KR102454758B1 - 운동 정보 제공 방법 및 장치 - Google Patents
운동 정보 제공 방법 및 장치 Download PDFInfo
- Publication number
- KR102454758B1 KR102454758B1 KR1020210070952A KR20210070952A KR102454758B1 KR 102454758 B1 KR102454758 B1 KR 102454758B1 KR 1020210070952 A KR1020210070952 A KR 1020210070952A KR 20210070952 A KR20210070952 A KR 20210070952A KR 102454758 B1 KR102454758 B1 KR 102454758B1
- Authority
- KR
- South Korea
- Prior art keywords
- information
- exercise
- user
- providing
- electronic device
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 38
- 210000003205 muscle Anatomy 0.000 claims abstract description 16
- 210000000577 adipose tissue Anatomy 0.000 claims abstract description 13
- 235000019577 caloric intake Nutrition 0.000 claims abstract description 8
- 238000013528 artificial neural network Methods 0.000 claims description 28
- 239000003086 colorant Substances 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 28
- 238000012545 processing Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 235000013305 food Nutrition 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 208000027418 Wounds and injury Diseases 0.000 description 3
- 238000004590 computer program Methods 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 210000003981 ectoderm Anatomy 0.000 description 3
- 210000001900 endoderm Anatomy 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 208000014674 injury Diseases 0.000 description 3
- 210000003716 mesoderm Anatomy 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 210000003127 knee Anatomy 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 150000001720 carbohydrates Chemical class 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 235000012631 food intake Nutrition 0.000 description 1
- 230000037406 food intake Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 238000009532 heart rate measurement Methods 0.000 description 1
- 208000015181 infectious disease Diseases 0.000 description 1
- 210000002414 leg Anatomy 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 102000004169 proteins and genes Human genes 0.000 description 1
- 108090000623 proteins and genes Proteins 0.000 description 1
- 230000008685 targeting Effects 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
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
- A63B24/0062—Monitoring athletic performances, e.g. for determining the work of a user on an exercise apparatus, the completed jogging or cycling distance
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
- A63B24/0075—Means for generating exercise programs or schemes, e.g. computerized virtual trainer, e.g. using expert databases
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B71/00—Games or sports accessories not covered in groups A63B1/00 - A63B69/00
- A63B71/06—Indicating or scoring devices for games or players, or for other sports activities
- A63B71/0619—Displays, user interfaces and indicating devices, specially adapted for sport equipment, e.g. display mounted on treadmills
- A63B71/0622—Visual, audio or audio-visual systems for entertaining, instructing or motivating the user
-
- 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
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B2225/00—Miscellaneous features of sport apparatus, devices or equipment
- A63B2225/15—Miscellaneous features of sport apparatus, devices or equipment with identification means that can be read by electronic means
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B2230/00—Measuring physiological parameters of the user
- A63B2230/04—Measuring physiological parameters of the user heartbeat characteristics, e.g. ECG, blood pressure modulations
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physical Education & Sports Medicine (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Tourism & Hospitality (AREA)
- Biomedical Technology (AREA)
- Primary Health Care (AREA)
- Biophysics (AREA)
- Strategic Management (AREA)
- Child & Adolescent Psychology (AREA)
- General Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Databases & Information Systems (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Economics (AREA)
Abstract
운동 정보 제공 방법 및 이를 이용한 장치가 개시된다.
전자 장치에 의해 수행되는 운동 정보 제공 방법은 센싱 정보를 수신하는 단계, 상기 센싱 정보에 기초하여 사용자를 식별하는 단계, 상기 식별된 사용자의 특징에 대한 제1 정보를 획득하는 단계, 상기 센싱 정보에 기초하여 상기 사용자의 운동량에 대한 제2 정보를 획득하는 단계, 상기 사용자의 섭취 칼로리에 대한 제3 정보를 획득하는 단계, 상기 제1 정보 내지 상기 제3 정보 중 적어도 하나에 기초하여 상기 사용자가 미리 설정한 기간 내에 목표 체지방 및 목표 근육량을 달성할 확률 정보를 포함하는 제4 정보를 생성하는 단계, 및 상기 제1 정보 내지 제4 정보 중 적어도 하나를 외부 엔티티에 제공하는 단계를 포함할 수 있다.
전자 장치에 의해 수행되는 운동 정보 제공 방법은 센싱 정보를 수신하는 단계, 상기 센싱 정보에 기초하여 사용자를 식별하는 단계, 상기 식별된 사용자의 특징에 대한 제1 정보를 획득하는 단계, 상기 센싱 정보에 기초하여 상기 사용자의 운동량에 대한 제2 정보를 획득하는 단계, 상기 사용자의 섭취 칼로리에 대한 제3 정보를 획득하는 단계, 상기 제1 정보 내지 상기 제3 정보 중 적어도 하나에 기초하여 상기 사용자가 미리 설정한 기간 내에 목표 체지방 및 목표 근육량을 달성할 확률 정보를 포함하는 제4 정보를 생성하는 단계, 및 상기 제1 정보 내지 제4 정보 중 적어도 하나를 외부 엔티티에 제공하는 단계를 포함할 수 있다.
Description
아래 실시예들은 운동 정보 제공 방법 및 장치에 관한 것이다.
운동 관리 어플리케이션은 회원들이 자신의 운동 관련 기록을 직접 입력하고, 이를 데이터베이스화하는 수준으로 구현되어 있다.
이에 따라 자신의 운동관련 정보를 기록하기 위해서는 사용자가 직접 운동기록을 입력해야하는 번거로움이 있을 뿐만 아니라, 운동 횟수 카운트 역시도 자의적인 판단으로 정확도가 낮게 이루어질 수 있다.
기존의 퍼스널 트레이닝은 높은 비용이 책정될 뿐만 아니라, 트레이너가 직접 사용자 옆에서 운동 감독하기 때문에, 성향에 따라 반감을 가지는 사용자도 있으며, 특히나 코로나 시국에 있어서 질병 감염 위험성이 높을 수 있다.
전자 장치에 의해 수행되는 운동 정보 제공 방법은 센싱 정보를 수신하는 단계; 상기 센싱 정보에 기초하여 사용자를 식별하는 단계; 상기 식별된 사용자의 특징에 대한 제1 정보를 획득하는 단계; 상기 센싱 정보에 기초하여 상기 사용자의 운동량에 대한 제2 정보를 획득하는 단계; 상기 사용자의 섭취 칼로리에 대한 제3 정보를 획득하는 단계; 상기 제1 정보 내지 상기 제3 정보 중 적어도 하나에 기초하여 상기 사용자가 미리 설정한 기간 내에 목표 체지방 및 목표 근육량을 달성할 확률 정보를 포함하는 제4 정보를 생성하는 단계; 및 상기 제1 정보 내지 제4 정보 중 적어도 하나를 외부 엔티티에 제공하는 단계를 포함할 수 있다.
상기 제2 정보를 획득하는 단계는 상기 센싱 정보에 기초하여 사용되는 운동 기구의 중량 정보, 상기 운동 기구의 이동 거리 정보 및 상기 사용자의 움직임 정보 중 적어도 하나를 획득하는 단계; 및 상기 중량 정보 및 상기 움직임 정보 중 적어도 하나에 기초하여 상기 제2 정보를 획득하는 단계를 포함할 수 있다.
상기 제4 정보를 생성하는 단계는 상기 제1 정보 내지 상기 제3 정보 중 적어도 하나를 입력으로하여 상기 제4 정보를 출력하도록 미리 학습된 인공 신경망에 기초하여 상기 제4 정보를 생성할 수 있다.
일 실시예에 따른 운동 정보 제공 방법은 상기 사용자의 운동 패턴 및 심박수 기초하여 추천 음악 정보를 제공하는 단계를 더 포함할 수 있다.
일 실시예에 따른 운동 정보 제공 방법은 상기 제1 정보에 기초하여 상기 사용자에 대응되는 운동 영상 추천 정보를 제공하는 단계를 더 포함할 수 있다.
일 실시예에 따른 운동 정보를 제공하는 전자 장치는 메모리; 및 프로세서를 포함하고, 상기 프로세서는 센싱 정보를 수신하고, 상기 센싱 정보에 기초하여 사용자를 식별하고, 상기 식별된 사용자의 특징에 대한 제1 정보를 획득하고, 상기 센싱 정보에 기초하여 상기 사용자의 운동량에 대한 제2 정보를 획득하고, 상기 사용자의 섭취 칼로리에 대한 제3 정보를 획득하고, 상기 제1 정보 내지 상기 제3 정보 중 적어도 하나에 기초하여 상기 사용자의 목표에 대한 도달할 확률 정보를 포함하는 제4 정보를 생성하고, 상기 제1 정보 내지 제4 정보를 외부 엔티티에 제공할 수 있다.
도 1은 다양한 실시 예에 따른 운동 정보 제공 시스템을 설명하기 위한 도면이다.
도 2는 다양한 실시 예에 따른 전자 장치의 구성을 설명하기 위한 도면이다.
도 3은 다양한 실시 예에 따른 전자 장치를 통해 수행되는 운동 정보 제공 방법을 설명하기 위한 도면이다.
도 4는 다양한 실시 예에 따른 운동 정보 제공 방법의 동작을 설명하기 위한 도면이다.
도 2는 다양한 실시 예에 따른 전자 장치의 구성을 설명하기 위한 도면이다.
도 3은 다양한 실시 예에 따른 전자 장치를 통해 수행되는 운동 정보 제공 방법을 설명하기 위한 도면이다.
도 4는 다양한 실시 예에 따른 운동 정보 제공 방법의 동작을 설명하기 위한 도면이다.
본 명세서에 개시되어 있는 본 발명의 개념에 따른 실시예들에 대해서 특정한 구조적 또는 기능적 설명들은 단지 본 발명의 개념에 따른 실시예들을 설명하기 위한 목적으로 예시된 것으로서, 본 발명의 개념에 따른 실시예들은 다양한 형태로 실시될 수 있으며 본 명세서에 설명된 실시예들에 한정되지 않는다.
본 발명의 개념에 따른 실시예들은 다양한 변경들을 가할 수 있고 여러 가지 형태들을 가질 수 있으므로 실시예들을 도면에 예시하고 본 명세서에 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 개념에 따른 실시예들을 특정한 개시형태들에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만, 예를 들어 본 발명의 개념에 따른 권리 범위로부터 이탈되지 않은 채, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성요소들 간의 관계를 설명하는 표현들, 예를 들어 "~사이에"와 "바로~사이에" 또는 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
본 명세서에서 사용한 용어는 단지 특정한 실시예들을 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 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 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
본 명세서에서의 모듈(module)은 본 명세서에서 설명되는 각 명칭에 따른 기능과 동작을 수행할 수 있는 하드웨어를 의미할 수도 있고, 특정 기능과 동작을 수행할 수 있는 컴퓨터 프로그램 코드를 의미할 수도 있고, 또는 특정 기능과 동작을 수행시킬 수 있는 컴퓨터 프로그램 코드가 탑재된 전자적 기록 매체, 예를 들어 프로세서 또는 마이크로 프로세서를 의미할 수 있다.
다시 말해, 모듈이란 본 발명의 기술적 사상을 수행하기 위한 하드웨어 및/또는 상기 하드웨어를 구동하기 위한 소프트웨어의 기능적 및/또는 구조적 결합을 의미할 수 있다.
이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 그러나, 특허출원의 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
도 1은 다양한 실시 예에 따른 운동 정보 제공 시스템을 설명하기 위한 도면이다.
도 1을 참조하면, 운동 정보 제공 시스템(1000)은 전자 장치(100), 센싱 장치(200) 및 사용자 단말(300)을 포함할 수 있다.
다양한 실시 예에 따라, 전자 장치(100)는 스마트폰, 컴퓨터 장치, 휴대용 멀티미디어 장치 또는 서버를 포함할 수 있다. 본 문서의 실시예에 따른 전자 장치(100)는 전술한 기기들에 한정되지 않는다.
다양한 실시 예에 따라, 전자 장치(100)는 센싱 장치(200)로부터 센싱 정보를수신할 수 있다.
다양한 실시 예에 따라, 센싱 장치(200)는, 피트니스 센터 내 배치된 영상 획득 장치, RFID 태그 장치, 임의의 센서 중 적어도 하나를 포함할 수 있다. 영상 획득 장치는 개별 운동 기구에 배치되거나, 천장을 포함한 피트니스 센터 내 임의의 영역에 배치된 카메라를 포함할 수 있고, 영상 획득 장치는 피트니스 센터 내의 사용자들의 영상을 실시간으로 획득할 수 있다. 또한, RFID 태그 장치는 개별 운동 기구에 배치되어 개별 사용자의 태깅을 통해 개별 사용자가 피트니스 센터 내에서 사용하는 운동 기구 및 운동과 관련된 특징(종류, 중량 등)에 대한 정보를 수집할 수 있다.
다양한 실시예에 따라, 센싱 장치(200)는 사용자의 영상 또는 RFID 태깅 정보 등을 포함하는 센싱 정보가 획득되면, 획득한 센싱 정보를 전자 장치(100)에 전송할 수 있다.
다양한 실시 예에 따라, 전자 장치(100)는 센싱 정보를 수신하면, 센싱 정보에 대응되는 사용자를 식별하고, 식별된 사용자에게 운동 정보를 제공할 수 있다. 예를 들어, 피트니스 센터의 회원인 A가 벤치 프레스를 사용하는 상황에서, 센싱 장치(200)는 A의 영상을 획득하여 전자 장치(100)에 전송하고, 전자 장치(100)는 A의 영상에 기초하여 A를 식별하고, 식별된 A에게 운동 정보를 제공할 수 있다. 운동 정보는 A의 사용자 단말 혹은 운동 기구에 배치된 디스플레이 등으로 제공될 수 있다. 운동 정보는 사용자에게 맞는 운동법, 운동 루틴, 목표 날짜 내에 목표 체지방량 및 목표 근육량을 달성할 확률 정보 등을 포함할 수 있으나, 이에 한정되는 것은 아니고, 센싱 정보 분석에 기초하여 제공할 수 있는 임의의 운동 정보를 포함할 수 있다.
일 실시예에 따르면, 전자 장치(100)는 사용자 얼굴이 나타난 영상으로부터 사용자의 얼굴을 식별하도록 미리 학습된 제1 인공 신경망에 센싱 정보(개별 사용자를 촬영한 영상)를 입력함으로써, 영상 내에 포함된 사용자를 식별할 수 있다. 제1 인공 신경망은 복수의 사용자가 포함된 영상으로부터 포함된 개별 사용자 얼굴을 식별하도록 미리 학습될 수 있으며, 전자 장치(100)는 제1 인공 신경망을 이용하여 다수의 사용자가 포함된 영상으로부터 포함된 개별 사용자를 식별할 수 있다. 전자 장치(100)는 사용자 식별 결과에 기초하여 실시간으로 개별 사용자가 사용하고 있는 운동 기구에 대한 정보를 생성하고, 생성된 정보를 데이터베이스화할 수 있다. 위 동작을 통해 피트니스 센터에서 개별 사용자가 어떠한 운동 기구를 사용하고 있는지 여부에 대한 정보가 모니터링될 수 있다.
사용자가 마스크를 착용하고 있거나 학습이 고도화되지 않은 경우, 제1 인공 신경망의 인식 성능이 저하될 수 있으며, 얼굴 인식을 통한 사용자 식별은 프라이버시 이슈를 발생시킬 수 있다. 전자 장치(100)는 개별 운동 기구에 배치된 RFID 판독기와 개별 사용자에게 배치되는 태그를 통해 수집된 정보를 이용하여 개별 사용자를 식별하고, 개별 사용자가 사용하는 기구에 대한 정보를 실시간으로 수집함으로써 위 이슈에 대한 해결책을 제공할 수 있다.
다양한 실시예에 따르면, 전자 장치(100)는 센싱 정보에 기초하여 식별된 사용자의 특징에 대한 제1 정보를 획득하고, 식별된 사용자의 운동량에 대한 제2 정보를 획득하고, 사용자의 섭취 칼로리에 대한 제3 정보를 획득하고, 획득한 제1 정보 내지 제3 정보 중 적어도 하나에 기초하여 운동 정보에 대응되는 제4 정보를 생성하고, 생성된 제4 정보를 사용자 단말(300)에 전송할 수 있다. 제4 정보는 미리 설정한 기간 내에 목표 체지방 및 목표 근육량을 달성할 확률 정보, 목표 도달을 위해 기간별 요구되는 운동량에 대한 정보, 기간별 권장 칼로리 섭취량에 대한 정보, 추천 운동 루틴에 대한 정보를 더 포함할 수 있다.
다양한 실시 예에 따라, 전자 장치(100)의 세부적인 동작은 이하 첨부되는 도면을 통해 보다 상세하게 설명하기로 한다.
도 2는 다양한 실시 예에 따른 전자 장치의 구성을 설명하기 위한 도면이다.
도 2를 참조하면, 전자 장치(100)는 메모리(110), 통신 모듈(120) 및 프로세서(130)를 포함할 수 있다.
다양한 실시 예에 따라, 메모리(110)는, 전자 장치(100)의 적어도 하나의 구성요소(예: 통신 모듈(120) 또는 프로세서(130))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(110)는, 휘발성 메모리 또는 비휘발성 메모리를 포함할 수 있다.
통신 모듈(120)은 전자 장치(100)와 외부 전자 장치(예: 센싱 장치(200) 또는 사용자 단말(300)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(120)은 프로세서(130)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일실시예에 따르면, 통신 모듈(120)은 무선 통신 모듈(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(예: 결제 장치(200), 출입 관리 장치(300))와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다.
일 실시예에 따르면, 명령 또는 데이터는 제 2 네트워크에 연결된 서버를 통해서 전자 장치(100)와 외부의 전자 장치(예: 센싱 장치(200) 또는 사용자 단말 (300))간에 송신 또는 수신될 수 있다. 외부의 전자 장치(예: 센싱 장치(200) 또는 사용자 단말(300)) 각각은 전자 장치(100)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 따르면, 전자 장치(100)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(100)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(100)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(100)로 전달할 수 있다. 전자 장치(100)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(100)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(예: 센싱 장치(200) 또는 사용자 단말(300))는 IoT(internet of things) 기기를 포함할 수 있다. 전자 장치(100)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.
프로세서(130)는, 예를 들면, 소프트웨어(예: 프로그램)를 실행하여 프로세서(130)에 연결된 전자 장치(100)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(130)는 다른 구성요소(예: 메모리(110) 또는 통신 모듈(120))로부터 수신된 명령 또는 데이터를 휘발성 메모리에 저장하고, 휘발성 메모리에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리에 저장할 수 있다. 일실시예에 따르면, 프로세서(130)는 메인 프로세서(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(100)가 메인 프로세서 및 보조 프로세서를 포함하는 경우, 보조 프로세서는 메인 프로세서보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서는 메인 프로세서와 별개로, 또는 그 일부로서 구현될 수 있다.
도 3은 다양한 실시 예에 따른 전자 장치를 통해 수행되는 운동 정보 제공 방법을 설명하기 위한 도면이다.
도 3을 참조하면, 단계(310)에서 전자 장치(100)는 센싱 장치(200)로부터 센싱 정보를 수신할 수 있다. 예를 들어, 센싱 정보는 피트니스 센터에 배치된 영상 획득 장치를 통해 획득한 영상, RFID 태그 장치를 통해 획득한 태깅 정보를 포함할 수 있다.
단계(320)에서 전자 장치(100)는 센싱 정보에 기초하여 사용자를 식별할 수있다. 센싱 정보에 기초하여 개별 사용자를 식별하는 구체적인 방식은 앞선 도 1을 통해 설명한 방식과 동일할 수 있다.
단계(330)에서 전자 장치(100)는 식별된 사용자의 특징에 대한 제1 정보를 획득할 수 있다. 제1 정보는 사용자의 나이, 성별, 신장, 몸무게, 전체 근육량, 부위별 근육량, 체지방량, 부상 여부, 목표 체중, 목표 근육량 및 목표 체지방량, 목표 달성 시점, 신체 성향(예를 들어, 내배엽, 중배엽, 외배엽 등)에 대한 정보 중 적어도 하나를 포함할 수 있다.
단계(340)에서 전자 장치(100)는 센싱 정보에 기초하여 사용자의 운동량에 대한 제2 정보를 획득할 수 있다.
보다 구체적으로, 전자 장치(100)는 센싱 정보에 기초하여, 개별 운동을 반복한 횟수를 산출한 카운팅 정보, 사용되는 운동 기구의 중량 정보, 상기 운동 기구의이동 거리 정보 및 상기 사용자의 움직임 정보 중 적어도 하나를 획득하고, 카운팅 정보, 중량 정보, 이동 거리 정보 및 움직임 정보 중 적어도 하나에 기초하여 제2 정보를 획득할 수 있다.
카운팅 정보는 개별 운동을 반복한 횟수에 대한 정보일 수 있다. 전자 장치(100)는 입력된 영상 내의 개별 사용자의 포즈를 추정하도록 미리 학습된 제2 인공 신경망에 기초하여 카운팅 정보를 생성할 수 있다. 예를 들어, 제2 인공 신경망은 스쿼트를 수행하는 사용자의 무릎 각도가 소정의 임계 조건(예를 들어, 무릎 각도가 100도 이내의 각도를 형성하는 지 여부 등)을 만족하는 지 여부에 기초하여 카운팅 정보를 생성하도록 미리 학습될 수 있다. 제2 인공 신경망은 스쿼트 이외에도 임의의 운동에 대한 카운팅 정보를 생성하도록 학습될 수 있으며, 카운팅의 기준은 앞서 제시된 예시에 한정되지 않는다. 또한, 제2 인공 신경망은 예시적으로 스켈레톤 기반 포즈 추정 방법을 개시하고 있는 참고문헌 (Realtime Multi-Person 2D Pose Estimation using Part Affinity Fields, Zhe Cao, Tomas Simon외 2017)의 방식을 참고하여 통상의 기술자가 용이하게 도출할 수 있으나, 제2 인공 신경망 학습 방식은 이에 한정되는 것은 아니고 인공 신경망을 이용하여 포즈를 추정하는 임의의 방식을 통해 구현될 수 있다.
중량 정보는 개별 운동에 활용되는 원판, 바벨, 바 등 운동 기구의 무게에 대한 정보일 수 있다. 전자 장치(100)는 입력 영상에 포함된 운동 기구의 중량 정보를 예측하도록 미리 학습된 제3 인공 신경망에 기초하여 입력 영상으로부터 중량 정보를 결정할 수 있다. 제3 인공 신경망은 CNN(convolution Neural Network)에 기초하여 구현될 수 있으며, 제3 인공 신경망의 성능을 향상시키기 위하여 운동 기구(예를 들어, 원판, 바벨 등)는 무게 별로 서로 다른 색상 및 크기로 구현되어 피트니스 센터 내에 배치될 수 있다. 이 경우, 중량 별 운동 기구의 특징(Feature)의 차이가 커지므로, 제3 인공 신경망의 예측 성능이 향상될 수 있다.
이동 거리 정보는 운동에 사용되는 운동 기구의 이동한 거리에 대한 이동 거리에 대한 정보로, 운동 기구의 중력 방향 이동거리에 기초하여 산출될 수 있다. 전자 장치(100)는 입력 영상에 포함된 운동 기구의 이동 거리 정보를 예측하도록 미리 학습된 제4 인공 신경망에 기초하여 입력 영상으로부터 이동 거리 정보를 결정할 수 있다. 예를 들어, 사용자가 스쿼트를 하는 경우에 10회가 카운팅 되더라도 개별 카운팅에서 실제 운동기구(바 등)이 이동한 거리는 상이할 수 있다. 상이한 이동 거리는 운동량 측정에 영향을 미칠 수 있는 바, 전자 장치(100)는 제2 정보를 산출하는 과정에서 이동 거리 정보를 반영할 수 있다.
움직임 정보는 운동을 수행하는 사용자의 운동 속도에 대한 정보일 수 있으며, 사용자 신체의 소정 영역(예를 들어, 다리, 팔 등)의 움직임 속도에 기초하여 산출될 수 있다. 실시예에 따라서, 움직임 정보는 입력 영상에 기초하여 움직임 정보를 산출하도록 미리 학습된 인공 신경망에 기초하여 산출될 수 있으며, 앞서 설명된포즈 추정 방법이 움직임 정보의 산출에 적용될 수 있음은 통상의 기술자가 이해할 것이다.
일 실시예에 따르면, 전자 장치(100)는 수학식 1에 기초하여 제2 정보를 산출할 수 있다.
또 다른 실시예에 따르면, 제2 정보는 중량 정보와 카운팅 정보가 매핑된 형태로 산출될 수 있다. 예를 들어, 전자 장치(100)는 스쿼트를 하는 사용자에 대하여, 100kg의 중량으로 10회 스쿼트를 수행하는 것으로 제2 정보를 결정할 수 있다.
스트레칭 또는 맨몸 운동의 경우, 앞서 설명된 움직임 정보에 기초하여 제2 정보가 산출될 수 있다. 런닝머신, 사이클과 같은 유산소 운동의 경우, 앞서 설명된 움직임 정보에 기초하여 제2 정보가 산출될 수 있다. 예를 들어, 움직임 속도에 기초하여 스트레칭, 맨몸 운동, 유산소 운동의 운동량에 대한 제2 정보가 산출될 수 있다.
또한, 각각의 운동 기구에 배치된 계측 장치(예를 들어, 심박수 측정 장치)를 통해 획득한 계측 정보에 기초하여 제2 정보가 산출될 수도 있다. 계측 정보 그 자체가 제2 정보로써 산출되거나, 일부 오차 보정 프로세스를 통해 제2 정보가 산출될 수 있다.
제2 정보는 앞서 설명된 정보 이외에도 동작을 수행한 시간에 대한 정보, 세트 별 휴식 시간에 대한 정보, 운동 부위에 대한 정보, 유산소 운동인지 여부에 대한 정보, 소모 칼로리에 대한 정보, 운동 강도에 대한 정보를 부가정보로써 더 포함할 수 있다.
단계(350)에서 전자 장치(100)는 사용자의 섭취 칼로리에 대한 제3 정보를 획득할 수 있다.
제3 정보는 사용자 단말(300)로부터 수신한 사용자의 섭취 음식 이미지에 대한 분석에 기초하여 산출될 수 있다. 일 실시예에 따르면, 전자 장치(100)는 음식 이미지에 기초하여 칼로리를 산출하도록 미리 학습된 제5 인공 신경망에 사용자 단말(300)로부터 수신한 섭취 음식 이미지를 입력함으로써, 제3 정보를 획득할 수 있다. 제3 정보는 사용자 단말(300)을 통한 사용자 입력에 기초하여 적합한 수치로 수정될 수 있다. 제3 정보는 전체 칼로리 정보 이외에도, 성분별(탄수화물, 단백질, 지방) 칼로리 정보의 형태로 산출될 수도 있다.
다른 실시예에 따르면, 제3 정보는 음식을 제공하는 업체에서 미리 결정된 수치로 제공될 수도 있다. 예를 들어, 사용자가 특정 기업의 구내 식당의 점심 메뉴를 섭취한 경우, 전자 장치(100)는 구내 식당 점심 메뉴에 대해 미리 결정된 칼로리 정보를 외부 서버로부터 수신하고, 수신한 정보에 기초하여 제3 정보를 획득할 수 있다.
제1 정보 내지 제3 정보는 시계열적으로 누적되어 데이터베이스화될 수 있다. 데이터베이스화된 정보를 통해 개별 사용자의 특징 정보, 운동량 정보, 섭취 칼로리 정보가 시간대 별로 조회될 수 있다.
단계(360)에서 전자 장치(100)는 제1 정보 내지 제3 정보 중 적어도 하나에 기초하여 사용자가 미리 설정한 기간 내에 목표 체지방 및 목표 근육량을 달성할 확률 정보를 포함하는 제4 정보를 생성할 수 있다. 제4 정보는 확률 정보 외에도, 목표 도달을 위해 기간별 요구되는 운동량에 대한 정보, 기간별 권장 칼로리 섭취량에 대한 정보, 추천 운동 루틴에 대한 정보를 더 포함할 수 있다. 제4 정보는 현재 상태에서 운동이 부족한 신체 부위에 대한 정보를 더 포함할 수 있다.
보다 구체적으로, 전자 장치(100)는 제1 정보 내지 제3 정보를 입력으로하여 제4 정보를 출력하도록 미리 학습된 제6 인공 신경망에 기초하여 제4 정보를 생성할 수 있다. 일 실시예에 따르면, 제6 인공 신경망은 제1 정보(나이, 성별, 신장, 몸무게, 전체 근육량, 부위별 근육량, 체지방량, 부상 여부, 목표 체중, 목표 근육량 및 목표 체지방량, 목표 달성 시점, 신체 성향(예를 들어, 내배엽, 중배엽, 외배엽 등)),제2 정보(목표 기간 내 기 진행된 운동량) 및 제3 정보(목표 기간 내 기 섭취된 칼로리)에 기초하여 제4 정보를 출력하도록 미리 학습될 수 있다.
단계(370)에서 전자 장치(100)는 제1 정보 내지 제4 정보 중 적어도 하나를 외부 엔티티에 제공할 수 있다.
제1 정보 내지 제4 정보는 전자 장치(100)와 연동된 저장 장치에 데이터베이스화될 수 있으며, 운동 기구에 배치된 디스플레이, 사용자의 사용자 단말을 통해 제공될 수 있다. 제1 정보 내지 제4 정보가 제공되는 형태는 텍스트/음성 등 임의의 형태로 구현될 수 있다. 제1 정보 내지 제4 정보는 퍼스널 트레이닝을 대체할 수 있는 임의의 제공 방식으로 구현될 수 있음은 통상의 기술자가 이해할 것이다. 예를 들어, 제2 정보에 대응되는 운동량은 운동 정보 제공 시스템을 이용하는 전체 사용자 내에서의 위치를 백분위의 형태로 제공될 수 있으며, 사용자의 체지방량, 근육량과 관련된 제1 정보의 변화 추이는 그래프 및 차트 형태로 표현되어 제공될 수 있다.
전자 장치(100)는 사용자의 운동 패턴 또는 심박수에 대응하는 추천 음악 정보를 제공할 수 있다.
예를 들어, 전자 장치(100)는 개별 운동 동작의 1/(주기)와 배수 관계에 있는 BPM(Beat Per Minute)에 대응되는 음악을 추천 음악 정보로 제공할 수 있다. 유사하게, 전자 장치(100)는 사용자의 1/(심박수)와 배수 관계에 있는 BPM에 대응되는 음악을 추천 음악 정보로 제공할 수 있다.
또한, 전자 장치(100)는 현재 수행중인 운동의 운동 강도(예를 들어, 제2 정보)가 강할수록 보다 빠른 BPM에 대응되는 음악을 추천 음악 정보로 제공할 수 있다.
전자 장치(100)는 센싱 정보로부터 사용자가 실제로 운동을 수행하는 시점에대응되는 실제 운동 영상을 획득하고, 실제 운동 영상을 사용자에게 제공할 수 있다.
