 이미지 및 동영상을 통해 단계별로 세부 운동방법을 확인하고, 신체조건, 나이, 성별, 운동 목적이 비슷한 사용자 간의 경쟁과 재미를 유발하기 위한 랭킹 정보를 제공받을 수 있다.

상기 서비스 관제 서버는, 가입자 현황, 서비스 이용 현황 등 현황판, 사용자에 맞는 운동 방법 이미지 및 동영상 파일 관리, 사용자 관리, 사용자 운동 스케줄 관리, 운동 피드백 관리, 운동 기구, 운동 방법에 대한 기초 데이터 관리, 결제 상품 관리, 결제내역, 환불 등 결제 정보 관리, 및 사용자 의견 처리를 수행하는 각각의 프로그램 처리블록을 포함할 수 있다.

상기와 같이 기술된 본 발명은, 딥러닝 기술을 이용하여 쉽게 누구나 맞는 운동방법을 추천하고 관리해 주는 기능과 AI 기반의 챗봇을 통해 사용자와 상호작용하는 서비스를 제공하여 효과적으로 운동을 하고 싶은 고객의 니즈를 충족시키며, 피트니스 클럽에서 운동을 하는 고객에게 개인 헬스트레이너를 대신할 수 있는 저렴한 서비스를 제공하거나 헬스트레이너가 고객의 니즈를 효과적으로 충족시켜주기 위한 보조도구로서 사용할 수 있다.

본 발명의 알고리즘은 AI 챗봇 기반 딥러닝 피트니스 서비스 플랫폼을 위한 것으로서, 맞춤형 운동방법을 추천하기 위한 최적화된 수단으로서 정확성이 제고되는 특징이 있다.

도 1은 본 발명의 일 실시예에 따른 딥러닝 기술을 이용한 능동형 맞춤 운동시스템의 구성도이다.
도 2는 본 발명의 일 실시예에 따른 딥러닝 기술을 이용한 능동형 맞춤 운동시스템의 서비스 플랫폼이 탑재된 서비스 플랫폼서버의 블록도이다.
도 3은 딥러닝 기술을 이용한 능동형 맞춤 운동시스템의 AI챗봇서버의 블록도이다.
도 4는 본 발명의 일 실시예에 따른 딥러닝 기반 운동 방법 추천서버 기능 블록도이다.
도 5는 본 발명의 일 실시예에 따른 딥러닝 기반 운동방법 추천서버의 프로세스 블록도이다.
도 6는 본 발명의 일 실시예에 따른 딥러닝 기반 운동방법 추천서버의 딥러닝 구현 순서도이다.
도 7은 본 발명의 일 실시예에 따른 딥러닝 기반 운동방법 추천서버의 딥러닝 알고리즘 세부 구조도이다.
도 8은 본 발명의 일 실시예에 따른 AI 챗봇을 통한 딥러닝 맞춤형 운동방법 분석 세부 블록도이다.
도 9는 본 발명의 일 실시예에 따른 사용자 등급별 중량 분류 예시도이다.
도 10은 본 발명의 일 실시예에 따른 사용자 등급과 운동 목적에 맞는 운동방법 추천 예시도이다.
도 11은 본 발명의 일 실시예에 따른 AI 챗봇 자연어 처리 흐름도이다.
도 12는 본 발명의 일 실시예에 따른 사용자 앱 기능 블록도이다.
도 13은 본 발명의 일 실시예에 따른 AI 기반 챗봇 피트니스 앱 화면 예시도이다.
도 14는 본원 발명의 일 실시예로서, 개선된 데이터타입과 비용함수를 통한 딥러닝 코드 실행 결과를 보여주는 예시도이다.
도 15는 본원 발명의 일 실시예로서, 확장된 기초데이터를 바탕으로 한 딥러닝 코드 실행 결과를 보여주는 예시도이다.
도 16은 본원 발명의 일 실시예로서, Relu 함수를 적용한 딥러닝 코드 실행 결과를 보여주는 예시도이다.
도 17은 본원 발명의 일 실시예로서, 가중치초기화를 적용한 딥러닝 코드 실행 결과를 보여주는 예시도이다.
도 18은 본원 발명의 일 실시예로서, DropOut을 적용한 딥러닝 코드 실행 결과를 보여주는 예시도이다.

이하, 본 발명의 다양한 실시 예들 중 실질적인 구현성이 높으며, 산업적 이용 가능성이 높은 일 실시예에 따른 딥러닝 기술을 이용한 능동형 맞춤 운동시스템을 설명한다.

도 1 내지 도 4를 참조하면, 본 발명의 일 실시예에 따른 딥러닝 기술을 이용한 능동형 맞춤 운동시스템은, 데이터 저장부(100), 딥러닝 기반 운동방법 추천서버(200), 운동 서비스 플랫폼서버(300), AI 기반 챗봇 서버(400), 및 서비스 관제 서버(500)를 포함한다.

상기 데이터 저장부(100)는 운동방법과 운동 서비스 채팅을 위한 데이터베이스가 기록된 것이다. 이러한 데이터 저장부(100)는 딥러닝 기반 운동방법 추천서버(200)와 AI 기반 챗봇 서버(400)에 유선 또는 무선으로 연결될 수 있으며, 각 서버가 처리하기 위한 기본적인 데이터를 제공하며, 각 서버로부터 전달된 데이터를 업데이트하여 기록할 수 있다.

데이터 저장부(100)에는 성별, 나이, 키, 몸무게, BMI, 체형 데이터, 그리고 운동목적에 대응하는 운동 방법 및 운동 스케줄을 포함하는 데이터베이스가 구성될 수 있다.

데이터 저장부(100)는 대용량 빅데이터 저장 및 처리 시스템으로 구축되며, 사용자 활동 정보를 빅데이터 분석에 이용할 수 있는 기초 시스템이 구축된다.

딥러닝 기반 운동방법 추천서버(200)는 사용자가 사용자 단말기를 통해 입력하는 사용자에 관한 나이, 신체조건 및 운동 목적을 포함하는 사용자 기초 데이터를 전송받고 데이터 저장부(100)의 운동방법에 관한 데이터베이스를 검색 참조함으로써 사용자 기초 데이터에 대응하는 운동방법 및 운동 스케줄을 딥러닝에 의해 생성하는 운동방법 추천 시스템이 탑재된 것이다.

딥러닝 기반 운동방법 추천서버(200)에 탑재된 운동방법 추천 딥러닝은, 딥러닝 및 학습 스케줄을 관리하는 스케줄러블록; 딥러닝으로 RM(Repetition Maximum, 최대근력) 도출을 처리하는 RM Learning(DNN, Deep Neural Network, 심층신경망)블록; RM 도출에 필요한 학습 데이터를 관리하는 학습 데이터 관리블록; 및 딥러닝으로 도출된 RM과 사용자의 기본정보를 활용하여 세부 운동방법 추천을 포함한 심층 분석을 처리하는 심층 분석 처리블록을 포함할 수 있다.

운동 서비스 플랫폼서버(300)는 사용자 단말기와 딥러닝 기반 운동방법 추천서버(200)에 데이터 통신이 가능하게 연결되며, 서비스 플랫폼이 탑재된 것이다.

서비스 플랫폼은 사용자가 사용자 단말기를 통해 구매할 수 있는 운동 서비스를 제공하며, 사용자 단말기에서 운동 서비스가 결제되고 사용자 단말기를 통해 사용자 기초 데이터가 입력되면 사용자 기초 데이터를 딥러닝 기반 운동방법 추천서버(200)에 전송하며, 사용자 기초 데이터를 기초로 딥러닝 기반 운동방법 추천서버(200)에서 전송받은 운동방법 및 운동 스케줄을 사용자 단말기에 전송하며, 사용자 단말기를 통해 입력되는 사용자의 활동 정보를 전송하도록 구성된다.

서비스 플랫폼 서버(300)는 도 2를 참조하여 설명하면, 운동 서비스의 운동 추천과 사용자 정보 관리를 위한 운동 추천블록; 운동 서비스 전반의 관리를 위한 서비스 관리블록; 운동 서비스의 기구별 운동법, 부위별 운동, 소모 칼로리를 포함한 다양한 헬스장 운동 정보를 관리하는 운동 정보 관리블록; 운동 서비스를 위한 데이터 저장부(100)의 데이터베이스에 연동하는 데이터베이스 연동블록; 사용자에게 AI 챗봇과 채팅을 통한 운동 방법과 운동 스케줄 정보를 제공하는 인스턴트 메시징블록; 및 운동 서비스 관리를 위한 관리 GUI 및 사용자 단말기에 탑재되는 사용자 앱과 통신을 위한 Restful API를 구비한 GUI 및 앱 Restful API블록을 포함할 수 있다.

상기 운동 추천블록은, 운동 서비스를 이용하는 사용자의 인증관리(로그인/로그아웃) 처리를 위한 사용자 인증관리 블록; 사용자가 입력하는 이름, 성별, 나이, 키, 몸무게, 운동방법, 활동레벨, 지병유무, 및 체형을 포함한 기본정보 관리를 수행하는 사용자 기본정보 관리블록; 추천한 운동방법으로 운동 후 사용자가 사용자 단말기를 통해 보낸 피드백 데이터를 관리하는 사용자 피드백 정보 관리블록; 및 딥러닝 기반 운동방법 추천서버(200)와 연계하여 사용자 단말기에 운동방법 및 운동중량, 기구, 운동횟수을 포함한 운동 스케줄 정보를 제공하는 운동 방법 및 스케줄 관리블록을 포함한다.

상기 서비스 관리블록은, 사용자 통계, 추천 통계, 결제 통계를 포함한 서비스 통계 관리를 수행하는 통계 관리블록; 사용자 단말기에 탑재되는 사용자 앱에 대한 공지사항 및 정보 Push 알림 메시지, 이메일 전송 관리하는 Push 및 이메일 알림블록; 운동 서비스의 결제, 환불, 유료기간을 포함한 유료서비스 결제 관리를 수행하는 과금 관리블록; 및 서비스 플랫폼의 보안 관리를 위한 보안블록을 포함할 수 있다.

상기 서비스 플랫폼 서버(300)는 사용자에게 추천된 운동 스케줄에 따라 효율적인 운동 관리 및 소모 칼로리를 사용자 단말기에 실시간으로 전송하며, 사용자의 신체조건, 나이, 성별, 운동 목적이 비슷한 다른 사용자 간의 경쟁과 재미를 유발하기 위한 랭킹 블록을 구비할 수 있다.

도 3에서와 같이, AI 기반 챗봇 서버(400)는 데이터 저장부(100)와 서비스 플랫폼 서버(300)에 데이터 통신이 가능하게 연결되며, 사용자 단말기를 통해 입력 전송된 챗에 대응하여 데이터 저장부(100)의 사용자 채팅에 관한 데이터베이스를 검색 참조함으로써 자동 챗을 생성할 수 있는 인공지능 챗봇이 탑재된 것이다.

