KR102351169B1 - 빅데이터 및 인공지능 기반 색상 인지 측정 플랫폼 및 이를 이용한 색상 인지 방법 - Google Patents

Abstract

본 발명은 다수의 피험자의 단말기로부터 통신에 의해 피험자에 대한 증상을 포함하는 정보를 데이터수신부에 의해 각각 제공받는 단계; 상기 데이터수신부에 의해 각각 제공받은 상기 피험자에 대한 정보를 데이터처리부에 의해 증상군 통계로서 산출하는 단계; 상기 다수의 피험자의 단말기로부터 제공되는 색채에 대하여 동일, 유사 및 차이에 따른 피험자 각각의 선택 정보를 상기 데이터처리부가 상기 데이터수신부를 통해서 각각 수신받아, 데이터 마이닝 기반 및 클러스터링 적용을 통해서 색채 선택 패턴을 추출하는 단계; 상기 데이터처리부에 의해 머신 러닝 기법에 의해 색채 선택 패턴을 적용하여 증상군 세부별 선택 패턴을 분류하는 단계; 상기 데이터처리부에 의해 상기 증상군 선택 패턴을 통해 심리적 이상 요인을 검출하고 패턴을 그룹화하는 단계; 및 상기 데이터처리부에 의해 개별 측정에 따른 증상군 귀속 그룹 확률 추정 및 예측하는 단계;를 포함하는 빅데이터 및 인공지능 기반 색상 인지 측정 방법 및 이에 사용되는 색상 인지 측정 플랫폼에 관한 것이다.
본 발명에 의하면, 피험자들의 색상 선택에 데이터 기반의 확률, 통계적 기법을 적용해서, 선택 패턴에 의거한 클러스터링 군집 분석을 도모하여, 정신의료 분야에서 질병 및 환자 특성에 따른 유사 그룹화, 피험자의 심리 상태 추출을 가능하도록 한다.

Description

빅데이터 및 인공지능 기반 색상 인지 측정 플랫폼 및 이를 이용한 색상 인지 방법{Big data and AI-based color recognition measurement platform and method using the same}

본 발명은 색상 인지 측정 플랫폼 및 측정 방법에 관한 것으로서, 보다 상세하게는 빅데이터 및 인공지능 기반 색상 인지 측정 플랫폼 및 이를 이용한 색상 인지 측정 방법에 관한 것이다.

일반적으로, 우울증, 자살, 청소년 범죄 같은 정신 장애 및 범죄 심리가 증가 및 심화되면서, 정신 건강에 따른 심리치료 기반에서 색 정보는 중요한 인자로 자리잡고 있다.

색상은 주체의 인지심리적 상태가 투사되거나, 반영되는 인지(cognition)의 일종으로 간주된다. 특히 개인들의 학습 및 기억 정보를 드러낸다는 점에서 색상은 기호(sign) 및 메타언어(meta-language) 기반 정보처리 가능성을 시사하고 있다.

종래 색상을 통한 심리 치료와 관련되는 종래 기술로는 한국등록특허 제-1834693호의 "색채 심리치료 시스템 및 그 시스템의 제어 방법"이 제시된 바 있는데, 이는 피치료자의 뇌파를 측정하도록 상기 피치료자의 머리에 장착되는 뇌파 측정기; 상기 뇌파 측정기에 측정된 뇌파 정보를 전달 받도록 상기 뇌파 측정기와 통신 가능하게 연결되고, 상기 피치료자의 심리 상태 정보를 설문 조사 방식으로 측정하도록 형성되며, 상기 피치료자의 뇌파 정보 또는 심리 상태 정보에 따라 심리 치료용 색채 영상 정보를 선정 및 재생하도록 형성된 휴대용 단말기; 및 상기 휴대용 단말기가 재생하는 색채 영상 정보를 상기 피치료자에게 스테레오 비전 형식으로 제공하도록 상기 피치료자의 눈에 착용되는 디스플레이 기구;를 포함하고, 상기 뇌파 측정기 및 상기 디스플레이 기구는 일체로 형성되며, 상기 휴대용 단말기는 상기 색채 영상 정보를 상기 디스플레이 기구의 내부로 직접 표시하도록 상기 디스플레이 기구에 장탈착 가능하게 장착되거나, 또는 상기 색채 영상 정보를 상기 디스플레이 기구에 무선 통신 방식으로 전송하도록 상기 디스플레이 기구에 신호 전달 가능하게 연결된 것이다.

그러나, 이와 같은 종래 기술은 피험자의 심리 상태를 정확하게 추출하는데 한계를 가질 뿐만 아니라, 피험자의 편의성을 고려하고 있지 못한 문제점을 가지고 있었다.

상기한 종래 기술에 대한 문제점을 해결하기 위하여, 본 발명은 피험자들의 색상 선택에 데이터 기반의 확률, 통계적 기법을 적용해서, 선택 패턴에 의거한 클러스터링 군집 분석을 도모하여, 정신의료 분야에서 질병 및 환자 특성에 따른 유사 그룹화, 피험자의 심리 상태 추출을 가능하도록 하고, 마케팅 분야에서 취향에 따른 고객 세분화, 개인의 유사성에 따른 심리 분류, 이미지 인식에 따른 색상 패턴 정보 식별에 활용하도록 하는데 목적이 있다.

상기한 바와 같은 과제를 해결하기 위하여, 본 발명의 일 측면에 따르면, 다수의 피험자의 단말기로부터 통신에 의해 피험자에 대한 증상을 포함하는 정보를 데이터수신부에 의해 각각 제공받는 단계; 상기 데이터수신부에 의해 각각 제공받은 상기 피험자에 대한 정보를 데이터처리부에 의해 증상군 통계로서 산출하는 단계; 상기 다수의 피험자의 단말기로부터 제공되는 색채에 대하여 동일, 유사 및 차이에 따른 피험자 각각의 선택 정보를 상기 데이터처리부가 상기 데이터수신부를 통해서 각각 수신받아, 데이터 마이닝 기반 및 클러스터링 적용을 통해서 색채 선택 패턴을 추출하는 단계; 상기 데이터처리부에 의해 머신 러닝 기법에 의해 색채 선택 패턴을 적용하여 증상군 세부별 선택 패턴을 분류하는 단계; 상기 데이터처리부에 의해 상기 증상군 선택 패턴을 통해 심리적 이상 요인을 검출하고 패턴을 그룹화하는 단계; 및 상기 데이터처리부에 의해 개별 측정에 따른 증상군 귀속 그룹 확률 추정 및 예측하는 단계;를 포함하는, 빅데이터 및 인공지능 기반 색상 인지 측정 방법이 제공된다.

상기 증상군 세부별 선택 패턴을 분류하는 단계는, 상기 머신 러닝 기법이 머신 러닝 비지도 학습 기반을 적용할 수 있다.

상기 색채 선택 패턴을 추출하는 단계는, 상기 피험자의 단말기를 통해서 특정 색명에 해당하는 색채를 포함하는 유사한 색상군들을 제공하고, 상기 피험자의 단말기에 의해 상기 특정 색명에 해당하는 색채를 선택하도록 함으로써, 상기 데이터처리부가 상기 피험자에 의해 선택된 색채에 기반한 색채 선택 패턴을 추출하도록 할 수 있다.

상기 색채 선택 패턴을 추출하는 단계는, 상기 피험자의 단말기를 통해서 특정 색채와 이에 대응하여 피험자가 선택하기 위한 다수의 색채를 제공하고, 상기 피험자의 단말기에 의해 피험자가 상기 특정 색채에 대응되는 색채를 선택하도록 함으로써, 상기 데이터처리부가 상기 피험자에 의해 선택된 색채에 기반한 색채 선택 패턴을 추출하도록 할 수 있다.

상기 색채 선택 패턴을 추출하는 단계는, 상기 피험자의 단말기를 통해서 색채를 가지는 이미지를 제공하여, 상기 피험자의 단말기에 의해 피험자가 수평선 또는 수직선을 사용하여 이분하도록 함으로써, 상기 데이터처리부가 상기 피험자에 의한 이분에 기반한 중심축 적용 패턴을 상기 색채 선택 패턴을 대신하여 추출하도록 할 수 있다.

상기 색채 선택 패턴을 추출하는 단계는, 상기 피험자의 단말기를 통해서, 특정 이미지와 상기 특정 이미지의 배경 색채와 동일한 색채를 선택하기 위한 다수의 색채를 가지는 배경 이미지를 제공하여, 상기 피험자의 단말기에 의해 피험자가 상기 배경의 색채와 동일한 색채를 가지는 배경 이미지를 선택하도록 함으로써, 상기 데이터처리부가 상기 피험자에 의해 선택된 배경 이미지의 색채에 기반한 색채 선택 패턴을 추출하도록 할 수 있다.

상기 색채 선택 패턴을 추출하는 단계는, 상기 피험자의 단말기를 통해서, 특정 장면이나 포스터의 이미지와 상기 이미지에 대한 느낌에 가까운 색채를 선택하기 위한 다수의 색채를 제공하여, 상기 피험자의 단말기에 의해 피험자가 상기 느낌에 가까운 색채를 선택하도록 함으로써, 상기 데이터처리부가 상기 피험자에 의해 선택된 색채에 기반한 색채 선택 패턴을 추출하도록 할 수 있다.

상기 색채 선택 패턴을 추출하는 단계는, 상기 피험자의 단말기를 통해서, 명화 이미지와 상기 명화 이미지에 대한 느낌에 가까운 색채를 선택하기 위한 다수의 색채를 제공하여, 상기 피험자의 단말기에 의해 피험자가 상기 느낌에 가까운 색채를 선택하도록 함으로써, 상기 데이터처리부가 상기 피험자에 의해 선택된 색채에 기반한 색채 선택 패턴을 추출하도록 할 수 있다.

본 발명의 다른 측면에 따르면, 본 발명의 일 측면에 따른 빅데이터 및 인공지능 기반 색상 인지 측정 방법에 사용되는 플랫폼으로서, 다수의 피험자의 단말기로부터 통신에 의해 피험자에 대한 증상을 포함하는 정보를 수신받도록 하는 데이터수신부; 상기 데이터수신부에 의해 각각 제공받은 상기 피험자에 대한 정보를 증상군 통계로서 산출하고, 상기 다수의 피험자의 단말기로부터 제공되는 색채에 대하여 동일, 유사 및 차이에 따른 피험자 각각의 선택 정보를 상기 데이터수신부를 통해서 각각 수신받아, 데이터 마이닝 기반 및 클러스터링 적용을 통해서 색채 선택 패턴을 추출하며, 머신 러닝 기법에 의해 색채 선택 패턴을 적용하여 증상군 세부별 선택 패턴을 분류하고, 상기 증상군 선택 패턴을 통해 심리적 이상 요인을 검출하고 패턴을 그룹화하며, 개별 측정에 따른 증상군 귀속 그룹 확률 추정 및 예측하는 데이터처리부; 상기 데이터처리부에 의해 처리된 결과를 저장하는 데이터베이스부; 및 상기 데이터처리부에 의해 처리된 결과 또는 상기 데이터베이스부에 저장된 결과를 외부로 출력하는 데이터출력부;를 포함하는, 빅데이터 및 인공지능 기반 색상 인지 측정 플랫폼이 제공된다.

본 발명에 따른 빅데이터 및 인공지능 기반 색상 인지 측정 플랫폼 및 이를 이용한 색상 인지 측정 방법에 의하면, 피험자들의 색상 선택에 데이터 기반의 확률, 통계적 기법을 적용해서, 선택 패턴에 의거한 클러스터링 군집 분석을 도모하여, 정신의료 분야에서 질병 및 환자 특성에 따른 유사 그룹화, 피험자의 심리 상태 추출을 가능하도록 하고, 마케팅 분야에서 취향에 따른 고객 세분화, 개인의 유사성에 따른 심리 분류, 이미지 인식에 따른 색상 패턴 정보 식별에 활용할 수 있다.

도 1은 본 발명의 일 실시례에 따른 빅데이터 및 인공지능 기반 색상 인지 측정 플랫폼을 도시한 구성도이고,
도 2는 본 발명의 다른 실시례에 따른 빅데이터 및 인공지능 기반 색상 인지 측정 방법을 도시한 흐름도이고,
도 3 내지 도 5는 본 발명의 제 1 실시례에 따른 빅데이터 및 인공지능 기반 색상 인지 측정 방법을 설명하기 위한 도면이고,
도 6 내지 도 9는 본 발명의 제 2 실시례에 따른 빅데이터 및 인공지능 기반 색상 인지 측정 방법을 설명하기 위한 도면이고,
도 10은 본 발명의 제 3 실시례에 따른 빅데이터 및 인공지능 기반 색상 인지 측정 방법을 설명하기 위한 도면이고,
도 11은 본 발명의 제 4 실시례에 따른 빅데이터 및 인공지능 기반 색상 인지 측정 방법을 설명하기 위한 도면이고,
도 12는 본 발명의 제 4 실시례에 따른 빅데이터 및 인공지능 기반 색상 인지 측정 방법에서 제시대상을 확대하여 나타낸 이미지이고,
도 13은 본 발명의 제 5 실시례에 따른 빅데이터 및 인공지능 기반 색상 인지 측정 방법을 설명하기 위한 도면이고,
도 14 내지 도 18은 본 발명의 제 5 실시례에 따른 빅데이터 및 인공지능 기반 색상 인지 측정 방법에서 제시대상을 확대하여 나타낸 이미지이고,
도 19는 본 발명의 제 6 실시례에 따른 빅데이터 및 인공지능 기반 색상 인지 측정 방법을 설명하기 위한 도면이고,
도 20은 본 발명의 제 2 실시례에 따른 빅데이터 및 인공지능 기반 색상 인지 측정 방법에서 상관관계를 설명하기 위한 그래프이다.

본 발명은 다양한 변경에 의하여 여러 가지의 실시례를 가질 수 있으므로, 특정 실시례를 예로서 도면에 나타내어 설명하고자 한다. 또한 본 발명은 이러한 특정 실시례로 한정하는 것이 아니고, 본 발명의 기술 사상에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

이하에서는 첨부된 도면을 참조하여 본 발명에 따른 실시례에 대해서 상세히 설명하기로 하며, 도면 부호에 관계없이 동일 내지 대응하는 구성요소에 대해서는 동일한 참조 번호를 부여하고, 이에 대하여 중복되는 설명을 생략하기로 한다.

도 1은 본 발명의 일 실시례에 따른 빅데이터 및 인공지능 기반 색상 인지 측정 플랫폼을 도시한 구성도이다.

도 1을 참조하면, 본 발명의 일 실시례에 따른 빅데이터 및 인공지능 기반 색상 인지 측정 플랫폼(10)은 데이터수신부(11), 데이터처리부(12), 데이터베이스부(13) 및 데이터출력부(14)를 포함할 수 있다.

데이터수신부(11)는 다수의 피험자의 단말기(1)로부터 통신에 의해 피험자에 대한 증상을 포함하는 정보를 수신받도록 하는데, 예컨대, Wi-Fi, 3G, LTE, 5G 등을 비롯하여 다양한 유선 또는 무선 통신 방식에 의하여 단말기(1)와의 통신을 수행하도록 하고, 예컨대, 단말기(1)가 접속하기 위한 웹페이지의 제공을 위한 웹서버로 이루어지거나, 그 밖에 본 발명에서 요구하는 서비스의 제공에 필요한 다양한 서비스서버 등으로 이루어질 수 있다. 또한 데이터수신부(11)는 단말기(1)를 통한 접속시, 아이디 및 패스워드 등의 입력을 통해서 본인 인증 절차를 수행할 수 있다. 여기서, 단말기(1)는 스마트폰이나 태블릿 PC, 또는 일반 PC 또는 노트북 등을 비롯하여, 다양한 통신 기기 및 정보 처리 기기가 사용될 수 있다. 또한 단말기(1)는 본 발명에서 제공하는 서비스의 수행을 위하여, 제공되는 어플리케이션이나 프로그램의 설치 및 구동을 통해, 정해진 프로세스의 수행을 가능하도록 할 수 있다.

데이터처리부(12)는 데이터수신부(11)에 의해 각각 제공받은 피험자에 대한 정보를 증상군 별로 파악하기 위하여, 성별, 나이, 연령, 학습 및 증상 정보를 수반한 증상군 및 일반군으로 분류하고, 다수의 피험자의 단말기(1)로부터 제공되는 RGB와 CMYK를 이용한 색들에 대해 피험자가 언어 지시에 따라 선택한 색상 정보를 데이터수신부(11)를 통해서 각각 수신받아, 데이터 마이닝 기반 및 클러스터링 적용을 통해서 색채 선택 패턴을 추출하며, 머신 러닝 기법에 의해 색채 선택 패턴을 적용하여 증상군 세부별 선택 패턴을 분류하고, 증상군 선택 패턴을 통해 심리적 이상 요인을 검출하고, 개별 피험자들의 색상 선택 결과들을 수집하여 RGB, 색상, 명도, 채도값으로 환원하여 이들의 선호구간을 나타내며, 피험자의 선택 색상의 RGB, 색도, 채도 및 명도의 수량화로부터 피험자의 선택 색상의 RGB, 색도, 채도, 명도를 수량화하여 확률적 판단으로 확률에 따라 피험자가 증상군에 속하게 될 확률 추정 및 예측한다.

데이터베이스부(13)는 데이터처리부(12)에 의해 처리된 결과를 저장하고, 이에 한하지 않고 서비스 제공에 필요한 각종 데이터 및 어플리케이션이나 프로그램 또는 피험자에 대한 정보, 측정에 필요한 각종 자료 등을 포함할 수 있다.

데이터출력부(14)는 데이터처리부(13)에 의해 처리된 결과 또는 데이터베이스부(13)에 저장된 결과를 외부로 출력하도록 하는데, 이를 위해 디스플레이부나 프린터 또는 그 밖의 다양한 출력장치가 사용될 수 있다.

도 2는 본 발명의 다른 실시례에 따른 빅데이터 및 인공지능 기반 색상 인지 측정 방법을 도시한 흐름도이다.

도 2에 도시된 바와 같이, 본 발명의 다른 실시례에 따른 빅데이터 및 인공지능 기반 색상 인지 측정 방법은 본 발명의 일 실시례에 따른 빅데이터 및 인공지능 기반 색상 인지 측정 플랫폼(10)을 이용하는 방법으로서, 이에 대한 설명에서, 빅데이터 및 인공지능 기반 색상 인지 측정 플랫폼(10)의 구성에 대해서 보다 상세히 설명하기로 한다.

일반적으로 물질 기반의 색상은 세계 표준화로 사용되는‘색채 조직화’(CMYK color’Organization)에 의거한다. 제출된 색 인지 키트는 CMYK 색채조직화에 따른 색상, 명도, 채도 변환에 의거한 창의적 고안으로, 언어 지시에 따라 색상에 대한 ①개념 판단, ②선호, ③매칭, ④의미를 측정하고, 데이터 마이닝에 근접한 K-클러스터링 분석을 적용하며, 이러한 측정은 관측값을 적절한 기준으로 묶어서 그룹화 특성을 추출할 수 있다.

다수의 피험자의 단말기(1)로부터 통신에 의해 피험자에 대한 증상을 포함하는 정보를 데이터수신부(11)에 의해 각각 제공받는다(S11). 여기서 피험자의 정보로는 성별, 나이, 연령, 학습, 증상 정보 등이 해당될 수 있다.

데이터수신부(11)에 의해 피험자의 정보를 제공받으면, 데이터수신부(11)에 의해 각각 제공받은 피험자에 대한 정보를 데이터처리부(12)에 의해, 증상군 별로 파악하기 위하여, 성별, 나이, 연령, 학습 및 증상 정보를 수반한 증상군 및 일반군으로 분류하는데(S12), 데이터처리부(12)는 성별, 나이, 연령, 학습 및 증상 정보 등을 수반한 증상군 및 일반군의 통계를 산출하도록 할 수 있다.

그런 다음, 다수의 피험자의 단말기(1)로부터 제공되는 RGB와 CMYK를 이용한 색들에 대해 피험자가 언어 지시에 따라 선택한 색상 정보를 데이터처리부(12)가 데이터수신부(11)를 통해서 각각 수신받아, 데이터 마이닝 기반 및 클러스터링 적용을 통해서 색채 선택 패턴을 추출한다(S13).

색채 선택 패턴의 추출을 마치면, 데이터처리부(12)에 의해 머신 러닝 기법에 의해, 단말기에 기준색을 제시하여 15가지 색들 중에서 어느 하나를 고르도록 하여 얻은 색채 선택 패턴을 적용하여 증상군 세부별 선택 패턴을 분류한다(S14). 증상군 세부별 선택 패턴을 분류하는 단계(S14)는 머신 러닝 기법이 머신 러닝 비지도 학습 기반을 적용할 수 있다. 이러한 머신 러닝 비지도 학습은 공지된 방법을 따를 수 있다.

그런 다음, 데이터처리부(12)에 의해 증상군 선택 패턴을 통해 심리적 이상 요인을 검출하고, 개별 피험자들의 색상 선택 결과들을 수집하여 RGB, 색상, 명도, 채도값으로 환원하여 이들의 선호구간을 나타낸다(S15).

이러한 패턴의 그룹화를 마치면, 데이터처리부(12)에 의해 피험자의 선택 색상의 RGB, 색도, 채도, 명도를 수량화하여 피험자의 선택 색상의 RGB, 색도, 채도, 명도를 수량화하여 확률적 판단으로 확률에 따라 피험자가 증상군에 속하게 될 확률 추정 및 예측한다(S16). 이러한 결과 분석에는 나이브베이즈 및 K-means Clustering 기법이 사용될 수 있다. 이에 대해서 제 2, 제 5 및 제 6 실시례에서 후술하기로 하며, 이러한 분석 방법이 다른 모든 실시례에서 그대로 적용될 수 있음은 물론이다.

한편, 피험자의 단말기(1)에 제시된 색 인지 측정을 위한 키트는 방법적으로 언어와 색상의 관계에 의거한다. 예컨대,‘빨강’이라는 자연어는 하나이지만, 실세계에서 우리가 볼 수 있는 빨강색은 수십 혹은 수백 가지일 수 있다. 즉, 스펙트럼같이 빨강색에 대한 경계가 다를 수 있다는 뜻이다. 어떤 사람이 '빨강'이라는 단어를 읽거나 들었을 때, 사람마다 연상되는 (구체적으로, 색에 대한 느낌과 현상을 수용하는 행위) 고유의 빨강은 주체의 경험과 학습 환경의 차이로부터 발생할 수 있다. 언어적, 문화적, 경험적 차원에서 색상이 개인들에게 미치는 인지심리적 효력은 표현 면에서 동일하거나, 유사, 그리고 차이로 그룹화된다. 예컨대 색을 많이 사용하는 직업군, 색 환경에 많이 노출된 개인들은 색상들 간의 다양한 차이를 빠르게 식별한다거나, 색상에 대한 느낌을 형용하는 표현 어휘가 풍요로울 수 있고, 특별한 사고와 경험은 특정한 색에 대한 기억과 주의를 강화하기 때문에, 색상에 대한 회피와 선택은 무의식적으로 또는 의식적으로 개인들의 환경과 심적 상태를 암시하거나 노출한다.

색을 통한 측정이 가능하다는 점은 조작(manipulation)면에서 색이 수량적인 가산과 감산에 의해 만들어지는 산술이라는 점에 있다. 보편적으로 알려짐과 아울러, 사용하는 색 매트릭스는 CMYK 컬러 조직에 의해 산출된다. 예컨대, 순(Real) 빨강은 100이며, 마젠타100과 옐로우100의 가산값이다. 따라서, 사람들이 선택한 모든 색은 CMYK 그리고 RGB 값으로 변환되어 산술 측정이 가능하다. 이러한 색상의 수량적 측정에 기초해 데이터 마이닝에 근접한 클러스터링 기법을 통해 패턴 양상에 따른 군집화를 검출한다.

아래에서는 색채 선택 패턴을 추출하는 단계(S13)의 여러 예, 즉 제 1 실시례 내지 제 6 실시례에 따른 본 발명의 빅데이터 및 인공지능 기반 색상 인지 측정 방법을 보다 구체적으로 설명하면 다음과 같다.

<제 1 실시례>

본 발명의 제 1 실시례에 따른 빅데이터 및 인공지능 기반 색상 인지 측정 방법에서, 색채 선택 패턴을 추출하는 단계(S13)는 피험자의 단말기(1)를 통해서 특정 색명에 해당하는 색채를 포함하는 유사한 색상군들을 제공하고, 피험자의 단말기(1)에 의해 특정 색명에 해당하는 색채를 선택하도록 함으로써, 데이터처리부(12)가 피험자에 의해 선택된 색채에 기반한 색채 선택 패턴을 추출하도록 한다.

이에 따르면, 도 3에서와 같이, 6개의 빨강색 그룹 가운데 하나를 선택하는 것이다. 빨강군들 가운데 하나는 색 정보(CMYK)에서 순(real) 빨강(100%)을 포함하고, 나머지 다섯은 비슷해 보이나 정확한 색상값이 다르다. 색 분류(color classification)접근은 예컨대 빨강(Real Red= Y100+M100)를 포함해서 유사색군을 색상코드 10~15%의 비율로 노랑(R-Yellow100)과 마젠타(M100)를 혼합했다. 이외 도 5의 노랑군, 도 6의 초록군, 그 밖에 파랑군, 보라군도 동일한 방식으로 운용되었다. 도 3에서, 피험자는 지시 언어 ‘빨강’에 정합한 빨강을 선택하는데, ‘빨강’이란 지시어를 듣거나 읽고, 자신이 생각하는 ‘빨강’에 대한 선택에 의해, 색상 기억(color memory)와 기억 색상(memory color)의 차이를 관측하고자 한다. 이 실시례는 기억으로 환기하는 색상 기억과 색 항상성을 토대로 광원색에 기초한 기억 색상을 판별하는 경우로, 색상 기억과 기억색의 판정 경계에 작용하는 사전 지식과 확률, 선행 맥락을 추출하고자 한다.

고령군은 빨강군, 파랑군, 보라군에서 색명에 따른 뚜렷한 선택 빈도수가 집중적으로 나타났다. 유사색들 가운데 단일 선택은 색 분류가 가능함을 함축하며, 빨강, 파랑, 보라의 기준색 개념이 비교적 높게 나타났다는 점에서 우리는 이들을 색 구상의 고활성으로 간주했다. 고령군은 또한 노랑에서 선택 분산이 나타났고, 높지 않은 색 분별을 보였다. 대조군인 특수지적장애군은 파랑의 색 분별은 뚜렷하지만, 이를 제외한 다수의 색 군에서 높지 않은 분포를 보인다. 특히 보라군에서 분별도가 매우 낮게 나타났다는 점에서 보라색 개념이 낯설거나, 정확하지 않다고 추정했고, 보라색을 저활성 색구성군으로 간주할 수 있다.

<제 2 실시례>

본 발명의 제 2 실시례에 따른 빅데이터 및 인공지능 기반 색상 인지 측정 방법에서, 색채 선택 패턴을 추출하는 단계(S13)는 피험자의 단말기(1)를 통해서 특정 색채와 이에 대응하여 피험자가 선택하기 위한 다수의 색채를 제공하고, 피험자의 단말기(1)에 의해 피험자가 특정 색채에 대응되는 색채를 선택하도록 함으로써, 데이터처리부(12)가 피험자에 의해 선택된 색채에 기반한 색채 선택 패턴을 추출하도록 할 수 있다.

이에 따르면, 도 6 내지 도 9를 참조하면, 색채를 하나 제시하고, 이것과 대응되는 생각하는 색채를 고르도록 한다. 색상 대응(color correspondence)은 피험자의 선택 경향을 기준 색채와 반대되는 색상 선택의‘대조경향’과 비슷한 색상 선택의‘유사경향’을 관측한다. 대조와 유사에 따른 선택 패턴은 ‘특정한 판정 경계’의 경향성을 드러낸다는 점에서 유의미하다. 이 방법은 피험자의 선택 수에 따른 색상 요소들의 상관관계 값으로 RGB가 적용되며, 제시된 모든 색을 RGB값으로 전환하고, 선택 색상의 RGB값을 비교해서 기준색과‘대조’되는 선택 경향과‘유사’한 경향을 추출할 수 있다.

본 실시례에서 피험자는 왼쪽에 제시된 색원과 어울리는 색원을 오른쪽 15가지 가운데 선택한다. 각 색상의 RGB, 색상, 채도, 명도를 수량화하여 데이터셋(dataset)을 만든 후, 피험군의 선택 색상과의 관계에 대한 분석을 수행한다. 여기서, 피험자의 색 매칭(color matching) 선택을 측정한다. 제 1 실시례의 빨강, 노랑, 파랑, 초록의 색군 가운데 유사색을 제시하여, 피험자의 선택 수에 따른 색상 요소들의 상관관계 값을 구한다. 고령군의 선택 수를 집계한 결과, 색상 요소들의 상관관계 값 가운데 초록-선택수의 값이 가장 높게 나타나며, 제시된 기준색의 색상 요소를 볼 때, 가장 낮은 초록 값을 보완하는 색 선택 경향이 뚜렷하다. 이와 대조적으로 특수군은 기준색의 색상 요소들 가운데 가장 높은 값의 색 선택을 나타내며, 제시된 색상의 채도가 가장 높은 값일 때, 색 매칭에서 고채도 색상의 선택 패턴을 보인다. 고령군이 가장 많이 선택한 5행 2열의 색상의 적색 값 232는 제시색의 적색 값이 0인 것을 고려할 때, 적색 값을 보완한다. 특수군의 매칭 패턴은 기준색상의 적색 값이 0으로 가장 낮음에도 불구하고, 오히려 적색-선택수의 상관관계가 강한 음의 상관관계가 나타나므로, 이러한 점은 유사 색상을 고르는 패턴 경향일 수 있다. 노랑의 속성이 제시될 때, 고령군은 청색-선택수 간의 상관관계가 가장 높은 선택을 보인다. 노랑군의 경우, 특수군은 상관 관계값에서 특정한 패턴을 나타내지 않았다. 녹색군에 속한 녹색 값이 188인 기준색상이 제시될 때, 고령자군은 녹색 값이 높지 않은 색 선택 패턴을 나타내며, 이들은 녹색-선택수의 상관관계에서 매우 강한 음의 값으로 나타난다. 종합하면, 고령군과 특수군의 색 매칭 패턴은 매우 상반된다. 색 매칭에서 고령군은 RGB 관계값에서 기준색과‘대비’되는 색 선택 패턴을 나타내는 반면, 특수군은 제시된 기준색과‘유사’한 색 선택 패턴을 나타낸다는 점에서 색 선택 패턴의 차이를 뚜렷하게 드러냈다.

상관분석이란 확률론과 통계학에서 두 변수간에 어떤 선형적 관계를 갖고 있는지를 분석하는 방법이다. 상관관계의 정도를 파악하는 상관계수(Correlation coefficient)는 두 변수간의 연관된 정도를 나타낼 뿐 인과관계를 설명하는 것은 아니다. 상관분석에는 여러 가지 방법이 있다. 그 중에서 본 실시례에서 사용된 상관계수는 '피어슨' 상관계수이다. 피어슨 상관계수 값을 구하는 공식은 아래의 수학식 1과 같다.

여기서,

수학식 1은 두 변수 x 및 y의 경우, 이들 사이의 선형관계를 측정한다. 상관 계수의 값은 -1과 +1 사이로 가정한다. 한 변수가 증가할 때 다른 변수는 감소하는 경향이 있으면, 상관 계수는 음수이다. 반대로 두 변수가 함께 증가하는 경향이 있으면 상관 계수는 양수이다. 수학식 1이 의미하는 것은 비교하고자 하는 두 데이터간의 상관관계 정도이다. 상관관계를 설명하기 위해 예를 들면, 한 학급의 수학 점수와 영어 점수를 비교하고자 할 때, 일차적으로 그림을 그려서 확인할 수 있다.

도 20에서와 같이, 위의 그림이 1학년 1반의 수학-영어 점수 분포이고, 아래의 그림이 1학년 2반의 수학-영어 점수 분포라면, 두 학급 모두 수학 점수가 높으면 영어점수가 높고, 수학점수가 낮으면 영어점수 또한 낮음을 눈으로 확인할 수 있다. 즉, 수학점수와 영어점수 간의 양의 상관관계가 있다고 판단할 수 있다. 더 나아가서, 느낌적으로 1학년 1반이 1학년 2반보다 더 강하게 양의 상관관계가 있음을 알 수 있다. 이것은 '느낌'적으로 알 수 있는 것이지, 정량적인 수치로써 알아낸 것이 아니다. 여기서 그 정량적인 '수치' 를 계산한 값이 '상관계수'이다. 상관계수를 산출해내는 모델은 여러 가지가 있으나, 본 실시례에서처럼 '피어슨'이 제시한 방식을 따를 수 있다.

피어슨은 두 변수간의 상관관계를 계산할 때 '공분산'의 개념을 도입한다. 공분산은 2개의 확률변수의 상관정도를 나타내는 값인데, 만약 2개의 변수 중 하나의 값이 상승하는 경향을 보일 때 다른 값도 상승하면, 공분산의 값은 양수, 반대로 다른 값이 하강하는 경향을 보이면 공분산의 값은 음수가 나온다.

도 6에서, 예를 들어 G값과 선택수 사이의 공분산값을 R에서 계산해보면,

다음과 같이 240.5524 라는 값이 나오게 된다. 하지만, 이것은 '정규화'가 되어있지 않은 값이기 때문에, G 값과 선택수 사이의 양의 상관관계가 있는 것은 알겠는데, '표준적으로' 또는 '일반적으로' 얼마나 양의 상관관계가 있는지를 모른다. 그래서 '정규화' 까지 시켜준 것이 '상관계수'값이다. 정규화를 시키면 상관계수값은 -1 ~ +1 사이의 값으로 나온다.

정규화에 의해, 상관계수값은 0.392261이라는 수치가 나온다. 피어슨 상관계수 값은 다음과 같이 선형관계를 나타낸다.

r이 -1.0과 -0.7 사이이면, 강한 음적 선형관계,

r이 -0.7과 -0.3 사이이면, 뚜렷한 음적 선형관계,

r이 -0.3과 -0.1 사이이면, 약한 음적 선형관계,

r이 -0.1과 +0.1 사이이면, 거의 무시될 수 있는 선형관계,

r이 +0.1과 +0.3 사이이면, 약한 양적 선형관계,

r이 +0.3과 +0.7 사이이면, 뚜렷한 양적 선형관계,

r이 +0.7과 +1.0 사이이면, 강한 양적 선형관계를 가진다.

이에 따르면, 위의 0.392261이라는 상관계수값은 G값과 선택수 사이에 뚜렷한 양적 선형관계가 있는 것이다. 즉, G값이 증가할수록 선택을 많이 하고 있다는 것이다. 이는 G값이 커지면 선택수도 커지는 경향을 보이게 된다.

반대의 경우를 생각해보자면, 만약 상관계수값이 -0.392261이 나왔다고 한다면, 뚜렷한 음적 선형관계가 있는 것이므로, G값이 낮으면 선택을 많이 했다는 것이다.

본 실시례의 경우 G가 높을수록 선택을 많이 했고, B 수치가 높을수록 선택을 많이 한 것이다. 그러나, 이는 순전히 빨간색의 영역, 즉, 어울리는 색상을 보고 '고르세요' 하는 선택지들만 놓고 분석을 한 결과이고, '어울리는 색상' 과는 연관짓지 않은 결과이다. 그래서 여기서 이제 직관을 통한 분석이 필요하다.

R값은 상관계수가 -0.18442이므로 의미가 없다. G는 높을수록 선택을 많이 했는데, 기준색상 G값은 높지 않다. 그러므로 고령군이 '기준색상의 G값에 반대되는 방향으로, 즉, G값이 기준색상에는 별로 없었는데, G값이 많이 들어있는 색들을 골랐다' 는 결론을 얻을 수 있다.

B 또한 그 수치가 높을수록 선택을 많이 했는데, 기준색상 B값은 120으로 0~255 에서 중간 정도에 위치한다고 볼 수 있다. 고령군이 '기준색상의 B값이 중간정도 되는데, 그것과 어울리는 색상으로 B값이 많이 들어있는 색들을 골랐다' 는 결론을 얻을 수 있다.

본 실시례에서 유의미한 결과가 G이다. 기준색상에는 G값이 낮았는데, 고령군이 많이 선택한 색들을 보면 G값이 높게 나왔다. 또한 B도 비교적 유의미한 결과를 나타낸다. 기준색상에 B값이 0~255의 중간 정도 수치를 갖고 있었는데, 그것을 더 채워주는 느낌으로 B값을 높은 쪽으로 선택한 것이다.

똑같은 테스트를 특수지적장애 아동군에서 한 결과를 보면, 유의미한 상관계수가 없음을 알 수 있다.

도 7을 참조하면, 다른 테스트로서, 고령군 상관관계에서 살펴보면, 의미없다. 반면, 특수아동군에서 보면, R-선택수에 의미있는 음의 상관관계가 나타났다. 즉, R값이 작을수록 선택을 많이 했다는 것이다. 기준색상의 R값은 0이었다. 기준색상에는 R값이 아예 없었는데, 이와 비슷하게 R값이 작을수록 선택을 많이 한 것이다. 그런데 이를 통해 '특수 지적발달장애 청소년군' 은 'R값이 낮은 색상을 제시하면, 그와 어울리는 색깔로 R값이 낮은 색상을 많이 선택한다' 라고 일반화할 수 없다.

도 8을 참조하면, 또 다른 테스트로서, 기준 색상이 R값이 굉장히 높게 나왔다. 그런데, 특수 지적발달장애 청소년군의 선택 경향을 보니, R값이 낮을수록 선택을 많이 했다.

이와 같이, 도 6의 고령군 첫번째 테스트에서, 기준색상의 G가 낮았더니 G가 높은 값을 골랐다. 기준색상의 B가 중간이었더니 B가 높은 값을 골랐다. 이러한 결과는 도 7의 고령군 두번째 테스트에서 나오지 않았다. 도 6의 특수아동군 첫번째 테스트에서, 기준색상의 채도가 중간 정도 되니, 채도가 높은 쪽으로 골랐다. 도 7의 특수아동군 두번째 테스트에서 기준색상의 R값이 낮을수록 R가 낮은 값을 골랐다. 또, 기준색상의 채도가 높았더니, 낮은 채도를 많이 골랐다. 도 8의 고령군 세번째 테스트에서 기준색상의 B가 낮았더니, B가 높은 쪽으로 골랐다. 도 9의 고령군 네번째 테스트에서 기준색상의 G가 중간 정도 되었더니 G가 낮은 쪽으로 많이 골랐다. 기준색상의 B값이 낮았더니 B가 낮은 쪽으로 골랐다. 기준색상의 명도가 중간 정도 되었더니, 명도가 낮은 쪽으로 골랐다. 도 8의 특수 아동군 세번째 테스트에서 기준색상의 R값이 높았더니 R이 낮은 쪽으로 많이 골랐다. 기준색상의 G값이 높았더니 G값이 높은 쪽으로 매우 많이 골랐다. 기준색상의 B값이 낮았더니 B값이 높은 쪽으로 매우 많이 골랐다. 기준색상의 채도값이 중간 정도되니 채도가 낮은 쪽으로 많이 골랐다. 기준색상의 명도 값이 중간정도 되니 명도가 높은 쪽으로 많이 골랐다. 도 9의 특수 아동군 네번째 테스트에서, 기준 색상의 G가 중간쯤 되니 G가 낮은 쪽으로 많이 골랐다. 기준색상의 B값이 낮았더니 B값이 낮은 쪽으로 많이 골랐다. 기준색상의 명도가 중간쯤 되니 명도가 낮은 쪽으로 많이 골랐다.

그러므로, 'R값이 높더니 R값을 많이 골랐다' 이런 식으로 한가지 색상이 한가지 색상에 영향을 끼친다고 볼 수 없으며, 각각이 다른 상황에서 R,G,B, 채도, 명도를 의미있게 선택하는 결과가 나옴으로써, 기준 색을 보고 색상을 선택할 때 의미있게 선택하는 경향과 경우가 있음을 알 수 있다.

<제 3 실시례>

본 발명의 제 3 실시례에 따른 빅데이터 및 인공지능 기반 색상 인지 측정 방법에서, 색채 선택 패턴을 추출하는 단계(S13)는 피험자의 단말기(1)를 통해서 색채를 가지는 이미지를 제공하여, 피험자의 단말기(1)에 의해 피험자가 수평선 또는 수직선을 사용하여 이분하도록 함으로써, 데이터처리부(12)가 피험자에 의한 이분에 기반한 중심축 적용 패턴을 색채 선택 패턴을 대신하여 추출하도록 할 수 있다.

이에 따르면, 도 10을 참조하면, 수평선 및 수직선을 사용하여 주어진 대상을 이분(二分)으로 나누는 측정이다. 일반적으로 형태를 기본적으로 도형기하에 입각해서 재인할 수 있다. 예를 들어, 둥근 구형은 전형적인 완전한 구형 및 일그러진 변형으로 구분 가능하다. 이때 형태의 전형 및 변형은 수직선 및 수평선이 보이지 않게 적용되는데, 이는 피험자의 시각계 프레임 안에서 작용하는 중심축을 추정하게 한다. 이에 도형기하 측면에서 완전한 형태와 변형 형태에 대한 이분 측정은 그어진 선을 토대로‘선의 기울기’및‘선이 중심으로부터 떨어진 거리’와 연관해서 중심축 왜곡에 대한 두 개의 데이터를 산출한다. 이분 측정에 의거한 선의 기울기는 대상에 대해 직관적으로 적용되며, 항상 일정하게 유지된다는 점에서 중심축 적용 패턴은 형태 재인과 발생적 연관을 추정하게 한다.

즉 본 실시례에서는 수평선 및 수직선을 사용하여 주어진 대상을 이분(二分)으로 나누는 측정이다. 고령군과 특수군은 전형적인 구형 및 일그러진 변형 및 잎이 풍성한 넓은 면적과 잎이 없는 좁은 나무 형태를 수직선 및 수평선을 이용하여 이분한다. 피험자의 시각계 프레임 안에서 작용하는 중심축 작동을 전제로 결과값 도출을 위해‘선의 기울기’및‘선이 중심으로부터 떨어진 거리’와 연관된 두 개의 데이터를 산출한다. 결과는 피험군 모두는 구형의 전형과 변형에서 의미 있는 상관관계 값을 보였으며, 면적이 넓을수록 이분선의 기울기가 0에 근접하고 중심으로부터 원거리 패턴 경향을 보였다. 이분 선긋기에서 고령군과 특수군 모두 결과값이 대체로 유사하며, 선의 기울기가 0에 가까울수록(수평에 가까울수록) 선이 중심에서 멀어지는 패턴을 보였고, 구형의 전형과 변형 모두 선 기울기 값이 대략적으로 비슷하다. 특히 피험군은 변형의 형태에서 중심축에 대한 왜곡이 강했는데, 일반적으로 이분 측정에서 선의 기울기는 대상에 대해 직관적으로 적용되며, 항상 일정하게 유지된다는 점에서 수평선 및 수직선 적용은 중심축 적용 패턴은 시각계의 중요 원리임을 확인시킨다.

<제 4 실시례>

본 발명의 제 4 실시례에 따른 빅데이터 및 인공지능 기반 색상 인지 측정 방법에서, 색채 선택 패턴을 추출하는 단계(S13)는 피험자의 단말기(1)를 통해서, 특정 이미지와 특정 이미지의 배경 색채와 동일한 색채를 선택하기 위한 다수의 색채를 가지는 배경 이미지를 제공하여, 피험자의 단말기(1)에 의해 피험자가 배경의 색채와 동일한 색채를 가지는 배경 이미지를 선택하도록 함으로써, 데이터처리부(12)가 피험자에 의해 선택된 배경 이미지의 색채에 기반한 색채 선택 패턴을 추출하도록 한다.

여기서, 복합형 색 인지 비교 테스트가 이루어지는데, 이 테스트는 3가지 연속적으로 이어져 모방과 추상 형태 측정, 형태 재인과 색상의 영향을 추출한다. ①자연물, 인공물, 숫자, 글자, 일러스트로 구성된 키트는 색각 시각을 제외하고, 정상인의 경우 100%에 가까운 정답률을 보이지만, 증상군의 경우, 50%를 넘지 못한다. 또한 정상인의 경우도 형태적 특성을 포착하는 경우와 포착하지 못하는 경우를 구분가능하다. ② 색상에 대한 정서적 인상을 추출하는 경우로, 우리는 (2-1.)인물사진이 들어있는 색상군과 (2-2.)인물사진이 제거된 색상군을 통해 피험자의 색에 대한 정서적 의미의 희노애락을 관측하며, 인물 사진과 그림적 실루엣에 따라 색상 의미의 변화를 확인하기 위함이며, 선택 일치율을 분석할 수 있다. ③ 심리학자 로저 세퍼드의 그림을 응용한 테스트로, 빨강 노랑, 파랑, 보라의 경계선을 따라 피험자는 형태를 상상해서 언어로 표명하는 테스트로 추상 형태에 피험자의 심적 상황이 투사된다는 점을 입증하며, 형태에 대한 색의 영향을 드러내는 상상적 형태 재인에 관한 테스트이다.

본 실시례에서 결과는 색을 배경으로 동일 선택을 측정하였는데, 선택 일치율이 전반적으로 낮게 나타났다. 원인은 실제 인물 사진과 그림자의 그래픽의 효과로부터 차이가 비롯하며, 배경과 전경에 대한 인지 측정은 고령군 및 특수군 모두 그 형태가 동물 및 괴물이라는 선택수가 가장 높았다. 정밀한 직관과 관찰이 요구되는 제시 대상 형태 읽기는 고령군은 평균 78.6%의 정답률을 보인 반면, 특수군은 54.6%를 나타낸다. 특히 특수군은 숫자 및 자연물 인지에서 각각 46.3%와 41.5%의 낮은 정답률을 보였고, 가장 높은 정답률의 68.3%을 고려할 때도 클래스 속성 분류에 접근하지 못하는 취약함을 보인다.

<제 5 실시례>

본 발명의 제 5 실시례에 따른 빅데이터 및 인공지능 기반 색상 인지 측정 방법에서, 색채 선택 패턴을 추출하는 단계(S13)는 피험자의 단말기(1)를 통해서, 특정 장면이나 포스터의 이미지와 이미지에 대한 느낌에 가까운 색채를 선택하기 위한 다수의 색채를 제공하여, 피험자의 단말기(1)에 의해 피험자가 느낌에 가까운 색채를 선택하도록 함으로써, 데이터처리부(12)가 피험자에 의해 선택된 색채에 기반한 색채 선택 패턴을 추출하도록 할 수 있다.

본 실시례는 통계적 접근에 따른 Bayes의 판정 모델 테스트이다. 과거의 TV 광고들 장면, 선전용 포스터 등을 보여주고 느낌이 가장 가까운 색을 색 원반에서 고르게 하는 테스트이다.

통계적 접근에 따른 Bayes의 판정 모델 적용에 의하여, 고령군과 특수군 부류의 특징값을 갖는 패턴 발견의 확률 밀도는 아래의 수학식 2의 Bayes의 공식을 따른다.

본 실시례와 후술하게 될 제 6 실시례에서 공통적으로 해당하는 사항으로서, 나이브 베이즈 분류는 조건부 확률을 이용한 모델이다. 예를 들어 학생수가 30명인 한 학급에 키가 170cm 이상인 학생의 수가 10명이고, 남자의 수가 15명이고, 키가 170cm 이상이면서 남자인 수는 7명이라 한다면, 키가 170cm 이상일 확률 P(A) =10/30 =1/3이고, 남자일 확률 P(B) = 1/2이고, 키가 170cm 이상이면서 남자일 확률 P(A∩B)=7/30이다. 그렇다면, 키가 170cm 이상인 사람 중에서 한 명 골랐을 때, 남자일 확률은 P(B|A) =

= (7/30)/(1/3) = 7/10 이다.

그렇다면, 여기까지의 정보로 우리가 P(A|B)를 유추할 수 있다.

P(A|B) =

-> 즉, P(B|A)를 알고 있는 상태에서는 P(A|B)를 유도해낼 수 있다. 즉, 키가 170cm 이상인 사람 중에 한 사람 딱 골랐을 때, 남자일 확률을 알고 있다면, 남자 중에 딱 한 사람 골랐을 때 키가 170cm 이상일 확률을 알 수 있다. 이를 제 5 실시례 및 제 6 실시례에 이용한 것이다.

즉, 그림 하나를 보여주고, 그 그림의 느낌을 표현하는 색 하나를 고르라고 한다. 그러면, 원반 안에 수많은 색상이 있는데, 각각의 색상을 고른 확률들이 나올 것이다. 예를 들어 데이터를 다 합쳤을 때, 요양원에 계신 분들의 데이터 개수가 20개이고, 특수학교 친구들의 데이터 개수가 10개이고, 요양원 계신 분들중 색상 A를 고른 사람의 수가 5명이면,

P(요양원) = 20/30 = 2/3

P(특수학교) = 10/30 = 1/3

P(색상A | 요양원) =

=(1/6)/(2/3)=1/4 이다.

따라서 색상 A를 고른 사람들 중 한 명만을 딱 골랐을 때, 요양원에 계신 분일 확률을 구할 수 있는 것이다. 즉 P(요양원 | 색상A) 를 구할 수 있는 것이다.

본 실시례와 후술하게 될 제 6 실시례에서 P(색상 A, 색상 B, 색상 C, …| 요양원)의 확률을 알 수 있으므로, P(요양원 | 색상 A, 색상 B, 색상 C, …)인 확률도 구할 수 있다는 것이다. 이는 데이터를 정리하면, 요양원에 계신 분들 중에 색상 A를 고른 확률, 색상 B를 고른 확률, 색상 C를 고른 확률, …등등 확률이 나오게 된다. 이를 통해 새로운 데이터가 주어지면, 예를 들어 첫번째 그림은 색상 D를 고르고, 두번째 그림은 색상 C를 고르고, 세번째 그림은 색상 E를 고르고, 마지막 네번째 그림에서는 색상 H를 고른 사람은 요양원에 있는 사람일까? 아니면 특수학교에 있는 사람일까? 를 예측할 수 있게 된다.

즉, 기존의 확률을 미리 다 계산 가능하므로, 새로운 데이터가 주어지면, 그 데이터의 주인이 요양원에 있는 사람인지, 특수학교에 있는 사람인지를 맞출 수 있게 되는 것이다.

<제 6 실시례>

본 발명의 제 6 실시례에 따른 빅데이터 및 인공지능 기반 색상 인지 측정 방법에서, 색채 선택 패턴을 추출하는 단계(S13)는 피험자의 단말기(1)를 통해서, 명화 이미지와 명화 이미지에 대한 느낌에 가까운 색채를 선택하기 위한 다수의 색채를 제공하여, 피험자의 단말기(1)에 의해 피험자가 느낌에 가까운 색채를 선택하도록 함으로써, 데이터처리부(12)가 피험자에 의해 선택된 색채에 기반한 색채 선택 패턴을 추출하도록 할 수 있다.

본 실시례는 도 19에서와 같이, 통계적 접근에 따른 Bayes의 판정 모델 테스트이다. 명화들을 보여주고 느낌이 가장 가까운 색을 색 원반에서 고르게 하는 테스트이다. 이는 고령군과 특수군의 그림을 적용해서 양자의 그림 검출을 시도한다. Navie Bayes Classifier를 활용한 접근은 무채색, 유채색 광고포스터, 명화 및 사진 이미지를 이용한 색 열 선택을 가산한 검출을 토대로 실행했고, 그 결과, 98빅데이터 및 인공지능 기반 색상 인지 측정 플랫폼의 예측율을 보여주는데, 이는 노령군과 특수아동군이 색 인지 패턴의 차이를 분명하게 드러낸다는 점을 의미한다.

이와 같은 본 발명에 따르면, 색상은 주체의 인지심리적 상태가 투사 괴거나 반영되는 인지(cognition)의 일종으로 간주된다. 특히 개인들의 학습 및 기억 정보를 드러낸다는 점에서 색상은 기호(sign) 및 메타언어(meta-language) 기반 정보처리 가능성을 시사하고 있다. 본 발명은 개인 및 그룹의 동일성, 유사성, 차이에 따른 ‘선택 패턴 추출’을 통해 유사한 개체나 사람들을 그룹 짓는 군집화, 특정 대상들 간의 발생 관련성을 파악하는 연관성 분석을 제시한다.

본 발명은 색채 환경의 연관, 인과, 상관관계를 통해 사람들이 갖고 있는 인지심리적 특성을 추출하여, 다양한 분야에 활용될 수 있다. 예컨대 산업분야(의상, 미디어, 건축, 미술, 장식분야의 소비자가 발달장애를 가지고 있는 경우 어떠한 색을 사용해야 하는지 지도해주는 역할 등), 교육분야(아동 지능인지학습, 기억 향상을 위한 교재 등), 의료분야(심리치료, 인지, 발달치료, 언어치료에 활용할 수 있는 심리테스트 키트 및 방법의 일체 등) 등에 적용 및 응용을 기대할 수 있다. 기타 유형으로는 범죄심리학 분야의 검사 키트, 기업의 성격 유형검사, 범죄 심리 등에 활용될 수 있다.

색 판단 및 색 매칭에 대한 피험자의 선택은 빨강, 파랑, 노랑, 초록, 보라의 모집단에서 판단에 따른 패턴이며, 이들은 전형성 및 임의성으로 구분될 수 있다. 결과로 제시된 히스토그램은 패턴의 차이를 유표하며, 선택 패턴은 고령군과 특수군의 색 인지에 관계된‘특정한 판정 경계’decision boundary)의 작동을 이른다. 무엇보다 색 인지 관점에서 이러한 패턴들이 피험자군의 경향성을 드러낸다는 점에서 이들의 패턴 분류는 충분한 추정과 함께 논의 안으로 들어선다. 제 1 실시례 및 제 2 실시례의 단일색 판단과 색 매칭 특정은 고령군의 패턴 성향이‘대비’에 가깝고, 특수군이‘유사’에 가까운‘반응성’을 보인다는 점에서 우리는 색 자극으로부터 떨어진 반향성(反響性)과 자극으로의 향성(向性)을 가늠할 수 있다.

색 인지 측정에서 패턴(pattern)이 의미하는 바는 색명과 색 구상(color conception)간의 구조적 관계가 간단하고 자연스럽게 드러난다는 점에서, 개인 및 집단의 개념적‘분류’를 표시한다. 또한 기준과 분류의 관계에서도 양자는 우리가 빨강을 단일 클래스의 공유 속성으로 수용하고 있는지, 아니면 빨강 클래스 구성의 우연적 속성으로 간주하는지를 나타낼 수 있다. 그러나 분류와 판정이 인지적 준거임에도 색명에 기초한 선택은 선호 지각으로 기울 수 있으며, 색명에 따른 학습 적응의 산물로 고려할 수 있다. 유사색 군에서 단일색 판단에 소요되는 시간은 피험자들이 빨강에 일치하는 구성 객체들의 질감 밀도 및 포화도, 밝기, 채도에 따른 선택 결정자의 민감성과 몰입의 한계 역치를 드러내기도 한다. 형태 및 질감과 함께 색의 특성이 불변하다는 점에서 색 인지 패턴 접근은 증상군에게 그 응용이 가능할 수 있는데, 우선적으로 패턴이 특정한 환경 범주와 일상의 주소지로 귀속되어 증상군의 환경, 상황, 그리고 상태를 유표한다는 점에서 가능하며, 또한 선택 패턴이 색 구상 면에서 유사성과 차이가 작용하는 인지적 감산과 가산에 따른 특징값의 표시로서 색 정보 처리의 압축과 축소를 드러낸다 할 수 있다.

형태 인지 처리를 측정하는 제 3 실시례의 결과는 형태 지각에 대한 대다수의 이론들이 기하학적 컴퓨테이션(예를 들어, 곡률, 대칭, 수직구조)에 초점을 맞추는 것에 반해서 형태 표상이 어떤 대상의 인과적 기원, 즉 대상을 형성했던 과거의 과정으로부터 영향을 받는다는 점을 주목한다. 대상 형태의 전형과 변형에 작용하는 중심축의 비중과 설정 패턴은 운동 지각의 균형 및 대상과의 심적 거리에 연관되어진다.

색명과 선택 빈도수의 관계 패턴의 히스토그램은 색 지각과 인지적 선행의 요인을 나타냈다. 고령군에게‘매칭’혹은 대응은 미적‘어울림’을 뜻한다. 75세 이상의 고령군은 색 판정과 선택을 의상(衣裳)에 사용되는 색감으로 받아들였다. 특히‘노랑저고리 빨강치마’같은 대응 원리는 고령 세대에 영향을 미친‘문화적 인지’의 전형적 표시이자 사전 지식의 맥락과 유사할 수 있는‘기억색’의 작동을 말한다. 색 인지에서 색을 기억으로 환기하는 색 기억(color memory)과 대상에 대한 전형적인 색에 관한 기억색은 다르다. 기억색은 색 항상성(color constancy)을 토대하는 중요한 인자인 광원색에 기초하며(예컨대, RGB), 채소 및 과일 같은 친숙한 대상들의 색 항구성에 의존하여 알지 못하는 대상들에 적용됨을 이른다. 기억색의 작용을 고령군의 그림에 등장하는 화로, 불, 가방, 옷, 감나무, 집, 강아지, 고양이 같은 일화적 사건 및 일상적 소재로 확인하였고, 기억색의 소환은 개인화된 장소의 표시와 일치하였다. 인지적 관점에서 기억색은‘판정 경계’에 작용하는 사전 지식과 확률, 그리고 선행 맥락을 유표 하는 지각에 대한 기억의 사정권을 이른다.

색 지각과 색 인지의 관계에서 바렐라(F.Varela)는 『인지 과학과 인간 경험』(Cognitive Science and Human experience,1991)에서 색 접촉을 언어의 자동 학습과 동일한 위치에 놓았다. 언어 발달 단계에서 색 접촉에 수반된 색명과 어휘 습득은 언어 행위가 다른 어떤 행위보다 사회적 행위인 점에서 경험과 대응되어야 하며, 그렇지 않다면 주위 환경의 색을 접촉하고, 색 이름을 말하더라도 기능적으로 제약됨을 강조한다. 경험과 인지의 부조화가 발생시키는 기능적 한계는 상호 제약일 수 있으며, 표상의 조작에 따른 학습과 기억의 영향 아래 있으며,‘모방의 강화’에 의존한다는 점에서 색의 유표성은 지각 경험 및 문화적 인지 모두에 의해 추진되는 수반 관계에 속한다.

또한, 인지 과학자 세퍼드(R. N Shepard)는 실세계의 복합체에 대한 반응성에 기초해서 색와 형을 분리했는데, 형태 표상이 날카로운 경계를 수반한 기하학적 공간의 특성을 따르는 반면, 색 표상은 이를 보완하는 차원의 발생적으로 흐릿한(fuzzy) 공간 표상으로 추정한다. 최근의‘공감각’Synesthesia) 연구들은 기능적 뇌 영상의 실증적 증거 아래 말소리 및 음악을 들을 때, 색을 보는 시각피질의 활성화를 보고한다. 시각-청각의 교차 활성화는 뇌의 과도한 연결성(Hyperconnectivity)에서 비롯하며, 유전적 특이성이 발달 초기에 제거되지 못한 연결 경향의 잔재로 추정된다. 또한 색 인지는“색을 건반악기"로 은유한 칸딘스키(W. Kandinsky), 피카소(Picaso), 스트라빈스키(Igor Stravinsky), 로스코(M.Rothko) 같은 예술가의 창조의 눈을 통해 드러나며, 이들은 색 사용의 관습을 위반하며, 표현 범주를 개척하였다. 이들의 사례는 색 인지의 표현 범주의 다양한 가능성 및 다양성 그 자체를 제시한다.

색에서 한 가지 주의할 것은 미술 치료와 연관해서 발생한다. 연구들은 색을 증상과 파토스의‘승화’에 대한 지표로 언급할 수 있다. 환자의 자기 지시적 그림 기록을 토대로 관찰을 전달하는 연구들은 치료 사례로서 그 내용이 가능하지만, 서술 면에서 특정색을 환자의 증상 상태와 연결하거나(고통-검정, 흰색-순수, 노랑-어린, 핑크-여성스러움), 색으로 정서적 특질을 양식화해서 증상군의 특수성에 기초한 체계적 논의는 색 상징으로 단선화된다. 이러한 점을 고려할 때, 증상군의 특수성에 기초한 색 인지 통계화 및 데이터화는 기존의 이해를 수정하고, 과학적 준거로서 타당성과 정합성을 제공하며, 학습 프로그램의 개선 및 응용에 기여할 수 있다.

이와 같이 첨부된 도면을 참조하여 본 발명을 설명하였으나, 본 발명의 기술 사상을 벗어나지 않는 범위 내에서 다양한 변형이 이루어질 수 있다. 따라서, 본 발명의 범위는 상기한 실시례에 국한되어 정해져서는 아니되며, 특허청구범위, 그리고 이러한 특허청구범위와 균등한 것들에 의해 정해져야 한다.

11 : 데이터수신부
12 : 데이터처리부
13 : 데이터베이스부
14 : 데이터출력부

Claims (9)

1. 다수의 피험자의 단말기(1)로부터 통신에 의해 피험자에 대한 증상을 포함하는 정보를 데이터수신부(11)에 의해 각각 제공받는 단계(S11);
   상기 데이터수신부(11)에 의해 각각 제공받은 피험자에 대한 정보를 데이터처리부(12)에 의해, 증상군 별로 파악하기 위하여, 성별, 나이, 연령, 학습 및 증상 정보를 수반한 증상군 및 일반군으로 분류하는 단계(S12);
   상기 다수의 피험자의 단말기(1)로부터 제공되는 RGB와 CMYK를 이용한 색들에 대해 피험자가 언어 지시에 따라 선택한 색상 정보를 상기 데이터처리부(12)가 상기 데이터수신부(11)를 통해서 각각 수신받아, 데이터 마이닝 기반 및 클러스터링 적용을 통해서 색채 선택 패턴을 추출하는 단계(S13);
   상기 데이터처리부(12)에 의해 머신 러닝 기법에 의해, 단말기에 기준색을 제시하여 15가지 색들 중에서 어느 하나를 고르도록 하여 얻은 색채 선택 패턴을 적용하여 증상군 세부별 선택 패턴을 분류하는 단계(S14);
   상기 데이터처리부(12)에 의해 상기 증상군 세부별 선택 패턴을 통해 심리적 이상 요인을 검출하고, 개별 피험자들의 색상 선택 결과들을 수집하여 RGB, 색상, 명도, 채도값으로 환원하여 이들의 선호구간을 나타내는 단계(S15); 및
   상기 데이터처리부(12)에 의해 피험자의 선택 색상의 RGB, 색도, 채도, 명도를 수량화하여 확률적 판단으로 확률에 따라 피험자가 증상군에 속하게 될 확률 추정 및 예측하는 단계(S16);
   를 포함하는, 빅데이터 및 인공지능 기반 색상 인지 방법.
2. 청구항 1에 있어서,
   상기 증상군 세부별 선택 패턴을 분류하는 단계(S14)는,
   상기 머신 러닝 기법이 머신 러닝 비지도 학습 기반을 적용하는, 빅데이터 및 인공지능 기반 색상 인지 방법.
3. 청구항 1에 있어서,
   상기 색채 선택 패턴을 추출하는 단계(S13)는,
   상기 피험자의 단말기(1)를 통해서 특정 색명에 해당하는 색채를 포함하는 유사한 색상군들을 제공하고, 상기 피험자의 단말기(1)에 의해 상기 특정 색명에 해당하는 색채를 선택하도록 함으로써, 상기 데이터처리부(12)가 상기 피험자에 의해 선택된 색채에 기반한 색채 선택 패턴을 추출하도록 하는, 빅데이터 및 인공지능 기반 색상 인지 방법.
4. 청구항 1에 있어서,
   상기 색채 선택 패턴을 추출하는 단계(S13)는,
   상기 피험자의 단말기(1)를 통해서 특정 색채와 이에 대응하여 피험자가 선택하기 위한 다수의 색채를 제공하고, 상기 피험자의 단말기(1)에 의해 피험자가 상기 특정 색채에 대응되는 색채를 선택하도록 함으로써, 상기 데이터처리부(12)가 상기 피험자에 의해 선택된 색채에 기반한 색채 선택 패턴을 추출하도록 하는, 빅데이터 및 인공지능 기반 색상 인지 방법.
5. 청구항 1에 있어서,
   상기 색채 선택 패턴을 추출하는 단계(S13)는,
   상기 피험자의 단말기(1)를 통해서 색채를 가지는 이미지를 제공하여, 상기 피험자의 단말기(1)에 의해 피험자가 수평선 또는 수직선을 사용하여 이분하도록 함으로써, 상기 데이터처리부(12)가 상기 피험자에 의한 이분에 기반한 중심축 적용 패턴을 상기 색채 선택 패턴을 대신하여 추출하도록 하는, 빅데이터 및 인공지능 기반 색상 인지 방법.
6. 청구항 1에 있어서,
   상기 색채 선택 패턴을 추출하는 단계(S13)는,
   상기 피험자의 단말기(1)를 통해서, 특정 이미지와 상기 특정 이미지의 배경 색채와 동일한 색채를 선택하기 위한 다수의 색채를 가지는 배경 이미지를 제공하여, 상기 피험자의 단말기(1)에 의해 피험자가 상기 배경의 색채와 동일한 색채를 가지는 배경 이미지를 선택하도록 함으로써, 상기 데이터처리부(12)가 상기 피험자에 의해 선택된 배경 이미지의 색채에 기반한 색채 선택 패턴을 추출하도록 하는, 빅데이터 및 인공지능 기반 색상 인지 방법.
7. 청구항 1에 있어서,
   상기 색채 선택 패턴을 추출하는 단계(S13)는,
   상기 피험자의 단말기(1)를 통해서, 특정 장면이나 포스터의 이미지와 상기 이미지에 대한 느낌에 가까운 색채를 선택하기 위한 다수의 색채를 제공하여, 상기 피험자의 단말기(1)에 의해 피험자가 상기 느낌에 가까운 색채를 선택하도록 함으로써, 상기 데이터처리부(12)가 상기 피험자에 의해 선택된 색채에 기반한 색채 선택 패턴을 추출하도록 하는, 빅데이터 및 인공지능 기반 색상 인지 방법.
8. 청구항 1에 있어서,
   상기 색채 선택 패턴을 추출하는 단계(S13)는,
   상기 피험자의 단말기(1)를 통해서, 명화 이미지와 상기 명화 이미지에 대한 느낌에 가까운 색채를 선택하기 위한 다수의 색채를 제공하여, 상기 피험자의 단말기(1)에 의해 피험자가 상기 느낌에 가까운 색채를 선택하도록 함으로써, 상기 데이터처리부(12)가 상기 피험자에 의해 선택된 색채에 기반한 색채 선택 패턴을 추출하도록 하는, 빅데이터 및 인공지능 기반 색상 인지 방법.
9. 청구항 1 내지 청구항 8 중 어느 한 항에 기재된 빅데이터 및 인공지능 기반 색상 인지 방법에 사용되는 플랫폼으로서,
   다수의 피험자의 단말기(1)로부터 통신에 의해 피험자에 대한 증상을 포함하는 정보를 수신받도록 하는 데이터수신부(11);
   상기 데이터수신부(11)에 의해 각각 제공받은 상기 피험자에 대한 정보를 증상군 별로 파악하기 위하여, 성별, 나이, 연령, 학습 및 증상 정보를 수반한 증상군 및 일반군으로 분류하고, 상기 다수의 피험자의 단말기(1)로부터 RGB와 CMYK를 이용한 색들에 대해 피험자가 언어 지시에 따라 선택한 색상 정보를 상기 데이터수신부(11)를 통해서 각각 수신받아, 데이터 마이닝 기반 및 클러스터링 적용을 통해서 색채 선택 패턴을 추출하며, 머신 러닝 기법에 의해 색채 선택 패턴을 적용하여 증상군 세부별 선택 패턴을 분류하고, 상기 증상군 세부별 선택 패턴을 통해 심리적 이상 요인을 검출하고, 개별 피험자들의 색상 선택 결과들을 수집하여 RGB, 색상, 명도, 채도값으로 환원하여 이들의 선호구간을 나타내며, 피험자의 선택 색상의 RGB, 색도, 채도 및 명도의 수량화로부터 피험자의 선택 색상의 RGB, 색도, 채도, 명도를 수량화하여 확률적 판단으로 확률에 따라 피험자가 증상군에 속하게 될 확률 추정 및 예측하는 데이터처리부(12);
   상기 데이터처리부(12)에 의해 처리된 결과를 저장하는 데이터베이스부(13); 및
   상기 데이터처리부(12)에 의해 처리된 결과 또는 상기 데이터베이스부(13)에 저장된 결과를 외부로 출력하는 데이터출력부(14);
   를 포함하는, 빅데이터 및 인공지능 기반 색상 인지 측정 플랫폼.

Images