센싱 정보를 통해 수집되는 영상은 사용자가 운동을 수행하는 시점뿐만 아니라, 사용자가 운동을 수행하지 않는 시점의 영상을 포함할 수 있다. 전자 장치(100)는 전체 영상 중 사용자가 실제 운동을 시작하는 시작 시점 및 실제 운동을 종료하는 종료 시점을 인식하고, 시작 시점 및 종료 시점에 기초하여 실제 운동 영상을 획득하고, 실제 운동 영상을 서버 혹은 사용자 단말에 제공할 수 있다.
보다 구체적으로, 전자 장치(100)는 제1 인공 신경망 내지 제3 인공 신경망을 통해 사용자가 중량을 로딩(바벨/덤벨 등의 중량 운동 기구를 짊어진 것)을 인식하고, 사용자가 운동을 수행하는 것을 인식할 수 있으며, 중량을 디로딩(중량 운동 기구를 내려 놓음)을 인식할 수 있다. 전자 장치(100)는 중량을 로딩하는 시점을 운동을 시작하는 시작 시점으로 인식하고, 중량을 디로딩하는 시점을 운동을 종료하는 종료 시점으로 인식할 수 있다. 전자 장치(100)는 인식된 시작 시점 및 종료 시점에 대응되는 실제 운동 영상을 획득하고, 실제 운동 영상을 서버 혹은 사용자 단말에 제공할 수 있다.또한, 전자 장치(100)는 사용자에게 적합한 운동 영상 추천 정보를 더 제공할 수 있다. 보다 구체적으로, 전자 장치(100)는 제1 정보에 기초하여 사용자와 유사한 특징을 가지는 사람을 타겟으로 하는 운동 영상을 추천 정보로써 제공하거나, 사용자의 운동량에 대한 제2 정보와 유사한 운동량이 산출될 것으로 예상되는 운동과 관련된 운동 영상에 기초하여 운동 영상 추천 정보를 제공할 수 있다.
다양한 실시예에 따르면, 제1 정보는 사용자 별 운동 성향 정보를 더 포함하고, 전자 장치(100)는 운동 성향 정보에 기초하여 피트니스 센터에 진입하는 현재 사용자에게 추천 운동 경로 정보를 제공할 수 있다. 보다 구체적으로, 전자 장치(100)는 센싱 정보에 기초하여 개별 사용자의 이동 경로를 트래킹함으로써, 사용자 별 운동 성향 정보를 생성할 수 있다.
운동 성향 정보는, 예를 들어, 개별 사용자가 사용하는 운동 기구의 종류(스미스 머신, 런닝 머신, 사이클 등)에 대한 정보, 운동 루틴(운동 순서, 개별 운동에서 소요되는 시간 등)에 대한 정보를 포함할 수 있다.
전자 장치(100)는 센싱 정보에 기초하여 현재 개별 운동 기구의 점유 현황 정보를 결정할 수 있고, 점유 현황 정보, 현재 피트니스 센터 내에 존재하는 사용자의 운동 성향 정보 및 현재 피트니스 센터에 입장하는 현재 사용자의 운동 성향 정보에 기초하여, 현재 사용자에게 추천 운동 경로 정보를 제공할 수 있다. 보다 구체적으로, 전자 장치(100)는 현재 사용자가 런닝 머신을 이용한 유산소 운동을 우선적으로 하는 운동 성향을 가진 경우, 현재 피트니스 센터의 런닝 머신 점유 현황을 고려하여 런닝 머신을 우선적으로 진행하는 방향으로 운동 경로를 추천할 수 있으나, 현재 피트니스 센터의 런닝 머신이 모두 점유 상태에 있는 경우, 사이클을 우선적인 운동 경로로 안내하거나, 런닝 머신 사용이 종료되는 시점에 대한 예측 정보를 제공할 수 있다. 현재 사용자가 유산소 운동 이후에 스미스 머신을 통한 가슴 운동을 진행하는 운동 성향을 가지는 경우, 전자 장치(100)는 현재 개별 운동 기구의 점유 현황 정보, 현재 피트니스 센터 내에 존재하는 다른 사용자의 운동 성향 정보에 기초하여, 현재 사용자가 유산소 운동을 완료하는 시점에 스미스 머신의 사용 가능 여부에 대해 예측하고, 예측 결과에 기초하여 두번째 운동경로에 대한 추천 정보를 제공할 수 있다. 보다 구체적으로, 타 사용자들의 운동 성향에 비추어 현재 사용자가 유산소 운동을 마치는 시점에 스미스 머신 사용이 불가한 경우, 전자 장치(100)는 스미스 머신 이외의 벤치 프레스 운동 기구의 사용 가능성을 예측한 뒤, 사용 가능한 벤치 프레스 머신에 대한 정보를 제공할 수 있다.
전자 장치(100)는 사용자들이 서로 최대한 먼 거리를 유지하도록 추천 운동 경로 정보를 제공할 수 있다. 예를 들어, A 사용자에게 랫 풀다운(Lat Pull Down) 운동을 위한 경로를 추천하는 과정에서, 피트니스 센터 내에 존재하는 랫 풀다운 운동 기구와 다른 사용자들 사이의 거리를 측정하고, 측정된 거리를 최대화하는 랫 풀다운동 기구를 추천하는 방향으로 추천 운동 경로 정보를 제공할 수 있다.
도 4는 다양한 실시 예에 따른 운동 정보 제공 방법의 동작을 설명하기 위한 도면이다.
다양한 실시 예에 따라, 도 4를 참조하면, 401 동작에서, 센싱 장치(200)(예: 도 1의 센싱 장치(200))는 사용자의 영상을 획득하거나, RFID 태깅 정보를 획득함으로써 운동 정보를 생성하기 위한 센싱을 수행할 수 있다. 예를 들어, 센싱 장치(200)는 피트니스 센터 내 배치된 영상 획득 장치, RFID 태그 장치, 임의의 센서 중 적어도 하나를 포함할 수 있다.
다양한 실시 예에 따라, 센싱이 완료되면, 402 동작에서, 센싱 장치(200)는 전자 장치(100)(예: 도 1의 전자 장치(100))로 센싱 정보를 전송할 수 있다. 예를 들어, 센싱 정보에는 사용자의 영상 또는 RFID 태깅 정보 중 적어도 하나가 포함될 수 있다.
다양한 실시 예에 따라, 403 동작에서, 전자 장치(100)는 센싱 정보를 기반으로 사용자를 식별하고, 사용자의 특징에 대한 제1 정보를 획득할 수 있다. 예를 들어, 제1 정보는 사용자의 나이, 성별, 신장, 몸무게, 전체 근육량, 부위별 근육량, 체지방량, 부상 여부, 목표 체중, 목표 근육량 및 목표 체지방량, 목표 달성 시점, 신체 성향(예를 들어, 내배엽, 중배엽, 외배엽 등)에 대한 정보 중 적어도 하나를 포함할 수 있다. 다양한 실시 예에 따라, 404 동작에서 전자 장치(100)는 센싱 정보에 기초하여 사용자의 운동량과 관련된 제2 정보를 획득할 수 있고, 제2 정보를 획득하는 방법은 앞선 도면을 통해 설명된 바와 동일할 수 있다. 405 동작에서, 사용자 단말(300)은 사용자가 섭취한 음식 이미지를 수신할 수 있다.
다양한 실시 예에 따라, 406 동작에서, 사용자 단말(300)(예:도 1의 사용자 단말(300))은 수신한 이미지를 전자 장치(100)에 전송할 수 있다.
다양한 실시 예에 따라, 407 동작에서, 전자 장치(100)는 수신한 이미지에 기초하여 사용자의 섭취 칼로리에 대한 제3 정보를 획득할 수 있다. 408 동작에서, 전자 장치(100)는 제1 정보 내지 제3 정보 중 적어도 하나에 기초하여 제4 정보를 획득하고, 409 동작을 통해 사용자 단말(300)에 제1 정보 내지 제4 정보 중 적어도 하나의 정보를 전송할 수 있다. 전자 장치(100)는 사용자 단말(300) 이외에도 운동 기구에 배치된 디스플레이에 전송할 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 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.
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.
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.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 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 특허청구범위의 범위에 속한다.
Claims (9)
- 전자 장치에 의해 수행되는 운동 정보 제공 방법에 있어서,
센싱 정보를 수신하는 단계;
상기 센싱 정보에 기초하여 사용자를 식별하는 단계;
상기 식별된 사용자의 특징에 대한 제1 정보를 획득하는 단계; 및
상기 센싱 정보에 기초하여 상기 사용자의 운동량에 대한 제2 정보를 획득하는 단계
를 포함하고,
상기 제2 정보를 획득하는 단계는,
상기 센싱 정보에 기초하여, 개별 운동을 반복한 횟수를 산출한 카운팅 정보, 사용되는 운동 기구의 중량 정보, 상기 운동 기구의 이동 거리 정보 및 상기 사용자의 움직임 정보 중 적어도 하나를 획득하는 단계; 및
상기 카운팅 정보, 상기 중량 정보, 상기 이동 거리 정보 및 상기 움직임 정보 중 적어도 하나에 기초하여 상기 제2 정보를 획득하는 단계
를 포함하고,
상기 카운팅 정보는,
입력 영상에 기초하여 상기 입력 영상 내의 개별 사용자의 포즈를 추정하도록 미리 학습된 제1 인공신경망에 기초하여 생성되고,
상기 중량 정보는,
상기 입력 영상에 기초하여 상기 입력 영상에 포함된 운동 기구의 중량 정보를 예측하도록 미리 학습된 제2 인공신경망에 기초하여 생성되고,
상기 운동 기구는,
무게 별로 서로 다른 크기 및 색상으로 구현되는, 운동 정보 제공 방법. - 제1항에 있어서,
상기 사용자의 섭취 칼로리에 대한 제3 정보를 획득하는 단계;
상기 제1 정보 내지 상기 제3 정보 중 적어도 하나에 기초하여 상기 사용자가 미리 설정한 기간 내에 목표 체지방 및 목표 근육량을 달성할 확률 정보를 포함하는 제4 정보를 생성하는 단계; 및
상기 제1 정보 내지 제4 정보 중 적어도 하나를 외부 엔티티에 제공하는 단계
를 더 포함하는, 운동 정보 제공 방법.
- 삭제
- 삭제
- 제2항에 있어서,
상기 제4 정보를 생성하는 단계는,
상기 제1 정보 내지 상기 제3 정보 중 적어도 하나를 입력으로하여 상기 제4 정보를 출력하도록 미리 학습된 인공 신경망에 기초하여 상기 제4 정보를 생성하는, 운동 정보 제공 방법.
- 제1항에 있어서,
상기 사용자의 운동 패턴 및 심박수 기초하여 추천 음악 정보를 제공하는 단계
를 더 포함하고,
상기 추천 음악 정보를 제공하는 단계는,
개별 운동 동작의 1/(주기)와 배수 관계에 있는 BPM(Beat Per Minute)에 대응되는 음악을 추천 음악 정보로 제공하거나, 1/(사용자의 심박수)와 배수 관계에 있는 BPM에 대응되는 음악을 추천 음악 정보로 제공하는, 운동 정보 제공 방법.
- 제1항에 있어서,
상기 제1 정보에 기초하여 상기 사용자에 대응되는 운동 영상 추천 정보를 제공하는 단계
를 더 포함하는, 운동 정보 제공 방법.
- 제1항에 있어서,
미리 학습된 인공 신경망에 기초하여 상기 센싱 정보로부터 상기 사용자가 운동을 시작하는 시작 시점 및 상기 사용자가 운동을 종료하는 종료 시점을 인식하는 단계;
상기 시작 시점 및 종료 시점에 기초하여 사용자가 실제 운동을 수행하는 시점에 대응되는 실제 운동 영상을 획득하는 단계; 및
상기 실제 운동 영상을 외부 엔티티에 제공하는 단계
를 포함하는, 운동 정보 제공 방법.
- 운동 정보를 제공하는 전자 장치에 있어서,
메모리; 및
프로세서
를 포함하고,
상기 프로세서는,
센싱 정보를 수신하고,
상기 센싱 정보에 기초하여 사용자를 식별하고,
상기 식별된 사용자의 특징에 대한 제1 정보를 획득하고,
상기 센싱 정보에 기초하여 상기 사용자의 운동량에 대한 제2 정보를 획득하고,
상기 사용자의 섭취 칼로리에 대한 제3 정보를 획득하고,
상기 제1 정보 내지 상기 제3 정보 중 적어도 하나에 기초하여 상기 사용자의 목표에 대한 도달할 확률 정보를 포함하는 제4 정보를 생성하고,
상기 제1 정보 내지 제4 정보를 외부 엔티티에 제공하고,
상기 프로세서는,
상기 센싱 정보에 기초하여, 개별 운동을 반복한 횟수를 산출한 카운팅 정보, 사용되는 운동 기구의 중량 정보, 상기 운동 기구의 이동 거리 정보 및 상기 사용자의 움직임 정보 중 적어도 하나를 획득하고,
상기 카운팅 정보, 상기 중량 정보, 상기 이동 거리 정보 및 상기 움직임 정보 중 적어도 하나에 기초하여 상기 제2 정보를 획득하고,
상기 카운팅 정보는,
입력 영상에 기초하여 상기 입력 영상 내의 개별 사용자의 포즈를 추정하도록 미리 학습된 제1 인공신경망에 기초하여 생성되고,
상기 중량 정보는,
상기 입력 영상에 기초하여 상기 입력 영상에 포함된 운동 기구의 중량 정보를 예측하도록 미리 학습된 제2 인공신경망에 기초하여 생성되고,
상기 운동 기구는,
무게 별로 서로 다른 크기 및 색상으로 구현되는, 전자 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210070952A KR102454758B1 (ko) | 2021-06-01 | 2021-06-01 | 운동 정보 제공 방법 및 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210070952A KR102454758B1 (ko) | 2021-06-01 | 2021-06-01 | 운동 정보 제공 방법 및 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102454758B1 true KR102454758B1 (ko) | 2022-10-13 |
Family
ID=83599593
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210070952A KR102454758B1 (ko) | 2021-06-01 | 2021-06-01 | 운동 정보 제공 방법 및 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102454758B1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102609706B1 (ko) * | 2022-12-09 | 2023-12-05 | 김종원 | ＩｏＴ 기반 홈트레이닝 서비스 제공 시스템 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011197890A (ja) * | 2010-03-18 | 2011-10-06 | Hitachi Ltd | 目標運動量達成予測システム及びセンサデバイス |
| KR101864987B1 (ko) * | 2017-03-17 | 2018-06-07 | 울산대학교 산학협력단 | 트레이닝 서비스 제공 단말 및 서비스 제공 방법 |
| KR20190029430A (ko) * | 2018-08-16 | 2019-03-20 | 아이피랩 주식회사 | 인공지능 기반 온라인 피트니스 시스템 및 퍼스널 트레이닝 방법 |
| KR20200005780A (ko) * | 2018-07-09 | 2020-01-17 | 주식회사 삼육오엠씨네트웍스 | 개인용 피트니스 관리 장치 |
| KR20210030855A (ko) * | 2019-09-10 | 2021-03-18 | 장은주 | 피트니스 및 바이오 데이터 기반 큐레이션 제공방법 |
-
2021
- 2021-06-01 KR KR1020210070952A patent/KR102454758B1/ko active IP Right Grant
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2011197890A (ja) * | 2010-03-18 | 2011-10-06 | Hitachi Ltd | 目標運動量達成予測システム及びセンサデバイス |
| KR101864987B1 (ko) * | 2017-03-17 | 2018-06-07 | 울산대학교 산학협력단 | 트레이닝 서비스 제공 단말 및 서비스 제공 방법 |
| KR20200005780A (ko) * | 2018-07-09 | 2020-01-17 | 주식회사 삼육오엠씨네트웍스 | 개인용 피트니스 관리 장치 |
| KR20190029430A (ko) * | 2018-08-16 | 2019-03-20 | 아이피랩 주식회사 | 인공지능 기반 온라인 피트니스 시스템 및 퍼스널 트레이닝 방법 |
| KR20210030855A (ko) * | 2019-09-10 | 2021-03-18 | 장은주 | 피트니스 및 바이오 데이터 기반 큐레이션 제공방법 |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102609706B1 (ko) * | 2022-12-09 | 2023-12-05 | 김종원 | ＩｏＴ 기반 홈트레이닝 서비스 제공 시스템 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102116968B1 (ko) | Ai 기반의 스마트 코칭 방법 | |
| Khatun et al. | Deep CNN-LSTM with self-attention model for human activity recognition using wearable sensor | |
| TWI650713B (zh) | 客製化的訓練建議 | |
| KR102054134B1 (ko) | 교감형 운동 머신 기반의 운동 코칭 방법 및 시스템 | |
| JP5356690B2 (ja) | ユーザの身体運動の範囲を追跡するための方法、システム、およびプログラム | |
| CN109155154A (zh) | 自适应运动性活动处方系统 | |
| CN111027487A (zh) | 基于多卷积核残差网络的行为识别系统、方法、介质及设备 | |
| KR101988718B1 (ko) | 헬스케어 및 스마트라이프로거를 위한 걸음걸이 분석 방법 및 시스템 | |
| US11587665B2 (en) | Methods, systems, and non-transitory computer readable media for estimating maximum heart rate and maximal oxygen uptake from submaximal exercise intensities | |
| Kowsar et al. | Detecting unseen anomalies in weight training exercises | |
| KR102173335B1 (ko) | 모션 인식 기반의 신체능력 분석 방법 및 그 장치 | |
| KR102356824B1 (ko) | 피트니스 센터 회원 정보를 관리하는 전자 장치 및 피트니스 센터 회원 정보 관리 방법 | |
| KR20200144991A (ko) | 운동 보조 장치 및 운동 보조 방법 | |
| KR101890989B1 (ko) | 딥러닝 알고리즘을 이용한 사물인식을 사용하여 칼로리 측정 및 소비를 위한 o2o 방식의 칼로리 관리시스템 | |
| KR102454758B1 (ko) | 운동 정보 제공 방법 및 장치 | |
| US20220054892A1 (en) | System and Method for Providing Real-Time Feedback Related to Fitness Training | |
| KR102321713B1 (ko) | 턱걸이 기구를 이용한 인공지능 기반 콘텐츠 제공 방법, 장치 및 시스템 | |
| KR20220068282A (ko) | 얼굴인식과 동작인식을 활용한 지능형 버추얼 피트니스 시스템 및 그 동작 방법 | |
| US20200113518A1 (en) | System for facilitating monitoring of fitness devices | |
| KR20100052951A (ko) | 일체형 헬스케어 장치 | |
| KR20220085445A (ko) | 자세교정 어플리케이션을 통한 정보 제공 방법 및 시스템 | |
| Chahal | The critical application of internet of things (IoT) in the overall development of education | |
| KR102493903B1 (ko) | 운동 정보 제공 방법 및 장치 | |
| KR102296885B1 (ko) | 사용자 맞춤형 헬스 해빗 서비스 장치 | |
| KR102227876B1 (ko) | 전자식 웨이트 핀 및 이를 포함하는 운동량 측정 시스템 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |