KR102475145B1 - 뉴럴 네트워크를 이용하여 3차원 모델링 정보에 기초한 아기의 상태를 분석하는 방법 및 장치 - Google Patents
뉴럴 네트워크를 이용하여 3차원 모델링 정보에 기초한 아기의 상태를 분석하는 방법 및 장치 Download PDFInfo
- Publication number
- KR102475145B1 KR102475145B1 KR1020220048270A KR20220048270A KR102475145B1 KR 102475145 B1 KR102475145 B1 KR 102475145B1 KR 1020220048270 A KR1020220048270 A KR 1020220048270A KR 20220048270 A KR20220048270 A KR 20220048270A KR 102475145 B1 KR102475145 B1 KR 102475145B1
- Authority
- KR
- South Korea
- Prior art keywords
- baby
- information
- face
- head
- landmarks
- Prior art date
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 64
- 238000000034 method Methods 0.000 title claims abstract description 47
- 230000029058 respiratory gaseous exchange Effects 0.000 claims abstract description 71
- 230000014509 gene expression Effects 0.000 claims abstract description 17
- 238000004891 communication Methods 0.000 claims description 67
- 230000008859 change Effects 0.000 claims description 40
- 230000006870 function Effects 0.000 claims description 39
- 230000008921 facial expression Effects 0.000 claims description 24
- 239000013598 vector Substances 0.000 claims description 19
- 238000004458 analytical method Methods 0.000 claims description 15
- 238000001514 detection method Methods 0.000 claims description 11
- 230000037396 body weight Effects 0.000 claims description 3
- 238000004590 computer program Methods 0.000 claims description 3
- 210000003128 head Anatomy 0.000 description 118
- 238000012545 processing Methods 0.000 description 22
- 238000010586 diagram Methods 0.000 description 12
- 238000007726 management method Methods 0.000 description 12
- 230000008569 process Effects 0.000 description 11
- 230000001815 facial effect Effects 0.000 description 10
- 239000000126 substance Substances 0.000 description 10
- 238000005516 engineering process Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 8
- 238000000513 principal component analysis Methods 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000003491 array Methods 0.000 description 4
- 238000013473 artificial intelligence Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 230000007935 neutral effect Effects 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 206010011469 Crying Diseases 0.000 description 3
- 206010023126 Jaundice Diseases 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 210000004027 cell Anatomy 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000001413 cellular effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000005281 excited state Effects 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000009434 installation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- VKWMGUNWDFIWNW-UHFFFAOYSA-N 2-chloro-1,1-dioxo-1,2-benzothiazol-3-one Chemical compound C1=CC=C2S(=O)(=O)N(Cl)C(=O)C2=C1 VKWMGUNWDFIWNW-UHFFFAOYSA-N 0.000 description 1
- 206010013975 Dyspnoeas Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000037237 body shape Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 210000000038 chest Anatomy 0.000 description 1
- 239000003086 colorant Substances 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000013499 data model Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 210000001513 elbow Anatomy 0.000 description 1
- 210000000887 face Anatomy 0.000 description 1
- 210000002683 foot Anatomy 0.000 description 1
- 210000001061 forehead Anatomy 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 210000004247 hand Anatomy 0.000 description 1
- 230000007794 irritation Effects 0.000 description 1
- 230000003155 kinesthetic effect Effects 0.000 description 1
- 210000003127 knee Anatomy 0.000 description 1
- 210000002414 leg Anatomy 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000000463 material Substances 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
- 230000001151 other effect Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 210000002832 shoulder Anatomy 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 210000002784 stomach Anatomy 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 210000003371 toe Anatomy 0.000 description 1
- 210000000689 upper leg Anatomy 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0033—Features or image-related aspects of imaging apparatus classified in A61B5/00, e.g. for MRI, optical tomography or impedance tomography apparatus; arrangements of imaging apparatus in a room
-
- 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
-
- 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
- A61B5/1032—Determining colour for diagnostic purposes
-
- 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
- A61B5/103—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
- A61B5/1121—Determining geometric values, e.g. centre of rotation or angular range of movement
-
- 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
- A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
- A61B5/1128—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique using image analysis
-
- 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
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/74—Details of notification to user or communication with user or patient ; user input means
- A61B5/746—Alarms related to a physiological condition, e.g. details of setting alarm thresholds or avoiding false alarms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H30/00—ICT specially adapted for the handling or processing of medical images
- G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert 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
- A61B2503/04—Babies, e.g. for SIDS detection
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Pathology (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Heart & Thoracic Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Physiology (AREA)
- Radiology & Medical Imaging (AREA)
- Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Evolutionary Computation (AREA)
- General Physics & Mathematics (AREA)
- Computing Systems (AREA)
- Computer Networks & Wireless Communication (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Geometry (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Psychiatry (AREA)
- Signal Processing (AREA)
- Fuzzy Systems (AREA)
Abstract
실시예들은 뉴럴 네트워크를 이용하여 3차원 모델링 정보에 기초한 아기의 상태를 분석하는 방법 및 장치를 제시한다. 일 실시예에 따른 상기 방법은, 상기 아기에 대한 3차원 모델링 정보 및 상기 아기의 얼굴에 대한 이미지 정보를 사전 설정된 간격마다 획득하고, 상기 3차원 모델링 정보를 기초로 상기 뉴럴 네트워크를 이용하여 상기 아기에 대한 복수의 랜드마크들을 검출하되, 상기 복수의 랜드마크들은 상기 아기의 몸체에 대한 하나 이상의 랜드마크들 및 상기 아기의 머리에 대한 하나 이상의 랜드마크들을 포함하고, 상기 복수의 랜드마크들에 기반하여 상기 아기의 호흡과 관련된 정보, 상기 아기의 머리에 대한 기울기 정보 및 상기 아기의 몸체에 대한 기울기 정보를 결정하고, 상기 아기의 머리에 대한 하나 이상의 랜드마크들 및 상기 아기의 얼굴에 대한 이미지 정보에 기반하여, 상기 아기의 얼굴과 관련된 정보를 결정하되, 상기 아기의 얼굴과 관련된 정보는 상기 아기의 표정에 대한 정보, 상기 아기의 얼굴과 관련된 이물질 정보 및 상기 아기의 얼굴색에 대한 정보를 포함하고, 상기 아기의 호흡과 관련된 정보, 상기 아기의 머리에 대한 기울기 정보, 상기 아기의 몸체에 대한 기울기 정보 및 상기 아기의 얼굴과 관련된 정보를 기반으로 상기 아기의 상태를 결정하고, 상기 아기의 상태에 대한 정보를 상기 제1 장치와 연결된 제2 장치에게 전송할 수 있다. 예를 들어, 상기 아기의 몸체에 대한 기울기가 제1 임계 값 이상이고, 상기 아기의 머리에 대한 기울기가 제2 임계 값 이상인 것에 기반하여, 상기 제2 장치에게 제1 상태 메시지가 전송될 수 있다.
Description
본 개시의 실시예들은 3차원 모델링 정보에 기초한 아기의 상태를 분석하는 기술에 관한 것으로, 뉴럴 네트워크를 이용하여 3차원 모델링 정보에 기초한 아기의 상태를 분석하는 기술에 대한 것이다.
현대 사회에서 보호자가 아기의 곁에서 항상 아기를 돌보기 어렵기 때문에, 보호자가 카메라를 통해 아기의 상태를 관찰하거나, 전자 장치를 이용하여 분석한 아기의 상태를 확인하는 방법과 같이, 보호자가 원거리에서도 아기의 상태를 확인할 수 있는 다양한 방법들이 존재할 수 있다. 이러한 다양한 방법들 중 하나의 방법으로서, 서버 및/또는 전자 장치는 카메라를 통해 촬영된 아기의 영상을 3차원 모델링을 기초로 아기의 상태를 분석할 수 있다. 여기서, 3차원 모델링은 특정 대상을 컴퓨터가 이해할 수 있는 형태의 데이터로 저장하는 것일 수 있다. 예를 들어, 3차원 모델링 정보는 특정 대상을 x축, y축, z축의 좌표 값으로 표시하는 정보일 수 있다. 이때, 서버 및/또는 전자 장치가 3차원 모델링 정보를 기초로 계산하는 경우, 과도한 연산량으로 인해 오류가 발생하거나 분석 속도가 상대적으로 느릴 수 있다. 또한, 아기마다 체형, 몸무게, 호흡 속도 및 얼굴색 등이 상이하므로, 아기의 특성을 고려하지 않고 아기의 상태를 분석한 결과는 다소 부정확할 수 있다.
이에, 서버 및/또는 전자 장치가 3차원 모델링 정보에 기초한 연산량을 감소시키기 위해 랜드마크를 추출하고, 아기의 특성을 고려한 개별적인 기준 값에 따라 아기의 상태를 분석할 필요가 있다.
실시예들은, 서버 및/또는 전자 장치가 아기에 대한 3차원 모델링 정보를 기초로 뉴럴 네트워크를 이용하여 상기 아기에 대한 복수의 랜드마크들을 검출함으로써, 아기에 대한 3차원 모델링 정보를 계산할 때 오류가 발생할 확률을 감소시킬 수 있고, 아기의 상태에 대한 분석 속도를 높일 수 있다.
실시예들은, 서버 및/또는 전자 장치가 아기의 몸무게, 아기의 호흡 속도 및 아기의 얼굴색을 기반으로 아기의 상태를 파악하기 위한 임계 값을 설정함으로써, 아기의 특성을 고려한 개별적인 기준 값에 따라 아기의 상태를 분석할 수 있다.
실시예들에서 이루고자 하는 기술적 과제들은 이상에서 언급한 사항들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 이하 설명할 다양한 실시예들로부터 당해 기술분야에서 통상의 지식을 가진 자에 의해 고려될 수 있다.
일 실시예에 따른 3차원 모델링 정보에 기반하여 뉴럴 네트워크(neural network)를 통해 제1 장치가 아기의 상태를 분석하는 방법은, 상기 아기에 대한 3차원 모델링 정보 및 상기 아기의 얼굴에 대한 이미지 정보를 사전 설정된 간격마다 획득하고, 상기 3차원 모델링 정보를 기초로 상기 뉴럴 네트워크를 이용하여 상기 아기에 대한 복수의 랜드마크들을 검출하되, 상기 복수의 랜드마크들은 상기 아기의 몸체에 대한 하나 이상의 랜드마크들 및 상기 아기의 머리에 대한 하나 이상의 랜드마크들을 포함하고, 상기 복수의 랜드마크들에 기반하여 상기 아기의 호흡과 관련된 정보, 상기 아기의 머리에 대한 기울기 정보 및 상기 아기의 몸체에 대한 기울기 정보를 결정하고, 상기 아기의 머리에 대한 하나 이상의 랜드마크들 및 상기 아기의 얼굴에 대한 이미지 정보에 기반하여, 상기 아기의 얼굴과 관련된 정보를 결정하되, 상기 아기의 얼굴과 관련된 정보는 상기 아기의 표정에 대한 정보, 상기 아기의 얼굴과 관련된 이물질 정보 및 상기 아기의 얼굴색에 대한 정보를 포함하고, 상기 아기의 호흡과 관련된 정보, 상기 아기의 머리에 대한 기울기 정보, 상기 아기의 몸체에 대한 기울기 정보 및 상기 아기의 얼굴과 관련된 정보를 기반으로 상기 아기의 상태를 결정하고, 상기 아기의 상태에 대한 정보를 상기 제1 장치와 연결된 제2 장치에게 전송할 수 있다. 예를 들어, 상기 아기의 몸체에 대한 기울기가 제1 임계 값 이상이고, 상기 아기의 머리에 대한 기울기가 제2 임계 값 이상인 것에 기반하여, 상기 제2 장치에게 제1 상태 메시지가 전송될 수 있다.
일 실시예에 따라, 상기 아기의 호흡과 관련된 정보는 상기 아기의 몸체에 대한 높낮이 변화 정보 및 상기 아기의 머리 상부에 대한 높낮이 변화 정보를 포함할 수 있다. 예를 들어, 상기 아기의 몸체에 대한 높낮이 변화 정보, 상기 아기의 머리 상부에 대한 높낮이 변화 정보 및 상기 아기의 얼굴색에 대한 정보에 기반하여 상기 제2 장치에게 제2 상태 메시지가 전송될 수 있다.
일 실시예에 따라, 상기 제1 임계 값이 아래 수학식에 의해 설정될 수 있다.
상기 수학식에서, 상기 m은 상기 사전 설정된 간격을 기반으로 상기 3차원 모델링 정보가 획득된 횟수, 상기 ri는 상기 아기의 몸체에 대한 기울기이고, 상기 w는 상기 아기의 몸무게, 상기 bi는 상기 아기의 얼굴색과 관련된 값의 제곱근이고, 및 상기 v는 상기 아기의 호흡 속도에 따라 결정된 가중치일 수 있다. 예를 들어, 상기 아기의 호흡 속도는 상기 아기의 몸체에 대한 높낮이 변화 정보 및 상기 아기의 머리 상부에 대한 높낮이 변화 정보에 기반하여 결정될 수 있다.
부가적으로, 예를 들어, 상기 복수의 랜드마크들은 아래 수학식들을 기초로 검출될 수 있다.
상기 수학식에서, R은 상기 아기의 3차원 모델링 정보, Ravg는 상기 아기의 평균적인 3차원 모델링 정보, Rpca는 상기 아기의 몸체 및 머리에 대한 평균적인 3차원 정보를 기준으로 주성분 분석(principal component analysis)을 통해 결정된 형태에 대한 기저 값, a는 상기 아기의 몸체 및 머리에 대한 3차원 정보의 주성분 기저에 대한 형태 계수, b는 가중치일 수 있다. 여기서, 주성분 분석은 원래의 데이터를 최대한 보존하면서 고차원의 데이터를 저차원의 데이터로 변환시키는 기법일 수 있다.
여기서, argmin 함수는 a에 대한 함수를 최소로 만드는 a값을 계산하는 함수이고, M은 랜드마크의 개수, σ는 랜드마크의 좌표에 대한 표준편차, C는 카메라 투영 행렬, Xi(a)는 각각의 3차원 모델링 정보에 매핑된 i번째 랜드마크의 3차원 좌표, xi는 상기 i번째 랜드마크의 3차원 좌표에 대응되는 검출된 랜드마크의 2차원 좌표, λ는 정규화 파라미터를 나타낼 수 있다. 여기서, 카메라 투영 행렬은 3차원의 공간을 2차원으로 표현하기 위한 행렬일 수 있다. 정규화 파라미터는 과적합 문제를 회피하기 위한 파라미터일 수 있다.
부가적으로, 예를 들어, 상기 아기의 호흡 속도에 따라 결정된 가중치는 아래 수학식에 의해 설정될 수 있다.
상기 수학식에서, 상기 ravg는 상기 아기의 몸체의 기울기에 대한 평균 값이고, h는 상기 아기의 현재 호흡 속도이고, hth는 사전 설정된 호흡 속도일 수 있다. 예를 들어, h는 상기 아기의 머리에 대한 하나 이상의 랜드마크 중에서 가장 높은 y축을 가진 랜드마크의 y축 값에 대해 시간당 피크 값에 위치하는 횟수 및 상기 아기의 몸체에 대한 하나 이상의 랜드마크 중에서 가장 높은 y축을 가진 랜드마크의 y축 값이 시간당 피크 값에 위치하는 횟수를 기반으로 결정될 수 있다.
일 실시예에 따라, 상기 아기의 호흡과 관련된 정보, 상기 아기의 머리에 대한 기울기 정보, 상기 아기의 몸체에 대한 기울기 정보 및 상기 아기의 얼굴과 관련된 정보를 기반으로, 상기 아기와 관련된 복수의 모드를 결정할 수 있다. 예를 들어, 상기 복수의 모드는 제1 모드, 제2 모드 및 제3 모드를 포함할 수 있다. 예를 들어, 상기 제1 모드는 상기 아기의 머리에 대한 기울기가 상기 제1 임계 값 이상 또는 상기 아기의 몸체에 대한 기울기가 상기 제2 임계 값 이상인 것에 기반하여, 상기 제1 장치와 연결된 장치에게 상기 아기를 중립 상태로 이동시키는 메시지를 전송하는 모드일 수 있다. 예를 들어, 상기 제2 모드는 상기 아기의 머리에 대한 기울기 및 상기 아기의 몸체에 대한 기울기를 사전 설정된 제1 주기마다 변경시키는 메시지를 전송하는 모드일 수 있다. 예를 들어, 상기 제3 모드는 상기 아기의 머리에 대한 기울기 및 상기 아기의 몸체에 대한 기울기를 사전 설정된 제2 주기마다 변경시키는 메시지를 전송하는 모드일 수 있다.
일 실시예에 따라, 상기 뉴럴 네트워크는 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함할 수 있다. 예를 들어, 3차원 모델링 정보 및 정답 랜드마크로 구성된 각각의 학습 데이터는 상기 뉴럴 네트워크의 상기 입력 레이어에 입력되어 상기 하나 이상의 히든 레이어 및 출력 레이어를 통과하여 출력 벡터를 출력하고, 상기 출력 벡터는 상기 출력 레이어에 연결된 손실함수 레이어에 입력되고, 상기 손실함수 레이어는 상기 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 손실 함수를 이용하여 손실값을 출력하고, 상기 뉴럴 네트워크의 파라미터는 상기 손실값이 작아지는 방향으로 학습될 수 있다.
일 실시예에 따라, 적어도 하나의 프로세서; 적어도 하나의 메모리; 및 통신부를 포함하는 제1 장치에 있어서, 상기 적어도 하나의 프로세서는: 상기 아기에 대한 3차원 모델링 정보 및 상기 아기의 얼굴에 대한 이미지 정보를 사전 설정된 간격마다 획득하고, 상기 3차원 모델링 정보를 기초로 상기 뉴럴 네트워크를 이용하여 상기 아기에 대한 복수의 랜드마크들을 검출하되, 상기 복수의 랜드마크들은 상기 아기의 몸체에 대한 하나 이상의 랜드마크들 및 상기 아기의 머리에 대한 하나 이상의 랜드마크들을 포함하고, 상기 복수의 랜드마크들에 기반하여 상기 아기의 호흡과 관련된 정보, 상기 아기의 머리에 대한 기울기 정보 및 상기 아기의 몸체에 대한 기울기 정보를 결정하고, 상기 아기의 머리에 대한 하나 이상의 랜드마크들 및 상기 아기의 얼굴에 대한 이미지 정보에 기반하여, 상기 아기의 얼굴과 관련된 정보를 결정하되, 상기 아기의 얼굴과 관련된 정보는 상기 아기의 표정에 대한 정보, 상기 아기의 얼굴과 관련된 이물질 정보 및 상기 아기의 얼굴색에 대한 정보를 포함하고, 상기 아기의 호흡과 관련된 정보, 상기 아기의 머리에 대한 기울기 정보, 상기 아기의 몸체에 대한 기울기 정보 및 상기 아기의 얼굴과 관련된 정보를 기반으로 상기 아기의 상태를 결정할 수 있다. 상기 통신부는: 상기 아기의 상태에 대한 정보를 상기 제1 장치와 연결된 제2 장치에게 전송할 수 있다. 예를 들어, 상기 아기의 몸체에 대한 기울기가 제1 임계 값 이상이고, 상기 아기의 머리에 대한 기울기가 제2 임계 값 이상인 것에 기반하여, 상기 제2 장치에게 제1 상태 메시지가 전송될 수 있다.
실시예들에 따르면, 서버 및/또는 전자 장치는 아기의 상태를 분석하는 연산량을 감소시키고, 아기의 상태를 분석하는 속도를 빠르게 할 수 있다. 또한, 서버 및/또는 전자 장치는 아기의 개별적인 특성을 고려하여 보다 정확하게 아기의 상태를 분석할 수 있다.
실시예들로부터 얻을 수 있는 효과들은 이상에서 언급된 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 이하의 상세한 설명을 기반으로 당해 기술분야에서 통상의 지식을 가진 자에게 명확하게 도출되고 이해될 수 있다.
실시예들에 대한 이해를 돕기 위해 상세한 설명의 일부로 포함된, 첨부 도면은 다양한 실시예들을 제공하고, 상세한 설명과 함께 다양한 실시예들의 기술적 특징을 설명한다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 3은 일 실시예에 따른 3차원 모델링 정보에 기반하여 뉴럴 네트워크를 통해 아기의 상태에 대한 정보를 분석하는 방법을 나타낸다.
도 4는 일 실시예에 따른 아기의 상태를 분석하기 위한 구성을 나타내는 블록도이다.
도 5는 일 실시예에 따른 아기의 신체에 대한 랜드마크의 예를 나타낸 도면이다.
도 6은 일 실시예에 따른 제1 장치가 아기의 상태를 분석하는 방법의 동작을 도시한 흐름도이다.
도 7은 일 실시예에 따른 제1 장치와 연결된 아기용 침대에 대한 예를 나타낸다.
도 8은 일 실시예에 따른 제1 장치가 아기의 표정을 분석한 예들을 나타낸다.
도 9는 일 실시예에 따른 제1 장치가 결정한 복수의 모드가 전자 장치의 화면에 디스플레이된 예를 나타낸다.
도 10은 일 실시예에 따른 제1 장치의 구성을 나타내는 블록도이다
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 3은 일 실시예에 따른 3차원 모델링 정보에 기반하여 뉴럴 네트워크를 통해 아기의 상태에 대한 정보를 분석하는 방법을 나타낸다.
도 4는 일 실시예에 따른 아기의 상태를 분석하기 위한 구성을 나타내는 블록도이다.
도 5는 일 실시예에 따른 아기의 신체에 대한 랜드마크의 예를 나타낸 도면이다.
도 6은 일 실시예에 따른 제1 장치가 아기의 상태를 분석하는 방법의 동작을 도시한 흐름도이다.
도 7은 일 실시예에 따른 제1 장치와 연결된 아기용 침대에 대한 예를 나타낸다.
도 8은 일 실시예에 따른 제1 장치가 아기의 표정을 분석한 예들을 나타낸다.
도 9는 일 실시예에 따른 제1 장치가 결정한 복수의 모드가 전자 장치의 화면에 디스플레이된 예를 나타낸다.
도 10은 일 실시예에 따른 제1 장치의 구성을 나타내는 블록도이다
이하의 실시예들은 실시예들의 구성요소들과 특징들을 소정 형태로 결합한 것들이다. 각 구성요소 또는 특징은 별도의 명시적 언급이 없는 한 선택적인 것으로 고려될 수 있다. 각 구성요소 또는 특징은 다른 구성요소나 특징과 결합되지 않은 형태로 실시될 수 있다. 또한, 일부 구성요소들 및/또는 특징들을 결합하여 다양한 실시예들을 구성할 수도 있다. 다양한 실시예들에서 설명되는 동작들의 순서는 변경될 수 있다. 어느 실시예의 일부 구성이나 특징은 다른 실시예에 포함될 수 있고, 또는 다른 실시예의 대응하는 구성 또는 특징과 교체될 수 있다.
도면에 대한 설명에서, 다양한 실시예들의 요지를 흐릴 수 있는 절차 또는 단계 등은 기술하지 않았으며, 당해 기술분야에서 통상의 지식을 가진 자의 수준에서 이해할 수 있을 정도의 절차 또는 단계는 또한 기술하지 아니하였다.
명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함(comprising 또는 including)"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다. 또한, 명세서에 기재된 "...부", "...기", "모듈" 등의 용어는 적어도 하나의 기능이나 동작을 처리하는 단위를 의미하며, 이는 하드웨어나 소프트웨어 또는 하드웨어 및 소프트웨어의 결합으로 구현될 수 있다. 또한, "일(a 또는 an)", "하나(one)", "그(the)" 및 유사 관련어는 다양한 실시예들을 기술하는 문맥에 있어서(특히, 이하의 청구항의 문맥에서) 본 명세서에 달리 지시되거나 문맥에 의해 분명하게 반박되지 않는 한, 단수 및 복수 모두를 포함하는 의미로 사용될 수 있다.
이하, 다양한 실시예들에 따른 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 다양한 실시예들의 예시적인 실시형태를 설명하고자 하는 것이며, 유일한 실시형태를 나타내고자 하는 것이 아니다.
또한, 다양한 실시예들에서 사용되는 특정(特定) 용어들은 다양한 실시예들의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 다양한 실시예들의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.
도 1은 일 실시예에 따른 전자 장치의 구성을 나타내는 도면이다.
도 1은, 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다. 도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108) 중 적어도 하나와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 수 있다. 전자 장치(101)는 클라이언트, 단말기 또는 피어로 지칭될 수도 있다.
프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)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(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 저장하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(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(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.
보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다.
인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능 모델이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.
메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.
프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.
입력 모듈(150)은, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.
음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.
디스플레이 모듈(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일실시예에 따르면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.
오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일실시예에 따르면, 오디오 모듈(170)은, 입력 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.
센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.
인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.
연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일실시예에 따르면, 연결 단자(178)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.
햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.
카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.
전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.
배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.
통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(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(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(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(104)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. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 또는 인증할 수 있다.
무선 통신 모듈(192)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(192)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제 2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일실시예에 따르면, 무선 통신 모듈(192)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.
안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.
다양한 실시예에 따르면, 안테나 모듈(197)은 mmWave 안테나 모듈을 형성할 수 있다. 일실시예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제 1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제 2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.
상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.
일실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)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(101)로 전달할 수 있다. 전자 장치(101)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(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일실시예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제 2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)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.
서버(108)는 전자 장치(101)가 접속되며, 접속된 전자 장치(101)로 서비스를 제공할 수 있다. 또한, 서버(108)는 회원 가입 절차를 진행하여 그에 따라 회원으로 가입된 사용자의 각종 정보를 저장하여 관리하고, 서비스에 관련된 각종 구매 및 결제 기능을 제공할 수도 있다. 또한, 서버(108)는, 사용자 간에 서비스를 공유할 수 있도록, 복수의 전자 장치(101) 각각에서 실행되는 서비스 애플리케이션의 실행 데이터를 실시간으로 공유할 수도 있다. 이러한 서버(108)는 하드웨어적으로는 통상적인 웹 서버(Web Server) 또는 서비스 서버(Service Server)와 동일한 구성을 가질 수 있다. 그러나, 소프트웨어적으로는, C, C++, Java, Python, Golang, kotlin 등 여하한 언어를 통하여 구현되어 여러 가지 기능을 하는 프로그램 모듈(Module)을 포함할 수 있다. 또한, 서버(108)는 일반적으로 인터넷과 같은 개방형 컴퓨터 네트워크를 통하여 불특정 다수 클라이언트 및/또는 다른 서버와 연결되어 있고, 클라이언트 또는 다른 서버의 작업수행 요청을 접수하고 그에 대한 작업 결과를 도출하여 제공하는 컴퓨터 시스템 및 그를 위하여 설치되어 있는 컴퓨터 소프트웨어(서버 프로그램)를 뜻하는 것이다. 또한, 서버(108)는, 전술한 서버 프로그램 이외에도, 서버(108) 상에서 동작하는 일련의 응용 프로그램(Application Program)과 경우에 따라서는 내부 또는 외부에 구축되어 있는 각종 데이터베이스(DB: Database, 이하 "DB"라 칭함)를 포함하는 넓은 개념으로 이해되어야 할 것이다. 따라서, 서버(108)는, 회원 가입 정보와, 게임에 대한 각종 정보 및 데이터를 분류하여 DB에 저장시키고 관리하는데, 이러한 DB는 서버(108)의 내부 또는 외부에 구현될 수 있다. 또한, 서버(108)는, 일반적인 서버용 하드웨어에 윈도우(windows), 리눅스(Linux), 유닉스(UNIX), 매킨토시(Macintosh) 등의 운영체제에 따라 다양하게 제공되고 있는 서버 프로그램을 이용하여 구현될 수 있으며, 대표적인 것으로는 윈도우 환경에서 사용되는 IIS(Internet Information Server)와 유닉스환경에서 사용되는 CERN, NCSA, APPACH, TOMCAT 등을 이용하여 웹 서비스를 구현할 수 있다. 또한, 서버(108)는, 서비스의 사용자 인증이나 서비스와 관련된 구매 결제를 위한 인증 시스템 및 결제 시스템과 연동할 수도 있다.
제1 네트워크(198) 및 제2 네트워크(199)는 단말들 및 서버들과 같은 각각의 노드 상호 간에 정보 교환이 가능한 연결 구조 또는 서버(108)와 전자 장치들(101, 104)을 연결하는 망(Network)을 의미한다. 제1 네트워크(198) 및 제2 네트워크(199)는 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 3G, 4G, LTE, 5G, Wi-Fi 등이 포함되나 이에 한정되지는 않는다. 제1 네트워크(198) 및 제2 네트워크(199)는 LAN, WAN 등의 폐쇄형 제1 네트워크(198) 및 제2 네트워크(199)일 수도 있으나, 인터넷(Internet)과 같은 개방형인 것이 바람직하다. 인터넷은 TCP/IP 프로토콜, TCP, UDP(user datagram protocol) 등의 프로토콜 및 그 상위계층에 존재하는 여러 서비스, 즉 HTTP(HyperText Transfer Protocol), Telnet, FTP(File Transfer Protocol), DNS(Domain Name System), SMTP(Simple Mail Transfer Protocol), SNMP(Simple Network Management Protocol), NFS(Network File Service), NIS(Network Information Service)를 제공하는 전 세계적인 개방형 컴퓨터 제1 네트워크(198) 및 제2 네트워크(199) 구조를 의미한다.
데이터베이스는 데이터베이스 관리 프로그램(DBMS)을 이용하여 컴퓨터 시스템의 저장공간(하드디스크 또는 메모리)에 구현된 일반적인 데이터구조를 가질 수 가질 수 있다. 데이터베이스는 데이터의 검색(추출), 삭제, 편집, 추가 등을 자유롭게 행할 수 있는 데이터 저장형태를 가질 수 있다. 데이터베이스는 오라클(Oracle), 인포믹스(Infomix), 사이베이스(Sybase), DB2와 같은 관계형 데이타베이스 관리 시스템(RDBMS)이나, 겜스톤(Gemston), 오리온(Orion), O2 등과 같은 객체 지향 데이타베이스 관리 시스템(OODBMS) 및 엑셀론(Excelon), 타미노(Tamino), 세카이주(Sekaiju) 등의 XML 전용 데이터베이스(XML Native Database)를 이용하여 본 개시의 일 실시예의 목적에 맞게 구현될 수 있고, 자신의 기능을 달성하기 위하여 적당한 필드(Field) 또는 엘리먼트들을 가질 수 있다.
도 2는 일 실시예에 따른 프로그램의 구성을 나타내는 도면이다.
도 2은 다양한 실시예에 따른 프로그램(140)을 예시하는 블록도(200)이다. 일실시예에 따르면, 프로그램(140)은 전자 장치(101)의 하나 이상의 리소스들을 제어하기 위한 운영 체제(142), 미들웨어(144), 또는 상기 운영 체제(142)에서 실행 가능한 어플리케이션(146)을 포함할 수 있다. 운영 체제(142)는, 예를 들면, AndroidTM, iOSTM, WindowsTM, SymbianTM, TizenTM, 또는 BadaTM를 포함할 수 있다. 프로그램(140) 중 적어도 일부 프로그램은, 예를 들면, 제조 시에 전자 장치(101)에 프리로드되거나, 또는 사용자에 의해 사용 시 외부 전자 장치(예: 전자 장치(102 또는 104), 또는 서버(108))로부터 다운로드되거나 갱신 될 수 있다. 프로그램(140)의 전부 또는 일부는 뉴럴 네트워크를 포함할 수 있다.
운영 체제(142)는 전자 장치(101)의 하나 이상의 시스템 리소스들(예: 프로세스, 메모리, 또는 전원)의 관리(예: 할당 또는 회수)를 제어할 수 있다. 운영 체제(142)는, 추가적으로 또는 대체적으로, 전자 장치(101)의 다른 하드웨어 디바이스, 예를 들면, 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 구동하기 위한 하나 이상의 드라이버 프로그램들을 포함할 수 있다.
미들웨어(144)는 전자 장치(101)의 하나 이상의 리소스들로부터 제공되는 기능 또는 정보가 어플리케이션(146)에 의해 사용될 수 있도록 다양한 기능들을 어플리케이션(146)으로 제공할 수 있다. 미들웨어(144)는, 예를 들면, 어플리케이션 매니저(201), 윈도우 매니저(203), 멀티미디어 매니저(205), 리소스 매니저(207), 파워 매니저(209), 데이터베이스 매니저(211), 패키지 매니저(213), 커넥티비티 매니저(215), 노티피케이션 매니저(217), 로케이션 매니저(219), 그래픽 매니저(221), 시큐리티 매니저(223), 통화 매니저(225), 또는 음성 인식 매니저(227)를 포함할 수 있다.
어플리케이션 매니저(201)는, 예를 들면, 어플리케이션(146)의 생명 주기를 관리할 수 있다. 윈도우 매니저(203)는, 예를 들면, 화면에서 사용되는 하나 이상의 GUI 자원들을 관리할 수 있다. 멀티미디어 매니저(205)는, 예를 들면, 미디어 파일들의 재생에 필요한 하나 이상의 포맷들을 파악하고, 그 중 선택된 해당하는 포맷에 맞는 코덱을 이용하여 상기 미디어 파일들 중 해당하는 미디어 파일의 인코딩 또는 디코딩을 수행할 수 있다. 리소스 매니저(207)는, 예를 들면, 어플리케이션(146)의 소스 코드 또는 메모리(130)의 메모리의 공간을 관리할 수 있다. 파워 매니저(209)는, 예를 들면, 배터리(189)의 용량, 온도 또는 전원을 관리하고, 이 중 해당 정보를 이용하여 전자 장치(101)의 동작에 필요한 관련 정보를 결정 또는 제공할 수 있다. 일실시예에 따르면, 파워 매니저(209)는 전자 장치(101)의 바이오스(BIOS: basic input/output system)(미도시)와 연동할 수 있다.
데이터베이스 매니저(211)는, 예를 들면, 어플리케이션(146)에 의해 사용될 데이터베이스를 생성, 검색, 또는 변경할 수 있다. 패키지 매니저(213)는, 예를 들면, 패키지 파일의 형태로 배포되는 어플리케이션의 설치 또는 갱신을 관리할 수 있다. 커넥티비티 매니저(215)는, 예를 들면, 전자 장치(101)와 외부 전자 장치 간의 무선 연결 또는 직접 연결을 관리할 수 있다. 노티피케이션 매니저(217)는, 예를 들면, 지정된 이벤트(예: 착신 통화, 메시지, 또는 알람)의 발생을 사용자에게 알리기 위한 기능을 제공할 수 있다. 로케이션 매니저(219)는, 예를 들면, 전자 장치(101)의 위치 정보를 관리할 수 있다. 그래픽 매니저(221)는, 예를 들면, 사용자에게 제공될 하나 이상의 그래픽 효과들 또는 이와 관련된 사용자 인터페이스를 관리할 수 있다.
시큐리티 매니저(223)는, 예를 들면, 시스템 보안 또는 사용자 인증을 제공할 수 있다. 통화(telephony) 매니저(225)는, 예를 들면, 전자 장치(101)에 의해 제공되는 음성 통화 기능 또는 영상 통화 기능을 관리할 수 있다. 음성 인식 매니저(227)는, 예를 들면, 사용자의 음성 데이터를 서버(108)로 전송하고, 그 음성 데이터에 적어도 일부 기반하여 전자 장치(101)에서 수행될 기능에 대응하는 명령어(command), 또는 그 음성 데이터에 적어도 일부 기반하여 변환된 문자 데이터를 서버(108)로부터 수신할 수 있다. 일 실시예에 따르면, 미들웨어(244)는 동적으로 기존의 구성요소를 일부 삭제하거나 새로운 구성요소들을 추가할 수 있다. 일 실시예에 따르면, 미들웨어(144)의 적어도 일부는 운영 체제(142)의 일부로 포함되거나, 또는 운영 체제(142)와는 다른 별도의 소프트웨어로 구현될 수 있다.
어플리케이션(146)은, 예를 들면, 홈(251), 다이얼러(253), SMS/MMS(255), IM(instant message)(257), 브라우저(259), 카메라(261), 알람(263), 컨택트(265), 음성 인식(267), 이메일(269), 달력(271), 미디어 플레이어(273), 앨범(275), 와치(277), 헬스(279)(예: 운동량 또는 혈당과 같은 생체 정보를 측정), 또는 환경 정보(281)(예: 기압, 습도, 또는 온도 정보 측정) 어플리케이션을 포함할 수 있다. 일실시예에 따르면, 어플리케이션(146)은 전자 장치(101)와 외부 전자 장치 사이의 정보 교환을 지원할 수 있는 정보 교환 어플리케이션(미도시)을 더 포함할 수 있다. 정보 교환 어플리케이션은, 예를 들면, 외부 전자 장치로 지정된 정보 (예: 통화, 메시지, 또는 알람)를 전달하도록 설정된 노티피케이션 릴레이 어플리케이션, 또는 외부 전자 장치를 관리하도록 설정된 장치 관리 어플리케이션을 포함할 수 있다. 노티피케이션 릴레이 어플리케이션은, 예를 들면, 전자 장치(101)의 다른 어플리케이션(예: 이메일 어플리케이션(269))에서 발생된 지정된 이벤트(예: 메일 수신)에 대응하는 알림 정보를 외부 전자 장치로 전달할 수 있다. 추가적으로 또는 대체적으로, 노티피케이션 릴레이 어플리케이션은 외부 전자 장치로부터 알림 정보를 수신하여 전자 장치(101)의 사용자에게 제공할 수 있다.
장치 관리 어플리케이션은, 예를 들면, 전자 장치(101)와 통신하는 외부 전자 장치 또는 그 일부 구성 요소(예: 외부 전자장치의 디스플레이 모듈 또는 카메라 모듈)의 전원(예: 턴-온 또는 턴-오프) 또는 기능(예: 밝기, 해상도, 또는 포커스)을 제어할 수 있다. 장치 관리 어플리케이션은, 추가적으로 또는 대체적으로, 외부 전자 장치에서 동작하는 어플리케이션의 설치, 삭제, 또는 갱신을 지원할 수 있다.
본 명세서에 걸쳐, 뉴럴 네트워크(neural network), 신경망 네트워크, 네트워크 함수는, 동일한 의미로 사용될 수 있다. 뉴럴 네트워크는, 일반적으로 "노드"라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 "노드"들은, "뉴런(neuron)"들로 지칭될 수도 있다. 뉴럴 네트워크는, 적어도 둘 이상의 노드들을 포함하여 구성된다. 뉴럴 네트워크들을 구성하는 노드(또는 뉴런)들은 하나 이상의 "링크"에 의해 상호 연결될 수 있다.
뉴럴 네트워크 내에서, 링크를 통해 연결된 둘 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 전술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서, 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치를 가질 수 있다. 가중치는 가변적일 수 있으며, 뉴럴 네트워크가 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
전술한 바와 같이, 뉴럴 네트워크는, 둘 이상의 노드들이 하나 이상의 링크를 통해 상호연결 되어 뉴럴 네트워크 내에서 입력 노드 및 출력 노드 관계를 형성한다. 뉴럴 네트워크 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망 네트워크의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망 네트워크가 존재하는 경우, 두 개의 신경망 네트워크들은 서로 상이한 것으로 인식될 수 있다.
일반적으로 서버 및/또는 전자 장치는 아이의 표정 등이 포함된 얼굴의 3차원 정보를 이용하여 아기의 상태를 확인할 수 있다. 어떤 아기의 특정한 상태들에서 아이의 얼굴이나 랜드마크 부분의 이미지 정보를 이용하려고 할 때, 많은 아기들의 얼굴 정보를 가지고 각 상태들을 비교 분석하여 예측모델을 만들고, 이 데이터 모델에 따라 예측하게 하는 것이 일반적인 방식이다. 이러한 과정에서 서버 및/또는 전자 장치는 데이터 이미지들을 표준화 하는 절차를 거쳐 일반화 하는 샘플 데이터 이미지들을 수집하여야 한다. 실제 아이들은 모두 같은 크기와 체적을 가지고 있지 않으므로 단순히 비교하여 데이터를 얻기에는 많은 차이가 난다.
따라서, 데이터를 표준화 하는 과정이 필요하며, 서버 및/또는 전자 장치는 아이의 전신 기준의 화각과 동일한 촛점거리를 가진 같은 화질의 이미지나 영상을 기준으로 획득하여 데이터를 수집할 수 있다.
예를 들어, 각 데이터들은 다음의 최소 2차 이상의 과정을 거쳐야 할 수 있다.
서버 및/또는 전자 장치는, 아이를 똑바로 눕히고, 아이의 머리 꼭지점과 두 발끝을 연결한 직선의 중간 점을 직선으로 연결하였을 때 직선이 되는 경우를 1차 기준으로 결정할 수 있다.
만약 머리가 한쪽으로 기울여 있을 때, 서버 및/또는 전자 장치는 머리 부분만 회전한 이미지를 새로 생성하여 분석 및 정보를 획득하는 데이터로 사용할 수 있다.
서버 및/또는 전자 장치는 아이의 머리에서 얼굴 부위가 최대가 되게 얻은 이미지나 영상 데이터를 최대한 많이 포함된 데이터 세트를 2차 기준으로 결정할 수 있다.
서버 및/또는 전자 장치는, 이러한 2가지 이상의 기준으로 획득된 이미지나 영상(이하 데이터)에서 얼굴에 샘플로 얻은 데이터에서 신장과 얼굴의 길이 넓이를 평균하여 그 값을 기준으로 표정 정보를 획득하고, 이 데이터를 표준화 할 수 있다.
도 3은 일 실시예에 따른 3차원 모델링 정보에 기반하여 뉴럴 네트워크를 통해 아기의 상태에 대한 정보를 분석하는 방법을 나타낸다. 도 3의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 3을 참조하면, 단계 S301에서, 제1 장치는 아기에 대한 3차원 모델링 정보 및 아기의 얼굴에 대한 이미지 정보를 사전 설정된 간격마다 획득할 수 있다. 예를 들어, 제1 장치는 서버 및/또는 전자 장치일 수 있다. 예를 들어, 서버는 도 1의 서버(108)를 포함할 수 있다. 예를 들어, 전자 장치는 도 1의 전자 장치(101)을 포함할 수 있다. 사전 설정된 간격마다 아기에 대한 3차원 모델링 정보 및 아기의 얼굴에 대한 이미지 정보가 획득됨으로써, 제1 장치는 보다 정확도가 높은 3차원 모델링 정보 및 이미지 정보를 획득할 수 있다.
여기서, 3차원 모델링은 x축, y축, z축의 좌표 값을 통해 3차원의 형상을 구현하는 방식일 수 있다. 예를 들어, 상기 아기에 대한 3차원 모델링 정보는 아기의 신체에 대한 x축 좌표 값, y축 좌표 값, z축 좌표 값에 대한 정보를 포함할 수 있다. 예를 들어, 상기 아기에 대한 3차원 모델링 정보는, LiDAR(light detection and ranging)와 같은 센서 및/또는 카메라(예: 카메라 모듈(180))를 통해 촬영된 아기의 얼굴에 대한 정지 영상 또는 동영상 정보를 통해 획득된, 사전 설정된 개수의 x축 좌표 값, y축 좌표 값, z축 좌표 값에 대한 정보를 포함할 수 있다. 예를 들어, LiDAR는 레이저 펄스를 쏘고 반사되어 돌아오는 시간을 측정하여 반사체의 위치좌표를 측정할 수 있다.
여기서, 아기의 얼굴에 대한 이미지 정보는 카메라(예: 카메라 모듈(180))를 통해 촬영된 아기의 얼굴에 대한 정지 영상 또는 동영상 정보일 수 있다. 예를 들어, 아기의 얼굴에 대한 이미지 정보는 아기의 얼굴에 대한 색공간과 관련된 값을 포함할 수 있다. 여기서, 색공간은 색 표시계(color system)를 3차원으로 표현한 공간 개념일 수 있다. 예를 들어, 색공간은 RGB(red green blue), CMYK(cyan, magenta, yellow, black), YUV, YCbCr, HSV 등 다양한 방식으로 표현될 수 있다. 예를 들어, 색공간과 관련된 값은 아기의 얼굴과 관련된 적어도 하나의 픽셀에 대한 적어도 하나의 색공간과 관련된 좌표 값을 행렬로 나타낸 값을 포함할 수 있다. 예를 들어, 아기의 얼굴 각 부위의 색은 RGB 값들의 픽셀 단위로 표현될 수 있다. 예를 들어, RGB는 빨강, 초록, 파랑 세 종류의 색상에 대한 좌표 값으로 나타낸 방식일 수 있다. 예를 들어, YUV는 y축은 밝기 성분을 U,V 두 축을 이용하여 색상을 표현할 수 있다. 여기서, U축은 파란색에서 밝기 성분을 뺀 값이고, V축은 빨간색에서 밝기 성분을 뺀 값일 수 있다. 예를 들어, YCbCr은 아날로그 신호의 색공간을 디지털화한 것으로, Y는 휘도 성분이며 Cb 와 Cr 은 색차 성분일 수 있다. 예를 들어, HSV는 색조(Hue), 채도(Saturation), 밝기 정보(예를 들어, 밸류(Value))를 고려한 방식일 수 있다.
예를 들어, 제1 장치가 서버인 경우, 제1 장치는 상기 아기에 대한 3차원 모델링 정보 및 아기의 얼굴에 대한 이미지 정보를 도 1의 전자 장치(101) 또는 전자 장치(120)로부터 제 1 네트워크(198) 또는 제 2 네트워크(199)를 통해 수신할 수 있다. 또는, 예를 들어, 제1 장치는 상기 아기에 대한 3차원 모델링 정보 및 아기의 얼굴에 대한 이미지 정보를 상기 제1 장치와 연결된 하나 이상의 카메라로부터 네트워크를 통해 수신하거나 입력될 수 있다.
단계 S302에서, 제1 장치는 3차원 모델링 정보를 기초로 뉴럴 네트워크를 이용하여 아기에 대한 복수의 랜드마크들을 검출할 수 있다. 예를 들어, 복수의 랜드마크들은 아기의 몸체에 대한 하나 이상의 랜드마크들 및 아기의 머리에 대한 하나 이상의 랜드마크들을 포함할 수 있다.
여기서, 아기의 몸체에 대한 하나 이상의 랜드마크들은 아기의 몸체에서 기준점 역할을 하는 특징점을 포함할 수 있다. 예를 들어, 아기의 몸체에 대한 하나 이상의 랜드마크들은 발, 무릎, 허벅지, 배, 가슴, 어깨, 팔꿈치, 손과 같이 신체의 주요한 부위들과 신체의 외곽선에 대해 설정될 수 있다.
여기서, 아기의 머리에 대한 하나 이상의 랜드마크들은 아기의 머리에서 기준점 역할을 하는 특징점을 포함할 수 있다. 예를 들어, 아기의 머리에 대한 하나 이상의 랜드마크들은 정수리, 이마, 눈, 코, 볼, 입 및 턱과 같이 머리와 관련된 주요한 부위들과 머리의 외곽선에 대해 설정될 수 있다.
즉, 제1 장치가 아기의 신체에 대해 두 영역으로 나누고, 아기의 신체에 특징적인 주요 부위들을 통해 아기의 상태를 분석함으로써, 아기의 상태를 분석하기 위해 필요한 연산량을 감소시킬 수 있고, 보다 입체적인 특징을 추출하는데 용이할 수 있다.
일 실시예에 따라, 상기 뉴럴 네트워크는 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함할 수 있다. 예를 들어, 3차원 모델링 정보 및 정답 랜드마크로 구성된 각각의 학습 데이터는 상기 뉴럴 네트워크의 상기 입력 레이어에 입력되어 상기 하나 이상의 히든 레이어 및 출력 레이어를 통과하여 출력 벡터를 출력할 수 있다. 상기 출력 벡터는 상기 출력 레이어에 연결된 손실함수 레이어에 입력될 수 있고, 상기 손실함수 레이어는 상기 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 손실 함수를 이용하여 손실값을 출력하고, 상기 뉴럴 네트워크의 파라미터는 상기 손실값이 작아지는 방향으로 학습될 수 있다.
일 실시예에 따라, 뉴럴 네트워크는 3차원 모델링 정보를 기반으로 상기 복수의 랜드마크들에 대응하는 특징 벡터를 생성하는 것이 미리 학습할 수 있다. 예를 들어, 뉴럴 네트워크는 복수의 컨벌루션 뉴럴 네트워크를 직렬로 연결한 다단 심층 뉴럴 네트워크를 포함할 수 있다. 이때, 상기 다단 심층 뉴럴 네트워크를 통해 각 단계에서 기준 신체 자세와 기하변환 관계, 특징 지도(feature map), 랜드마크가 존재할 확률에 대한 맵이 계산될 수 있다. 또한, 기준 신체 자세와 기하변환 관계, 특징 지도, 랜드마크가 존재할 확률에 대한 열지도를 통해 랜드마크의 위치가 검출될 수 있다. 여기서, 기준 신체 자세는 기준이 되는 아기의 신체 자세일 수 있고, 특징 지도는 특징을 나타낸 맵 형태의 정보일 수 있다. 예를 들어, 신체 특징에 대한 검출을 통해 신체의 랜드마크 좌표를 구하게 되면, 랜드마크 좌표를 이용하여 신체의 포즈를 계산하고, 신체에 대한 3차원 모델을 매칭시킴으로써, 신체와 3차원 모델을 정합할 수 있다.
예를 들어, 뉴럴 네트워크는 아기의 3차원 모델링 정보를 사전에 다양한 특징별로 분류할 수 있다. 예를 들어, 3차원 모델링 정보가 입력 레이어에 입력되는 경우, 뉴럴 네트워크는 하나 이상의 히든 레이어 및 출력 레이어를 통과시켜 특징 벡터를 출력할 수 있다. 그리고, 뉴럴 네트워크는 상기 추출된 특징 벡터 값을 복수의 랜드마크들에 매칭시킴으로써, 복수의 랜드마크들을 검출할 수 있다.
일 실시예에 따라, 상기 복수의 랜드마크들은 하기 수학식 1 및 수학식 2를 기초로 검출될 수 있다.
R은 상기 아기의 3차원 모델링 정보, Ravg는 상기 아기의 평균적인 3차원 모델링 정보, Rpca는 상기 아기의 몸체 및 머리에 대한 평균적인 3차원 정보를 기준으로 주성분 분석(principal component analysis)을 통해 결정된 형태에 대한 기저 값, a는 상기 아기의 몸체 및 머리에 대한 3차원 정보의 주성분 기저에 대한 형태 계수, b는 가중치일 수 있다. 여기서, 주성분 분석은 원래의 데이터를 최대한 보존하면서 고차원의 데이터를 저차원의 데이터로 변환시키는 기법일 수 있다.
여기서, argmin 함수는 a에 대한 함수를 최소로 만드는 a값을 계산하는 함수이고, M은 랜드마크의 개수, σ는 랜드마크의 좌표에 대한 표준편차, C는 카메라 투영 행렬, Xi(a)는 각각의 3차원 모델링 정보에 매핑된 i번째 랜드마크의 3차원 좌표, xi는 상기 i번째 랜드마크의 3차원 좌표에 대응되는 검출된 랜드마크의 2차원 좌표, λ는 정규화 파라미터를 나타낼 수 있다. 여기서, 카메라 투영 행렬은 3차원의 공간을 2차원으로 표현하기 위한 행렬일 수 있다. 정규화 파라미터는 과적합 문제를 회피하기 위한 파라미터일 수 있다.
상기 수학식 1 및 수학식 2를 통해 상기 복수의 랜드마크들을 검출 시 도출되는 오류를 최소화할 수 있다.
상술한 수학식 1 및 수학식 2는 PCA 방식을 이용하여 복수의 랜드마크들을 검출하는 방법에 대한 하나의 예시이다. 상기 복수의 랜드마크들을 검출하는 방법은 PCA 방식에 한정되지 않으며, LDA(linear discriminant analysis)와 같은 차원 축소 알고리즘을 포함한 다양한 방식으로 상기 복수의 랜드마크들을 검출할 수 있다.
단계 S303에서, 제1 장치는 복수의 랜드마크들에 기반하여 아기의 호흡과 관련된 정보, 아기의 머리에 대한 기울기 정보 및 아기의 몸체에 대한 기울기 정보를 결정할 수 있다.
여기서, 아기의 호흡과 관련된 정보는 상기 아기의 몸체에 대한 높낮이 변화 정보 및 상기 아기의 머리 상부에 대한 높낮이 변화 정보를 포함할 수 있다. 예를 들어, 아기의 몸체에 대한 높낮이 변화 정보는 상기 아기의 몸체에 대한 하나 이상의 랜드마크 중에서 가장 높은 y축을 가진 랜드마크의 y축 값에 따라 결정될 수 있다. 예를 들어, 아기의 머리 상부에 대한 높낮이 변화 정보는 상기 아기의 머리에 대한 하나 이상의 랜드마크 중에서 가장 높은 y축을 가진 랜드마크의 y축 값에 따라 결정될 수 있다.
여기서, 아기의 머리에 대한 기울기 정보는 상기 아기의 머리에 대한 하나 이상의 랜드마크를 통해 상기 아기의 머리가 기준점에 비해 얼마나 기울어져 있는지에 대한 정보를 포함할 수 있다.
여기서, 아기의 몸체에 대한 기울기 정보는 상기 아기의 몸체에 대한 하나 이상의 랜드마크를 통해 상기 아기의 몸체가 기준점에 비해 얼마나 기울어져 있는지에 대한 정보를 포함할 수 있다.
단계 S304에서, 제1 장치는 아기의 머리에 대한 하나 이상의 랜드마크들 및 아기의 얼굴에 대한 이미지 정보에 기반하여, 아기의 얼굴과 관련된 정보를 결정할 수 있다. 예를 들어, 아기의 얼굴과 관련된 정보는 아기의 표정에 대한 정보, 아기의 얼굴과 관련된 이물질 정보 및 아기의 얼굴색에 대한 정보를 포함할 수 있다.
여기서, 아기의 표정에 대한 정보는 아기의 현재 표정을 나타내는 정보로서, 아기의 웃음과 관련된 정보, 아기의 짜증과 관련된 정보, 아기의 놀람과 관련된 정보 및 아기의 울음과 관련된 정보 등을 포함할 수 있다. 예를 들어, 아기의 표정에 대한 정보는, 상기 제1 장치에 대해 사전에 입력된 기준 정보를, 상기 뉴럴 네트워크를 통해 아기의 얼굴에 대한 이미지 정보에 매칭된 아기의 머리에 대한 하나 이상의 랜드마크들과 비교함으로써 결정될 수 있다. 예를 들어, 상기 제1 장치에 대해 사전에 입력된 기준 정보는 복수의 아기의 3차원 모델링 정보 및 복수의 아기의 얼굴에 대한 이미지 정보를 기반으로 학습된 정보일 수 있다. 예를 들어, 아기의 얼굴에 대한 이미지 정보에 매칭된 아기의 머리에 대한 하나 이상의 랜드마크의 배열이 상기 사전에 입력된 기준 정보와 유사한지 여부를 상기 뉴럴 네트워크를 통해 결정함에 따라, 아기의 표정을 결정할 수 있다.
여기서, 아기의 얼굴과 관련된 이물질 정보는 아기의 얼굴에 묻은 이물질의 존재 여부 및 상기 이물질이 묻은 아기의 얼굴 좌표에 대한 정보를 포함할 수 있다. 예를 들어, 아기의 얼굴과 관련된 이물질 정보는 아기의 얼굴에 대한 이미지 정보에 매칭된 아기의 머리에 대한 하나 이상의 랜드마크 중에서, 색공간과 관련된 값이 사전 설정된 범위 이내인 랜드마크에 대한 좌표 정보를 포함할 수 있다. 예를 들어, 색공간과 관련된 값은 해당 랜드마크에 대응하는 적어도 하나의 픽셀에 대한 적어도 하나의 RGB 좌표 값을 행렬로 나타낸 값을 포함할 수 있다.
여기서, 아기의 얼굴색에 대한 정보는 아기의 얼굴색을 색공간과 관련된 값으로 나타낸 정보를 포함할 수 있다. 예를 들어, 아기의 얼굴에 대한 이미지 정보에 매칭된 아기의 머리에 대한 하나 이상의 랜드마크에 대한 색공간과 관련된 값을 포함할 수 있다.
단계 S305에서, 제1 장치는 아기의 호흡과 관련된 정보, 아기의 머리에 대한 기울기 정보, 아기의 몸체에 대한 기울기 정보 및 아기의 얼굴과 관련된 정보를 기반으로 아기의 상태를 결정할 수 있다. 예를 들어, 아기의 상태는 사전 설정된 복수의 상태들 중 어느 하나일 수 있다. 예를 들어, 아기의 상태는 제1 상태, 제2 상태, 제3 상태 및 제4 상태 중 어느 하나의 상태일 수 있다.
단계 S306에서, 제1 장치는 아기의 상태에 대한 정보를 상기 제1 장치와 연결된 제2 장치에게 전송할 수 있다. 예를 들어, 제2 장치는 도 1의 전자 장치(101) 또는 전자 장치(120)를 포함할 수 있다. 예를 들어, 제2 장치는 아기용 침대와 관련된 전자 장치를 포함할 수 있다. 예를 들어, 아기의 몸체에 대한 기울기가 제1 임계 값 이상이고, 상기 아기의 머리에 대한 기울기가 제2 임계 값 이상인 것에 기반하여, 제1 장치는 상기 제2 장치에게 제1 상태 메시지를 전송할 수 있다.
일 실시예에 따라, 상기 아기의 몸체에 대한 높낮이 변화 정보, 상기 아기의 머리 상부에 대한 높낮이 변화 정보 및 상기 아기의 얼굴색에 대한 정보에 기반하여 상기 제2 장치에게 제2 상태 메시지가 전송될 수 있다.
또는, 예를 들어, 상기 아기의 몸체에 대한 높낮이 변화 정보, 상기 아기의 머리 상부에 대한 높낮이 변화 정보 및 상기 아기의 얼굴색에 대한 정보에 기반하여 상기 제2 장치에게 제2 상태 메시지, 제3 상태 메시지 및 제4 상태 메시지 중 어느 하나가 전송될 수 있다.
일 실시예에 따라, 상기 제1 임계 값이 아래 수학식 3에 의해 설정될 수 있다.
상기 수학식 3에서, 상기 m은 상기 사전 설정된 간격을 기반으로 상기 3차원 모델링 정보가 획득된 횟수, 상기 ri는 상기 아기의 몸체에 대한 기울기이고, 상기 w는 상기 아기의 몸무게, 상기 bi는 상기 아기의 얼굴색과 관련된 값의 제곱근이고, 및 상기 v는 상기 아기의 호흡 속도에 따라 결정된 가중치일 수 있다.
여기서, 아기의 몸무게가 많이 나갈수록, 아기의 몸체에 대한 기울기가 상대적으로 클 수 있기 때문에, w 값이 증가할 수록 제1 임계 값이 증가할 수 있다. 예를 들어, 상기 제1 장치는 아기의 몸무게에 대한 정보를 다른 장치로부터 수신하거나, 아기의 몸무게에 대한 정보가 상기 제1 장치에 대해 사전에 입력될 수 있다. 또한, 아기의 얼굴색과 관련된 RGB 값이 흰색에 가깝거나 검은색에 가까울수록, 아기의 몸체에 대한 기울기가 상대적으로 작을 수 있기 때문에, bi 값이 최솟값에 근접하거나 최댓값에 근접할 수록 제1 임계 값이 감소할 수 있다. 즉, bi가 사전 설정된 범위 이내의 값인 경우, bi는 상기 제1 임계 값에 대해 큰 영향을 미치지 않을 수 있다. 따라서, 아기의 몸무게, 아기의 얼굴색 및 아기의 호흡 속도에 따라 제1 임계 값을 설정함으로써, 제1 장치는 보다 정확하게 아기의 상태를 판단할 수 있다.
예를 들어, 상기 아기의 호흡 속도는 상기 아기의 몸체에 대한 높낮이 변화 정보 및 상기 아기의 머리 상부에 대한 높낮이 변화 정보에 기반하여 결정될 수 있다.
일 실시예에 따라, 상기 아기의 호흡 속도에 따라 결정된 가중치는 하기 수학식 4에 의해 설정될 수 있다.
상기 수학식 4에서, 상기 ravg는 상기 아기의 몸체의 기울기에 대한 평균 값이고, h는 상기 아기의 현재 호흡 속도이고, hth는 사전 설정된 호흡 속도일 수 있다. 예를 들어, h는 상기 아기의 머리에 대한 하나 이상의 랜드마크 중에서 가장 높은 y축을 가진 랜드마크의 y축 값에 대해 시간당 피크 값에 위치하는 횟수 및 상기 아기의 몸체에 대한 하나 이상의 랜드마크 중에서 가장 높은 y축을 가진 랜드마크의 y축 값이 시간당 피크 값에 위치하는 횟수를 기반으로 결정될 수 있다. 예를 들어, hth는 사전 설정된 시간동안 아기의 평균적인 호흡 속도를 기반으로 결정된 값일 수 있다. 예를 들어, hth는 해당 아기에 대해 사전에 학습된 데이터일 수 있다.
즉, 아기의 평상 시 호흡 속도를 고려하여, 현재 아기의 호흡 속도가 아기의 평상 시 호흡 속도보다 크면, 가중치를 통해 상기 제1 임계 값을 작게 설정함으로써, 제1 장치는 아기의 몸체 기울기가 상대적으로 작게 변화하여도 아기의 위험 여부를 판단할 수 있다. 또한, 현재 아기의 호흡 속도가 아기의 평상 시 호흡 속도보다 작으면, 가중치를 통해 상기 제1 임계 값을 크게 설정함으로써, 제1 장치는 아기의 몸체 기울기가 상대적으로 크게 변화할 때, 아기의 위험 여부를 판단할 수 있다. 이를 통해, 제1 장치는 아기의 호흡 속도에 따라 적응적으로 아기의 상태를 분석할 수 있다.
일 실시예에 따라, 상기 아기의 호흡과 관련된 정보, 상기 아기의 머리에 대한 기울기 정보, 상기 아기의 몸체에 대한 기울기 정보 및 상기 아기의 얼굴과 관련된 정보를 기반으로, 제1 장치는 상기 아기와 관련된 복수의 모드를 결정할 수 있다. 예를 들어, 상기 복수의 모드는 제1 모드, 제2 모드 및 제3 모드를 포함할 수 있다.
예를 들어, 상기 제1 모드는 상기 아기의 머리에 대한 기울기가 상기 제1 임계 값 이상 또는 상기 아기의 몸체에 대한 기울기가 상기 제2 임계 값 이상인 것에 기반하여, 상기 제1 장치와 연결된 적어도 하나의 장치에게 상기 아기를 중립 상태로 이동시키는 메시지를 전송하는 모드일 수 있다.
예를 들어, 상기 제2 모드는 상기 아기의 머리에 대한 기울기 및 상기 아기의 몸체에 대한 기울기를 사전 설정된 제1 주기마다 변경시키는 메시지를 상기 제1 장치와 연결된 적어도 하나의 장치에게 전송하는 모드일 수 있다.
예를 들어, 상기 제3 모드는 상기 아기의 머리에 대한 기울기 및 상기 아기의 몸체에 대한 기울기를 사전 설정된 제2 주기마다 변경시키는 메시지를 상기 제1 장치와 연결된 적어도 하나의 장치에게 전송하는 모드일 수 있다.
도 4는 일 실시예에 따른 아기의 상태를 분석하기 위한 구성을 나타내는 블록도이다. 도 5는 일 실시예에 따른 아기의 신체에 대한 랜드마크의 예를 나타낸 도면이다. 도 4 및 도 5의 실시예들은 본 개시의 다양한 실시예들과 결합될 수 있다.
도 4를 참조하면, 아기의 상태를 분석하기 위한 구성은 모델링 정보 수집부(401), 얼굴 이미지 수집부(402), 랜드마크 검출부(403), 신체 분석부(404), 얼굴 분석부(405), 상태 판단부(406) 및 저장부(407)를 포함할 수 있다.
모델링 정보 수집부(401)는 아기에 대한 3차원 모델링 정보를 사전 설정된 시간 간격(예: t1, t2, t3)에 따라 수집할 수 있다. 예를 들어, 모델링 정보 수집부(401)는 적어도 하나의 카메라를 통해 촬영된 아기의 얼굴에 대한 정지 영상 또는 동영상 정보에 기반하여 상기 아기에 대한 3차원 모델링 정보를 사전 설정된 시간 간격에 따라 수집할 수 있다. 예를 들어, 모델링 정보 수집부(401)는 상기 아기에 대한 3차원 모델링 정보를 랜드마크 검출부(403)에게 제공할 수 있다.
얼굴 이미지 수집부(402)는 아기의 얼굴에 대한 이미지 정보를 사전 설정된 시간 간격(예: t1, t2, t3)에 따라 수집할 수 있다. 예를 들어, 아기의 얼굴에 대한 이미지 정보는 적어도 하나의 카메라를 통해 촬영된 아기의 얼굴에 대한 정지 영상 또는 동영상 정보일 수 있다. 예를 들어, 아기의 얼굴에 대한 이미지는 t1에서 적어도 하나의 카메라를 통해 촬영된 적어도 하나의 이미지를 포함할 수 있다. 예를 들어, 얼굴 이미지 수집부(402)는 아기의 얼굴에 대한 이미지 정보를 얼굴 분석부(405)에게 제공할 수 있다.
랜드마크 검출부(403)는 상기 아기에 대한 3차원 모델링 정보를 기반으로 아기의 머리 부분과 아기의 몸체 부분을 추출할 수 있다. 도 5를 참조하면, 아기의 머리 부분(501)과 아기의 몸체 부분(503)에 대한 랜드마크를 검출할 수 있다. 이후, 랜드마크 검출부(403)는 아기의 머리 부분(501)과 아기의 몸체 부분(503)에 대한 랜드마크를 정규화할 수 있다. 예를 들어, 랜드마크 검출부(403)는 상술한 수학식 1 및 수학식 2를 통해 상기 아기에 대한 랜드마크를 검출할 수 있다. 예를 들어, 랜드마크 검출부(403)는 상기 아기에 대한 랜드마크에 대한 정보를 신체 분석부(404) 및 얼굴 분석부(405)에 제공할 수 있다.
신체 분석부(404)는 상기 아기에 대한 랜드마크를 기반으로 아기의 호흡 속도, 아기의 머리에 대한 기울기 및 아기의 몸체에 대한 기울기를 분석할 수 있다. 여기서, 몸체에 대한 기울기는 복수의 각도를 포함할 수 있다. 예를 들어, 복수의 각도는 몸체의 좌우에 대한 제1 각도 및 몸체의 상하에 대한 제2 각도를 포함할 수 있다. 여기서, 머리에 대한 기울기는 복수의 각도를 포함할 수 있다. 예를 들어, 머리의 각도는 머리의 좌우에 대한 제1 각도 및 머리의 상하에 대한 제2 각도를 포함할 수 있다. 예를 들어, 신체 분석부(404)는 상기 아기의 몸체에 대한 높낮이 변화 정보 및 상기 아기의 머리 상부에 대한 높낮이 변화 정보를 기반으로 아기의 호흡 속도를 추출하고, 상기 아기의 호흡 속도가 평균 속도보다 큰 값인지 또는 작은 값인지 분석할 수 있다. 예를 들어, 신체 분석부(404)는 상기 아기의 머리에 대한 하나 이상의 랜드마크를 통해 상기 아기의 머리가 기준점에 비해 얼마나 기울어져 있는지 분석할 수 있다. 예를 들어, 신체 분석부(404)는 상기 아기의 몸체에 대한 하나 이상의 랜드마크를 통해 상기 아기의 몸체가 기준점에 비해 얼마나 기울어져 있는지 분석할 수 있다. 예를 들어, 신체 분석부(404)는 상기 아기의 호흡과 관련된 정보, 상기 아기의 머리에 대한 기울기 정보 및 상기 아기의 몸체에 대한 기울기 정보를 상태 판단부(406)에게 제공할 수 있다.
얼굴 분석부(405)는 상기 아기에 대한 랜드마크에 대한 정보 및 상기 아기의 얼굴에 대한 이미지 정보를 기반으로 상기 아기의 얼굴과 관련된 정보를 결정할 수 있다. 예를 들어, 아기의 얼굴과 관련된 정보는 아기의 표정에 대한 정보, 아기의 얼굴과 관련된 이물질 정보 및 아기의 얼굴색에 대한 정보를 포함할 수 있다. 예를 들어, 얼굴 분석부(405)는 상기 아기의 얼굴에 대한 이물질의 존재 여부 및 이물질의 위치를 검출할 수 있고, 상기 아기의 얼굴색 및 상기 아기의 표정을 분석할 수 있다. 예를 들어, 얼굴 분석부(405)는 아기의 얼굴에 대한 이미지 정보에 매칭된 아기의 머리에 대한 하나 이상의 랜드마크 중에서, 색공간과 관련된 값이 사전 설정된 범위 이내인 랜드마크에 대해 이물질이 존재하는 것으로 결정할 수 있고, 해당 랜드마크의 좌표 정보를 이물질의 위치 정보로 결정할 수 있다. 여기서, 색공간과 관련된 값은 상기 랜드마크에 대응하는 적어도 하나의 픽셀에 대한 적어도 하나의 RGB 좌표 값을 가공한 값일 수 있다. 예를 들어, 얼굴 분석부(405)는 사전에 입력된 표정과 관련된 기준 정보를 기반으로 아기의 머리에 대한 하나 이상의 랜드마크들 및 아기의 얼굴에 대한 이미지 정보와 매칭시킴으로써 분석할 수 있다. 예를 들어, 얼굴 분석부(405)는 아기의 얼굴에 대한 이미지 정보에 매칭된 아기의 머리에 대한 하나 이상의 랜드마크의 배열이 상기 사전에 입력된 기준 정보와 유사한지 여부를 뉴럴 네트워크를 통해 결정함에 따라, 아기의 표정을 분석할 수 있다. 예를 들어, 얼굴 분석부(405)는 아기의 얼굴에 대한 이미지 정보에 매칭된 아기의 머리에 대한 하나 이상의 랜드마크에 대한 색공간과 관련된 값을 기반으로 아기의 얼굴색을 분석할 수 있다. 예를 들어, 얼굴 분석부(405)는 상기 아기의 얼굴과 관련된 정보를 저장부(407)에 제공할 수 있다. 저장부(407)는 상기 아기의 얼굴과 관련된 정보를 저장할 수 있다. 예를 들어, 저장부(407)는 상기 아기의 얼굴과 관련된 정보를 뉴럴 네트워크를 위한 학습 데이터로 사용할 수 있으며, 사용자가 추후에 상기 아기의 얼굴과 관련된 정보를 확인할 수 있다.
상태 판단부(406)는 상기 아기의 호흡과 관련된 정보, 상기 아기의 머리에 대한 기울기 정보, 상기 아기의 몸체에 대한 기울기 정보 및 상기 아기의 얼굴과 관련된 정보를 기반으로 상기 아기의 위험 여부를 판단하고, 상기 아기의 상태를 결정하며, 이와 관련된 조치를 실행할 수 있다. 예를 들어, 상태 판단부(406)는 상기 아기의 상태에 대한 정보를 적어도 하나의 장치에게 전송할 수 있다. 예를 들어, 상기 아기의 상태는 사전 설정된 복수의 상태들 중 어느 하나일 수 있다. 예를 들어, 상태 판단부(406)는 아기의 몸체에 대한 기울기가 제1 임계 값 이상이고, 상기 아기의 머리에 대한 기울기가 제2 임계 값 이상인 것에 기반하여, 적어도 하나의 장치에게 제1 상태 메시지를 전송할 수 있다. 이하, 도 6에서 상기 아기의 상태와 관련된 조치를 구체적으로 설명한다.
예를 들어, 상태 판단부(406)는 상기 아기의 상태에 대한 정보 및 관련 조치에 대한 정보를 저장부(407)에 제공할 수 있다. 저장부(407)는 상기 아기의 상태에 대한 정보 및 관련 조치에 대한 정보를 저장할 수 있다. 예를 들어, 저장부(407)는 상기 아기의 상태에 대한 정보 및 관련 조치에 대한 정보를 뉴럴 네트워크를 위한 학습 데이터로 사용할 수 있으며, 사용자가 추후에 상기 아기의 상태에 대한 정보 및 관련 조치에 대한 정보를 확인할 수 있다.
도 6은 일 실시예에 따른 제1 장치가 아기의 상태를 분석하는 방법의 동작을 도시한 흐름도이다. 도 6의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 6을 참조하면, 단계 S601에서, 제1 장치는 아기의 3차원 모델링 정보 및 아기의 얼굴에 대한 이미지 정보를 사전 설정된 간격마다 획득할 수 있다.
단계 S602에서, 제1 장치는 상기 아기의 3차원 모델링 정보를 기반으로 뉴럴 네트워크를 이용하여 아기에 대한 복수의 랜드마크들을 검출할 수 있다. 예를 들어, 복수의 랜드마크들은 아기의 몸체에 대한 하나 이상의 랜드마크들 및 아기의 머리에 대한 하나 이상의 랜드마크들을 포함할 수 있다. 예를 들어, 아기에 대한 복수의 랜드마크들은 상기 수학식 1 및 수학식 2를 기반으로 결정될 수 있다.
단계 S603에서, 제1 장치는 상기 아기의 몸체에 대한 하나 이상의 랜드마크들에 기반하여 아기의 몸체의 기울기가 제1 임계 값 이상인지 여부를 결정할 수 있다. 여기서, 예를 들어, 아기의 몸체의 기울기는 몸체의 좌우에 대한 제1 각도 또는 몸체의 상하에 대한 제2 각도 중 적어도 하나를 포함할 수 있다. 상기 제1 임계 값은 상기 몸체의 좌우에 대한 제1 각도에 대한 임계 값 또는 상기 몸체의 상하에 대한 제2 각도에 대한 임계 값 중 적어도 하나를 포함할 수 있다. 예를 들어, 상기 몸체의 좌우에 대한 제1 각도가 몸체의 상하에 대한 제2 각도보다 더 우선적으로 판단될 수 있다. 예를 들어, 상기 몸체의 좌우에 대한 제1 각도에 대해 가중치가 적용될 수 있다. 예를 들어, 상기 제1 임계 값은 상기 수학식 3에 의해 설정될 수 있다. 또한, 상기 제2 임계 값은 상기 수학식 3을 기반으로 설정될 수 있다.
단계 S604에서, 상기 몸체의 기울기가 제1 임계 값 이상이면, 제1 장치는 머리의 기울기가 제2 임계 값 이상인지 여부를 결정할 수 있다. 여기서, 예를 들어, 아기의 머리의 기울기는 머리의 좌우에 대한 제1 각도 또는 머리의 상하에 대한 제2 각도 중 적어도 하나를 포함할 수 있다. 상기 제2 임계 값은 상기 머리의 좌우에 대한 제1 각도에 대한 임계 값 또는 상기 머리의 상하에 대한 제2 각도에 대한 임계 값 중 적어도 하나를 포함할 수 있다. 예를 들어, 상기 머리의 좌우에 대한 제1 각도가 머리의 상하에 대한 제2 각도보다 더 우선적으로 판단될 수 있다. 예를 들어, 상기 머리의 좌우에 대한 제1 각도에 대해 가중치가 적용될 수 있다.
단계 S605에서, 상기 몸체의 기울기가 제1 임계 값 이상이고, 상기 머리의 기울기가 제2 임계 값 이상이면, 제1 장치는 상기 제1 장치와 연결된 적어도 하나의 장치에게 제1 상태 메시지를 전송할 수 있다.
예를 들어, 상기 몸체의 기울기가 제1 임계 값 이상이고, 상기 머리의 기울기가 제2 임계 값 이상인 경우는 아기가 엎어진 상태로 누워있는 경우를 포함할 수 있다. 예를 들어, 상기 몸체의 좌우에 대한 제1 각도에 대한 제1 임계 값이 150도, 상기 머리의 좌우에 대한 제1 각도에 대한 제2 임계 값이 45도로 설정될 수 있다. 이때, 상기 몸체의 좌우에 대한 제1 각도가 상기 제1 임계 값 이상이고, 상기 머리의 좌우에 대한 제1 각도가 상기 제2 임계 값이면, 상기 제1 장치는 아기가 엎어진 상태로 누워있는 것으로 결정할 수 있다. 따라서, 제1 장치는 상기 제1 장치와 연결된 적어도 하나의 장치에게 아기가 엎어진 상태인 것을 나타내는 제1 상태 메시지를 전송할 수 있다. 이때, 예를 들어, 상기 제1 상태 메시지를 수신한 장치가 전자 장치(예를 들어, 스마트폰)인 경우, 상기 단말 장치는 경고음을 울리거나, 진동을 울릴 수 있고, 장치의 화면에 아기의 상태를 표시할 수 있다. 또는, 예를 들어, 상기 제1 상태 메시지를 수신한 장치가 아기용 침대와 관련된 전자 장치인 경우, 상기 아기용 침대와 관련된 전자 장치는 상기 아기용 침대와 관련된 전자 장치는 경고음을 울리거나, 상기 아기용 침대에 구비된 구동부(예: 엑추에이터)를 통해 아기의 자세가 바르게 누운 자세가 되도록 동작할 수 있다.
단계 S606에서, 상기 몸체의 기울기가 제1 임계 값 미만인 경우, 제1 장치는 아기의 호흡 속도가 제3 임계 값 이상인지 여부를 결정할 수 있다. 예를 들어, 제1 장치는 상기 아기의 몸체에 대한 높낮이 변화 정보 및 상기 아기의 머리 상부에 대한 높낮이 변화 정보를 기반으로 상기 아기의 호흡 속도를 결정하고, 제1 장치는 상기 아기의 호흡 속도가 제3 임계 값 이상인지 여부를 결정할 수 있다. 예를 들어, 상기 제3 임계 값은 사전 설정된 호흡 속도일 수 있다. 예를 들어, 상기 제3 임계 값은 사전 설정된 시간동안 아기의 평균적인 호흡 속도를 기반으로 결정된 값일 수 있다.
단계 S607에서, 상기 호흡 속도가 제3 임계 값 이상인 경우, 제1 장치는 얼굴색과 관련된 값이 사전 설정된 범위 내인지 여부를 결정할 수 있다. 여기서, 얼굴색과 관련된 값은 아기의 얼굴에 대한 이미지 정보에 매칭된 아기의 머리에 대한 하나 이상의 랜드마크에 대응하는 색공간과 관련된 값일 수 있다. 예를 들어, 사전 설정된 범위는 복수 개일 수 있다. 예를 들어, 사전 설정된 범위는 RGB 중에서 빨강에 대한 좌표 값이 높은 제1 범위, RGB 중에서 파랑에 대한 좌표 값이 높은 제2 범위 및 RGB 중에서 빨강과 초록에 대한 좌표 값이 높은 제3 범위를 포함할 수 있다.
부가적으로, 예를 들어, 제1 장치는 단계 S607에서 사전에 입력된 표정과 관련된 기준 정보를 기반으로 아기의 머리에 대한 하나 이상의 랜드마크들 및 아기의 얼굴에 대한 이미지 정보와 매칭시킴으로써 아기의 표정에 대한 정보를 추가적으로 결정할 수 있다. 즉, 예를 들어, 단계 S607에서, 제1 장치는 상기 얼굴색과 관련된 값이 사전 설정된 범위 내인지 결정한 후, 상기 아기의 표정에 대한 정보를 함께 고려하여, 아기의 상태를 결정할 수 있다.
단계 S608에서, 상기 얼굴색과 관련된 값이 사전 설정된 범위에 포함되지 않는 경우, 제1 장치는 상기 제1 장치와 연결된 적어도 하나의 장치에게 제2 상태 메시지를 전송할 수 있다. 예를 들어, 호흡 속도가 제3 임계 값 이상이고, 상기 얼굴색과 관련된 값이 사전 설정된 범위 밖에 포함되면, 제1 장치는 아기가 과호흡 상태인 것으로 결정할 수 있다. 따라서, 제1 장치는 상기 제1 장치와 연결된 적어도 하나의 장치에게 아기가 과호흡 상태인 것을 나타내는 제2 상태 메시지를 전송할 수 있다. 이때, 예를 들어, 상기 제2 상태 메시지를 수신한 장치가 전자 장치(예를 들어, 스마트폰)인 경우, 상기 전자 장치는 경고음을 울리거나 진동을 울릴 수 있고, 장치의 화면에 아기의 상태를 주의할 것을 표시할 수 있다. 또는, 예를 들어, 상기 제2 상태 메시지를 수신한 장치가 아기용 침대와 관련된 전자 장치인 경우, 상기 아기용 침대와 관련된 전자 장치는 상기 아기용 침대와 관련된 전자 장치는 저장된 클래식 음악을 들려주기 위해 상기 아기용 침대와 관련된 전자 장치에 구비된 음향 장치를 작동시킬 수 있다.
단계 S609에서, 얼굴색과 관련된 값이 사전 설정된 범위에 포함되는 경우, 제1 장치는 상기 제1 장치와 연결된 적어도 하나의 장치에게 제3 상태 메시지를 전송할 수 있다. 여기서, 예를 들어, 제3 상태 메시지는 사전 설정된 복수의 범위에 따라 상이한 정보를 포함할 수 있다.
여기서, 예를 들어, 얼굴색과 관련된 값이 상기 사전 설정된 제1 범위에 포함되는 경우, 제1 장치는 아기가 흥분된 상태인 것으로 결정할 수 있다. 따라서, 제1 장치는 상기 제1 장치와 연결된 적어도 하나의 장치에게 아기가 흥분된 상태인 것을 나타내는 제3 상태 메시지를 전송할 수 있다. 이때, 예를 들어, 상기 제3 상태 메시지를 수신한 장치가 전자 장치(예를 들어, 스마트폰)인 경우, 상기 전자 장치는 경고음을 울리거나 진동을 울릴 수 있고, 장치의 화면에 아기의 상태가 흥분된 상태인 것을 표시할 수 있다. 또는, 예를 들어, 상기 제3 상태 메시지를 수신한 장치가 아기용 침대와 관련된 전자 장치인 경우, 상기 아기용 침대와 관련된 전자 장치는 저장된 클래식 음악을 들려주기 위해 상기 아기용 침대와 관련된 전자 장치에 구비된 음향 장치를 작동시킬 수 있다.
여기서, 예를 들어, 얼굴색과 관련된 값이 상기 사전 설정된 제2 범위에 포함되는 경우, 제1 장치는 아기가 호흡이 곤란한 상태인 것으로 결정할 수 있다. 따라서, 제1 장치는 상기 제1 장치와 연결된 적어도 하나의 장치에게 아기가 호흡이 곤란한 상태인 것을 나타내는 제3 상태 메시지를 전송할 수 있다. 이때, 예를 들어, 상기 제3 상태 메시지를 수신한 장치가 전자 장치(예를 들어, 스마트폰)인 경우, 상기 전자 장치는 경고음을 울리거나, 진동을 울릴 수 있고, 장치의 화면에 아기가 호흡이 곤란한 상태인 것을 표시할 수 있다. 또는, 예를 들어, 상기 제3 상태 메시지를 수신한 장치가 아기용 침대와 관련된 전자 장치인 경우, 상기 아기용 침대와 관련된 전자 장치는 상기 아기용 침대와 관련된 전자 장치에 구비된 송수신기를 통해 저장된 긴급 메시지를 전송하거나 긴급 전화 통화를 수행할 수 있다.
여기서, 예를 들어, 얼굴색과 관련된 값이 상기 사전 설정된 제3 범위에 포함되는 경우, 제1 장치는 아기가 황달로 의심되는 상태인 것으로 결정할 수 있다. 따라서, 제1 장치는 상기 제1 장치와 연결된 적어도 하나의 장치에게 아기가 황달로 의심되는 상태인 것을 나타내는 제3 상태 메시지를 전송할 수 있다. 이때, 예를 들어, 상기 제3 상태 메시지를 수신한 장치가 전자 장치(예를 들어, 스마트폰)인 경우, 상기 전자 장치는 경고음을 울리거나, 진동을 울릴 수 있고, 장치의 화면에 아기가 황달로 의심되는 상태인 것을 표시할 수 있다. 또는, 예를 들어, 상기 제3 상태 메시지를 수신한 장치가 아기용 침대와 관련된 전자 장치인 경우, 상기 아기용 침대와 관련된 전자 장치는 상기 아기용 침대와 관련된 전자 장치에 구비된 GPS(global positioning system) 및 송수신기를 통해 가장 근접한 소아과 병원의 주소 및 전화 번호를 보호자의 전자 장치에게 전송할 수 있다.
단계 S610에서, 상기 호흡 속도가 제3 임계 값 미만인 경우, 제1 장치는 상기 제1 장치와 연결된 적어도 하나의 장치에게 제4 상태 메시지를 전송할 수 있다. 예를 들어, 상기 호흡 속도가 제3 임계 값 미만인 경우, 제1 장치는 상기 아기가 안정된 상태인 것으로 결정할 수 있다. 따라서, 제1 장치는 상기 제1 장치와 연결된 적어도 하나의 장치에게 아기가 안정된 상태인 것을 나타내는 제4 상태 메시지를 전송할 수 있다. 이때, 예를 들어, 상기 제4 상태 메시지를 수신한 장치가 전자 장치(예를 들어, 스마트폰)인 경우, 상기 전자 장치는 장치의 화면에 아기가 안정된 상태인 것을 표시할 수 있다.
상기 도 6의 실시예는 하나의 예이며, 각각의 임계 값을 판단하는 과정 및 사전 설정된 범위 내인지 판단하는 과정에 대한 순서는 상이할 수 있다.
또한, 상기 도 6의 실시예는 하나의 예이며, 제1 장치는 각각의 임계 값을 판단하는 과정 및 사전 설정된 범위 내인지 판단하는 과정을 독립적으로 수행할 수 있다. 예를 들어, 제1 장치는 상기 얼굴색과 관련된 값이 사전 설정된 범위 내인지 여부만을 판단할 수도 있다. 또는, 예를 들어, 제1 장치는 상기 판단하는 과정을 병렬적으로 수행할 수 있다.
도 7은 일 실시예에 따른 제1 장치와 연결된 아기용 침대에 대한 예를 나타낸다. 도 7의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 7을 참조하면, 제1 장치와 연결된 아기용 침대(710)(이하, 아기용 침대(710))는 매트리스, 구동부, 보호 펜스, 송수신기, 음향 장치 및 하나 이상의 프로세서를 포함할 수 있다. 아기용 침대(710)는 매트리스(711)에 포함된 구동부를 통해 상하(713) 방향으로 아기(712)를 일으켜 앉히거나, 아기(712)의 다리를 들어올릴 수 있다. 또한, 아기용 침대(710)는 매트리스(711)에 포함된 구동부를 통해 아기(712)를 좌우(714) 방향으로 회전시킬 수 있다. 예를 들어, 아기용 침대(710)는 다양한 방법에 의해 매트리스(711)에 포함된 구동부를 사용하여 상하(713) 방향으로 매트리스(711)를 접거나, 좌우(714) 방향으로 매트리스(711)를 접을 수 있다.
예를 들어, 아기용 침대(710)에서 아기(712)가 엎드려 누운 상태(740)이면, 제1 장치는 아기(712)의 몸체의 기울기가 제1 임계 값 이상이고, 아기(712)의 머리의 기울기가 제2 임계 값 이상인 것으로 결정할 수 있다. 그리고, 제1 장치는 상기 제1 장치와 연결된 아기용 침대(710)에게 제1 상태 메시지를 전송할 수 있다. 이후, 아기용 침대(710)는 송수신기를 통해 상기 제1 상태 메시지를 수신하고, 매트리스(711)에 포함된 구동부를 이용하여 아기(712)를 바르게 누운 상태로 회전시킬 수 있다. 또한, 아기용 침대(710)은 보호 펜스를 구비하고 있기 때문에, 아기(712)가 회전하여도 아기용 침대(710)으로 떨어지는 것을 방지할 수 있다.
예를 들어, 제1 장치가 아기(712)의 호흡 속도가 제3 임계 값 이상이고, 아기(712)의 얼굴색과 관련된 값이 사전 설정된 범위에 포함되지 않는다고 결정한 경우, 제1 장치는 상기 제1 장치와 연결된 아기용 침대(710)에게 아기(712)가 과호흡 상태인 것을 나타내는 제2 상태 메시지를 전송할 수 있다. 이후, 아기용 침대(710)는 송수신기를 통해 상기 제2 상태 메시지를 수신하고, 매트리스(711)에 포함된 구동부를 이용하여 아기(712)를 매트리스(711)에 기대어 누운 상태(730)로 만들 수 있다.
예를 들어, 제1 장치가 아기(712)의 호흡 속도가 제3 임계 값 이상이고, 아기(712)의 얼굴색과 관련된 값이 사전 설정된 제1 범위에 포함된다고 결정한 경우, 제1 장치는 상기 제1 장치와 연결된 아기용 침대(710)에게 아기(712)가 흥분된 상태인 것을 나타내는 제3 상태 메시지를 전송할 수 있다. 이후, 아기용 침대(710)는 송수신기를 통해 상기 제3 상태 메시지를 수신하고, 매트리스(711)에 포함된 구동부를 이용하여 아기(712)를 매트리스(711)에 기대어 누운 상태(730)로 만들 수 있다.
예를 들어, 제1 장치가 아기(712)의 호흡 속도가 제3 임계 값 이상이고, 아기(712)의 얼굴색과 관련된 값이 사전 설정된 제2 범위에 포함된다고 결정한 경우, 제1 장치는 상기 제1 장치와 연결된 아기용 침대(710)에게 아기(712)가 호흡이 곤란한 상태인 것을 나타내는 제3 상태 메시지를 전송할 수 있다. 이후, 아기용 침대(710)는 송수신기를 통해 상기 제3 상태 메시지를 수신하고, 매트리스(711)에 포함된 구동부를 이용하여 아기(712)를 매트리스(711)에 기대어 누운 상태(730)로 만들 수 있다.
예를 들어, 제1 장치와 연결된 전자 장치(720)는 아기용 침대(710)와 근거리 무선 네트워크(예: 블루투스, WiFi, IrDA)를 통해 연결될 수 있다. 또는 제1 장치와 연결된 전자 장치(720)는 아기용 침대(710)와 제1 장치를 통해 원거리 무선 네트워크(예: 셀룰러 네트워크, 5G 네트워크, 인터넷)를 사용하여 연결될 수 있다. 이때, 제1 장치와 연결된 전자 장치(720)는 아기용 침대(710)에게 매트리스(711)에 포함된 구동부를 사용하여 상하(713) 방향으로 매트리스(711)를 접게 하는 메시지 또는, 좌우(714) 방향으로 매트리스(711)를 접게 하는 메시지를 전송할 수 있다.
도 8은 일 실시예에 따른 제1 장치가 아기의 표정을 분석한 예들을 나타낸다. 도 8의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 8을 참조하면, 제1 장치는 사전 설정된 시간 간격마다 아기의 얼굴에 대한 이미지 정보를 획득할 수 있다. 예를 들어, 제1 장치는 t1, t2, t3, t4 및 t5에 각각 아기의 얼굴에 대한 이미지 정보를 획득할 수 있다. 여기서, 아기의 얼굴에 대한 이미지 정보는 아기의 얼굴에 대한 색공간과 관련된 값을 포함할 수 있다.
여기서, 상기 제1 장치에 대해 사전에 아기의 표정과 관련된 기준 정보가 입력될 수 있다. 예를 들어, 뉴럴 네트워크를 통해 아기의 머리에 대한 하나 이상의 랜드마크들을 아기의 얼굴에 대한 이미지 정보에 매칭시킬 수 있다. 그리고, 아기의 얼굴에 대한 이미지 정보에 매칭된 아기의 머리에 대한 하나 이상의 랜드마크의 배열이 상기 사전에 입력된 기준 정보와 유사한지 여부를 상기 뉴럴 네트워크를 통해 결정함에 따라, 제1 장치는 아기의 표정을 결정할 수 있다. 예를 들어, 사전에 입력된 아기의 표정과 관련된 기준 정보는 복수의 표정과 관련된 랜드마크의 배열들을 포함할 수 있다.
즉, 예를 들어, 제1 장치는 t1에서 획득된 아기의 얼굴에 대한 이미지 정보(801)에 매칭된 아기의 머리에 대한 하나 이상의 랜드마크의 배열과 가장 유사한 랜드마크의 배열을 검출할 수 있다. 예를 들어, 상기 복수의 표정과 관련된 랜드마크의 배열들 중에서 가장 유사한 랜드마크의 배열은 제1 배열일 수 있다. 여기서, 제1 배열은 미소 짓는 표정에 해당할 수 있고, 제1 장치는 상기 제1 배열을 검출함에 따라, 아기가 미소 짓는 표정이라고 결정할 수 있다.
부가적으로, 예를 들어, 제1 장치는 아기의 표정을 결정할 수 있고, 아기의 얼굴에 대한 색공간과 관련된 값을 통해 이물질의 존재 여부 및 이물질의 위치를 결정할 수 있다. 구체적으로, 제1 장치는 t2에서 획득된 아기의 얼굴에 대한 이미지 정보(802)에 매칭된 아기의 머리에 대한 하나 이상의 랜드마크의 배열과 가장 유사한 랜드마크의 배열을 검출할 수 있다. 예를 들어, 상기 복수의 표정과 관련된 랜드마크의 배열들 중에서 가장 유사한 랜드마크의 배열은 제2 배열일 수 있다. 여기서, 제2 배열은 불쾌한 표정에 해당할 수 있고, 제1 장치는 상기 제2 배열을 검출함에 따라, 아기가 불쾌한 표정이라고 결정할 수 있다. 또한, 제1 장치는 아기의 얼굴에 대한 색공간과 관련된 값이 사전 설정된 범위 내인 좌표를 검출함으로써, 아기의 얼굴에 대해 이물질이 존재함을 결정할 수 있다. 또한, 제1 장치는 아기의 얼굴에 대한 색공간과 관련된 값이 사전 설정된 범위 내인 좌표를 이물질이 위치하는 좌표로서 결정할 수 있다.
예를 들어, 제1 장치는 t3에서 획득된 아기의 얼굴에 대한 이미지 정보(803)에 매칭된 아기의 머리에 대한 하나 이상의 랜드마크의 배열과 가장 유사한 랜드마크의 배열을 검출할 수 있다. 예를 들어, 상기 복수의 표정과 관련된 랜드마크의 배열들 중에서 가장 유사한 랜드마크의 배열은 제3 배열일 수 있다. 여기서, 제3 배열은 활짝 웃는 표정에 해당할 수 있고, 제1 장치는 상기 제3 배열을 검출함에 따라, 아기가 활짝 웃는 표정이라고 결정할 수 있다.
예를 들어, 제1 장치는 t4에서 획득된 아기의 얼굴에 대한 이미지 정보(804)에 매칭된 아기의 머리에 대한 하나 이상의 랜드마크의 배열과 가장 유사한 랜드마크의 배열을 검출할 수 있다. 예를 들어, 상기 복수의 표정과 관련된 랜드마크의 배열들 중에서 가장 유사한 랜드마크의 배열은 제4 배열일 수 있다. 여기서, 제4 배열은 놀라는 표정에 해당할 수 있고, 제1 장치는 상기 제4 배열을 검출함에 따라, 아기가 놀라는 표정이라고 결정할 수 있다.
예를 들어, 제1 장치는 t5에서 획득된 아기의 얼굴에 대한 이미지 정보(805)에 매칭된 아기의 머리에 대한 하나 이상의 랜드마크의 배열과 가장 유사한 랜드마크의 배열을 검출할 수 있다. 예를 들어, 상기 복수의 표정과 관련된 랜드마크의 배열들 중에서 가장 유사한 랜드마크의 배열은 제5 배열일 수 있다. 여기서, 제5 배열은 울고 있는 표정에 해당할 수 있고, 제1 장치는 상기 제5 배열을 검출함에 따라, 아기가 울고 있는 표정이라고 결정할 수 있다.
도 9는 일 실시예에 따른 제1 장치가 결정한 복수의 모드가 전자 장치의 화면에 디스플레이된 예를 나타낸다. 도 9의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
일 실시 예에 따라, 제1 장치는 아기의 호흡과 관련된 정보, 아기의 머리에 대한 기울기 정보, 아기의 몸체에 대한 기울기 정보 및 아기의 얼굴과 관련된 정보를 기반으로, 아기에 대한 복수의 모드를 결정할 수 있다. 예를 들어, 상기 복수의 모드는 제 1 모드, 제2 모드 및 제3 모드를 포함할 수 있다.
도 9를 참조하면, 제1 장치는 상기 제1 장치와 연결된 전자 장치(901)에게 상기 복수의 모드에 대한 정보를 전송할 수 있고, 상기 전자 장치(901)는 복수의 모드 중 어느 하나의 모드를 선택할 수 있다. 그리고, 전자 장치(901)가 선택한 모드에 대한 정보를 상기 제1 장치에게 전송함으로써, 제1 장치는 전자 장치(901)가 선택한 모드로 동작하도록 상기 제1 장치와 연결된 장치(예: 아기용 침대(710))에게 메시지를 전송할 수 있다.
예를 들어, 제1 모드(911)는 아기의 자세를 바르게 유지시켜주기 위해 상기 제1 장치와 연결된 장치(예: 아기용 침대(710))가 동작하는 모드일 수 있다. 즉, 제 1 모드(911)는, 상기 아기의 머리에 대한 기울기가 상기 제1 임계 값 이상 또는 상기 아기의 몸체에 대한 기울기가 상기 제2 임계 값 이상인 것에 기반하여, 제1 장치가 상기 제1 장치와 연결된 장치(예: 아기용 침대(710))에게 상기 아기를 중립 상태로 이동시키는 메시지를 전송하는 모드일 수 있다.
예를 들어, 제2 모드(931)는 아기의 두상을 관리하기 위해 상기 제1 장치와 연결된 장치(예: 아기용 침대(710))가 사전 설정된 주기마다 동작하는 모드일 수 있다. 즉, 제2 모드(931)는, 상기 아기의 머리에 대한 기울기 및 상기 아기의 몸체에 대한 기울기를 사전 설정된 제1 주기마다 변경시키는 메시지를 상기 제1 장치와 연결된 장치(예: 아기용 침대(710))에게 전송하는 모드일 수 있다.
예를 들어, 제3 모드(951)는 아기의 수면을 유도하기 위해 상기 제1 장치와 연결된 장치(예: 아기용 침대(710))가 사전 설정된 주기마다 동작하는 모드일 수 있다. 즉, 제3 모드(951)는, 사전 설정된 주기마다 상기 아기의 머리에 대한 기울기 및 상기 아기의 몸체에 대한 기울기를 사전 설정된 제2 주기마다 변경시키는 메시지를 상기 제1 장치와 연결된 장치(예: 아기용 침대(710))에게 전송하는 모드일 수 있다. 예를 들어, 사전 설정된 제1 주기와 사전 설정된 제2 주기는 상이할 수 있고, 사용자에 의해 사전 입력된 값일 수 있다.
도 10은 일 실시예에 따른 제1 장치의 구성을 나타내는 블록도이다. 도 10의 일 실시예는 본 개시의 다양한 실시예들과 결합될 수 있다.
도 10에 도시된 바와 같이, 제1 장치(1000)는 프로세서(1010), 통신부(1020) 및 메모리(1030)를 포함할 수 있다. 그러나, 도 10에 도시된 구성 요소 모두가 제1 장치(1000)의 필수 구성 요소인 것은 아니다. 도 10에 도시된 구성 요소보다 많은 구성 요소에 의해 제1 장치(1000)가 구현될 수도 있고, 도 10에 도시된 구성 요소보다 적은 구성 요소에 의해 제1 장치(1000)가 구현될 수도 있다. 예를 들어, 일부 실시예에 따른 제1 장치(1000)는 프로세서(1010), 통신부(1020) 및 메모리(1030) 이외에 사용자 입력 인터페이스(미도시), 출력부(미도시) 등을 더 포함할 수도 있다.
프로세서(1010)는, 통상적으로 제1 장치(1000)의 전반적인 동작을 제어한다. 프로세서(1010)는 하나 이상의 프로세서를 구비하여, 제1 장치(1000)에 포함된 다른 구성 요소들을 제어할 수 있다. 예를 들어, 프로세서(1010)는, 메모리(1030)에 저장된 프로그램들을 실행함으로써, 통신부(1020) 및 메모리(1030) 등을 전반적으로 제어할 수 있다. 또한, 프로세서(1010)는 메모리(1030)에 저장된 프로그램들을 실행함으로써, 도 3 내지 도 9에 기재된 제1 장치(1000)의 기능을 수행할 수 있다.
일 실시예에 따라, 프로세서(1010)는 제1 장치(1000)에 아기에 대한 3차원 모델링 정보 및 상기 아기의 얼굴에 대한 이미지 정보를 사전 설정된 간격마다 획득할 수 있다. 프로세서(1010)는 통신부(1020)를 통해 제1 장치와 연결된 적어도 하나의 장치로부터 아기에 대한 3차원 모델링 정보 및 아기의 얼굴에 대한 이미지 정보를 네트워크를 통해 수신할 수 있다. 예를 들어, 프로세서(1010)는 통신부(1020) 및/또는 메모리(1030)를 통해 적어도 하나의 카메라에 의해 입력된 정보 또는 네트워크를 통해 적어도 하나의 장치로부터 수신된 정보 중 적어도 하나에 기반하여 상기 아기에 대한 3차원 모델링 정보 및 상기 아기의 얼굴에 대한 이미지 정보를 사전 설정된 간격마다 획득할 수 있다.
프로세서(1010)는 상기 3차원 모델링 정보를 기초로 상기 뉴럴 네트워크를 이용하여 상기 아기에 대한 복수의 랜드마크들을 검출할 수 있다. 예를 들어, 상기 복수의 랜드마크들은 상기 아기의 몸체에 대한 하나 이상의 랜드마크들 및 상기 아기의 머리에 대한 하나 이상의 랜드마크들을 포함할 수 있다.
프로세서(1010)는 상기 복수의 랜드마크들에 기반하여 상기 아기의 호흡과 관련된 정보, 상기 아기의 머리에 대한 기울기 정보 및 상기 아기의 몸체에 대한 기울기 정보를 결정할 수 있다.
프로세서(1010)는 상기 아기의 머리에 대한 하나 이상의 랜드마크들 및 상기 아기의 얼굴에 대한 이미지 정보에 기반하여, 상기 아기의 얼굴과 관련된 정보를 결정할 수 있다. 예를 들어, 상기 아기의 얼굴과 관련된 정보는 상기 아기의 표정에 대한 정보, 상기 아기의 얼굴과 관련된 이물질 정보 및 상기 아기의 얼굴색에 대한 정보를 포함할 수 있다.
프로세서(1010)는 상기 아기의 호흡과 관련된 정보, 상기 아기의 머리에 대한 기울기 정보, 상기 아기의 몸체에 대한 기울기 정보 및 상기 아기의 얼굴과 관련된 정보를 기반으로 상기 아기의 상태를 결정할 수 있다. 예를 들어, 상기 아기의 호흡과 관련된 정보는 상기 아기의 몸체에 대한 높낮이 변화 정보 및 상기 아기의 머리 상부에 대한 높낮이 변화 정보를 포함할 수 있다.
프로세서(1010)는 통신부(1020)를 통해 상기 아기의 상태에 대한 정보를 상기 제1 장치와 연결된 제2 장치에게 전송할 수 있다. 프로세서(1010)는 통신부(1020)를 통해 상기 아기의 몸체에 대한 기울기가 제1 임계 값 이상이고, 상기 아기의 머리에 대한 기울기가 제2 임계 값 이상인 것에 기반하여, 상기 제2 장치에게 제1 상태 메시지를 전송할 수 있다.
프로세서(1010)는 통신부(1020)를 통해 상기 아기의 몸체에 대한 높낮이 변화 정보, 상기 아기의 머리 상부에 대한 높낮이 변화 정보 및 상기 아기의 얼굴색에 대한 정보에 기반하여 상기 제2 장치에게 제2 상태 메시지를 전송할 수 있다.
프로세서(1010)는 아기의 호흡 속도를 상기 아기의 몸체에 대한 높낮이 변화 정보 및 상기 아기의 머리 상부에 대한 높낮이 변화 정보에 기반하여 결정할 수 있다.
프로세서(1010)는 메모리(1030)를 통해 상기 아기의 호흡과 관련된 정보, 상기 아기의 머리에 대한 기울기 정보, 상기 아기의 몸체에 대한 기울기 정보 및 상기 아기의 얼굴과 관련된 정보를 기반으로, 상기 아기와 관련된 복수의 모드를 결정할 수 있다. 예를 들어, 상기 복수의 모드는 제1 모드, 제2 모드 및 제3 모드를 포함할 수 있다. 프로세서(1010)는 통신부(1020)를 통해 상기 아기의 머리에 대한 기울기가 상기 제1 임계 값 이상 또는 상기 아기의 몸체에 대한 기울기가 상기 제2 임계 값 이상인 것에 기반하여, 상기 제1 장치와 연결된 장치에게 상기 아기를 중립 상태로 이동시키는 메시지를 전송할 수 있다. 프로세서(1010)는 통신부(1020)를 통해 상기 아기의 머리에 대한 기울기 및 상기 아기의 몸체에 대한 기울기를 사전 설정된 제1 주기마다 변경시키는 메시지를 전송할 수 있다. 프로세서(1010)는 통신부(1020)를 통해 상기 아기의 머리에 대한 기울기 및 상기 아기의 몸체에 대한 기울기를 사전 설정된 제2 주기마다 변경시키는 메시지를 전송할 수 있다.
예를 들어, 프로세서(1010)는 메모리(1030)를 통해 3차원 모델링 정보 및 정답 랜드마크로 구성된 각각의 학습 데이터는 상기 뉴럴 네트워크의 상기 입력 레이어에 입력되어 상기 하나 이상의 히든 레이어 및 출력 레이어를 통과하여 출력 벡터를 출력할 수 있다. 예를 들어, 상기 출력 벡터는 상기 출력 레이어에 연결된 손실함수 레이어에 입력되고, 상기 손실함수 레이어는 상기 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 손실 함수를 이용하여 손실값을 출력하고, 상기 뉴럴 네트워크의 파라미터는 상기 손실값이 작아지는 방향으로 학습될 수 있다.
통신부(1020)는, 제1 장치(1000)가 다른 장치(미도시) 및 서버(미도시)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 다른 장치(미도시)는 제1 장치(1000)와 같은 컴퓨팅 장치이거나, 센싱 장치일 수 있으나, 이에 제한되지 않는다. 통신부(1020)는 네트워크를 통해, 다른 전자 장치로부터의 사용자 입력을 수신하거나, 외부 장치로부터 외부 장치에 저장된 데이터를 수신할 수 있다.
예를 들어, 통신부(1020)는 적어도 하나의 장치와 연결을 확립하기 위한 메시지를 송수신할 수 있다. 통신부(1020)는 프로세서(1010)에서 생성된 복수의 모드들에 대한 정보를 제1 장치와 연결된 적어도 하나의 장치에게 전송할 수 있다. 통신부(1020)는 제1 장치와 연결된 적어도 하나의 장치로부터 복수의 모드들 중 어느 하나의 모드에 대한 정보를 수신할 수 있다. 통신부(1020)는 적어도 하나의 장치로부터 수신한 어느 하나의 모드에 대한 정보에 대응하여, 해당 모드와 관련된 동작 정보를 전송할 수 있다.
메모리(1030)는, 프로세서(1010)의 처리 및 제어를 위한 프로그램을 저장할 수 있다. 예를 들어, 메모리(1030)는 사용자에 의해 입력된 정보 또는 네트워크를 통해 다른 장치로부터 수신된 정보를 저장할 수 있다. 또한, 메모리(1030)는 프로세서(1010)에서 생성된 데이터를 저장할 수 있다. 예를 들어, 메모리(1030)는 프로세서(1010)가 생성한 복수의 랜드마크들에 대한 정보, 아기의 호흡 속도에 대한 정보, 아기의 몸체 기울기에 대한 정보, 아기의 머리 기울기에 대한 정보, 아기의 얼굴과 관련된 정보, 아기의 상태에 대한 정보 및 관련 조치에 대한 정보를 저장할 수 있다. 메모리(1030)는 제1 장치(1000)로 입력되거나 제1 장치(1000)로부터 출력되는 정보를 저장할 수도 있다. 예를 들어, 메모리(1030)는 사전 설정된 시간 간격, 아기의 3차원 모델링 정보, 아기의 얼굴에 대한 이미지 정보, 아기의 몸체 기울기와 관련된 제1 임계 값, 아기의 머리 기울기와 관련된 제2 임계 값, 아기의 호흡 속도와 관련된 제3 임계 값, 아기의 몸무게에 대한 정보 및 아기의 얼굴색과 관련된 사전 설정된 범위를 저장할 수 있다.
메모리(1030)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(RAM, Random Access Memory) SRAM(Static Random Access Memory), 롬(ROM, Read-Only Memory), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
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 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
Claims (11)
- 3차원 모델링 정보에 기반하여 뉴럴 네트워크(neural network)를 통해 제1 장치가 아기의 상태를 분석하는 방법에 있어서,
모델링 정보 수집부 및 얼굴 이미지 수집부에 의해, 상기 아기에 대한 3차원 모델링 정보 및 상기 아기의 얼굴에 대한 이미지 정보를 사전 설정된 간격마다 획득하는 단계;
랜드마크 검출부에 의해, 상기 3차원 모델링 정보를 기초로 상기 뉴럴 네트워크를 이용하여 상기 아기에 대한 복수의 랜드마크들을 검출하되,
상기 복수의 랜드마크들은 상기 아기의 몸체에 대한 하나 이상의 랜드마크들 및 상기 아기의 머리에 대한 하나 이상의 랜드마크들을 포함하는 단계;
신체 분석부에 의해, 상기 복수의 랜드마크들에 기반하여 상기 아기의 호흡과 관련된 정보, 상기 아기의 머리에 대한 기울기 정보 및 상기 아기의 몸체에 대한 기울기 정보를 결정하는 단계;
얼굴 분석부에 의해, 상기 아기의 머리에 대한 하나 이상의 랜드마크들 및 상기 아기의 얼굴에 대한 이미지 정보에 기반하여, 상기 아기의 얼굴과 관련된 정보를 결정하되,
상기 아기의 얼굴과 관련된 정보는 상기 아기의 표정에 대한 정보, 상기 아기의 얼굴과 관련된 이물질 정보 및 상기 아기의 얼굴색에 대한 정보를 포함하는 단계;
상태 판단부에 의해, 상기 아기의 호흡과 관련된 정보, 상기 아기의 머리에 대한 기울기 정보, 상기 아기의 몸체에 대한 기울기 정보 및 상기 아기의 얼굴과 관련된 정보를 기반으로 상기 아기의 상태를 결정하는 단계; 및
통신부에 의해, 상기 아기의 상태에 대한 정보를 상기 제1 장치와 연결된 제2 장치에게 전송하는 단계;를 포함하되,
상기 아기의 몸체에 대한 기울기가 제1 임계 값 이상이고, 상기 아기의 머리에 대한 기울기가 제2 임계 값 이상인 것에 기반하여, 상기 제2 장치에게 제1 상태 메시지가 전송되는,
방법.
- 제 1항에 있어서,
상기 아기의 호흡과 관련된 정보는 상기 아기의 몸체에 대한 높낮이 변화 정보 및 상기 아기의 머리 상부에 대한 높낮이 변화 정보를 포함하고,
상기 아기의 몸체에 대한 높낮이 변화 정보, 상기 아기의 머리 상부에 대한 높낮이 변화 정보 및 상기 아기의 얼굴색에 대한 정보에 기반하여 상기 제2 장치에게 제2 상태 메시지가 전송되는,
방법.
- 제 2항에 있어서,
상기 제1 임계 값이 아래 수학식에 의해 설정되고,
상기 수학식에서, 상기 m은 상기 사전 설정된 간격을 기반으로 상기 3차원 모델링 정보가 획득된 횟수, 상기 ri는 상기 아기의 몸체에 대한 기울기이고, 상기 w는 상기 아기의 몸무게, 상기 bi는 상기 아기의 얼굴색과 관련된 값의 제곱근이고, 및 상기 v는 상기 아기의 호흡 속도에 따라 결정된 가중치이고,
상기 아기의 호흡 속도는 상기 아기의 몸체에 대한 높낮이 변화 정보 및 상기 아기의 머리 상부에 대한 높낮이 변화 정보에 기반하여 결정되는,
방법.
- 제 1항에 있어서,
상기 아기의 얼굴과 관련된 정보를 결정한 이후에, 프로세서에 의해, 상기 아기의 호흡과 관련된 정보, 상기 아기의 머리에 대한 기울기 정보, 상기 아기의 몸체에 대한 기울기 정보 및 상기 아기의 얼굴과 관련된 정보를 기반으로, 상기 아기와 관련된 복수의 모드를 결정하는 단계;를 더 포함하되,
상기 복수의 모드는 제1 모드, 제2 모드 및 제3 모드를 포함하고,
상기 제1 모드는 상기 아기의 머리에 대한 기울기가 상기 제1 임계 값 이상 또는 상기 아기의 몸체에 대한 기울기가 상기 제2 임계 값 이상인 것에 기반하여, 상기 제1 장치와 연결된 장치에게 상기 아기를 중립 상태로 이동시키는 메시지를 전송하는 모드이고,
상기 제2 모드는 상기 아기의 머리에 대한 기울기 및 상기 아기의 몸체에 대한 기울기를 사전 설정된 제1 주기마다 변경시키는 메시지를 전송하는 모드이고,
상기 제3 모드는 상기 아기의 머리에 대한 기울기 및 상기 아기의 몸체에 대한 기울기를 사전 설정된 제2 주기마다 변경시키는 메시지를 전송하는 모드인, 방법.
- 제1항에 있어서,
상기 뉴럴 네트워크는 입력 레이어, 하나 이상의 히든 레이어 및 출력 레이어를 포함하고,
3차원 모델링 정보 및 정답 랜드마크로 구성된 각각의 학습 데이터는 상기 뉴럴 네트워크의 상기 입력 레이어에 입력되어 상기 하나 이상의 히든 레이어 및 출력 레이어를 통과하여 출력 벡터를 출력하고, 상기 출력 벡터는 상기 출력 레이어에 연결된 손실함수 레이어에 입력되고, 상기 손실함수 레이어는 상기 출력 벡터와 각각의 학습 데이터에 대한 정답 벡터를 비교하는 손실 함수를 이용하여 손실값을 출력하고, 상기 뉴럴 네트워크의 파라미터는 상기 손실값이 작아지는 방향으로 학습되는,
방법.
- 모델링 정보 수집부, 얼굴 이미지 수집부, 랜드마크 검출부, 신체 분석부, 얼굴 분석부, 상태 판단부, 적어도 하나의 프로세서; 적어도 하나의 메모리 및 통신부를 포함하는 제1 장치에 있어서,
상기 적어도 하나의 프로세서는:
상기 모델링 정보 수집부 및 상기 얼굴 이미지 수집부는 아기에 대한 3차원 모델링 정보 및 상기 아기의 얼굴에 대한 이미지 정보를 사전 설정된 간격마다 획득하고,
상기 랜드마크 검출부는 상기 3차원 모델링 정보를 기초로 뉴럴 네트워크를 이용하여 상기 아기에 대한 복수의 랜드마크들을 검출하되,
상기 복수의 랜드마크들은 상기 아기의 몸체에 대한 하나 이상의 랜드마크들 및 상기 아기의 머리에 대한 하나 이상의 랜드마크들을 포함하고,
상기 신체 분석부는 상기 복수의 랜드마크들에 기반하여 상기 아기의 호흡과 관련된 정보, 상기 아기의 머리에 대한 기울기 정보 및 상기 아기의 몸체에 대한 기울기 정보를 결정하고,
상기 얼굴 분석부는 상기 아기의 머리에 대한 하나 이상의 랜드마크들 및 상기 아기의 얼굴에 대한 이미지 정보에 기반하여, 상기 아기의 얼굴과 관련된 정보를 결정하되,
상기 아기의 얼굴과 관련된 정보는 상기 아기의 표정에 대한 정보, 상기 아기의 얼굴과 관련된 이물질 정보 및 상기 아기의 얼굴색에 대한 정보를 포함하고,
상기 상태 판단부는 상기 아기의 호흡과 관련된 정보, 상기 아기의 머리에 대한 기울기 정보, 상기 아기의 몸체에 대한 기울기 정보 및 상기 아기의 얼굴과 관련된 정보를 기반으로 상기 아기의 상태를 결정하고,
상기 통신부는:
상기 아기의 상태에 대한 정보를 상기 제1 장치와 연결된 제2 장치에게 전송하고,
상기 아기의 몸체에 대한 기울기가 제1 임계 값 이상이고, 상기 아기의 머리에 대한 기울기가 제2 임계 값 이상인 것에 기반하여, 상기 제2 장치에게 제1 상태 메시지가 전송하는, 제1 장치.
- 제 6항에 있어서,
상기 아기의 호흡과 관련된 정보는 상기 아기의 몸체에 대한 높낮이 변화 정보 및 상기 아기의 머리 상부에 대한 높낮이 변화 정보를 포함하고,
상기 아기의 몸체에 대한 높낮이 변화 정보, 상기 아기의 머리 상부에 대한 높낮이 변화 정보 및 상기 아기의 얼굴색에 대한 정보에 기반하여 상기 제2 장치에게 제2 상태 메시지가 전송되는,
제1 장치.
- 제 7항에 있어서,
상기 제1 임계 값이 아래 수학식에 의해 설정되고,
상기 수학식에서, 상기 m은 상기 사전 설정된 간격을 기반으로 상기 3차원 모델링 정보가 획득된 횟수, 상기 ri는 상기 아기의 몸체에 대한 기울기이고, 상기 w는 상기 아기의 몸무게, 상기 bi는 상기 아기의 얼굴색과 관련된 값의 제곱근이고, 및 상기 v는 상기 아기의 호흡 속도에 따라 결정된 가중치이고,
상기 아기의 호흡 속도는 상기 아기의 몸체에 대한 높낮이 변화 정보 및 상기 아기의 머리 상부에 대한 높낮이 변화 정보에 기반하여 결정되는,
제1 장치.
- 제 6항에 있어서,
상기 아기의 얼굴과 관련된 정보를 결정한 이후에, 상기 아기의 호흡과 관련된 정보, 상기 아기의 머리에 대한 기울기 정보, 상기 아기의 몸체에 대한 기울기 정보 및 상기 아기의 얼굴과 관련된 정보를 기반으로, 상기 아기와 관련된 복수의 모드를 결정하고,
상기 복수의 모드는 제1 모드, 제2 모드 및 제3 모드를 포함하고,
상기 제1 모드는 상기 아기의 머리에 대한 기울기가 상기 제1 임계 값 이상 또는 상기 아기의 몸체에 대한 기울기가 상기 제2 임계 값 이상인 것에 기반하여, 상기 제1 장치와 연결된 장치에게 상기 아기를 중립 상태로 이동시키는 메시지를 전송하는 모드이고,
상기 제2 모드는 상기 아기의 머리에 대한 기울기 및 상기 아기의 몸체에 대한 기울기를 사전 설정된 제1 주기마다 변경시키는 메시지를 전송하는 모드이고,
상기 제3 모드는 상기 아기의 머리에 대한 기울기 및 상기 아기의 몸체에 대한 기울기를 사전 설정된 제2 주기마다 변경시키는 메시지를 전송하는 모드인,
제1 장치.
- 하드웨어와 결합되어 제1항의 방법을 실행시키기 위하여 컴퓨터 판독 가능한 기록매체에 저장된 컴퓨터 프로그램.
- 하드웨어와 결합되어 제1항의 방법을 실행시키기는 컴퓨터 프로그램이 저장된 컴퓨터 판독 가능한 기록매체.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220166298A KR20230002129A (ko) | 2022-04-18 | 2022-12-02 | 뉴럴 네트워크를 이용하여 3차원 모델링 정보에 기초한 아기의 상태를 분석하는 방법 및 장치 |
| KR1020220166297A KR20230002128A (ko) | 2022-04-18 | 2022-12-02 | 아기의 상태를 분석하기 위해 뉴럴 네트워크를 통해 3차원 모델링 정보에 기반한 랜드마크를 추출하는 방법 및 장치 |
Applications Claiming Priority (4)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020220047674 | 2022-04-18 | ||
| KR20220047674 | 2022-04-18 | ||
| KR20220047754 | 2022-04-18 | ||
| KR1020220047754 | 2022-04-18 |
Related Child Applications (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220166297A Division KR20230002128A (ko) | 2022-04-18 | 2022-12-02 | 아기의 상태를 분석하기 위해 뉴럴 네트워크를 통해 3차원 모델링 정보에 기반한 랜드마크를 추출하는 방법 및 장치 |
| KR1020220166298A Division KR20230002129A (ko) | 2022-04-18 | 2022-12-02 | 뉴럴 네트워크를 이용하여 3차원 모델링 정보에 기초한 아기의 상태를 분석하는 방법 및 장치 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102475145B1 true KR102475145B1 (ko) | 2022-12-07 |
Family
ID=84441195
Family Applications (3)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220048270A KR102475145B1 (ko) | 2022-04-18 | 2022-04-19 | 뉴럴 네트워크를 이용하여 3차원 모델링 정보에 기초한 아기의 상태를 분석하는 방법 및 장치 |
| KR1020220166298A KR20230002129A (ko) | 2022-04-18 | 2022-12-02 | 뉴럴 네트워크를 이용하여 3차원 모델링 정보에 기초한 아기의 상태를 분석하는 방법 및 장치 |
| KR1020220166297A KR20230002128A (ko) | 2022-04-18 | 2022-12-02 | 아기의 상태를 분석하기 위해 뉴럴 네트워크를 통해 3차원 모델링 정보에 기반한 랜드마크를 추출하는 방법 및 장치 |
Family Applications After (2)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220166298A KR20230002129A (ko) | 2022-04-18 | 2022-12-02 | 뉴럴 네트워크를 이용하여 3차원 모델링 정보에 기초한 아기의 상태를 분석하는 방법 및 장치 |
| KR1020220166297A KR20230002128A (ko) | 2022-04-18 | 2022-12-02 | 아기의 상태를 분석하기 위해 뉴럴 네트워크를 통해 3차원 모델링 정보에 기반한 랜드마크를 추출하는 방법 및 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (3) | KR102475145B1 (ko) |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180068511A (ko) * | 2016-12-14 | 2018-06-22 | 삼성전자주식회사 | 영상에 포함된 도로와 관련된 정보를 결정하는 뉴럴 네트워크를 학습시키는 학습 데이터를 생성하는 장치 및 방법 |
| KR20190109194A (ko) * | 2018-03-16 | 2019-09-25 | 주식회사 에이아이트릭스 | 불확정성을 모델링할 수 있는 뉴럴네트워크 학습 장치 및 방법 |
| KR102359344B1 (ko) * | 2021-09-13 | 2022-02-08 | 가온플랫폼 주식회사 | 인공지능 기반의 영유아 행동 및 심리분석 스마트 보육환경 모니터링 시스템 및 그 방법 |
-
2022
- 2022-04-19 KR KR1020220048270A patent/KR102475145B1/ko active IP Right Grant
- 2022-12-02 KR KR1020220166298A patent/KR20230002129A/ko active Application Filing
- 2022-12-02 KR KR1020220166297A patent/KR20230002128A/ko active Application Filing
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180068511A (ko) * | 2016-12-14 | 2018-06-22 | 삼성전자주식회사 | 영상에 포함된 도로와 관련된 정보를 결정하는 뉴럴 네트워크를 학습시키는 학습 데이터를 생성하는 장치 및 방법 |
| KR20190109194A (ko) * | 2018-03-16 | 2019-09-25 | 주식회사 에이아이트릭스 | 불확정성을 모델링할 수 있는 뉴럴네트워크 학습 장치 및 방법 |
| KR102359344B1 (ko) * | 2021-09-13 | 2022-02-08 | 가온플랫폼 주식회사 | 인공지능 기반의 영유아 행동 및 심리분석 스마트 보육환경 모니터링 시스템 및 그 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20230002129A (ko) | 2023-01-05 |
| KR20230002128A (ko) | 2023-01-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR102408462B1 (ko) | 뉴럴 네트워크를 이용한 의상 추천 방법 및 장치 | |
| KR102480969B1 (ko) | 뉴럴 네트워크를 이용하여 설정된 값을 기반으로 몰래 카메라를 탐지한 결과에 따라 전력을 공급하는 방법 및 장치 | |
| KR102375587B1 (ko) | 헤어 이미지 추천 및 합성 방법 및 장치 | |
| KR102558403B1 (ko) | 사용자 피드백에 의해 변화하는 ai 기반 반려동물 증강현실 구현 시스템 | |
| KR102576380B1 (ko) | 뉴럴 네트워크를 이용하여 rMQR 코드에 날짜가 중첩되어 표기된 상품을 관리하는 방법 및 시스템 | |
| KR102475145B1 (ko) | 뉴럴 네트워크를 이용하여 3차원 모델링 정보에 기초한 아기의 상태를 분석하는 방법 및 장치 | |
| KR102433654B1 (ko) | 뉴럴 네트워크를 이용하여 서버가 색상 이미지에 기반한 심리 상태와 관련된 정보를 단말에게 제공하는 방법 및 장치 | |
| KR102476292B1 (ko) | 인공지능을 이용하여 차량의 페달 박스 촬영 영상 데이터를 가공하는 블랙박스 관리 시스템 | |
| KR102496685B1 (ko) | 뉴럴 네트워크를 이용하여 아기의 주변 환경을 조절하는 방법 및 장치 | |
| KR102474122B1 (ko) | 사용자의 유형 및 사용자와 관련된 정보를 기초로 증강현실을 이용하여 상품을 추천하는 방법 및 장치 | |
| KR20220087411A (ko) | 뉴럴 네트워크를 이용하는 심리 치료 서비스 제공 방법 및 장치 | |
| KR102536395B1 (ko) | 뉴럴 네트워크를 이용한 화장품 추천 방법 및 장치 | |
| KR102486525B1 (ko) | 뉴럴 네트워크를 이용한 nft 발행 방법 및 장치 | |
| KR102471214B1 (ko) | IP-Cam 모니터링 방법 및 장치 | |
| KR102554242B1 (ko) | 뉴럴 네트워크를 이용하여 서버가 이벤트와 관련된 메시지를 단말에게 제공하는 방법 및 장치 | |
| KR102653470B1 (ko) | Ai 기반 dvr 기기 영상 실시간 스트리밍 시스템 | |
| KR102585090B1 (ko) | 뉴럴 네트워크를 이용하여 웹툰과 연동된 게임을 사용자 단말에게 제공하는 방법 및 장치 | |
| KR102655405B1 (ko) | 피부 상태를 인식하여 갈바닉 전류를 조절하는 피부 미용 기기 | |
| KR102622114B1 (ko) | 뉴럴 네트워크를 이용하여 사용자 단말에게 상품에 대한 추천 정보를 전송하는 방법 및 장치 | |
| KR102596451B1 (ko) | 뉴럴 네트워크를 이용하여 상담사 단말과 내담자 단말을 매칭시키는 방법 및 장치 | |
| KR102602130B1 (ko) | 뉴럴 네트워크를 이용하여 사용자 단말에게 채색용도안을 제공하는 방법 및 장치 | |
| KR102468193B1 (ko) | IP-Cam 모니터링 방법 및 장치 | |
| KR102653940B1 (ko) | 사용자의 수면 상태를 기초로 뉴럴 네트워크를 이용하여 가습 장치를 조정하는 방법 및 시스템 | |
| KR102579810B1 (ko) | 인공지능 기반 가정용 건강 보조 기기 유통 플랫폼 시스템 | |
| US20230009287A1 (en) | Method for providing avatar and electronic device supporting the same |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| A107 | Divisional application of patent | ||
| GRNT | Written decision to grant |