서비스 관제 서버(500)는 딥러닝 기반 운동방법 추천서버(200), 서비스 플랫폼서버(300), 및 AI 기반 챗봇 서버(400)에 데이터 통신이 가능하게 연결되며, 운동방법 추천 딥러닝, 인공지능 챗봇 및 서비스 플랫폼을 관리하는 서비스 관리자의 관리 도구로 사용되는 것이다.

본 발명에 따른 딥러닝 기술을 이용한 능동형 맞춤 운동시스템은, 딥러닝 기술을 이용하여 쉽게 누구나 맞는 운동방법을 추천하고 관리해 주는 기능과 AI 기반의 챗봇을 통해 사용자와 상호작용하는 서비스를 제공하여 효과적으로 운동을 하고 싶은 고객의 니즈를 충족시키며, 피트니스 클럽에서 운동을 하는 고객에게 저렴한 비용으로 개인 헬스트레이너의 대체효과를 얻을 수 있으며, 개인 헬스트레이너는 정확한 고객진단을 통해서 효과적인 트레이닝을 수행할 수 있게 된다.

본 발명은 AI 챗봇 기반 딥러닝 서비스 플랫폼에 의해 사용자에게 익숙한 형태의 채팅으로 자연스러운 대화를 통해 사용자의 운동 스케줄 관리와 운동 방법, 피드백 등 을 서로 주고받는 서비스를 제공하며, 딥러닝 기술을 이용하여 스마트폰으로 언제 어디서 누구나 쉽게 사용자에게 맞는 운동방법을 추천하고 AI 챗봇을 통해 운동 스케줄 및 피드백 등 관리를 구현할 수 있다.

이하에서는, 본 발명의 일 실시예에 따른 딥러닝 기반 운동방법 추천서버에 탑재된 운동방법 추천 딥러닝의 구현에 대해서 상세하게 설명한다.

도 1 내지 도 4를 참조하면, 사용자가 사용자 단말기에 입력한 이름, 성별, 나이, 키, 몸무게, 운동방법, 활동레벨, 지병유무, 및 체형을 포함한 기본정보인 사용자의 기초 데이터가 서비스 플랫폼에 전달되며, 서비스 플랫폼 서버(300)는 이를 딥러닝 기반 운동방법 추천서버(200)에 전달한다.

상기에서 딥러닝 기반 운동방법 추천서버(200)는, 기초 데이터를 기초로 운동추천 딥러닝을 사용하여 사용자의 1RM(Repetition Maximum: 1회 최대로 들어 올릴 수 있는 중량) 분석을 수행한다.

딥러닝 기반 운동방법 추천서버(200)는, 초기에는 사용자들의 설문조사 데이터를 활용해 초기 학습을 진행하고, 사용자 기초데이터를 이용해 딥러닝 알고리즘으로 예측모델을 생성하여 1RM을 도출한다.

이후 딥러닝 기반 운동방법 추천서버(200)는, 도출된 1RM과 사용자 맞춤형 운동 분석을 통해 운동기구, 중량, 운동 횟수를 포함하는 운동 방법과 운동 스케줄을 추천 생성하며, 사용자가 추천한 운동방법과 운동 스케줄을 이용하여 운동을 진행하고 사용자 단말기를 통해 피드백을 남기면 이를 전송받고 딥러닝 재학습을 통해 다음 운동방법 추천 시 반영하여 정확도를 높일 수 있다.

상기와 같이 딥러닝 기반 운동방법 추천서버(200)는 운동방법 추천 딥러닝 알고리즘을 구현하기 위해서 초기 데이터를 사용하여 일정 모델을 학습 도출할 수 있다.

도 1 내지 도 4 및 도 12와 도 13을 참조하면, 운동 서비스 플랫폼서버(300)는 딥러닝 기반 운동 방법 추천서버에서 전달받은 운동종류, 무게, 세트 수, 세트 간 휴식시간을 포함한 사용자 맞춤형 운동방법을 일주일 단위로 사용자에게 채팅을 통해 전달하며, 사용자 앱은 사용자에게 운동 스케줄을 확인시켜 실시간으로 운동세트가 진행 될 때 마다 소모 칼로리의 확인을 가능하게 만들고, 운동 시 AI 챗봇이 알려주는 운동방법 이미지 및 동영상을 통해 단계별로 세부 운동방법을 확인하고, 신체조건, 나이, 성별, 운동 목적이 비슷한 사용자 간의 경쟁과 재미를 유발하기 위한 랭킹 정보를 제공받을 수 있다.

한편, 상기 서비스 관제 서버(500)는, 가입자 현황, 서비스 이용 현황 등 현황판, 사용자에 맞는 운동 방법 이미지 및 동영상 파일 관리, 사용자 관리, 사용자 운동 스케줄 관리, 운동 피드백 관리, 운동 기구, 운동 방법에 대한 기초 데이터 관리, 결제 상품 관리, 결제내역, 환불 등 결제 정보 관리, 및 사용자 의견 처리를 수행하는 각각의 프로그램 처리블록을 포함할 수 있다.

도 4와 도 7을 참조하면, 딥러닝 기반 운동방법 추천서버(200)는 초기 데이터가 주어지면 입력층(input layer)과 출력층(output layer) 사이에 복수개의 은닉층들(hidden layers)로 이루어진 인공신경망으로 복잡한 비선형관계를 모델링할 수 있으며, 상기 딥러닝 모델에 사용할 레이어(layer)의 수와 각 레이어(layer)에 따른 가중치(weight) 값과 편향(bias)값을 초기화 하고, 딥러닝 모델에 사용할 비용함수(cost function)와 최적화 방법을 정의한 뒤, 이미 정의된 내용과 수집된 데이터를 기반으로 차기 모델을 학습시키고, 학습된 모델의 정확도를 평가하고 검증할 수 있다.

딥러닝 알고리즘을 위한 기초 설문데이터를 분석한 예는 다음과 같다.

딥러닝 기반 사용자 맞춤형 운동방법을 추천하기 위해서, 딥러닝 모델을 학습시키는 용도로 일반인 6000명을 대상으로 설문을 실시하여 학습 데이터를 확보하였다. 설문 항목은 총 7개로 성별, 나이, 키, 몸무게, 운동방법, 체형, 자신이 들 수 있는 덤벨(아령)무게와 반복 횟수이다.

이때는 딥러닝 모델의 완성도를 높이기 위해 설문조사를 하였으며, 향후 사용자 정보 및 활동 정보가 많아지면, 더 정확한 결과가 나올 것으로 예상된다.

BMI(Body Mass Index, 신체질량지수)를 계산하기 위해 키, 몸무게를 조사하였고 1RM을 계산하기 위해 덤벨 무게와 반복 횟수를 조사하였다.

설문에 응답한 총 6000명의 응답자 중 남녀 비율은 여자 약 34%, 남자 약 66%, 나이 대는 10대~60대로 2~30대가 약 79% 이고, 운동 목적은 근육발달이 44%, 다이어트가 49%로 응답하였다.

도 6과 도 7을 참조하면, 상기와 같은 딥러닝 기초 설문자료 분석 결과에 따라서 알고리즘 설계 및 실행결과에서 입력데이터는 총 6개로 성별, 나이, 키, 몸무게, BMI, 체형이며, 딥러닝 모델은 5개의 은닉층으로 구성된다. 결과는 Output의 6개 1RM 그룹 중 하나의 1RM 그룹으로 산출하여 평균치를 최종 1RM으로 이용한다.

딥러닝 알고리즘의 세부 계산의 설명은 다음과 같다.

Input Data x에 대해서 첫 번째 은닉층의 값과 두 번째 은닉층의 값은 다음과 같이 계산된다.

Learning rate는 0.001, 학습주기(training epochs)는 5000, 5개의 은닉층과 128개의 노드로 구성한다.

(1)

(2)

출력층(Output Layer)의 값

(3)

여기서 σ는 시그모이드함수(sigmoid function)이며,

이다.

위의 딥러닝 모델에서 매개변수를 업데이트하기 위해서 출력층(output Layer)에서 원하는 목표 값(target output)과 네트워크가 생산한 추정 결과들끼리의 손실함수(loss function)를 계산하여 그 값을 최소화하는 방식을 취한다.

일반적으로 많이 선택하는 손실함수는 다음과 같으며, 원하는 다차원의 목표 값(d-dimensional target output)을 t=[t₁,…,t_d]로, 추정 값(estimated output)을 y=[y₁,…,y_d] 로 정의하면, 아래의 각 수식에 의해 계산된 값을 가장 작게 만들 수 있도록 하는 가중치(weight)와 편향(bias)값들을 조정한다.

상기에서는 상황에 따라 조금씩 다른 손실함수(loss function)을 사용하지만, 범주 분류(classification)를 위해 소프트맥스 손실 함수(softmax loss function)를 이용한다. 소프트맥스 손실 함수는 기울기(gradient) 값이 수치적으로 안정되기 때문에 사용한다.

최적화 함수로는 Adam (Adaptive Moment Estimation)을 적용했으며 지금까지 계산해온 기울기의 지수평균을 저장하며, 기울기의 제곱값의 지수평균을 저장한다.

여기서

는 과거기울기 제곱의 평균,

는 과거기울기의 평균이다.

본 발명에서는 운동 전용 AI챗봇을 위한 딥러닝의 정확도 향상 기법을 적용하기 위해서 여러 실시 예를 통해서 시스템을 업그레이드하였다. 이를 통해서 예측값과 실제값의 손실을 최소화 하면서 90% 이상의 정확도를 나타낼 수 있었다.

< 실시예 1>

실시예 1의 운동 전용 딥러닝에서는 성별과 나이를 제외하면 실수형태의 데이터가 많은 점을 고려하여 정수로만 처리하는 one_hot함수 대신 실수형 데이타를 처리할 수 있는 reshape함수를 사용하고, 또한 데이터의 형식을 따라 비용함수도 sum of squares (Euclidean) 손실함수로 설계하였다.

- 데이터를 정수에서 실수형으로 변경

Y_one_hot = tf.reshape(Y_one_hot, [-1, nb_classes])

- cost함수 변경

cost = tf.reduce_mean(tf.square(hypothesis - Y))

이와 같은 딥러닝으로 159개의 데이터를 111개의 트레이닝 데이터와 48개의 테스트 데이터로 나누어 5000번의 학습을 학습주기 1ms로 진행하였다. 이에 따른 딥러닝 실행결과는 도 14에 나타나 있다. 적용결과 정확도는 약 53%로 기존 정확도보다 낮아졌지만 실제 산출 예측 값은 실제 값과 비교적 유사하였다.

< 실시예 2>

실시예 2의 운동 전용 딥러닝에서는 적용 데이타를 확장하여 시스템을 업그레이드 하였다. 현재 적용한 소수의 데이터로도 피트니스에서 필요한 1RM을 도출할 수는 있지만 데이터의 수가 적어 제대로 된 결과를 도출하지 못하며 한 팔에 대한 1RM을 통해 다른 부위에 대한 운동량을 산출해 주기는 어렵다. 이에 통계청의 ‘한국인체지수조사’데이터를 활용하여 6421명의 시민에 대한 성별, 나이, 키, 체중, 체지방량, 부위별 길이 등을 약간의 데이터 가공을 통해 딥러닝에 적용하였다.

전체데이터 6421개를 학습데이터 4495개, 테스트데이터 1926개로 나누어, 성별의 경우 남자는 1, 여자는 2로 설정하였다. 또한 기존데이터의 체지방량을 체중에서 뺀 제지방량(LBM,Lean Body Mass)을 최종 산출데이터로 설정하였다. 정리된 데이터를 딥러닝에 적용하고 결과를 도출하기 위해서 딥러닝 학습 횟수를 5000번에서 100000번으로 변경하여 진행하였다.

training_epochs = 100000

learning_rate = 0.001

이에 따른 딥러닝 실행결과는 도 15에 나타나 있다. 수정된 딥러닝 코드를 적용한 결과는 약 61%의 정확도를 보였으며 실제 산출된 예측 값은 실제 값과 대부분 유사한 데이터를 보였다.

< 실시예 3>

실시예 3의 운동 전용 딥러닝에서는 Relu함수 적용을 통해 정확성을 높이도록 시스템을 업그레이드하였다. 이를 위해 상기 실시예 2와 동일한 조건에서 sigmoid 함수를 relu함수로 변경하였다. sigmoid함수는 경우 0과 1로 나누는 방식이기 때문에 적용하는 딥러닝의 Layer 수가 늘어날수록 0에 가까운 가중치 데이터가 저장되어 실제 결과 산출에 영향을 못 주는 문제인 기울기 소실(Vanishing Gradient)이 발생할 수 있다. 이러한 기울기 소실(Vanishing Gradient)로 인한 한계를 개선하기 위해 Sigmoid 함수 대신 Relu 함수를 적용하는 것이 바람직하다. Relu 함수는 0과 1로 나누는 방식이 아닌 양의 값을 그대로 출력하는 함수이며, Layer가 매우 많아도 0으로 수렴하는 값이 거의 없기 때문에 기울기 소실(Vanishing Gradient)문제를 해결할 수 있다. Relu 함수를 적용한 후 <실시예 2>의 실행과 동일한 조건에서 딥러닝을 실행하였다.

L1 = tf.mm.relu(tf.matmul(X, w1) + b1)

이에 따른 딥러닝 실행결과는 도 16에 나타나 있다. 수정된 딥러닝 코드를 적용한 결과는 <실시예 2>의 결과보다 17% 증가된 약 78%의 정확도를 보였고, 정확도가 향상되었다.

< 실시예 4>

실시예 4의 운동 전용 딥러닝에서는 가중치 초기화를 통한 정확성 향상을 위해 시스템을 업그레이드하였다.

relu함수의 경우 양수값일 경우 해당 값을 그대로 내보내기 때문에 5-Layer를 전부 relu 함수로 적용시켰을 경우 Cost 산출식에 들어가는 값이 무한히 커져 발생하는 한계가 있다. 이와 같이 무한대로 늘어날 수 있는 cost 값의 문제를 해결하기 위해 relu 함수를 거치기 전에 가중치 초기화를 적용시켰다. 가중치 초기화 방식은 적용 데이터를 정규분포 형태로 재구성하여 딥러닝의 학습 데이터를 균일한 형식으로 유지시켜주는 방식이다. 이러한 가중치 초기화를 적용시켰을 경우 0과 1에 치우친 데이터를 0.5가 기준인 데이터 정규분포 형태로 재구성되기 때문에 값이 무한대로 증가하는 것을 방지할 수 있다. 가중치 초기화 방식은 Xavier-initializer 함수를 적용한 후 <실시예 3>의 실행과 동일한 조건에서 딥러닝을 실행하였다.

w1 = tf.get_variable("w1",shape=[x_length, n_node], initializer=tf.contrib.layers.xavier_initializer())

L1 = tf.mm.relu(tf.matmul(X, w1) + b1)

이에 따른 딥러닝 실행결과는 도 17에 나타나 있다. 5-Layer의 각 층을 지날때마다 가중치 초기화를 적용시킨 결과는 기존의 Relu 함수와 달리 Cost 값이 0에 가까운 값으로 수렴을 하였다. 최종적인 결과의 경우 실제 값이 실제 산출된 예상 값과 오차 값 1 이내로 매우 유사하게 산출되는 것을 확인할 수 있다.

< 실시예 5>

실시예 5를 통한 운동 전용 딥러닝에서는 드롭아웃을 적용하여 정확성 향상을 위해 시스템을 업그레이드하였다.

가중치 초기화까지 적용해본 결과 예측 값과 실제 값이 매우 유사하게 도출되는 것을 확인할 수 있었다. 하지만 딥러닝 실행 결과의 비용(Cost) 값이 균일하게 감소하지 못하고 정확도 또한 균일하게 증가하지 못한다는 한계를 개선하기 위하여 드롭아웃(DropOut) 방식을 적용하였다. DropOut 방식은 가중치를 지정할 때 학습데이터의 분류를 너무 과도하게 수행하는 오버피팅(Overfitting)을 방지하기 위해 개발하였다. DropOut은 전체 가중치 중 일정 비율만을 다음 학습에 적용하여 Overfitting을 방지하며 Overfitting 방지를 통해 불안정한 Cost값에 대한 문제를 해결하였다.

L4 = tf.nn.dropout(_L4, keep_prob)

모든 레이어에 Drop-Out을 적용할 경우 데이터의 양이 매우 적어지기 때문에 마지막 레이어를 거치기 직전에 적용시켜 결과를 확인하였다. 또한 Drop-Out을 적용시키기 위해서는 얼마만큼의 데이터를 남길지에 대한 수치를 넣어야 하며 본 발명에서는 Drop-Out을 통해 매 학습 당 90%의 데이터를 남겨 학습을 진행하였다. 드롭아웃 방식은 dropout 함수를 적용한 후 <실시예 4>의 실행과 동일한 조건에서 딥러닝을 실행하였다.

이에 따른 딥러닝 실행결과는 도 18에 나타나 있다. Cost의 값이 학습 횟수와 비례하여 점차 감소하는 것을 확인할 수 있으며, 정확도도 Cost의 감소에 따라 점차 높아지는 것을 확인할 수 있었다. 또한 예측 값과 실제 값을 비교해 보았을 때 오차가 거의 없는 데이터를 산출해 낸 것을 확인할 수 있다.

위의 실시예1 내지 실시예 5를 통해 정확성이 향상된 딥러닝 코드를 완성하였으며, 이에 따라 산출한 제지방량 데이터를 활용하기 위해 제지방량을 통한 운동 종류 별 1RM을 산출하는 식을 적용하였다. 1RM 산출식의 경우 표1과 같이 몸무게, 제지방량에 대해 운동을 꾸준히 해온 사람과 운동을 거의 안 한 사람에 따른 4가지 운동에 대한 식으로 정리하였다.

	Trained subjects by body mass	Untrained subjects by body mass	Trained subjects by Lean body mass	Untrained subjects by Lean body mass
벤치프레스	y=1.243x-11.4	y=0.628x-6.49	y=2.22x-54.3	y=1.152x-12.05
스쿼트	y=2.825x-84.6	y=1.6938x-37.6	y=5.036x-181.6	y=2.3953x-45.2
서포트 로우	y=0.705x-28.7	y=0.6923x-7.9	y=1.563x-14.93	y=0.9874x-4.3
레그프레스	y=4.586x-22.1	y=3.2224x-12.7	y=7.878x-116.4	y=3.9978x-6.12

<체지방량을 통한 운동 종류별 1RM 산출식>

본 발명에서는 몸무게 및 BMI가 입력되었을 때 제지방량(Lean Body Mass)의 수치를 계산하여 1RM 예상치를 도출하여 데이터저장부로 전달한다.

본 발명의 최적화된 딥러닝 알고리즘에 사용된 설문자료(sample 데이터)는 설문응답자 총 212명중에서 약 70%인 150개를 학습을 위한 훈련데이터로 설정하였으며, 나머지 62개를 테스트 데이터로 설정한 것이다.

도 8은 AI 챗봇을 통한 딥러닝 맞춤형 운동방법 분석 세부 과정을 나타낸다. 도 8과 같이, 사용자의 성별, 나이, 키, 몸무게, BMI, 체형으로 도출된 1RM을 기준으로 등급, 운동 목적, 질병 유무에 따라 사용자 맞춤형 운동방법 및 스케줄 제공을 위한 심층 분석을 수행할 수 있다.

도 9는 사용자 등급별 중량 분류가 도출된 예시이다.

도 9와 같이 딥러닝 단계에서 도출된 1RM을 성별과 나이를 기준으로 초급, 중급, 고급으로 간단하게 사용자에 맞는 바벨 무게를 예시로 분류하며, 향후, 사용자 피드백을 이용하여 등급 분류 기준 변경에 반영할 수 있다.

다음으로, 운동 목적에 따른 세부 스케줄 분류가 도출될 수 있다.

표 2을 참조하면, 1RM과 중량 등급(초급, 중급, 고급)을 이용하여 사용자 별로 운동 목적(근육발달, 다이어트)에 따라 세부적인 운동방법(중량, 세트 당 반복수, 세트 수, 세트 간 휴식, 주당 운동 횟수)을 구체적으로 결정할 수 있다.

< 사용자의 등급별 운동추천 사례>

도 10은 맞춤형 운동 스케줄 추천 결과의 예시이다.

도 10과 같이 사용자 맞춤형 운동방법 분석을 통해 다양한 운동 스케줄을 추천할 수 있다. 표 3에 제시된 내용에 따라 사용자의 등급(초급, 중급, 고급)과 운동목적에 맞는 중량, 기구, 운동횟수(세트 수, 세트 당 반복수, 세트 간 휴식, 주당 운동 횟수)가 구체적으로 추천된다.

<사용자 등급에 맞는 최종 운동 스케줄의 예시>

도 11은 본 발명의 일 실시예에 따른 피트니스 전용 AI 챗봇 서버 블록도이고, 도 12는 본 발명의 일 실시예에 따른 AI 챗봇 자연어 처리 흐름도이다.

도 11과 도 12를 참조하면, AI 기반 챗봇 서버(400)의 인공지능 챗봇은, 사용자가 입력한 텍스트와 AI 챗봇이 응답하는 대화의 기본 흐름정보를 설정하고 관리하는 대화 흐름 프로세스블록; 사용자가 입력한 자연어를 분석하여 개체명 및 토픽을 추출하고 문장의 의미를 파악하는 자연어 처리 엔진블록; 및 자연어 처리 엔진이 학습할 때 필요한 학습데이터와 사용자에게 답변할 데이터를 관리하는 학습 모델 및 답변 데이터 관리블록을 포함할 수 있다.

챗봇(ChatBot)은 사람과의 문자 대화를 통해 질문에 알맞은 답이나 각종 연관 정보를 제공하는 ‘인공지능(AI) 기반의 커뮤니케이션 소프트웨어’로 구현될 수 있으며, 텍스트 기반의 메신저를 활용할 수 있어 대중화가 쉽고, 사용자의 상황을 기반으로 자연스러운 개입이 가능하며, 양방향의 상호작용과 개인화를 통해 원하는 목적을 직접 처리 가능한 것이다.

챗봇 NLP(Natural Language Processing)는 사용자의 자연어 입력을 받아 의도를 파악하고 문장 내에서 Entity를 추출하는 주요 기술이 구성된다.

NLP 처리 순서는 사용자가 자연어를 입력하면 AI 챗봇은 문장 전체에서 사용자의 의도를 파악하여 의도를 이해하고 문장 내에서 사용된 단어 중 사전에 정의된 개체명과 매칭되는 개체명을 추출하며, 문장 전체에서 사용자의 의도를 파악하여 답변할 수 있다.

복합문장 인식 및 정확한 문장의 의도를 파악하기 위한 AI 챗봇의 딥러닝 처리가 구현된다.

도 12은 본 발명의 일 실시예에 따른 사용자 앱 기능 블록도이고, 도 13는 본 발명의 일 실시예에 따른 AI 기반 챗봇 피트니스 앱 화면 예시도이다.

도 12와 도 13를 참조하면, 사용자 단발기에는 운동 서비스를 사용하기 위한 딥러닝 기술을 이용한 사용자 앱이 탑재된다.

사용자 단말기의 사용자 앱은, 사용자 앱 화면을 구성하는 GUI블록; 사용자의 로그인/로그아웃 및 앱 설정을 수행하는 사용자 인증 및 설정블록; 사용자와 AI 챗봇 간의 채팅 기능을 구성하는 인스턴트 메시징블록; 운동 서비스 플랫폼서버(300)에서 추천 받은 운동 후 피드백 전송하는 운동 피드백블록; 운동 서비스 플랫폼서버(300)에서 추천 받은 운동 표시 및 운동방법, 운동 스케줄, 및 소모칼로리를 관리하는 운동 추천 및 관리블록; 운동 서비스 플랫폼서버(300)에서 전달된 공지사항, 이벤트 등 알림 메시지를 처리하는 Push 알림블록; 운동 서비스 플랫폼서버(300)에 대해 유료서비스 결제를 처리하는 과금 관리블록; 및 서비스 플랫폼과 사용자 GUI 간 통신을 처리를 수행하는 Restful API블록을 포함할 수 있다.

이상과 같이 본 발명의 실시 예들에 대하여 설명하였으나, 이를 기초로 해당 기술 분야에서 통상의 지식을 가진 자라면 청구범위에 기재된 본 발명의 본질적인 기술 사상으로부터 벗어나지 않는 범위 내에서, 구성 요소의 부가, 변경, 삭제 또는 추가 등에 의해 본 발명을 다양하게 수정 및 변경시킬 수 있을 것이며, 이 또한 본 발명의 권리범위 내에 포함된다.

100: 데이터 저장부
200: 딥러닝 기반 운동방법 추천서버
300: 운동 서비스 플랫폼서버
400: AI 기반 챗봇 서버
500: 서비스 관제 서버

Claims

운동방법과 운동 서비스 채팅을 위한 데이터베이스가 기록된 데이터 저장부;
사용자가 사용자 단말기를 통해 입력하는 사용자에 관한 나이, 신체조건 및 운동 목적을 포함하는 사용자 기초 데이터를 전송받고 상기 데이터 저장부의 운동방법에 관한 데이터베이스를 검색 참조함으로써 사용자의 상기 사용자 기초 데이터를 기초로 상기 사용자 기초 데이터에 대응하는 운동방법 및 운동 스케줄을 딥러닝에 의해 생성하는 운동방법 추천 딥러닝이 탑재된 딥러닝 기반 운동방법 추천서버;
상기 사용자 단말기와 딥러닝 기반 운동방법 추천서버에 데이터 통신이 가능하게 연결되며, 사용자가 상기 사용자 단말기를 통해 구매할 수 있는 운동 서비스를 제공하며, 상기 사용자 단말기에서 운동 서비스가 결제되고 상기 사용자 단말기를 통해 상기 사용자 기초 데이터가 입력되면 상기 사용자 기초 데이터를 상기 딥러닝 기반 운동방법 추천서버에 전송하며, 상기 사용자 기초 데이터를 기초로 상기 딥러닝 기반 운동방법 추천서버에서 전송받은 운동방법 및 운동 스케줄을 사용자 단말기에 전송하며, 상기 사용자 단말기를 통해 입력되는 사용자의 활동 정보를 기록하는 운동서비스 플랫폼서버;
상기 데이터 저장부와 운동 서비스 플랫폼서버에 데이터 통신이 가능하게 연결되며, 상기 사용자 단말기를 통해 입력 전송된 챗에 대응하여 상기 데이터 저장부의 사용자 채팅에 관한 데이터베이스를 검색 참조함으로써 자동 챗을 생성할 수 있는 인공지능 챗봇이 탑재된 AI 기반 챗봇 서버; 및
상기 딥러닝 기반 운동방법 추천서버, 서비스 플랫폼서버, 및 AI 기반 챗봇 서버에 데이터 통신이 가능하게 연결되며, 상기 운동방법 추천 딥러닝, 인공지능 챗봇 및 서비스 플랫폼을 관리하는 서비스 관리자의 관리 도구로 사용되는 서비스 관제 서버;를 포함하되,

상기 사용자가 사용자 단말기에 입력한 이름, 성별, 나이, 키, 몸무게, 운동방법, 활동레벨, 지병유무, 및 체형을 포함한 기본정보가 상기 서비스 플랫폼서버에 전달되고,
상기 운동방법 추천 딥러닝은,
딥러닝 및 학습 스케줄 관리하는 스케줄러블록;
딥러닝으로 RM(Repetition Maximum, 반복최대중량값) 도출을 처리하는 RM Learning(DNN, Deep Neural Network, 심층신경망)블록;
상기 RM 도출에 필요한 학습 데이터를 관리하는 학습 데이터 관리블록; 및
상기 딥러닝으로 도출된 RM과 사용자의 기본정보를 활용하여 세부 운동방법 추천을 포함한 심층 분석을 처리하는 심층 분석 처리블록;을 구비하는 딥러닝 기술을 이용한 능동형 맞춤 운동시스템.
제1 항에 있어서,
상기 사용자 기초 데이터는 성별, 나이, 키, 몸무게, BMI, 체형을 포함하며,
상기 딥러닝 기반 운동방법 추천서버는 상기 운동방법 추천 딥러닝을 사용하여 상기 사용자의 1RM(Repetition Maximum: 1회 최대로 들어 올릴 수 있는 중량) 분석을 수행하되, 초기에는 사용자들의 설문조사 데이터를 활용해 초기 학습을 진행하고, 상기 사용자 기초데이터를 이용해 딥러닝 알고리즘으로 예측모델을 생성하여 1RM을 도출하며, 도출된 1RM과 사용자 맞춤형 운동 분석을 통해 운동기구, 중량, 운동 횟수를 포함하는 운동 방법과 운동 스케줄을 추천 생성하며, 상기 사용자가 추천한 운동방법과 운동 스케줄을 이용하여 운동을 진행하고 상기 사용자 단말기를 통해 피드백을 남기면 이를 전송받고 딥러닝 재학습을 통해 다음 운동방법 추천 시 반영하여 정확도를 높이는 딥러닝 기술을 이용한 능동형 맞춤 운동시스템.
제2 항에 있어서,
상기 딥러닝 기반 운동방법 추천서버는 상기 운동방법 추천 딥러닝의 딥러닝 알고리즘을 구현하기 위해서 상기 사용자 기초 데이터를 사용하여 일정 모델을 학습 도출하되,
상기 사용자 기초 데이터가 주어지면 입력층(input layer)과 출력층(output layer) 사이에 복수개의 은닉층들(hidden layers)로 이루어진 인공신경망에 의해서 복잡한 비선형관계를 모델링하되, 상기 모델링에 사용할 레이어(layer)의 수와 각 레이어(layer)에 따른 가중치(weight)와 편향(bias)값을 초기화 하고, 딥러닝 모델에 사용할 비용함수(cost function)와 최적화 방법을 정의한 뒤, 이미 정의된 내용과 수집된 데이터를 기반으로 차기 모델을 학습시키고, 학습된 모델의 정확도를 평가하고 검증하는 능동형 맞춤 운동시스템.
삭제
제3 항에 있어서,
상기 RM Learning 블록의 알고리즘은 relu 함수를 포함하되, 아래와 같은 코드가 포함되는 것을 특징으로 하는 능동형 맞춤 운동시스템.

w1 = tf.get_variable("w1",shape=[x_length, n_node], initializer=tf.contrib.layers.xavier_initializer())
L1 = tf.mm.relu(tf.matmul(X, w1) + b1)
제3 항에 있어서,
상기 운동서비스 플랫폼서버의 운동서비스 플랫폼은,
운동 추천과 사용자 정보 관리를 위한 운동 추천부;
사용자에게 제공되는 서비스 전반의 관리를 위한 서비스 관리부;
기구별 운동법, 부위별 운동, 소모 칼로리를 포함한 다양한 헬스장 운동정보를 관리하는 운동정보 관리블록;
상기 데이터 저장부의 데이터베이스에 연동하는 데이터베이스 연동블록;
상기 사용자에게 AI 챗봇과 채팅을 통한 운동 방법과 운동 스케줄 정보를 제공하는 인스턴트 메시징블록; 및
상기 운동 서비스 관리를 위한 관리 GUI와 상기 사용자 단말기에 탑재되는 사용자 앱의 통신을 위한 레스트풀(Restful) API블록;을 포함하는 딥러닝 기술을 이용한 능동형 맞춤 운동시스템.
제6 항에 있어서,
상기 운동 추천부는,
상기 운동 서비스를 이용하는 사용자의 인증관리를 위한 사용자 인증관리 블록;
상기 사용자가 입력하는 이름, 성별, 나이, 키, 몸무게, 운동목적, 활동레벨, 지병유무, 및 체형을 포함한 기본정보에 대한 관리를 수행하는 사용자 기본정보 관리블록;
상기 추천한 운동방법으로 운동 후 사용자가 사용자 단말기를 통해 보낸 피드백 데이터를 관리하는 사용자 피드백 정보 관리블록; 및
상기 딥러닝 기반 운동방법 추천서버와 연계하여 상기 사용자 단말기에 운동방법 및 운동중량, 기구, 운동횟수를 포함한 운동 스케줄 정보를 제공하는 운동 방법 및 스케줄 관리블록을 포함하며,
상기 서비스 관리부는,
사용자 통계, 추천 통계, 결제 통계를 포함한 서비스 통계 관리를 수행하는 통계 관리블록;
상기 사용자 단말기에 탑재되는 사용자 앱에 대한 공지사항 및 정보 푸쉬 알림 메시지, 이메일 전송 관리하는 푸쉬 및 이메일 알림블록;
상기 운동 서비스의 결제, 환불, 유료기간을 포함한 유료서비스 결제 관리를 수행하는 과금 관리블록; 및
상기 서비스 플랫폼의 보안 관리를 위한 보안블록;을 포함하는 딥러닝 기술을 이용한 능동형 맞춤 운동시스템.