KR102551856B1 - 딥러닝 기반의 예측 모델에 기반하여 보조 보행 장치를 이용하는 피보호자의 감정 상태를 예측하는 전자 장치 및 그 동작 방법 - Google Patents
딥러닝 기반의 예측 모델에 기반하여 보조 보행 장치를 이용하는 피보호자의 감정 상태를 예측하는 전자 장치 및 그 동작 방법 Download PDFInfo
- Publication number
- KR102551856B1 KR102551856B1 KR1020230049120A KR20230049120A KR102551856B1 KR 102551856 B1 KR102551856 B1 KR 102551856B1 KR 1020230049120 A KR1020230049120 A KR 1020230049120A KR 20230049120 A KR20230049120 A KR 20230049120A KR 102551856 B1 KR102551856 B1 KR 102551856B1
- Authority
- KR
- South Korea
- Prior art keywords
- ward
- data
- pattern
- emotional state
- electronic device
- Prior art date
Links
- 230000002996 emotional effect Effects 0.000 title claims abstract description 94
- 238000013135 deep learning Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims description 28
- 206010000117 Abnormal behaviour Diseases 0.000 claims abstract description 49
- 238000004891 communication Methods 0.000 claims abstract description 42
- 230000004044 response Effects 0.000 claims abstract description 22
- 206010037180 Psychiatric symptoms Diseases 0.000 claims abstract description 10
- 230000000694 effects Effects 0.000 claims description 21
- 239000003814 drug Substances 0.000 claims description 13
- 235000012054 meals Nutrition 0.000 claims description 12
- 229940079593 drug Drugs 0.000 claims description 11
- 230000036760 body temperature Effects 0.000 claims description 9
- 210000003205 muscle Anatomy 0.000 claims description 9
- 230000033001 locomotion Effects 0.000 claims description 8
- 230000001133 acceleration Effects 0.000 claims description 5
- 230000009471 action Effects 0.000 abstract description 9
- 238000012790 confirmation Methods 0.000 abstract description 2
- 230000001012 protector Effects 0.000 abstract 1
- 230000006870 function Effects 0.000 description 14
- 238000013527 convolutional neural network Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 6
- 230000014509 gene expression Effects 0.000 description 5
- 230000000737 periodic effect Effects 0.000 description 5
- 238000003287 bathing Methods 0.000 description 4
- 238000012549 training Methods 0.000 description 4
- 239000000284 extract Substances 0.000 description 3
- 230000000284 resting effect Effects 0.000 description 3
- 230000004622 sleep time Effects 0.000 description 3
- 238000005406 washing Methods 0.000 description 3
- 230000004913 activation Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000001680 brushing effect Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 235000008242 dietary patterns Nutrition 0.000 description 2
- 238000002567 electromyography Methods 0.000 description 2
- 230000008451 emotion Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000415 inactivating effect Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 210000002700 urine Anatomy 0.000 description 2
- 240000007594 Oryza sativa Species 0.000 description 1
- 235000007164 Oryza sativa Nutrition 0.000 description 1
- 206010041235 Snoring Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000003213 activating effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 230000013872 defecation Effects 0.000 description 1
- 230000000994 depressogenic effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000001646 magnetic resonance method Methods 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011017 operating method Methods 0.000 description 1
- 238000011176 pooling Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000036387 respiratory rate Effects 0.000 description 1
- 235000009566 rice Nutrition 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 239000004753 textile Substances 0.000 description 1
- 238000010257 thawing Methods 0.000 description 1
- 230000002618 waking effect Effects 0.000 description 1
- 229910052724 xenon Inorganic materials 0.000 description 1
- FHNFHKCVQCLJFQ-UHFFFAOYSA-N xenon atom Chemical compound [Xe] FHNFHKCVQCLJFQ-UHFFFAOYSA-N 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
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
- A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Measuring 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 or mobility of a limb
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Measuring 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 or mobility of a limb
- A61B5/1113—Local tracking of patients, e.g. in a hospital or private home
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Measuring 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 or mobility of a limb
- A61B5/1118—Determining activity level
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4803—Speech analysis specially adapted 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
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
-
- 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
- A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
-
- 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
- G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
- G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
-
- 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
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Pathology (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Epidemiology (AREA)
- Primary Health Care (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Psychology (AREA)
- Hospice & Palliative Care (AREA)
- Developmental Disabilities (AREA)
- Child & Adolescent Psychology (AREA)
- Physiology (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Data Mining & Analysis (AREA)
- Databases & Information Systems (AREA)
- Educational Technology (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Signal Processing (AREA)
- Audiology, Speech & Language Pathology (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
다양한 실시예들에 따라서, 딥러닝 기반의 예측 모델에 기반하여 보조 보행 장치를 이용하는 피보호자의 감정 상태를 예측하는 전자 장치는, 통신 인터페이스, 및 프로세서를 포함하고, 상기 프로세서는, 상기 통신 인터페이스를 통하여 상기 보조 보행 장치로부터 피보호자의 라이프로그 데이터를 획득하고, 상기 라이프로그 데이터를 분석하여, 상기 피보호자의 일상 패턴에 대한 이상 행동의 발생 여부를 확인하고, 상기 일상 패턴에 대한 상기 이상 행동이 발생한 경우, 감정 상태를 예측하기 위한 딥러닝 기반의 예측 모델에 상기 이상 행동의 확인에 사용된 특정 라이프로그 데이터를 입력함으로써, 상기 피보호자의 감정 상태를 예측하고, 및 상기 예측된 감정 상태에 대응하는 특정 동작을 수행하도록 설정되고, 상기 딥러닝 기반의 예측 모델은, 일상 패턴에 대한 이상 행동들이 발생할 때의 상기 피보호자의 라이프로그 데이터, 상기 피보호자로부터 획득한 상기 피보호자의 감정 상태에 관한 응답 데이터, 및 상기 피보호자에 대하여 기등록된 보호자로부터 획득한 상기 피보호자의 감정 상태에 관한 응답 데이터에 기반하여 학습되고, 상기 감정 상태는, 슬픔, 두려움, 외로움, 또는 화남 중에서 어느 하나로 예측될 수 있다. 그 밖의 다양한 실시예들도 가능하다.
Description
본 발명의 다양한 실시예는, 딥러닝 기반의 예측 모델에 기반하여 보조 보행 장치를 이용하는 피보호자의 감정 상태를 예측하는 전자 장치 및 그 동작 방법에 관한 것이다.
현대 사회에서는 노인 인구가 빠르게 증가하고 있으며, 이로 인해 노인들의 건강 관리와 감정 상태 관리에 대한 관심도 높아지고 있다. 보조 보행 장치를 사용하는 노인들의 경우, 이들의 감정 상태를 실시간으로 파악하고 관리할 수 있는 시스템이 필요하다.
기존의 감정 상태 예측 시스템은 주로 설문조사, 인터뷰, 또는 비디오 캡처를 통한 수동적인 방법을 사용해 왔다. 이러한 방법들은 실시간으로 데이터를 수집하고 분석하는 데 어려움이 있으며, 효율성과 정확도가 떨어지는 문제점이 있다.
본 발명은 딥러닝 기반의 예측 모델을 활용하여 보조 보행 장치를 이용하는 피보호자의 감정 상태를 실시간으로 예측하고 관리하는 전자 장치를 제공할 수 있다.
다양한 실시예들에 따라서, 딥러닝 기반의 예측 모델에 기반하여 보조 보행 장치를 이용하는 피보호자의 감정 상태를 예측하는 전자 장치는, 통신 인터페이스, 및 프로세서를 포함하고, 상기 프로세서는, 상기 통신 인터페이스를 통하여 상기 보조 보행 장치로부터 피보호자의 라이프로그 데이터를 획득하고, 상기 라이프로그 데이터를 분석하여, 상기 피보호자의 일상 패턴에 대한 이상 행동의 발생 여부를 확인하고, 상기 일상 패턴에 대한 상기 이상 행동이 발생한 경우, 감정 상태를 예측하기 위한 딥러닝 기반의 예측 모델에 상기 이상 행동의 확인에 사용된 특정 라이프로그 데이터를 입력함으로써, 상기 피보호자의 감정 상태를 예측하고, 및 상기 예측된 감정 상태에 대응하는 특정 동작을 수행하도록 설정되고, 상기 딥러닝 기반의 예측 모델은, 일상 패턴에 대한 이상 행동들이 발생할 때의 상기 피보호자의 라이프로그 데이터, 상기 피보호자로부터 획득한 상기 피보호자의 감정 상태에 관한 응답 데이터, 및 상기 피보호자에 대하여 기등록된 보호자로부터 획득한 상기 피보호자의 감정 상태에 관한 응답 데이터에 기반하여 학습되고, 상기 감정 상태는, 슬픔, 두려움, 외로움, 또는 화남 중에서 어느 하나로 예측될 수 있다.
다양한 실시예들에 따라서, 딥러닝 기반의 예측 모델에 기반하여 보조 보행 장치를 이용하는 피보호자의 감정 상태를 예측하는 전자 장치의 동작 방법은, 상기 전자 장치의 통신 인터페이스를 통하여 상기 보조 보행 장치로부터 피보호자의 라이프로그 데이터를 획득하는 동작, 상기 전자 장치의 프로세서에 의하여, 상기 라이프로그 데이터를 분석하여, 상기 피보호자의 일상 패턴에 대한 이상 행동의 발생 여부를 확인하는 동작, 상기 프로세서에 의하여, 상기 일상 패턴에 대한 상기 이상 행동이 발생한 경우, 감정 상태를 예측하기 위한 딥러닝 기반의 예측 모델에 상기 이상 행동의 확인에 사용된 특정 라이프로그 데이터를 입력함으로써, 상기 피보호자의 감정 상태를 예측하는 동작, 및 상기 프로세서에 의하여, 상기 예측된 감정 상태에 대응하는 특정 동작을 수행하는 동작을 포함하고, 상기 딥러닝 기반의 예측 모델은, 일상 패턴에 대한 이상 행동들이 발생할 때의 상기 피보호자의 라이프로그 데이터, 상기 피보호자로부터 획득한 상기 피보호자의 감정 상태에 관한 응답 데이터, 및 상기 피보호자에 대하여 기등록된 보호자로부터 획득한 상기 피보호자의 감정 상태에 관한 응답 데이터에 기반하여 학습되고, 상기 감정 상태는, 슬픔, 두려움, 외로움, 또는 화남 중에서 어느 하나로 예측될 수 있다.
본 발명은 피보호자의 라이프로그 데이터를 분석하여 피보호자의 감정 상태를 예측하고, 이를 기반으로 특정 동작을 수행하여 피보호자의 감정 상태를 개선하는 효과를 제공할 수 있다.
도 1은 본 발명의 다양한 실시예에 따른 전자 장치 및 네트워크의 블록도를 도시한다.
도 2는 다양한 실시예들에 따른, 보조 보행 장치의 예시도 및 블록도를 나타낸다.
도 3은 다양한 실시예들에 따른, 보조 보행 장치의 위치를 식별하여 피보호자의 위치를 결정하는 실시예를 나타내는 도면이다.
도 4는 다양한 실시예들에 따른, 전자 장치가 피보호자의 라이프로그 데이터를 이용하여 피보호자의 일상 패턴 및 이상 행동을 판단하는 실시예를 나타내는 도면이다.
도 5는 다양한 실시예들에 따른, 전자 장치가 딥러닝 기반의 예측 모델을 이용하여 피보호자의 감정 상태를 예측하는 방법을 설명하기 위한 흐름도이다.
도 6은 다양한 실시예들에 따른, 피보호자의 감정 상태를 예측하는 딥러닝 기반의 예측 모델을 나타내는 도면이다.
도 2는 다양한 실시예들에 따른, 보조 보행 장치의 예시도 및 블록도를 나타낸다.
도 3은 다양한 실시예들에 따른, 보조 보행 장치의 위치를 식별하여 피보호자의 위치를 결정하는 실시예를 나타내는 도면이다.
도 4는 다양한 실시예들에 따른, 전자 장치가 피보호자의 라이프로그 데이터를 이용하여 피보호자의 일상 패턴 및 이상 행동을 판단하는 실시예를 나타내는 도면이다.
도 5는 다양한 실시예들에 따른, 전자 장치가 딥러닝 기반의 예측 모델을 이용하여 피보호자의 감정 상태를 예측하는 방법을 설명하기 위한 흐름도이다.
도 6은 다양한 실시예들에 따른, 피보호자의 감정 상태를 예측하는 딥러닝 기반의 예측 모델을 나타내는 도면이다.
이하, 본 문서의 다양한 실시예들이 첨부된 도면을 참조하여 기재된다. 실시예 및 이에 사용된 용어들은 본 문서에 기재된 기술을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 해당 실시예의 다양한 변경, 균등물, 및/또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다. 본 문서에서, "A 또는 B" 또는 "A 및/또는 B 중 적어도 하나" 등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. "제 1," "제 2," "첫째," 또는 "둘째,"등의 표현들은 해당 구성요소들을, 순서 또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다. 어떤(예: 제 1) 구성요소가 다른(예: 제 2) 구성요소에 "(기능적으로 또는 통신적으로) 연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제 3 구성요소)를 통하여 연결될 수 있다.
본 문서에서, "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, 하드웨어적 또는 소프트웨어적으로 "~에 적합한," "~하는 능력을 가지는," "~하도록 변경된," "~하도록 만들어진," "~를 할 수 있는," 또는 "~하도록 설계된"과 상호 호환적으로(interchangeably) 사용될 수 있다. 어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다. 예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된) 프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(예: CPU 또는 application processor)를 의미할 수 있다.
본 문서의 다양한 실시예들에 따른 전자 장치는, 예를 들면, 스마트폰, 태블릿 PC, 이동 전화기, 영상 전화기, 전자책 리더기, 데스크탑 PC, 랩탑 PC, 넷북 컴퓨터, 워크스테이션, 서버, 스마트 미러, PDA, PMP(portable multimedia player), MP3 플레이어, 의료기기, 카메라, 또는 웨어러블 장치 중 적어도 하나를 포함할 수 있다. 웨어러블 장치는 액세서리형(예: 시계, 반지, 팔찌, 발찌, 목걸이, 안경, 콘택트 렌즈, 또는 머리 착용형 장치(head-mounted-device(HMD)), 직물 또는 의류 일체형(예: 전자 의복), 신체 부착형(예: 스킨 패드 또는 문신), 또는 생체 이식형 회로 중 적어도 하나를 포함할 수 있다. 어떤 실시예들에서, 전자 장치는, 예를 들면, 텔레비전, DVD(digital video disk) 플레이어, 오디오, 냉장고, 에어컨, 청소기, 오븐, 전자레인지, 세탁기, 공기 청정기, 셋톱 박스, 홈 오토매이션 컨트롤 패널, 보안 컨트롤 패널, 미디어 박스(예: 삼성 HomeSyncTM, 애플TVTM, 또는 구글 TVTM), 게임 콘솔(예: XboxTM, PlayStationTM), 전자 사전, 전자 키, 캠코더, 또는 전자 액자 중 적어도 하나를 포함할 수 있다.
도 1을 참조하여, 다양한 실시예에서의, 네트워크 환경(100) 내의 전자 장치(101)가 기재된다. 전자 장치(101)는 버스(110), 프로세서(120), 메모리(130), 입출력 인터페이스(150), 디스플레이(160), 및 통신 인터페이스(170)를 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)는, 구성요소들 중 적어도 하나를 생략하거나 다른 구성요소를 추가적으로 구비할 수 있다. 버스(110)는 구성요소들(110-170)을 서로 연결하고, 구성요소들 간의 통신(예: 제어 메시지 또는 데이터)을 전달하는 회로를 포함할 수 있다. 프로세서(120)는, 중앙처리장치, 어플리케이션 프로세서, 또는 커뮤니케이션 프로세서(communication processor(CP)) 중 하나 또는 그 이상을 포함할 수 있다. 프로세서(120)는, 예를 들면, 전자 장치(101)의 적어도 하나의 다른 구성요소들의 제어 및/또는 통신에 관한 연산이나 데이터 처리를 실행할 수 있다.
메모리(130)는, 휘발성 및/또는 비휘발성 메모리를 포함할 수 있다. 메모리(130)는, 예를 들면, 전자 장치(101)의 적어도 하나의 다른 구성요소에 관계된 명령 또는 데이터를 저장할 수 있다. 한 실시예에 따르면, 메모리(130)는 소프트웨어 및/또는 프로그램(140)을 저장할 수 있다. 프로그램(140)은, 예를 들면, 커널(141), 미들웨어(143), 어플리케이션 프로그래밍 인터페이스(API)(145), 및/또는 어플리케이션 프로그램(또는 "어플리케이션")(147) 등을 포함할 수 있다. 커널(141), 미들웨어(143), 또는 API(145)의 적어도 일부는, 운영 시스템으로 지칭될 수 있다. 커널(141)은, 예를 들면, 다른 프로그램들(예: 미들웨어(143), API(145), 또는 어플리케이션 프로그램(147))에 구현된 동작 또는 기능을 실행하는 데 사용되는 시스템 리소스들(예: 버스(110), 프로세서(120), 또는 메모리(130) 등)을 제어 또는 관리할 수 있다. 또한, 커널(141)은 미들웨어(143), API(145), 또는 어플리케이션 프로그램(147)에서 전자 장치(101)의 개별 구성요소에 접근함으로써, 시스템 리소스들을 제어 또는 관리할 수 있는 인터페이스를 제공할 수 있다.
미들웨어(143)는, 예를 들면, API(145) 또는 어플리케이션 프로그램(147)이 커널(141)과 통신하여 데이터를 주고받을 수 있도록 중개 역할을 수행할 수 있다. 또한, 미들웨어(143)는 어플리케이션 프로그램(147)으로부터 수신된 하나 이상의 작업 요청들을 우선 순위에 따라 처리할 수 있다. 예를 들면, 미들웨어(143)는 어플리케이션 프로그램(147) 중 적어도 하나에 전자 장치(101)의 시스템 리소스(예: 버스(110), 프로세서(120), 또는 메모리(130) 등)를 사용할 수 있는 우선 순위를 부여하고, 상기 하나 이상의 작업 요청들을 처리할 수 있다. API(145)는 어플리케이션(147)이 커널(141) 또는 미들웨어(143)에서 제공되는 기능을 제어하기 위한 인터페이스로, 예를 들면, 파일 제어, 창 제어, 영상 처리, 또는 문자 제어 등을 위한 적어도 하나의 인터페이스 또는 함수(예: 명령어)를 포함할 수 있다. 입출력 인터페이스(150)는, 예를 들면, 사용자 또는 다른 외부 기기로부터 입력된 명령 또는 데이터를 전자 장치(101)의 다른 구성요소(들)에 전달하거나, 또는 전자 장치(101)의 다른 구성요소(들)로부터 수신된 명령 또는 데이터를 사용자 또는 다른 외부 기기로 출력할 수 있다.
디스플레이(160)는, 예를 들면, 액정 디스플레이(LCD), 발광 다이오드(LED) 디스플레이, 유기 발광 다이오드(OLED) 디스플레이, 또는 마이크로 전자기계 시스템 (MEMS) 디스플레이, 또는 전자종이(electronic paper) 디스플레이를 포함할 수 있다. 디스플레이(160)는, 예를 들면, 사용자에게 각종 콘텐츠(예: 텍스트, 이미지, 비디오, 아이콘, 및/또는 심볼 등)을 표시할 수 있다. 디스플레이(160)는, 터치 스크린을 포함할 수 있으며, 예를 들면, 전자 펜 또는 사용자의 신체의 일부를 이용한 터치, 제스쳐, 근접, 또는 호버링 입력을 수신할 수 있다. 통신 인터페이스(170)는, 예를 들면, 전자 장치(101)와 외부 장치(예: 제 1 외부 전자 장치(102), 제 2 외부 전자 장치(104), 또는 서버(106)) 간의 통신을 설정할 수 있다. 예를 들면, 통신 인터페이스(170)는 무선 통신 또는 유선 통신을 통해서 네트워크(162)에 연결되어 외부 장치(예: 제 2 외부 전자 장치(104) 또는 서버(106))와 통신할 수 있다.
무선 통신은, 예를 들면, LTE, LTE-A(LTE Advance), CDMA(code division multiple access), WCDMA(wideband CDMA), UMTS(universal mobile telecommunications system), WiBro(Wireless Broadband), 또는 GSM(Global System for Mobile Communications) 등 중 적어도 하나를 사용하는 셀룰러 통신을 포함할 수 있다. 한 실시예에 따르면, 무선 통신은, 예를 들면, WiFi(wireless fidelity), 블루투스, 블루투스 저전력(BLE), 지그비(Zigbee), NFC(near field communication), 자력 시큐어 트랜스미션(Magnetic Secure Transmission), 라디오 프리퀀시(RF), 또는 보디 에어리어 네트워크(BAN) 중 적어도 하나를 포함할 수 있다. 한실시예에 따르면, 무선 통신은 GNSS를 포함할 수 있다. GNSS는, 예를 들면, GPS(Global Positioning System), Glonass(Global Navigation Satellite System), Beidou Navigation Satellite System(이하 "Beidou") 또는 Galileo, the European global satellite-based navigation system일 수 있다. 이하, 본 문서에서는, "GPS"는 "GNSS"와 상호 호환적으로 사용될 수 있다. 유선 통신은, 예를 들면, USB(universal serial bus), HDMI(high definition multimedia interface), RS-232(recommended standard232), 전력선 통신, 또는 POTS(plain old telephone service) 등 중 적어도 하나를 포함할 수 있다. 네트워크(162)는 텔레커뮤니케이션 네트워크, 예를 들면, 컴퓨터 네트워크(예: LAN 또는 WAN), 인터넷, 또는 텔레폰 네트워크 중 적어도 하나를 포함할 수 있다.
제 1 및 제 2 외부 전자 장치(102, 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 다양한 실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 다른 하나 또는 복수의 전자 장치(예: 전자 장치(102,104), 또는 서버(106)에서 실행될 수 있다. 한 실시예에 따르면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로 또는 요청에 의하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 그와 연관된 적어도 일부 기능을 다른 장치(예: 전자 장치(102, 104), 또는 서버(106))에게 요청할 수 있다. 다른 전자 장치(예: 전자 장치(102, 104), 또는 서버(106))는 요청된 기능 또는 추가 기능을 실행하고, 그 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 수신된 결과를 그대로 또는 추가적으로 처리하여 요청된 기능이나 서비스를 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다.
도 2는 다양한 실시예들에 따른, 보조 보행 장치의 예시도 및 블록도를 나타낸다. 보조 보행 장치(201)는 보호가 필요한 피보호자로서 환자나 거동이 불편한 고령자(노약자), 장애인이 보행 시 안전을 위하여 사용하는 보조 기구를 의미할 수 있다. 보조 보행 장치(201)는, 예를 들면, 도 1에 도시된 전자 장치(101)의 전체 또는 일부를 포함할 수 있다.
다양한 실시예들에 따르면, 보조 보행 장치(201)는 프로세서(210), 통신 모듈(220), 메모리(230), 카메라 모듈(240), 센서 모듈(250), 스피커(260), 마이크(270), 및 배터리(280)를 포함할 수 있다.
프로세서(210)는, 예를 들면, 운영 체제 또는 응용 프로그램을 구동하여 프로세서(210)에 연결된 다수의 하드웨어 또는 소프트웨어 구성요소들을 제어할 수 있고, 각종 데이터 처리 및 연산을 수행할 수 있다. 프로세서(210)는, 예를 들면, SoC(system on chip) 로 구현될 수 있다. 한 실시예에 따르면, 프로세서(210)는 GPU(graphic processing unit) 및/또는 이미지 신호 프로세서를 더 포함할 수 있다. 프로세서(210) 는 다른 구성요소들(예: 비휘발성 메모리) 중 적어도 하나로부터 수신된 명령 또는 데이터를 휘발성 메모리에 로드)하여 처리하고, 결과 데이터를 비휘발성 메모리에 저장할 수 있다.
통신 모듈(220)은 통신 인터페이스(170)와 동일 또는 유사한 구성을 가질 수 있다. 통신 모듈(220)은, 예를 들면, WiFi 모듈, 블루투스 모듈, GNSS 모듈, NFC 모듈 및 RF 모듈를 포함할 수 있다. 한 실시예에 따르면, 통신 모듈(220)은 커뮤니케이션 프로세서(CP)를 포함할 수 있다. 어떤 실시예에 따르면, WiFi 모듈, 블루투스 모듈, GNSS 모듈 또는 NFC 모듈 중 적어도 일부(예: 두 개 이상)는 하나의 integrated chip(IC) 또는 IC 패키지 내에 포함될 수 있다. RF 모듈은, 예를 들면, 통신 신호(예: RF 신호)를 송수신할 수 있다. RF 모듈은, 예를 들면, 트랜시버, PAM(power amp module), 주파수 필터, LNA(low noise amplifier), 또는 안테나 등을 포함할 수 있다. 다른 실시예에 따르면, WiFi 모듈, 블루투스 모듈, GNSS 모듈 또는 NFC 모듈 중 적어도 하나는 별개의 RF 모듈을 통하여 RF 신호를 송수신할 수 있다.
메모리(230)는, 예를 들면, 내장 메모리 또는 외장 메모리를 포함할 수 있다. 내장 메모리는, 예를 들면, 휘발성 메모리(예: DRAM, SRAM, 또는 SDRAM 등), 비휘발성 메모리(예: OTPROM(one time programmable ROM), PROM, EPROM, EEPROM, mask ROM, flash ROM, 플래시 메모리, 하드 드라이브, 또는 솔리드 스테이트 드라이브 (SSD) 중 적어도 하나를 포함할 수 있다. 외장 메모리는 플래시 드라이브(flash drive), 예를 들면, CF(compact flash), SD(secure digital), Micro-SD, Mini-SD, xD(extreme digital), MMC(multi-media card) 또는 메모리 스틱 등을 포함할 수 있다. 외장 메모리는 다양한 인터페이스를 통하여 전자 장치(201)와 기능적으로 또는 물리적으로 연결될 수 있다.
카메라 모듈(240)은, 예를 들면, 정지 영상 및 동영상을 촬영할 수 있는 장치로서, 한 실시예에 따르면, 하나 이상의 이미지 센서(예: 전면 센서 또는 후면 센서), 렌즈, 이미지 시그널 프로세서(ISP), 또는 플래시(예: LED 또는 xenon lamp 등)를 포함할 수 있다.
센서 모듈(250)은, 예를 들면, 물리량을 계측하거나 전자 장치(201)의 작동 상태를 감지하여, 계측 또는 감지된 정보를 전기 신호로 변환할 수 있다. 센서 모듈(240)은, 예를 들면, 제스처 센서, 자이로 센서, 압력 센서, 가속도 센서, 그립 센서, 근접 센서, 생체 센서, 온/습도 센서, 조도 센서, 또는 UV(ultra violet) 센서 중의 적어도 하나를 포함할 수 있다. 추가적으로 또는 대체적으로, 센서 모듈(240)은, 예를 들면, 후각(e-nose) 센서, 일렉트로마이오그라피(EMG) 센서, 일렉트로엔씨팔로그램(EEG) 센서, 일렉트로카디오그램(ECG) 센서, IR(infrared) 센서, 홍채 센서 및/또는 지문 센서를 포함할 수 있다. 센서 모듈(240)은 그 안에 속한 적어도 하나 이상의 센서들을 제어하기 위한 제어 회로를 더 포함할 수 있다. 어떤 실시예에서는, 전자 장치(201)는 프로세서(210)의 일부로서 또는 별도로, 센서 모듈(240)을 제어하도록 구성된 프로세서를 더 포함하여, 프로세서(210)가 슬립(sleep) 상태에 있는 동안, 센서 모듈(240)을 제어할 수 있다.
배터리(280)는, 예를 들면, 충전식 전지 및/또는 태양 전지를 포함할 수 있고, 보조 보행 장치(201)의 구성 요소들에 전원을 공급하는데 이용될 수 있다.
다양한 실시예들에 따르면, 보조 보행 장치(201)는 비상 버튼(미도시), 오디오 모듈(미도시), 전력 관리 모듈(미도시)을 더 포함할 수 있다.
비상 버튼은, 예를 들면, 하드웨어 버튼, 광학식 키, 또는 키패드를 포함할 수 있다. 비상 버튼은, 상기 비상 버튼이 눌려질 경우, 특정 기관(예: 소방서) 또는 특정인(예: 가족 또는 전담 보호자)를 호출하도록 설정되거나 상기 비상 버튼에 대응하는 기설정된 기능을 수행하도록 설정될 수 있다.
오디오 모듈은, 예를 들면, 소리와 전기 신호를 쌍방향으로 변환시킬 수 있다. 오디오 모듈의 적어도 일부 구성요소는, 예를 들면, 도 1 에 도시된 입출력 인터페이스(145)에 포함될 수 있다. 오디오 모듈(280)은, 예를 들면, 스피커(260) 또는 마이크(270) 등을 통해 입력 또는 출력되는 소리 정보를 처리할 수 있다.
전력 관리 모듈은, 예를 들면, 전자 장치(201)의 전력을 관리할 수 있다. 한 실시예에 따르면, 전력 관리 모듈은 PMIC(power management integrated circuit), 충전 IC, 또는 배터리 또는 연료 게이지를 포함할 수 있다. PMIC는, 유선 및/또는 무선 충전 방식을 가질 수 있다. 무선 충전 방식은, 예를 들면, 자기공명 방식, 자기유도 방식 또는 전자기파 방식 등을 포함하며, 무선 충전을 위한 부가적인 회로, 예를 들면, 코일 루프, 공진 회로, 또는 정류기 등을 더 포함할 수 있다. 배터리 게이지는, 예를 들면, 배터리(280)의 잔량, 충전 중 전압, 전류, 또는 온도를 측정할 수 있다.
다양한 실시예들에 따르면, 보조 보행 장치(201)는 상술한 구성요소들 중 적어도 하나를 이용하여 피보호자의 라이프로그 데이터를 획득(수집)할 수 있다.
일 실시예에 따르면, 보조 보행 장치(201)는 센서 모듈(240)에 포함된 적어도 하나의 센서(예: 생체 센서, 온도 센서 등)를 이용하여, 피보호자의 라이프로그 데이터로서 피보호자의 생체 데이터(예: 맥박, 심박, 체온, 호흡수, 근력(압력), PPG(Photoplethysmogram) 신호, EEG 신호, ECG 신호, EMG 신호, 혈압 등)를 획득할 수 있다. 일 실시예에 따르면, 생체 데이터를 획득하기 위한 센서는 보조 보행 장치(201)의 손잡이에 배치될 수 있다.
일 실시예에 따르면, 보조 보행 장치(201)는 센서 모듈(240)에 포함된 적어도 하나의 센서(예: 가속도 센서, 자이로 센서 등)를 이용하여, 피보호자의 라이프로그 데이터로서 피보호자의 활동 데이터(예: 걸음 데이터 및/또는 운동량 데이터)를 획득할 수 있다. 일 실시예에 따르면, 보조 보행 장치(201)는 보조 보행 장치(201)의 위치 변화에 기초하여, 피보호자의 라이프로그 데이터로서 피보호자의 활동 데이터를 획득할 수 있다. 상술한 예들은, 보조 보행 장치(201)의 위치와 피보호자의 위치를 동일시함을 전제로 한다.
일 실시예에 따르면, 보조 보행 장치(201)는 통신 모듈(220)을 이용하여, 피보호자의 라이프로그 데이터로서 피보호자의 위치 데이터를 획득할 수 있다. 통신 모듈(220)을 이용하여 피보호자의 위치를 결정하는 구체적인 예는 도 3을 참조하여 후술하도록 한다.
일 실시예에 따르면, 보조 보행 장치(201)는 카메라 모듈(240)을 통하여 피보호자에 관한 영상 데이터 및/또는 보조 보행 장치(201)의 주변 영상을 획득할 수 있다.
일 실시예에 따르면, 보조 보행 장치(201)는 마이크(270)를 통하여 피보호자의 음성 데이터(예: 사용자 발화) 및/또는 보조 보행 장치(201)의 주변음 데이터를 획득할 수 있다.
일 실시예에 따르면, 보조 보행 장치(201)는 통신 모듈(220)를 통하여 피보호자의 라이프로그 데이터를 전자 장치(101)로 송신할 수 있다.
도 3은 다양한 실시예들에 따른, 보조 보행 장치(예: 도 2의 보조 보행 장치(201))의 위치를 식별하여 피보호자의 위치를 결정하는 실시예를 나타내는 도면이다.
일 실시예에 따라, 도 3을 참조하면, 보조 보행 장치(201)는 통신 모듈(220)을 통하여 제1 비콘(311), 제2 비콘(312), 및 제3 비콘(313)과 신호를 송수신할 수 있으며, 비콘들(311, 312, 313)로부터 수신된 신호에 기초하여 보조 보행 장치(201)의 위치를 식별할 수 있다. 비콘들(311, 312, 313)은 보조 보행 장치(201)와의 거리를 측정하기 위한 신호를 송신하는 기준점을 나타낼 수 있고 블루투스 통신 방식을 이용할 수 있다. 보조 보행 장치(201)는 비콘들(311, 312, 313)과의 통신에 따라 미리 저장된 지도 정보를 이용하여 집안에서 현재 자신이 위치한 지점을 확인할 수 있다.
일 실시예에 따라, 도 3을 참조하면, 보조 보행 장치(201)는 통신 모듈(220)을 통하여 Wi-Fi AP(access point)(320)와 신호를 송수신할 수 있으며, AP(320)로부터 수신된 신호에 기초하여 보조 보행 장치(201)의 위치를 식별할 수 있다. 보조 보행 장치(201)는 AP(320)와의 통신에 따라 미리 저장된 지도 정보를 이용하여 집안에서 현재 자신이 위치한 지점을 확인할 수 있다.
상술한 보조 보행 장치(201)의 위치를 측정하기 위한 예들은, 일부의 실시예들을 나타낼 뿐, 이에 한정되지 않고, 이 기술 분야의 통상의 기술자에 의하여 용이하게 실시 가능한 다양한 예들을 포함할 수 있다.
일 실시예에 따르면, 보조 보행 장치(201)는 자신의 위치 데이터를 피보호자의 위치 데이터(라이프로그 데이터)로 결정할 수 있고, 피보호자의 위치 데이터를 전자 장치(101)로 송신할 수 있다.
도 4는 다양한 실시예들에 따른, 전자 장치(예: 도 1의 전자 장치(101))가 피보호자의 라이프로그 데이터를 이용하여 피보호자의 일상 패턴 및 이상 행동을 판단하는 실시예를 나타내는 도면이다.
다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 보조 보행 장치(201)로부터 획득한 라이프로그 데이터를 분석하여 피보호자의 일상 패턴(예: 수면 패턴, 기상 패턴, 운동 패턴(활동 패턴), 식사 패턴, 복약 패턴, 위생(목욕/대소변 등)패턴, 및/또는 휴식 패턴 등)을 확인할 수 있다.
일 실시예에 따르면, 전자 장치(101)는 피보호자의 위치 데이터, 활동 데이터, 및 음성 데이터에 기초하여 피보호자의 수면 상태를 결정할 수 있다. 예를 들어, 도 4의 <401>을 참조하면, 전자 장치(101)는 피보호자의 라이프로그 데이터를 분석한 결과, 기설정된 시간 이상 (1)피보호자가 침실에 위치하고 있고, (2)피보호자의 활동이 중단되어 있으며, (3)피보호자의 주변음이 검출되지 않거나 수면 상태에 대응하는 기설정된 주변음(예: 코골이)이 검출되는 경우, 피보호자의 상태를 수면 상태로 결정할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 수면 상태의 발생 시간 및 수면 상태의 발생 주기에 기초하여 피보호자의 수면 패턴을 확인할 수 있고, 수면 패턴에 따라 특정된 시간을 예측 수면 시간으로 결정할 수 있다. 예를 들어, 전자 장치(101)는 피보호자의 수면 상태의 발생 시간(예: 22시~06시)이 특정 주기 간격(예: 24시간)으로 특정 횟수(예: 4회)만큼 반복되는 경우, 수면 패턴으로서 수면 상태의 발생 시간(예: 22시~06시)을 특정할 수 있고, 상기 특정된 시간을 예측 수면 시간으로 결정할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 예측 수면 시간 중에 기설정된 시간을 초과하여 수면 상태가 확인되지 않은 경우, 수면 패턴에 대한 이상 행동이 발생한 것으로 결정할 수 있다.
일 실시예에 따르면, 전자 장치(101)는 피보호자의 위치 데이터, 활동 데이터, 및 음성 데이터에 기초하여 피보호자의 식사 상태를 결정할 수 있다. 예를 들어, 도 4의 <402>를 참조하면, 전자 장치(101)는 피보호자의 라이프로그 데이터를 분석한 결과, 기설정된 시간 이상 (1)피보호자가 주방에 위치하고 있고, (2)피보호자의 활동이 중단되어 있으며, (3)식사 상태에 대응하는 기설정된 주변음(예: 밥 먹는 소리)이 검출되는 경우, 피보호자의 상태를 식사 상태로 결정할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 위의 데이터 이외에 추가적으로 영상 데이터에 더 기초하여 피보호자의 식사 상태를 결정할 수 있고, 구체적으로, 식사 상태에 대응하는 기설정된 모습(예: 밥 먹는 모습)이 검출된 경우, 피보호자의 상태를 식사 상태로 결정할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 식사 상태의 발생 시간 및 식사 상태의 발생 주기에 기초하여 피보호자의 식사 패턴을 확인할 수 있고, 식사 패턴에 따라 특정된 시간을 예측 식사 시간으로 결정할 수 있다. 예를 들어, 전자 장치(101)는 피보호자의 식사 상태의 발생 시간이 특정 주기 간격으로 특정 횟수만큼 반복되는 경우, 식사 패턴으로서 식사 상태의 발생 시간을 특정할 수 있고, 상기 특정된 시간을 예측 식사 시간으로 결정할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 예측 식사 시간 중에 기설정된 시간을 초과하여 식사 상태가 확인되지 않은 경우, 식사 패턴에 대한 이상 행동이 발생한 것으로 결정할 수 있다.
일 실시예에 따르면, 전자 장치(101)는 피보호자의 위치 데이터, 활동 데이터, 및 음성 데이터에 기초하여 피보호자의 위생 상태를 결정할 수 있다. 일 실시예에 따르면, 위생 상태는, 목욕 상태, 세수 상태, 양치 상태, 대/소변 상태를 포함할 수 있다. 예를 들어, 도 4의 <403>를 참조하면, 전자 장치(101)는 피보호자의 라이프로그 데이터를 분석한 결과, 기설정된 시간 이상 (1)피보호자가 화장실에 위치하고 있고, (2)피보호자의 활동이 중단되어 있으며, (3)위생 상태에 대응하는 기설정된 주변음(예: 목욕, 세수, 양치, 대/소변 소리)가 검출되는 경우, 피보호자의 상태를 위생 상태로 결정할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 위생 상태의 발생 시간 및 위생 상태의 발생 주기에 기초하여 피보호자의 위생 패턴을 확인할 수 있고, 위생 패턴에 따라 특정된 시간을 예측 위생 시간으로 결정할 수 있다. 예를 들어, 전자 장치(101)는 피보호자의 위생 상태(예: 목욕 상태)의 발생 시간이 특정 주기 간격으로 특정 횟수만큼 반복되는 경우, 위생 패턴(예: 목욕 패턴)으로서 위생 상태의 발생 시간을 특정할 수 있고, 상기 특정된 시간을 예측 위생 시간으로 결정할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 예측 위생 시간 중에 위생 상태가 확인되지 않은 경우, 위생 패턴에 대한 이상 행동이 발생한 것으로 결정할 수 있다.
일 실시예에 따르면, 전자 장치(101)는 피보호자의 위치 데이터 및 활동 데이터에 기초하여 피보호자의 휴식 상태를 결정할 수 있다. 예를 들어, 도 4의 <404>를 참조하면, 전자 장치(101)는 피보호자의 라이프로그 데이터를 분석한 결과, 기설정된 시간 이상 (1)피보호자가 거실에 위치하고 있고 (2)피보호자의 활동이 중단된 경우, 피보호자의 상태를 휴식 상태로 결정할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 위의 데이터 이외에 추가적으로 영상 데이터에 더 기초하여 피보호자의 휴식 상태를 결정할 수 있고, 구체적으로, 휴식 상태에 대응하는 기설정된 모습(예: TV 보는 모습)이 검출된 경우, 피보호자의 상태를 휴식 상태로 결정할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 휴식 상태의 발생 시간 및 휴식 상태의 발생 주기에 기초하여 피보호자의 휴식 패턴을 확인할 수 있고, 휴식 패턴에 따라 특정된 시간을 예측 휴식 시간으로 결정할 수 있다. 예를 들어, 전자 장치(101)는 피보호자의 휴식 상태의 발생 시간이 특정 주기 간격으로 특정 횟수만큼 반복되는 경우, 휴식 패턴으로서 휴식 상태의 발생 시간을 특정할 수 있고, 상기 특정된 시간을 예측 휴식 시간으로 결정할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 예측 휴식 시간 중에 휴식 상태가 확인되지 않은 경우, 휴식 패턴에 대한 이상 행동이 발생한 것으로 결정할 수 있다.
일 실시예에 따르면, 전자 장치(101)는 피보호자의 생체 데이터, 위치 데이터, 및 활동 데이터에 기초하여 피보호자의 운동 상태(또는 활동 상태)를 결정할 수 있다. 예를 들어, 전자 장치(101)는 피보호자의 라이프로그 데이터를 분석한 결과, 기설정된 시간 동안 (1)피보호자의 생체 신호(예: 맥박)의 주파수 및/또는 크기가 임계값을 초과하고, (2)피보호자의 이동 구간이 반복되며, (3)피보호자의 활동이 검출되는 경우, 피보호자의 상태를 운동 상태로 결정할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 운동 상태의 발생 시간 및 운동 상태의 발생 주기에 기초하여 피보호자의 운동 패턴을 확인할 수 있고, 운동 패턴에 따라 특정된 시간을 예측 운동 시간으로 결정할 수 있다. 예를 들어, 전자 장치(101)는 피보호자의 운동 상태의 발생 시간이 특정 주기 간격으로 특정 횟수만큼 반복되는 경우, 운동 패턴으로서 운동 상태의 발생 시간을 특정할 수 있고, 상기 특정된 시간을 예측 운동 시간으로 결정할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 예측 운동 시간 중에 기설정된 시간을 초과하여 운동 상태가 확인되지 않은 경우, 운동 패턴에 대한 이상 행동이 발생한 것으로 결정할 수 있다.
일 실시예에 따르면, 전자 장치(101)는 피보호자의 음성 데이터 및 영상 데이터에 기초하여 피보호자의 복약 상태를 결정할 수 있다. 예를 들어, 전자 장치(101)는 피보호자의 라이프로그 데이터를 분석한 결과, (1)복약 상태에 대응하는 기설정된 피보호자의 발화(예: "약 먹을게")가 검출되고, (2)기설정된 피보호자의 모습(예: 약 먹는 모습)이 검출되는 경우, 피보호자의 상태를 복약 상태로 결정할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 복약 상태의 발생 시간 및 복약 상태의 발생 주기에 기초하여 피보호자의 복약 패턴을 확인할 수 있고, 복약 패턴에 따라 특정된 시간을 예측 복약 시간으로 결정할 수 있다. 예를 들어, 전자 장치(101)는 피보호자의 복약 상태의 발생 시간이 특정 주기 간격으로 특정 횟수만큼 반복되는 경우, 복약 패턴으로서 복약 상태의 발생 시간을 특정할 수 있고, 상기 특정된 시간을 예측 복약 시간으로 결정할 수 있다. 일 실시예에 따르면, 전자 장치(101)는 예측 복약 시간 중에 복약 상태가 확인되지 않은 경우, 복약 패턴에 대한 이상 행동이 발생한 것으로 결정할 수 있다.
다양한 실시예들에 따르면, 전자 장치(101)가 라이프로그 데이터에 기초하여 피보호자의 일상 패턴 및 이상 행동을 확인하는 동작 대신에 보조 보행 장치(201)가 피보호자의 일상 패턴 및 이상 행동의 발생 여부를 확인할 수 있고, 확인된 결과를 전자 장치(101)로 송신할 수 있다.
다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 피보호자의 상태가 수면 패턴에 따른 수면 상태인 경우, 보조 보행 장치(201)의 센서 모듈(240) 중에서 체온 센서, 맥박 센서, 근력 센서, 가속도 센서, 및 자이로 센서를 비활성화시키고, 보조 보행 장치(201)의 통신 모듈(220)에 포함된 블루투스 모듈 및 Wi-Fi 모듈을 비활성화 시키며, 보조 보행 장치(201)의 마이크(270)를 활성화시키도록 하는 신호를 보조 보행 장치(201)로 송신할 수 있다.
다양한 실시예들에 따르면, 전자 장치(201)(예: 도 1의 프로세서(120))는 피보호자의 상태가 운동 패턴에 따른 운동 상태인 경우, 보조 보행 장치(201)의 카메라 모듈(240) 및 마이크(270)를 비활성화시키도록 하는 신호를 보조 보행 장치(201)로 송신할 수 있다.
도 5는 다양한 실시예들에 따른, 전자 장치(예: 도 1의 전자 장치(101))가 딥러닝 기반의 예측 모델을 이용하여 피보호자의 감정 상태를 예측하는 방법을 설명하기 위한 흐름도이다.
도 6은 다양한 실시예들에 따른, 피보호자의 감정 상태를 예측하는 딥러닝 기반의 예측 모델을 나타내는 도면이다.
501 동작에서, 다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 통신 인터페이스(예: 도 1의 통신 인터페이스(170))를 통하여, 보조 보행 장치(예: 도 2의 보조 보행 장치(201))로부터 피보호자의 라이프로그 데이터를 획득할 수 있다. 보조 보행 장치(201)가 피보호자의 라이프로그 데이터를 수집하고, 전자 장치(101)가 상기 라이프로그 데이터를 획득하는 동작은, 도 2 및 도 3과 관련된 설명을 참고하도록 한다.
503 동작에서, 다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 라이프로그 데이터를 분석하여, 피보호자의 일상 패턴에 대한 이상 행동의 발생 여부를 확인할 수 있다. 피보호자의 일상 패턴을 확인하는 동작 및 일상 패턴에 대한 이상 행동의 발생 여부를 확인하는 동작은 도 4와 관련된 설명을 참고하도록 한다.
505 동작에서, 다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 이상 행동이 발생한 경우, 감정 상태를 예측하기 위한 딥러닝 기반의 예측 모델에 이상 행동의 확인에 사용된 특정 라이프로그 데이터를 입력함으로써, 피보호자의 감정 상태를 예측할 수 있다.
다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 특정 라이프로그 데이터를 딥러닝 기반의 예측 모델에 입력하기 전에, 학습용 데이터 포맷에 적합하도록 상기 특정 라이프로그 데이터를 전처리할 수 있다. 예를 들어, 전자 장치(101)는 특정 라이프로그 데이터(예: 생체 데이터, 활동 데이터, 위치 데이터, 음성 데이터 등)의 포맷(예: channel × sampling frequency × length)을 딥러닝 기반의 예측 모델의 입력 데이터 포맷으로서 a × b(헤르츠) × c(초)가 되도록 전처리할 수 있다.
다양한 실시예들에 따르면, 감정 상태를 예측하기 위한 딥러닝 기반의 예측 모델은, 피보호자의 라이프로그 데이터, 피보호자로부터 획득한 상기 피보호자의 감정 상태에 관한 응답 데이터, 및 피보호자에 대하여 기등록된 보호자로부터 획득한 상기 피보호자의 감정 상태에 관한 응답 데이터에 기반하여 학습될 수 있다. 예를 들어, 도 6을 참조하면, 딥러닝 기반의 예측 모델은, (1)이상 행동이 발생한 시점의 피보호자의 라이프로그 데이터와 해당 피보호자로부터 획득한 피보호자의 감정 상태에 관한 응답 데이터 사이의 상관 관계를 학습할 수 있고, (2)이상 해동이 발생한 시점의 피보호자의 라이프로그 데이터와 해당 피보호자에 대하여 전자 장치(101)에 기등록된 보호자(예: 가족, 전용 상담사 등)로부터 획득한 피보호자의 감정 상태에 관한 응답 데이터 사이의 상관 관계를 학습할 수 있다. 이 때, 전자 장치(101)는 피보호자의 라이프로그 데이터를 학습용 데이터 포맷에 적합하도록 전처리할 수 있다. 더욱 구체적으로, 딥러닝 기반의 예측 모델은, (1)피보호자의 체온 데이터, 맥박 데이터, 근력 데이터를 포함하는 생체 데이터, 피보호자의 활동 데이터, 피보호자의 위치 데이터, 및 피보호자의 음성 데이터를 포함하는 라이프로그 데이터, (2)피보호자로부터 획득한 상기 피보호자의 감정 상태에 관한 응답 데이터, 및 (3)피보호자에 대하여 기등록된 보호자로부터 획득한 상기 피보호자의 감정 상태에 관한 응답 데이터에 기반하여 학습될 수 있다. 이 경우, 예측 모델에 입력되는 피보호자의 이상 행동의 확인에 사용된 특정 라이프로그 데이터는 피보호자의 체온 데이터, 맥박 데이터, 근력 데이터를 포함하는 생체 데이터, 피보호자의 활동 데이터, 피보호자의 위치 데이터, 및 피보호자의 음성 데이터일 수 있다.
일 실시예에 따르면, 전자 장치(101)는 감정 상태를 예측하기 위한 예측 모델의 학습 과정으로서, 임의의 가중치들이 부여된 예측 모델을 이용하여 결과값(출력 데이터)을 획득하고, 획득된 결과값을 학습 데이터의 라벨링 데이터와 비교하고, 그 오차에 따라 역전파를 수행하여, 가중치들을 최적화함으로써 수행될 수 있다. 구체적으로, 예측 모델의 학습은 학습 데이터 및 라벨링 데이터 또는 라벨링 되지 않은 데이터를 기초로 예측 모델을 학습시켜, 예측 모델이 입력 데이터에 대하여 출력 데이터를 결정할 수 있도록 하는 과정을 의미한다. 즉, 예측 모델이 상기 데이터들에 대해 규칙을 형성하여 판단하는 것이다. 일 실시예에 따르면, 전자 장치(101)는 예측되는 값을 계산하는 복수의 학습 알고리즘 중 다수의 학습 알고리즘을 사용할 수 있다. 예를 들어, 예측 모델에 앙상블 기법(ensemble method)이 사용될 수 있으며, 학습 알고리즘들을 따로 쓰는 경우에 비해 더 좋은 예측 성능을 얻을 수 있다. 예측 모델을 학습시킨다는 의미는 모델이 가지고 있는 가중치(weight)를 조정하는 것을 의미할 수 있다. 일 실시예에 따라, 학습 방법으로서, 지도 학습(supervised learning), 비지도 학습(unsupervised learning), 강화 학습(reinforcement learning), 모방 학습(imitation learning), 연합 학습(federated-learning) 등 다양한 방법을 이용할 수 있다.
일 실시예에 따르면, 피보호자의 감정 상태는, 예측 모델에 의하여 슬픔, 두려움, 외로움, 또는 화남 중에서 어느 하나로 분류될 수 있다. 예를 들어, 도 6을 참조하면, 딥러닝 기반의 예측 모델은, 피보호자의 이상 행동의 확인에 사용된 특정 라이프로그 데이터가 입력되면, 피보호자의 감정 상태에 대한 출력값으로서, 감정 상태의 특정 종류(예: 슬픔, 두려움, 외로움, 또는 화남) 중 하나를 나타내는 값을 출력할 수 있다.
일 실시예에 따르면, 피보호자의 감정 상태를 예측하기 위한 예측 모델은, 합성곱 신경망(CNN; convolutional neural network)을 포함할 수 있다. CNN 구조로서, AlexNet, LENET, NIN, VGGNet, ResNet, WideResnet, GoogleNet, FractaNet, DenseNet, FitNet, RitResNet, HighwayNet, MobileNet, DeeplySupervisedNet 중 적어도 하나가 이용될 수 있다. 일 실시예에 따르면, 예측 모델은 복수의 CNN 구조를 이용하여 구현될 수 있다. 예를 들어, 예측 모델은 1차원 CNN 및 2차원 CNN을 함께 이용할 수 있고, GRU 신경망 또는 LSTM 신경망 중 하나를 이용하여 구현될 수 있다. 일 실시예에서, 1차원 CNN 및 2차원 CNN은 특징 추출을 위하여, 특정 크기의 복수의 필터들을 가지는 CNN 레이어, ReLu 레이어, 풀링 레이어(pooling layer) 및 드롭아웃(dropout) 레이어가 순차적으로 결합된 블록을 포함할 수 있고, FC(fully connected) 레이어 및 활성화 레이어(예컨대, 시그모이드, 소프트맥스 등)를 포함할 수 있다. 일 실시예에 따라, 컨볼루션 레이어(convolution layer)는 입력 데이터로부터 특징(feature)을 추출할 수 있다. 또한, 컨볼루션 레이어는 특징을 추출하는 필터와 특징을 추출하는 필터의 값을 비선형 값으로 바꾸어주는 activation 함수로 이루어질 수 있다. 상기 필터는 입력 데이터에 상기 특징이 포함되었는지 여부를 검출해주는 함수를 포함할 수 있다.
다양한 실시예들에 따르면, 전자 장치(101)는 딥러닝 기반의 예측 모델 이외에도 피보호자의 감정 상태를 예측하는 다양한 알고리즘(예를 들어, 머신러닝 알고리즘) 및/또는 모델을 사용할 수 있다.
일 실시예에 따르면, 피보호자의 감정 상태를 예측하기 위한 예측 모델은 분류기(classifier) 및/또는 회귀모델(regression)을 포함하여 구현될 수 있다. 일 실시예에서, 예측 모델은, 감정 상태의 보조 정보를 생성하는 분류기 형태로 구현될 수 있다. 분류기는 이진 분류 또는 다중 분류를 수행할 수 있다. 예를 들어, 예측 모델은 입력 데이터(예: 라이프로그 데이터)를 감정 상태의 보조 정보에 대하여 특정 감정 상태의 종류(예: 슬픔, 두려움, 외로움, 또는 화남) 중 하나에 해당하는지를 예측하는 이진 분류 모델일 수 있다. 또는 예측 모델은 입력 데이터를 보다 구체적인 클래스로 분류하는 다중 분류 모델일 수 있다. 예를 들어, 피보호자의 감정 상태의 종류를 슬픔, 두려움, 외로움, 또는 화남 중 하나로 분류하는 다중 분류 모델일 수 있다. 일 실시예에서, 분류기는 결정 트리(decision tree), 서포트 벡터 머신(support vector machine), 랜덤 포레스트(random forest) 등 다양한 종류의 알고리즘을 이용할 수 있다. 이는 예시일 뿐, 이에 한정되지 않는다.
일 실시예에 따르면, 피보호자의 감정 상태를 예측하기 위한 예측 모델은 감정 상태의 보조 정보를 생성하는 회귀 모델(regression)의 형태로 구현될 수 있다. 회귀 모델은 피보호자의 감정 상태를 확률 형태로 도출할 수 있다. 일 예로, 슬픔 2%, 두려움 85%, 외로움 3%, 화남 10%와 같은 결과값이 도출될 수 있다. 가장 높은 확률로 도출된 감정 상태의 종류가 피보호자에게 발생 가능한 감정 상태일 수 있다. 회귀 모델은 선형 회귀(linear regression), 회귀 나무(regression tree), 서포트 벡터 회귀(support vector regression), 커넬 회귀(kernel regression) 등 종류의 알고리즘을 이용할 수 있다. 이는 예시일 뿐, 이에 한정되지 않는다.
507 동작에서, 다양한 실시예들에 따르면, 전자 장치(101)(예: 도 1의 프로세서(120))는 예측된 감정 상태에 대응하는 특정 동작을 수행할 수 있다. 예를 들어, 전자 장치(101)는 예측된 감정 상태가 '우울'인 경우, 특정 동작으로서 기등록된 보호자 중에서 가족에게 피보호자의 상태에 관한 메시지를 전송할 수 있다. 또 다른 예를 들어, 전자 장치(101)는 예측된 감정 상태가 '화남'인 경우, 특정 동작으로서 기등록된 보호자 중에서 전문 상담사를 호출하기 위한 동작을 수행할 수 있다.
다양한 실시예들에 따라서, 딥러닝 기반의 예측 모델에 기반하여 보조 보행 장치를 이용하는 피보호자의 감정 상태를 예측하는 전자 장치는, 통신 인터페이스, 및 프로세서를 포함하고, 상기 프로세서는, 상기 통신 인터페이스를 통하여 상기 보조 보행 장치로부터 피보호자의 라이프로그 데이터를 획득하고, 상기 라이프로그 데이터를 분석하여, 상기 피보호자의 일상 패턴에 대한 이상 행동의 발생 여부를 확인하고, 상기 일상 패턴에 대한 상기 이상 행동이 발생한 경우, 감정 상태를 예측하기 위한 딥러닝 기반의 예측 모델에 상기 이상 행동의 확인에 사용된 특정 라이프로그 데이터를 입력함으로써, 상기 피보호자의 감정 상태를 예측하고, 및 상기 예측된 감정 상태에 대응하는 특정 동작을 수행하도록 설정되고, 상기 딥러닝 기반의 예측 모델은, 일상 패턴에 대한 이상 행동들이 발생할 때의 상기 피보호자의 라이프로그 데이터, 상기 피보호자로부터 획득한 상기 피보호자의 감정 상태에 관한 응답 데이터, 및 상기 피보호자에 대하여 기등록된 보호자로부터 획득한 상기 피보호자의 감정 상태에 관한 응답 데이터에 기반하여 학습되고, 상기 감정 상태는, 슬픔, 두려움, 외로움, 또는 화남 중에서 어느 하나로 예측될 수 있다.
다양한 실시예들에 따라서, 상기 프로세서는, 상기 피보호자의 상기 라이프로그 데이터를 분석하여, 상기 피보호자의 상기 일상 패턴으로서, 수면 패턴, 식사 패턴, 위생 패턴, 휴식 패턴, 운동 패턴, 및 복약 패턴을 확인하고, 상기 일상 패턴 중 특정 패턴에 따라 특정된 시간을 상기 특정 패턴에 대응하는 예측 패턴 시간으로 결정하고, 및 상기 예측 패턴 시간 중에 상기 특정 패턴에 대응하는 특정 상태가 확인되지 않은 경우, 상기 특정 패턴에 대한 이상 행동이 발생한 것으로 결정하도록 설정될 수 있다.
다양한 실시예들에 따라서, 상기 딥러닝 기반의 예측 모델은, (1)상기 피보호자의 체온 데이터, 맥박 데이터, 근력 데이터를 포함하는 생체 데이터, 상기 피보호자의 활동 데이터, 상기 피보호자의 위치 데이터, 및 상기 피보호자의 음성 데이터를 포함하는 라이프로그 데이터, (2)상기 피보호자로부터 획득한 상기 피보호자의 감정 상태에 관한 응답 데이터, 및 (3)상기 피보호자에 대하여 상기 기등록된 보호자로부터 획득한 상기 피보호자의 감정 상태에 관한 응답 데이터에 기반하여 학습될 수 있다.
다양한 실시예들에 따라서, 상기 프로세서는, 상기 피보호자의 상태가 상기 수면 패턴에 따른 수면 상태인 경우, 상기 보조 보행 장치의 센서 모듈 중에서 체온 센서, 맥박 센서, 근력 센서, 가속도 센서, 및 자이로 센서를 비활성화시키고, 상기 보조 보행 장치의 통신 모듈에 포함된 블루투스 모듈 및 Wi-Fi 모듈을 비활성화 시키며, 상기 보조 보행 장치의 마이크를 활성화시키도록 하는 신호를 상기 보조 보행 장치로 송신하고, 및 상기 피보호자의 상태가 상기 운동 패턴에 따른 운동 상태인 경우, 상기 보조 보행 장치의 카메라 모듈 및 상기 마이크를 비활성화시키도록 하는 신호를 상기 보조 보행 장치로 송신하도록 설정될 수 있다.
다양한 실시예들에 따라서, 딥러닝 기반의 예측 모델에 기반하여 보조 보행 장치를 이용하는 피보호자의 감정 상태를 예측하는 전자 장치의 동작 방법은, 상기 전자 장치의 통신 인터페이스를 통하여 상기 보조 보행 장치로부터 피보호자의 라이프로그 데이터를 획득하는 동작, 상기 전자 장치의 프로세서에 의하여, 상기 라이프로그 데이터를 분석하여, 상기 피보호자의 일상 패턴에 대한 이상 행동의 발생 여부를 확인하는 동작, 상기 프로세서에 의하여, 상기 일상 패턴에 대한 상기 이상 행동이 발생한 경우, 감정 상태를 예측하기 위한 딥러닝 기반의 예측 모델에 상기 이상 행동의 확인에 사용된 특정 라이프로그 데이터를 입력함으로써, 상기 피보호자의 감정 상태를 예측하는 동작, 및 상기 프로세서에 의하여, 상기 예측된 감정 상태에 대응하는 특정 동작을 수행하는 동작을 포함하고, 상기 딥러닝 기반의 예측 모델은, 일상 패턴에 대한 이상 행동들이 발생할 때의 상기 피보호자의 라이프로그 데이터, 상기 피보호자로부터 획득한 상기 피보호자의 감정 상태에 관한 응답 데이터, 및 상기 피보호자에 대하여 기등록된 보호자로부터 획득한 상기 피보호자의 감정 상태에 관한 응답 데이터에 기반하여 학습되고, 상기 감정 상태는, 슬픔, 두려움, 외로움, 또는 화남 중에서 어느 하나로 예측될 수 있다.
본 문서에서 사용된 용어 "모듈" 또는 "~부"은 하드웨어, 소프트웨어 또는 펌웨어로 구성된 유닛을 포함하며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로 등의 용어와 상호 호환적으로 사용될 수 있다. "모듈" 또는 "~부"는, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는 최소 단위 또는 그 일부가 될 수 있다. "모듈" 또는 "~부"는 기계적으로 또는 전자적으로 구현될 수 있으며, 예를 들면, 어떤 동작들을 수행하는, 알려졌거나 앞으로 개발될, ASIC(application-specific integrated circuit) 칩, FPGAs(field-programmable gate arrays), 또는 프로그램 가능 논리 장치를 포함할 수 있고, 프로세서(120)에 의하여 실행될 수 있다. 다양한 실시예에 따른 장치(예: 모듈들 또는 그 기능들) 또는 방법(예: 동작들)의 적어도 일부는 프로그램 모듈의 형태로 컴퓨터로 판독 가능한 저장 매체(예: 메모리(130))에 저장된 명령어로 구현될 수 있다. 상기 명령어가 프로세서(예: 프로세서(120))에 의해 실행될 경우, 프로세서가 상기 명령어에 해당하는 기능을 수행할 수 있다. 컴퓨터로 판독 가능한 기록 매체는, 하드디스크, 플로피디스크, 마그네틱 매체(예: 자기테이프), 광기록 매체(예: CD-ROM, DVD, 자기-광 매체 (예: 플롭티컬 디스크), 내장 메모리 등을 포함할 수 있다. 명령어는 컴파일러에 의해 만들어지는 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 다양한 실시예에 따른 모듈 또는 프로그램 모듈은 전술한 구성요소들 중 적어도 하나 이상을 포함하거나, 일부가 생략되거나, 또는 다른 구성요소를 더 포함할 수 있다. 다양한 실시예에 따른, 모듈, 프로그램 모듈 또는 다른 구성요소에 의해 수행되는 동작들은 순차적, 병렬적, 반복적 또는 휴리스틱하게 실행되거나, 적어도 일부 동작이 다른 순서로 실행되거나, 생략되거나, 또는 다른 동작이 추가될 수 있다.
그리고 본 문서에 개시된 실시예는 개시된, 기술 내용의 설명 및 이해를 위해 제시된 것이며, 본 개시의 범위를 한정하는 것은 아니다. 따라서, 본 개시의 범위는, 본 개시의 기술적 사상에 근거한 모든 변경 또는 다양한 다른 실시예를 포함하는 것으로 해석되어야 한다.
Claims (5)
- 딥러닝 기반의 예측 모델에 기반하여 보조 보행 장치를 이용하는 피보호자의 감정 상태를 예측하는 전자 장치에 있어서,
통신 인터페이스, 및
프로세서를 포함하고,
상기 프로세서는,
상기 통신 인터페이스를 통하여 상기 보조 보행 장치로부터 피보호자의 라이프로그 데이터를 획득하고,
상기 라이프로그 데이터를 분석하여, 상기 피보호자의 일상 패턴에 대한 이상 행동의 발생 여부를 확인하고,
상기 일상 패턴에 대한 상기 이상 행동이 발생한 경우, 감정 상태를 예측하기 위한 딥러닝 기반의 예측 모델에 상기 이상 행동의 확인에 사용된, 상기 피보호자의 상기 라이프로그 데이터와 상이한, 라이프로그 데이터를 입력함으로써, 상기 피보호자의 감정 상태를 예측하고, 및
상기 예측된 감정 상태에 대응하는 동작을 수행하도록 설정되고,
상기 딥러닝 기반의 예측 모델은, (1)일상 패턴에 대한 이상 행동들이 발생할 때의 상기 피보호자의 체온 데이터, 맥박 데이터, 근력 데이터를 포함하는 생체 데이터, 상기 피보호자의 활동 데이터, 상기 피보호자의 위치 데이터, 및 상기 피보호자의 음성 데이터를 포함하는 상기 피보호자의 라이프로그 데이터, (2)상기 피보호자로부터 획득한 상기 피보호자의 감정 상태에 관한 응답 데이터, 및 (3)상기 피보호자에 대하여 기등록된 보호자로부터 획득한 상기 피보호자의 감정 상태에 관한 응답 데이터에 기반하여 학습되고,
상기 감정 상태는, 슬픔, 두려움, 외로움, 또는 화남 중에서 어느 하나로 예측되고,
상기 프로세서는,
상기 피보호자의 상기 라이프로그 데이터를 분석하여, 상기 피보호자의 상기 일상 패턴으로서, 수면 패턴, 식사 패턴, 위생 패턴, 휴식 패턴, 운동 패턴, 및 복약 패턴을 확인하고,
상기 일상 패턴 중 하나의 패턴에 따라 결정된 시간을 상기 하나의 패턴에 대응하는 예측 패턴 시간으로 결정하고, 및
상기 예측 패턴 시간 중에 상기 하나의 패턴에 대응하는 상태가 확인되지 않은 경우, 상기 하나의 패턴에 대한 이상 행동이 발생한 것으로 결정하도록 더 설정된,
피보호자의 감정 상태를 예측하는 전자 장치.
- 삭제
- 삭제
- 제1 항에 있어서,
상기 프로세서는,
상기 피보호자의 상태가 상기 수면 패턴에 따른 수면 상태인 경우, 상기 보조 보행 장치의 센서 모듈 중에서 체온 센서, 맥박 센서, 근력 센서, 가속도 센서, 및 자이로 센서를 비활성화시키고, 상기 보조 보행 장치의 통신 모듈에 포함된 블루투스 모듈 및 Wi-Fi 모듈을 비활성화 시키며, 상기 보조 보행 장치의 마이크를 활성화시키도록 하는 신호를 상기 보조 보행 장치로 송신하고, 및
상기 피보호자의 상태가 상기 운동 패턴에 따른 운동 상태인 경우, 상기 보조 보행 장치의 카메라 모듈 및 상기 마이크를 비활성화시키도록 하는 신호를 상기 보조 보행 장치로 송신하도록 설정된,
피보호자의 감정 상태를 예측하는 전자 장치.
- 딥러닝 기반의 예측 모델에 기반하여 보조 보행 장치를 이용하는 피보호자의 감정 상태를 예측하는 전자 장치의 동작 방법에 있어서,
상기 전자 장치의 통신 인터페이스를 통하여 상기 보조 보행 장치로부터 피보호자의 라이프로그 데이터를 획득하는 동작,
상기 전자 장치의 프로세서에 의하여, 상기 라이프로그 데이터를 분석하여, 상기 피보호자의 일상 패턴에 대한 이상 행동의 발생 여부를 확인하는 동작,
상기 프로세서에 의하여, 상기 일상 패턴에 대한 상기 이상 행동이 발생한 경우, 감정 상태를 예측하기 위한 딥러닝 기반의 예측 모델에 상기 이상 행동의 확인에 사용된, 상기 피보호자의 상기 라이프로그 데이터와 상이한, 라이프로그 데이터를 입력함으로써, 상기 피보호자의 감정 상태를 예측하는 동작, 및
상기 프로세서에 의하여, 상기 예측된 감정 상태에 대응하는 동작을 수행하는 동작을 포함하고,
상기 딥러닝 기반의 예측 모델은, (1)일상 패턴에 대한 이상 행동들이 발생할 때의 상기 피보호자의 체온 데이터, 맥박 데이터, 근력 데이터를 포함하는 생체 데이터, 상기 피보호자의 활동 데이터, 상기 피보호자의 위치 데이터, 및 상기 피보호자의 음성 데이터를 포함하는 상기 피보호자의 라이프로그 데이터, (2)상기 피보호자로부터 획득한 상기 피보호자의 감정 상태에 관한 응답 데이터, 및 (3)상기 피보호자에 대하여 기등록된 보호자로부터 획득한 상기 피보호자의 감정 상태에 관한 응답 데이터에 기반하여 학습되고,
상기 감정 상태는, 슬픔, 두려움, 외로움, 또는 화남 중에서 어느 하나로 예측되고,
상기 이상 행동의 발생 여부를 확인하는 동작은,
상기 피보호자의 상기 라이프로그 데이터를 분석하여, 상기 피보호자의 상기 일상 패턴으로서, 수면 패턴, 식사 패턴, 위생 패턴, 휴식 패턴, 운동 패턴, 및 복약 패턴을 확인하는 동작,
상기 일상 패턴 중 하나의 패턴에 따라 결정된 시간을 상기 하나의 패턴에 대응하는 예측 패턴 시간으로 결정하는 동작, 및
상기 예측 패턴 시간 중에 상기 하나의 패턴에 대응하는 상태가 확인되지 않은 경우, 상기 하나의 패턴에 대한 이상 행동이 발생한 것으로 결정하는 동작을 포함하는,
피보호자의 감정 상태를 예측하는 전자 장치의 동작 방법.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230049120A KR102551856B1 (ko) | 2023-04-14 | 2023-04-14 | 딥러닝 기반의 예측 모델에 기반하여 보조 보행 장치를 이용하는 피보호자의 감정 상태를 예측하는 전자 장치 및 그 동작 방법 |
| PCT/KR2023/012846 WO2024214879A1 (ko) | 2023-04-14 | 2023-08-30 | 딥러닝 기반의 예측 모델에 기반하여 보조 보행 장치를 이용하는 피보호자의 감정 상태를 예측하는 전자 장치 및 그 동작 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020230049120A KR102551856B1 (ko) | 2023-04-14 | 2023-04-14 | 딥러닝 기반의 예측 모델에 기반하여 보조 보행 장치를 이용하는 피보호자의 감정 상태를 예측하는 전자 장치 및 그 동작 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR102551856B1 true KR102551856B1 (ko) | 2023-07-06 |
Family
ID=87186126
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020230049120A KR102551856B1 (ko) | 2023-04-14 | 2023-04-14 | 딥러닝 기반의 예측 모델에 기반하여 보조 보행 장치를 이용하는 피보호자의 감정 상태를 예측하는 전자 장치 및 그 동작 방법 |
Country Status (2)
| Country | Link |
|---|---|
| KR (1) | KR102551856B1 (ko) |
| WO (1) | WO2024214879A1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024214879A1 (ko) * | 2023-04-14 | 2024-10-17 | 주식회사 플랙스 | 딥러닝 기반의 예측 모델에 기반하여 보조 보행 장치를 이용하는 피보호자의 감정 상태를 예측하는 전자 장치 및 그 동작 방법 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101907598B1 (ko) | 2016-10-18 | 2018-10-12 | 경북대학교 산학협력단 | 인공지능 모델을 통해 사용자의 감정과 행동을 심리 처방하는 웨어러블 장치를 이용한 전자장치, 방법 및 시스템 |
| KR102425053B1 (ko) | 2019-12-27 | 2022-07-28 | 순천향대학교 산학협력단 | 보행 데이터 기반 운동 추천 시스템 및 방법 |
| KR20220119237A (ko) | 2021-02-19 | 2022-08-29 | 강릉원주대학교산학협력단 | 인공지능 로봇을 활용한 사용자 심리 상태를 평가하는 방법 및 장치 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR102561587B1 (ko) * | 2016-06-01 | 2023-07-31 | 삼성전자주식회사 | 전자 장치 및 그의 동작 방법 |
| KR20220127602A (ko) * | 2021-03-11 | 2022-09-20 | 삼성전자주식회사 | 심박수 예측 모델을 제공하는 전자 장치 및 그 동작 방법 |
| KR102551856B1 (ko) * | 2023-04-14 | 2023-07-06 | 주식회사 플랙스 | 딥러닝 기반의 예측 모델에 기반하여 보조 보행 장치를 이용하는 피보호자의 감정 상태를 예측하는 전자 장치 및 그 동작 방법 |
-
2023
- 2023-04-14 KR KR1020230049120A patent/KR102551856B1/ko active IP Right Grant
- 2023-08-30 WO PCT/KR2023/012846 patent/WO2024214879A1/ko unknown
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101907598B1 (ko) | 2016-10-18 | 2018-10-12 | 경북대학교 산학협력단 | 인공지능 모델을 통해 사용자의 감정과 행동을 심리 처방하는 웨어러블 장치를 이용한 전자장치, 방법 및 시스템 |
| KR102425053B1 (ko) | 2019-12-27 | 2022-07-28 | 순천향대학교 산학협력단 | 보행 데이터 기반 운동 추천 시스템 및 방법 |
| KR20220119237A (ko) | 2021-02-19 | 2022-08-29 | 강릉원주대학교산학협력단 | 인공지능 로봇을 활용한 사용자 심리 상태를 평가하는 방법 및 장치 |
Non-Patent Citations (1)
| Title |
|---|
| Li Y, etc., Development of Automatic Controlled Walking Assistive Device Based on Fatigue and Emotion Detection. Journal of Robotics and Mechatronics. Vol.34, No.6, pp.1383~1397 (2022)* * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2024214879A1 (ko) * | 2023-04-14 | 2024-10-17 | 주식회사 플랙스 | 딥러닝 기반의 예측 모델에 기반하여 보조 보행 장치를 이용하는 피보호자의 감정 상태를 예측하는 전자 장치 및 그 동작 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| WO2024214879A1 (ko) | 2024-10-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Masoud et al. | Sensors of smart devices in the internet of everything (IoE) era: big opportunities and massive doubts | |
| US20220101710A1 (en) | Method and system to improve accuracy of fall detection using multi-sensor fusion | |
| CN108369808B (zh) | 电子设备和用于控制该电子设备的方法 | |
| KR102363794B1 (ko) | 정보 제공 방법 및 이를 지원하는 전자 장치 | |
| KR102463383B1 (ko) | 생체 신호 측정을 위한 방법 및 이를 위한 착용형 전자 장치 | |
| US10528121B2 (en) | Smart wearable devices and methods for automatically configuring capabilities with biology and environment capture sensors | |
| KR102405793B1 (ko) | 음성 신호 인식 방법 및 이를 제공하는 전자 장치 | |
| KR102561587B1 (ko) | 전자 장치 및 그의 동작 방법 | |
| KR102558437B1 (ko) | 질의 응답 처리 방법 및 이를 지원하는 전자 장치 | |
| KR102384756B1 (ko) | 활동 가이드 정보 제공 방법 및 이를 지원하는 전자 장치 | |
| US10335059B2 (en) | Fall detection system and method | |
| US11172450B2 (en) | Electronic device and method for controlling operation thereof | |
| CN110199350A (zh) | 用于感测语音结束的方法和实现该方法的电子设备 | |
| CN107997767A (zh) | 用于识别用户活动的方法及其电子设备 | |
| US20210015415A1 (en) | Methods and systems for monitoring user well-being | |
| US20210295668A1 (en) | Alert system | |
| KR20200104758A (ko) | 위험 상황을 판단하고, 사용자의 안전을 관리하는 방법 및 장치 | |
| KR20170066034A (ko) | 알람 출력 방법 및 이를 지원하는 전자 장치 | |
| Ma et al. | Angel-echo: a personalized health care application | |
| Palaghias et al. | A survey on mobile social signal processing | |
| US11632456B1 (en) | Call based emotion detection | |
| KR102551856B1 (ko) | 딥러닝 기반의 예측 모델에 기반하여 보조 보행 장치를 이용하는 피보호자의 감정 상태를 예측하는 전자 장치 및 그 동작 방법 | |
| KR20240166576A (ko) | 케어 시스템들을 위한 환경 감지 | |
| Santos et al. | Context inference for mobile applications in the UPCASE project | |
| KR20180070091A (ko) | 전자 장치 및 이를 이용한 알림 제공 방법 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PA0109 | Patent application |
Patent event code: PA01091R01D Comment text: Patent Application Patent event date: 20230414 |
|
| PA0201 | Request for examination | ||
| PA0302 | Request for accelerated examination |
Patent event date: 20230414 Patent event code: PA03022R01D Comment text: Request for Accelerated Examination |
|
| E701 | Decision to grant or registration of patent right | ||
| PE0701 | Decision of registration |
Patent event code: PE07011S01D Comment text: Decision to Grant Registration Patent event date: 20230612 |
|
| GRNT | Written decision to grant | ||
| PR0701 | Registration of establishment |
Comment text: Registration of Establishment Patent event date: 20230630 Patent event code: PR07011E01D |
|
| PR1002 | Payment of registration fee |
Payment date: 20230703 End annual number: 3 Start annual number: 1 |
|
| PG1601 | Publication of registration |