KR102278104B1 - System for recommending exercise - Google Patents
System for recommending exercise Download PDFInfo
- Publication number
- KR102278104B1 KR102278104B1 KR1020190102843A KR20190102843A KR102278104B1 KR 102278104 B1 KR102278104 B1 KR 102278104B1 KR 1020190102843 A KR1020190102843 A KR 1020190102843A KR 20190102843 A KR20190102843 A KR 20190102843A KR 102278104 B1 KR102278104 B1 KR 102278104B1
- Authority
- KR
- South Korea
- Prior art keywords
- exercise
- user
- recommended
- tendency
- disc
- Prior art date
Links
- 230000000694 effects Effects 0.000 claims abstract description 56
- 238000013135 deep learning Methods 0.000 claims abstract description 17
- 235000019577 caloric intake Nutrition 0.000 claims abstract description 11
- 238000000034 method Methods 0.000 claims description 13
- 238000013480 data collection Methods 0.000 claims description 3
- 238000013136 deep learning model Methods 0.000 abstract description 4
- 230000006399 behavior Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 230000009182 swimming Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000007792 addition Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000004622 sleep time Effects 0.000 description 1
- 238000005406 washing 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
- G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/02—Reservations, e.g. for tickets, services or events
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Economics (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Child & Adolescent Psychology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Medical Treatment And Welfare Office Work (AREA)
Abstract
본 발명의 일 양상에 따르면 운동 추천 시스템은 사전 설문조사되어 분석된 사용자의 DISC 성향과 선호 운동 정보와 사용자 관심사 정보를 포함하는 성향 정보를 사용자 단말로부터 수집하는 성향 정보 수집부와, 사용자가 착용한 웨어러블 장치로부터 칼로리 소모량을 포함하는 사용자의 활동량 데이터를 수집하는 활동량 수집부와, 사전 학습된 딥러닝 기반의 딥러닝 모델로 수집한 성향 정보와 사용자 활동량 데이터로부터 미리 정의된 데이터 스키마에 따라 학습에 사용될 변수를 선별하여 병합하고, 병합된 변수를 입력 받아 추천 운동 리스트를 출력하는 운동 추천 엔진과, 사용자의 DISC 성향과 현재 사용자의 활동량을 기초로 추천 운동 리스트에서 사용자에게 추천할 운동을 선택하여 추천하는 운동 추천부를 포함한다. According to an aspect of the present invention, the exercise recommendation system includes a tendency information collecting unit that collects, from a user terminal, the user's DISC tendency, preference exercise information, and user interest information, which are analyzed and analyzed in advance, from a user terminal, and An activity collection unit that collects user activity data including calorie consumption from wearable devices, and a pre-trained deep learning-based deep learning model to be used for learning according to a predefined data schema from propensity information and user activity data An exercise recommendation engine that selects and merges variables, receives the merged variables as input and outputs a recommended exercise list, and selects and recommends an exercise to be recommended to the user from the recommended exercise list based on the user's DISC tendency and the current user's activity amount Includes exercise recommendations.
Description
본 발명은 운동 추천 시스템에 관한 것으로, 더욱 상세하게는 개인의 DISC 성향과 활동량으로부터 개인에게 적합한 운동을 추천하는 시스템에 관한 것이다.The present invention relates to an exercise recommendation system, and more particularly, to a system for recommending an exercise suitable for an individual based on an individual's DISC tendency and activity amount.
사람들은 저마다 서로 다른 행동의 경향성을 가지고 있으며, 서로 다른 방식으로 사물을 이해하고 판단한다. 이렇듯 저마다 다른 독특한 인간의 특성을 설명하는 행동 모델의 하나로 DISC 행동유형 패턴모델이 있다. DISC는 192I년 미국 콜롬비아 대학의 Marston 박사가 고안한 인간의 행동유형 패턴을 검사하는 방법으로 성격 유형을 사람들의 행동유형에 따라 구분하여 주도형(Dominance), 사교형(Influence), 안정형(Steadiness), 신중형(Conscientiousness)의 4가지 유형으로 분류한다. DISC는 이 4가지 유형의 머리글자를 따서 이르는 말이다.Different people have different behavioral tendencies, and they understand and judge things in different ways. As one of the behavior models that explain the unique characteristics of each individual, there is the DISC behavior type pattern model. DISC is a method for examining human behavior patterns devised by Dr. Marston of Columbia University in the United States in 192I. It classifies personality types according to people's behavior types, including Dominance, Influence, Steadiness, and It is classified into 4 types of Conscientiousness. DISC is an acronym for these four types.
최근 개인의 활동량을 측정하는 웨어러블 장치들이 등장하고 있다. 이들 제품을 통해 칼로리 소모량 등의 개인 활동량 정보를 파악할 수 있다.Recently, wearable devices that measure an individual's activity level have emerged. Through these products, personal activity information such as calorie consumption can be grasped.
본 발명은 예측된 사용자의 DISC 성향과 사용자 활동량을 기초로 사용자에게 적합한 운동을 추천하는 시스템을 제공하는 것을 목적으로 한다.An object of the present invention is to provide a system for recommending an exercise suitable for a user based on the predicted user's DISC tendency and user activity amount.
본 발명의 일 양상에 따르면 운동 추천 시스템은 성향 정보 수집부와, 활동량 수집부와, 운동 추천 엔진과, 운동 추천부를 포함한다.According to an aspect of the present invention, an exercise recommendation system includes a tendency information collection unit, an activity amount collection unit, an exercise recommendation engine, and an exercise recommendation unit.
성향 정보 수집부는 사전 설문조사되어 분석된 사용자의 DISC 성향과 선호 운동 정보와 사용자 관심사 정보를 포함하는 성향 정보를 사용자 단말로부터 수집한다.The tendency information collecting unit collects the user's DISC tendency, the preference exercise information, and the user's interest information, which are analyzed and surveyed in advance, from the user terminal.
활동량 수집부는 사용자가 착용한 웨어러블 장치로부터 칼로리 소모량을 포함하는 사용자의 활동량 데이터를 수집한다.The activity amount collecting unit collects the user's activity amount data including calorie consumption from the wearable device worn by the user.
운동 추천 엔진은 사전 학습된 딥러닝 기반의 딥러닝 모델로 수집한 성향 정보와 사용자 활동량 데이터로부터 미리 정의된 데이터 스키마에 따라 학습에 사용될 변수를 선별하여 병합하고, 병합된 변수를 입력 받아 추천 운동 리스트를 출력한다.The exercise recommendation engine selects and merges variables to be used for learning according to a predefined data schema from propensity information and user activity data collected with a pre-trained deep learning-based deep learning model, and receives the merged variables as input and recommends exercise list. to output
운동 추천부는 사용자의 DISC 성향과 현재 사용자의 활동량을 기초로 추천 운동 리스트에서 사용자에게 추천할 운동을 선택하여 추천한다.The exercise recommendation unit selects and recommends an exercise to be recommended to the user from the recommended exercise list based on the user's DISC tendency and the current user's activity amount.
본 발명의 추가적 양상에 따르면 운동 추천 시스템은 DISC 성향 예측부를 더 포함할 수 있다.According to a further aspect of the present invention, the exercise recommendation system may further include a DISC tendency predictor.
DISC 성향 예측부는 사용자의 생활 공간에 설치된 IoT 디바이스들의 사용에 대한 로그 데이터를 수집하고, 수집된 로그 데이터로부터 미리 정의된 데이터 스키마에 따라 학습에 사용될 변수를 선별하고, 선별된 변수를 미리 학습된 딥러닝 기반의 DISC 성향 예측 엔진을 통해 사용자의 DISC 성향을 예측할 수 있다. 이때, 운동 추천부는 예측된 사용자의 DISC 성향을 기초로 추천 운동 리스트에서 사용자에게 추천할 운동을 선택한다.The DISC tendency prediction unit collects log data on the use of IoT devices installed in the user's living space, selects variables to be used for learning according to a predefined data schema from the collected log data, and selects the selected variables from the pre-trained deep It is possible to predict the user's DISC tendency through a learning-based DISC tendency prediction engine. In this case, the exercise recommendation unit selects an exercise to be recommended to the user from the recommended exercise list based on the predicted user's DISC tendency.
본 발명의 추가적 양상에 따르면 운동 추천 시스템은 시설 예약부를 더 포함할 수 있고, 시설 예약부는 운동 추천부가 추천한 운동이 시설이 필요한 경우 해당 운동을 할 수 있는 시설을 예약할 수 있다.According to an additional aspect of the present invention, the exercise recommendation system may further include a facility reservation unit, and the facility reservation unit may reserve a facility capable of performing the corresponding exercise when the exercise facility recommended by the exercise recommendation unit is required.
본 발명의 일 실시 예에 따르면 운동 추천 시스템이 사용자에게 운동을 추천하는 방법은 성향 정보 수집 단계와, 활동량 수집 단계와, 데이터 병합 단계와, 추천 운동 리스트 출력 단계와, 운동 추천 단계를 포함한다.According to an embodiment of the present invention, a method for an exercise recommendation system to recommend an exercise to a user includes a tendency information collection step, an activity amount collection step, a data merging step, a recommended exercise list output step, and an exercise recommendation step.
성향 정보 수집 단계는 사전 설문조사되어 분석된 사용자의 DISC 성향과 선호 운동 정보와 사용자 관심사 정보를 포함하는 성향 정보를 사용자 단말로부터 수집하는 단계이고, 활동량 수집 단계는 설정된 주기로 사용자가 착용한 웨어러블 장치로부터 칼로리 소모량을 포함하는 사용자의 활동량 데이터를 수집하는 단계이고, 데이터 병합 단계는 수집한 성향 정보와 사용자 활동량 데이터로부터 미리 정의된 데이터 스키마에 따라 학습에 사용될 변수를 선별하여 병합하는 단계이고, 추천 운동 리스트 출력 단계는 병합된 변수를 입력 데이터로 사전 학습된 딥러닝 기반의 운동 추천 엔진을 통해 추천 운동 리스트를 출력하는 단계이고, 운동 추천 단계는 사용자의 DISC 성향과 현재 사용자의 활동량을 기초로 추천 운동 리스트에서 사용자에게 추천할 운동을 선택하여 추천하는 단계이다.The propensity information collection step is a step of collecting propensity information including the user's DISC propensity and preferred exercise information and user interest information, which has been analyzed and surveyed in advance, from the user terminal, and the activity amount collecting step is collected from the wearable device worn by the user at a set period. It is a step of collecting the user's activity data including calorie consumption, and the data merging step is a step of selecting and merging variables to be used for learning according to a predefined data schema from the collected propensity information and user activity data, and recommended exercise list The output step is a step of outputting a recommended workout list through a deep learning-based workout recommendation engine pre-trained using the merged variables as input data, and the workout recommendation step is a recommended workout list based on the user's DISC tendency and the current user's activity amount This is the step of selecting and recommending an exercise to be recommended to the user.
본 발명의 운동 추천 시스템에 의하면 예측된 사용자의 DISC 성향과 사용자 활동량을 기초로 사용자에게 적합한 운동을 보다 정확하게 추천할 수 있다.According to the exercise recommendation system of the present invention, it is possible to more accurately recommend an exercise suitable for the user based on the predicted user's DISC tendency and the user's activity amount.
도 1은 본 발명의 일 양상에 따른 운동 추천 시스템을 개념적으로 도시한 블록도이다.
도 2는 본 발명의 다양한 실시예에 따른 운동 추천 시스템이 사용자 단말에 추천한 개인화된 운동 추천 서비스의 예시를 도시한 것이다.
도 3은 본 발명의 일 실시예에 따른 운동 추천 시스템의 IoT 디바이스들의 사용패턴으로부터 DISC 성향을 예측하는 절차를 도시한 절차도이다.
도 4는 본 발명의 다양한 실시예에 따른 운동 추천 시스템이 DISC 성향을 기초로 운동을 추천하는 절차를 도시한 절차도이다.1 is a block diagram conceptually illustrating an exercise recommendation system according to an aspect of the present invention.
2 illustrates an example of a personalized exercise recommendation service recommended by an exercise recommendation system to a user terminal according to various embodiments of the present disclosure.
3 is a flowchart illustrating a procedure for predicting a DISC tendency from a usage pattern of IoT devices of an exercise recommendation system according to an embodiment of the present invention.
4 is a flowchart illustrating a procedure in which an exercise recommendation system recommends an exercise based on a DISC tendency according to various embodiments of the present disclosure.
이하, 첨부한 도면을 참조하여 본 발명의 운동 추천 시스템이 사용자의 DISC 기반의 성향과 활동량을 기초로 운동을 추천하는 시스템에 바람직한 실시 예를 상세히 설명한다.Hereinafter, a preferred embodiment of a system in which the exercise recommendation system of the present invention recommends an exercise based on a user's DISC-based propensity and activity amount will be described in detail with reference to the accompanying drawings.
각 도면에 제시된 동일한 참조부호는 동일한 부재를 나타낸다. 또한 본 발명의 실시 예들에 대해서 특정한 구조적 내지 기능적 설명들은 단지 본 발명에 따른 실시 예를 설명하기 위한 목적으로 예시된 것으로, 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 문맥상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는 것이 바람직하다.Like reference numerals in each figure indicate like elements. In addition, specific structural or functional descriptions for the embodiments of the present invention are only exemplified for the purpose of describing the embodiments according to the present invention, and unless otherwise defined, all terms used herein, including technical or scientific terms They have the same meaning as commonly understood by those of ordinary skill in the art to which the present invention pertains. Terms such as those defined in a commonly used dictionary should be interpreted as having a meaning consistent with the meaning in the context of the related art, and should not be interpreted in an ideal or excessively formal meaning unless explicitly defined in the present specification. It is preferable not to
도 1은 본 발명의 일 양상에 따른 운동 추천 시스템을 개념적으로 도시한 블록도이다. 도 1을 참조하여 설명하면, 운동 추천 시스템(10)은 사용자 단말로부터 성향정보를 수집하고, 사용자가 착용한 웨어러블 장치로부터 사용자의 활동량 정보를 수집한다. 운동 추천 시스템(10)은 성향 정보와 활동량 정보를 학습한 딥러닝 기반의 운동 추천 엔진(120)을 통해 추천 운동 리스트를 획득하여 사용자의 DISC 성향과 현재 사용자의 활동량을 기초로 사용자에게 적합한 운동을 추천한다.1 is a block diagram conceptually illustrating an exercise recommendation system according to an aspect of the present invention. Referring to FIG. 1 , the exercise recommendation system 10 collects propensity information from a user terminal and collects activity amount information of a user from a wearable device worn by the user. The exercise recommendation system 10 obtains a recommended exercise list through the deep learning-based
웨어러블 장치는 시계 형태, 밴드 형태 등의 착용 가능한 장치로 사용자의 활동과 관련한 다양한 정보를 수집한다. 웨어러블 장치의 종류는 제한이 없으며 칼로리 소모량, 걸음수, 이동거리 등의 활동량 정보를 획득할 수 있는 기능을 갖춘 장치이다.A wearable device is a wearable device in the form of a watch or a band, and collects various information related to a user's activity. There is no limit to the type of wearable device, and it is a device with a function to acquire activity information such as calorie consumption, number of steps, and distance traveled.
또한 운동 추천 시스템(10)은 IoT 디바이스 사용패턴으로부터 사용자의 DISC 성향을 예측하기 위해 사용자의 생활 공간에 설치되는 IoT 디바이스들로부터 로그 데이터를 수집한다. IoT 센서 및 IoT 디바이스들은 복수 개가 존재하는 것이 일반적이므로 IoT 게이트웨이 또는 IoT 허브를 통해 타 시스템과 연결되고, IoT 센서 및 IoT 디바이스들은 Bluetooth, Z-Wave, ZigBee 등의 저전력 무선통신 프로토콜을 이용하여 IoT 게이트웨이 또는 IoT 허브와 통신하도록 IoT 인프라가 구성될 수 있다. 따라서, 수면센서와 IoT 디바이스들은 운동 추천 시스템(10)과 직접 연결되지 않고 IoT 게이트웨이 또는 IoT 허브를 통해 연결될 수 있다. 다만, 이에 한정되는 것은 아니고 직접 연결될 수 있다.In addition, the exercise recommendation system 10 collects log data from IoT devices installed in the user's living space in order to predict the user's DISC tendency from the IoT device usage pattern. Since it is common for IoT sensors and IoT devices to exist in plurality, they are connected to other systems through an IoT gateway or IoT hub, and IoT sensors and IoT devices use low-power wireless communication protocols such as Bluetooth, Z-Wave, and ZigBee to be an IoT gateway. Alternatively, the IoT infrastructure may be configured to communicate with the IoT hub. Accordingly, the sleep sensor and IoT devices may not be directly connected to the exercise recommendation system 10 but may be connected through an IoT gateway or IoT hub. However, the present invention is not limited thereto and may be directly connected.
발명의 양상에 따라서는 수면센서 및 IoT 디바이스들과 운동 추천 시스템(10)은 데이터 교환을 위한 통신 프로토콜로 저전력의 소형기기 제어에 적합한 MQTT(Message Queueing Telemetry Transport) 프로토콜을 사용할 수 있다. MQTT 프로토콜은 사물 통신(Machine to Machine, M2M), 사물 인터넷(IoT)과 같이 대역폭이 제한된 통신 환경에 최적화된 푸시 기반의 경량 메시지 전송 프로토콜이다. MQTT 프로토콜에서는 푸시 기술에서 일반적으로 사용되는 클라이언트-서버 방식이 아닌 브로커라는 메시지 매개자를 통해 송신측에서 특정 토픽에 대한 메시지를 발행(publish)하고 해당 토픽에 대하여 수신자가 구독(subscribe)하는 방식으로 메시지를 수신한다. 따라서, MQTT 프로토콜이 사용되는 경우에는 IoT 디바이스들과 운동 추천 시스템(10) 사이에 MQTT 브로커 서버가 추가될 수 있으며, IoT 디바이스들이 로그 데이터를 토픽으로 하여 메시지를 발행하고, 운동 추천 시스템(10)이 해당 토픽을 구독하여 MQTT 브로커로부터 해당 메시지를 전달받는다.According to an aspect of the invention, the sleep sensor and IoT devices and the exercise recommendation system 10 may use an MQTT (Message Queuing Telemetry Transport) protocol suitable for low-power small device control as a communication protocol for data exchange. The MQTT protocol is a push-based lightweight message transmission protocol optimized for communication environments with limited bandwidth such as Machine to Machine (M2M) and Internet of Things (IoT). In the MQTT protocol, rather than the client-server method commonly used in push technology, the sender publishes a message on a specific topic through a message intermediary called a broker, and the receiver subscribes to the message. receive Therefore, when the MQTT protocol is used, an MQTT broker server may be added between the IoT devices and the exercise recommendation system 10, and the IoT devices issue a message with the log data as a topic, and the exercise recommendation system 10 Subscribe to this topic to receive the message from the MQTT broker.
발명의 일 양상에 따르는 운동 추천 시스템(10)은 성향 정보 수집부(100)와, 활동량 수집부(110)와, 운동 추천 엔진(120)과, 운동 추천부(130)를 포함한다.The exercise recommendation system 10 according to an aspect of the present invention includes a tendency
운동 추천 시스템(10)은 프로세서, 메모리, 하드 디스크 또는 SSD 등의 저장 장치, 네트워크 장치 등을 포함하는 서버로 구성될 수 있다. 성향 정보 수집부(100)와, 활동량 수집부(110)와, 운동 추천 엔진(120)과, 운동 추천부(130)는 메모리에 로드되어 프로세서에서 실행되는 컴퓨터 프로그램 명령어 세트이다.The exercise recommendation system 10 may be configured as a server including a processor, a memory, a storage device such as a hard disk or SSD, and a network device. The tendency
성향 정보 수집부(100)는 사전 설문조사를 분석하여 파악된 사용자의 DISC 성향과 사전 설문조사 등을 통해 파악된 사용자의 선호 운동 정보와 사용자 관심사 정보를 포함하는 성향 정보를 사용자 단말로부터 수집한다.The tendency
활동량 수집부(110)는 사용자가 착용한 웨어러블 장치로부터 칼로리 소모량을 포함하는 사용자의 활동량 데이터를 수집한다.The activity
운동 추천 엔진(120)은 사전 학습된 딥러닝 기반의 딥러닝 모델로 수집한 성향 정보와 사용자 활동량 데이터로부터 미리 정의된 데이터 스키마에 따라 학습에 사용될 변수를 선별하여 병합하고, 병합된 변수를 입력 받아 추천 운동 리스트를 출력한다. 운동 추천 엔진(120)이 성향 정보와 사용자 활동량 데이터로부터 변수를 선별하기 위해 사용하는 미리 정의된 데이터 스키마는 논문 및 학술 정보 조사를 통해 DISC 성향과 개인의 관심사와 활동량과 운동과의 연관성을 고려하여 결정한다. 이때 결정된 변수는 축적된 테스트용 데이터 셋으로 학습한 딥러닝 기반의 운동 추천 엔진(120)을 통해 검증하고, 사전 설문 조사된 사용자들의 DISC 성향과 매치되는지 따져 변경될 수 있다.The
운동 추천부(130)는 사용자의 DISC 성향과 현재 사용자의 활동량을 기초로 추천 운동 리스트에서 사용자에게 추천할 운동을 선택하여 추천한다.The
본 발명의 추가적 양상에 따르면 운동 추천 시스템(10)은 DISC 성향 예측부(140)를 더 포함할 수 있다. DISC 성향 예측부(140)는 메모리에 로드되어 프로세서에서 실행되는 컴퓨터 프로그램 명령어 세트이다.According to an additional aspect of the present invention, the exercise recommendation system 10 may further include a
DISC 성향 예측부(140)는 사용자의 생활 공간에 설치된 IoT 디바이스들의 사용에 대한 로그 데이터를 수집하고, 수집된 로그 데이터로부터 미리 정의된 데이터 스키마에 따라 학습에 사용될 변수를 선별한다. 이때 학습에 사용될 변수를 선별하기 위한 데이터 스키마는 논문 및 학술 정보 조사를 통해 DISC 성향과 IoT 디바이스들의 사용패턴과의 연관성을 고려하여 결정한다. 이때 결정된 변수는 축적된 테스트용 데이터 셋으로 학습한 딥러닝 기반의 DISC 성향 예측 모델(엔진)을 통해 검증하고, 사전 설문 조사된 사용자들의 DISC 성향과 매치되는지 따져 변경될 수 있다. 즉, 사용자의 IoT 디바이스들의 사용패턴과 DISC 성향의 높은 연관성을 나타내는 변수를 최종 선별하게 된다. DISC 성향 예측부(140)가 로그 데이터를 수집하는 IoT 디바이스들은 전동 커튼 및 조명 외에 다양한 가전 기기들이 포함될 수 있다. 예를 들어, 공기 청정기, 세탁기 등이 포함될 수 있다.The
또한, 운동 추천부(130)는 예측된 사용자의 DISC 성향을 기초로 추천 운동 리스트에서 사용자에게 추천할 운동을 선택한다.Also, the
본 발명의 추가적 양상에 따르면 운동 추천 시스템(10)은 시설 예약부(150)를 더 포함할 수 있고, 시설 예약부(150)는 운동 추천부(130)가 추천한 운동이 시설이 필요한 경우 해당 운동을 할 수 있는 시설을 예약할 수 있다. 일 예로, 운동 추천부(130)가 사용자에게 수영을 추천하고 사용자가 주로 이용하는 수영장 또는 사용자의 현재 위치에 가까운 수영장을 예약할 수 있다. 시설 예약부(150)는 메모리에 로드되어 프로세서에서 실행되는 컴퓨터 프로그램 명령어 세트이다.According to an additional aspect of the present invention, the exercise recommendation system 10 may further include a
발명의 또 다른 양상에 따르는 운동 추천 시스템(10)의 운동 추천부(130)는 사용자 단말로부터 운동 추천의 수용 여부에 대한 피드백을 수신하고, 수신한 피드백을 다음 운동 추천에 반영하여 사용자에게 운동을 제안할 수 있다.The
운동 추천 시스템(10)이 사용자에게 운동을 제안하더라도 사용자가 제안을 수용할 지 알 수 없으므로 운동 추천 시스템(10)은 사용자의 수용 여부에 대한 피드백을 수신한 다음 운동 추천에 반영하여 보다 엄밀하게 개인화된 추천을 할 수 있다.Even if the exercise recommendation system 10 proposes an exercise to the user, it is not known whether the user will accept the proposal, so the exercise recommendation system 10 receives feedback on whether the user accepts or not, and then reflects it in the exercise recommendation to personalize it more strictly can make recommendations.
본 발명의 일 실시 예에 따르면 운동 추천 시스템(10)이 사용자에게 운동을 추천하는 방법은 성향 정보 수집 단계와, 활동량 수집 단계와, 데이터 병합 단계와, 추천 운동 리스트 출력 단계와, 운동 추천 단계를 포함한다.According to an embodiment of the present invention, the method for the exercise recommendation system 10 to recommend an exercise to a user includes a tendency information collection step, an activity amount collection step, a data merging step, a recommended exercise list output step, and an exercise recommendation step. include
성향 정보 수집 단계는 사전 설문조사되어 분석된 사용자의 DISC 성향과 선호 운동 정보와 사용자 관심사 정보를 포함하는 성향 정보를 사용자 단말로부터 수집하는 단계이다.The tendency information collection step is a step of collecting the user's DISC tendency, preference exercise information, and user interest information, which are analyzed and surveyed in advance, from the user terminal.
활동량 수집 단계는 설정된 주기로 사용자가 착용한 웨어러블 장치로부터 칼로리 소모량을 포함하는 사용자의 활동량 데이터를 수집하는 단계이다. 이때 웨어러블 장치는 시계 형태, 밴드 형태 등의 착용 가능한 장치로 사용자의 활동과 관련한 다양한 정보를 수집한다. 웨어러블 장치의 종류는 제한이 없으며 칼로리 소모량, 걸음수, 이동거리 등의 활동량 정보를 획득할 수 있는 기능을 갖춘 장치이다.The activity amount collecting step is a step of collecting the user's activity amount data including calorie consumption from the wearable device worn by the user at a set period. In this case, the wearable device is a wearable device in the form of a watch or a band, and collects various information related to the user's activity. There is no limit to the type of wearable device, and it is a device with a function to acquire activity information such as calorie consumption, number of steps, and distance traveled.
데이터 병합 단계는 수집한 성향 정보와 사용자 활동량 데이터로부터 미리 정의된 데이터 스키마에 따라 학습에 사용될 변수를 선별하여 병합하는 단계이다. 성향 정보와 사용자 활동량 데이터로부터 변수를 선별하기 위해 사용하는 미리 정의된 데이터 스키마는 논문 및 학술 정보 조사를 통해 DISC 성향과 개인의 관심사와 활동량과 운동과의 연관성을 고려하여 결정한다.The data merging step is a step of selecting and merging variables to be used for learning according to a predefined data schema from the collected propensity information and user activity data. The predefined data schema used to select variables from propensity information and user activity data is determined by considering DISC propensity, personal interests, and the relationship between activity and exercise through research on papers and academic information.
추천 운동 리스트 출력 단계는 병합된 변수를 입력 데이터로 사전 학습된 딥러닝 기반의 운동 추천 엔진(120)을 통해 추천 운동 리스트를 출력하는 단계이다. 운동 추천 엔진(120)은 사전 학습된 딥러닝 기반의 딥러닝 모델로 수집한 성향 정보와 사용자 활동량 데이터로부터 미리 정의된 데이터 스키마에 따라 학습에 사용될 변수를 선별하여 병합하고, 병합된 변수를 입력 받아 추천 운동 리스트를 출력한다. The step of outputting the recommended exercise list is a step of outputting the recommended exercise list through the deep learning-based
운동 추천 단계는 사용자의 DISC 성향과 현재 사용자의 활동량을 기초로 추천 운동 리스트에서 사용자에게 추천할 운동을 선택하여 추천하는 단계이다.The exercise recommendation step is a step of selecting and recommending an exercise to be recommended to the user from the recommended exercise list based on the user's DISC tendency and the current user's activity amount.
발명의 또 다른 실시 예에 따르면 운동 추천 시스템(10)이 운동을 추천하는 방법은 로그 데이터 수집 단계와, 변수 선별 단계와, DISC 성향 예측 단계를 더 포함할 수 있다.According to another embodiment of the present invention, the method for the exercise recommendation system 10 to recommend an exercise may further include a log data collection step, a variable selection step, and a DISC tendency prediction step.
로그 데이터 수집 단계는 운동 추천 시스템(10)이 사용자의 생활 공간에 설치된 IoT 디바이스들의 사용에 대한 로그 데이터를 수집하는 단계이고, 변수 선별 단계는 운동 추천 시스템(10)이 수집된 로그 데이터로부터 미리 정의된 데이터 스키마에 따라 학습에 사용될 변수를 선별하는 단계이고, DISC 성향 예측 단계는 운동 추천 시스템(10)이 선별된 변수를 미리 학습된 딥러닝 기반의 DISC 성향 예측 엔진을 통해 사용자의 DISC 성향을 예측하는 단계이다.The log data collection step is a step in which the exercise recommendation system 10 collects log data about the use of IoT devices installed in the user's living space, and the variable selection step is predefined from the log data collected by the exercise recommendation system 10 It is a step of selecting a variable to be used for learning according to the data schema, and the DISC propensity prediction step predicts the user's DISC propensity through the DISC propensity prediction engine based on the deep learning based on the pre-trained variable in the exercise recommendation system 10 is a step to
이때, 변수 선별 단계는 학습에 사용될 변수를 선별하기 위한 데이터 스키마를 논문 및 학술 정보 조사를 통해 DISC 성향과 IoT 디바이스들의 사용패턴과의 연관성을 고려하여 결정한다. 이때 결정된 변수는 축적된 테스트용 데이터 셋으로 학습한 딥러닝 기반의 DISC 성향 예측 모델(엔진)을 통해 검증하고, 사전 설문 조사된 사용자들의 DISC 성향과 매치되는지 따져 변경될 수 있다. 즉, 사용자의 IoT 디바이스들의 사용패턴과 DISC 성향의 높은 연관성을 나타내는 변수를 최종 선별하게 된다.At this time, in the variable selection step, a data schema for selecting a variable to be used for learning is determined in consideration of the correlation between the DISC tendency and the usage pattern of IoT devices through research on papers and academic information. At this time, the determined variable can be verified through a deep learning-based DISC propensity prediction model (engine) learned from the accumulated test data set, and can be changed by checking whether it matches the DISC propensity of users surveyed in advance. That is, a variable indicating a high correlation between the user's usage pattern of IoT devices and the DISC tendency is finally selected.
발명의 또 다른 실시 예에 따르면 운동 추천 시스템(10)의 운동 추천 방법은 피드백 수신 단계를 더 포함할 수 있고, 피드백 수신 단계는 운동 추천 시스템(10)이 사용자 단말로부터 운동 추천의 수용 여부에 대한 피드백을 수신하는 단계이다. 이때, 운동 추천 단계에서 운동 추천 시스템(10)이 해당 피드백을 다음 운동 추천에 반영할 수 있다.According to another embodiment of the present invention, the exercise recommendation method of the exercise recommendation system 10 may further include a feedback receiving step, wherein the feedback receiving step determines whether the exercise recommendation system 10 accepts an exercise recommendation from the user terminal. This step is to receive feedback. In this case, in the exercise recommendation step, the exercise recommendation system 10 may reflect the corresponding feedback to the next exercise recommendation.
운동 추천 시스템(10)이 수면시간과 DISC 성향에 따라 운동을 제안하더라도 사용자가 제안을 수용할 지 알 수 없으므로 운동 추천 시스템(10)은 사용자의 수용 여부에 대한 피드백을 수신한 다음 운동 추천에 반영하여 보다 엄밀하게 개인화된 추천을 할 수 있다.Even if the exercise recommendation system 10 proposes an exercise according to the sleep time and DISC tendency, it is not known whether the user will accept the suggestion, so the exercise recommendation system 10 receives the user's acceptance or not, and then reflects it in the exercise recommendation Thus, a more rigorously personalized recommendation can be made.
도 2는 본 발명의 다양한 실시예에 따른 운동 추천 시스템이 사용자 단말에 추천한 개인화된 운동 추천 서비스의 예시를 도시한 것이다. 도 2에 도시된 것과 같이 운동 추천 시스템(10)이 사용자의 활동량이 부족하여 운동이 필요한 것으로 판단한 경우 사용자 단말을 통해 사용자에 운동(수영)을 추천하고 해당 운동(수영)을 할 수 있는 시설을 예약할 것을 제안할 수 있다. 사용자가 해당 추천에 대하여 수용 여부를 선택하면 운동 추천 시스템(10)이 이를 피드백으로 받아 다음 운동 추천에 반영한다.2 illustrates an example of a personalized exercise recommendation service recommended by an exercise recommendation system to a user terminal according to various embodiments of the present disclosure. As shown in FIG. 2 , when the exercise recommendation system 10 determines that exercise is necessary because the amount of activity of the user is insufficient, it recommends exercise (swimming) to the user through the user terminal and provides a facility for performing the exercise (swimming). You can offer to make a reservation. When the user selects whether to accept the recommendation, the exercise recommendation system 10 receives this as feedback and reflects it in the next exercise recommendation.
도 3은 본 발명의 다양한 실시예에 따른 운동 추천 시스템이 사용자의 IoT 디바이스 사용패턴을 학습하여 DISC 성향을 예측하는 절차를 도시한 절차도이다. 도 3을 참조하여 설명하면, 운동 추천 시스템(10)이 IoT 디바이스 사용패턴을 학습하여 DISC 성향을 예측하는 절차는 운동 추천 시스템(10)이 IoT 디바이스들로부터 사용이력에 대한 로그 데이터를 수집하고(S1000), 수집된 로그 데이터로부터 미리 정의된 데이터 스키마에 따라 학습에 사용될 변수를 선별한다(S1020). 선별된 변수를 딥러닝 기반의 DISC 성향 예측 엔진에 입력 변수로 제공하여 사용자의 DISC 성향을 예측한다(S1040).3 is a flowchart illustrating a procedure in which an exercise recommendation system according to various embodiments of the present invention predicts a DISC tendency by learning a user's IoT device usage pattern. 3, the exercise recommendation system 10 learns the IoT device usage pattern to predict the DISC tendency, the exercise recommendation system 10 collects log data about the usage history from IoT devices ( S1000), a variable to be used for learning is selected from the collected log data according to a predefined data schema (S1020). The user's DISC tendency is predicted by providing the selected variable as an input variable to the deep learning-based DISC tendency prediction engine (S1040).
도 4는 본 발명의 일 실시예에 따른 운동 추천 시스템의 운동 추천 절차를 도시한 절차도이다. 도 4를 참조하여 설명하면, 운동 추천 시스템(10)은 사전 설문조사되어 분석된 사용자의 DISC 성향과 선호 운동 정보와 사용자 관심사 정보를 포함하는 성향 정보를 사용자 단말로부터 수집하고(S2000), 설정된 주기로 사용자가 착용한 웨어러블 장치로부터 칼로리 소모량을 포함하는 사용자의 활동량 데이터를 수집하고(S2020), 수집한 성향 정보와 사용자 활동량 데이터로부터 미리 정의된 데이터 스키마에 따라 학습에 사용될 변수를 선별하여 병합하고(S2040), 병합된 변수를 입력 데이터로 사전 학습된 딥러닝 기반의 운동 추천 엔진(120)을 통해 추천 운동 리스트를 출력하고(S2060), 사용자의 DISC 성향과 현재 사용자의 활동량을 기초로 추천 운동 리스트에서 사용자에게 추천할 운동을 선택하여 추천한다(S2080). 운동 추천 시스템(10)이 사용자 단말로부터 운동 추천의 수용 여부에 대한 피드백을 수신하고 해당 피드백을 다음 운동 추천에 반영할 수 있다(S2100).4 is a flowchart illustrating an exercise recommendation procedure of the exercise recommendation system according to an embodiment of the present invention. Referring to FIG. 4 , the exercise recommendation system 10 collects the user's DISC tendency and preference exercise information and the user's interest information, which are analyzed and surveyed in advance, from the user terminal (S2000), and at a set period. The user's activity amount data including calorie consumption is collected from the wearable device worn by the user (S2020), and the variables to be used for learning are selected and merged from the collected propensity information and user activity data according to a predefined data schema (S2040) ), output a recommended exercise list through the deep learning-based
상기한 본 발명의 실시예는 예시의 목적을 위해 개시된 것이고, 본 발명에 대해 통상의 지식을 가진 당업자라면 본 발명의 사상과 범위 안에서 다양한 수정, 변경, 부가가 가능할 것이며, 이러한 수정, 변경 및 부가는 하기의 특허청구범위에 속하는 것으로 보아야 할 것이다.The above-described embodiments of the present invention have been disclosed for the purpose of illustration, and various modifications, changes, and additions will be possible within the spirit and scope of the present invention by those skilled in the art having a general knowledge of the present invention, and such modifications, changes and additions should be regarded as belonging to the following claims.
10: 운동 추천 시스템
100: 성향 정보 수집부
110: 활동량 수집부
120: 운동 추천 엔진
130: 운동 추천부
140: DISC 성향 예측부
150: 시설 예약부10: Exercise Recommendation System
100: tendency information collection unit
110: activity collection unit
120: exercise recommendation engine
130: exercise recommendation unit
140: DISC tendency prediction unit
150: Facility Reservation Department
Claims (7)
사용자가 착용한 웨어러블 장치로부터 칼로리 소모량을 포함하는 사용자의 활동량 데이터를 수집하는 활동량 수집부;
수집한 성향 정보와 개인 활동량 데이터로부터 미리 정의된 데이터 스키마에 따라 학습에 사용될 변수를 선별하여 병합하고, 병합된 변수를 입력 받아 추천 운동 리스트를 출력하는 사전 학습된 딥러닝 기반의 운동 추천 엔진;
사용자의 DISC 성향과 현재 사용자의 활동량을 기초로 추천 운동 리스트에서 사용자에게 추천할 운동을 선택하여 추천하는 운동 추천부를 포함하고,
운동 추천 시스템은,
상기 사용자의 생활 공간에 설치된 IoT 디바이스들의 사용에 대한 로그 데이터를 수집하고, 수집된 로그 데이터로부터 미리 정의된 데이터 스키마에 따라 학습에 사용될 변수를 선별하고, 선별된 변수를 미리 학습된 딥러닝 기반의 DISC 성향 예측 엔진을 통해 사용자의 DISC 성향을 예측하는 DISC 성향 예측부를 더 포함하고,
상기 운동 추천부는 상기 DISC 성향 예측부에서 예측된 사용자의 DISC 성향을 기초로 추천 운동 리스트에서 사용자에게 추천할 운동을 선택하며,
상기 운동 추천부가 사용자 단말로부터 운동 추천의 수용 여부에 대한 피드백을 수신하고, 해당 피드백을 다음 운동 추천에 반영하는 것을 특징으로 하는 운동 추천 시스템.
a tendency information collection unit for collecting, from the user terminal, the user's DISC tendency, preference exercise information, and personal interest information, which are analyzed and surveyed in advance;
an activity amount collecting unit that collects the user's activity amount data including calorie consumption from the wearable device worn by the user;
a pre-trained deep learning-based exercise recommendation engine that selects and merges variables to be used for learning from the collected propensity information and personal activity data according to a predefined data schema, receives the merged variables and outputs a recommended exercise list;
Includes an exercise recommendation unit that selects and recommends an exercise to be recommended to the user from the recommended exercise list based on the user's DISC tendency and the current user's activity amount,
The exercise recommendation system,
It collects log data on the use of IoT devices installed in the user's living space, selects variables to be used for learning from the collected log data according to a predefined data schema, and selects the selected variables based on pre-learned deep learning. It further includes a DISC tendency prediction unit for predicting the DISC tendency of the user through the DISC tendency prediction engine,
The exercise recommendation unit selects an exercise to be recommended to the user from the recommended exercise list based on the DISC tendency of the user predicted by the DISC tendency prediction unit,
The exercise recommendation system, characterized in that the exercise recommendation unit receives feedback on whether to accept the exercise recommendation from the user terminal, and reflects the feedback in the next exercise recommendation.
운동 추천부가 추천한 운동이 시설이 필요한 경우 해당 운동을 할 수 있는 시설을 예약하는 시설 예약부;
를 더 포함하는 운동 추천 시스템.
The method of claim 1,
a facility reservation unit for reserving a facility capable of performing the exercise if the exercise recommended by the exercise recommendation unit requires a facility;
Exercise recommendation system comprising more.
사전 설문조사되어 분석된 사용자의 DISC 성향과 선호 운동 정보와 개인 관심사 정보를 포함하는 성향 정보를 사용자 단말로부터 수집하는 성향 정보 수집 단계;
설정된 주기로 사용자가 착용한 웨어러블 장치로부터 칼로리 소모량을 포함하는 사용자의 활동량 데이터를 수집하는 활동량 수집 단계;
수집한 성향 정보와 개인 활동량 데이터로부터 미리 정의된 데이터 스키마에 따라 학습에 사용될 변수를 선별하여 병합하는 데이터 병합 단계;
병합된 변수를 입력 데이터로 사전 학습된 딥러닝 기반의 운동 추천 엔진을 통해 추천 운동 리스트를 출력하는 추천 운동 리스트 출력 단계; 및
사용자의 DISC 성향과 현재 사용자의 활동량을 기초로 추천 운동 리스트에서 사용자에게 추천할 운동을 선택하여 추천하는 운동 추천 단계를 포함하고,
상기 사용자에게 운동을 추천하는 방법은,
상기 사용자의 생활 공간에 설치된 IoT 디바이스들의 사용에 대한 로그 데이터를 수집하는 로그 데이터 수집 단계;
수집된 로그 데이터로부터 미리 정의된 데이터 스키마에 따라 학습에 사용될 변수를 선별하는 변수 선별 단계; 및
선별된 변수를 미리 학습된 딥러닝 기반의 DISC 성향 예측 엔진을 통해 사용자의 DISC 성향을 예측하는 DISC 성향 예측 단계를 더 포함하고,
상기 운동 추천 단계는 상기 예측된 사용자의 DISC 성향을 기초로 추천 운동 리스트에서 사용자에게 추천할 운동을 선택하며,
사용자 단말로부터 운동 추천의 수용 여부에 대한 피드백을 수신하는 피드백 수신 단계를 더 포함하되,
상기 운동 추천 단계에서 해당 피드백을 다음 운동 추천에 반영하는 것을 특징으로 하는 운동 추천 방법.
In a method for the exercise recommendation system to recommend an exercise to a user,
a tendency information collection step of collecting, from a user terminal, the user's DISC tendency, preference exercise information, and personal interest information, which has been analyzed and surveyed in advance;
an activity amount collecting step of collecting the user's activity amount data including calorie consumption from the wearable device worn by the user at a set cycle;
a data merging step of selecting and merging variables to be used for learning according to a predefined data schema from the collected propensity information and personal activity data;
a recommended exercise list output step of outputting a recommended exercise list through a deep learning-based exercise recommendation engine pre-trained using the merged variables as input data; and
Including an exercise recommendation step of selecting and recommending an exercise to be recommended to the user from a recommended exercise list based on the user's DISC tendency and the current user's activity amount,
How to recommend exercise to the user,
a log data collection step of collecting log data on the use of IoT devices installed in the user's living space;
a variable selection step of selecting a variable to be used for learning from the collected log data according to a predefined data schema; and
It further includes a DISC tendency prediction step of predicting the user's DISC tendency through a deep learning-based DISC tendency prediction engine trained in advance with the selected variables,
The exercise recommendation step selects an exercise to be recommended to the user from the recommended exercise list based on the predicted user's DISC tendency,
Further comprising a feedback receiving step of receiving feedback on whether to accept the exercise recommendation from the user terminal,
The exercise recommendation method, characterized in that the feedback in the exercise recommendation step is reflected in the next exercise recommendation.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190102843A KR102278104B1 (en) | 2019-08-22 | 2019-08-22 | System for recommending exercise |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190102843A KR102278104B1 (en) | 2019-08-22 | 2019-08-22 | System for recommending exercise |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20210023114A KR20210023114A (en) | 2021-03-04 |
| KR102278104B1 true KR102278104B1 (en) | 2021-07-15 |
Family
ID=75175065
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190102843A KR102278104B1 (en) | 2019-08-22 | 2019-08-22 | System for recommending exercise |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102278104B1 (en) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102329507B1 (en) * | 2021-08-24 | 2021-11-22 | (주) 올그라운드 | Sports team position receommendation system and method |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102546256B1 (en) | 2021-05-21 | 2023-06-22 | 주식회사 베니페 | A deep learning based health care service platform by vitro diagnosis and the recommendation method for health care using the same |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20130035660A (en) * | 2011-09-30 | 2013-04-09 | 주식회사 케이티 | Recommendation system and method |
| KR101886848B1 (en) * | 2016-05-27 | 2018-08-08 | 주식회사 픽플컴퍼니 | Method and program for providing personalized workout curriculum |
| KR102065577B1 (en) * | 2017-12-06 | 2020-01-13 | (사)한국인지과학산업협회 | Living in the contact type exercise motion analyzing and exercise recommending system using intelligent information technology |
-
2019
- 2019-08-22 KR KR1020190102843A patent/KR102278104B1/en active IP Right Grant
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102329507B1 (en) * | 2021-08-24 | 2021-11-22 | (주) 올그라운드 | Sports team position receommendation system and method |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20210023114A (en) | 2021-03-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Pejovic et al. | Anticipatory mobile computing: A survey of the state of the art and research challenges | |
| Baltrunas et al. | Context relevance assessment and exploitation in mobile recommender systems | |
| De Pessemier et al. | Context-aware recommendations through context and activity recognition in a mobile environment | |
| CN110766164A (en) | Method and system for performing a machine learning process | |
| KR102278104B1 (en) | System for recommending exercise | |
| US20110125700A1 (en) | User model processing device | |
| CN109814937A (en) | Application program prediction model is established, preloads method, apparatus, medium and terminal | |
| KR20210097469A (en) | SYSTEM AND METHOD PROVIDING SERVICES TO USER USING IoT DEVICES | |
| Gordon et al. | Activity recognition for creatures of habit: Energy-efficient embedded classification using prediction | |
| Méndez-Hernández et al. | A multi-objective reinforcement learning algorithm for jssp | |
| JP2021064099A (en) | Information processing apparatus, information processing system, learning model generation method, anomaly prediction method, and program | |
| JP2018101201A (en) | Policy introduction effect prediction device, policy introduction effect prediction program and policy introduction effect prediction method | |
| KR102269629B1 (en) | Washing machine control system | |
| CN103077184A (en) | Method for rule-based context acquisition | |
| TW201730838A (en) | Interactive service platform and operating method thereof | |
| Naqvi et al. | Mascot: self-adaptive opportunistic offloading for cloud-enabled smart mobile applications with probabilistic graphical models at runtime | |
| KR102257690B1 (en) | System for recommending performance | |
| KR101926620B1 (en) | MBTI-Based Recommendation Method For Resource Collaboration In IoT Environment | |
| KR102264534B1 (en) | System for recommending meditation | |
| KR102248094B1 (en) | Lighting control system | |
| US20180001140A1 (en) | Exercise schedule optimizer system | |
| KR102281159B1 (en) | Air purifier control system | |
| Rachuri et al. | Beyond location check-ins: Exploring physical and soft sensing to augment social check-in apps | |
| Xu et al. | Stochastic modeling and analysis with energy optimization for wireless sensor networks | |
| KR102426748B1 (en) | System for recommending service based on disc |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| X091 | Application refused [patent] | ||
| AMND | Amendment | ||
| X701 | Decision to grant (after re-examination) |