KR102265734B1 - 뇌파 분석 기반 학습 콘텐츠 생성 및 재구성 방법, 장치, 및 시스템 - Google Patents
뇌파 분석 기반 학습 콘텐츠 생성 및 재구성 방법, 장치, 및 시스템 Download PDFInfo
- Publication number
- KR102265734B1 KR102265734B1 KR1020200106802A KR20200106802A KR102265734B1 KR 102265734 B1 KR102265734 B1 KR 102265734B1 KR 1020200106802 A KR1020200106802 A KR 1020200106802A KR 20200106802 A KR20200106802 A KR 20200106802A KR 102265734 B1 KR102265734 B1 KR 102265734B1
- Authority
- KR
- South Korea
- Prior art keywords
- user
- learning content
- concentration
- learning
- section
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000005259 measurement Methods 0.000 claims abstract description 11
- 206010041349 Somnolence Diseases 0.000 claims description 73
- 238000013473 artificial intelligence Methods 0.000 claims description 72
- 210000004556 brain Anatomy 0.000 claims description 38
- 230000008859 change Effects 0.000 claims description 5
- 230000004913 activation Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 14
- 238000012549 training Methods 0.000 description 12
- 238000012545 processing Methods 0.000 description 11
- 230000008569 process Effects 0.000 description 8
- 210000000988 bone and bone Anatomy 0.000 description 6
- 238000004891 communication Methods 0.000 description 5
- 230000004397 blinking Effects 0.000 description 4
- 238000013461 design Methods 0.000 description 3
- 230000008520 organization Effects 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000005457 optimization Methods 0.000 description 2
- 206010002942 Apathy Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 210000001525 retina Anatomy 0.000 description 1
- 238000012552 review Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/20—Education
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
- A61B5/316—Modalities, i.e. specific diagnostic methods
- A61B5/369—Electroencephalography [EEG]
- A61B5/372—Analysis of electroencephalograms
- A61B5/374—Detecting the frequency distribution of signals, e.g. detecting delta, theta, alpha, beta or gamma waves
-
- 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
- G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
- G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Biomedical Technology (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Marketing (AREA)
- Animal Behavior & Ethology (AREA)
- General Business, Economics & Management (AREA)
- Molecular Biology (AREA)
- General Engineering & Computer Science (AREA)
- Economics (AREA)
- Heart & Thoracic Surgery (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Computer Networks & Wireless Communication (AREA)
- Human Computer Interaction (AREA)
- Neurosurgery (AREA)
- Neurology (AREA)
- Dermatology (AREA)
- Educational Technology (AREA)
- Educational Administration (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Electrically Operated Instructional Devices (AREA)
Abstract
뇌파 분석 기반 학습 콘텐츠 생성 및 재구성 방법, 장치, 및 시스템이 개시된다. 서버에 의해 수행되는 뇌파 분석 기반 학습 콘텐츠 생성 및 재구성 방법은, 각각의 사용자의 기본 정보를 기초로, 각각의 사용자의 학습 콘텐츠를 생성하는 단계; 뇌파를 측정하는 각각의 착용형 뇌파 측정 장치가 측정한 각각의 사용자의 뇌파를 각각의 사용자 단말로부터 획득하는 단계; 각각의 사용자의 뇌파를 미리 정의된 기준에 따라 지표화하는 단계; 및 각각의 사용자의 지표를 기초로, 각각의 사용자의 학습 콘텐츠를 재구성하는 단계를 포함하고, 각각의 사용자의 학습 콘텐츠는 순서 또는 종류의 변경이 가능한 하나 이상의 학습 콘텐츠 모듈을 포함하고, 각각의 사용자의 지표는 학습 콘텐츠별 집중도 상위 구간, 학습 콘텐츠별 집중도 하위 구간, 및 각각의 사용자의 집중도 지속 시간을 포함하고, 학습 콘텐츠별 집중도 상위 구간 및 학습 콘텐츠별 집중도 하위 구간은 미리 단계화된 집중도 레벨에 기초하여 결정되고, 각각의 사용자의 학습 콘텐츠를 재구성하는 단계는, 각각의 사용자의 학습 콘텐츠의 집중도 상위 구간 및 학습 콘텐츠의 집중도 하위 구간을 기초로, 학습 콘텐츠에서 적어도 하나 이상의 학습 콘텐츠 모듈의 순서 또는 종류를 변경하는 단계; 및 각각의 사용자의 집중도 지속 시간을 기초로, 각각의 사용자에게 제공되는 학습 콘텐츠에 휴식 시간을 분배하는 단계를 포함한다.
Description
아래 실시예들은 학습 콘텐츠를 학습하는 사용자의 뇌파를 분석하고, 분석을 기초로 사용자를 위한 학습 콘텐츠를 생성·재구성하는 기술에 관한 것이다.
실시예들과 관련된 배경기술로, 대한민국 등록특허공보 KR 10-1587462 B1은 뇌파인식형 학습 문제 제공시스템을 개시한다. 구체적으로, 선행문헌은 학습 문제를 화면으로 출력하고, 학습 문제를 풀기 시작하는 시점 및 풀기 종료하는 시점을 입력받기 위한 입출력부(23); 하나의 학습 문제를 풀기 시작하는 시점부터 풀기 종료하는 시점까지의 문제 풀이 소요시간 동안 뇌파를 상기 뇌파 측정기(10)로 검출하는 뇌파 검출부(25); 문제 풀이 소요시간 동안 검출한 뇌파의 크기로부터 뇌파 에너지를 획득하는 숙련도 결정부(26); 획득한 뇌파 에너지의 크기에 따라 학습 문제의 유형 또는 난이도를 결정하고, 결정한 유형 또는 난이도의 학습 문제를 다음 문제로 선택하여 상기 입출력부(23)에 출력시키는 제어부(21)를 포함하는 뇌파인식형 학습 문제 제공시스템을 개시한다.
이를 통해, 선행문헌은 문제를 풀 때의 뇌파 에너지로 문제에 대한 숙련도를 판별하여 학습자의 실력에 맞는 문제를 풀게 하거나 또는 문제의 유형에 대한 실력을 최상위 그룹의 실력까지 끌어올리도록 문제를 풀게 하는 뇌파인식형 학습문제 제공시스템을 제공한다.
또한, 대한민국 등록특허공보 KR 10-1842750 B1은 뇌파 훈련을 위한 실시간 시뮬레이터 및 이를 이용한 인터페이스 장치를 개시한다. 구체적으로, 적어도 하나의 프로그램이 로딩된 메모리; 및 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는, 상기 프로그램의 제어에 따라, 뇌파 발생 훈련을 위한 상상 동작을 제시한 후 뇌파 측정 장치를 통해 사용자로부터 측정된 뇌파 데이터를 획득하는 과정; 및 상기 뇌파 데이터에서 상기 상상 동작에 대응되는 특징 정보를 추출함으로써 상기 상상 동작에 대한 상기 사용자의 뇌파 특징을 학습하는 과정을 처리하는 것을 특징으로 하는 시스템을 개시한다.
그러나 선행문헌들은 학습 콘텐츠를 사용하는 중의 사용자의 뇌파 정보를 기초로, 사용자의 학습 콘텐츠의 집중도 상위 구간, 집중도 하위 구간, 및 집중도 지속 시간을 지표화하고, 지표들을 토대로 사용자의 학습 콘텐츠를 재구성하는 방법, 장치, 및 시스템을 개시하지 않는다. 또한, 선행문헌들은 사용자가 학습 콘텐츠 사용 중 사용자의 집중도 하위 구간에 포함된 학습 내용들을 다음 번에 집중력이 높은 상태에서 사용할 수 있도록 학습 콘텐츠의 순서를 조정하는 방법, 장치, 및 시스템을 개시하지 않는다. 나아가, 선행문헌들은 사용자의 학습 콘텐츠 사용 중 졸음 구간들을 판별하고, 학습 콘텐츠에 대한 성취도를 고려하여 해당 졸음 구간들을 줄이는 방법, 장치, 및 시스템을 개시하지 않는다.
이에 따라, 학습 콘텐츠를 사용하는 중의 사용자의 뇌파 정보를 기초로, 사용자의 학습 콘텐츠의 집중도 상위 구간, 집중도 하위 구간, 및 집중도 지속 시간을 지표화하고, 지표들을 토대로 사용자의 학습 콘텐츠를 재구성하는 기술의 구현이 요청된다. 또한, 사용자가 학습 콘텐츠 사용 중 사용자의 집중도 하위 구간에 포함된 학습 내용들을 다음 번에 집중력이 높은 상태에서 사용할 수 있도록 학습 콘텐츠의 순서를 조정하는 기술의 구현이 요청된다. 나아가, 사용자의 학습 콘텐츠 사용 중 졸음 구간들을 판별하고, 학습 콘텐츠에 대한 성취도를 고려하여 해당 졸음 구간들을 줄이는 기술의 구현이 요청된다.
실시예들은 학습 콘텐츠를 사용하는 중의 사용자의 뇌파 정보를 기초로, 사용자의 학습 콘텐츠의 집중도 상위 구간, 집중도 하위 구간, 및 집중도 지속 시간을 지표화하고, 지표들을 토대로 사용자의 학습 콘텐츠를 재구성하는 방법, 장치, 및 시스템을 제공하고자 한다.
실시예들은 사용자가 학습 콘텐츠 사용 중 사용자의 집중도 하위 구간에 포함된 학습 내용들을 다음 번에 집중력이 높은 상태에서 사용할 수 있도록 학습 콘텐츠의 순서를 조정하는 방법, 장치, 및 시스템을 제공하고자 한다.
실시예들은 사용자의 학습 콘텐츠 사용 중 졸음 구간들을 판별하고, 학습 콘텐츠에 대한 성취도를 고려하여 해당 졸음 구간들을 줄이는 방법, 장치, 및 시스템을 제공하고자 한다.
나아가, 실시예들은 배경 기술에서 언급한 과제들 및 본 명세서에서 드러나는 해당 기술 분야의 과제들을 해결하기 위한 방법, 장치, 및 시스템을 제공하고자 한다.
일실시예에 따른 서버에 의해 수행되는 뇌파 분석 기반 학습 콘텐츠 생성 및 재구성 방법은, 각각의 사용자의 기본 정보를 기초로, 각각의 사용자의 학습 콘텐츠를 생성하는 단계; 뇌파를 측정하는 각각의 착용형 뇌파 측정 장치가 측정한 각각의 사용자의 뇌파를 각각의 사용자 단말로부터 획득하는 단계; 상기 각각의 사용자의 뇌파를 미리 정의된 기준에 따라 지표화하는 단계; 및 각각의 사용자의 지표를 기초로, 각각의 사용자의 학습 콘텐츠를 재구성하는 단계를 포함하고, 상기 각각의 사용자의 학습 콘텐츠는 순서 또는 종류의 변경이 가능한 하나 이상의 학습 콘텐츠 모듈을 포함하고, 상기 각각의 사용자의 지표는 학습 콘텐츠별 집중도 상위 구간, 학습 콘텐츠별 집중도 하위 구간, 및 각각의 사용자의 집중도 지속 시간을 포함하고, 상기 학습 콘텐츠별 집중도 상위 구간 및 상기 학습 콘텐츠별 집중도 하위 구간은 미리 단계화된 집중도 레벨에 기초하여 결정되고, 상기 각각의 사용자의 학습 콘텐츠를 재구성하는 단계는, 상기 각각의 사용자의 상기 학습 콘텐츠의 집중도 상위 구간 및 상기 학습 콘텐츠의 집중도 하위 구간을 기초로, 상기 학습 콘텐츠에서 적어도 하나 이상의 학습 콘텐츠 모듈의 순서 또는 종류를 변경하는 단계; 및 상기 각각의 사용자의 집중도 지속 시간을 기초로, 상기 각각의 사용자에게 제공되는 학습 콘텐츠에 휴식 시간을 분배하는 단계를 포함할 수 있다.
일실시예에 따르면, 뇌파 분석 기반 학습 콘텐츠 생성 및 재구성 방법은 집중도 하위 구간의 길이가 미리 정의된 제 1 시간 간격 이상인 집중도 하위 구간들을 획득하는 단계; 집중도 상위 구간의 길이가 미리 정의된 제 2 시간 간격 이상인 집중도 상위 구간들을 획득하는 단계; 및 집중도 하위 구간의 길이가 미리 정의된 제 1 시간 간격 이상이고, 집중도 상위 구간의 길이가 미리 정의된 제 2 시간 간격 이상인 각각의 사용자의 각각의 학습 콘텐츠의 각각의 집중도 하위 구간 및 각각의 집중도 상위 구간에 대하여, 사용자의 집중도 하위 학습 콘텐츠 모듈―주의 요구 집중도 하위 구간과 재생 구간이 가장 많이 겹치는 학습 콘텐츠 모듈―의 재생 순서를 사용자의 집중도 상위 학습 콘텐츠 모듈―사용자의 집중도 하위 구간과 재생 구간이 가장 많이 겹치는 학습 콘텐츠 모듈―의 재생 순서와 교환한 학습 콘텐츠를 상기 사용자에게 재제공하는 단계를 더 포함할 수 있다.
일실시예에 따른 뇌파 분석 기반 학습 콘텐츠 생성 및 재구성 시스템은 뇌파를 측정하는 각각의 착용형 뇌파 측정 장치; 상기 착용형 뇌파 측정 장치와 유무선으로 통신하는 각각의 사용자 단말; 및 상기 사용자 단말과 유무선으로 통신하는 서버를 포함하고, 상기 서버는, 각각의 사용자의 기본 정보를 기초로, 각각의 사용자의 학습 콘텐츠를 생성하고, 상기 각각의 착용형 뇌파 측정 장치는, 학습 콘텐츠를 사용하는 각각의 사용자의 뇌파를 측정하고, 각각의 사용자의 뇌파를 각각의 사용자 단말로 전송하고, 상기 각각의 사용자 단말은, 상기 각각의 사용자의 뇌파를 상기 서버로 전송하고, 상기 서버는, 상기 각각의 사용자의 뇌파를 미리 정의된 기준에 따라 지표화하고, 각각의 사용자의 지표를 기초로, 각각의 사용자의 학습 콘텐츠를 재구성하며, 상기 각각의 사용자의 학습 콘텐츠는 순서 또는 종류의 변경이 가능한 하나 이상의 학습 콘텐츠 모듈을 포함하고, 상기 각각의 사용자의 지표는 학습 콘텐츠별 집중도 상위 구간, 학습 콘텐츠별 집중도 하위 구간, 및 각각의 사용자의 집중도 지속 시간을 포함하고, 상기 학습 콘텐츠별 집중도 상위 구간 및 상기 학습 콘텐츠별 집중도 하위 구간은 미리 단계화된 집중도 레벨에 기초하여 결정되고, 상기 서버가 각각의 사용자의 학습 콘텐츠를 재구성하는 동작은, 상기 각각의 사용자의 상기 학습 콘텐츠의 집중도 상위 구간 및 상기 학습 콘텐츠의 집중도 하위 구간을 기초로, 상기 학습 콘텐츠에서 적어도 하나 이상의 학습 콘텐츠 모듈의 순서 또는 종류를 변경하고, 상기 각각의 사용자의 집중도 지속 시간을 기초로, 상기 각각의 사용자에게 제공되는 학습 콘텐츠에 휴식 시간을 분배하는 동작을 포함할 수 있다.
실시예들은 학습 콘텐츠를 사용하는 중의 사용자의 뇌파 정보를 기초로, 사용자의 학습 콘텐츠의 집중도 상위 구간, 집중도 하위 구간, 및 집중도 지속 시간을 지표화하고, 지표들을 토대로 사용자의 학습 콘텐츠를 재구성하는 방법, 장치, 및 시스템을 제공할 수 있다.
실시예들은 사용자가 학습 콘텐츠 사용 중 사용자의 집중도 하위 구간에 포함된 학습 내용들을 다음 번에 집중력이 높은 상태에서 사용할 수 있도록 학습 콘텐츠의 순서를 조정하는 방법, 장치, 및 시스템을 제공할 수 있다.
실시예들은 사용자의 학습 콘텐츠 사용 중 졸음 구간들을 판별하고, 학습 콘텐츠에 대한 성취도를 고려하여 해당 졸음 구간들을 줄이는 방법, 장치, 및 시스템을 제공할 수 있다.
한편, 실시예들에 따른 효과는 이상에서 언급한 것으로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 아래의 기재로부터 해당 기술 분야의 통상의 지식을 가진 자에게 명확히 이해될 수 있을 것이다.
도 1은 일실시예에 따른 시스템의 구성의 예시도이다.
도 2는 일실시예에 따른 시스템의 동작을 설명하기 위한 도면이다.
도 3은 일실시예에 따른 학습 콘텐츠 지표들을 설명하기 위한 도면이다.
도 4는 일실시예에 따른 학습 콘텐츠 모듈 순서 변경 동작을 설명하기 위한 도면이다.
도 5는 일실시예에 따른 학습 콘텐츠 졸음 개선 동작을 설명하기 위한 도면이다.
도 6은 일실시예에 따른 인공지능의 학습을 설명하기 위한 도면이다.
도 7은 일실시예 따른 장치의 구성의 예시도이다.
도 2는 일실시예에 따른 시스템의 동작을 설명하기 위한 도면이다.
도 3은 일실시예에 따른 학습 콘텐츠 지표들을 설명하기 위한 도면이다.
도 4는 일실시예에 따른 학습 콘텐츠 모듈 순서 변경 동작을 설명하기 위한 도면이다.
도 5는 일실시예에 따른 학습 콘텐츠 졸음 개선 동작을 설명하기 위한 도면이다.
도 6은 일실시예에 따른 인공지능의 학습을 설명하기 위한 도면이다.
도 7은 일실시예 따른 장치의 구성의 예시도이다.
이하에서, 첨부된 도면을 참조하여 실시예들을 상세하게 설명한다. 그러나, 실시예들에는 다양한 변경이 가해질 수 있어서 특허출원의 권리 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 실시예들에 대한 모든 변경, 균등물 내지 대체물이 권리 범위에 포함되는 것으로 이해되어야 한다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
실시예에서 사용한 용어는 단지 설명을 목적으로 사용된 것으로, 한정하려는 의도로 해석되어서는 안된다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 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.
공간적으로 상대적인 용어인 "아래(below)", "아래(beneath)", "하부(lower)", "위(above)", "상부(upper)" 등은 도면에 도시되어 있는 바와 같이 하나의 구성요소와 다른 구성요소들과의 상관관계를 용이하게 기술하기 위해 사용될 수 있다. 공간적으로 상대적인 용어는 도면에 도시되어 있는 방향에 더하여 사용 시 또는 동작 시 구성요소들의 서로 다른 방향을 포함하는 용어로 이해되어야 한다. 예를 들어, 도면에 도시되어 있는 구성요소를 뒤집을 경우, 다른 구성요소의 "아래(below)"또는 "아래(beneath)"로 기술된 구성요소는 다른 구성요소의 "위(above)"에 놓일 수 있다. 따라서, 예시적인 용어인 "아래"는 아래와 위의 방향을 모두 포함할 수 있다. 구성요소는 다른 방향으로도 배향될 수 있으며, 이에 따라 공간적으로 상대적인 용어들은 배향에 따라 해석될 수 있다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 실시예가 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.
또한, 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조부호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 실시예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 실시예의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
도 1은 일실시예에 따른 시스템의 구성의 예시도이다.
일실시예에 따른 시스템은 서버(100); 사용자 단말들(111-113); 및 착용형 뇌파 측정 장치들(131-133)을 포함할 수 있다. 서버(100); 사용자 단말들(111-113); 및 착용형 뇌파 측정 장치들(131-133)은 네트워크에 연결되어 유무선 통신을 통해 데이터를 교환할 수 있다. 시스템은 학습 콘텐츠를 학습하는 사용자의 뇌파를 분석하고, 분석을 기초로 사용자를 위한 학습 콘텐츠를 생성·재구성할 수 있다.
서버(100)는 서버(100)를 이용하여 서비스를 제공하는 자 내지 단체가 보유한 자체 서버(100)일수도 있고; 클라우드 서버(100)일 수도 있고; 분산된 노드(node)들의 p2p(peer-to-peer) 집합일 수도 있다. 서버(100)는 통상의 컴퓨터가 가지는 연산 기능; 저장/참조 기능; 입출력 기능; 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 서버(100)는 추론 기능을 수행하는 적어도 하나 이상의 인공지능을 구비할 수 있다. 서버(100)는 사용자 단말들(111-113)과 유무선으로 통신하도록 구성될 수 있다.
서버(100)는 웹페이지 또는 어플리케이션과 연동될 수 있다. 웹페이지 또는 어플리케이션은 학습 동영상 등 사용자를 위한 학습 콘텐츠를 표시·재생할 수 있다. 웹페이지 또는 어플리케이션은 착용형 뇌파 측정 장치들(131-133)을 통해 측정된 사용자들의 학습 중 뇌파 정보를 표시할 수 있다. 웹페이지 또는 어플리케이션은 서버(100)에 수집·저장된 사용자들의 학습 성취도 정보를 표시할 수 있다.
사용자 단말들(111-113)은 데스크탑 컴퓨터, 노트북, 태블릿, 스마트폰 등일 수 있다. 가령, 도 1과 같이, 제 1 사용자 단말(111)은 데스크탑일 수 있고; 제 2 사용자 단말(122)은 노트북일 수 있고; 제 3 사용자 단말(133)은 스마트폰일 수 있다. 사용자 단말들(111-113)의 종류는 실시예에 따라 얼마든지 달라질 수 있다. 사용자 단말들(111-113)들은 통상의 컴퓨터가 가지는 연산 기능; 저장/참조 기능; 입출력 기능; 및 제어 기능을 전부 또는 일부 수행하도록 구성될 수 있다. 사용자 단말들(111-113)은 서버(100)와 유무선으로 통신하도록 구성될 수 있다. 사용자 단말들(111-113)은 서버(100)와 연동된 웹페이지에 접속되거나, 서버(100)와 연동된 어플리케이션이 설치될 수 있다. 사용자 단말들(111-113)은 웹페이지 또는 어플리케이션을 통해 서버(100)와 데이터를 주고받을 수 있다.
계정들(121-123)은 사용자 단말들(111-113)에 로그인할 수 있다. 가령, 제 1 사용자 계정(121)은 제 1 사용자 단말(111)에 로그인할 수 있고; 제 2 사용자 계정(122)은 제 2 사용자 단말(112)에 로그인할 수 있고; 제 3 사용자 계정(123)은 제 3 사용자 단말(113)에 로그인할 수 있다. 사용자 단말들(111-113)에 로그인한 계정들(121-123)은 웹페이지 또는 어플리케이션을 통해 서버(100)와 데이터를 주고받을 수 있다. 각각의 계정(121, 122, 123)은 서버(100)에 저장된 각각의 사용자의 기본 정보 및 각각의 사용자의 학습 콘텐츠 사용 중 뇌파 정보에 접근할 권한을 가진다.
착용형 뇌파 측정 장치들(131-133)은 사용자들이 학습 콘텐츠를 사용·시청하는 중에 착용할 수 있다. 각각의 착용형 뇌파 측정 장치(131-133)는 각각의 사용자 단말(111-113)과 대응 관계를 가질 수 있다. 각각의 착용형 뇌파 측정 장치(131-133)는 각각의 사용자 단말(111-113)과 유무선으로 통신할 수 있다.
각각의 착용형 뇌파 측정 장치(131-133)는 도 1의 골전도 헤드셋(130)과 같은 구성·기능을 가질 수 있다. 서버(100)를 이용하여 서비스를 제공하는 자 내지 단체는 학습 콘텐츠를 사용·시청하는 사용자들에게 자신들이 생산·배포한 골전도 헤드셋(130)을 대여·지급·판매할 수 있다.
골전도 헤드셋(130)은 2채널 frontal 센서 기반 제품일 수 있다. 골전도 헤드셋(130) EEG 센서(141), 골전도 폰(142), 통신 모듈(143) 등을 포함할 수 있다. EEG 센서(141)는 사용자의 뇌파, 구체적으로 알파파(alpha wave), 베타파(beta wave), 델타파(delta wave)의 진동수, 진폭, 파장, 위상차 등을 측정할 수 있다. 또한, 골전도 헤드셋(130)은 EOG 센서를 포함할 수 있다. 이를 통해, 사용자의 눈뜸, 눈감음 여부 등을 측정할 수 있다.
또한, 각각의 착용형 뇌파 측정 장치(131-133)는 헤드폰의 구성·형태·디자인을 가질 수 있다. 이때, 헤드폰에 부착된 뇌파 감지 센서는 착용 시 사용자의 귀 및 정수리 부분과 접촉하며, 사용자의 뇌파 정보를 측정할 수 있다. 또는, 각각의 착용형 뇌파 측정 장치(131-133)는 무선 이어폰과 같이 사용자의 귀에 꼽을 수 있는 In-ear 형태의 구성·형태·디자인을 가질 수도 있다. 이때, In-ear형 뇌파 측정 장치에 부착된 뇌파 감지 센서는 착용 시 사용자의 귀 부분과 접촉하며, 사용자의 뇌파 정보를 측정할 수 있다. 각각의 착용형 뇌파 측정 장치(131-133)는 부착된 뇌파 측정 센서를 통해 사용자의 뇌파를 분석할 수만 있다면, 그 구성·형태·디자인·크기·부가 기능 등은 제한 없이 차용될 수 있다.
서버(100)는 웹페이지 또는 어플리케이션을 통해 학습 동영상 등 사용자를 위한 학습 콘텐츠를 제공할 수 있다. 서버(100)는 착용형 뇌파 측정 장치들(131-133)을 통해 측정된 사용자들의 학습 콘텐츠 사용 중 뇌파 정보를 수집·분석·저장할 수 있다. 서버(100)는 뇌파 정보 및 사용자의 기본 정보 등을 기초로, 사용자별 학습 콘텐츠를 재구성할 수 있다.
한편, 설명의 편의를 위해 도 1에서는 세 대의 사용자 단말들(111-113) 및 세 대의 착용형 뇌파 측정 장치들(131-133)만을 도시했으나, 단말들의 수는 얼마든지 달라질 수 있다. 서버(100)의 처리 용량이 허용하는 한, 단말들의 수는 특별한 제한이 없다.
이하에서, 서버(100)의 동작을 중심으로 실시예가 기술되며, 실시예들은 통신의 주체나 양상에 의해 제한되지 않고 다양한 응용예가 채용될 수 있다. 이하, 도 2를 참조하여, 시스템의 동작과 관련된 실시예가 설명된다. 도 3을 참조하여, 학습 콘텐츠 지표들과 관련된 실시예가 설명된다. 도 4를 참조하여, 학습 콘텐츠 모듈 순서 변경 동작과 관련된 실시예가 설명된다. 도 5를 참조하여, 학습 콘텐츠 졸음 개선 동작과 관련된 실시예가 설명된다. 도 6을 참조하여, 인공지능의 학습 동작과 관련된 실시예가 설명된다.
도 2는 일실시예에 따른 시스템의 동작을 설명하기 위한 도면이다.
우선, 서버(100)는 각각의 사용자의 기본 정보를 기초로, 각각의 사용자의 학습 콘텐츠를 생성할 수 있다(201).
각각의 사용자의 기본 정보는 각각의 계정(121, 122, 123) 정보에 저장될 수 있다. 각각의 사용자의 기본 정보는 사용자의 나이, 성별, 지역, 학습 성취도, 수강 과목, 미수강 과목, 수강 희망 과목, 선호하는 과목, 비선호 과목, 각각의 학습 콘텐츠 학습 시 사용자의 뇌파 정보 등을 포함할 수 있다. 각각의 학습 콘텐츠 학습 시 각각의 사용자의 뇌파 정보는 각각의 착용형 뇌파 측정 장치(131-133)으로부터 획득할 수 있다.
학습 콘텐츠는 하나의 학습 주제를 가지는 콘텐츠 단위일 수 있다. 학습 콘텐츠는 학습 동영상 등일 수 있다. 각각의 학습 콘텐츠는 순서 또는 종류의 변경이 가능한 하나 이상의 학습 콘텐츠 모듈을 포함할 수 있다. 예를 들어, 학습 콘텐츠가 동영상인 경우, 학습 콘텐츠는 기본 프레임과 순서 또는 종류의 변경이 가능한 하나 이상의 세부 영상 파트들(학습 콘텐츠 모듈들)로 이루어질 수 있다. 학습 콘텐츠 모듈들은 기본 프레임에서 학습 콘텐츠 모듈들이 삽입될 수 있는 구간에 삽입될 수 있다.
학습 콘텐츠 모듈들은 카테고리별로 분류될 수 있다. 가령, 핵심 개념 설명 모듈, 배경 지식 설명 모듈, 사례 적용 모듈, 문제 풀이 해설 모듈, 심화 학습 모듈 등의 카테고리가 있을 수 있다. 학습 콘텐츠 모듈들은 카테고리별로 난이도가 상이한 버전들을 가질 수 있다. 예를 들어, 핵심 개념 설명 모듈-하(下), 핵심 개념 설명 모듈-중(中), 핵심 개념 설명 모듈-상(上)과 같이 하나의 학습 콘텐츠 모듈 카테고리 안에 난이도가 상이한 학습 콘텐츠 모듈 버전들이 있을 수 있다. 적어도 하나 이상의 카테고리의 학습 콘텐츠 모듈이 학습 콘텐츠에 포함될 수 있다. 이때, 학습 성취도가 높은 사용자라면, 사용자의 학습 콘텐츠는 상-난이도의 동일한 카테고리의 학습 콘텐츠 모듈이 포함될 수 있고, 학습 성취도가 낮은 사용자라면, 사용자의 학습 콘텐츠는 하-난이도의 동일한 카테고리의 학습 콘텐츠 모듈이 포함될 수 있다.
서버(100)는 각각의 사용자의 기본 정보를 기초로, 각각의 사용자가 수강하기 적합한 각각의 학습 콘텐츠를 선별할 수 있다. 이어서, 서버(100)는 각각의 사용자의 기본 정보를 기초로, 각각의 학습 콘텐츠 내의 학습 콘텐츠 모듈들의 순서 및 종류를 선별할 수 있다. 서버(100)는 사용자의 학습 성취도 등을 기초로 동일 카테고리 내의 학습 콘텐츠 모듈의 난이도를 선별하는 방식으로 학습 콘텐츠 모듈들의 종류를 선별할 수 있다. 서버(100)는 사용자의 집중도 지속 시간이 증대되고, 사용자의 집중도 하위 구간이 최소화되도록, 학습 콘텐츠 내에서 서로 다른 카테고리 간의 학습 콘텐츠 모듈들의 순서를 변경할 수 있다. 이를 통해, 서버(100)는 각각의 사용자의 학습 콘텐츠를 생성할 수 있다.
서버(100)가 각각의 사용자의 학습 콘텐츠를 생성하는 일련의 동작은 제 1 인공지능을 기초로 이루어질 수 있다. 이를 위해, 서버(100)는 미리 학습된 제 1 인공지능을 포함할 수 있다. 제 1 인공지능은 각각의 계정(121, 122, 123)의 기본 정보를 입력받아, 각각의 계정(121, 122, 123)을 위한 학습 콘텐츠를 생성하도록 학습될 수 있다. 제 1 인공지능은 계정 사용자가 학습해야 하는 과목들; 계정 사용자의 현재까지 학습 성취도; 계정 사용자의 학습 성취도 변화 추이; 계정 사용자가 이전 학습 콘텐츠를 사용할 때 뇌파 정보 등을 입력으로 받아, 각각의 계정(121, 122, 123)을 위한 학습 콘텐츠를 생성할 수 있다. 제 1 인공지능의 구체적인 학습 동작은 도 6을 참조하여 후술된다.
다음으로, 각각의 착용형 뇌파 측정 장치(131-133)는 학습 콘텐츠를 사용하는 각각의 사용자의 뇌파를 측정할 수 있다(202).
구체적으로, 각각의 착용형 뇌파 측정 장치(131-133)는 학습 콘텐츠를 사용 중인 사용자의 베타파, 알파파, 델타파 등을 측정할 수 있다. 각각의 착용형 뇌파 측정 장치(131-133)는 각각의 뇌파의 진동수, 진폭, 파장, 위상차 등을 측정할 수 있다. 측정하는 뇌파의 종류 및 측정 항목은 실시예에 따라 달라질 수 있다.
이어서, 각각의 착용형 뇌파 측정 장치(131-133)는 각각의 사용자의 뇌파 정보를 각각의 사용자 단말(111-113)로 전송할 수 있다(203).
학습 콘텐츠 사용 중 각각의 착용형 뇌파 측정 장치(131-133)가 측정한 사용자의 뇌파 정보는 각각의 사용자 단말(111-113)의 웹페이지 또는 어플리케이션에 실시간으로 표시될 수 있다. 이를 통해, 사용자는 현재 자신의 뇌가 집중 상태인지(베타파의 진동수, 진폭이 큰 상태) 또는 집중이 흐트러진 상태인지(알파파 및 델타파의 진동수, 진폭이 큰 상태)를 실시간으로 모니터링할 수 있다.
이어서, 각각의 사용자 단말(111-113)은 각각의 사용자의 뇌파 정보를 서버(100)로 전송할 수 있다(204).
이를 통해, 서버(100)는 각각의 사용자의 뇌파 정보를 획득할 수 있다. 한편, 서버(100)는 사용자가 학습 콘텐츠를 사용 중인데 사용자의 뇌파 정보가 수신되지 않는 상황인 경우, 사용자 단말로 착용형 뇌파 측정 장치를 착용하라는 알림을 전송할 수 있다.
다음으로, 서버(100)는, 각각의 사용자의 뇌파를 미리 정의된 기준에 따라 지표화할 수 있다(205).
미리 정의된 지표들은 학습 콘텐츠별 집중도 상위 구간, 집중도 하위 구간, 집중도 지속 시간, 졸음 구간 등을 포함할 수 있다. 미리 정의된 지표들의 구체적인 설명은 도 3을 참조하여 후술된다.
이어서, 서버(100)는 각각의 사용자의 지표를 기초로, 각각의 사용자의 학습 콘텐츠를 재구성할 수 있다(206).
서버(100)는 각각의 사용자의 학습 콘텐츠에 대한 집중도를 늘리거나, 집중도 하위 시간을 줄이거나, 졸음 구간을 줄이는 방식 등으로 동일한 학습 주제에 대한 학습 콘텐츠를 재구성하여 각각의 사용자에게 제공할 수 있다. 서버(100)가 각각의 사용자의 학습 콘텐츠를 재구성하는 동작은 도 3을 참조하여 후술된다.
도 3은 일실시예에 따른 학습 콘텐츠 지표들을 설명하기 위한 도면이다.
학습 콘텐츠(300)는 하나의 학습 주제를 가지는 콘텐츠 단위일 수 있다. 도 3에 도시된 것과 같이, 학습 콘텐츠(300)는 학습 동영상일 수 있다.
각각의 착용형 뇌파 측정 장치(131-133)는 학습 콘텐츠를 사용 중인 사용자의 베타파(301), 알파파(302), 델타파(303) 등을 측정할 수 있다. 각각의 착용형 뇌파 측정 장치(131-133)는 각각의 뇌파의 진동수, 진폭, 파장, 위상차 등을 측정할 수 있다. 측정하는 뇌파의 종류 및 측정 항목은 실시예에 따라 달라질 수 있다. 각각의 착용형 뇌파 측정 장치(131-133)가 특정한 사용자 뇌파 정보는 각각의 사용자 단말(111-113)을 통해 서버(100)로 전송될 수 있다.
서버(100)는 각각의 사용자의 뇌파를 미리 정의된 기준에 따라 지표화할 수 있다. 이를 위해, 서버(100)는 사용자가 학습 콘텐츠(300)을 사용하는 동안의 뇌파의 종류―베타파(301), 알파파(302), 델타파(303) 등―및 측정 항목들―진동수, 진폭, 파장, 위상차 등―을 기초로, 사용자의 학습 콘텐츠 집중도(310)를 연산할 수 있다. 사용자의 학습 콘텐츠 집중도(310)는 학습 콘텐츠(300) 진행 시간에 따라 변화하는 시계열성을 가질 수 있다. 사용자의 베타파(301)가 활성화된 구간에서 사용자의 학습 콘텐츠 집중도(310)는 상승하거나 높은 값을 가질 수 있다. 사용자의 알파파(302) 또는 델타파(303)가 활성화된 구간에서 사용자의 학습 콘텐츠 집중도(310)는 하강하거나 낮은 값을 가질 수 있다.
이어서, 서버(100)는 각각의 사용자의 학습 콘텐츠 집중도(310)를 기초로, 각각의 사용자의 지표들을 연산할 수 있다. 각각의 사용자의 지표는 학습 콘텐츠별 집중도 상위 구간, 학습 콘텐츠별 집중도 하위 구간, 및 각각의 사용자의 집중도 지속 시간을 포함할 수 있다.
집중도 상위 구간(311)은 사용자의 학습 콘텐츠 집중도(310)가 미리 정의된 기준 이상으로 활성화된 구간일 수 있다. 가령, 이 구간에서 사용자의 베타파(301)는 미리 정의된 수준 이상으로 활성화되어 있을 수 있다. 집중도 하위 구간(312)은 사용자의 학습 콘텐츠 집중도(310)가 미리 정의된 기준 이하로 저하된 구간일 수 있다. 가령, 이 구간에서 사용자의 알파파(302) 또는 델타파(303)는 미리 정의된 수준 이상으로 활성화되는 구간일 수 있다.
사용자의 학습 콘텐츠 집중도(310)에서 집중도 상위 구간(311) 및 집중도 하위 구간(312)을 구분하는 미리 정의된 기준 집중도(상위 임계 집중도 및 하위 임계 집중도)는 학습 콘텐츠별로 상이할 수 있다. 집중도 상위 구간(311) 및 집중도 하위 구간(312)을 구분하는 미리 정의된 기준은 학습 콘텐츠의 내용, 난이도, 대상 학년 등에 따라 달라질 수 있다.
학습 콘텐츠별로 집중도 상위 구간(311) 및 집중도 하위 구간(312)을 구분하는 미리 정의된 기준 집중도는 미리 학습된 제 2 인공지능의 추론을 기초로 이루어질 수 있다. 이를 위해, 서버(100)는 미리 학습된 제 2 인공지능을 포함할 수 있다. 제 2 인공지능은 각각의 학습 콘텐츠의 학습 주제; 학습 난이도; 학습 콘텐츠를 수강하는 사용자들의 평균 연령; 그 동안 학습 콘텐츠를 수강한 사용자들의 뇌파 정보 등을 입력으로 받아, 각각의 학습 콘텐츠의 집중도 상위 구간(311) 및 집중도 하위 구간(312)을 구분하는 미리 정의된 기준 집중도(상위 임계 집중도 및 하위 임계 집중도)를 학습 콘텐츠별로 출력할 수 있다. 제 2 인공지능의 구체적인 학습 동작은 도 6을 참조하여 후술된다.
집중도 지속 시간(313)은 집중도 지속 시간은 학습 콘텐츠(300) 시작부터 첫번째 집중도 하위 구간의 시작점까지의 시간 간격, n(n은 자연수)번째 집중도 하위 구간의 끝점부터 n+1번째 집중도 하위 구간의 시작점까지의 시간 간격, 및 마지막 집중도 하위 구간의 끝점부터 학습 콘텐츠(300)의 종료까지의 시간 간격을 엘리먼트로 하는 리스트로 구성될 수 있다.
서버(100)는 집중도 지속 시간(313)의 각 엘리먼트를 합함으로써 학습 콘텐츠가 진행되는 동안 사용자의 총 집중 시간을 확인할 수 있다. 또한, 학습 중 일반적으로 강의 초반에는 집중을 하다가 강의 중후반이 넘어가면 집중이 흐트러지는 경향이 있다. 이러한 점을 모니터링 하기 위해, 서버(100)는 집중도 지속 시간(313)의 각 엘리먼트의 길이를 확인함으로써 사용자가 학습 콘텐츠(강의 등) 초반에는 집중을 얼마만큼 잘 유지하다가, 학습 콘텐츠 중반 또는 후반부터 집중력을 얼마만큼 잃었는지 확인할 수 있다. 또한, 각 엘리먼트에 속하지 않는 시간대는 집중도 하위 구간(312)에 속하는 시간대이므로, 서버(100)는 각 엘리먼트에 속하지 않는 시간대를 통해 사용자가 흥미를 느끼지 않거나 난이도가 높아 포기한 학습 콘텐츠 모듈이 어떤 모듈이었는지 확인할 수 있다. 이를 통해, 서버(100)는 학습 콘텐츠(300)을 이용하는 사용자의 집중력 및 학업 성취도를 분석할 수 있다.
서버(100)는 집중도 상위 구간(311), 집중도 하위 구간(312), 및 집중도 지속 시간(313)을 기초로 사용자의 학습 콘텐츠 집중도가 개선될 수 있도록 학습 콘텐츠를 재구성할 수 있다. 구체적으로, 서버(100)는 각각의 사용자의 학습 콘텐츠에 대한 집중도를 늘리거나, 집중도 하위 시간을 줄이거나, 도 5를 참조하여 후술되는 졸음 구간을 줄이는 방식 등으로 동일한 학습 주제에 대한 학습 콘텐츠를 재구성하여 각각의 사용자에게 제공할 수 있다. 서버(100)가 각각의 사용자의 학습 콘텐츠를 재구성하는 동작은 다음을 포함할 수 있다.
먼저, 서버(100)는 각각의 사용자의 학습 콘텐츠(300)의 집중도 상위 구간 및 학습 콘텐츠(300)의 집중도 하위 구간을 기초로, 학습 콘텐츠(300)에서 적어도 하나 이상의 학습 콘텐츠 모듈의 순서 또는 종류를 변경할 수 있다.
예를 들어, 학습 콘텐츠(300)의 제 1 집중도 하위 구간과 시간대가 가장 많이 겹치는 학습 콘텐츠 모듈이 있을 수 있다. 해당 학습 콘텐츠 모듈은 사용자에게 너무 어렵거나, 반대로 너무 쉬워서 사용자의 이목을 끌지 못할 수 있다. 서버(100)에 포함된 인공지능에 해당 학습 콘텐츠 모듈이 재생될 때 사용자의 뇌파 정보를 입력하여, 사용자가 해당 학습 콘텐츠 모듈을 너무 어렵다고 생각하는지 또는 쉽다고 생각하는지 판별할 수 있다. 이를 기초로, 서버(100)는 해당 학습 콘텐츠 모듈의 난이도를 상향 또는 하향 조정한 버전의 학습 콘텐츠 모듈로 변경할 수 있다.
또는, 학습 콘텐츠(300)의 제 1 집중도 상위 구간과 시간대가 가장 많이 겹치는 학습 콘텐츠 모듈이 있을 수 있다. 해당 학습 콘텐츠 모듈은 사용자가 관심 있는 분야이거나, 단순히 학습 콘텐츠 초반부라서 사용자의 집중력이 높을 수 있다. 서버(100)에 포함된 인공지능에 해당 학습 콘텐츠 모듈이 재생될 때 사용자의 뇌파 정보를 입력하여, 사용자가 해당 학습 콘텐츠 모듈을 흥미 있게 여기는지, 혹은 단순히 학습 콘텐츠 초반부라서 사용자의 집중력이 좋은 것인지 판별할 수 있다. 사용자가 해당 학습 콘텐츠 모듈을 흥미 있게 여긴다면, 서버(100)는 해당 학습 콘텐츠 모듈의 난이도를 상향 조정할 수 있다. 단순히 학습 콘텐츠 초반부라서 집중력이 높은 경우라면, 서버(100)는 사용자가 해당 학습 콘텐츠를 복습할 때 해당 학습 콘텐츠 모듈의 순서를 보다 후반부로 배치할 수 있다.
또한, 서버(100)는 각각의 사용자의 집중도 지속 시간(313)을 기초로, 각각의 사용자에게 제공되는 학습 콘텐츠(300)에 휴식 시간을 분배할 수 있다.
예를 들어, 사용자가 60분짜리 학습 콘텐츠(300)을 사용할 때, 집중도 지속 시간(313)의 첫번째 엘리먼트가 “강의 시작 ~ 30분”; 두번째 엘리먼트가 “35분 ~ 45분”; 세번째 엘리먼트가 “55분 ~ 강의 종료”일 수 있다. 서버(100)는 해당 사용자가 학습 콘텐츠의 절반 시간 정도까지는 집중력이 좋다가(30분 집중); 짧은 시간(5분 동안 집중도 하위 구간) 집중력을 놓치고; 집중 시간이 짧아지고(10분 집중); 집중력을 놓치는 시간이 길어지고(10분 동안 집중도 하위 구간); 집중 시간이 보다 짧아지는 점(5분 집중)을 분석할 수 있다.
서버(100)는 해당 사용자의 집중력이 흐트러지는 시간을 기초로, 휴식 시간을 분배하고, 각각의 휴식 시간 길이를 설정할 수 있다. 가령, 휴식 시간을 제외한 학습 콘텐츠의 경과 시간을 기준으로, 서버(100)는 “30분 경과 후: 5분 휴식”, “분 경과 후: 10분 휴식”과 같이 휴식 시간을 분배할 수 있다.
도 4는 일실시예에 따른 학습 콘텐츠 모듈 순서 변경 동작을 설명하기 위한 도면이다.
학습 콘텐츠(300)는 하나의 학습 주제를 가지는 콘텐츠 단위일 수 있다. 학습 콘텐츠(300)는 학습 동영상일 수 있다. 서버(100)는 학습 콘텐츠(300)를 시청하는 동안 사용자의 학습 콘텐츠 집중도(310)를 연산할 수 있다. 사용자의 학습 콘텐츠 집중도(310)를 기초로, 사용자의 학습 콘텐츠 집중도가 개선될 수 있도록 학습 콘텐츠를 재구성할 수 있다.
우선, 서버(100)는 각각의 사용자의 각각의 학습 콘텐츠에서 집중도 하위 구간의 길이가 미리 정의된 제 1 시간 간격 이상인 집중도 하위 구간을 획득할 수 있다(410).
미리 정의된 제 1 시간 구간은 사용자의 연령, 사용자의 학업 성취도, 학습 콘텐츠를 이용하는 사용자들의 평균 연령, 학습 콘텐츠를 이용하는 사용자들의 평균 학업 성취도 등에 따라 사용자별·콘텐츠별로 달라질 수 있다. 예를 들어, 도 4와 같이, 사용자의 학습 콘텐츠 집중도(310)에서 노란색으로 표시된 구간은 집중도 하위 구간의 길이가 미리 정의된 제 1 시간 간격 이상인 집중도 하위 구간(401)일 수 있다.
다음으로, 서버(100)는 각각의 사용자의 각각의 학습 콘텐츠에서 집중도 상위 구간의 길이가 미리 정의된 제 2 시간 간격 이상인 집중도 상위 구간을 획득할 수 있다(420).
미리 정의된 제 2 시간 구간은 사용자의 연령, 사용자의 학업 성취도, 학습 콘텐츠를 이용하는 사용자들의 평균 연령, 학습 콘텐츠를 이용하는 사용자들의 평균 학업 성취도 등에 따라 사용자별·콘텐츠별로 달라질 수 있다. 예를 들어, 도 4와 같이, 사용자의 학습 콘텐츠 집중도(310)에서 초록색으로 표시된 구간은 집중도 상위 구간의 길이가 미리 정의된 제 2 시간 간격 이상인 집중도 상위 구간(402)일 수 있다.
이어서, 서버(100)는 사용자의 집중도 하위 학습 콘텐츠 모듈의 재생 순서를 사용자의 집중도 상위 학습 콘텐츠 모듈의 재생 순서와 교환한 학습 콘텐츠를 사용자에게 다시 제공할 수 있다(430).
요컨대, 서버(100)는 집중도 하위 구간의 길이가 미리 정의된 제 1 시간 간격 이상이고, 집중도 상위 구간의 길이가 미리 정의된 제 2 시간 간격 이상인 각각의 사용자의 각각의 학습 콘텐츠(300)의 각각의 집중도 하위 구간 및 각각의 집중도 상위 구간에 대하여, 사용자의 집중도 하위 학습 콘텐츠 모듈의 재생 순서를 사용자의 집중도 상위 학습 콘텐츠 모듈의 재생 순서와 교환한 학습 콘텐츠(300)를 사용자에게 다시 제공할 수 있다.
집중도 하위 학습 콘텐츠 모듈은 주의 요구 집중도 하위 구간과 재생 구간이 가장 많이 겹치는 학습 콘텐츠 모듈을 의미한다. 예를 들어, 도 4와 같이, 학습 콘텐츠(300)에서 노락색으로 표시된 구간은 집중도 하위 학습 콘텐츠 모듈(403)일 수 있다. 도 4에서 확인되듯이, 집중도 하위 학습 콘텐츠 모듈(403)의 길이는 집중도 하위 구간의 길이가 미리 정의된 제 1 시간 간격 이상인 집중도 하위 구간(401)의 길이와 반드시 일치하지 않을 수 있다.
집중도 상위 학습 콘텐츠 모듈은 사용자의 집중도 상위 구간과 재생 구간이 가장 많이 겹치는 학습 콘텐츠 모듈을 의미한다. 예를 들어, 도 4와 같이, 학습 콘텐츠(300)에서 노락색으로 표시된 구간은 집중도 상위 학습 콘텐츠 모듈(404)일 수 있다. 도 4에서 확인되듯이, 집중도 상위 학습 콘텐츠 모듈(404)의 길이는 집중도 상위 구간의 길이가 미리 정의된 제 2 시간 간격 이상인 집중도 상위 구간(402)의 길이와 반드시 일치하지 않을 수 있다.
서버(100)는 집중도 하위 학습 콘텐츠 모듈(403)의 재생 순서와 집중도 상위 학습 콘텐츠 모듈(404)의 재생 순서를 교환한 학습 콘텐츠를 사용자에게 다시 제공할 수 있다. 이를 통해, 집중도 하위 학습 콘텐츠 모듈(403)는 집중도 상위 구간의 길이가 미리 정의된 제 2 시간 간격 이상인 집중도 상위 구간(402), 즉, 사용자가 상대적으로 집중력이 높은 시간대에 재생될 수 있다. 이를 통해, 사용자는 집중도 하위 학습 콘텐츠 모듈(403)에 대한 학습 이해를 보다 도모할 수 있다.
또한, 집중도 상위 학습 콘텐츠 모듈(404)는 집중도 하위 구간의 길이가 미리 정의된 제 1 시간 간격 이상인 집중도 하위 구간(401), 즉, 사용자가 상대적으로 집중력이 낮은 시간대에 재생될 수 있다. 사용자는 집중도 상위 학습 콘텐츠 모듈(404)의 내용을 이미 집중력이 높은 상태에서 시청했으므로, 다음번에 학습 콘텐츠를 시청할 때 집중도 상위 학습 콘텐츠 모듈(404)는 상대적으로 덜 집중해서 보더라도 학습 효과가 크게 떨어지지 않을 수 있다. 반면, 사용자는 집중도 하위 학습 콘텐츠 모듈(403)을 집중도 상위 구간의 길이가 미리 정의된 제 2 시간 간격 이상인 집중도 상위 구간(402)에서 시청할 수 있으므로, 사용자의 전반적인 학습 이해는 보다 증진될 수 있다.
도 5는 일실시예에 따른 학습 콘텐츠 졸음 개선 동작을 설명하기 위한 도면이다.
각각의 착용형 뇌파 측정 장치(131-133)는 각각의 사용자의 EOG(Electrooculogram)를 측정할 수 있다. 사람의 눈 동작 분석에 사용되는 전기안구법(EOG, Electrooculogram)은 EOG는 망막의 전위를 측정하는 방법 중 하나로, 특히 사람이 눈을 깜빡일 경우 EOG 전위의 세기가 급속도로 증가함을 보인다. 사람의 눈 깜빡임에 따른 EOG 전위 변화는 EOG 신호를 측정하기 위해 사용되는 전극과의 거리에 따라 차이가 나며, 세타 대역에서 나타나는 전극들의 진폭을 기계학습에 대입함으로써 우측 눈의 깜빡임, 좌측 눈의 깜빡임, 양측 눈의 깜빡임, 또는 눈을 뜬 상태를 분류할 수 있다.
서버(100)는 학습 콘텐츠 사용 도중 사용자의 뇌파 정보와 EOG 정보를 조합하여 사용자의 졸음 구간을 판별하고, 졸음 구간의 학습 성취도 개선을 위해 학습 콘텐츠를 재구성하는 동작을 수행할 수 있다. 이를 위해, 서버(100)는 다음의 동작을 수행할 수 있다.
우선, 서버(100)는 각각의 착용형 뇌파 측정 장치(131-133)가 측정한 각각의 사용자의 EOG 정보를 각각의 사용자 단말(111-113)로부터 획득할 수 있다(510).
각각의 착용형 뇌파 측정 장치(131-133)는 각각의 사용자의 EOG를 측정하여 각각의 사용자 단말(111-113)로 전송할 수 있다. 각각의 사용자 단말(111-113)은 각각의 사용자의 EOG 정보를 서버(100)로 전송할 수 있다. EOG 정보는 학습 콘텐츠 사용 중 사용자가 눈을 뜬 구간, 사용자가 눈을 깜빡인 시간, 사용자가 눈을 감은 구간 등을 포함할 수 있다.
다음으로, 서버(100)는 각각의 사용자의 EOG 및 각각의 사용자의 뇌파를 기초로, 각각의 사용자의 졸음 구간들을 연산할 수 있다(520).
예를 들어, EOG 정보를 통해 사용자가 눈을 감은 구간이 미리 정의된 길이를 초과하고, 뇌파 정보를 통해 사용자가 졸음, 수면 상태(502)인 것으로 판별되는 경우, 서버(100)는 사용자가 조는 것으로 판별할 수 있고, 사용자의 졸음 구간을 연산할 수 있다. 반면, EOG 정보를 통해 사용자가 눈을 감은 구간이 미리 정의된 길이를 초과하더라도, 뇌파 정보를 통해 사용자가 집중, 각성 상태(501)인 것으로 판별되는 경우, 서버(100)는 사용자가 졸지 않는 것으로 판별할 수 있다. 또한, 뇌파 정보를 통해 사용자가 졸음, 수면 상태(502)인 것으로 판별되더라도, EOG 정보를 통해 사용자가 눈을 감은 구간이 미리 정의된 길이를 초과하지 않는다면, 서버(100)는 사용자가 졸지 않는 것으로 판별할 수 있다. 이처럼, EOG 정보와 뇌파 정보를 동시에 이용하여 사용자의 졸음 여부를 판별함으로써, 사용자의 졸음 여부를 보다 정확하게 측정할 수 있다.
사용자의 졸음 여부 판단은 제 3 인공지능을 통해 이루어질 수 있다. 이를 위해, 서버(100)는 미리 학습된 제 3 인공지능을 포함할 수 있다. 제 3 인공지능은 학습 콘텐츠, 사용자의 뇌파 정보, 서버(100)가 연산한 사용자의 학습 콘텐츠 집중도 및 학습 지표들, 사용자의 EOG 정보 등을 입력으로 받아, 사용자의 졸음 여부를 출력하도록 학습될 수 있다. 제 3 인공지능은 학습 콘텐츠의 시간별 사용자 뇌파의 평균 활성화 정도; 사용자가 졸지 않으면서 눈을 감을 때 눈을 감는 시간의 평균 및 표준편차; 사용자가 졸 때 뇌파와 졸지 않을 때의 뇌파의 차이 등의 패턴을 학습하여, 학습 콘텐츠를 사용하는 사용자의 졸음 여부를 추론할 수 있다. 제 3 인공지능의 구체적인 학습 동작은 도 6을 참조하여 후술된다.
사용자가 조는 것으로 판별된 경우, 서버(100)는 학습 콘텐츠(동영상 강의)에 다시 듣기 포인트를 설정할 수 있다. 또한, 졸음 구간이 미리 정의된 경고 시간대를 초과할 경우, 서버(100)는 각각의 사용자 단말(111-113)을 통해 약속된 음성 내지 알림이 출력되도록 각각의 사용자 단말(111-113)로 알림 신호를 전송할 수 있다.
이어서, 서버(100)는 졸음 구간의 길이가 미리 정의된 제 3 시간 간격 이상인 각각의 사용자의 각각의 학습 콘텐츠(300)의 각각의 졸음 구간에 대하여 다음의 학습 콘텐츠 재구성 동작을 수행할 수 있다.
먼저, 서버(100)는 사용자의 졸음 도중 학습 콘텐츠 모듈의 성취도가 미리 정의된 성취도 이상인 경우, 졸음 도중 학습 콘텐츠 모듈의 난이도보다 높은 학습 콘텐츠 모듈을 사용자에게 다시 제공할 수 있다(530).
여기서, 졸음 도중 학습 콘텐츠 모듈은 사용자의 졸음 구간과 재생 구간이 가장 많이 겹치는 학습 콘텐츠 모듈이다. 미리 정의된 성취도는 사용자의 연령에 따른 학습 콘텐츠에 대한 성취도 히스토리 등을 기초로 단계화될 수 있다. 졸음 도중 학습 콘텐츠 모듈에 대한 사용자의 성취도가 높은 경우, 사용자는 학습 동기 부여가 부족하여 졸음이 온 것으로 해석할 수 있다. 서버(100)는 사용자의 졸음을 줄이기 위해, 졸음 도중 학습 콘텐츠 모듈을 보다 높은 난이도를 가지는 버전으로 조정할 수 있다.
한편, 서버(100)는 졸음 도중 학습 콘텐츠 모듈의 성취도가 미리 정의된 성취도 미만인 경우, 졸음 도중 학습 콘텐츠 모듈이 포함된 학습 콘텐츠(300)에서 졸음 도중 학습 콘텐츠 모듈의 순서를 조정한 학습 콘텐츠(300)를 사용자에게 다시 제공할 수 있다(540).
졸음 도중 학습 콘텐츠 모듈에 대한 사용자의 성취도가 낮은 경우, 사용자는 졸음 도중 학습 콘텐츠 모듈을 시청하는 시점이 집중도 부족 시점과 중복되어 졸음 도중 학습 콘텐츠 모듈을 효율적으로 시청하지 못한 상황으로 해석될 수 있다. 서버(100)는 사용자의 졸음 도중 학습 콘텐츠 모듈에 대한 성취도를 높이기 위해, 학습 콘텐츠 내에서 사용자가 졸음이 없었던 구간으로 졸음 도중 학습 콘텐츠 모듈을 이동시킬 수 있다.
이상을 통해, 서버(100)는 졸음 구간의 학습 성취도 개선을 위해 학습 콘텐츠를 재구성할 수 있다. 요컨대, 졸음 도중 학습 콘텐츠 모듈에 대한 사용자의 성취도가 높은 경우, 서버(100)는 사용자의 졸음을 줄이기 위해, 사용자의 학습 동기 부여 부족을 고려하여, 졸음 도중 학습 콘텐츠 모듈을 보다 높은 난이도를 가지는 버전으로 조정할 수 있다. 또한, 졸음 도중 학습 콘텐츠 모듈의 성취도가 미리 정의된 성취도 낮은 경우, 서버(100)는 사용자의 졸음 도중 학습 콘텐츠 모듈에 대한 이해도를 높이기 위해, 학습 콘텐츠 내에서 사용자가 졸음이 없었던 구간으로 졸음 도중 학습 콘텐츠 모듈을 이동시킬 수 있다. 이를 통해, 졸음 도중 학습 콘텐츠 모듈에 대한 사용자의 흥미나 이해도를 높일 수 있다. 이를 통해, 사용자의 졸음 구간의 학습 성취도가 개선될 수 있다.
도 6은 일실시예에 따른 인공지능의 학습을 설명하기 위한 도면이다.
인공지능은 서버(100)에 포함되는 구성일 수 있으며, 서버(100) 또는 별도의 학습 장치를 통해서 학습될 수 있다.
제 1 인공지능은 각각의 계정 사용자를 위한 학습 콘텐츠를 생성하도록 학습될 수 있다.
제 2 인공지능은 학습 콘텐츠별로 학습 콘텐츠 집중도의 집중도 상위 구간 및 집중도 하위 구간을 구분하는 기준 집중도를 출력하도록 학습될 수 있다.
제 3 인공지능은 학습 콘텐츠를 사용하는 도중의 사용자의 졸음 여부를 출력하도록 학습될 수 있다.
이하에서는 학습 장치를 통해 인공지능이 학습되는 과정을 설명한다.
우선, 학습 장치는 트레이닝 데이터(training data)와 레이블(label)을 획득할 수 있다(600).
제 1 인공지능 학습을 위해, 학습 장치는 각각의 사용자의 나이, 성별, 지역, 학습 성취도, 수강 과목, 미수강 과목, 수강 희망 과목, 선호하는 과목, 비선호 과목, 각각의 학습 콘텐츠 학습 시 사용자의 뇌파 정보 등을 포함하는 데이터 세트를 각각의 트레이닝 데이터로 획득할 수 있다. 또한, 학습 장치는 각각의 사용자의 기본 정보를 기초로 전문 교육 컨설턴트들이 추천한 각각의 사용자를 위한 학습 콘텐츠를 각각의 트레이닝 데이터에 대응하는 레이블로 획득할 수 있다.
제 2 인공지능 학습을 위해, 학습 장치는 각각의 학습 콘텐츠의 학습 주제; 학습 난이도; 학습 콘텐츠를 수강하는 사용자들의 평균 연령; 그 동안 학습 콘텐츠를 수강한 사용자들의 뇌파 정보 등을 포함하는 데이터 세트를 각각의 트레이닝 데이터로 획득할 수 있다. 또한, 학습 장치는 학습 콘텐츠별로 미리 지정된 성적 상위 사용자 그룹의 학습 콘텐츠 집중도 평균으로부터 미리 정의된 +σ 표준편차 벗어난 집중도를 상위 임계 집중도(집중도 상위 구간을 구분하는 기준)로, 미리 정의된 -σ 표준편차 벗어난 집중도를 하위 임계 집중도(집중도 하위 구간을 구분하는 기준)로 하는 각각의 트레이닝 데이터에 대응하는 레이블로 획득할 수 있다.
제 3 인공지능 학습을 위해, 학습 콘텐츠, 학습 콘텐츠 사용 중 사용자의 뇌파 정보, 서버가 연산한 사용자의 학습 콘텐츠 집중도 및 학습 지표들, 학습 콘텐츠 사용 중 사용자의 EOG 정보 등을 포함하는 데이터 세트를 각각의 트레이닝 데이터로 획득할 수 있다. 또한, 학습 장치는 학습 콘텐츠를 사용하는 사용자의 실제 학습 도중 졸음 여부 및 졸음 구간을 각각의 트레이닝 데이터에 대응하는 레이블로 획득할 수 있다.
이제, 학습 장치는 트레이닝 데이터로부터 인공지능의 입력을 생성할 수 있다(610).
학습 장치는 트레이닝 데이터를 인공지능의 입력으로 그대로 사용하거나, 각각의 트레이닝 데이터에서 불필요한 정보를 제거하는 통상의 프로세스를 거친 후, 인공지능의 입력을 생성할 수 있다.
다음으로, 학습 장치는 입력을 인공지능에 적용할 수 있다(620).
서버(100)에 포함된 인공지능은 지도 학습(supervised learning)에 따라 학습되는 인공지능일 수 있다. 인공지능은 지도 학습을 통해 학습시키기에 적합한 컨볼루션 신경망(convolutional neural network, CNN) 또는 리커런트 신경망(recurrent neural network, RNN) 구조일 수 있다.
이어서, 학습 장치는 인공지능으로부터 출력을 획득할 수 있다(630).
제 1 인공지능의 출력은, 각각의 계정 사용자를 위한 학습 콘텐츠 추천일 수 있다. 제 2 인공지능의 출력은, 학습 콘텐츠별 집중도 상위 구간 및 집중도 하위 구간을 구분하는 임계 상위 집중도 및 임계 하위 집중도의 추론일 수 있다. 제 3 인공지능의 출력은, 학습 콘텐츠를 사용하는 사용자의 학습 도중 졸음 구간들의 추론일 수 있다.
이후, 학습 장치는 출력과 레이블을 비교할 수 있다(640). 추론에 해당하는 인공지능의 출력과 정답에 해당하는 레이블을 비교하는 과정은 손실함수(loss function)를 계산하여 이루어질 수 있다. 손실함수는 기 알려진 평균 제곱 오차(mean squared error, MSE), 교차 엔트로피 오차(cross entropy error, CEE) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 인공지능의 출력과 레이블 간의 편차, 오차 내지는 차이를 측정할 수 있다면, 다양한 인공지능 모델들에서 이용되는 손실함수들이 이용될 수 있다.
다음으로, 학습 장치는 비교값을 기초로 인공지능을 최적화할 수 있다(650). 학습 장치 비교값이 점점 작아지도록 인공지능의 노드(node)들의 웨이트(weight)를 갱신함으로써, 추론에 해당하는 인공지능의 출력과 정답에 해당하는 레이블을 점점 일치시킬 수 있고, 이를 통해 인공지능은 정답에 가까운 추론을 출력하도록 최적화될 수 있다. 구체적으로, 학습 장치는 비교값에 해당하는 손실함수가 최소값의 추정치에 가까워지도록 인공지능의 웨이트(weight)를 재설정하는 과정을 반복함으로써 인공지능을 최적화할 수 있다. 인공지능의 최적화를 위해 기 알려진 역전파(backpropagation) 알고리즘, 확률론적 경사하위법(stochastic gradient descent) 등이 이용될 수 있다. 그러나, 이에 제한되는 것은 아니며, 다양한 신경망 모델들에서 이용되는 웨이트의 최적화 알고리즘이 이용될 수 있다.
학습 장치는 이와 같은 과정을 반복함으로써 인공지능을 학습시킬 수 있다.
이를 통해, 사용자의 기본 정보를 기초로, 사용자를 위한 학습 콘텐츠를 출력하는 제 1 인공지능을 학습시킬 수 있다. 제 1 인공지능은 도 2를 참조하여 학습 콘텐츠를 생성하는 동작에 사용될 수 있다.
또한, 학습 콘텐츠의 학습 주제, 학습 난이도, 학습 콘텐츠를 수강하는 사용자들의 평균 연령, 그 동안 학습 콘텐츠를 수강한 사용자들의 뇌파 정보를 기초로, 학습 콘텐츠별로 학습 콘텐츠 집중도의 집중도 상위 구간 및 집중도 하위 구간을 구분하는 기준 집중도를 출력하는 제 2 인공지능을 학습시킬 수 있다. 제 2 인공지능은 도 3을 참조하여 전술한 학습 콘텐츠 지표들을 지표화하는 동작에 사용될 수 있다.
또한, 학습 콘텐츠, 학습 콘텐츠 사용 중 사용자의 뇌파 정보, 서버가 연산한 사용자의 학습 콘텐츠 집중도 및 학습 지표들, 학습 콘텐츠 사용 중 사용자의 EOG 정보를 기초로, 학습 콘텐츠를 사용하는 도중의 사용자의 졸음 여부를 추론하는 제 3 인공지능을 학습시킬 수 있다. 제 3 인공지능은 도 5을 참조하여 전술한 졸음 개선 동작에 사용될 수 있다.
도 7은 일실시예에 따른 장치의 구성의 예시도이다.
일실시예에 따른 장치(701)는 프로세서(702) 및 메모리(703)를 포함한다. 프로세서(702)는 도 1 내지 도 6을 참조하여 전술된 적어도 하나의 장치들을 포함하거나, 도 1 내지 도 6을 참조하여 전술된 적어도 하나의 방법을 수행할 수 있다. 구체적으로, 장치(701)는 서버(100), 사용자 단말(131, 132, 133) 또는 인공지능 학습 장치 등일 수 있다. 장치(701)를 이용하는 자 또는 단체는 도 1 내지 도 6을 참조하여 전술된 방법들 일부 또는 전부와 관련된 서비스를 제공할 수 있다.
메모리(703)는 전술된 방법들과 관련된 정보를 저장하거나 전술된 방법들이 구현된 프로그램을 저장할 수 있다. 메모리(703)는 휘발성 메모리 또는 비휘발성 메모리일 수 있다.
프로세서(702)는 프로그램을 실행하고, 장치(701)를 제어할 수 있다. 프로세서(702)에 의하여 실행되는 프로그램의 코드는 메모리(703)에 저장될 수 있다. 장치(701)는 입출력 장치(도면 미 표시)를 통하여 외부 장치(예를 들어, 퍼스널 컴퓨터 또는 네트워크)에 연결되고, 유무선 통신을 통해 데이터를 교환할 수 있다.
장치(701)는 인공지능을 학습시키거나, 학습된 인공지능을 이용하는데 사용될 수 있다. 메모리(703)는 학습 중인 또는 학습된 인공지능을 포함할 수 있다. 프로세서(702)는 메모리(703)에 저장된 인공지능 알고리즘을 학습시키거나 실행시킬 수 있다. 인공지능을 학습시키는 장치(701)와 학습된 인공지능을 이용하는 장치(701)는 동일할 수도 있고 개별적일 수도 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 이를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 청구범위의 범위에 속한다.
Claims (3)
- 서버에 의해 수행되는 뇌파 분석 기반 학습 콘텐츠 생성 및 재구성 방법은,
각각의 사용자의 기본 정보를 기초로, 각각의 사용자의 학습 콘텐츠를 생성하는 단계;
뇌파를 측정하는 각각의 착용형 뇌파 측정 장치가 측정한 각각의 사용자의 뇌파를 각각의 사용자 단말로부터 획득하는 단계;
상기 각각의 사용자의 뇌파를 미리 정의된 기준에 따라 지표화하는 단계; 및
각각의 사용자의 지표를 기초로, 각각의 사용자의 학습 콘텐츠를 재구성하는 단계;
를 포함하고,
상기 각각의 사용자의 학습 콘텐츠는 순서 또는 종류의 변경이 가능한 하나 이상의 학습 콘텐츠 모듈을 포함하고,
상기 각각의 사용자의 지표는 학습 콘텐츠별 집중도 상위 구간, 학습 콘텐츠별 집중도 하위 구간, 및 각각의 사용자의 집중도 지속 시간을 포함하고,
상기 학습 콘텐츠별 집중도 상위 구간 및 상기 학습 콘텐츠별 집중도 하위 구간은 미리 단계화된 집중도 레벨에 기초하여 결정되고,
상기 각각의 사용자의 학습 콘텐츠를 재구성하는 단계는,
상기 각각의 사용자의 상기 학습 콘텐츠의 집중도 상위 구간 및 상기 학습 콘텐츠의 집중도 하위 구간을 기초로, 상기 학습 콘텐츠에서 적어도 하나 이상의 학습 콘텐츠 모듈의 순서 또는 종류를 변경하는 단계; 및
상기 각각의 사용자의 집중도 지속 시간을 기초로, 상기 각각의 사용자에게 제공되는 학습 콘텐츠에 휴식 시간을 분배하는 단계
를 포함하고,
상기 각각의 착용형 뇌파 측정 장치는 각각의 사용자의 EOG(Electrooculogram)를 측정하고,
상기 뇌파 분석 기반 학습 콘텐츠 생성 및 재구성 방법은
상기 각각의 착용형 뇌파 측정 장치가 측정한 상기 각각의 사용자의 EOG를 상기 각각의 사용자 단말로부터 획득하는 단계;
상기 각각의 사용자의 EOG 및 상기 각각의 사용자의 뇌파를 기초로, 각각의 사용자의 졸음 구간들을 연산하는 단계;
졸음 구간의 길이가 미리 정의된 제 3 시간 간격 이상인 각각의 사용자의 각각의 학습 콘텐츠의 각각의 졸음 구간에 대하여,
사용자의 졸음 도중 학습 콘텐츠 모듈―사용자의 졸음 구간과 재생 구간이 가장 많이 겹치는 학습 콘텐츠 모듈―의 성취도가 미리 정의된 성취도 이상인 경우, 상기 졸음 도중 학습 콘텐츠 모듈의 난이도보다 높은 학습 콘텐츠 모듈을 상기 사용자에게 재제공하는 단계; 및
상기 졸음 도중 학습 콘텐츠 모듈의 성취도가 미리 정의된 성취도 미만인 경우, 상기 졸음 도중 학습 콘텐츠 모듈이 포함된 학습 콘텐츠에서 상기 졸음 도중 학습 콘텐츠 모듈의 순서를 조정한 학습 콘텐츠를 상기 사용자에게 재제공하는 단계
를 더 포함하며,
상기 각각의 사용자의 학습 콘텐츠는 미리 학습된 제 1 인공지능을 기초로 생성되고,
상기 학습 콘텐츠별 집중도 상위 구간 및 상기 학습 콘텐츠별 집중도 하위 구간을 구분하는 미리 정의된 기준 집중도는 미리 학습된 제 2 인공지능의 추론을 기초로 설정되고,
상기 각각의 사용자의 졸음 구간은 미리 학습된 제 3 인공지능을 기초로 판단되며,
상기 제 1 인공지능은 상기 각각의 사용자가 학습해야 하는 과목들, 상기 각각의 사용자의 현재까지 학습 성취도, 상기 각각의 사용자의 학습 성취도 변화 추이 및 상기 각각의 사용자가 이전 학습 콘텐츠를 사용할 때 뇌파 정보를 입력으로 받아, 상기 각각의 사용자를 위한 학습 콘텐츠를 생성하고,
상기 제 2 인공지능은 각각의 학습 콘텐츠의 학습 주제, 학습 난이도, 학습 콘텐츠를 수강하는 사용자들의 평균 연령 및 학습 콘텐츠를 수강한 사용자들의 뇌파 정보를 입력으로 받아, 학습 콘텐츠의 집중도 상위 구간을 구분하는 상위 임계 집중도 및 학습 콘텐츠의 집중도 하위 구간을 구분하는 하위 임계 집중도를 포함하는 상기 기준 집중도를 학습 콘텐츠별로 출력하고,
상기 제 3 인공지능은 학습 콘텐츠, 학습 콘텐츠 사용 중 사용자의 뇌파 정보, 사용자의 학습 콘텐츠 집중도 및 학습 지표들, 학습 콘텐츠 사용 중 사용자의 EOG 정보를 입력으로 받아, 학습 콘텐츠의 시간별 사용자 뇌파의 평균 활성화 정도, 사용자가 졸지 않으면서 눈을 감을 때 눈을 감는 시간의 평균 및 표준편차, 사용자가 졸 때 뇌파와 졸지 않을 때의 뇌파의 차이에 대한 패턴을 통해, 학습 콘텐츠를 사용하는 도중의 사용자의 졸음 여부를 출력하는
뇌파 분석 기반 학습 콘텐츠 생성 및 재구성 방법.
- 제 1항에 있어서,
집중도 하위 구간의 길이가 미리 정의된 제 1 시간 간격 이상인 집중도 하위 구간들을 획득하는 단계;
집중도 상위 구간의 길이가 미리 정의된 제 2 시간 간격 이상인 집중도 상위 구간들을 획득하는 단계; 및
집중도 하위 구간의 길이가 미리 정의된 제 1 시간 간격 이상이고, 집중도 상위 구간의 길이가 미리 정의된 제 2 시간 간격 이상인 각각의 사용자의 각각의 학습 콘텐츠의 각각의 집중도 하위 구간 및 각각의 집중도 상위 구간에 대하여,
사용자의 집중도 하위 학습 콘텐츠 모듈―주의 요구 집중도 하위 구간과 재생 구간이 가장 많이 겹치는 학습 콘텐츠 모듈―의 재생 순서를 사용자의 집중도 상위 학습 콘텐츠 모듈―사용자의 집중도 하위 구간과 재생 구간이 가장 많이 겹치는 학습 콘텐츠 모듈―의 재생 순서와 교환한 학습 콘텐츠를 상기 사용자에게 재제공하는 단계
를 더 포함하는
뇌파 분석 기반 학습 콘텐츠 생성 및 재구성 방법.
- 뇌파 분석 기반 학습 콘텐츠 생성 및 재구성 시스템은
뇌파를 측정하는 각각의 착용형 뇌파 측정 장치;
상기 착용형 뇌파 측정 장치와 유무선으로 통신하는 각각의 사용자 단말; 및
상기 사용자 단말과 유무선으로 통신하는 서버
를 포함하고,
상기 서버는,
각각의 사용자의 기본 정보를 기초로, 각각의 사용자의 학습 콘텐츠를 생성하고,
상기 각각의 착용형 뇌파 측정 장치는,
학습 콘텐츠를 사용하는 각각의 사용자의 뇌파를 측정하고,
각각의 사용자의 뇌파를 각각의 사용자 단말로 전송하고,
상기 각각의 사용자 단말은,
상기 각각의 사용자의 뇌파를 상기 서버로 전송하고,
상기 서버는,
상기 각각의 사용자의 뇌파를 미리 정의된 기준에 따라 지표화하고,
각각의 사용자의 지표를 기초로, 각각의 사용자의 학습 콘텐츠를 재구성하며,
상기 각각의 사용자의 학습 콘텐츠는 순서 또는 종류의 변경이 가능한 하나 이상의 학습 콘텐츠 모듈을 포함하고,
상기 각각의 사용자의 지표는 학습 콘텐츠별 집중도 상위 구간, 학습 콘텐츠별 집중도 하위 구간, 및 각각의 사용자의 집중도 지속 시간을 포함하고,
상기 학습 콘텐츠별 집중도 상위 구간 및 상기 학습 콘텐츠별 집중도 하위 구간은 미리 단계화된 집중도 레벨에 기초하여 결정되고,
상기 서버가 각각의 사용자의 학습 콘텐츠를 재구성하는 동작은,
상기 각각의 사용자의 상기 학습 콘텐츠의 집중도 상위 구간 및 상기 학습 콘텐츠의 집중도 하위 구간을 기초로, 상기 학습 콘텐츠에서 적어도 하나 이상의 학습 콘텐츠 모듈의 순서 또는 종류를 변경하고,
상기 각각의 사용자의 집중도 지속 시간을 기초로, 상기 각각의 사용자에게 제공되는 학습 콘텐츠에 휴식 시간을 분배하는
동작을 포함하고,
상기 각각의 착용형 뇌파 측정 장치는 각각의 사용자의 EOG(Electrooculogram)를 측정하고,
상기 서버는,
상기 각각의 착용형 뇌파 측정 장치가 측정한 상기 각각의 사용자의 EOG를 상기 각각의 사용자 단말로부터 획득하고,
상기 각각의 사용자의 EOG 및 상기 각각의 사용자의 뇌파를 기초로, 각각의 사용자의 졸음 구간들을 연산하고,
졸음 구간의 길이가 미리 정의된 제 3 시간 간격 이상인 각각의 사용자의 각각의 학습 콘텐츠의 각각의 졸음 구간에 대하여,
사용자의 졸음 도중 학습 콘텐츠 모듈―사용자의 졸음 구간과 재생 구간이 가장 많이 겹치는 학습 콘텐츠 모듈―의 성취도가 미리 정의된 성취도 이상인 경우, 상기 졸음 도중 학습 콘텐츠 모듈의 난이도보다 높은 학습 콘텐츠 모듈을 상기 사용자에게 재제공하고,
상기 졸음 도중 학습 콘텐츠 모듈의 성취도가 미리 정의된 성취도 미만인 경우, 상기 졸음 도중 학습 콘텐츠 모듈이 포함된 학습 콘텐츠에서 상기 졸음 도중 학습 콘텐츠 모듈의 순서를 조정한 학습 콘텐츠를 상기 사용자에게 재제공하며,
상기 각각의 사용자의 학습 콘텐츠는 상기 서버에 포함되어 있는 미리 학습된 제 1 인공지능을 기초로 생성되고,
상기 학습 콘텐츠별 집중도 상위 구간 및 상기 학습 콘텐츠별 집중도 하위 구간을 구분하는 미리 정의된 기준 집중도는 상기 서버에 포함되어 있는 미리 학습된 제 2 인공지능의 추론을 기초로 설정되고,
상기 각각의 사용자의 졸음 구간은 상기 서버에 포함되어 있는 미리 학습된 제 3 인공지능을 기초로 판단되며,
상기 제 1 인공지능은 상기 각각의 사용자가 학습해야 하는 과목들, 상기 각각의 사용자의 현재까지 학습 성취도, 상기 각각의 사용자의 학습 성취도 변화 추이 및 상기 각각의 사용자가 이전 학습 콘텐츠를 사용할 때 뇌파 정보를 입력으로 받아, 상기 각각의 사용자를 위한 학습 콘텐츠를 생성하고,
상기 제 2 인공지능은 각각의 학습 콘텐츠의 학습 주제, 학습 난이도, 학습 콘텐츠를 수강하는 사용자들의 평균 연령 및 학습 콘텐츠를 수강한 사용자들의 뇌파 정보를 입력으로 받아, 학습 콘텐츠의 집중도 상위 구간을 구분하는 상위 임계 집중도 및 학습 콘텐츠의 집중도 하위 구간을 구분하는 하위 임계 집중도를 포함하는 상기 기준 집중도를 학습 콘텐츠별로 출력하고,
상기 제 3 인공지능은 학습 콘텐츠, 학습 콘텐츠 사용 중 사용자의 뇌파 정보, 사용자의 학습 콘텐츠 집중도 및 학습 지표들, 학습 콘텐츠 사용 중 사용자의 EOG 정보를 입력으로 받아, 학습 콘텐츠의 시간별 사용자 뇌파의 평균 활성화 정도, 사용자가 졸지 않으면서 눈을 감을 때 눈을 감는 시간의 평균 및 표준편차, 사용자가 졸 때 뇌파와 졸지 않을 때의 뇌파의 차이에 대한 패턴을 통해, 학습 콘텐츠를 사용하는 도중의 사용자의 졸음 여부를 출력하는
뇌파 분석 기반 학습 콘텐츠 생성 및 재구성 시스템.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200106802A KR102265734B1 (ko) | 2020-08-25 | 2020-08-25 | 뇌파 분석 기반 학습 콘텐츠 생성 및 재구성 방법, 장치, 및 시스템 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020200106802A KR102265734B1 (ko) | 2020-08-25 | 2020-08-25 | 뇌파 분석 기반 학습 콘텐츠 생성 및 재구성 방법, 장치, 및 시스템 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102265734B1 true KR102265734B1 (ko) | 2021-06-16 |
Family
ID=76602627
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020200106802A KR102265734B1 (ko) | 2020-08-25 | 2020-08-25 | 뇌파 분석 기반 학습 콘텐츠 생성 및 재구성 방법, 장치, 및 시스템 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102265734B1 (ko) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114224364A (zh) * | 2022-02-21 | 2022-03-25 | 深圳市心流科技有限公司 | 用于专注力训练的脑电波信号处理方法、装置及存储介质 |
KR20230045681A (ko) * | 2021-09-27 | 2023-04-05 | 주식회사 에이블에듀테크 | 웨어러블 기기를 이용한 ai 기반의 온라인 학습 제공 장치 및 방법 |
CN116138780A (zh) * | 2022-12-30 | 2023-05-23 | 北京视友科技有限责任公司 | 一种学生注意力评价方法、终端及计算机可读存储介质 |
KR102561832B1 (ko) * | 2022-02-07 | 2023-08-11 | 주식회사 넘버제로 | 인공지능 기반 온라인 교육 콘텐츠 제공 방법, 장치 및 시스템 |
CN117496787A (zh) * | 2024-01-03 | 2024-02-02 | 小白智能科技(长春)股份有限公司 | 一种针对儿童六项能力测评及其训练系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101002751B1 (ko) * | 2010-09-10 | 2010-12-21 | 주식회사 다이나믹플러스 | 뇌파를 이용한 학습 진단 장치, 이를 이용한 학습 관리 시스템 및 그 동작방법 |
KR20120113573A (ko) * | 2011-04-05 | 2012-10-15 | 주식회사 유비온 | 뇌파정보를 이용한 사용자별 맞춤 학습컨텐츠 제공방법 |
KR101587462B1 (ko) | 2013-12-19 | 2016-01-21 | (주) 로임시스템 | 뇌파인식형 학습 문제 제공시스템 |
KR101842750B1 (ko) | 2015-11-26 | 2018-03-27 | 인하대학교 산학협력단 | 뇌파 훈련을 위한 실시간 시뮬레이터 및 이를 이용한 인터페이스 장치 |
WO2018168220A1 (ja) * | 2017-03-14 | 2018-09-20 | 日本電気株式会社 | 学習材推薦方法、学習材推薦装置および学習材推薦プログラム |
KR101955941B1 (ko) | 2017-02-07 | 2019-03-11 | 남서울대학교 산학협력단 | 뇌파를 이용한 IoT 기반의 멘탈 케어 제공 시스템 및 그 방법 |
KR20190135315A (ko) * | 2018-05-28 | 2019-12-06 | 광운대학교 산학협력단 | 사용자의 집중도를 판단하는 방법 및 이를 위한 웨어러블 디바이스 |
KR102107337B1 (ko) | 2019-08-06 | 2020-05-07 | 장현갑 | 웨어러블 디바이스를 이용한 스마트 학습 관리 시스템 |
-
2020
- 2020-08-25 KR KR1020200106802A patent/KR102265734B1/ko active IP Right Grant
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101002751B1 (ko) * | 2010-09-10 | 2010-12-21 | 주식회사 다이나믹플러스 | 뇌파를 이용한 학습 진단 장치, 이를 이용한 학습 관리 시스템 및 그 동작방법 |
KR20120113573A (ko) * | 2011-04-05 | 2012-10-15 | 주식회사 유비온 | 뇌파정보를 이용한 사용자별 맞춤 학습컨텐츠 제공방법 |
KR101587462B1 (ko) | 2013-12-19 | 2016-01-21 | (주) 로임시스템 | 뇌파인식형 학습 문제 제공시스템 |
KR101842750B1 (ko) | 2015-11-26 | 2018-03-27 | 인하대학교 산학협력단 | 뇌파 훈련을 위한 실시간 시뮬레이터 및 이를 이용한 인터페이스 장치 |
KR101955941B1 (ko) | 2017-02-07 | 2019-03-11 | 남서울대학교 산학협력단 | 뇌파를 이용한 IoT 기반의 멘탈 케어 제공 시스템 및 그 방법 |
WO2018168220A1 (ja) * | 2017-03-14 | 2018-09-20 | 日本電気株式会社 | 学習材推薦方法、学習材推薦装置および学習材推薦プログラム |
KR20190135315A (ko) * | 2018-05-28 | 2019-12-06 | 광운대학교 산학협력단 | 사용자의 집중도를 판단하는 방법 및 이를 위한 웨어러블 디바이스 |
KR102107337B1 (ko) | 2019-08-06 | 2020-05-07 | 장현갑 | 웨어러블 디바이스를 이용한 스마트 학습 관리 시스템 |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20230045681A (ko) * | 2021-09-27 | 2023-04-05 | 주식회사 에이블에듀테크 | 웨어러블 기기를 이용한 ai 기반의 온라인 학습 제공 장치 및 방법 |
KR102546207B1 (ko) * | 2021-09-27 | 2023-06-22 | 주식회사 에이블에듀테크 | 웨어러블 기기를 이용한 ai 기반의 온라인 학습 제공 장치 및 방법 |
KR102561832B1 (ko) * | 2022-02-07 | 2023-08-11 | 주식회사 넘버제로 | 인공지능 기반 온라인 교육 콘텐츠 제공 방법, 장치 및 시스템 |
CN114224364A (zh) * | 2022-02-21 | 2022-03-25 | 深圳市心流科技有限公司 | 用于专注力训练的脑电波信号处理方法、装置及存储介质 |
CN116138780A (zh) * | 2022-12-30 | 2023-05-23 | 北京视友科技有限责任公司 | 一种学生注意力评价方法、终端及计算机可读存储介质 |
CN116138780B (zh) * | 2022-12-30 | 2023-08-08 | 北京视友科技有限责任公司 | 一种学生注意力评价方法、终端及计算机可读存储介质 |
CN117496787A (zh) * | 2024-01-03 | 2024-02-02 | 小白智能科技(长春)股份有限公司 | 一种针对儿童六项能力测评及其训练系统 |
CN117496787B (zh) * | 2024-01-03 | 2024-03-19 | 小白智能科技(长春)股份有限公司 | 一种针对儿童六项能力测评及其训练系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR102265734B1 (ko) | 뇌파 분석 기반 학습 콘텐츠 생성 및 재구성 방법, 장치, 및 시스템 | |
US11303976B2 (en) | Production and control of cinematic content responsive to user emotional state | |
US20230221801A1 (en) | Systems and methods for collecting, analyzing, and sharing bio-signal and non-bio-signal data | |
US20220374739A1 (en) | Predicting Response to Stimulus | |
US10606353B2 (en) | Systems and methods for collecting, analyzing, and sharing bio-signal and non-bio-signal data | |
US11013449B2 (en) | Methods and systems for decoding, inducing, and training peak mind/body states via multi-modal technologies | |
KR20190027354A (ko) | 비전 성능 데이터를 획득, 분석 및 생성하고 비전 성능 데이터에 기반하여 미디어를 수정하기 위한 방법 및 시스템 | |
US20130144537A1 (en) | Real Time Assessment During Interactive Activity | |
Leoni et al. | Automatic stimuli classification from ERP data for augmented communication via Brain–Computer Interfaces | |
KR102552220B1 (ko) | 정신건강 진단 및 치료를 적응적으로 수행하기 위한 컨텐츠 제공 방법, 시스템 및 컴퓨터 프로그램 | |
WO2018222589A1 (en) | System and method for treating disorders with a virtual reality system | |
Davis III et al. | Collaborative filtering with preferences inferred from brain signals | |
US20230099519A1 (en) | Systems and methods for managing stress experienced by users during events | |
KR102452100B1 (ko) | 뇌파 및 눈 깜빡임 기반 학습 서비스 제공 방법, 장치 및 시스템 | |
Camargo-Vargas et al. | Brain-computer interface prototype to support upper limb rehabilitation processes in the human body | |
US20220160286A1 (en) | Adaptive User Interaction Systems For Interfacing With Cognitive Processes | |
KR102366859B1 (ko) | 교육 콘텐츠 큐레이션 및 커리큘럼 제공 방법, 장치 및 시스템 | |
US11929162B1 (en) | Brain state protocol development and scoring system and method | |
US20240145065A1 (en) | Apparatuses, systems, and methods for a real time bioadaptive stimulus environment | |
US20240355452A1 (en) | Brain state rule generation and scoring system and method | |
WO2024009944A1 (ja) | 情報処理方法、記録媒体、及び情報処理装置 | |
Carr | Evaluating the Usability of Passthought Authentication | |
WO2022122165A1 (en) | Methods, system and apparatus for providing mental state data as an on-demand service | |
US20230136754A1 (en) | Methods and systems of facilitating management of mental wellness | |
D'Amato et al. | Boosting Working Memory: Adaptive Neurostimulation in Virtual Reality |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
AMND | Amendment | ||
X091 | Application refused [patent] | ||
AMND | Amendment | ||
X701 | Decision to grant (after re-examination) | ||
GRNT | Written decision to grant |