KR102321713B1 - 턱걸이 기구를 이용한 인공지능 기반 콘텐츠 제공 방법, 장치 및 시스템 - Google Patents

Abstract

운동 기구를 이용하여 콘텐츠를 제공하는 시스템으로서, 지면에 대하여 수직으로 배치되는 한 쌍의 바를 포함하는 베이스 프레임과, 한 쌍의 바에 탈착 가능하게 결합되고 사용자가 턱걸이 운동을 할 수 있도록 봉 형상으로 구성되는 기구부와, 외부 디바이스와 통신가능한 통신부를 적어도 포함하는 운동 기구; 운동 기구와 통신가능한 사용자 단말; 및 사용자 단말과 통신가능한 서버를 포함하고, 기구부는, 사용자의 턱걸이 횟수의 카운팅 및 사용자의 모션의 인식이 가능한 센서를 기구부의 중앙부에 구비하고, 기구부의 센서로부터 획득한 사용자의 턱걸이 횟수 및 사용자의 모션에 관한 제1 데이터를 사용자 단말로 송신하고, 사용자 단말에서 사용자의 신체 상태에 관한 제2 데이터를 입력받고, 사용자 단말로부터 서버로 제1 데이터 및 제2 데이터를 송신하고, 서버는, 제1 데이터 및 제2 데이터에 기초하여, 사용자의 운동 수행 데이터를 생성하고, 운동 수행 데이터에 대하여, 선형 회귀, 결정 트리 및 서포트 벡터 머신에 기초한 보팅 모델을 이용하여, 사용자의 운동성에 관한 시계열 데이터를 구축하고, 시계열 데이터 중 과거의 운동성 데이터 및 현재의 운동성 데이터로부터, 제1 인공 신경망을 이용하여 사용자의 신체의 피로도 및 심리 상태를 예측하는, 운동 기구를 이용하여 콘텐츠를 제공하는 시스템이 제공된다.

Description

턱걸이 기구를 이용한 인공지능 기반 콘텐츠 제공 방법, 장치 및 시스템{METHOD, APPARATUS AND SYSTEM FOR PROVIDING CONTENTS BASED ON ARTIFICIAL INTELLIGENCE USING A PULL-UP MACHINE}

아래 실시예들은 턱걸이 기구를 이용하여 인공지능 기반 콘텐츠를 제공하는 기술에 관한 것이다.

현대 한국 사회에서 최근 인구는 감소 추세에 있지만, 그 중 노년층의 비중은 급속하게 늘어나고 있다. 한국은 전체 인구 중 65세 이상의 비율이 7% 이상인 고령화 사회에서 2017년에 이미 65세 이상의 비율이 14% 이상인 고령사회로 접어들었고, 2025년에는 65세 이상의 비율이 20% 이상인 초고령사회에 이를 전망에 있다.

노년층에 있어서 신체 기능의 저하 또는 상실은 크게 뇌졸중과 같은 신경계 질환으로 인해 운동 장애를 겪는 것과 연령에 따른 근력 및 균형 감각이 감소되는 것으로 구분할 수 있다. 즉, 노년층의 재활의 핵심 목표 중 하나는 근력 강화를 통한 건강 유지이며, 이를 충족하기 위해서는 지속적인 근력 운동이 필요하다.

한편, 노년층 삶의 질과 직결되는 재활 치료 관련 산업이 빠른 속도로 성장함에 따라, 재활 운동 기구에 관한 관심이 높아지고 있다. 이 중 철봉을 이용하는 턱걸이는 상완이두근이나 등근육 뿐만 아니라 상체 근육 전체를 골고루 단련시키는 운동으로서 오랫동안 사랑을 받아 왔다. 최근에는 기구에 단순히 철봉만이 달려 있는 것이 아니라 무릎 받침대나 밴드 등 보조 장치들을 이용하여 누구나 쉽게 턱걸이를 할 수 있도록 하는 복합 운동 기구들이 많이 개발되고 있다.

이렇게 운동 기구를 사용하여 근력 운동을 지속적으로 하기 위해서는, 개개인의 운동시 신체 능력 및 건강 상태뿐만 아니라 심리 상태까지 종합적으로 고려한 운동법을 따르는 것이 바람직하며, 개개인의 능력이나 상태에 맞지 않는 운동은 재활 효과를 보지 못하거나 오히려 신체에 무리를 주는 문제가 발생하며, 개인에게 맞지 않는 근력 운동을 지속적으로 유지할 동기를 주지 못한다.

그러나, 트레이너와 같이 도움을 주는 사람이 없는 이상 운동하고 있는 사용자가 자신의 신체 상태나 심리 상태를 파악하는 것이나, 그에 맞춰 운동을 하는 것은 매우 곤란하다. 또한, 종래의 운동 기구, 특히 턱걸이가 가능한 풀업 머신을 포함하는 운동 기구에 있어서, 다양한 방식의 운동을 가능하게 하는 기능을 부가하려는 노력은 많았지만, 운동을 통해 사용자의 신체 상태 및 심리 상태를 파악하는 기능을 갖는 운동 기구는 없었다. 더욱이, 당해 운동 기구에 대한 운동법을 텍스트나 동영상 콘텐츠로 제공하는 수많은 예가 존재하여 왔으나, 운동 기구에서 운동하는 사용자의 신체 상태 및 심리 상태를 반영하여 그에 맞는 운동 콘텐츠를 제공하는 방법은 아직까지 제안된 바 없다.

등록특허공보 제10-2031243호

본 발명은 상술한 문제점들을 해결하기 위한 것으로서, 신체 기능을 회복하고자 하는 시니어들의 신체 상태 및 심리 상태에 맞춰 지속적으로 근력 운동을 할 수 있는 장치, 방법 및 시스템을 제공하는 것을 목적으로 한다. 본 발명은 특히 실버 재활에 주된 목적이 있기는 하지만, 사용자의 신체 상태 및 심리 상태에 맞춰 지속적으로 근력 운동을 제공한다는 전제 하에 다양한 목적으로 변형이 가능하다.

또한, 본 발명의 목적은 이상에서 언급한 목적들로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다.

일실시예에 따르면, 운동 기구를 이용하여 콘텐츠를 제공하는 시스템으로서, 지면에 대하여 수직으로 배치되는 한 쌍의 바를 포함하는 베이스 프레임과, 상기 한 쌍의 바에 탈착 가능하게 결합되고 사용자가 턱걸이 운동을 할 수 있도록 봉 형상으로 구성되는 기구부와, 외부 디바이스와 통신가능한 통신부를 적어도 포함하는 운동 기구; 상기 운동 기구와 통신가능한 사용자 단말; 및 상기 사용자 단말과 통신가능한 서버를 포함하고, 상기 기구부는, 상기 사용자의 턱걸이 횟수의 카운팅 및 상기 사용자의 모션의 인식이 가능한 센서를 상기 기구부의 중앙부에 구비하고, 상기 기구부의 센서로부터 획득한 상기 사용자의 턱걸이 횟수 및 상기 사용자의 모션에 관한 제1 데이터를 상기 사용자 단말로 송신하고, 상기 사용자 단말에서 상기 사용자의 신체 상태에 관한 제2 데이터를 입력받고, 상기 사용자 단말로부터 상기 서버로 상기 제1 데이터 및 상기 제2 데이터를 송신하고, 상기 서버는, 상기 제1 데이터 및 상기 제2 데이터에 기초하여, 상기 사용자의 운동 상태, 운동 조합, 운동 횟수, 운동 시간, 운동 회수별 시간 간격, 및 운동 빈도수를 포함하는 운동 수행 데이터를 생성하고, 상기 운동 수행 데이터에 대하여, 선형 회귀(linear regression), 결정 트리(decision tree) 및 서포트 벡터 머신(SVM)에 기초한 보팅 모델을 이용하여, 상기 사용자의 운동성에 관한 시계열 데이터를 구축하고, 상기 시계열 데이터 중 과거의 운동성 데이터 및 현재의 운동성 데이터로부터, 제1 인공 신경망을 이용하여 상기 사용자의 신체의 피로도 및 심리 상태를 예측하는, 운동 기구를 이용하여 콘텐츠를 제공하는 시스템이 제공된다.

상기 운동 기구를 이용하여 콘텐츠를 제공하는 시스템에 있어서, 상기 제1 인공 신경망은, 사용자들의 각 시점에서의 운동성 데이터와, 그에 대응하는 신체의 피로도 및 심리 상태를 학습 데이터로 하여 RNN(Recurrent Neural Network) 또는 LSTM(Long Short-Term Memory Model)을 이용한 기계학습 모델을 생성하고, 상기 사용자의 상기 시계열 데이터 중 과거의 운동성 데이터 및 현재의 운동성 데이터로부터, 상기 기계학습 모델을 이용하여 상기 사용자의 신체의 피로도 및 심리 상태를 예측할 수 있다.

상기 운동 기구를 이용하여 콘텐츠를 제공하는 시스템에 있어서, 상기 서버는, 상기 사용자의 신체의 피로도 및 심리 상태로부터 콘텐츠 필터링 모델을 이용하여, 운동 콘텐츠, 자세 교정 콘텐츠 및 건강 정보 콘텐츠 중 적어도 하나를 포함하는 추천 콘텐츠의 정보를 생성하고, 상기 추천 콘텐츠의 정보를 상기 사용자 단말로 송신하고, 상기 사용자 단말은, 상기 추천 콘텐츠의 정보에 기초하여 상기 추천 콘텐츠를 디스플레이하고, 상기 콘텐츠 필터링 모델은, 상기 서버의 데이터베이스 또는 상기 서버에서 접속가능한 데이터베이스에 저장된 복수의 콘텐츠들 각각의 메타데이터를 추출하고, 그 메타데이터의 출현 빈도에 따라 각각의 콘텐츠의 프로파일을 결정하고, 상기 사용자의 상기 신체의 피로도 및 심리 상태에서 선택했던 콘텐츠로부터 메타데이터를 추출하고, 그 메타데이터의 출현 빈도에 따라 사용자의 프로파일을 결정하고, 상기 사용자의 프로파일과 각각의 콘텐츠의 프로파일을 비교하여 매칭되는 콘텐츠를 상기 추천 콘텐츠로 결정할 수 있다.

상기 운동 기구를 이용하여 콘텐츠를 제공하는 시스템에 있어서, 상기 서버는, 상기 사용자의 신체의 피로도 및 심리 상태로부터 콘텐츠 필터링 모델을 이용하여, 운동 콘텐츠, 자세 교정 콘텐츠 및 건강 정보 콘텐츠 중 적어도 하나를 포함하는 추천 콘텐츠의 정보를 생성하고, 상기 추천 콘텐츠의 정보를 상기 사용자 단말로 송신하고, 상기 사용자 단말은, 상기 추천 콘텐츠의 정보에 기초하여 상기 추천 콘텐츠를 디스플레이하고, 상기 콘텐츠 필터링 모델은, 사용자들의 각각의 신체 상태, 신체의 피로도 및 심리 상태와, 사용자들의 각각이 상기 서버의 데이터베이스 또는 상기 서버에서 접속가능한 데이터베이스에 저장된 복수의 콘텐츠들로부터 선택한 콘텐츠를 학습 데이터로 하여 기계학습 모델을 생성하고, 상기 사용자의 상기 제2 데이터와 상기 신체의 피로도 및 심리 상태로부터, 상기 기계학습 모델을 이용하여 상기 추천 콘텐츠를 결정할 수 있다.

상기 운동 기구를 이용하여 콘텐츠를 제공하는 시스템에 있어서, 상기 사용자 단말은, 상기 서버로부터 상기 사용자의 운동성에 관한 시계열 데이터 중 상기 과거의 운동성 데이터 및 현재의 운동성 데이터를 수신하고, 수신된 상기 과거의 운동성 데이터 및 현재의 운동성 데이터로부터 제2 인공 신경망을 이용하여 상기 사용자의 신체의 피로도 및 심리 상태에 대한 예측값을 생성하여, 상기 예측값을 상기 서버로 송신하고, 상기 서버는, 상기 서버의 제1 인공 신경망으로부터 예측된 상기 사용자의 신체의 피로도 및 심리 상태로부터, 콘텐츠 필터링 모델을 이용하여, 운동 콘텐츠, 자세 교정 콘텐츠 및 건강 정보 콘텐츠 중 적어도 하나를 포함하는 제1 추천 콘텐츠의 정보를 생성하고, 상기 사용자 단말로부터 수신된 상기 예측값으로부터, 상기 콘텐츠 필터링 모델을 이용하여, 운동 콘텐츠, 자세 교정 콘텐츠 및 건강 정보 콘텐츠 중 적어도 하나를 포함하는 제2 추천 콘텐츠의 정보를 생성하고, 상기 제1 및 제2 추천 콘텐츠의 정보를 상기 사용자 단말로 송신하고, 상기 사용자 단말에서 상기 사용자가 제2 추천 콘텐츠를 선택하는 경우에, 상기 제2 인공신경망의 기계학습 모델로 상기 제1 인공 신경망의 기계학습 모델을 갱신할 수 있다.

일실시예에 따른 시스템은 하드웨어와 결합되어 상술한 방법들 중 어느 하나의 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램에 의해 제어될 수 있다.

일실시예에 따르면, 본 발명의 턱걸이 운동 기구를 이용하여 콘텐츠를 제공하는 시스템을 통하여, 사용자 개인의 신체 상태나 심리 상태에 맞춰 운동 콘텐츠의 제공이 가능하며, 이에 따라 사용자 개인의 신체 기능적, 심리적 만족감을 통해 근력 운동의 지속성을 확보할 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 운동 기구를 이용하여 콘텐츠를 제공하는 시스템의 구성을 나타낸 도면이다.
도 2는 일실시예에 따른 일실시예에 따른 전자 디바이스의 요소를 나타낸 도면이다.
도 3은 일실시예에 따른 운동 기구에 구비된 센서를 설명하기 위하여 운동 기구의 일부를 나타낸 도면이다.
도 4는 일실시예에 따른 센서가 감지하는 방식을 나타내는 도면이다.
도 5는 일실시예에 따른 운동 기구를 이용하여 콘텐츠를 제공하는 방법에 대한 흐름도를 나타낸 도면이다.
도 6은 일실시예에 따른 인공 신경망을 학습하는 방법을 설명하기 위한 도면이다.
도 7은 일실시예에 따른 인공 신경망의 딥러닝 모델을 갱신하는 추가 형태의 과정을 설명하기 위한 흐름도를 나타낸 도면이다.

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.

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.

실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 기기 등 다양한 형태의 제품으로 구현될 수 있다.

도 1은, 일실시예에 따른 운동 기구를 이용하여 콘텐츠를 제공하는 시스템의 구성을 나타낸다. 본 발명의 콘텐츠를 제공하는 시스템은 크게 운동 기구(100), 사용자 단말(200) 및 서버(300)로 구성될 수 있고, 운동 기구(100)와 사용자 단말(200) 간에 정보를 송수신하고, 사용자 단말(200)과 서버(300) 간에 정보를 송수신함으로써 콘텐츠를 제공할 수 있다.

일실시예에 따른 운동 기구(100)는, 지면에 대하여 수직으로 배치되는 한 쌍의 바를 포함하는 베이스 프레임(110)과, 베이스 프레임(110)의 한 쌍의 바의 상단에 결합되는 봉 형상의 기구부(120)를 포함하는 형태를 갖고 있다. 또한, 일실시예에 따른 운동 기구(100)는 사용자의 운동 상태를 입력받아 프로세싱을 통하여 외부 디바이스와 정보를 교환하는 전자 디바이스(130)를 포함하고 있다.

베이스 프레임(110), 기구부(120) 및 전자 디바이스(130)는 본 발명의 운동 기구(100)의 필수적 구성 요소이며, 그 외에 높이를 조절할 수 있는 조인트부, 양 손을 파지할 수 있는 파지부 등 운동 기능의 추가를 위한 다양한 요소들이 포함될 수도 있다.

일실시예에 따른 베이스 프레임(110)은 중앙에 사용자가 턱걸이 운동을 자유롭게 할 수 있는 공간이 마련되도록 공간을 사이에 두고 지면에 대하여 수직으로 배치되는 한 쌍의 수직바를 포함한다.

일실시예에 따른 기구부(120)는 봉 형상을 갖고 있으며 양 단부 측이 베이스 프레임(110)의 한 쌍의 수직바의 상단부와 체결되어 사용자의 체중을 견딜 수 있도록 단단하게 결합되어 있다. 기구부(120)는 직선의 봉 형상을 갖고 있을 수도 있고, 사용자의 양손의 파지 위치에 따라 운동 효과를 다르게 할 수 있도록 도 1에 도시된 것처럼 곡선의 봉 형상을 갖고 있을 수도 있다.

일실시예에 따른 전자 디바이스(130)는 예를 들어, 도 2에 도시된 것처럼 센서(131), 프로세서(132) 및 통신부(133)를 포함할 수도 있다. 센서(131), 프로세서(132) 및 통신부(133)는 각각 별개의 요소로서 구현될 수도 있고, 하나 이상의 요소를 통합한 칩 내에서 구현될 수도 있다.

일실시예에 따른 센서(131)는 사용자의 턱걸이 횟수의 카운팅 및 사용자의 모션의 인식이 가능하다. 도 3은, 일실시예에 따른 운동 기구에 구비된 센서를 설명하기 위하여 운동 기구의 일부를 나타내고 있다. 베이스 프레임(110)의 한 쌍의 수직바의 상단부와 체결된 봉 형상의 기구부(120)의 중앙부에는, 사용자가 턱걸이 운동을 했을 때 턱걸이의 횟수를 카운팅할 수 있을 뿐만 아니라, 사용자가 운동할 때 사용자의 모션의 인식이 가능한 센서(131)가 구비될 수 있다. 센서(131)의 종류로는, 예를 들어 위치 및 변위센서(Position and displacements sensors), 근접센서(Proximity sensors), 속도센서(Speed sensors), 토크센서(Torque sensors)와 같은 공지의 센서가 사용될 수도 있다. 도 3에서는, 도면 상에서의 식별을 위하여 센서(131)의 형태를 부각하여 도시했지만, 이러한 예에 한정되는 것은 아니고 기구부(120)와 일체로 형성되거나 기구부(120) 내부에 내장되어 외부에서 보이지 않을 수도 있다.

예시적인 일실시형태로서, 센서(131)는 주변 물체의 존재 또는 근접을 감지할 수 있는 근접 센서로서, 예를 들어 센서로부터 전자기장 또는 적외선과 같은 전자기파를 방출한 후 되돌아오는 신호를 검출하는 방식을 사용할 수 있고, 정전식 감응 센서, 광전감지센서가 사용될 수도 있다. 일실시예에 따른 센서(131)는, 전자기파를 방출하여 물체에 반사되어 되돌아오는 전자파를 분석함으로써 물체와의 거리를 측정하는 레이다(Radar)일 수도 있고, 펄스 레이저 신호를 방출한 후 되돌아온 시간을 측정하여, 사물의 위치, 운동 방향 및 속도 등을 확인할 수 있는 라이다(Light Detection and Ranging)일 수도 있다.

예시적인 일실시형태로서, 센서(131)는 복수의 카메라 모듈을 이용하여 물체의 2D 이미지 및 픽셀의 깊이로부터 3D 이미지를 얻을 수 있는 깊이 카메라로 구현될 수도 있다. 깊이의 인식 기술로서, 예를 들어, 스테레오(Stereo), ToF(Time-Of-Flight), 구조화된 패턴(Structured pattern) 방식이 사용될 수도 있다. 센서(131)가 깊이 카메라로 구현된 경우에는, 사용자의 신체의 근접뿐만 아니라 각 신체 부위의 움직임, 팔의 각도, 신체의 밸런스 등의 다양한 정보를 영상 정보로서 획득할 수 있다.

일실시예에 따른 센서(131)는, 기구부(120)의 양단에 있는 손잡이 사이에 부착되어 사용자의 턱걸이의 횟수를 감지할 수 있도록 성인의 손 정도의 크기를 갖는 하드웨어로 구현될 수 있다. 예를 들어, 도 4를 참고하면, 일실시예에 따른 센서(131)는, 사용자가 기구부(120)의 양단을 파지하고 도 4(a)와 같이 양팔을 편 상태로부터 도 4(b)와 같이 양팔을 접을 때, 사용자의 흉부가 봉 형상의 기구부(120)로 근접하는 것을 감지할 수도 있다. 또한, 일실시예에 따른 센서(131)는, 도 4(c)와 같이 사용자가 턱걸이 운동을 할 때 동작 중의 신체가 대칭을 이루는지 비대칭인지를 감지할 수도 있다. 또한, 그 외에 사용자의 운동 동작 중의 상체의 진동이나 운동 속도 등을 감지할 수도 있다.

이상 센서(13)에 대한 일부 예시들을 설명했지만, 위 예시들에 한정되는 것은 아니고, 턱걸이의 횟수를 측정하는 것이나, 신체의 움직임, 밸런스를 측정할 수 있는 기능이 있는 한 제한없이 본 발명의 센서에 포함될 수 있다.

도 2로 되돌아와서, 일실시예에 따른 전자 디바이스(130)의 프로세서(132)는, 센서(131)의 감지 신호에 기초하여 사용자의 턱걸이 횟수의 데이터 및 사용자의 모션 데이터를 생성하고, 통신부(133)를 제어하여 외부 디바이스로 생성된 데이터를 송신할 수 있다.

일실시예에 따른 전자 디바이스(130)의 통신부(133)는 사용자 단말(200)과 유선, 무선 또는 이들의 조합으로 구성된 네트워크를 통하여 정보를 송수신할 수 있다. 무선 통신 방식으로는 와이파이(Wi-Fi) 또는 블루투스(Bluetooth)와 같은 공지의 근거리 무선 통신 방식이 바람직하게 사용될 수 있다. 통신부(133)는 베이스 프레임(110)에 구비될 수도 있고, 위에서 언급한 바와 같이 센서(131)와 통합된 칩 내에서 구현될 수도 있다.

도 1로 되돌아와서, 일실시예에 따른 사용자 단말(200)은 예를 들어 스마트폰이나 퍼스널 컴퓨터 등으로 구현될 수 있으며, 운동 기구(100)와 유선, 무선 또는 이들의 조합으로 구성된 네트워크를 통하여 정보를 송수신할 수 있다.

일실시예에 따른 서버(300)는 콘텐츠를 제공하는 업체가 운영하는 서버로서, 사용자 단말(200)과 유선, 무선 또는 이들의 조합으로 구성된 네트워크를 통하여 정보를 송수신할 수 있다. 예시적인 일실시형태로서, 서버(300)는 송수신된 데이터 또는 저장된 데이터를 처리할 수 있는 프로세서(미도시)를 포함하거나, 적어도 그러한 프로세서에 접속가능하다. 또한, 서버(300)는 콘텐츠가 저장되어 있는 데이터베이스(미도시)를 포함하거나 또는 콘텐츠가 저장되어 있는 데이터베이스에 접속가능하다.

도 5는 일실시예에 따른 운동 기구를 이용하여 콘텐츠를 제공하는 방법에 대한 흐름도를 나타낸 도면이다.

도 5를 참조하면, 먼저 S110 단계에서, 운동 기구(100)에서 사용자의 모션 데이터를 생성한다. 예시적인 일실시형태에서, 사용자가 운동 기구(100)를 이용하여 턱걸이 운동을 할 때, 기구부(120)의 중앙부에 위치한 센서(131)에서는 사용자의 턱걸이 동작에 따른 팔과 몸의 모션을 감지하고, 그에 따른 신호를 프로세서(132)에 전달한다(도 4(a) 및 도 4(b)). 또한 프로세서(132)는 센서(131)로부터의 신호에 기초하여, 사용자가 턱걸이를 성공한 회수에 대한 데이터 및 사용자의 턱걸이 동작에 있어서 신체의 대칭 여부에 대한 데이터를 포함하는 사용자의 모션 데이터를 생성한다.

S120 단계에서, 운동 기구(100)에서는 생성된 사용자의 모션 데이터를 사용자 단말(200)로 송신한다. 예시적인 일실시형태에서, 프로세서(132)에서 생성된 사용자의 모션 데이터는 통신부(133)에 연결된 유선 또는 무선 네트워크 등을 통하여 사용자 단말(200)로 송신된다.

S130 단계에서, 사용자 단말(200)에서는 사용자로부터 사용자의 신체 데이터를 입력받는다. 예를 들어, 사용자 단말(200)에서 전용 어플리케이션을 구동하여 사용자가 직접 사용자의 신체 데이터를 텍스트로 입력할 수도 있고, 전용 어플리케이션이 사용자 단말(200)에 미리 저장된 사용자의 신체 데이터에 접근하여 얻을 수 있고, 카메라를 촬용하여 사용자의 신체 형상을 입력받을 수도 있다. 사용자의 신체 데이터로는, 예를 들어, 사용자의 나이, 신장, 체중, 체형, 기초대사량, 골밀도, 수분, 근육량, 체지방량 등이 있을 수 있고, 선호하는 운동 방식, 운동 회수, 운동 시간, 운동의 시작 시간과 같은 운동에 관련된 부가 정보나, 신체의 손상이나 부상 이력 등을 포함할 수 있다. 다만, 신체 데이터로서 본 발명의 목적에 맞는 다양한 정보가 이용될 수 있으며, 위의 예시에 한정되는 것은 아니다.

S140 단계에서, 사용자 단말(200)에서는 운동 기구(100)로부터 수신한 사용자의 모션 데이터 및 입력받은 사용자의 신체 데이터를 함께 서버(300)로 송신한다.

S150 단계에서, 서버(300)에서는 사용자의 모션 데이터 및 사용자의 신체 데이터에 기초하여 사용자의 운동 수행 데이터를 생성한다. 예시적인 일실시형태에 있어서, 운동 수행 데이터는 사용자의 운동 상태, 운동 조합, 운동 횟수, 운동 시간, 운동 회수별 시간 간격, 및 운동 빈도수를 포함할 수도 있다. 또한, 운동 수행 데이터는 사용자의 머리, 팔, 어깨, 등과 같은 신체 부위 별로 구분된 데이터일 수도 있다.

S160 단계에서, 서버(300)에서는 생성된 운동 수행 데이터에 대하여, 선형 회귀(linear regression), 결정 트리(decision tree) 및 서포트 벡터 머신(SVM)의 결과를 종합하여 투표 형식으로 최종 정답을 추론하는 보팅(Voting) 모델을 이용하여, 상기 사용자의 운동성에 관한 시계열 데이터를 구축해나간다.

보팅 모델은 복수의 분류기의 결과에 대하여 보팅(투표)을 통해 최종 예측 결과를 결정하는 방식으로서, 서로 다른 분류 알고리즘을 복수 결합하여 사용된다. 보팅의 방식으로는, 예측한 결과값들 중 다수의 분류기가 예측한 결과값을 최종 결과로 선정하는 하드 보팅(Hard Voting) 및 모든 분류기가 예측한 레이블 값의 결정 확률 평균을 구한 뒤에 가장 확률이 높은 레이블 값을 최종 결과로 선정하는 소프트 보팅(Soft Voting)이 있다.

예시적인 일실시형태로서, 사용자의 운동성 데이터는, 사용자의 턱걸이 횟수, 운동 시간, 운동 간격, 운동의 빈도수 등에 따라 사용자의 운동성의 등급을 매긴 레이블 값일 수도 있다. 또한, 사용자의 운동성 데이터는, 머리, 팔, 어깨, 등과 같은 신체 부위 별로 구분된 데이터일 수도 있다.

S170 단계에서, 서버(300)에서는 사용자의 운동성에 관한 시계열 데이터 중 과거의 운동성 데이터 및 현재의 운동성 데이터로부터, 인공 신경망을 이용하여 사용자의 신체의 피로도 및 심리 상태를 예측한다.

일실시예에 따른 인공 신경망은 딥러닝으로 학습되는 RNN(Recurrent Neural Network) 또는 LSTM(Long Short-Term Memory Model)을 이용한 기계학습 모델일 수도 있다.

예시적인 일실시형태에 있어서, 서버(300)에는 복수의 사용자들에 대하여 시점별로 각각의 운동성 데이터와 함께 그에 대응하는 신체의 피로도 및 심리 상태가 저장될 수 있다. 서버(300)에서는, 저장되어 있는 사용자들의 각 시점에서의 운동성 데이터에 대응하는 신체의 피로도 및 심리 상태의 결과 값을 학습 데이터로 사용함으로써 기계학습 모델을 학습 및 갱신시킬 수 있다.

예시적인 일실시형태에 있어서, 서버(300)에서는 사용자의 운동 수행에 관한 시계열 데이터로부터 선택된 사용자의 과거의 운동성 데이터 및 현재의 운동성 데이터를 기계학습 모델에 입력하여 사용자의 신체 피로도 및 심리 상태를 예측한다.

이를 통해, 사용자의 현재 운동 상태뿐만 아니라 운동 상태의 변화 과정을 추적할 수 있고, 그에 따른 사용자의 신체적 및 정신적 상태를 파악함과 함께, 미래의 운동성도 추론할 수 있으므로, 후술하는 콘텐츠의 추천 과정에서 보다 적합한 콘텐츠의 추천이 가능하다.

예시적인 일실시형태에 있어서, 신체 피로도는 머리, 팔, 어깨, 등과 같은 신체 부위에 따른 피로도, 부상도, 통증 정도 등의 카테고리를 나누어 정도에 따라 등급을 정한 값일 수도 있고, 심리 상태는 스트레스 상태, 긴장 상태, 운동 동기 등의 카테고리를 나누어 정도에 따라 등급을 정한 값일 수도 있으나, 이러한 예에 한정되는 것은 아니다.

S180 단계에서, 서버(300)에서는 예측된 사용자의 신체의 피로도 및 심리 상태로부터 콘텐츠 필터링 모델을 이용하여 추천 콘텐츠의 정보를 생성한다.

일실시예에 따른 추천 콘텐츠는, 예를 들어 운동 식단 콘텐츠, 운동 계획 콘텐츠, 운동 영상 콘텐츠, 운동 정보 콘텐츠, 자세 교정 콘텐츠 및 건강 정보 콘텐츠를 포함할 수도 있다. 예시적인 일실시형태에 있어서, 추천 콘텐츠는 운동 식단, 운동 계획, 운동 영상 등 소정 시나리오를 갖는 복수의 콘텐츠를 포함할 수도 있다.

예시적인 일실시형태에 있어서, 콘텐츠 필터링 모델은 콘텐츠 기반 필터링(content-based filtering) 기법을 사용할 수 있다.

이와 같은 콘텐츠 필터링 모델에서는, 서버의 데이터베이스에 저장되어 있는 복수의 콘텐츠들 각각의 메타데이터를 추출한다. 예를 들어, 운동 방법에 관한 콘텐츠, 자세 교정에 관한 콘텐츠 및 건강 정보에 관한 콘텐츠의 각각의 특성을 기술하는 메타데이터가 복수의 콘텐츠 데이터에 텍스트 데이터로 포함될 수 있다. 또한, 콘텐츠 필터링 모델에서는, 각 콘텐츠의 텍스트 데이터로부터 자연어 처리(NLP)를 통해 단어들을 식별하여 단어리스트로 가공하고, 단어들의 출현 빈도를 벡터로 표현하여 콘텐츠 프로파일을 생성할 수 있다. 또한, 콘텐츠 필터링 모델에서는, 사용자가 소정의 신체의 피로도 및 심리 상태에서 선택했던 콘텐츠들의 메타데이터를 수집하고 동일하게 단어들의 출현 빈도를 벡터로 표현하여 사용자 프로파일을 생성할 수도 있다. 이에 따라, 사용자 프로파일의 단어 벡터와 콘텐츠 프로파일의 단어 벡터와의 유사성을 비교하여 매칭되는 콘텐츠를 추천 콘텐츠로 결정할 수 있다.

예시적인 일실시형태에 있어서, 콘텐츠 필터링 모델은 협업 필터링(collaborative filtering) 기법을 사용할 수 있다.

이와 같은 콘텐츠 필터링 모델에서는, 서버의 데이터베이스에 저장된 복수의 콘텐츠들에 대하여, 복수의 사용자들을 대상으로 사용자들 각각이 그 시점에서의 신체의 피로도 및 심리 상태에서 선택한 콘텐츠를 학습 데이터로 하여 기계학습 모델을 생성할 수 있다. 이에 따라, 사용자의 현재의 신체의 피로도 및 심리 상태를 기계학습 모델에 입력하여 추천 콘텐츠를 결정할 수 있다. 예를 들어, 기계학습은 공지의 지도 학습 알고리즘으로서 선형 회귀 또는 서포트 벡터 머신을 사용할 수 있지만, 이러한 예에 한정되는 것은 아니다.

S190 단계에서, 서버(300)에서 생성된 추천 콘텐츠의 정보를 사용자 단말(200)로 송신한다. 사용자 단말(200)에서는 추천 콘텐츠의 정보를 이용하여 사용자에게 추천 콘텐츠의 목록 또는 추천 콘텐츠 자체를 디스플레이할 수 있다. 또한, 사용자 단말(200)에서는, 추천 콘텐츠의 정보와 함께 저장된 사용자의 모션 데이터 및 사용자의 신체 데이터를 이용하여, 사용자에게 실시간 음성으로 피드백을 제공하거나, 운동에 따른 소모칼로리 또는 재활 운동에 활용하는 방법 등의 정보를 사용자에게 제공할 수도 있다.

도 6은 일실시예에 따른 인공 신경망을 학습하는 방법을 설명하기 위한 도면이다.

일실시예에 따르면, 상술한 인공 신경망을 학습시키는 학습 장치는 서버(300)일 수도 있고, 나아가 사용자 단말(200)이나, 다른 별개의 주체일 수도 있다.

일실시예에 따르면, 인공 신경망은 트레이닝 샘플들이 입력되는 입력 레이어와 트레이닝 출력들을 출력하는 출력 레이어를 포함하고, 트레이닝 출력들(630)과 레이블들(640) 사이의 차이에 기초하여 학습될 수 있다. 예를 들어, 레이블들(640)은 사용자의 운동성에 대해 단계별로 등록되는 신체의 피로도 및 심리 상태의 각각에 대한 대표값에 기초하여 정의될 수 있다. 인공 신경망은 복수의 노드들의 그룹으로 연결되어 있고, 연결된 노드들 사이의 가중치들과 노드들을 활성화시키는 활성화 함수에 의해 정의된다.

학습 장치는 GD(Gradient Decent) 기법 또는 SGD(Stochastic Gradient Descent) 기법을 이용하여 인공 신경망을 학습시킬 수 있다. 학습 장치는 인공 신경망의 출력들 및 레이블들 의해 설계된 손실 함수를 이용할 수 있다.

학습 장치는 미리 정의된 손실 함수(loss function)을 이용하여 트레이닝 에러를 계산할 수 있다. 손실 함수는 레이블, 출력 및 파라미터를 입력 변수로 미리 정의될 수 있고, 여기서 파라미터는 인공 신경망 내 가중치들에 의해 설정될 수 있다. 예를 들어, 손실 함수는 MSE(Mean Square Error) 형태, 엔트로피(entropy) 형태 등으로 설계될 수 있는데, 손실 함수가 설계되는 실시예에는 다양한 기법 또는 방식이 채용될 수 있다.

학습 장치는 역전파(backpropagation) 기법을 이용하여 트레이닝 에러에 영향을 주는 가중치들을 찾아낼 수 있다. 여기서, 가중치들은 인공 신경망 내 노드들 사이의 관계들이다. 학습 장치는 역전파 기법을 통해 찾아낸 가중치들을 최적화시키기 위해 레이블들 및 출력들을 이용한 SGD 기법을 이용할 수 있다. 예를 들어, 학습 장치는 레이블들, 출력들 및 가중치들에 기초하여 정의된 손실 함수의 가중치들을 SGD 기법을 이용하여 갱신할 수 있다.

일실시예에 따르면, 학습 장치는 서버(300)의 데이터베이스로부터 신체의 피로도 및 심리 상태의 각각에 대한 레이블링된 대표값(610)을 획득할 수 있다. 레이블링된 대표값(610)은 신체의 피로도 및 심리 상태의 각각에 대해 미리 분류된 단계에 따라 레이블링될 수 있다.

일실시예에 따르면, 학습 장치는 레이블링된 대표값(610)에 기초하여 트레이닝 벡터들(620)을 생성할 수 있다. 트레이닝 벡터들(620)을 추출하는데는 다양한 방식이 채용될 수 있다.

일실시예에 따르면, 학습 장치는 트레이닝 벡터들(620)을 인공 신경망에 적용하여 트레이닝 출력들(630)을 획득할 수 있다. 학습 장치는 트레이닝 출력들(630)과 레이블들(640)에 기초하여 인공 신경망을 학습시킬 수 있다. 학습 장치는 트레이닝 출력들(630)에 대응하는 트레이닝 에러들을 계산하고, 그 트레이닝 에러들을 최소화하기 위해 인공 신경망 내 노드들의 연결 관계를 최적화하여 인공 신경망을 학습시킬 수 있다.

도 7은 일실시예에 따른 인공 신경망의 딥러닝 모델을 갱신하는 추가 형태의 과정을 설명하기 위한 흐름도이다.

도 7을 참조하면, 먼저 S201 단계에서, 사용자 단말(200)은, 서버(300)가 구축한 사용자의 운동성에 관한 시계열 데이터 중에서 서버(300)의 제1 인공 신경망을 통한 예측에 이용된 과거의 운동성 데이터 및 현재의 운동성 데이터를 서버(300)로부터 수신한다.

예를 들면, 도 5에 있어서는, 서버(300)에서는 S160 단계에서 구축한 사용자의 운동성에 관한 시계열 데이터를 S170 단계에서 그 중 과거의 운동성 데이터 및 현재의 운동성 데이터를 이용하여 제1 인공 신경망을 통해 사용자의 신체의 피로도 및 심리 상태를 예측한다. 도 7의 S201 단계에서는, 이때 이용되는 과거의 운동성 데이터 및 현재의 운동성 데이터를 서버(300) 측에서 송신하여 사용자 단말(200)에서 수신하게 된다.

S202 단계에서, 사용자 단말(200)은, 과거의 운동성 데이터 및 현재의 운동성 데이터로부터 사용자 단말(200)의 제2 인공 신경망을 이용하여 사용자의 신체의 피로도 및 심리 상태에 대한 예측값을 생성한다.

예시적인 일실시형태에서, 사용자 단말(200)에서 이루어지는 사용자의 신체의 피로도 및 심리 상태에 대한 예측값의 생성은, 도 5의 S170 단계에서 서버(300)에서 이루어지는 사용자의 신체의 피로도 및 심리 상태의 예측과 동일한 방식으로 진행될 수 있다. 즉, 사용자 단말(200)에서의 예측은, 서버(300)측에서의 예측과 동일한 입력 데이터에 기초하여 서버(300)가 아닌 다른 장치의 인공 신경망에서 예측을 하는 것에 의미가 있다.

S203 단계에서, 사용자 단말(200)은, 생성된 사용자의 신체의 피로도 및 심리 상태에 대한 예측값을 서버(300)로 송신한다.

다음으로, S204 단계에서, 서버(300)는, 제1 인공 신경망으로부터 예측된 사용자의 신체의 피로도 및 심리 상태로부터, 콘텐츠 필터링 모델을 이용하여, 운동 콘텐츠, 자세 교정 콘텐츠 및 건강 정보 콘텐츠 중 적어도 하나를 포함하는 제1 추천 콘텐츠의 정보를 생성한다. 예시적인 일실시형태에서, S204 단계에서의 서버(300)의 추천 콘텐츠 정보의 생성은, 도 5의 S180 단계에서의 추천 콘텐츠 정보의 생성과 같다.

S205 단계에서, 서버(300)는, 사용자 단말(200)로부터 수신된 예측값으로부터, S204 단계에서 사용한 동일한 콘텐츠 필터링 모델을 이용하여, 운동 콘텐츠, 자세 교정 콘텐츠 및 건강 정보 콘텐츠 중 적어도 하나를 포함하는 제2 추천 콘텐츠의 정보를 생성한다. 즉, S205 단계에서의 서버(300)의 제2 추천 콘텐츠 정보의 생성은, 사용자 단말(200) 측의 인공 신경망을 통해 예측된 값을 기초로 한 것으로서, 서버(300) 측의 인공 신경망을 통해 예측된 값을 기초로 하는 제1 추천 콘텐츠와는 상이할 수 있다.

S206 단계에서, 서버(300)는, 생성한 제1 추천 콘텐츠의 정보 및 제2 추천 콘텐츠의 정보를 사용자 단말(200)로 송신한다.

다음으로, S207 단계에서, 사용자 단말(200)에서는 수신받은 제1 추천 콘텐츠의 정보 및 제2 추천 콘텐츠의 정보를 리스트화하여 디스플레이하고, 사용자는 디스플레이된 정보를 보고 자신이 원하는 콘텐츠를 선택하게 된다.

만약 사용자가 제2 추천 콘텐츠 중 어느 하나를 선택하는 경우에는, S208 단계로 넘어가서, 사용자 단말(300)에 있는 제2 인공신경망의 기계학습 모델로 서버(200)에 있는 제1 인공 신경망의 기계학습 모델을 갱신한다. 반면, 사용자가 제1 추천 콘텐츠 중 어느 하나를 선택하는 경우에는 서버(200)에 있는 제1 인공 신경망의 기계학습 모델의 갱신은 이루어지지 않는다.

예시적인 일 실시형태에 있어서, 사용자 단말(200)에서는 제1 추천 콘텐츠 및 제2 추천 콘텐츠가 디스플레이된다. 이때 사용자가 디스플레이된 제1 추천 콘텐츠 및 제2 추천 콘텐츠의 리스트 중 어느 하나를 선택할 수 있다. 만약에 사용자가 제2 추천 콘텐츠 중 하나를 선택하게 된다면, 이는 사용자가 제2 추천 콘텐츠를 좀더 선호하는 것이라고 판단할 수 있다. 이때 제2 추천 콘텐츠는 사용자 단말(200)의 제2 인공 신경망을 통해 예측한 사용자의 신체의 피로도 및 심리 상태의 예측값을 기초로 하여 생성된 것이므로, 제2 인공 신경망의 예측이 사용자에게 보다 적합한 것이라고 판단할 수 있다.

위와 같은 갱신 방법은, 서로 다른 두개의 장치(사용자 단말 및 서버)에서 각각의 인공 신경망을 통해 예측값이 생성되는 것을 특징으로 하고, 이러한 예측값에 대한 정확도를 사용자로부터 자연스럽게 판단받을 수 있으므로, 서버측에서의 제1 인공 신경망의 예측 성능을 보다 향상시킬 수 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 상기 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. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 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. 상기된 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 상기를 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)

1. 운동 기구를 이용하여 콘텐츠를 제공하는 시스템으로서,
   지면에 대하여 수직으로 배치되는 한 쌍의 바를 포함하는 베이스 프레임과, 상기 한 쌍의 바에 탈착 가능하게 결합되고 사용자가 턱걸이 운동을 할 수 있도록 봉 형상으로 구성되는 기구부와, 외부 디바이스와 통신가능한 통신부를 적어도 포함하는 운동 기구;
   상기 운동 기구와 통신가능한 사용자 단말; 및
   상기 사용자 단말과 통신가능한 서버를 포함하고,
   상기 기구부는, 상기 사용자의 턱걸이 횟수의 카운팅 및 상기 사용자의 모션의 인식이 가능한 센서를 상기 기구부의 중앙부에 구비하고,
   상기 기구부의 센서로부터 획득한 상기 사용자의 턱걸이 횟수 및 상기 사용자의 모션에 관한 제1 데이터를 상기 사용자 단말로 송신하고,
   상기 사용자 단말에서 상기 사용자의 신체 상태에 관한 제2 데이터를 입력받고,
   상기 사용자 단말로부터 상기 서버로 상기 제1 데이터 및 상기 제2 데이터를 송신하고,
   상기 서버는,
   상기 제1 데이터 및 상기 제2 데이터에 기초하여, 상기 사용자의 운동 상태, 운동 조합, 운동 횟수, 운동 시간, 운동 회수별 시간 간격, 및 운동 빈도수를 포함하는 운동 수행 데이터를 생성하고,
   상기 운동 수행 데이터에 대하여, 선형 회귀(linear regression), 결정 트리(decision tree) 및 서포트 벡터 머신(SVM)에 기초한 보팅 모델을 이용하여, 상기 사용자의 운동성에 관한 시계열 데이터를 구축하고,
   상기 시계열 데이터 중 과거의 운동성 데이터 및 현재의 운동성 데이터로부터, 제1 인공 신경망을 이용하여 상기 사용자의 신체의 피로도를 예측할 뿐만 아니라 스트레스 상태와 긴장 상태의 정도에 따라 등급을 정한 심리 상태를 예측하고,
   상기 사용자의 신체의 피로도 및 심리 상태로부터 콘텐츠 필터링 모델을 이용하여, 운동 콘텐츠, 자세 교정 콘텐츠 및 건강 정보 콘텐츠 중 적어도 하나를 포함하는 추천 콘텐츠의 정보를 생성하고,
   상기 추천 콘텐츠의 정보를 상기 사용자 단말로 송신하고,
   상기 사용자 단말은,
   상기 추천 콘텐츠의 정보에 기초하여 상기 추천 콘텐츠를 디스플레이하고,
   상기 콘텐츠 필터링 모델은,
   상기 서버의 데이터베이스 또는 상기 서버에서 접속가능한 데이터베이스에 저장된 복수의 콘텐츠들 각각의 메타데이터를 추출하고, 그 메타데이터의 출현 빈도에 따라 각각의 콘텐츠의 프로파일을 결정하고,
   상기 사용자의 상기 신체의 피로도 및 심리 상태에서 선택했던 콘텐츠로부터 메타데이터를 추출하고, 그 메타데이터의 출현 빈도에 따라 사용자의 프로파일을 결정하고,
   상기 사용자의 프로파일과 각각의 콘텐츠의 프로파일을 비교하여 매칭되는 콘텐츠를 상기 추천 콘텐츠로 결정하고,
   상기 센서는,
   상기 사용자가 상기 기구부의 양단을 파지하고, 양팔을 편 상태에서 양팔을 접을 때, 사용자의 흉부가 봉 형상의 기구부의 중앙부로 근접하는 것을 감지함으로써, 상기 사용자의 턱걸이 운동 중에 상기 사용자의 신체가 대칭을 이루는지를 감지하는, 운동 기구를 이용하여 콘텐츠를 제공하는 시스템.
2. 제1항에 있어서,
   상기 제1 인공 신경망은,
   사용자들의 각 시점에서의 운동성 데이터와, 그에 대응하는 신체의 피로도 및 심리 상태를 학습 데이터로 하여 RNN(Recurrent Neural Network) 또는 LSTM(Long Short-Term Memory Model)을 이용한 기계학습 모델을 생성하고,
   상기 사용자의 상기 시계열 데이터 중 과거의 운동성 데이터 및 현재의 운동성 데이터로부터, 상기 기계학습 모델을 이용하여 상기 사용자의 신체의 피로도 및 심리 상태를 예측하는,
   운동 기구를 이용하여 콘텐츠를 제공하는 시스템.
3. 삭제

Images