KR102465318B1 - 웨어러블 센서를 이용한 일상 행동 패턴의 자동인식 및 분류하는 시스템 및 방법 - Google Patents

웨어러블 센서를 이용한 일상 행동 패턴의 자동인식 및 분류하는 시스템 및 방법 Download PDF

Info

Publication number
KR102465318B1
KR102465318B1 KR1020220001100A KR20220001100A KR102465318B1 KR 102465318 B1 KR102465318 B1 KR 102465318B1 KR 1020220001100 A KR1020220001100 A KR 1020220001100A KR 20220001100 A KR20220001100 A KR 20220001100A KR 102465318 B1 KR102465318 B1 KR 102465318B1
Authority
KR
South Korea
Prior art keywords
information
user
behavior
sensor module
classified
Prior art date
Application number
KR1020220001100A
Other languages
English (en)
Inventor
김문상
이덕원
이상협
전국성
오소진
Original Assignee
광주과학기술원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 광주과학기술원 filed Critical 광주과학기술원
Priority to KR1020220001100A priority Critical patent/KR102465318B1/ko
Application granted granted Critical
Publication of KR102465318B1 publication Critical patent/KR102465318B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1123—Discriminating type of movement, e.g. walking or running
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1112—Global tracking of patients, e.g. by using GPS
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1116—Determining posture transitions
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2503/00—Evaluating a particular growth phase or type of persons or animals
    • A61B2503/12—Healthy persons not otherwise provided for, e.g. subjects of a marketing survey
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
    • A61B2560/02—Operational features
    • A61B2560/0242—Operational features adapted to measure environmental factors, e.g. temperature, pollution
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Physiology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Artificial Intelligence (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Image Analysis (AREA)

Abstract

본 발명의 일 실시예에 따른 생활공간 환경정보와 웨어러블 센서를 이용하여 사용자의 일상 생활 행동 데이터를 자동으로 수집 및 분류하는 시스템은 사용자의 행동 패턴을 연속적으로 측정하는 웨어러블 센서모듈; 및 상기 웨어러블 센서모듈에서 획득된 정보를 기계학습 알고리즘에 적용시켜 사용자의 행동 패턴을 분석하고 사용자의 행동을 자동으로 판별 및 분류하고, 상기 판별 또는 분류된 행동의 오인식 정보를 수정하기 위하여 생활공간 환경 정보를 이용하여 상기 판별 또는 분류된 행동을 자동으로 확정 또는 재 분류하는 행동 판별부를 포함한다.

Description

웨어러블 센서를 이용한 일상 행동 패턴의 자동인식 및 분류하는 시스템 및 방법{Systems and methods for automatically recognizing and classifying daily behavior patterns using wearable sensors}
본 발명은 웨어러블 센서를 이용한 일상 행동 패턴을 자동인식 및 분류하는 시스템 및 방법에 관한 것이다.
다양한 웨어러블(wearable) 기기가 등장하면서 일상생활에서의 사용자의 행동을 기록할 수 있게 되었다. 예를 들 어, 사용자가 걷고 있는지 뛰고 있는지 등에 관한 기본적인 정보를 저장할 수 있는 다양한 방법들이 개발되고 있다. 그러나 현재까지 운동 이외의 영역에서 일반적인 행동을 분류하는 방법에 대하여는 개발되고 있지 않다. 즉, 사용자가 의도하는 행동을 패턴별로 구분하여 분류하고 이에 대하여 평가를 할 수 있게 되면 사용자의 일상 생활 전반을 기록할 수 있을 뿐만 아니라 IoT 기기 등의 배치된 환경에서 상황인지(contextual awareness) 서비스와의 연계도 가능하게 될 수 있으나 아직 이와 같은 기술에 대하여 별도의 개발이 이루어지지 않은 상태이다.
공개특허공보 제10-2019-0095614호 (발명의 명칭: 행동패턴 분류 및 평가 방법)
본 발명이 해결하고자 하는 과제는 종래의 문제점을 해결할 수 있는 웨어러블 센서를 이용한 일상 행동 패턴을 자동인식 및 분류하는 시스템 및 방법을 제공하는 데 그 목적이 있다.
상기 과제를 해결하기 위한 본 발명의 일 실시예에 따른 웨어러블 센서를 이용한 일상 행동 패턴의 자동인식 및 분류하는 시스템은 사용자의 행동 패턴을 연속적으로 측정하는 웨어러블 센서모듈; 및 상기 웨어러블 센서모듈에서 획득된 정보를 기계학습 알고리즘에 적용시켜 사용자의 행동 패턴을 분석하고 사용자의 행동을 자동으로 판별 및 분류하고, 상기 판별 또는 분류된 행동의 오인식 정보를 수정하기 위하여 사용자의 생활 공간장소의 명칭 또는 용도, 장소의 범위, 해당 공간장소에서 발생가능한 이벤트 또는 사용자의 행동, 이외에 해당 장소의 온도, 습도, 조도 중 적어도 하나 이상을 포함하는 생활공간 환경 정보를 이용하여 상기 판별 또는 분류된 행동을 자동으로 확정 또는 재 분류하고, 상기 웨어러블 센서모듈에서 내장되거나 또는 외부에 별도로 위치한 서버에 포함된 행동 판별부; 고정형 또는 이동형 상황정보 수집장치를 이용하여 획득한 상황 데이터와 상기 웨어러블 센서모듈에서 수집된 행동 정보를 연계하여 사용자의 행동상황을 인식 및 판별하는 행동 상황 판별부를 포함하고, 상기 행동 판별부는 상기 웨어러블 센서모듈에서 센싱한 정보를 기초로 기계학습 알고리즘을 이용하여 사용자의 행동을 1차 판별 또는 분류하는 1차 판별/분류부; 및 판별 결과의 오류를 극복하기 위하여, 상기 판별 또는 분류된 행동들을 생활공간 환경정보에 정의된 공간적, 시간적인 상관관계와 이전/이후 행동 분류 결과를 이용하여 상기 1차로 판별 또는 분류된 행동들을 재 분류하는 재분류부를 포함하고, 상기 행동 상황 판별부는 2차원 영상정보, 3차원 공간정보, 사용자의 관절정보를 획득하는 형상스캔 카메라; 실내 또는 실외에 위치한 사용자의 위치를 추적하는 위치 센서 모듈; 외부의 소리 및 음성정보를 분석 및 인식하는 음성 및 소리 인식 모듈; 영상정보를 출력하는 영상출력부; 음성 및 음향을 출력하는 음성출력부 중 적어도 하나 이상을 포함하는, 것을 특징으로 한다.
삭제
삭제
삭제
일 실시예에서, 상기 웨어러블 센서모듈은 사용자의 신체 중 임의의 부위에 단수 또는 복수개를 착용할 수 있으며, WiFi, WiDi, UWB, 블루투스, 적외선, 자외선, 초음파, GPS 또는 이와 유사한 기능을 하는 무선 신호 중 어느 하나 이상의 신호를 송수신하기 위한 위치 센서 및 사용자의 움직임에 따른 가속도, 각속도 및 방향, 고도 등을 측정하거나 또는 이외의 사용자 움직임을 측정할 수 있는 모션 센서(사용자 움직임 측정 센서)를 포함하고, 상기 모션 센서는 고도 직접 측정, 대기압 측정 또는 각도 / 속도 / 가속도 / 각속도 등을 이용하여 사용자의 움직임을 측정하고, 측정 데이터를 정보 처리 서버로 제공한다.
삭제
삭제
삭제
삭제
삭제
삭제
삭제
삭제
일 실시예에서, 상기 일상 생활 상황 판별부는 획득된 3차원 공간 정보, 위치정보, 소리 정보, 사용자의 관절 정보 중 어느 하나의 정보를 이용하여 사용자의 행동 및 상황 정보를 인식하는 고정형 또는 이동형 로봇에 탑재된다.
일 실시예에서, 상기 일상 생활 행동 판별부는 상기 웨어러블 센서모듈 및 상기 일상 생활 행동 상황 판별부에서 실시간 전송된 생황공간 환경정보로 기존 정보를 업데이트 한다.
상기 과제를 해결하기 위한 본 발명의 일 실시예에 따른 생활공간 환경정보와 웨어러블 센서를 이용하여 사용자의 일상 생활 행동 데이터를 자동으로 수집 및 분류하는 방법은 웨어러블 센서모듈에서 센싱한 사용자의 행동정보를 수집하는 단계; 상기 웨어러블 센서모듈에서 내장되거나 또는 외부에 별도로 위치한 서버에 포함된 행동 판별부에서 상기 웨어러블 센서모듈에서 획득된 행동정보를 기계학습 알고리즘에 적용시켜 사용자의 행동 패턴을 분석하고 사용자의 행동을 자동으로 판별 및 분류하고, 상기 판별 또는 분류된 행동의 오인식 정보를 수정하기 위하여 사용자의 생활 공간장소의 명칭 또는 용도, 장소의 범위, 해당 공간장소에서 발생가능한 이벤트 또는 사용자의 행동, 이외에 해당 장소의 온도, 습도, 조도 중 적어도 하나 이상을 포함하는 생활공간 환경 정보를 이용하여 상기 판별 또는 분류된 행동을 자동으로 확정 또는 재 분류하는 단계를 포함하고, 상기 자동으로 확정 또는 재 분류하는 단계는 고정형 또는 이동형 로봇으로부터 획득한 사용자 행동 판별 및 검증 결과를 상황 데이터와 연계하여 일상 생황 행동의 상황을 인식하는 단계 및 실시간 전송된 생황공간 환경정보로 기존 정보를 업데이트하는 단계를 포함하고, 1차 판별/분류부에서 상기 웨어러블 센서모듈에서 센싱한 정보를 기초로 기계학습 알고리즘을 이용하여 사용자의 행동을 판별 또는 분류하는 단계; 및 재분류부에서 판별 결과의 오류를 극복하기 위하여, 상기 판별 또는 분류된 행동들을 생활공간 환경정보에 정의된 공간적, 시간적인 상관관계와 이전/이후 행동 분류 결과를 이용하여 상기 판별 또는 분류된 행동들을 재 분류하는 단계를 포함하는 것을 특징으로 한다.
삭제
삭제
삭제
삭제
삭제
삭제
본 발명의 일 실시예에 따른 웨어러블 센서를 이용한 일상 행동 패턴의 자동인식 및 분류 시스템 및 방법을 이용하면, 실내(실외도 가능) 위치정보, 가속도, 높이, 자이로, 마그네틱 정보와 같은 사용자의 일상 행동과 관련된 다양한 상황 데이터를 수집하고, 수집된 일상 행동 데이터 및 상황 데이터를 기초로 사용자의 일상 행동 패턴을 보다 상세하게 정의, 분류할 수 있다는 이점을 제공한다.
도 1은 본 발명의 일 실시예에 따른 웨어러블 센서를 이용한 일상 행동 패턴의 자동인식 및 분류 시스템의 장치 구성도이다.
도 2는 도 1에 도시된 웨어러블 센서모듈의 장치 구성도이다.
도 3은 도 1에 도시된 정보처리서버의 장치 구성도이다.
도 4는 도 3에 도시된 행동판별부의 장치 구성도이다.
도 5는 본 발명의 일 실시예에 따른 웨어러블 센서를 이용한 일상 행동 패턴의 자동인식 및 분류하는 방법을 설명한 흐름도이다.
도 6은 본 명세서에 개진된 하나 이상의 실시예가 구현될 수 있는 예시적인 컴퓨팅 환경을 도시한 도이다.
이하, 본 명세서의 실시예가 첨부된 도면을 참조하여 기재된다. 그러나, 이는 본 명세서에 기재된 기술을 특정한 실시 형태에 대해 한정하는 것이 아니며, 본 명세서의 실시예의 다양한 변경(modifications), 균등물(equivalents), 및/또는 대체물(alternatives)을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 본 명세서에서, "가진다," "가질 수 있다," "포함한다," 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.
본 명세서에서, "A 또는 B," "A 또는/및 B 중 적어도 하나," 또는 "A 또는/및 B 중 하나 또는 그 이상"등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. 예를 들면, "A 또는 B," "A 및 B 중 적어도 하나," 또는 "A 또는 B 중 적어도 하나"는, (1) 적어도 하나의 A를 포함, (2) 적어도 하나의 B를 포함, 또는 (3) 적어도 하나의 A 및 적어도 하나의 B 모두를 포함하는 경우를 모두 지칭할 수 있다.
본 명세서에서 사용된 "제 1," "제 2," "첫째," 또는 "둘째,"등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다. 예를 들면, 제 1 사용자 기기와 제 2 사용자 기기는, 순서 또는 중요도와 무관하게, 서로 다른 사용자 기기를 나타낼 수 있다. 예를 들면, 본 명세서에 기재된 권리 범위를 벗어나지 않으면서 제 1 구성요소는 제 2 구성요소로 명명될 수 있고, 유사하게 제 2 구성요소도 제 1 구성요소로 바꾸어 명명될 수 있다.
어떤 구성요소(예: 제 1 구성요소)가 다른 구성요소(예: 제 2 구성요소)에 "(기능적으로 또는 통신적으로) 연결되어((operatively or communicatively) coupled with/to)" 있다거나 "접속되어(connected to)" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제 3 구성요소)를 통하여 연결될 수 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소(예: 제 1 구성요소)가 다른 구성요소(예: 제 2 구성요소)에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소와 상기 다른 구성요소 사이에 다른 구성요소(예: 제 3 구성요소)가 존재하지 않는 것으로 이해될 수 있다.
본 명세서에서 사용된 표현 "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, "~에 적합한(suitable for)," "~하는 능력을 가지는(having the capacity to)," "~하도록 설계된(designed to)," "~하도록 변경된(adapted to)," "~하도록 만들어진(made to)," 또는 "~를 할 수 있는(capable of)"과 바꾸어 사용될 수 있다. 용어 "~하도록 구성된(또는 설정된)"은 하드웨어적으로 "특별히 설계된(specifically designed to)" 것만을 반드시 의미하지 않을 수 있다. 대신, 어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다.
예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된) 프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용프로세서(generic-purpose processor)(예: CPU 또는 application processor)를 의미할 수 있다.
본 명세서에서 사용된 용어들은 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 다른 실시예의 범위를 한정하려는 의도가 아닐 수 있다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다. 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 용어들은 본 명세서에 기재된 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가질 수 있다. 본 명세서에 사용된 용어들 중 일반적인 사전에 정의된 용어들은, 관련 기술의 문맥상 가지는 의미와 동일 또는 유사한 의미로 해석될 수 있으며, 본 명세서에서 명백하게 정의되지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다. 경우에 따라서, 본 명세서에서 정의된 용어일지라도 본 명세서의 실시예들을 배제하도록 해석될 수 없다
이하, 첨부된 도면들에 기초하여 본 발명의 일 실시예에 따른 웨어러블 센서를 이용한 일상 행동 패턴의 자동인식 및 분류 시스템을 보다 상세하게 설명하도록 한다.
본 발명은 대상자의 일상 생황 행동과 관련된 신체정보, 행동정보, 주변상황정보를 수집하고, 수집된 정보를 인공지능 기술(딥러닝 학습 알고리즘)을 통해 대상자의 일상 생활 행동 패턴을 인식/분류/확정/재확정하고, 장소 및 시간과 같은 상황 데이터와 행동 패턴의 연속성을 기반으로 행동패턴 인식의 오류를 수정하여 보다 높은 수준의 행동 상황 정보를 구축하고자 하는 발명이다.
참고로, 딥러닝(deep learning), 심층학습은 여러 비선형 변환기법의 조합을 통해 높은 수준의 추상화(abstractions)를 시도하는 기계학습(machine learning) 알고리즘의 집합으로 정의되며, 큰 틀에서 사람의 사고방식을 컴퓨터에게 가르치는 기계학습의 한 분야일 수 있다.
컴퓨터가 여러 데이터를 이용해 마치 사람처럼 스스로 학습할 수 있게 하기 위해 인공 신경망(ANN: artificial neural network)을 기반으로 구축한 한 기계 학습 기술일 수 있다. 딥러닝은 인간의 두뇌가 수많은 데이터 속에서 패턴을 발견한 뒤 사물을 구분하는 정보처리 방식을 모방해 컴퓨터가 사물을 분별하도록 기계를 학습시킬 수 있다. 딥러닝 기술을 적용하면 사람이 모든 판단 기준을 정해주지 않아도 컴퓨터가 스스로 인지, 추론, 판단할 수 있게 될 수 있다. 음성·이미지 인식과 사진 분석 등에 광범위하게 활용될 수 있다
기계학습은 기계가 방대한 샘플 데이터를 분석하고, 훈련 데이터를 반복하여, 규칙, 규정, 표현, 조건, 판단 기준 등을 스스로 추출한 후 데이터베이스에 축적해 학습할 수 있다. 인식 및 분석이 필요한 데이터가 입력된 경우, 기계는 축적된 데이터베이스를 근거로 데이터를 분석하고 식별하고 관계성을 생각하고 예측하며, 인간이 평소에 하는 '생각하는' 작업을 대체할 수 있다.
신경망은 기계학습의 한 종류로, 인간의 뇌를 모방한 기술 일 수 있다. 신경망은 사물의 '특징값'을 추출하여, 인간과 비슷한 방법으로 학습을 할 수 있다. 예를 들어, 인간은 인간의 뇌가 지금까지의 경험을 통해 개인지 고양이인지를 판단하기 위한 '특징'을 학습해서 가지고 있고, 그것을 기반으로 몇 개의 이미지를 보고 '개'와 '고양이'로 분류할 수 있다.
신경망에서는 대상을 식별하기 위해 인간이 제시한 규칙이 아니라 특징값을 산출할 수 있다. 특징값을 '개'라고 가르치면 개로 분류할 수 있다. 반복하면 기계 스스로가 특징값을 산출해 개로 분류할 정보가 늘어날 수 있다. 컴퓨터가 다루는 특징값은 벡터 형태의 수치일 수 있다. 특징들은 훈련을 통해 기계가 자동으로 학습하기 때문에 개발자는 기존과 같이 세세한 규칙을 정의해야 하는 업무에서 해방될 수 있다. 이미지를 입력하면 그 일치할 경우 고양이라고 판단해 분류할 수 있다. 개를 판단하는 특징값을 인간이 만들어서 제공한 것이 아니라 기계가 학습을 통해 스스로 계산할 수 있다.
신경망은 입력층, 출력층, 및 중간층을 포함할 수 있다. 중간층은 은닉층이라 할 수 있다. 중간층이 있으면 처리를 담당하는 뉴런군의 층이 증가할 수 있다. 중간층에 다층 뉴런 층을 가지는 것을 심층 신경망이라 할 수 있다. 심층 신경망에서 이뤄지는 기계학습을 딥러닝이라 할 수 있다. 더 많은 데이터를 훈련시켜 처리하기 위해 중간층을 더욱 다층화시킬 수 있다. 중간층이 과다하게 다층화되면, 파라미터의 수가 너무 많아지고, 뉴런이 많고 복잡해져 아무 관계도 없던 결합이 늘어나 과적합(over-fitting)될 수 있다. 과적합으로 인해 성능이 저하될 수 있다. 합성곱 신경망(CNN: Convolution Neural Network)이 문제를 해결할 수 있다.
합성곱 신경망은 최소한의 전처리(preprocess)를 사용하도록 설계된 다계층 퍼셉트론(multilayer perceptrons)의 한 종류이다. CNN은 하나 또는 여러 개의 합성곱 계층과 그 위에 올려진 일반적인 인공 신경망 계층들로 이루어져 있으며, 가중치와 통합 계층(pooling layer)들을 추가로 활용할 수 있다. CNN은 2차원 구조의 입력 데이터를 충분히 활용할 수 있다. 다른 딥러닝 구조들과 비교해서, CNN은 영상, 음성 분야 모두에서 좋은 성능을 보여줄 수 있다. CNN은 또한 표준 역전달을 통해 훈련될 수 있다. CNN은 다른 피드포워드 인공신경망 기법들 보다 쉽게 훈련되는 편이고 적은 수의 매개변수를 사용한다는 이점이 있다
합성곱 신경망은 이미지의 일부 영역을 분석하고, 그 영역의 창을 미끄러지듯 옮겨 다음 영역, 그리고 다음 영역으로 반복해 나갈 수 있다. 파악한 이미지 영역의 정보를 모든 뉴런으로 전파하지 않고, 관계성이 높은 뉴런에만 전파할 수 있다. 이를 통해 과적합 문제를 해결할 수 있다.
시계열 데이터 분석에 높은 성능을 보이는 리커런트 신경망(RNN: Recurrent Neural Network)은 입력층, 중간층, 출력층을 포함할 수 있는데, 현재 중간층의 값이 다음 출력층의 계산에 영향을 줄 수 있다. 리커런트 신경망은 중간층의 노드가 방향을 가진 엣지로 연결돼 순환구조를 이루는(directed cycle) 인공신경망의 한 종류일 수 있다. 리커런트 신경망의 핵심은 노드간, 층간 최적 파라미터를 찾는 것일 수 있다. 리커런트 신경망을 양방향 리커런트 신경망으로 확장할 수 있다. 양방향 리커런트 신경망은 순서 데이터를 모델링할 때, 현재 순서 데이터가 전 데이터뿐만 아니라 후 데이터에 영향을 받을 수 있다. 단방향 리커런트 신경망이 전 데이터와 현재 데이터만 참조하는 것과는 달리, 양방향 리커런트 신경망은 전 데이터와 후 데이터 그리고 현재 데이터를 모두 참조할 수 있다.
시계열 데이터는 시간의 경과와 함께 일정한 간격마다 관측 값이 기록되어 있는 데이터일 수 있다. 시계열 데이터 분석 기법은 금융, 군사, 제조 등 많은 분야에서 사용될 수 있다. 시계열 데이터를 정확하게 분석하는 것은 금융 예측, 제조 진단 등에 매우 중요할 수 있다. 예를 들어, 발전소의 대형 시스템에서 입력되는 신호를 정확하게 예측하면, 고장을 예측하고 정비주기를 정확하게 산정하여 사고의 위험을 줄일 뿐만 아니라, 정비의 비용을 현저하게 줄일 수 있다. 다중 시계열 데이터는 시간에 따라 변화하는 다수의 변수의 기록일 수 있다.
예를 들어 다중 시계열 데이터는 시간별 다수의 주식 가격, 시간별 다수의 환율의 변화를 포함할 수 있다. 시계열 데이터는 지속성이 있을 수 있다. 예를 들어, 사람들은 각 단어를 이전 단어들에 기반을 두어 이해할 수 있고, 이전 비디오 프레임들이 현재 프레임을 이해하는 데 영향을 미칠 수도 있다. 정적 데이터와 달리 시계열 데이터는 여러 특성이 있을 수 있다. 예를 들어, 시간의 경과에 따라 상대적으로 부드럽게 변화하는 시계열 데이터가 있을 수 있고, 급변하게 변하는(고주파) 시계열 데이터가 있을 수 있다. 또한, 특정 패턴을 반복하는 시계열 데이터가 있을 수 있다.
딥러닝 기술의 발전으로 인해 정적인 데이터의 분석뿐만 아니라, 시계열 데이터도 분석 및 예측할 수 있다. 시계열 데이터를 딥러닝을 통해 신뢰성 높은 분석 및 예측 결과를 얻으려면 많은 양의 학습 데이터가 필요하다는 제약이 있을 수 있다. 현실적으로 많은 데이터를 구하기가 어렵거나 시간이 오래 걸릴 수 있다. 각각의 시계열 데이터에 따라 적합한 딥러닝 알고리즘이 다를 수 있다는 것을 미리 설명한다.
도 1은 본 발명의 일 실시예에 따른 웨어러블 센서를 이용한 일상 행동 패턴의 자동인식 및 분류 시스템의 장치 구성도이고, 도 2는 도 1에 도시된 웨어러블 센서모듈의 장치 구성도이고, 도 3은 도 1에 도시된 정보처리서버의 장치 구성도이고, 도 4는 도 3에 도시된 행동판별부의 장치 구성도이다.
먼저, 도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 웨어러블 센서를 이용한 일상 행동 패턴의 자동인식 및 분류 시스템(100)은 웨어러블 센서모듈(200) 및 정보처리서버(300)를 포함한다.
상기 웨어러블 센서모듈(200) 및 정보처리서버(300)는 유/무선 통신망을 통해 내부의 임의의 구성 요소 또는 외부의 임의의 적어도 하나의 단말기(영상 캠, 콘솔 조작부 등)과 통신 연결할 수 있다. 여기서, 무선 인터넷 기술로는 무선랜(Wireless LAN: WLAN), DLNA(Digital Living Network Alliance), 와이브로(Wireless Broadband: Wibro), 와이맥스(World Interoperability for Microwave Access: Wimax), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), IEEE 802.16, 롱 텀 에볼루션(Long Term Evolution: LTE), LTE-A(Long Term Evolution-Advanced), 광대역 무선 이동 통신 서비스(Wireless Mobile Broadband Service: WMBS) 등이 있으며, 상기에서 나열되지 않은 인터넷 기술까지 포함한 범위에서 적어도 하나의 무선 인터넷 기술에 따라 데이터를 송수신하게 된다. 또한, 근거리 통신 기술로는 블루투스(Bluetooth), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association: IrDA), UWB(Ultra Wideband), 지그비(ZigBee), 인접 자장 통신(Near Field Communication: NFC), 초음파 통신(Ultra Sound Communication: USC), 가시광 통신(Visible Light Communication: VLC), 와이 파이(Wi-Fi), 와이 파이 다이렉트(Wi-Fi Direct) 등이 포함될 수 있다. 또한, 유선 통신 기술로는 전력선 통신(Power Line Communication: PLC), USB 통신, 이더넷(Ethernet), 시리얼 통신(serial communication), 광/동축 케이블 등이 포함될 수 있다.
또한, 웨어러블 센서모듈(200)은 유니버설 시리얼 버스(Universal Serial Bus: USB)를 통해 임의의 단말과 정보를 상호 전송할 수 있다.
또한, 이동통신을 위한 기술표준들 또는 통신방식(예를 들어, GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), CDMA2000(Code Division Multi Access 2000), EV-DO(Enhanced Voice-Data Optimized or Enhanced Voice-Data Only), WCDMA(Wideband CDMA), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등)에 따라 구축된 이동 통신망 상에서 기지국, 클라우드 인프라 자산진단서버(300) 등과 무선 신호를 송수신한다.
보다 구체적으로, 상기 웨어러블 센서모듈(200)은 사용자의 신체에 착용되고, 사용자의 단일 또는 연속적 움직임을 센싱하여 제공하며, 사용자의 실내 또는 실외에서의 위치를 추적하는 구성이다.
상기 웨어러블 센서모듈(200)은 실내(실외도 가능) 위치정보, 가속도, 높이, 자이로, 마그네틱 정보와 같은 행동에 관련된 다양한 정보를 센싱하기 위한 적어도 하나 이상의 센서를 포함할 수 있다.
즉, 웨어러블 센서모듈(200)은 착용가능한 복수 개의 센서를 통해 걷기, 앉기, 눕기 등의 일상 행동 패턴을 연속적으로 측정하기 위한 구성일 수 있다.
보다 상세하게는 사용자의 신체 중 임의의 부위에 단수 또는 복수개를 착용할 수 있으며, WiFi, WiDi, UWB, 블루투스, 적외선, 자외선, 초음파, GPS 또는 이와 유사한 기능을 하는 무선 신호 중 어느 하나 이상의 신호를 송수신하기 위한 위치 센서 및 사용자의 움직임에 따른 가속도, 각속도 및 방향, 고도 등을 측정하거나 또는 이외의 사용자 움직임을 측정할 수 있는 모션 센서(사용자 움직임 측정 센서)를 포함할 수 있다. 상기 모션 센서는 고도 직접 측정, 대기압 측정 또는 각도 / 속도 / 가속도 / 각속도 등을 이용하여 사용자의 움직임을 측정한다.
다음으로, 정보처리서버(300)는 웨어러블 센서모듈(200)에서 측정한 사용자의 연속적인 행동정보를 후처리하여 정의된 행동패턴을 인식하고, 후술하는 고정형 또는 이동형 상황정보수집부에서 수집되거나 또는 기 설정된 상황정보를 이용하여 사용자의 행동을 자동을 판별 및 분류하고, 상기 판별 또는 분류된 행동의 오인식 정보를 수정하기 위하여 생활공간 환경 정보를 이용하여 상기 판별 또는 분류된 행동을 자동으로 확정 또는 재 분류하는 구성일 수 있다.
보다 구체적으로, 정보처리서버(300)는 입력부(310), 행동 판단부(320) 및 행동상황 판단부(330)를 포함한다.
상기 입력부(310)은 근거리 또는 원거리 통신망을 이용하여 웨어러블 센서모듈(200), 고정형 또는 이동형 상황정보수집장치(10)에서 측정한 정보를 입력받는 구성일 수 있다.
여기서, 상황정보 수집장치(10)는 사용자가 위치한 실내 또는 실외의 2차원 영상정보, 3차원 공간정보, 사용자의 관절정보를 획득하는 형상스캔 카메라(131), 실내 또는 실외에 위치한 사용자의 위치를 추적하는 위치 센서 모듈(132), 외부의 소리 및 음성정보를 분석 및 인식하는 음성 및 소리 인식 모듈(133), 영상정보를 출력하는 영상출력부(134), 음성 및 음향을 출력하는 음성출력부(135) 중 적어도 하나 이상을 포함하고, 사용자의 일상생활 행동패턴을 판별 및 분석하기 위한 정보를 수집하는 구성일 수 있다.
또한, 획득된 3차원 공간 정보, 위치정보, 소리 정보, 사용자의 관절 정보 중 어느 하나의 정보를 이용하여 사용자의 행동 및 상황 정보를 인식하도록 고정형 또는 이동형 로봇에 탑재될 수도 있다.
상기 행동 판단부(320)는 상기 웨어러블 센서모듈(200)에서 획득된 정보를 기계학습 알고리즘에 적용시켜 사용자의 행동 패턴을 분석하고, 분석된 사용자의 행동패턴의 행동을 자동으로 판별 및 분류하고, 상기 판별 또는 분류된 행동의 오인식 정보를 수정하기 위하여 생활공간 환경정보를 이용하여 상기 판별 또는 분류된 행동을 자동으로 확정 또는 재 분류하는 구성일 수 있다.
보다 구체적으로, 상기 행동 판별부(320)는 판별/분류부(321) 및 재분류부(322)를 포함한다.
상기 판별/분류부(321)는 상기 웨어러블 센서모듈(200)에서 센싱한 정보를 기초로 기계학습 알고리즘을 이용하여 사용자의 행동을 판별 또는 분류하는 구성이다.
상기 재분류부(122)는 판별 결과의 오류를 극복하기 위하여, 상기 판별 또는 분류된 행동들을 생활공간 환경정보에 정의된 공간적, 시간적인 상관관계와 이전/이후 행동 분류 결과를 이용하여 상기 1차로 판별 또는 분류된 행동들을 재 분류하는 구성이다.
상기 행동 판별부(320)는 상기 상황 정보 수집장치(10)에서 실시간 전송된 생황공간 환경정보로 기존 정보를 업데이트한다.
한편, 본 발명에서는 웨어러블 센서모듈(200)과 분리된 형태로 언급하였으나, 상황에 따라서 상기 웨어러블 센서모듈(200)에 내장되도록 설계될 수 있다.
한편, 본 발명의 일 실시예에 따른 시스템(100)은 행동상황 판별부(330)를 더 포함할 수 있다.
상기 행동상황 판별부(330)는 고정형 또는 이동형 상황정보 수집장치(10)을 이용하여 획득한 사용자 상황정보를 행동과 연계하여 행동상황을 인식 및 판별하는 구성일 수 있다.
여기서, 상황정보는 사용자의 위치정보, 시간정보, 사용자가 위치한 공간의 명칭 또는 용도, 발생할 수 있는 이벤트 등 사용자에게 영향을 미칠 수 있는 모든 정보를 포함하는 정보일 수 있다.
예를 들면, 사용자가 복도에 위치하여 있는데 바닥에 눕는 동작이 일어나면, 낙상이 발생했을 수 있다. 그러나, 이후 다시 사용자가 일어나서 걷는 동작이 일어나면 이는 낙상으로 분류하지 않아도 된다.
즉, 상황정보는 사용자가 수동으로 정의하거나 로봇이나 센서를 통해 자동으로 정의 가능한 정보이다.
참고로, 웨어러블 센서는 사용자의 개괄적인 움직임만을 측정할 수 있기 때문에, 보다 높은 수준의 상황 정보를 반영하기 위하여 고정되어 있는 센서나 로봇을 이용하여 상황 정보 또는 행동의 상황 정보를 확인할 필요가 있다.
보다 높은 상황 정보를 사용하지 않을 때: 소파에 앉음, 침대에 누움
보다 높은 상황 정보를 사용할 때: 소파에 앉아서 TV를 시청하고 있음, 침대에 누워 핸드폰을 보고 있음 또는 침대에 누워 자고 있음
도 5는 본 발명의 일 실시예에 따른 웨어러블 센서를 이용한 일상 행동 패턴의 자동인식 및 분류 방법을 설명한 흐름도이다.
도 5에 도시된 바와 같이, 본 발명의 일 실시예에 따른 웨어러블 센서를 이용한 일상 행동 패턴의 자동인식 및 분류 방법(S700)은 먼저, 웨어러블 센서모듈에서 센싱한 사용자의 행동정보를 수집(S710)한 후, 정보처리서버(300)의 행동 판별부(320)에서 상기 웨어러블 센서모듈(200)에서 획득된 행동정보를 기계학습 알고리즘에 적용시켜 사용자의 행동 패턴을 분석(S720)하고 사용자의 행동을 자동으로 판별 및 분류(S730)하고, 상기 판별 또는 분류된 행동의 오인식 정보를 수정하기 위하여 생활공간 환경 정보를 이용하여 상기 판별 또는 분류된 행동을 자동으로 확정 또는 재 분류(S740)한다.
또한, 상기 S700 과정은 상기 S720 과정 이전에 고정형 또는 이동형 상황정보 수집장치(10)로부터 웨어러블 센서모듈(200)을 착용한 사용자가 위치한 공간의 상황정보를 수집하는 단계를 더 포함한다.
상기 S730 과정은 상기 S720 과정에서 판별 결과의 오류를 극복하기 위하여, 상기 판별 또는 분류된 행동들을 생활공간 환경정보에 정의된 공간적, 시간적인 상관관계와 이전/이후 행동 분류 결과를 이용하여 상기 판별 또는 분류된 행동들을 재 분류하는 과정일 수 있다.
상기 S740 과정은 사용자 행동 판별 및 검증 결과를 상기 고정형 또는 이동형 상황정보 수집장치(10)로부터 획득한 상황 데이터와 연계하여 일상 생황 행동의 상황을 인식하는 단계를 더 포함할 수 있다.
따라서, 본 발명의 일 실시예에 따른 웨어러블 센서를 이용한 일상 행동 패턴의 자동인식 및 분류 시스템 및 방법을 이용하면, 실내(실외도 가능) 위치정보, 가속도, 높이, 자이로, 마그네틱 정보와 같은 사용자의 일상 행동과 관련된 다양한 상황 데이터를 수집하고, 수집된 일상 행동 데이터 및 상황 데이터를 기초로 사용자의 일상 행동 패턴을 보다 상세하게 정의, 분류할 수 있다는 이점을 제공한다.
도 6은 본 명세서에 개진된 하나 이상의 실시예가 구현될 수 있는 예시적인 컴퓨팅 환경을 도시하는 도면으로, 상술한 하나 이상의 실시예를 구현하도록 구성된 컴퓨팅 디바이스(1100)를 포함하는 시스템(1000)의 예시를 도시한다. 예를 들어, 컴퓨팅 디바이스(1100)는 개인 컴퓨터, 서버 컴퓨터, 핸드헬드 또는 랩탑 디바이스, 모바일 디바이스(모바일폰, PDA, 미디어 플레이어 등), 멀티프로세서 시스템, 소비자 전자기기, 미니 컴퓨터, 메인프레임 컴퓨터, 임의의 전술된 시스템 또는 디바이스를 포함하는 분산 컴퓨팅 환경 등을 포함하지만, 이것으로 한정되는 것은 아니다.
컴퓨팅 디바이스(1100)는 적어도 하나의 프로세싱 유닛(1110) 및 메모리(1120)를 포함할 수 있다. 여기서, 프로세싱 유닛(1110)은 예를 들어 중앙처리장치(CPU), 그래픽처리장치(GPU), 마이크로프로세서, 주문형 반도체(Application Specific Integrated Circuit, ASIC), Field Programmable Gate Arrays(FPGA) 등을 포함할 수 있으며, 복수의 코어를 가질 수 있다. 메모리(1120)는 휘발성 메모리(예를 들어, RAM 등), 비휘발성 메모리(예를 들어, ROM, 플래시 메모리 등) 또는 이들의 조합일 수 있다. 또한, 컴퓨팅 디바이스(1100)는 추가적인 스토리지(1130)를 포함할 수 있다. 스토리지(1130)는 자기 스토리지, 광학 스토리지 등을 포함하지만 이것으로 한정되지 않는다. 스토리지(1130)에는 본 명세서에 개진된 하나 이상의 실시예를 구현하기 위한 컴퓨터 판독 가능한 명령이 저장될 수 있고, 운영 시스템, 애플리케이션 프로그램 등을 구현하기 위한 다른 컴퓨터 판독 가능한 명령도 저장될 수 있다. 스토리지(1130)에 저장된 컴퓨터 판독 가능한 명령은 프로세싱 유닛(1110)에 의해 실행되기 위해 메모리(1120)에 로딩될 수 있다. 또한, 컴퓨팅 디바이스(1100)는 입력 디바이스(들)(1140) 및 출력 디바이스(들)(1150)을 포함할 수 있다.
여기서, 입력 디바이스(들)(1140)은 예를 들어 키보드, 마우스, 펜, 음성 입력 디바이스, 터치 입력 디바이스, 적외선 카메라, 비디오 입력 디바이스 또는 임의의 다른 입력 디바이스 등을 포함할 수 있다. 또한, 출력 디바이스(들)(1150)은 예를 들어 하나 이상의 디스플레이, 스피커, 프린터 또는 임의의 다른 출력 디바이스 등을 포함할 수 있다. 또한, 컴퓨팅 디바이스(1100)는 다른 컴퓨팅 디바이스에 구비된 입력 디바이스 또는 출력 디바이스를 입력 디바이스(들)(1140) 또는 출력 디바이스(들)(1150)로서 사용할 수도 있다.
또한, 컴퓨팅 디바이스(1100)는 컴퓨팅 디바이스(1100)가 다른 디바이스(예를 들어, 컴퓨팅 디바이스(1300))와 통신할 수 있게 하는 통신접속(들)(1160)을 포함할 수 있다.
여기서, 통신 접속(들)(1160)은 모뎀, 네트워크 인터페이스 카드(NIC), 통합 네트워크 인터페이스, 무선 주파수 송신기/수신기, 적외선 포트, USB 접속 또는 컴퓨팅 디바이스(1100)를 다른 컴퓨팅 디바이스에 접속시키기 위한 다른 인터페이스를 포함할 수 있다. 또한, 통신 접속(들)(1160)은 유선 접속 또는 무선 접속을 포함할 수 있다. 상술한 컴퓨팅 디바이스(1100)의 각 구성요소는 버스 등의 다양한 상호접속(예를 들어, 주변 구성요소 상호접속(PCI), USB, 펌웨어(IEEE 1394), 광학적 버스 구조 등)에 의해 접속될 수도 있고, 네트워크(1200)에 의해 상호접속될 수도 있다. 본 명세서에서 사용되는 "구성요소", "시스템" 등과 같은 용어들은 일반적으로 하드웨어, 하드웨어와 소프트웨어의 조합, 소프트웨어, 또는 실행중인 소프트웨어인 컴퓨터 관련 엔티티를 지칭하는 것이다.
예를 들어, 구성요소는 프로세서 상에서 실행중인 프로세스, 프로세서, 객체, 실행 가능물(executable), 실행 스레드, 프로그램 및/또는 컴퓨터일 수 있지만, 이것으로 한정되는 것은 아니다. 예를 들어, 컨트롤러 상에서 구동중인 애플리케이션 및 컨트롤러 모두가 구성요소일 수 있다. 하나 이상의 구성요소는 프로세스 및/또는 실행의 스레드 내에 존재할 수 있으며, 구성요소는 하나의 컴퓨터 상에서 로컬화될 수 있고, 둘 이상의 컴퓨터 사이에서 분산될 수도 있다.
이상에서 설명한 실시 예들은 그 일 예로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시 예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시 예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100: 웨어러블 센서를 이용한 일상 행동 패턴의 자동인식 및 분류 시스템
200: 웨어러블 센서모듈
300: 정보처리서버
310: 입력부
320: 행동판별부
321: 판별 및 분류부
322: 확정 및 재분류부
330: 행동상황 판별부

Claims (14)

  1. 사용자의 행동 패턴을 연속적으로 측정하는 웨어러블 센서모듈; 및
    상기 웨어러블 센서모듈에서 획득된 정보를 기계학습 알고리즘에 적용시켜 사용자의 행동 패턴을 분석하고 사용자의 행동을 자동으로 판별 및 분류하고, 상기 판별 또는 분류된 행동의 오인식 정보를 수정하기 위하여 사용자의 생활 공간장소의 명칭 또는 용도, 장소의 범위, 해당 공간장소에서 발생가능한 이벤트 또는 사용자의 행동, 이외에 해당 장소의 온도, 습도, 조도 중 적어도 하나 이상을 포함하는 생활공간 환경 정보를 이용하여 상기 판별 또는 분류된 행동을 자동으로 확정 또는 재 분류하고, 상기 웨어러블 센서모듈에서 내장되거나 또는 외부에 별도로 위치한 서버에 포함된 행동 판별부;
    고정형 또는 이동형 상황정보 수집장치를 이용하여 획득한 상황 데이터와 상기 웨어러블 센서모듈에서 수집된 행동 정보를 연계하여 사용자의 행동상황을 인식 및 판별하는 행동 상황 판별부를 포함하고,
    상기 행동 판별부는
    상기 웨어러블 센서모듈에서 센싱한 정보를 기초로 기계학습 알고리즘을 이용하여 사용자의 행동을 1차 판별 또는 분류하는 1차 판별/분류부; 및
    판별 결과의 오류를 극복하기 위하여, 상기 판별 또는 분류된 행동들을 생활공간 환경정보에 정의된 공간적, 시간적인 상관관계와 이전/이후 행동 분류 결과를 이용하여 상기 1차로 판별 또는 분류된 행동들을 재 분류하는 재분류부를 포함하고,
    상기 행동 상황 판별부
    2차원 영상정보, 3차원 공간정보, 사용자의 관절정보를 획득하는 형상스캔 카메라;
    실내 또는 실외에 위치한 사용자의 위치를 추적하는 위치 센서 모듈;
    외부의 소리 및 음성정보를 분석 및 인식하는 음성 및 소리 인식 모듈;
    영상정보를 출력하는 영상출력부;
    음성 및 음향을 출력하는 음성출력부 중 적어도 하나 이상을 포함하는,
    생활공간 환경정보와 웨어러블 센서를 이용하여 사용자의 일상 생활 행동 데이터를 자동으로 수집 및 분류하는 시스템.
  2. 삭제
  3. 제1항에 있어서,
    상기 웨어러블 센서모듈은
    사용자의 신체 중 임의의 부위에 단수 또는 복수개를 착용할 수 있으며, WiFi, WiDi, UWB, 블루투스, 적외선, 자외선, 초음파, GPS 또는 이와 유사한 기능을 하는 무선 신호 중 어느 하나 이상의 신호를 송수신하기 위한 위치 센서 및 사용자의 움직임에 따른 가속도, 각속도 및 방향, 고도 등을 측정하거나 또는 이외의 사용자 움직임을 측정할 수 있는 모션 센서(사용자 움직임 측정 센서)를 포함하고,
    상기 모션 센서는 고도 직접 측정, 대기압 측정 또는 각도 / 속도 / 가속도 / 각속도 등을 이용하여 사용자의 움직임을 측정하고, 측정 데이터를 정보 처리 서버로 제공하는,
    생활공간 환경정보와 웨어러블 센서를 이용하여 사용자의 일상 생활 행동 데이터를 자동으로 수집 및 분류하는 시스템.
  4. 삭제
  5. 삭제
  6. 삭제
  7. 삭제
  8. 제1항에 있어서,
    상기 행동상황 판별부는
    획득된 3차원 공간 정보, 위치정보, 소리 정보, 사용자의 관절 정보 중 어느 하나의 정보를 이용하여 사용자의 행동 및 상황 정보를 인식하는 고정형 또는 이동형 로봇에 탑재되는,
    생활공간 환경정보와 웨어러블 센서를 이용하여 사용자의 일상 생활 행동 데이터를 자동으로 수집 및 분류하는 시스템.
  9. 제1항에 있어서,
    상기 행동 판별부는
    실시간 전송된 생황공간 환경정보로 기존 정보를 업데이트하는,
    생활공간 환경정보와 웨어러블 센서를 이용하여 사용자의 일상 생활 행동 데이터를 자동으로 수집 및 분류하는 시스템.
  10. 웨어러블 센서모듈에서 센싱한 사용자의 행동정보를 수집하는 단계;
    상기 웨어러블 센서모듈에서 내장되거나 또는 외부에 별도로 위치한 서버에 포함된 행동 판별부에서 상기 웨어러블 센서모듈에서 획득된 행동정보를 기계학습 알고리즘에 적용시켜 사용자의 행동 패턴을 분석하고 사용자의 행동을 자동으로 판별 및 분류하고, 상기 판별 또는 분류된 행동의 오인식 정보를 수정하기 위하여 사용자의 생활 공간장소의 명칭 또는 용도, 장소의 범위, 해당 공간장소에서 발생가능한 이벤트 또는 사용자의 행동, 이외에 해당 장소의 온도, 습도, 조도 중 적어도 하나 이상을 포함하는 생활공간 환경 정보를 이용하여 상기 판별 또는 분류된 행동을 자동으로 확정 또는 재 분류하는 단계를 포함하고,
    상기 자동으로 확정 또는 재 분류하는 단계는
    고정형 또는 이동형 로봇으로부터 획득한 사용자 행동 판별 및 검증 결과를 상황 데이터와 연계하여 일상 생황 행동의 상황을 인식하는 단계 및 실시간 전송된 생황공간 환경정보로 기존 정보를 업데이트하는 단계를 포함하고,
    1차 판별/분류부에서 상기 웨어러블 센서모듈에서 센싱한 정보를 기초로 기계학습 알고리즘을 이용하여 사용자의 행동을 판별 또는 분류하는 단계; 및
    재분류부에서 판별 결과의 오류를 극복하기 위하여, 상기 판별 또는 분류된 행동들을 생활공간 환경정보에 정의된 공간적, 시간적인 상관관계와 이전/이후 행동 분류 결과를 이용하여 상기 판별 또는 분류된 행동들을 재 분류하는 단계를 포함하는,
    생활공간 환경정보와 웨어러블 센서를 이용하여 사용자의 일상 생활 행동 데이터를 자동으로 수집 및 분류하는 방법.
  11. 삭제
  12. 삭제
  13. 삭제
  14. 삭제
KR1020220001100A 2022-01-04 2022-01-04 웨어러블 센서를 이용한 일상 행동 패턴의 자동인식 및 분류하는 시스템 및 방법 KR102465318B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220001100A KR102465318B1 (ko) 2022-01-04 2022-01-04 웨어러블 센서를 이용한 일상 행동 패턴의 자동인식 및 분류하는 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220001100A KR102465318B1 (ko) 2022-01-04 2022-01-04 웨어러블 센서를 이용한 일상 행동 패턴의 자동인식 및 분류하는 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR102465318B1 true KR102465318B1 (ko) 2022-11-10

Family

ID=84101860

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220001100A KR102465318B1 (ko) 2022-01-04 2022-01-04 웨어러블 센서를 이용한 일상 행동 패턴의 자동인식 및 분류하는 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR102465318B1 (ko)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100050613A (ko) * 2008-10-23 2010-05-14 전자부품연구원 행동 인지 장치 및 행동 인지 시스템과 이를 이용한 행동 인지 처리 방법
KR101367964B1 (ko) * 2012-10-19 2014-03-19 숭실대학교산학협력단 복합 센서를 이용한 사용자 상황 인식 방법
KR101579585B1 (ko) * 2014-06-18 2015-12-22 경북대학교 산학협력단 사용자 행동 모니터링 방법, 장치, 시스템 및 이를 수행하기 위한 기록매체
KR20190095614A (ko) 2018-01-25 2019-08-16 아이콘에이아이 주식회사 행동패턴 분류 및 평가 방법
KR20200024675A (ko) * 2018-08-28 2020-03-09 한국전자통신연구원 휴먼 행동 인식 장치 및 방법
KR20210098640A (ko) * 2020-02-03 2021-08-11 한국생산기술연구원 딥러닝 기반 행동인식 시스템 및 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100050613A (ko) * 2008-10-23 2010-05-14 전자부품연구원 행동 인지 장치 및 행동 인지 시스템과 이를 이용한 행동 인지 처리 방법
KR101367964B1 (ko) * 2012-10-19 2014-03-19 숭실대학교산학협력단 복합 센서를 이용한 사용자 상황 인식 방법
KR101579585B1 (ko) * 2014-06-18 2015-12-22 경북대학교 산학협력단 사용자 행동 모니터링 방법, 장치, 시스템 및 이를 수행하기 위한 기록매체
KR20190095614A (ko) 2018-01-25 2019-08-16 아이콘에이아이 주식회사 행동패턴 분류 및 평가 방법
KR20200024675A (ko) * 2018-08-28 2020-03-09 한국전자통신연구원 휴먼 행동 인식 장치 및 방법
KR20210098640A (ko) * 2020-02-03 2021-08-11 한국생산기술연구원 딥러닝 기반 행동인식 시스템 및 방법

Similar Documents

Publication Publication Date Title
US10451712B1 (en) Radar data collection and labeling for machine learning
JP7342491B2 (ja) 推論装置、推論方法、及び推論プログラム
US20210231775A1 (en) System and method for smart device control using radar
WO2020185209A1 (en) Radar data collection and labeling for machine-learning
KR20180105787A (ko) 퍼지로직과 딥러닝 통합 기반의 화재 감지 장치 및 방법
US11995766B2 (en) Centralized tracking system with distributed fixed sensors
Khosravi et al. Crowd emotion prediction for human-vehicle interaction through modified transfer learning and fuzzy logic ranking
Umoh et al. Support vector machine-based fire outbreak detection system
Hu et al. Building occupancy detection and localization using cctv camera and deep learning
KR102494380B1 (ko) 기저귀 대변 이미지를 활용한 아기 건강 진단 솔루션 제공 방법, 장치 및 시스템
KR102349851B1 (ko) 카메라를 이용한 반려동물 다중객체 인지 서비스 제공 시스템 및 방법
KR102465318B1 (ko) 웨어러블 센서를 이용한 일상 행동 패턴의 자동인식 및 분류하는 시스템 및 방법
KR102305613B1 (ko) 감정 인식 방법 및 장치
EP4086811A1 (en) Problematic behavior classification system and method based on deep neural network algorithm
WO2021155661A1 (zh) 一种图像处理方法以及相关设备
KR20220124446A (ko) 머신러닝 기반 동물상 테스트 서비스 제공 방법 및 시스템
Mathew et al. Human activity recognition using deep learning approaches and single frame cnn and convolutional lstm
Trush et al. Mask Mode Monitoring Systems Using IT Technologies
Sun et al. Human Health Activity Recognition Algorithm in Wireless Sensor Networks Based on Metric Learning
Paidipati et al. Wireless sensor network assisted automated forest fire detection using deep learning and computer vision model
Lafuente-Arroyo et al. Multisensory integration for topological indoor localization of mobile robots in complex symmetrical environments
Thevarasa et al. Weighted Ensemble Algorithm for Aerial Imaging Based Mosquito Breeding Sites Classification
US20230034136A1 (en) System and method for scheduling communication within a distributed learning and deployment framework
Abd Alrahman et al. A monitoring system for railways based on WSN
CN117173624A (zh) 在计算装置中的对象识别模型学习方法

Legal Events

Date Code Title Description
AMND Amendment
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant