KR102544798B1 - Method and Apparatus for Controlling of Human Behavioral Pattern-based Sampling Period in IoT-Digital Healthcare - Google Patents

Method and Apparatus for Controlling of Human Behavioral Pattern-based Sampling Period in IoT-Digital Healthcare Download PDF

Info

Publication number
KR102544798B1
KR102544798B1 KR1020210054297A KR20210054297A KR102544798B1 KR 102544798 B1 KR102544798 B1 KR 102544798B1 KR 1020210054297 A KR1020210054297 A KR 1020210054297A KR 20210054297 A KR20210054297 A KR 20210054297A KR 102544798 B1 KR102544798 B1 KR 102544798B1
Authority
KR
South Korea
Prior art keywords
data
similarity
behavior pattern
collected
biometric information
Prior art date
Application number
KR1020210054297A
Other languages
Korean (ko)
Other versions
KR20220147316A (en
Inventor
최준균
한재섭
이경호
Original Assignee
한국과학기술원
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 한국과학기술원 filed Critical 한국과학기술원
Priority to KR1020210054297A priority Critical patent/KR102544798B1/en
Publication of KR20220147316A publication Critical patent/KR20220147316A/en
Application granted granted Critical
Publication of KR102544798B1 publication Critical patent/KR102544798B1/en

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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
    • 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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7285—Specific aspects of physiological measurement analysis for synchronising or triggering a physiological measurement or image acquisition with a physiological event or waveform, e.g. an ECG signal
    • 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
    • A61B2560/0204—Operational features of power management
    • A61B2560/0209—Operational features of power management adapted for power saving

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

비접촉식 생체 정보 모니터링 내 사용자 행동 패턴을 기반으로 한 데이터 샘플링 주기 조절 방법 및 장치가 제시된다. 본 발명에서 제안하는 비접촉식 생체 정보 모니터링 내 사용자 행동 패턴을 기반으로 한 데이터 샘플링 주기 조절 방법은 사용자의 행동 패턴에 따라 반복되는 규칙성을 분석하기 위해 수집된 데이터의 시간 별 데이터 간 유사도를 비교하는 단계, 시간 별 데이터 간 유사도 비교 결과를 추출하여, 가장 높은 유사도를 나타내는 시간을 선정하는 단계, 선정된 가장 높은 유사도를 나타내는 시간에 따라 샘플링 주기를 변경하는 단계, 변경된 각각의 샘플링 주기에서 수집된 데이터에 대하여 AI-기반 데이터 복원을 수행하고, 실제 수집된 데이터와 복원된 데이터 간 정확도를 계산하는 단계 및 계산된 실제 수집된 데이터와 복원된 데이터 간 정확도의 정규 분포에 따라 최종 샘플링 주기를 결정하는 단계를 포함한다. A data sampling cycle control method and apparatus based on user behavior patterns in non-contact biometric information monitoring are presented. The method for controlling the data sampling period based on the user's behavior pattern in the non-contact biometric information monitoring proposed by the present invention includes the steps of comparing the similarity between collected data by time in order to analyze the regularity that is repeated according to the user's behavior pattern. , Extracting the similarity comparison result between data by time, selecting the time showing the highest similarity, changing the sampling period according to the selected time showing the highest similarity, Performing AI-based data restoration for the data, calculating the accuracy between the actual collected data and the restored data, and determining the final sampling period according to the normal distribution of the calculated accuracy between the actual collected data and the restored data. include

Figure R1020210054297
Figure R1020210054297

Description

비접촉식 생체 정보 모니터링 내 사용자 행동 패턴을 기반으로 한 데이터 샘플링 주기 조절 방법 및 장치{Method and Apparatus for Controlling of Human Behavioral Pattern-based Sampling Period in IoT-Digital Healthcare}Method and apparatus for controlling data sampling period based on user behavior pattern in non-contact biometric information monitoring {Method and Apparatus for Controlling of Human Behavioral Pattern-based Sampling Period in IoT-Digital Healthcare}

본 발명은 비접촉식 생체 정보 모니터링 내 사용자 행동 패턴을 기반으로 한 데이터 샘플링 주기 조절 방법 및 장치에 관한 것이다. The present invention relates to a method and apparatus for adjusting a data sampling period based on a user behavior pattern in non-contact biometric information monitoring.

최근의 무선 통신 및 센싱 장치 기술은 에너지, 운송, 자동화 및 제조 산업을 포함한 다양한 사물 인터넷(Internet of Things; IoT) 애플리케이션을 용이하게 한다. 특히 최근 스마트 홈의 헬스케어 기술이 중요한 분야로 부상하고 있다. 하지만, 기존 스마트 홈 시스템에서는 다양한 요인이 혼합된 복잡한 문제이기 때문에 IoT 생체 인식 데이터에서 정확한 신체적, 정신적 건강 상태를 파악하는 것은 여전히 어렵다. 또한, 대부분의 스마트 홈에서 IoT 장치는 다소 작고 가벼워서 종종 제한된 배터리 전력에 대한 한계를 갖는다. 따라서, 전원 공급 장치가 풍부한 것처럼 보이는 스마트 홈 사용에서도 에너지 절감은 디지털 건강 및 가정 내 건강 모니터링 운영에 대한 집중적인 관심을 끌고있다. 종래기술[1]에서는 스마트 위치 기반 자동화 및 네트워크 에너지 제어 기능을 갖춘 에너지 효율적인 건물을 위한 IoT 프레임 워크를 제안한다. 종래기술[2]는 주로 엄청난 양의 에너지가 소비되는 감지 개체에 초점을 맞추었다. 여기서는, 에너지 효율적인 방법으로 수면 모드 스케줄링을 제안한다. 또한, 종래기술[3]에서는 에너지 관리 및 과제에 대한 개요를 제시한다. 여기서는, IoT 장치 전용 에너지 원의 에너지 효율적인 스케줄링을 위한 프레임 워크를 제안하고 IoT 장치의 수명을 연장하기 위한 에너지 수확에 대해 제안한다. 이러한 에너지 효율적인 접근 방식 외에도 IoT 장치는 중요한 정보를 추출하기 위해 시기 적절하고 정확한 데이터를 생성해야 한다. 따라서, IoT 기기의 에너지 절감 성능과 수집된 데이터의 신뢰성을 고려하여 샘플링주기를 제어하기 위한 방안을 필요로 한다. Recent wireless communication and sensing device technologies facilitate a variety of Internet of Things (IoT) applications including the energy, transportation, automation and manufacturing industries. In particular, recently, smart home healthcare technology has emerged as an important field. However, it is still difficult to determine the exact physical and mental health status from IoT biometric data because it is a complex problem with a mixture of various factors in existing smart home systems. Additionally, IoT devices in most smart homes are rather small and lightweight, often with limited battery power limitations. Therefore, even in smart home use where power supplies seem plentiful, energy savings are attracting intense attention for digital health and in-home health monitoring operations. The prior art [1] proposes an IoT framework for energy-efficient buildings with smart location-based automation and network energy control. The prior art [2] has mainly focused on sensing objects that consume huge amounts of energy. Here, we propose sleep mode scheduling in an energy efficient way. In addition, the prior art [3] presents an overview of energy management and challenges. Here, we propose a framework for energy-efficient scheduling of energy sources dedicated to IoT devices and propose energy harvesting to extend the lifespan of IoT devices. In addition to these energy-efficient approaches, IoT devices must generate timely and accurate data to extract vital information. Therefore, there is a need for a method for controlling the sampling period in consideration of the energy saving performance of the IoT device and the reliability of the collected data.

[1] J. Pan, R. Jain, S. Paul, T. Vu, A. Saifullah, and M. Sha, "An internet of things framework for smart energy in buildings: designs, prototype, and experiments," IEEE Internet of Things Journal, vol. 2, no. 6, pp. 527-537, 2015. [1] J. Pan, R. Jain, S. Paul, T. Vu, A. Saifullah, and M. Sha, "An internet of things framework for smart energy in buildings: designs, prototypes, and experiments," IEEE Internet of Things Journal, vol. 2, no. 6, p. 527-537, 2015. [2] K. Wang, Y. Wang, Y. Sun, S. Guo, and J. Wu, "Green industrial internet of things architecture: An energy-efficient perspective," IEEE Communications Magazine, vol. 54, no. 12, pp. 48-54, 2016. [2] K. Wang, Y. Wang, Y. Sun, S. Guo, and J. Wu, "Green industrial internet of things architecture: An energy-efficient perspective," IEEE Communications Magazine, vol. 54, no. 12, p. 48-54, 2016. [3] W. Ejaz, M. Naeem, A. Shahid, A. Anpalagan, and M. Jo, "Efficient energy management for the internet of things in smart cities," IEEE Communications magazine, vol. 55, no. 1, pp. 84-91, 2017. [3] W. Ejaz, M. Naeem, A. Shahid, A. Anpalagan, and M. Jo, "Efficient energy management for the internet of things in smart cities," IEEE Communications magazine, vol. 55, no. 1, p. 84-91, 2017. [4] R. G. Baraniuk, "Compressive sensing [lecture notes]," IEEE signal processing magazine, vol. 24, no. 4, pp. 118-121, 2007. [4] R. G. Baraniuk, "Compressive sensing [lecture notes]," IEEE signal processing magazine, vol. 24, no. 4, p. 118-121, 2007.

본 발명이 이루고자 하는 기술적 과제는 IoT 기기의 에너지 절감 성능과 수집된 데이터의 신뢰성을 고려하여 디지털 헬스 정보 중 하나인 실제 심박 데이터 세트를 활용하여 샘플링주기를 제어하기 위한 방법 및 장치를 제공하는데 있다.A technical problem to be achieved by the present invention is to provide a method and apparatus for controlling a sampling period by utilizing an actual heart rate data set, which is one of digital health information, in consideration of the reliability of collected data and energy saving performance of IoT devices.

일 측면에 있어서, 본 발명에서 제안하는 비접촉식 생체 정보 모니터링 내 사용자 행동 패턴을 기반으로 한 데이터 샘플링 주기 조절 방법은 사용자의 행동 패턴에 따라 반복되는 규칙성을 분석하기 위해 수집된 데이터의 시간 별 데이터 간 유사도를 비교하는 단계, 시간 별 데이터 간 유사도 비교 결과를 추출하여, 가장 높은 유사도를 나타내는 시간을 선정하는 단계, 선정된 가장 높은 유사도를 나타내는 시간에 따라 샘플링 주기를 변경하는 단계, 변경된 각각의 샘플링 주기에서 수집된 데이터에 대하여 AI-기반 데이터 복원을 수행하고, 실제 수집된 데이터와 복원된 데이터 간 정확도를 계산하는 단계 및 계산된 실제 수집된 데이터와 복원된 데이터 간 정확도의 정규 분포에 따라 최종 샘플링 주기를 결정하는 단계를 포함한다. In one aspect, the method for controlling the data sampling period based on the user's behavioral pattern in the non-contact biometric information monitoring proposed in the present invention is between the data collected by time to analyze the regularity that is repeated according to the user's behavioral pattern. Comparing the similarity, extracting the similarity comparison result between data by time, and selecting the time with the highest similarity, changing the sampling period according to the selected time with the highest similarity, each changed sampling period Performing AI-based data restoration on the data collected in , calculating the accuracy between the actual collected data and the restored data, and the final sampling cycle according to the normal distribution of the calculated accuracy between the actual collected data and the restored data. It includes the step of determining

상기 사용자의 행동 패턴에 따라 반복되는 규칙성을 분석하기 위해 수집된 데이터의 시간 별 데이터 간 유사도를 비교하는 단계는 날짜 별 동일 시간 단위에 대한 데이터 간 유사도 비교를 위해 연속적으로 수집된 데이터를 날짜 별로 분할하고, 날짜 별로 분할된 데이터를 시간 단위로 재분할하여, 각 날짜 별 시간 단위로 분할된 데이터들을 생성한다. The step of comparing the similarity between data for each time of the collected data to analyze the regularity repeated according to the user's behavior pattern is to compare the similarity between the data for the same time unit per date by comparing the continuously collected data by date. It divides, and re-partitions the data divided by date into time units to create data divided into time units by each date.

상기 날짜 별 동일 시간 단위에 대한 데이터 간 유사도 비교에 있어서 서로 다른 날짜 간 동일 시간 단위 내 데이터 인가가 없는 상황을 반영하기 위해 코사인 유사도 계산을 활용한다. In the similarity comparison between data for the same time unit for each date, cosine similarity calculation is used to reflect the situation where there is no data authorization within the same time unit between different dates.

상기 시간 별 데이터 간 유사도 비교 결과를 추출하여, 가장 높은 유사도를 나타내는 시간을 선정하는 단계는 날짜 별 동일 시간 단위에 대한 데이터 간 유사도 비교 결과 중 가장 높은 유사도를 나타내는 시간을 선정하여 반복되는 행동 패턴 구간을 판별한다. The step of extracting the similarity comparison result between data by time and selecting the time showing the highest similarity selects the time showing the highest similarity among the similarity comparison results between data for the same time unit by date and repeats the behavior pattern section to determine

상기 반복되는 행동 패턴 구간이 판별되지 않는 경우, 상기 사용자의 행동 패턴에 따라 반복되는 규칙성을 분석하기 위해 수집된 데이터의 시간 별 데이터 간 유사도를 비교하는 단계부터 반복한다. When the repeated behavior pattern section is not determined, the step of comparing the similarity between the collected data by time is repeated in order to analyze the regularity that is repeated according to the user's behavior pattern.

상기 변경된 각각의 샘플링 주기에서 수집된 데이터에 대하여 AI-기반 데이터 복원을 수행하고, 실제 수집된 데이터와 복원된 데이터 간 정확도를 계산하는 단계는 상기 변경된 각각의 샘플링 주기에 대하여 복원된 데이터 간 정확도를 계산한 후, 해당 샘플링 주기에서의 복원 정확도에 대한 정규 분포를 추출한다.The step of performing AI-based data restoration on the data collected in each of the changed sampling periods and calculating the accuracy between the actually collected data and the restored data determines the accuracy between the restored data for each of the changed sampling periods. After calculation, a normal distribution for restoration accuracy in the corresponding sampling period is extracted.

본 발명의 실시예에 따른 생체 정보 모니터링을 위한 데이터 샘플링 주기 조절 방법은 데이터 수집을 감소시키기 위해 수집된 데이터에 대하여 AI-기반 데이터 복원을 수행하여 복원된 데이터를 사용하고, 소모 에너지 절감을 위해 데이터 기반의 사용자 행동 패턴 분석 및 유사도 비교 방법을 통해 최종 샘플링 주기를 조절함으로써 데이터 전송 횟수를 감소시킨다. A method for controlling a data sampling cycle for biometric information monitoring according to an embodiment of the present invention performs AI-based data restoration on collected data to reduce data collection, uses the restored data, and uses the data to reduce energy consumption. It reduces the number of data transmissions by adjusting the final sampling cycle through the user behavior pattern analysis and similarity comparison method.

또 다른 일 측면에 있어서, 본 발명에서 제안하는 비접촉식 생체 정보 모니터링 내 사용자 행동 패턴을 기반으로 한 데이터 샘플링 주기 조절 장치는 사용자의 행동 패턴에 따라 반복되는 규칙성을 분석하기 위해 수집된 데이터의 시간 별 데이터 간 유사도를 비교하고, 시간 별 데이터 간 유사도 비교 결과를 추출하여, 가장 높은 유사도를 나타내는 시간을 선정하는 행동 패턴 분석부, 선정된 가장 높은 유사도를 나타내는 시간에 따라 샘플링 주기를 변경하는 샘플링 주기 제어부 및 변경된 각각의 샘플링 주기에서 수집된 데이터에 대하여 AI-기반 데이터 복원을 수행하고, 실제 수집된 데이터와 복원된 데이터 간 정확도를 계산하는 데이터 복원부를 포함하고, 상기 샘플링 주기 제어부는 데이터 복원부에서 계산된 실제 수집된 데이터와 복원된 데이터 간 정확도의 정규 분포에 따라 최종 샘플링 주기를 결정한다.In another aspect, the device for adjusting the data sampling cycle based on the user's behavioral pattern within the non-contact biometric information monitoring proposed in the present invention is time-specific of the collected data to analyze the regularity that is repeated according to the user's behavioral pattern. A behavior pattern analysis unit that compares the similarity between data, extracts the similarity comparison result between data by time, and selects the time with the highest similarity, and the sampling cycle control unit that changes the sampling period according to the selected time with the highest similarity and a data restoration unit that performs AI-based data restoration on data collected in each sampling period that has been changed and calculates an accuracy between actually collected data and restored data, wherein the sampling period control unit calculates the data in the data restoration unit. The final sampling period is determined according to the normal distribution of accuracy between the actual collected data and the restored data.

본 발명의 실시예들에 따르면 사람의 행동 패턴 기반 IoT 기기의 샘플링 주기를 조절을 진행함으로써, 기존의 임계치를 활용하는 샘플링 조절 방식보다 사람의 개별적 상황에 적합하게 동작 가능하며, 각 샘플링 주기에 따른 분산을 고려함으로써 성능 안정적 확보가 가능하다. 또한, 수집된 데이터를 복원하여 사용함으로써, 실제 불필요한 데이터 정보 수집을 막을 수 있고, 샘플링 주기 조절을 통해 IoT 기기에서 전송되는 데이터의 횟수를 줄여, 에너지 절감을 유도할 수 있다. 기존의 통신 프로토콜과도 접목하여 동작 가능하며, 특정 물리적 환경에 얽매이지 않고 유연한 발명 기술의 도입이 가능하다. According to the embodiments of the present invention, by adjusting the sampling period of the IoT device based on the human behavior pattern, it is possible to operate more appropriately for the individual situation of the person than the sampling control method using the existing threshold value, and according to each sampling period It is possible to secure stable performance by considering dispersion. In addition, by restoring and using the collected data, it is possible to prevent the collection of unnecessary data information in practice, and to reduce the number of data transmitted from IoT devices by adjusting the sampling cycle, thereby inducing energy savings. It can be operated by grafting with existing communication protocols, and it is possible to introduce flexible invention technology without being bound to a specific physical environment.

도 1은 본 발명의 일 실시예에 따른 스마트 홈 헬스케어 모니터링 서비스에 관하여 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시예에 따른 비접촉식 생체 정보 모니터링 내 사용자 행동 패턴을 기반으로 한 데이터 샘플링 주기 조절 방법을 설명하기 위한 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 사용자 행동 패턴 분석 과정을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 사용자 행동 패턴 분석에 따른 유사도 계산 결과를 나타내는 그래프이다.
도 5는 본 발명의 일 실시예에 따른 실제 수집된 데이터와 복원된 데이터 간 정확도의 정규 분포에 따라 최종 샘플링 주기를 결정하는 과정을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 비접촉식 생체 정보 모니터링 내 사용자 행동 패턴을 기반으로 한 데이터 샘플링 주기 조절 장치의 구성을 나타내는 도면이다.
도 7은 본 발명의 일 실시예에 따른 샘플링 주기 제어에 따른 결과를 나타내는 그래프이다. 1 is a diagram for explaining a smart home healthcare monitoring service according to an embodiment of the present invention.
2 is a flowchart illustrating a method for adjusting a data sampling period based on a user behavior pattern in non-contact biometric information monitoring according to an embodiment of the present invention.
3 is a diagram for explaining a user behavior pattern analysis process according to an embodiment of the present invention.
4 is a graph showing similarity calculation results according to user behavior pattern analysis according to an embodiment of the present invention.
5 is a diagram for explaining a process of determining a final sampling period according to a normal distribution of accuracy between actually collected data and restored data according to an embodiment of the present invention.
6 is a diagram showing the configuration of an apparatus for adjusting a data sampling period based on a user behavior pattern in non-contact biometric information monitoring according to an embodiment of the present invention.
7 is a graph showing results according to sampling period control according to an embodiment of the present invention.

다양한 환경 내에서 배치되는 IoT 기기수는 점점 증가하고 있다. 스마트 환경 내에 배치되는 IoT 단말의 수는 점점 증가할 것으로 예측되며, 이러한 단말들의 중복된 정보 전송을 해결하고, 소비 에너지를 절감할 수 있는 기술의 필요성이 증대되고 있다. The number of IoT devices deployed in various environments is increasing. The number of IoT terminals deployed in a smart environment is expected to increase gradually, and the need for a technology capable of solving redundant information transmission of these terminals and reducing energy consumption is increasing.

종래기술에 따르면, LoRa와 NB-IoT와 같이 IoT 기기의 통신 에너지를 절감하는 기술이 연구되었고, 이는 데이터를 전송할 시, 데이터 전송 속도(Data rate)을 조절하여 통신에 소모하는 전력을 절감하는 통신 기술에 관한 것이다. 이로 인해 IoT 기기의 배터리 수명을 9~10년까지 증폭 가능하지만, 종래기술의 경우 통신 환경에 따라 데이터 전송 속도를 조절함으로써, IoT 단말에서 수집되는 데이터 특성들이 일정하게 유지되지 못하는 단점이 있다. According to the prior art, technologies for reducing communication energy of IoT devices, such as LoRa and NB-IoT, have been studied, and this is a communication that reduces power consumption for communication by adjusting the data rate when transmitting data. It's about technology. As a result, it is possible to amplify the battery life of the IoT device by 9 to 10 years, but in the case of the prior art, by adjusting the data transmission rate according to the communication environment, there is a disadvantage in that the data characteristics collected from the IoT terminal cannot be maintained constant.

본 발명에서는 이러한 종래기술의 문제점을 해결하기 위해 IoT 기기의 에너지 절감 성능과 수집된 데이터의 신뢰성을 고려하여 데이터의 샘플링주기를 제어하기 위한 방법 및 장치를 제안한다. 이하, 본 발명의 실시 예를 첨부된 도면을 참조하여 상세하게 설명한다.In order to solve the problems of the prior art, the present invention proposes a method and apparatus for controlling the sampling period of data in consideration of the reliability of the collected data and the energy saving performance of the IoT device. Hereinafter, embodiments of the present invention will be described in detail with reference to the accompanying drawings.

도 1은 본 발명의 일 실시예에 따른 스마트 홈 헬스케어 모니터링 서비스에 관하여 설명하기 위한 도면이다. 1 is a diagram for explaining a smart home healthcare monitoring service according to an embodiment of the present invention.

본 발명의 실시예에 따르면, 스마트 홈 헬스케어 모니터링 서비스 환경에서 비접촉식 생체 정보 센서를 통해 사용자로부터 생체 정보를 수집할 수 있다. 예를 들어, 디지털 헬스 정보 중 하나인 실제 심박 데이터 세트를 수집할 수 있다. 이와 같이 수집된 생체 정보에 대하여 사용자의 행동 패턴에 따라 반복되는 규칙성을 분석하기 위한 전처리를 수행할 수 있다. According to an embodiment of the present invention, biometric information may be collected from a user through a non-contact biometric sensor in a smart home healthcare monitoring service environment. For example, an actual heart rate data set, which is one of digital health information, may be collected. For the biometric information collected in this way, preprocessing may be performed to analyze regularity repeated according to the user's behavior pattern.

더욱 상세하게는, 사용자의 행동 패턴에 따라 반복되는 규칙성을 분석하기 위해 수집된 데이터의 시간 별 데이터 간 유사도를 비교하고, 시간 별 데이터 간 유사도 비교 결과를 추출하여, 가장 높은 유사도를 나타내는 시간을 선정할 수 있다. 선정된 가장 높은 유사도를 나타내는 시간에 따라 샘플링 주기를 1차적으로 변경하고, 변경된 각각의 샘플링 주기에서 수집된 데이터에 대하여 AI-기반 데이터 복원을 수행하고, 실제 수집된 데이터와 복원된 데이터 간 정확도를 계산한다. 이와 같이 계산된 실제 수집된 데이터와 복원된 데이터 간 정확도의 정규 분포에 따라 최종 샘플링 주기를 결정할 수 있다. More specifically, in order to analyze the regularity that is repeated according to the user's behavior pattern, the similarity between the data at each time of the collected data is compared, the similarity comparison result between the data at each time is extracted, and the time showing the highest similarity is determined. can be selected The sampling period is primarily changed according to the selected time showing the highest similarity, AI-based data restoration is performed on the data collected at each changed sampling period, and the accuracy between the actual collected data and the restored data is checked. Calculate. The final sampling period may be determined according to a normal distribution of accuracy between the actually collected data and the restored data calculated in this way.

본 발명의 실시예에 따르면, IoT 기기의 에너지 절감 성능과 수집된 데이터의 신뢰성을 고려하여 디지털 헬스 정보 중 하나인 실제 심박 데이터 세트를 활용하여 샘플링주기를 제어할 수 있다. According to an embodiment of the present invention, a sampling period may be controlled by utilizing an actual heartbeat data set, which is one of digital health information, in consideration of energy saving performance of an IoT device and reliability of collected data.

IoT 단말의 주기적인 데이터 생성 및 전달은 이를 처리하기 위한 정제 및 분석 등의 많은 비용을 수반한다. 또한, 실제 수집되는 데이터의 대부분은 중복되는 정보를 포함하고 있다. 따라서, 제안하는 방법을 통해 IoT 단말의 데이터 샘플링 주기 제어를 통해, 필요한 데이터만을 전송하게 하여 데이터 처리와 관리를 용이하게 할 수 있다. 뿐만 아니라, 축소된 데이터의 처리를 통한 신속한 상황 분석 및 응답이 가능하고, IoT 단말의 데이터 샘플링 주기를 조절하여 불필요한 에너지 자원 낭비를 방지함으로써 IoT 단말의 수명을 연장할 수도 있다. Periodic data generation and delivery of IoT terminals entails high costs such as purification and analysis for processing them. In addition, most of the actually collected data includes redundant information. Therefore, through the proposed method, data processing and management can be facilitated by transmitting only necessary data through data sampling period control of the IoT terminal. In addition, it is possible to quickly analyze and respond to situations through the processing of reduced data, and by adjusting the data sampling cycle of the IoT terminal to prevent unnecessary waste of energy resources, the lifespan of the IoT terminal can be extended.

도 2는 본 발명의 일 실시예에 따른 비접촉식 생체 정보 모니터링 내 사용자 행동 패턴을 기반으로 한 데이터 샘플링 주기 조절 방법을 설명하기 위한 흐름도이다. 2 is a flowchart illustrating a method for adjusting a data sampling period based on a user behavior pattern in non-contact biometric information monitoring according to an embodiment of the present invention.

제안하는 비접촉식 생체 정보 모니터링 내 사용자 행동 패턴을 기반으로 한 데이터 샘플링 주기 조절 방법은 사용자의 행동 패턴에 따라 반복되는 규칙성을 분석하기 위해 수집된 데이터의 시간 별 데이터 간 유사도를 비교하는 단계(210), 시간 별 데이터 간 유사도 비교 결과를 추출하여, 가장 높은 유사도를 나타내는 시간을 선정하는 단계(220), 선정된 가장 높은 유사도를 나타내는 시간에 따라 샘플링 주기를 변경하는 단계(230), 변경된 각각의 샘플링 주기에서 수집된 데이터에 대하여 AI-기반 데이터 복원을 수행하고, 실제 수집된 데이터와 복원된 데이터 간 정확도를 계산하는 단계(240) 및 계산된 실제 수집된 데이터와 복원된 데이터 간 정확도의 정규 분포에 따라 최종 샘플링 주기를 결정하는 단계(250)를 포함한다. The proposed method for controlling the data sampling period based on the user's behavioral pattern in the non-contact biometric information monitoring step (210) compares the similarity between the collected data by time to analyze the regularity that is repeated according to the user's behavioral pattern. , Step 220 of extracting the similarity comparison result between data by time and selecting the time showing the highest similarity (220), changing the sampling period according to the selected time showing the highest similarity (230), each changed sampling Performing AI-based data restoration on the data collected in the period, calculating the accuracy between the actual collected data and the restored data (240), and the normal distribution of the accuracy between the calculated actual collected data and the restored data and determining a final sampling period according to (250).

단계(210)에서, 사용자의 행동 패턴에 따라 반복되는 규칙성을 분석하기 위해 수집된 데이터의 시간 별 데이터 간 유사도를 비교한다. 먼저, 날짜 별 동일 시간 단위에 대한 데이터 간 유사도 비교를 위해 연속적으로 수집된 데이터를 날짜 별로 분할한다. 이후, 날짜 별로 분할된 데이터를 시간 단위로 재분할하여, 각 날짜 별 시간 단위로 분할된 데이터들을 생성한다. In step 210, the similarity between collected data by time is compared to analyze the regularity repeated according to the user's behavior pattern. First, to compare the similarity between data for the same time unit by date, continuously collected data is divided by date. Thereafter, data divided by date is re-divided into time units to generate data divided into time units by each date.

본 발명의 실시예에 따르면, 날짜 별 동일 시간 단위에 대한 데이터 간 유사도 비교에 있어서 서로 다른 날짜 간 동일 시간 단위 내 데이터 인가가 없는 상황을 반영하기 위해 코사인 유사도 계산을 활용한다. According to an embodiment of the present invention, in comparing the similarity between data for the same time unit for each date, cosine similarity calculation is used to reflect a situation where there is no data authorization within the same time unit between different dates.

단계(220)에서, 시간 별 데이터 간 유사도 비교 결과를 추출하여, 가장 높은 유사도를 나타내는 시간을 선정한다. 날짜 별 동일 시간 단위에 대한 데이터 간 유사도 비교 결과 중 가장 높은 유사도를 나타내는 시간을 선정하여 반복되는 행동 패턴 구간을 판별한다. In step 220, a similarity comparison result between data by time is extracted, and a time showing the highest similarity is selected. Among the similarity comparison results between data for the same time unit by date, the time showing the highest similarity is selected to determine the repeated behavior pattern section.

반복되는 행동 패턴 구간이 판별되지 않는 경우, 상기 사용자의 행동 패턴에 따라 반복되는 규칙성을 분석하기 위해 수집된 데이터의 시간 별 데이터 간 유사도를 비교하는 단계부터 반복할 수 있다. If the repeated behavior pattern section is not determined, it may be repeated from the step of comparing the similarity between the collected data by time to analyze the regularity that is repeated according to the user's behavior pattern.

도 3은 본 발명의 일 실시예에 따른 사용자 행동 패턴 분석 과정을 설명하기 위한 도면이다. 3 is a diagram for explaining a user behavior pattern analysis process according to an embodiment of the present invention.

본 발명의 실시예에 따른 IoT 센서에서 수집되는 다양한 데이터(311, 312, 313)의 경우, 사용자의 행동 패턴에 따라 반복되는 규칙성을 보일 수 있다. 특히, 레이더 기반 비접촉식 생체 정보 모니터링 기기로 사용자의 생체 정보를 모니터링 할 경우, 센서 기기 동작 범위 내 사용자가 존재하지 않는 경우가 다수이며, 이러한 경우 실제 데이터가 인가되지 않으므로 센서를 동작 시킬 필요가 없다. 인간의 경우, 스마트 홈 내에서 주기적인 행동 패턴을 보인다는 가정 하에, 생체 정보 모니터링 기기 동작 범위 내 사용자는 주기적으로 노출될 수 있다. 따라서, 본 발명에서는 비접촉식 생체 정보 모니터링 기기로 수집된 데이터에 대하여 행동 패턴 분석(321) 및 데이터 유사도 분석(322)을 통해 비교하여, 데이터 간 유사도가 가장 높은 시간을 선정할 수 있다. In the case of various data 311 , 312 , and 313 collected from the IoT sensor according to an embodiment of the present invention, regularity may be shown according to a user's behavior pattern. In particular, when a user's biometric information is monitored with a radar-based non-contact biometric information monitoring device, there are many cases where the user does not exist within the operating range of the sensor device. In this case, since actual data is not applied, there is no need to operate the sensor. In the case of humans, under the assumption that they exhibit periodic behavioral patterns within a smart home, users within the operating range of the biometric information monitoring device may be periodically exposed. Therefore, in the present invention, the data collected by the non-contact biometric information monitoring device can be compared through behavior pattern analysis 321 and data similarity analysis 322, and the time with the highest similarity between data can be selected.

본 발명의 실시예에 따르면, 수집된 데이터간 유사도 비교를 위해 연속적으로 수집된 데이터를 날짜 별로 분할할 수 있다. 이후, 날짜 별로 분할된 데이터를 시간(Hour) 단위로 재분할하고, 이를 통해 각 날짜 별 시간 단위로 분할된 데이터들을 생성할 수 있다. 예를 들어, […, [8월 17일 데이터], [8월 16일 데이터 [오후1~2시 데이터, 오후 2~3시 데이터…]] 와 같이 각 날짜 별 시간 단위로 분할된 데이터들을 생성할 수 있다. 이와 같이 생성된 같이 각 날짜 별 시간 단위로 분할된 데이터들에 대하여 날짜 별 동일 시간 단위 데이터 간 코사인(Cosine) 유사도를 비교할 수 있다. 서로 다른 날짜 간 동일 시간 내 데이터 인가가 없을 시, 이러한 상황을 반영하기 위해 코사인 유사도를 활용할 수 있고, 하기식과 같이 나타낸다: According to an embodiment of the present invention, continuously collected data may be divided by date in order to compare similarity between collected data. Thereafter, data divided by date is re-divided into units of hours, and through this, data divided into units of hours by each date can be generated. for example, [… , [August 17th data], [August 16th data [1~2pm data, 2~3pm data…] ]], it is possible to create data divided into time units for each date. Cosine similarity between data of the same time unit for each date may be compared with respect to data divided into time units for each date as generated in this way. When there is no data authorization within the same time period between different dates, the cosine similarity can be used to reflect this situation, and is represented by the following formula:

Figure 112021049134491-pat00001
Figure 112021049134491-pat00001

여기서, Dm 및 Dn은 각각 n 번째와 m 번째 서브 시퀀스를 나타내고, Dm,i는 m번째 서브 시퀀스 내의 i 번째 포인트를 나타낸다. Here, D m and D n denote the n-th and m-th subsequences, respectively, and D m,i denotes the i-th point in the m-th subsequence.

도 4는 본 발명의 일 실시예에 따른 사용자 행동 패턴 분석에 따른 유사도 계산 결과를 나타내는 그래프이다. 4 is a graph showing similarity calculation results according to user behavior pattern analysis according to an embodiment of the present invention.

도 4(a)는 시간에 따른 주파수의 유사도를 나타내는 그래프이고, 도 4(b)는 6pm에서 9pm까지의 서브 시퀀스를 나타내는 그래프이다. 4(a) is a graph showing the similarity of frequencies over time, and FIG. 4(b) is a graph showing subsequences from 6pm to 9pm.

앞서 설명된 바와 같이, 시간 별 데이터 간 유사도 비교 결과를 추출하여, 가장 높은 유사도를 나타내는 시간을 선정한다. As described above, the time showing the highest similarity is selected by extracting the similarity comparison result between data by time.

실제 수집된 레이더 기반 비접촉식 생체 정보 내 유사도 비교 결과를 도 4에 나타내었다. 도 4는 부산 북구 1인 가구 내 2020년 7월 28일~8월 13일 간 (총 16일) 2분 간격으로 수집된 심박수 데이터 활용한 예시이다. 도 4를 참조하면, 오후 6~9시 간격 내 데이터 간 유사도 값이 높게 측정되었다. The similarity comparison result in the actually collected radar-based non-contact biometric information is shown in FIG. 4. 4 is an example of using heart rate data collected at 2-minute intervals between July 28 and August 13, 2020 (a total of 16 days) in a single household in Buk-gu, Busan. Referring to FIG. 4, the similarity value between data within the interval of 6 to 9 pm was measured to be high.

또한, 일부 날짜 데이터만으로 해당 시간 간격의 데이터 추출 후 평균값 비교 시, 총 16일 중 8일간 데이터의 평균값 만으로도 12.17% 오차율을 보이면서 평균값에 근사하는 것을 확인할 수 있다. 이를 통해 사용자 행동 패턴 기반 실제 데이터 내 유사한 패턴이 도출됨을 알 수 있다. 표 1은 유사도 비교 결과를 나타내는 표이다. In addition, when comparing the average value after extracting the data of the corresponding time interval only with some date data, it can be seen that the average value of the data for 8 days out of a total of 16 days shows an error rate of 12.17% and is close to the average value. Through this, it can be seen that similar patterns in actual data based on user behavior patterns are derived. Table 1 is a table showing similarity comparison results.

<표 1><Table 1>

Figure 112021049134491-pat00002
Figure 112021049134491-pat00002

다시 도 2를 참조하면, 단계(230)에서, 선정된 가장 높은 유사도를 나타내는 시간에 따라 샘플링 주기를 변경한다. Referring back to FIG. 2 , in step 230, the sampling period is changed according to the selected time showing the highest degree of similarity.

이후 단계(240)에서, 변경된 각각의 샘플링 주기에서 수집된 데이터에 대하여 AI-기반 데이터 복원을 수행하고, 실제 수집된 데이터와 복원된 데이터 간 정확도를 계산한다. 이때, 변경된 각각의 샘플링 주기에 대하여 복원된 데이터 간 정확도를 계산한 후, 해당 샘플링 주기에서의 복원 정확도에 대한 정규 분포를 추출한다. After that, in step 240, AI-based data restoration is performed on the data collected in each of the changed sampling periods, and accuracy between the actually collected data and the restored data is calculated. At this time, after calculating the accuracy between the restored data for each changed sampling period, a normal distribution for the restoration accuracy in the corresponding sampling period is extracted.

도 5는 본 발명의 일 실시예에 따른 실제 수집된 데이터와 복원된 데이터 간 정확도의 정규 분포에 따라 최종 샘플링 주기를 결정하는 과정을 설명하기 위한 도면이다. 5 is a diagram for explaining a process of determining a final sampling period according to a normal distribution of accuracy between actually collected data and restored data according to an embodiment of the present invention.

본 발명의 일 실시예에 따르면, 사용자의 행동 패턴에 따라 반복되는 규칙성을 분석하기 위해 수집된 데이터의 시간 별 데이터 간 유사도를 비교하고, 시간 별 데이터 간 유사도 비교 결과를 추출하여, 가장 높은 유사도를 나타내는 시간을 선정한다. 이후, 선정된 가장 높은 유사도를 나타내는 시간에 따라 샘플링 주기를 변경한다. According to an embodiment of the present invention, in order to analyze the regularity repeated according to the user's behavior pattern, the similarity between collected data is compared over time, and a similarity comparison result between data over time is extracted to obtain the highest similarity. select the time that represents Then, the sampling period is changed according to the selected time showing the highest degree of similarity.

이와 같이, 변경된 각각의 샘플링 주기에서 수집된 데이터에 대하여 AI-기반 데이터 복원을 수행하고, 실제 수집된 데이터와 복원된 데이터 간 정확도를 계산한다. In this way, AI-based data restoration is performed on data collected in each sampling period that has been changed, and accuracy between actually collected data and restored data is calculated.

본 발명의 실시예에 따른 AI-기반 데이터 복원 방법은 압축 센싱(Compressive Sensing) 기법으로서, 수집된 데이터의 특징을 추출하여, 추출된 특징을 기반으로 기존 데이터를 복원하는 방법이다. 이러한 압축 센싱 기법은 일 실시예일뿐 이에 한정되지 않고, 이외의 다양한 AI-기반 데이터 복원 기법을 이용할 수도 있다. An AI-based data restoration method according to an embodiment of the present invention is a method of extracting features of collected data and restoring existing data based on the extracted features as a compressive sensing technique. This compression sensing technique is only one embodiment and is not limited thereto, and various other AI-based data restoration techniques may be used.

본 발명의 실시예에 따른 실제 수집된 데이터와 복원된 데이터 간 정확도를 계산하는 식은 MAPE(Mean Absolute Percentage Error)를 이용할 수 있고, 하기와 같이 나타낼 수 있다: An equation for calculating accuracy between actually collected data and restored data according to an embodiment of the present invention may use MAPE (Mean Absolute Percentage Error) and may be expressed as follows:

Figure 112021049134491-pat00003
Figure 112021049134491-pat00003

여기서, At는 실제값이고, Ft는 예측값을 나타낸다. Here, A t is an actual value, and F t represents a predicted value.

MAPE의 경우, 실제 데이터와 복원된 데이터 간의 오차가 실제 로(raw) 데이터 내에서 차지하는 비율을 나타내는 기법으로, 대부분의 회귀분석에서 사용되는 지표 중 하나이다. 이러한 MAPE는 일 실시예일뿐 이에 한정되지 않고, 이외의 다양한 실제 수집된 데이터와 복원된 데이터 간 정확도 계산 식을 이용할 수도 있다.In the case of MAPE, it is a technique that indicates the ratio of the error between the actual data and the restored data in the actual data, and is one of the indicators used in most regression analyses. This MAPE is only one embodiment and is not limited thereto, and various other accuracy calculation formulas between actually collected data and restored data may be used.

제1 샘플링 주기(510)에 대하여 AI-기반 데이터 복원(530)을 수행하고, 복원 정확도를 계산한다(540). 그리고, 제1 샘플링 주기(510)에서의 복원 정확도를 정규 분포로 전환(550)할 수 있다. AI-based data restoration (530) is performed for the first sampling period (510), and restoration accuracy is calculated (540). In addition, the restoration accuracy in the first sampling period 510 may be converted into a normal distribution (550).

제1 샘플링 주기(510)에 대하여 샘플링 주기를 증가 시킨 제2 샘플링 주기(520)에 대해서도 AI-기반 데이터 복원(530)을 수행하고, 복원 정확도를 계산한다(540). 그리고, 제2 샘플링 주기(520)에서의 복원 정확도를 정규 분포로 전환(550)할 수 있다. AI-based data restoration (530) is also performed for the second sampling period (520) in which the sampling period is increased with respect to the first sampling period (510), and restoration accuracy is calculated (540). In addition, the restoration accuracy in the second sampling period 520 may be converted into a normal distribution (550).

변경된 각각의 샘플링 주기에 대하여 복원된 데이터 간 정확도를 계산한 후, 해당 샘플링 주기에서의 복원 정확도에 대한 정규 분포를 추출하여, 단계(250)에서 실제 수집된 데이터와 복원된 데이터 간 정확도의 정규 분포에 따라 최종 샘플링 주기를 결정할 수 있다. After calculating the accuracy between the restored data for each changed sampling period, a normal distribution for the restoration accuracy in the corresponding sampling period is extracted, in step 250, a normal distribution of accuracy between the data actually collected and the restored data. Depending on this, the final sampling period can be determined.

본 발명의 실시예에 따른 생체 정보 모니터링을 위한 데이터 샘플링 주기 조절 방법은 데이터 수집을 감소시키기 위해 수집된 데이터에 대하여 AI-기반 데이터 복원을 수행하여 복원된 데이터를 사용하고, 소모 에너지 절감을 위해 데이터 기반의 사용자 행동 패턴 분석 및 유사도 비교 방법을 통해 최종 샘플링 주기를 조절함으로써 데이터 전송 횟수를 감소시킬 수 있다. A method for controlling a data sampling cycle for biometric information monitoring according to an embodiment of the present invention performs AI-based data restoration on collected data to reduce data collection, uses the restored data, and uses the data to reduce energy consumption. It is possible to reduce the number of data transmissions by adjusting the final sampling cycle through the user behavior pattern analysis and similarity comparison method.

도 6은 본 발명의 일 실시예에 따른 비접촉식 생체 정보 모니터링 내 사용자 행동 패턴을 기반으로 한 데이터 샘플링 주기 조절 장치의 구성을 나타내는 도면이다. 6 is a diagram showing the configuration of an apparatus for adjusting a data sampling period based on a user behavior pattern in non-contact biometric information monitoring according to an embodiment of the present invention.

비접촉식 생체 정보 모니터링 내 사용자 행동 패턴을 기반으로 한 데이터 샘플링 주기 조절 장치는 행동 패턴 분석부(610), 샘플링 주기 제어부(620) 및 데이터 복원부(630)를 포함한다. An apparatus for adjusting a data sampling cycle based on a user's behavior pattern in non-contact biometric information monitoring includes a behavior pattern analyzer 610, a sampling cycle control unit 620, and a data restoration unit 630.

행동 패턴 분석부(610)는 사용자의 행동 패턴에 따라 반복되는 규칙성을 분석하기 위해 수집된 데이터의 시간 별 데이터 간 유사도를 비교하고, 시간 별 데이터 간 유사도 비교 결과를 추출하여, 가장 높은 유사도를 나타내는 시간을 선정한다. The behavior pattern analyzer 610 compares the similarity between the collected data over time in order to analyze the regularity repeated according to the user's behavior pattern, extracts a similarity comparison result between the data over time, and determines the highest similarity. Select the time to indicate

행동 패턴 분석부(610)는 사용자의 행동 패턴에 따라 반복되는 규칙성을 분석하기 위해 수집된 데이터의 시간 별 데이터 간 유사도를 비교한다. 먼저, 날짜 별 동일 시간 단위에 대한 데이터 간 유사도 비교를 위해 연속적으로 수집된 데이터를 날짜 별로 분할한다. 이후, 날짜 별로 분할된 데이터를 시간 단위로 재분할하여, 각 날짜 별 시간 단위로 분할된 데이터들을 생성한다. The behavior pattern analyzer 610 compares the similarities between the collected data by time in order to analyze the regularity repeated according to the user's behavior pattern. First, to compare the similarity between data for the same time unit by date, continuously collected data is divided by date. Thereafter, data divided by date is re-divided into time units to generate data divided into time units by each date.

본 발명의 실시예에 따르면, 날짜 별 동일 시간 단위에 대한 데이터 간 유사도 비교에 있어서 서로 다른 날짜 간 동일 시간 단위 내 데이터 인가가 없는 상황을 반영하기 위해 코사인 유사도 계산을 활용한다. According to an embodiment of the present invention, in comparing the similarity between data for the same time unit for each date, cosine similarity calculation is used to reflect a situation where there is no data authorization within the same time unit between different dates.

행동 패턴 분석부(610)는 시간 별 데이터 간 유사도 비교 결과를 추출하여, 가장 높은 유사도를 나타내는 시간을 선정한다. 날짜 별 동일 시간 단위에 대한 데이터 간 유사도 비교 결과 중 가장 높은 유사도를 나타내는 시간을 선정하여 반복되는 행동 패턴 구간을 판별한다. The behavior pattern analyzer 610 extracts a similarity comparison result between data for each time and selects a time showing the highest similarity. Among the similarity comparison results between data for the same time unit by date, the time showing the highest similarity is selected to determine the repeated behavior pattern section.

반복되는 행동 패턴 구간이 판별되지 않는 경우, 상기 사용자의 행동 패턴에 따라 반복되는 규칙성을 분석하기 위해 수집된 데이터의 시간 별 데이터 간 유사도를 비교하는 단계부터 반복할 수 있다. If the repeated behavior pattern section is not determined, it may be repeated from the step of comparing the similarity between the collected data by time to analyze the regularity that is repeated according to the user's behavior pattern.

샘플링 주기 제어부(620)는 선정된 가장 높은 유사도를 나타내는 시간에 따라 샘플링 주기를 변경한다. The sampling period control unit 620 changes the sampling period according to the selected time showing the highest degree of similarity.

데이터 복원부(630)는 변경된 각각의 샘플링 주기에서 수집된 데이터에 대하여 AI-기반 데이터 복원을 수행하고, 실제 수집된 데이터와 복원된 데이터 간 정확도를 계산한다. 이때, 변경된 각각의 샘플링 주기에 대하여 복원된 데이터 간 정확도를 계산한 후, 해당 샘플링 주기에서의 복원 정확도에 대한 정규 분포를 추출한다. The data restoration unit 630 performs AI-based data restoration on data collected in each changed sampling period, and calculates accuracy between actually collected data and restored data. At this time, after calculating the accuracy between the restored data for each changed sampling period, a normal distribution for the restoration accuracy in the corresponding sampling period is extracted.

이후, 샘플링 주기 제어부(620)는 데이터 복원부(630)에서 계산된 실제 수집된 데이터와 복원된 데이터 간 정확도의 정규 분포에 따라 최종 샘플링 주기를 결정한다. Thereafter, the sampling period control unit 620 determines the final sampling period according to a normal distribution of accuracy between the actual collected data calculated by the data restoration unit 630 and the restored data.

본 발명의 실시예에 따른 생체 정보 모니터링을 위한 데이터 샘플링 주기 조절 방법은 데이터 수집을 감소시키기 위해 수집된 데이터에 대하여 AI-기반 데이터 복원을 수행하여 복원된 데이터를 사용하고, 소모 에너지 절감을 위해 데이터 기반의 사용자 행동 패턴 분석 및 유사도 비교 방법을 통해 최종 샘플링 주기를 조절함으로써 데이터 전송 횟수를 감소시킬 수 있다.A method for controlling a data sampling cycle for biometric information monitoring according to an embodiment of the present invention performs AI-based data restoration on collected data to reduce data collection, uses the restored data, and uses the data to reduce energy consumption. It is possible to reduce the number of data transmissions by adjusting the final sampling cycle through the user behavior pattern analysis and similarity comparison method.

도 7은 본 발명의 일 실시예에 따른 샘플링 주기 제어에 따른 결과를 나타내는 그래프이다.7 is a graph showing results according to sampling period control according to an embodiment of the present invention.

본 발명의 일 실시예에 따라 실제 수집된 데이터 내 테스트를 진행하였다. 수집된 데이터 내에서, 일부 데이터를 샘플링하고, 샘플링된 데이터를 복원하여 실제 데이터와 비교하였다. 데이터의 샘플링 비율을 조절하면서 테스트 진행하였다. According to an embodiment of the present invention, a test was conducted in the actual collected data. Within the collected data, some data was sampled, and the sampled data was restored and compared with actual data. The test was conducted while adjusting the sampling rate of the data.

테스트 결과, 18:00~21:00 전체 데이터 내 22%의 샘플링을 수행할 경우, IoT 기기 내 에너지를 350% 절감하면서 데이터 오차(MAPE)는 10.95% 를 확보할 수 있었다. 이를 통해, 본 발명에서 제안하는 방법을 활용할 경우 IoT 기기의 에너지를 상당히 절감하면서, 데이터의 오차는 낮게 유지할 수 있음을 확인 할 수 있다. 샘플링 주기 제어에 따른 결과를 표 2에 나타내었다. As a result of the test, when sampling 22% of the entire data between 18:00 and 21:00, it was possible to secure a data error (MAPE) of 10.95% while reducing energy in the IoT device by 350%. Through this, it can be confirmed that when the method proposed in the present invention is used, it is possible to significantly reduce the energy of the IoT device while keeping the data error low. The results according to the sampling period control are shown in Table 2.

<표 2><Table 2>

Figure 112021049134491-pat00004
Figure 112021049134491-pat00004

본 발명에서는 사용자의 행동 패턴 기반 IoT 기기의 샘플링 주기를 조절하는 기술을 제안한다. 제안하는 방법은 종래기술의 임계치를 활용하는 샘플링 조절 방식보다 사용자의 개별적 상황에 적합하게 동작 가능하며, 또한 각 샘플링 주기에 따른 정규 분포를 고려함으로써 성능의 안정적 확보가 가능하다. The present invention proposes a technique for adjusting the sampling period of an IoT device based on a user's behavior pattern. The proposed method can be operated more appropriately for each user's individual situation than the prior art sampling control method using the threshold, and it is possible to secure stable performance by considering the normal distribution according to each sampling period.

또한, 수집된 데이터를 복원하여 사용함으로써, 실제 불필요한 데이터 정보 수집을 감소시킬 수 있고, 샘플링 주기 조절을 통해 IoT 기기에서 전송되는 데이터의 횟수를 줄여, 에너지 절감을 유도할 수도 있다. 뿐만 아니라, 기존의 통신 프로토콜과도 접목하여 동작 가능하며, 특정 물리적 환경에 얽매이지 않고 유연한 발명 기술의 도입이 가능하다. In addition, by restoring and using the collected data, it is possible to reduce the collection of actually unnecessary data information, and to reduce the number of data transmitted from IoT devices through sampling cycle adjustment, thereby inducing energy savings. In addition, it can be operated by grafting with existing communication protocols, and it is possible to introduce flexible invention technology without being bound to a specific physical environment.

IoT 단말에서 수집되는 데이터에 AI 및 기계학습 기법을 활용하기 위해서는, 일정한 데이터 특성을 가진 IoT 데이터 셋 확보가 필수적이다. 실제 IoT 데이터의 도전과제로써, 유용한 데이터 확보가 필요하다. 현재 IoT 환경 대다수는 IoT 단말의 에너지 문제로 인하여, 데이터의 주기적 확보가 어렵다. In order to utilize AI and machine learning techniques for data collected from IoT terminals, it is essential to secure an IoT data set with certain data characteristics. As a challenge of real IoT data, it is necessary to secure useful data. In most of the current IoT environments, it is difficult to periodically secure data due to energy problems of IoT terminals.

본 발명의 도입을 통해, 샘플링 주기 조절 기반 IoT 단말의 에너지를 절감하고, 데이터를 복원하여 사용함으로써 AI 기법 활용이 검토될 수 있다. 또한, 이를 통한 IoT 환경 내 다양한 AI 및 기계학습 도입을 가능케 하여, 다양한 IoT 어플리케이션 개발이 가능하다. Through the introduction of the present invention, the use of AI techniques can be reviewed by reducing the energy of the sampling period control-based IoT terminal and restoring and using the data. In addition, it enables the introduction of various AI and machine learning within the IoT environment, enabling the development of various IoT applications.

이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable 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.The devices described above may be implemented as hardware components, software components, and/or a combination of hardware components and software components. For example, devices and components described in the embodiments may include, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable array (FPA), It may be implemented using one or more general purpose or special purpose computers, such as a programmable logic unit (PLU), microprocessor, or any other device capable of executing and responding to instructions. A processing device may run an operating system (OS) and one or more software applications running on the operating system. A processing device may also access, store, manipulate, process, and generate data in response to execution of software. For convenience of understanding, there are cases in which one processing device is used, but those skilled in the art will understand that the processing device includes a plurality of processing elements and/or a plurality of types of processing elements. It can be seen that it can include. For example, a processing device may include a plurality of processors or a processor and a controller. Other processing configurations are also possible, such as parallel processors.

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 장치에 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.Software may include a computer program, code, instructions, or a combination of one or more of the foregoing, which configures a processing device to operate as desired or processes independently or collectively. The device can be commanded. Software and/or data may be any tangible machine, component, physical device, virtual equipment, computer storage medium or device, intended to be interpreted by or provide instructions or data to a processing device. can be embodied in Software may be distributed on networked computer systems and stored or executed in a distributed manner. Software and data may be stored on one or more computer readable media.

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.　 The method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded on a computer readable medium. The computer readable medium may include program instructions, data files, data structures, etc. alone or in combination. Program commands recorded on the medium may be specially designed and configured for the embodiment or may be known and usable to those skilled in computer software. Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic media such as floptical disks. - includes hardware devices specially configured to store and execute program instructions, such as magneto-optical media, and ROM, RAM, flash memory, and the like. Examples of program instructions include high-level language codes that can be executed by a computer using an interpreter, as well as machine language codes such as those produced by a compiler.

이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다.　 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.As described above, although the embodiments have been described with limited examples and drawings, those skilled in the art can make various modifications and variations from the above description. For example, the described techniques may be performed in an order different from the method described, and/or components of the described system, structure, device, circuit, etc. may be combined or combined in a different form than the method described, or other components may be used. Or even if it is replaced or substituted by equivalents, appropriate results can be achieved.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.Therefore, other implementations, other embodiments, and equivalents of the claims are within the scope of the following claims.

삭제delete

삭제delete

삭제delete

삭제delete

삭제delete

삭제delete

Claims (14)

행동 패턴 분석부를 통해 사용자의 행동 패턴에 따라 반복되는 규칙성을 분석하기 위해 수집된 데이터의 시간 별 데이터 간 유사도를 비교하는 단계;
행동 패턴 분석부를 통해 상기 시간 별 데이터 간 유사도 비교 결과를 추출하여, 가장 높은 유사도를 나타내는 시간을 선정하는 단계;
샘플링 주기 제어부를 통해 상기 선정된 가장 높은 유사도를 나타내는 시간에 따라 샘플링 주기를 변경하는 단계;
데이터 복원부를 통해 상기 변경된 각각의 샘플링 주기에서 수집된 데이터에 대하여 AI-기반 데이터 복원을 수행하고, 실제 수집된 데이터와 복원된 데이터 간 정확도를 계산하는 단계; 및
샘플링 주기 제어부를 통해 상기 계산된 실제 수집된 데이터와 복원된 데이터 간 정확도의 정규 분포에 따라 최종 샘플링 주기를 결정하는 단계
를 포함하는 생체 정보 모니터링을 위한 데이터 샘플링 주기 조절 방법. Comparing the similarity between the collected data by time in order to analyze the regularity repeated according to the user's behavior pattern through the behavior pattern analyzer;
selecting a time showing the highest similarity by extracting a similarity comparison result between the data for each time through a behavior pattern analyzer;
changing a sampling period according to the selected time representing the highest similarity through a sampling period control unit;
performing AI-based data restoration on data collected in each of the changed sampling periods through a data restoration unit, and calculating accuracy between actually collected data and restored data; and
Determining a final sampling cycle according to a normal distribution of accuracy between the calculated actual collected data and restored data through a sampling cycle control unit
Data sampling cycle control method for monitoring biometric information comprising a. 제1항에 있어서,
상기 행동 패턴 분석부를 통해 사용자의 행동 패턴에 따라 반복되는 규칙성을 분석하기 위해 수집된 데이터의 시간 별 데이터 간 유사도를 비교하는 단계는,
날짜 별 동일 시간 단위에 대한 데이터 간 유사도 비교를 위해 연속적으로 수집된 데이터를 날짜 별로 분할하고, 날짜 별로 분할된 데이터를 시간 단위로 재분할하여, 각 날짜 별 시간 단위로 분할된 데이터들을 생성하는
생체 정보 모니터링을 위한 데이터 샘플링 주기 조절 방법. According to claim 1,
The step of comparing the similarity between the collected data by time in order to analyze the regularity repeated according to the user's behavior pattern through the behavior pattern analyzer,
To compare the similarity between data for the same time unit by date, the continuously collected data is divided by date, and the data divided by date is re-segmented by time unit to generate data divided by time unit by each date.
Method for adjusting data sampling cycle for biometric information monitoring. 제2항에 있어서,
상기 날짜 별 동일 시간 단위에 대한 데이터 간 유사도 비교에 있어서 서로 다른 날짜 간 동일 시간 단위 내 데이터 인가가 없는 상황을 반영하기 위해 코사인 유사도 계산을 활용하는
생체 정보 모니터링을 위한 데이터 샘플링 주기 조절 방법. According to claim 2,
In the comparison of similarity between data for the same time unit by date, cosine similarity calculation is used to reflect the situation where there is no data authorization within the same time unit between different dates.
Method for adjusting data sampling cycle for biometric information monitoring. 제1항에 있어서,
상기 행동 패턴 분석부를 통해 상기 시간 별 데이터 간 유사도 비교 결과를 추출하여, 가장 높은 유사도를 나타내는 시간을 선정하는 단계는,
날짜 별 동일 시간 단위에 대한 데이터 간 유사도 비교 결과 중 가장 높은 유사도를 나타내는 시간을 선정하여 반복되는 행동 패턴 구간을 판별하는
생체 정보 모니터링을 위한 데이터 샘플링 주기 조절 방법. According to claim 1,
The step of selecting the time showing the highest similarity by extracting the similarity comparison result between the data for each time through the behavior pattern analyzer,
Among the similarity comparison results between data for the same time unit by date, the time showing the highest similarity is selected to determine the repeated behavior pattern section.
Method for adjusting data sampling cycle for biometric information monitoring. 제4항에 있어서,
상기 반복되는 행동 패턴 구간이 판별되지 않는 경우, 상기 사용자의 행동 패턴에 따라 반복되는 규칙성을 분석하기 위해 수집된 데이터의 시간 별 데이터 간 유사도를 비교하는 단계부터 반복하는
생체 정보 모니터링을 위한 데이터 샘플링 주기 조절 방법. According to claim 4,
When the repeated behavior pattern section is not determined, repeating from the step of comparing the similarity between data by time of the collected data to analyze the regularity that is repeated according to the user's behavior pattern
Method for adjusting data sampling cycle for biometric information monitoring. 제1항에 있어서,
상기 데이터 복원부를 통해 상기 변경된 각각의 샘플링 주기에서 수집된 데이터에 대하여 AI-기반 데이터 복원을 수행하고, 실제 수집된 데이터와 복원된 데이터 간 정확도를 계산하는 단계는,
상기 변경된 각각의 샘플링 주기에 대하여 복원된 데이터 간 정확도를 계산한 후, 해당 샘플링 주기에서의 복원 정확도에 대한 정규 분포를 추출하는
생체 정보 모니터링을 위한 데이터 샘플링 주기 조절 방법. According to claim 1,
The step of performing AI-based data restoration on the data collected in each of the changed sampling periods through the data restoration unit and calculating the accuracy between the actually collected data and the restored data,
After calculating the accuracy between the restored data for each of the changed sampling periods, extracting a normal distribution for the restoration accuracy in the corresponding sampling period
Method for adjusting data sampling cycle for biometric information monitoring. 제1항에 있어서,
데이터 수집을 감소시키기 위해 수집된 데이터에 대하여 AI-기반 데이터 복원을 수행하여 복원된 데이터를 사용하고,
소모 에너지 절감을 위해 데이터 기반의 사용자 행동 패턴 분석 및 유사도 비교 방법을 통해 최종 샘플링 주기를 조절함으로써 데이터 전송 횟수를 감소시키는
생체 정보 모니터링을 위한 데이터 샘플링 주기 조절 방법. According to claim 1,
using the restored data by performing AI-based data restoration on the collected data to reduce data collection;
Reduces the number of data transmissions by adjusting the final sampling cycle through data-based user behavior pattern analysis and similarity comparison method to reduce energy consumption.
Method for adjusting data sampling cycle for biometric information monitoring. 사용자의 행동 패턴에 따라 반복되는 규칙성을 분석하기 위해 수집된 데이터의 시간 별 데이터 간 유사도를 비교하고, 시간 별 데이터 간 유사도 비교 결과를 추출하여, 가장 높은 유사도를 나타내는 시간을 선정하는 행동 패턴 분석부;
선정된 가장 높은 유사도를 나타내는 시간에 따라 샘플링 주기를 변경하는 샘플링 주기 제어부; 및
변경된 각각의 샘플링 주기에서 수집된 데이터에 대하여 AI-기반 데이터 복원을 수행하고, 실제 수집된 데이터와 복원된 데이터 간 정확도를 계산하는 데이터 복원부
를 포함하고,
상기 샘플링 주기 제어부는,
데이터 복원부에서 계산된 실제 수집된 데이터와 복원된 데이터 간 정확도의 정규 분포에 따라 최종 샘플링 주기를 결정하는
생체 정보 모니터링을 위한 데이터 샘플링 주기 조절 장치. In order to analyze the regularity that is repeated according to the user's behavior pattern, the similarity between the data by time of the collected data is compared, the similarity comparison result is extracted between the data by time, and the behavior pattern analysis that selects the time showing the highest similarity wealth;
a sampling period control unit that changes the sampling period according to the time showing the highest degree of similarity; and
A data restoration unit that performs AI-based data restoration on the data collected at each changed sampling period and calculates the accuracy between the actually collected data and the restored data.
including,
The sampling period control unit,
The final sampling period is determined according to the normal distribution of the accuracy between the actual collected data and the restored data calculated by the data restoration unit.
Data sampling cycle control device for biometric information monitoring. 제8항에 있어서,
상기 행동 패턴 분석부는,
날짜 별 동일 시간 단위에 대한 데이터 간 유사도 비교를 위해 연속적으로 수집된 데이터를 날짜 별로 분할하고, 날짜 별로 분할된 데이터를 시간 단위로 재분할하여, 각 날짜 별 시간 단위로 분할된 데이터들을 생성하는
생체 정보 모니터링을 위한 데이터 샘플링 주기 조절 장치. According to claim 8,
The behavior pattern analysis unit,
To compare the similarity between data for the same time unit by date, the continuously collected data is divided by date, and the data divided by date is re-segmented by time unit to generate data divided by time unit by each date.
Data sampling cycle control device for biometric information monitoring. 제9항에 있어서,
상기 날짜 별 동일 시간 단위에 대한 데이터 간 유사도 비교에 있어서 서로 다른 날짜 간 동일 시간 단위 내 데이터 인가가 없는 상황을 반영하기 위해 코사인 유사도 계산을 활용하는
생체 정보 모니터링을 위한 데이터 샘플링 주기 조절 장치. According to claim 9,
In the comparison of similarity between data for the same time unit by date, cosine similarity calculation is used to reflect the situation where there is no data authorization within the same time unit between different dates.
Data sampling cycle control device for biometric information monitoring. 제8항에 있어서,
상기 행동 패턴 분석부는,
날짜 별 동일 시간 단위에 대한 데이터 간 유사도 비교 결과 중 가장 높은 유사도를 나타내는 시간을 선정하여 반복되는 행동 패턴 구간을 판별하는
생체 정보 모니터링을 위한 데이터 샘플링 주기 조절 장치. According to claim 8,
The behavior pattern analysis unit,
Among the similarity comparison results between data for the same time unit by date, the time showing the highest similarity is selected to determine the repeated behavior pattern section.
Data sampling cycle control device for biometric information monitoring. 제11항에 있어서,
상기 반복되는 행동 패턴 구간이 판별되지 않는 경우, 상기 사용자의 행동 패턴에 따라 반복되는 규칙성을 분석하기 위해 수집된 데이터의 시간 별 데이터 간 유사도를 비교하는 단계부터 반복하는
생체 정보 모니터링을 위한 데이터 샘플링 주기 조절 장치. According to claim 11,
When the repeated behavior pattern section is not determined, repeating from the step of comparing the similarity between data by time of the collected data to analyze the regularity that is repeated according to the user's behavior pattern
Data sampling cycle control device for biometric information monitoring. 제8항에 있어서,
상기 데이터 복원부는,
상기 변경된 각각의 샘플링 주기에 대하여 복원된 데이터 간 정확도를 계산한 후, 해당 샘플링 주기에서의 복원 정확도에 대한 정규 분포를 추출하는
생체 정보 모니터링을 위한 데이터 샘플링 주기 조절 장치. According to claim 8,
The data recovery unit,
After calculating the accuracy between the restored data for each of the changed sampling periods, extracting a normal distribution for the restoration accuracy in the corresponding sampling period
Data sampling cycle control device for biometric information monitoring. 제8항에 있어서,
상기 데이터 복원부는,
데이터 수집을 감소시키기 위해 수집된 데이터에 대하여 AI-기반 데이터 복원을 수행하여 복원된 데이터를 사용하고,
상기 샘플링 주기 제어부는,
소모 에너지 절감을 위해 데이터 기반의 사용자 행동 패턴 분석 및 유사도 비교 방법을 통해 최종 샘플링 주기를 조절함으로써 데이터 전송 횟수를 감소시키는
생체 정보 모니터링을 위한 데이터 샘플링 주기 조절 장치. According to claim 8,
The data recovery unit,
using the restored data by performing AI-based data restoration on the collected data to reduce data collection;
The sampling period control unit,
Reduces the number of data transmissions by adjusting the final sampling cycle through data-based user behavior pattern analysis and similarity comparison method to reduce energy consumption.
Data sampling cycle control device for biometric information monitoring.
KR1020210054297A 2021-04-27 2021-04-27 Method and Apparatus for Controlling of Human Behavioral Pattern-based Sampling Period in IoT-Digital Healthcare KR102544798B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210054297A KR102544798B1 (en) 2021-04-27 2021-04-27 Method and Apparatus for Controlling of Human Behavioral Pattern-based Sampling Period in IoT-Digital Healthcare

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210054297A KR102544798B1 (en) 2021-04-27 2021-04-27 Method and Apparatus for Controlling of Human Behavioral Pattern-based Sampling Period in IoT-Digital Healthcare

Publications (2)

Publication Number Publication Date
KR20220147316A KR20220147316A (en) 2022-11-03
KR102544798B1 true KR102544798B1 (en) 2023-06-20

Family

ID=84040697

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210054297A KR102544798B1 (en) 2021-04-27 2021-04-27 Method and Apparatus for Controlling of Human Behavioral Pattern-based Sampling Period in IoT-Digital Healthcare

Country Status (1)

Country Link
KR (1) KR102544798B1 (en)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002015000A (en) 2000-06-29 2002-01-18 Toshiba Corp Device for deciding similarity of multivariable time series data
KR101579585B1 (en) 2014-06-18 2015-12-22 경북대학교 산학협력단 User Action Monitoring Method, Apparatus, System And Recording Medium for Performing The Method

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9888857B2 (en) * 2014-07-16 2018-02-13 Qualcomm Incorporated Methods and systems for reducing energy consumption of a heart rate monitor
KR20160120482A (en) * 2015-04-08 2016-10-18 삼성에스디에스 주식회사 System and method for predicting user behavior using bio-signal
KR101717216B1 (en) * 2015-08-21 2017-03-17 (주)볼트마이크로 System for collectiong and management bio data based on low electric power
KR102588906B1 (en) * 2017-12-01 2023-10-13 삼성전자주식회사 Apparatus and method for assessment biological signal quality

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002015000A (en) 2000-06-29 2002-01-18 Toshiba Corp Device for deciding similarity of multivariable time series data
KR101579585B1 (en) 2014-06-18 2015-12-22 경북대학교 산학협력단 User Action Monitoring Method, Apparatus, System And Recording Medium for Performing The Method

Also Published As

Publication number Publication date
KR20220147316A (en) 2022-11-03

Similar Documents

Publication Publication Date Title
Gao et al. The self-programming thermostat: optimizing setback schedules based on home occupancy patterns
Gulbinas et al. Segmentation and classification of commercial building occupants by energy-use efficiency and predictability
Yao et al. Sensegan: Enabling deep learning for internet of things with a semi-supervised framework
Chen et al. Comparing occupancy models and data mining approaches for regular occupancy prediction in commercial buildings
Abdelmoniem et al. Refl: Resource-efficient federated learning
Yang et al. A new method based on PSR and EA-GMDH for host load prediction in cloud computing system
WO2014153552A1 (en) Building power management systems
Khosrowpour et al. Occupant workstation level energy-use prediction in commercial buildings: Developing and assessing a new method to enable targeted energy efficiency programs
Gurun et al. NWSLite: a light-weight prediction utility for mobile devices
Javed et al. Experimental testing of a random neural network smart controller using a single zone test chamber
Pedersen et al. Investigating the performance of scenario-based model predictive control of space heating in residential buildings
JP2018528511A (en) Optimizing output efficiency in production systems
Qin et al. A data-driven linear approximation of HVAC utilization for predictive control and optimization
CN116384773A (en) Public building cold load prediction method and device, equipment and storage medium
Wang et al. Reliability evaluation of a load-sharing parallel system with failure dependence
Stricker et al. Analysing and improving robustness of predictive energy harvesting systems
Wenhan et al. Improved grasshopper optimization algorithm to solve energy consuming reduction of chiller loading
KR102544798B1 (en) Method and Apparatus for Controlling of Human Behavioral Pattern-based Sampling Period in IoT-Digital Healthcare
JP2005295714A (en) Automatic power supply control system
Dorvash et al. An iterative modal identification algorithm for structural health monitoring using wireless sensor networks
Lee et al. Generalized reinforcement learning for building control using Behavioral Cloning
EP3695288A1 (en) Decoupled modeling methods and systems
Yang et al. An intelligent human behavior-based reasoning model for service prediction in smart home
Athanasoulias et al. A first approach using graph neural networks on non-intrusive-load-monitoring
Hasan et al. Regression analysis of zero-inflated time-series counts: application to air pollution related emergency room visit data

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant