KR102575596B1 - 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 전자장치 및 그 방법 - Google Patents
일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 전자장치 및 그 방법 Download PDFInfo
- Publication number
- KR102575596B1 KR102575596B1 KR1020210073853A KR20210073853A KR102575596B1 KR 102575596 B1 KR102575596 B1 KR 102575596B1 KR 1020210073853 A KR1020210073853 A KR 1020210073853A KR 20210073853 A KR20210073853 A KR 20210073853A KR 102575596 B1 KR102575596 B1 KR 102575596B1
- Authority
- KR
- South Korea
- Prior art keywords
- stress
- daily
- data
- level
- classifier
- Prior art date
Links
Classifications
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G16H40/00—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices
- G16H40/60—ICT specially adapted for the management or administration of healthcare resources or facilities; ICT specially adapted for the management or operation of medical equipment or devices for the operation of medical equipment or devices
-
- 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
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Biomedical Technology (AREA)
- Data Mining & Analysis (AREA)
- Epidemiology (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Pathology (AREA)
- Software Systems (AREA)
- Theoretical Computer Science (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Child & Adolescent Psychology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Developmental Disabilities (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Hospice & Palliative Care (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Social Psychology (AREA)
- Business, Economics & Management (AREA)
- General Business, Economics & Management (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
본 발명은 메모리 및 프로세서를 포함하며, 상기 메모리에 저장되거나 상기 프로세서에 의해 수행되는, 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 과정은, 스트레스 정도를 나타내는 분류 데이터를 획득하는 과정; 일상 스트레스 분류기를 이용하여 상기 분류 데이터에 대한 일상 스트레스 정도가 높거나 낮은지를 분류하는 과정; 및 상기 일상 스트레스 정도가 높은 경우 제1 실험 스트레스 분류기를 이용하여 상기 분류 데이터에 대한 실험 스트레스 정도가 높거나 낮은지를 분류하는 과정을 포함하는, 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 전자장치를 제공할 수 있다.
Description
본 발명은 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 전자장치 및 그 방법에 관한 것이다.
현대 사회를 살아가는 사람들은 학업, 취업 및 직장에서 다양한 문제로 인해 매일 스트레스를 받고 있다. 그러나, 대부분의 사람들은 정신적 스트레스의 심각성을 인식하기가 어렵기 때문에 자신의 건강이 나빠지는 것을 알기 어렵다. 스트레스에 장기간 노출되면 우울증, 심장병, 비만 및 당뇨병과 같은 만성 정신적 또는 신체적 장애를 유발할 수 있다. 따라서, 스트레스를 조기에 평가하고 스트레스 관리 프로그램을 시행하는 것이 매우 중요하다.
지난 수십년 동안 연구자들은 정신적 스트레스와 그것이 우리의 신체 건강에 미치는 영향을 측정하는데 많은 관심을 가졌다. 많은 정신적 스트레스 감지 연구는 실험적 스트레스 요인이 있거나 없는 상황에서 정신 상태의 구별에 초점을 두고 있다.
위와 같은 연구라도 일상 생활에서 스트레스의 유무를 판단하는데, 어려움이 있다. 이는 위와 같은 연구가 실험 상황에서 사람이 비 스트레스 상황이라는 가정하에 수행되기 때문이다.
그러나, 사람들은 일상 생활에서도 상당한 스트레스를 경험하기 때문에 비 스트레스 상태(기준)를 정확하게 나타내지 못하며, 사람에 따라서 일상 생활에서 받는 스트레스의 감수성이 다르기 때문에 일상 생활에서 스트레스 감지를 정확하게 할 수 없는 문제점을 가진다.
본 발명은 스트레스를 받는 상태와 스트레스가 없는 상태(휴식 상태 또는 안정 상태)를 분류하는 것을 목적으로 한다.
본 발명은 실험적 스트레스 요인이 있는 경우 사용자가 스트레스 상태에 있는 것을 인지하고, 실험적 스트레스 요인이 없이 어떠한 작업도 수행하지 않는 상태에서 사용자가 휴식 상태에 있는 것을 인지하는 것을 목적으로 한다.
본 발명은 일상적인 스트레스를 받는 상황에서 사용자가 스트레스 상태인지 혹은 휴식 상태인지를 인지하는 것으로, 일상 스트레스를 고려하여 정신 상태를 분류하는 것을 목적으로 한다.
본 발명은 동일한 조건의 일상적인 상황에서 개인의 스트레스 감수성의 차이에 따라서 개인이 받는 일상 스트레스 수준을 구별하는 것을 목적으로 한다.
본 발명은 사람 별로 초기 소정 기간 동안 측정한 스트레스 지수를 기준으로 이후 소정 시간 동안 일상 스트레스 수준을 구별하고, 일상 스트레스가 높은 경우의 스트레스 상황 및 휴식 상황에서 fNIRS를 측정하고, 일상 스트레스가 낮은 경우의 스트레스 상황 및 휴식 상황에서 fNIRS를 측정한 데이터를 얻는 것을 목적으로 한다.
본 발명은 일상 스트레스를 고려한 모델과 그렇지 않은 모델을 사용하여 정신 상태(스트레스 / 휴식)의 분류 성능을 비교하는 것을 목적으로 한다.
본 발명은 프로세스를 포함하는 전자장치에 의해 각 과정이 수행되는, 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 전자장치의 제어방법에 있어서, 스트레스 정도를 나타내는 분류 데이터를 획득하는 과정; 일상 스트레스 분류기를 이용하여 상기 분류 데이터에 대한 일상 스트레스 정도가 높거나 낮은지를 분류하는 과정; 및 상기 일상 스트레스 정도가 높은 경우 제1 실험 스트레스 분류기를 이용하여 상기 분류 데이터에 대한 실험 스트레스 정도가 높거나 낮은지를 분류하는 과정을 포함하는, 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 전자장치의 제어방법을 제공할 수 있다.
본 발명은 상기 일상 스트레스 정도가 낮은 경우 제2 실험 스트레스 분류기를 이용하여 상기 분류 데이터에 대한 실험 스트레스 정도가 높거나 낮은지를 분류하는 과정을 더 포함하는, 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 전자장치의 제어방법을 제공할 수 있다.
본 발명은 상기 스트레스 정도를 나타내되, 상기 일상 스트레스 정도가 높거나 낮다는 정보로 라벨링된 제1 학습 데이터를 획득하는 과정; 및 상기 제1 학습 데이터를 학습데이터로 상기 일상 스트레스 분류기를 학습시키는 과정을 더 포함하는, 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 전자장치의 제어방법을 제공할 수 있다.
본 발명은 상기 스트레스 정도를 나타내되, 상기 일상 스트레스 정도가 높으면서, 상기 실험 스트레스 정도가 높거나 낮다는 정보로 라벨링된 제2 학습 데이터를 획득하는 과정; 및 상기 제2 학습 데이터를 학습데이터로 상기 제1 실험 스트레스 분류기를 학습시키는 과정을 더 포함하는, 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 전자장치의 제어방법을 제공할 수 있다.
본 발명은 상기 스트레스 정도를 나타내되, 상기 일상 스트레스 정도가 낮으면서, 상기 실험 스트레스 정도가 높거나 낮다는 정보로 라벨링된 제3 학습 데이터를 획득하는 과정; 및 상기 제3 학습 데이터를 학습데이터로 상기 제2 실험 스트레스 분류기를 학습시키는 과정을 더 포함하는, 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 전자장치의 제어방법을 제공할 수 있다.
본 발명은 상기 스트레스 정도를 나타내는 분류 데이터는 fNIRS를 이용하여 인체의 산소포화도의 측정 값에 관한 데이터인 것을 특징으로 하는, 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 전자장치의 제어방법을 제공할 수 있다.
본 발명은 프로세스를 포함하는 전자장치에 의해 각 과정이 수행되는, 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 전자장치의 제어방법에 있어서, 스트레스 정도를 나타내되, 일상 스트레스 정도가 높거나 낮다는 정보로 라벨링된 제1 학습 데이터를 획득하는 과정; 상기 제1 학습 데이터를 학습데이터로 일상 스트레스 분류기를 학습시키는 과정; 상기 스트레스 정도를 나타내되, 상기 일상 스트레스 정도가 높으면서, 실험 스트레스 정도가 높거나 낮다는 정보로 라벨링된 제2 학습 데이터를 획득하는 과정; 및 상기 제2 학습 데이터를 학습데이터로 제1 실험 스트레스 분류기를 학습시키는 과정을 포함하는, 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 전자장치의 제어방법을 제공할 수 있다.
본 발명은 상기 스트레스 정도를 나타내되, 상기 일상 스트레스 정도가 낮으면서, 상기 실험 스트레스 정도가 높거나 낮다는 정보로 라벨링된 제3 학습 데이터를 획득하는 과정; 및 상기 제3 학습 데이터를 학습데이터로 제2 실험 스트레스 분류기를 학습시키는 과정을 더 포함하는, 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 전자장치의 제어방법을 제공할 수 있다.
본 발명은 상기 스트레스 정도를 나타내는 분류 데이터를 획득하는 과정; 상기 일상 스트레스 분류기를 이용하여 상기 분류 데이터에 대한 상기 일상 스트레스 정도가 높거나 낮은지를 분류하는 과정; 상기 일상 스트레스 정도가 높은 경우 상기 제1 실험 스트레스 분류기를 이용하여 상기 분류 데이터에 대한 상기 실험 스트레스 정도가 높거나 낮은지를 분류하는 과정을 더 포함하는, 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 전자장치의 제어방법을 제공할 수 있다.
본 발명은 상기 일상 스트레스 정도가 낮은 경우 상기 제2 실험 스트레스 분류기를 이용하여 상기 분류 데이터에 대한 상기 실험 스트레스 정도가 높거나 낮은지를 분류하는 과정을 더 포함하는, 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 전자장치의 제어방법을 제공할 수 있다.
본 발명은 메모리 및 프로세서를 포함하며, 상기 메모리에 저장되거나 상기 프로세서에 의해 수행되는, 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 과정은, 스트레스 정도를 나타내는 분류 데이터를 획득하는 과정; 일상 스트레스 분류기를 이용하여 상기 분류 데이터에 대한 일상 스트레스 정도가 높거나 낮은지를 분류하는 과정; 및 상기 일상 스트레스 정도가 높은 경우 제1 실험 스트레스 분류기를 이용하여 상기 분류 데이터에 대한 실험 스트레스 정도가 높거나 낮은지를 분류하는 과정을 포함하는, 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 전자장치를 제공할 수 있다.
본 발명은 상기 메모리에 저장되거나 상기 프로세서에 의해 수행되는, 상기 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 과정은, 상기 일상 스트레스 정도가 낮은 경우 제2 실험 스트레스 분류기를 이용하여 상기 분류 데이터에 대한 실험 스트레스 정도가 높거나 낮은지를 분류하는 과정을 더 포함하는, 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 전자장치를 제공할 수 있다.
본 발명은 상기 메모리에 저장되거나 상기 프로세서에 의해 수행되는, 상기 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 과정은, 상기 스트레스 정도를 나타내되, 상기 일상 스트레스 정도가 높거나 낮다는 정보로 라벨링된 제1 학습 데이터를 획득하는 과정; 및 상기 제1 학습 데이터를 학습데이터로 상기 일상 스트레스 분류기를 학습시키는 과정을 더 포함하는, 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 전자장치를 제공할 수 있다.
본 발명은 상기 메모리에 저장되거나 상기 프로세서에 의해 수행되는, 상기 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 과정은, 상기 스트레스 정도를 나타내되, 상기 일상 스트레스 정도가 높으면서, 상기 실험 스트레스 정도가 높거나 낮다는 정보로 라벨링된 제2 학습 데이터를 획득하는 과정; 및 상기 제2 학습 데이터를 학습데이터로 상기 제1 실험 스트레스 분류기를 학습시키는 과정을 더 포함하는, 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 전자장치를 제공할 수 있다.
본 발명은 상기 메모리에 저장되거나 상기 프로세서에 의해 수행되는, 상기 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 과정은, 상기 스트레스 정도를 나타내되, 상기 일상 스트레스 정도가 낮으면서, 상기 실험 스트레스 정도가 높거나 낮다는 정보로 라벨링된 제3 학습 데이터를 획득하는 과정; 및 상기 제3 학습 데이터를 학습데이터로 상기 제2 실험 스트레스 분류기를 학습시키는 과정을 더 포함하는, 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 전자장치를 제공할 수 있다.
본 발명은 상기 스트레스 정도를 나타내는 분류 데이터는 fNIRS를 이용하여 인체의 산소포화도의 측정 값에 관한 데이터인 것을 특징으로 하는, 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 전자장치를 제공할 수 있다.
본 발명은 메모리 및 프로세서를 포함하며, 상기 메모리에 저장되거나 상기 프로세서에 의해 수행되는, 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 과정은, 스트레스 정도를 나타내되, 일상 스트레스 정도가 높거나 낮다는 정보로 라벨링된 제1 학습 데이터를 획득하는 과정; 상기 제1 학습 데이터를 학습데이터로 일상 스트레스 분류기를 학습시키는 과정; 상기 스트레스 정도를 나타내되, 상기 일상 스트레스 정도가 높으면서, 실험 스트레스 정도가 높거나 낮다는 정보로 라벨링된 제2 학습 데이터를 획득하는 과정; 및 상기 제2 학습 데이터를 학습데이터로 제1 실험 스트레스 분류기를 학습시키는 과정을 포함하는, 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 전자장치를 제공할 수 있다.
본 발명은 상기 메모리에 저장되거나 상기 프로세서에 의해 수행되는, 상기 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 과정은, 상기 스트레스 정도를 나타내되, 상기 일상 스트레스 정도가 낮으면서, 상기 실험 스트레스 정도가 높거나 낮다는 정보로 라벨링된 제3 학습 데이터를 획득하는 과정; 및 상기 제3 학습 데이터를 학습데이터로 제2 실험 스트레스 분류기를 학습시키는 과정을 더 포함하는, 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 전자장치를 제공할 수 있다.
본 발명은 상기 메모리에 저장되거나 상기 프로세서에 의해 수행되는, 상기 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 과정은, 상기 스트레스 정도를 나타내는 분류 데이터를 획득하는 과정; 상기 일상 스트레스 분류기를 이용하여 상기 분류 데이터에 대한 상기 일상 스트레스 정도가 높거나 낮은지를 분류하는 과정; 상기 일상 스트레스 정도가 높은 경우 상기 제1 실험 스트레스 분류기를 이용하여 상기 분류 데이터에 대한 상기 실험 스트레스 정도가 높거나 낮은지를 분류하는 과정을 더 포함하는, 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 전자장치를 제공할 수 있다.
본 발명은 상기 메모리에 저장되거나 상기 프로세서에 의해 수행되는, 상기 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 과정은, 상기 일상 스트레스 정도가 낮은 경우 상기 제2 실험 스트레스 분류기를 이용하여 상기 분류 데이터에 대한 상기 실험 스트레스 정도가 높거나 낮은지를 분류하는 과정을 더 포함하는, 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 전자장치를 제공할 수 있다.
본 발명은 스트레스를 받는 상태와 스트레스가 없는 상태(휴식 상태 또는 안정 상태)를 분류하는 것을 제공하는 효과를 가진다.
본 발명은 실험적 스트레스 요인이 있는 경우 사용자가 스트레스 상태에 있는 것을 인지하고, 실험적 스트레스 요인이 없이 어떠한 작업도 수행하지 않는 상태에서 사용자가 휴식 상태에 있는 것을 인지하는 것을 제공하는 효과를 가진다.
본 발명은 일상적인 스트레스를 받는 상황에서 사용자가 스트레스 상태인지 혹은 휴식 상태인지를 인지하는 것으로, 일상 스트레스를 고려하여 정신 상태를 분류하는 것을 제공하는 효과를 가진다.
본 발명은 동일한 조건의 일상적인 상황에서 개인의 스트레스 감수성의 차이에 따라서 개인이 받는 일상 스트레스 수준을 구별하는 것을 목적으로 한다.
본 발명은 사람 별로 초기 소정 기간 동안 측정한 스트레스 지수를 기준으로 이후 소정 시간 동안 일상 스트레스 수준을 구별하고, 일상 스트레스가 높은 경우의 스트레스 상황 및 휴식 상황에서 fNIRS를 측정하고, 일상 스트레스가 낮은 경우의 스트레스 상황 및 휴식 상황에서 fNIRS를 측정한 데이터를 얻는 것을 제공하는 효과를 가진다.
본 발명은 일상 스트레스를 고려한 모델과 그렇지 않은 모델을 사용하여 정신 상태(스트레스 / 휴식)의 분류 성능을 비교하는 것을 제공하는 효과를 가진다.
도 1은 본 발명의 실시예에 따른 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 시스템을 도시한 것이다.
도 2는 본 발명의 실시예에 따른 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 전자장치의 블록도를 도시한 것이다.
도 3은 본 발명의 실시예에 따른 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 방법의 흐름도를 도시한 것이다.
도 4는 본 발명의 실시예에 따른 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 상세 방법의 흐름도를 도시한 것이다.
도 5는 스트레스 정도를 나타내는 분류 데이터를 분류한 체계를 보여준다.
도 6은 모든 윈도우 (1, 2, 3) 및 모든 상태 (휴식 및 작업)에서 1개 내지 3개의 특성 조합에 따른 일상 스트레스 분류의 정확도가 80 % 이상인 특성 조합의 수를 나타낸 그래프이다.
도 7은 모든 윈도우 (1, 2, 3) 및 모든 상태 (휴식 및 작업)에서 1개 내지 3개의 특성 조합에 따른 실험 스트레스 분류의 정확도가 70 % 이상인 특성 조합의 수를 나타낸 그래프이다.
도 8은 윈도우 3에서 Singlestress_level 모델의 Singlehigh 및 Singlelow의 평균 값, Combinedsample_size_all 모델, Combinedsample_size_half 모델에 대한 선택된 특성 조합의 평균 정신 상태 분류 정확도를 도시한 그래프이다.
도 9는 본 발명의 실시예에 따른 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하기 위해 데이터를 전송하는 데이터 전송장치의 블록도를 도시한 것이다.
도 10은 본 발명의 실시예에 따른 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하기 위해 데이터를 전송하는 데이터 전송장치의 방법의 흐름도를 도시한 것이다.
도 11은 본 발명의 실시예에 따른 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하기 위해 데이터를 획득하는 과정의 블록도 이다.
도 12(a) 내지 도 12(c)는 본 발명의 전송장치의 설정, 소스 및 감지기의 배열, 채널의 위치를 나타낸다.
도 13은 본 발명의 실시예에 따른 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 시스템의 전체 흐름도를 도시한 것이다.
도 2는 본 발명의 실시예에 따른 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 전자장치의 블록도를 도시한 것이다.
도 3은 본 발명의 실시예에 따른 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 방법의 흐름도를 도시한 것이다.
도 4는 본 발명의 실시예에 따른 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 상세 방법의 흐름도를 도시한 것이다.
도 5는 스트레스 정도를 나타내는 분류 데이터를 분류한 체계를 보여준다.
도 6은 모든 윈도우 (1, 2, 3) 및 모든 상태 (휴식 및 작업)에서 1개 내지 3개의 특성 조합에 따른 일상 스트레스 분류의 정확도가 80 % 이상인 특성 조합의 수를 나타낸 그래프이다.
도 7은 모든 윈도우 (1, 2, 3) 및 모든 상태 (휴식 및 작업)에서 1개 내지 3개의 특성 조합에 따른 실험 스트레스 분류의 정확도가 70 % 이상인 특성 조합의 수를 나타낸 그래프이다.
도 8은 윈도우 3에서 Singlestress_level 모델의 Singlehigh 및 Singlelow의 평균 값, Combinedsample_size_all 모델, Combinedsample_size_half 모델에 대한 선택된 특성 조합의 평균 정신 상태 분류 정확도를 도시한 그래프이다.
도 9는 본 발명의 실시예에 따른 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하기 위해 데이터를 전송하는 데이터 전송장치의 블록도를 도시한 것이다.
도 10은 본 발명의 실시예에 따른 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하기 위해 데이터를 전송하는 데이터 전송장치의 방법의 흐름도를 도시한 것이다.
도 11은 본 발명의 실시예에 따른 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하기 위해 데이터를 획득하는 과정의 블록도 이다.
도 12(a) 내지 도 12(c)는 본 발명의 전송장치의 설정, 소스 및 감지기의 배열, 채널의 위치를 나타낸다.
도 13은 본 발명의 실시예에 따른 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 시스템의 전체 흐름도를 도시한 것이다.
본 명세서에 개시되어 있는 본 발명의 개념에 따른 실시 예들에 대해서 특정한 구조적 또는 기능적 설명은 단지 본 발명의 개념에 따른 실시 예들을 설명하기 위한 목적으로 예시된 것으로서, 본 발명의 개념에 따른 실시 예들은 다양한 형태들로 실시될 수 있으며 본 명세서에 설명된 실시 예들에 한정되지 않는다.
본 발명의 개념에 따른 실시 예들은 다양한 변경들을 가할 수 있고 여러 가지 형태들을 가질 수 있으므로 실시 예들을 도면에 예시하고 본 명세서에서 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 개념에 따른 실시 예들을 특정한 개시 형태들에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만, 예컨대 본 발명의 개념에 따른 권리 범위로부터 벗어나지 않은 채, 제1구성 요소는 제2구성 요소로 명명될 수 있고 유사하게 제2구성 요소는 제1구성 요소로도 명명될 수 있다.
본 명세서에서 사용되는 구성요소에 대한 접미사 "모듈(module)" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니며, 본 발명의 실시 예에 따른 방법을 수행하기 위한 하드웨어 또는 상기 하드웨어를 구동할 수 있는 소프트웨어의 기능적 또는 구조적 결합을 의미할 수 있다.
이하에서 첨부된 도면을 참고하여, 본 발명의 실시예에 따른 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 전자장치 및 전자장치의 제어방법을 설명한다.
도 1은 본 발명의 실시예에 따른 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 시스템을 도시한 것이다.
본 발명의 실시예에 따른 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 시스템은 전자장치(1000)와 데이터 전송장치(2000)를 포함할 수 있다. 전자장치(10000)는 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류할 수 있다. 데이터 전송장치(2000)는 사람의 스트레스 정도를 나타내는 데이터를 전자장치(1000)에게 전송할 수 있다.
도 2는 본 발명의 실시예에 따른 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 전자장치의 블록도를 도시한 것이다.
본 발명의 실시예에 따른 전자장치(1000)는, 단말기, 디바이스, 전자기기, 서버, 스마트폰, 태블릿 PC, PC, 스마트 TV, 휴대폰, PDA(personal digital assistant), 랩톱, 미디어 플레이어, 마이크로 서버, GPS(global positioning system) 장치, 전자책 단말기, 디지털방송용 단말기, 네비게이션, 키오스크, MP3 플레이어, 디지털 카메라, 가전기기 및 기타 컴퓨팅 장치 중 하나일 수 있으나, 이에 한정되지 않으며, 전자장치(1000)는 데이터를 처리하고, 처리된 데이터를 제공할 수 있는 모든 종류의 기기를 포함할 수 있다.
도 2에 도시된 바와 같이, 본 발명의 실시예에 따른 전자장치(1000)는, 메모리(1100), 출력부(1200), 프로세서(1300), 통신부(1500) 중 적어도 하나를 포함할 수 있다.
메모리(1100)는, 프로세서(1300)의 처리 및 제어를 위한 프로그램을 저장할 수 있고, 전자장치(1000)로 입력되는 정보 또는 전자장치(1000)로부터 출력되는 정보를 저장할 수도 있다.
출력부(1200)는, 오디오 신호 또는 비디오 신호 또는 진동 신호를 출력할 수 있으며, 출력부(1200)는 디스플레이부, 음향 출력부, 및 진동 모터를 포함할 수 있다.
프로세서(1300)는, 통상적으로 전자장치(1000)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(1300)는, 메모리(1100)에 저장된 프로그램들을 실행함으로써, 출력부(1200), 통신부(1500) 등을 전반적으로 제어할 수 있다.
통신부(1500)는, 전자장치(1000)가 다른 장치(미도시) 및 서버(미도시)와 통신을 하게 하는 하나 이상의 구성요소를 포함할 수 있다. 다른 장치(미도시)는 전자장치(1000)와 같은 컴퓨팅 장치이거나, 센싱 장치일 수 있으나, 이에 한정되는 것은 아니다.
도 3은 본 발명의 실시예에 따른 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 방법의 흐름도를 도시한 것이다. 도 4는 본 발명의 실시예에 따른 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 상세 방법의 흐름도를 도시한 것이다.
본 발명의 실시예에 따른 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 전자장치(1000)는 메모리(1100)에 저장되거나 프로세서(1300)에 의해 수행되도록 제어되는, 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 과정을 수행할 수 있다.
도 3에 도시된 바와 같이, 본 발명의 실시예에 따른 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 과정은, 데이터를 획득하는 과정(S100), 분류기를 학습하는 과정(S200), 데이터를 분류하는 과정(S300) 중 적어도 하나를 포함할 수 있다.
학습과정(S200) 및 분류과정(S300)은 모두 하나의 전자장치(1000)의 메모리(1100)에 저장되거나 프로세서(1300)에 의해 수행될 수 있다. 또는, 위와 달리, 학습과정(S200) 및 분류과정(S300)은 각각 다른 전자장치들의 메모리에 저장되거나 프로세서에 의해 수행될 수 있으며, 이 경우 다른 전자장치들은 서로 유선 또는 무선으로 학습된 분류기(모델) 정보를 송수신하거나 분류기(모델)의 입력 및 출력 정보를 학습데이터로서 송수신할 수 있다. 또한, 학습과정(S200) 및 분류과정(S300) 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다.
이하에서 도 4를 참조하여 S100 내지 S300 과정에 대하여 설명한다.
데이터를 획득하는 과정(S100)은, 데이터 전송장치(2000)로부터 통신부(1500)를 통하여 스트레스 정도를 나타내는 데이터를 획득하는 과정(S110)을 포함할 수 있다.
스트레스 정도를 나타내는 데이터는 사람의 스트레스 정도를 수치화 할 수 있는 생체 데이터일 수 있으며, 데이터 전송장치(2000)에서 센싱부(2400)를 통해 측정한 사람의 생체 데이터이거나, 측정한 생체 데이터가 전처리된 생체 데이터일 수 있다.
스트레스란 일반적으로 스트레스 요인이라고 불리는 외부 또는 내부 사건에 경계하고 대응하기 위해 신체 또는 마음의 변화 과정이며, 스트레스 요인으로 인한 지각적, 행동적, 생리적 반응의 변화를 측정하여 정량화 할 수 있다.
스트레스 정도를 나타내는 데이터는 사람이 느끼는 스트레스 정도를 수치화한 정보를 포함할 수 있으며, 사람의 생체 신호를 수치화한 정보일 수 있다.
예를 들어, 스트레스 정도를 나타내는 데이터는, 소변, 혈액 및 타액에서 측정할 수 있는 스트레스에 반응하여 방출되는 코티솔 및 알파 아밀라아제와 같은 특정 호르몬을 측정한 데이터일 수 있다. 또는, 스트레스 정도를 나타내는 데이터는, 혈압, 피부 전도도, 심전도 (ECG), 뇌파 (EEG), 피질 뇌의 산소화 및 탈 산소 헤모글로빈 농도 변화 중 적어도 하나인 생리적 반응을 측정한 데이터일 수 있다. 스트레스 정도를 나타내는 데이터는, 혈역학적 매개 변수(산소화 헤모글로빈 농도)를 이용하여 작업 상태 및 휴식 상태에서 추출된 신호 특징을 포함할 수 있다.
상세한 사항은 후술하겠지만, 생체 데이터는 일상 스트레스의 정도(유무 혹은 고저) 및 각 정신 상태(휴식 및 작업)에 대해 소정 시간의 기간 프레임(윈도우)에서 소정 개수의 신호 특성들 (예로, SS, SM, SV, SP, SK 및 SSK)을 포함할 수 있으나, 이들을 반드시 모두 포함할 것은 아니며 이들 중 일부 데이터를 포함하도록 할 수 있다.
스트레스 정도를 나타내는 데이터는 매일 동일 시간에 설문을 통해 사용자의 일상 스트레스 유무를 진단하고, 응답을 통해 일상 스트레스의 고/저를 파악하고, 휴식 상태 및 실험 스트레스 상태에서 스트레스 정도를 측정함으로써 얻어진 데이터일 수 있다. 스트레스 정도를 나타내는 데이터는 아래의 표와 같이 4개의 데이터 세트로 나뉠 수 있다.
스트레스 정도를 나타내는 데이터는 제1 내지 제3 학습데이터 및 분류 데이터 중 적어도 하나를 포함할 수 있다. 제1 내지 제3 학습데이터 및 분류 데이터는 데이터 전송장치(2000)로부터 전자장치(1000)로 동시에 혹은 순차적으로 혹은 서로 다른 임의 시점에 전달될 수 있다.
제1 학습데이터는 '일상 스트레스가 높은 상태의 데이터 세트 1 및 2'와 '일상 스트레스가 낮은 상태의 데이터 세트 3 및 4'로 분류된 데이터일 수 있다. 제2 학습데이터는 휴식 상태의 데이터 세트 1과 스트레스 상태의 데이터 세트 2로 구분된 데이터일 수 있다. 또한, 제3 학습데이터는 휴식 상태의 데이터 세트 3과 스트레스 상태의 데이터 세트 4로 구분된 데이터일 수 있다.
분류기를 학습하는 과정(S200)은, 데이터 전송장치(2000)로부터 통신부(1500)를 통하여 또는 전자장치(1000)의 메모리(1100)에 저장된 학습데이터를 획득하는 과정 및 학습데이터를 이용하여 분류기를 학습시키는 과정을 포함할 수 있다.
분류기는 선형 모델, 지원 벡터 머신 (SVM) 모델, 딥 러닝 모델, 컨볼 루션 신경망 모델, 장단기 기억 모델, CNN-LSTM 모델 중 적어도 하나를 포함할 수 있으나, 이에 한정될 것은 아니며 다양한 기계 학습 모델이 사용될 수 있다.
분류기를 학습하는 과정(S200)은, 스트레스 정도를 나타내되, 일상 스트레스 정도가 높거나 낮다는 정보로 라벨링된 제1 학습 데이터를 획득하는 과정 및 제1 학습 데이터를 학습데이터로 일상 스트레스 분류기를 학습시키는 과정(S210)을 포함할 수 있다.
스트레스 정도는 스트레스 지수로 수치화하여 나타낼 수 있다. 제1 학습 데이터는 일상 스트레스 지수가 제1 임계치 보다 큰 경우 일상 스트레스가 높다고 라벨링되고, 낮은 경우 일상 스트레스가 낮다고 라벨링될 수 있다. 제1 임계치는 사람 마다 다른 값을 가질 수 있다. 예를 들어, 제1 임계치는 사람마다 초기 소정 기간 동안 수집된 답변의 스트레스 지수에 의해서 사람마다 다르게 결정될 수 있다.
또한, 제1 임계치는 하나의 값이 아니라 가장 작은 스트레스 지수 값인 최소 제1 임계치와 가장 큰 스트레스 지수 값인 최대 제1 임계치를 포함할 수 있다. 이 경우 제1 학습 데이터는 최소 제1 임계치 보다 작은 스트레스 지수를 가지 때문에 일상 스트레스가 낮은 것으로 라벨링된 제1-1학습데이터와, 최대 제1 임계치 보다 큰 스트레스 지수를 가지기 때문에 일상 스트레스가 높은 것으로 라벨링된 제1-2 학습데이터를 포함할 수 있다. 나아가, 제1 학습 데이터로 일상 스트레스 분류기를 학습시키는 과정은, 제1-1 학습데이터로 제1 일상 스트레스 분류기를 학습시키는 과정과 제1-2 학습 데이터로 제2 일상 스트레스 분류기를 학습시키는 과정을 포함할 수 있다.
제1 학습데이터는 생체 데이터에 대한 신호 특성들 (예로, SS, SM, SV, SP, SK 및 SSK) 중 적어도 하나 혹은 둘 이상의 조합을 포함할 수 있으며, 일상 스트레스 분류기는 신호 특성들 중 적어도 하나 혹은 둘 이상의 조합으로된 데이터를 이용하여 지도학습될 수 있다.
신호 특성들의 조합에서 선택된 특성의 조합 전체수가 m이고, 샘플(측정 대상)의 수가 n이고, 측정 대상을 측정하는 센싱 채널이 i인 경우, 분류기 모델에 입력되는 행렬의 크기는 n x m x i 일 수 있다. 예를 들어, 신호 특성의 개수가 6인 경우 조합 가능한 특성의 조합의 총수는 63개이다. 이는 선택된 신호 특성의 수가 1개인 경우 특성의 조합의 개수는 6개([SS], [SM], [SV], [SP], [SK] 및 [SSK])이며, 2개인 경우 6개([SS, SM], …, [SK, SSK]), 3개인 경우 20개([SS, SM, SV], …), 4개인 경우 15개([SS, SM, SV, SP], …), 5개인 경우 6개([SS, SM, SV, SP, SK], …), 6개인 경우 1개([SS, SM, SV, SP, SK, SSK])로 이들의 합산이 63개이기 때문이다. 후술하겠지만, 센싱 채널의 수는 센싱부(2400)에 의해서 측정 대상으로부터 한번에 측정할 수 있는 생체 데이터(혹은 신호)의 수를 의미한다.
일상 스트레스 분류기는 일상 스트레스가 높은 경우(데이터 세트 1, 2)와 낮은 경우(데이터 세트 3, 4)로 분류된 데이터를 이용하여 지도학습 될 수 있다.
한편, 분류기를 학습하는 과정(S200)은, 스트레스 정도를 나타내되, 일상 스트레스 정도가 높으면서, 실험 스트레스 정도가 높거나 낮다는 정보로 라벨링된 제2 학습 데이터를 획득하는 과정 및 제2 학습 데이터를 학습데이터로 제1 실험 스트레스 분류기를 학습시키는 과정(S220)을 포함할 수 있다.
제2 학습 데이터는 스트레스 정도를 나타내되, 일상 스트레스 정도가 높으면서, 실험 스트레스 정도가 제2 임계치 보다 높은 경우 스트레스가 높다고(또는 있다고) 라벨링되며, 낮은 경우 스트레스가 낮다고(또는 없다고) 라벨링된 데이터 일 수 있다.
제2 학습데이터는 일상 스트레스 정도가 높다고 판단된 경우에 작업 상황에서 측정하여 스트레스가 높다고 라벨링되거나 휴식 상황에서 측정하여 스트레스가 낮다고 라벨링된 데이터일 수 있다.
제2 학습데이터는 생체 데이터에 대한 신호 특성들 (예로, SS, SM, SV, SP, SK 및 SSK) 중 적어도 하나 혹은 둘 이상의 조합을 포함할 수 있으며, 제1 실험 스트레스 분류기는 신호 특성들 중 적어도 하나 혹은 둘 이상의 조합으로된 데이터를 이용하여 지도학습될 수 있다.
제1 실험 스트레스 분류기는 일상 스트레스가 높은 경우의 데이터 세트 1 및 2로 구분된 데이터를 이용하여 지도 학습될 수 있다.
한편, 분류기를 학습하는 과정(S200)은, 스트레스 정도를 나타내되, 일상 스트레스 정도가 낮으면서, 실험 스트레스 정도가 제3 임계치 보다 높거나 낮다는 정보로 라벨링된 제3 학습 데이터를 획득하는 과정 및 제3 학습 데이터를 학습데이터로 제2 실험 스트레스 분류기를 학습시키는 과정(S230)을 포함할 수 있다.
제3 학습 데이터는 스트레스 정도를 나타내되, 일상 스트레스 정도가 낮으면서, 실험 스트레스 정도가 제3 임계치 보다 높은 스트레스가 높다고(또는 있다고) 라벨링되며, 낮은 경우 스트레스가 낮다고(또는 없다고) 라벨링된 데이터 일 수 있다.
제3 학습데이터는 일상 스트레스 정도가 낮다고 판단된 경우에 작업 상황에서 측정하여 스트레스가 높다고 라벨링되거나 휴식 상황에서 측정하여 스트레스가 낮다고 라벨링된 데이터일 수 있다.
제3 학습데이터는 생체 데이터에 대한 신호 특성들 (예로, SS, SM, SV, SP, SK 및 SSK) 중 적어도 하나 혹은 둘 이상의 조합을 포함할 수 있으며, 제2 실험 스트레스 분류기는 신호 특성들 중 적어도 하나 혹은 둘 이상의 조합으로된 데이터를 이용하여 지도학습될 수 있다.
제2 실험 스트레스 분류기는 일상 스트레스가 높은 경우의 데이터 세트 3 및 4로 구분된 데이터를 이용하여 지도 학습될 수 있다.
데이터를 분류하는 과정(S300)은, 데이터 전송장치(2000)로부터 통신부(1500)를 통하여 또는 전자장치(1000)의 메모리(1100)에 저장된 분류데이터를 획득하는 과정 및 학습된 분류기를 이용하여 분류데이터를 분류하는 과정을 포함할 수 있다.
데이터를 분류하는 과정(S300)은, 스트레스 정도를 나타내는 분류 데이터를 획득하는 과정(S310), 일상 스트레스 분류기를 이용하여 분류 데이터에 대한 일상 스트레스 정도가 높거나 낮은지를 분류하는 과정(320), 일상 스트레스 정도가 높은 경우 제1 실험 스트레스 분류기를 이용하여 상기 분류 데이터에 대한 상기 실험 스트레스 정도가 높거나 낮은지를 분류하는 과정(S330, S340), 일상 스트레스 정도가 낮은 경우 제2 실험 스트레스 분류기를 이용하여 분류 데이터에 대한 실험 스트레스 정도가 높거나 낮은지를 분류하는 과정(S330, S350)을 포함할 수 있다.
스트레스 정도를 나타내는 분류 데이터를 획득하는 과정(S310)은, 메모리(1100)에 저장된 또는 통신부(1500)를 통해서 분류 데이터를 획득할 수 있다.
분류 데이터는 스트레스 정도를 수치화한 스트레스 지수에 관한 생체 데이터를 포함할 수 있다. 분류 데이터는 생체 데이터에 대한 신호 특성들 (예로, SS, SM, SV, SP, SK 및 SSK) 중 적어도 하나 혹은 둘 이상의 조합을 포함할 수 있다. 생체 데이터는 일상 스트레스의 정도(유무 혹은 고저) 및 각 정신 상태(휴식 및 작업)에 대해 세 가지 시간 프레임 (윈도우 1 ~ 3)에서 6가지 신호 특성 (SS, SM, SV, SP, SK 및 SSK)을 포함할 수 있다.
도 5는 스트레스 정도를 나타내는 분류 데이터를 분류한 체계를 보여준다.
도 5의 상부에 도시된 바와 같이, 분류 데이터를 일상 스트레스 분류기를 이용하여 일상 스트레스가 높은 데이터와 낮은 데이터로 분류할 수 있다. 이는 측정 대상이 특정 작업(Task)를 수행하기 때문에 스트레스를 받는 상황이거나, 측정 대상이 휴식(Rest) 중이기 때문에 스트레스를 거의 받지 않는 상황일 수 있다.
일상 스트레스 분류기를 이용하여 분류 데이터에 대한 일상 스트레스 정도가 높거나 낮은지를 분류하는 과정(320)에서, 스트레스 정도가 높거나 낮다는 의미는 스트레스 지수가 제1 임계치 보다 높거나 낮음을 의미하거나, 스트레스가 있거나 없음을 의미하거나, 스트레스가 높거나 낮음을 의미할 수도 있다. 일상 스트레스 분류기는 과정(S210)에서 학습된 모델이다.
아래의 표는 한 개의 신호 특성 및 2개의 신호 특성의 조합에 대한 분류 데이터를 일상 스트레스 분류기를 이용하여 일상 스트레스의 유무(높고 낮음)의 정확도(%)로 분류한 것으로, 괄호 안은 표준 편차를 의미한다.
상기 표를 참조하면, 1개의 특성 조합 중 SS, SM 및 SP에서 높은 정확도를 보여주고 있으며, 2개 특성 조합에서 상대적으로 높은 정확도를 보여준다. 또한, 윈도우 측면에서 윈도우 2와 3은 두 기능 조합에서 윈도우 1 보다 높은 정확도를 보여준다.
도 6은 모든 윈도우 (1, 2, 3) 및 모든 상태 (휴식 및 작업)에서 1개 내지 3개의 특성 조합에 따른 일상 스트레스 분류의 정확도가 80 % 이상인 특성 조합의 수를 나타낸 그래프이다.
도 6을 참조하면, 조합된 특성의 개수가 늘어날수록 일상 스트레스의 유무(혹은 고저)에 대한 분류의 정확도가 높아지며, 중간(2번) 혹은 후반(3번)에 대응하는 윈도우에서 더 높은 일상 스트레스의 유무(혹은 고저)에 대한 분류의 정확도가 높아지는 것을 알 수 있다.
도 5의 하부의 상측을 참조하면, 분류 데이터는 Singlestress_level 모델을 이용하여 실험 스트레스가 높거나 낮은(혹은 유무) 데이터로 분류될 수 있다. 상세히는, 분류 데이터가 일상 스트레스가 높은 데이터인 경우, Singlehigh 모델은 일상 스트레스가 높은 분류 데이터에 대해 실험 스트레스가 높거나 낮은 데이터로 분류할 수 있다. 또한, 분류 데이터가 일상 스트레가 낮은 데이터인 경우, Singlelow 모델은 일상 스트레스가 낮은 분류 데이터에 대해 실험 스트레스가 높거나 낮은 데이터로 분류할 수 있다.
이는, Singlehigh 모델은 일상 스트레스가 높다고 응답한 날 측정된 스트레스 정도를 나타내는 데이터로 학습된 분류 모델이며, Singlelow 모델은 일상 스트레스가 낮다고 응답한 날 측정된 스트레스 정도를 나타내는 데이터로 학습된 분류 모델이기 때문이다.
실험 스트레스 분류기는 일상 스트레스가 높은 경우의 분류 데이터에 사용되는 제1 실험 스트레스 분류기와 일상 스트레스가 낮은 경우의 분류 데이터에 사용되는 제2 실험 스트레스 분류기를 포함할 수 있다. 제1 실험 스트레스 분류기 및 제2 실험 스트레스 분류기는 각각 Singlehigh 모델 및 Singlelow 모델에 대응할 수 있다.
일상 스트레스 정도가 높은 경우 제1 실험 스트레스 분류기를 이용하여 상기 분류 데이터에 대한 상기 실험 스트레스 정도가 높거나 낮은지를 분류하는 과정(S330, S340)에서, 실험 스트레스 정도가 높거나 낮은지를 분류하는 의미는 스트레스가 높거나 낮은 것을 의미하거나, 스트레스가 있거나 없음을 의미하거나, 스트레스 지수가 제2 임계치 보다 높거나 낮음을 의미할 수 있다. 제1 실험 스트레스 분류기는 과정(S220)에서 학습된 모델이다.
일상 스트레스 정도가 낮은 경우 제2 실험 스트레스 분류기를 이용하여 분류 데이터에 대한 실험 스트레스 정도가 높거나 낮은지를 분류하는 과정(S330, S350)에서, 실험 스트레스 정도가 높거나 낮은지를 분류하는 의미는 스트레스가 높거나 낮은 것을 의미하거나, 스트레스가 있거나 없음을 의미하거나, 스트레스 지수가 제3 임계치 보다 높거나 낮음을 의미할 수 있다. 제2 실험 스트레스 분류기는 과정(S230)에서 학습된 모델이다.
도 5의 하부의 하측을 참조하면,분류 데이터는 일상 스트레스가 높거나 낮은 것에 관계 없이 Combinedsample_size 모델을 이용하여 실험 스트레스가 높거나 낮은(혹은 유무) 데이터로 분류될 수 있다. Combinedsample_size 모델은 Call 모델 및 Callhalf 모델을 포함할 수 있으며, Call 모델과 Chalf 모델이 서로 구별되는 점은 학습 데이터의 양이다.
Call은 일상 스트레스 응답에 상관 없이 모든 스트레스 정도를 나타내는 테이터로 학습된 분류 모델이다. Chalf 은 Call 모델의 학습 데이터 중 랜덤하게 절반만 뽑은 데이터로 학습된 분류 모델이다. Call은 Singlestress_level 모델에 대비하여 학습 데이터의 양이 2배 (일상 스트레스가 높은 경우와 낮은 경우)이므로, Singlestress_level 모델과 동일한 양의 학습 데이터로 학습된 모델 간 대비를 위해 Chalf은 Call 의 학습 데이터의 반으로 학습되었다.
아래 표는 3개의 윈도우와 4가지 모델 모두에서 1 개 및 2 개 특성의 조합에 대한 전반적인 정신 상태 분류 결과를 정리한 것이다.
위의 표에 나타난 바와 같이, 모델 유형을 비교하면 Singlestress_level 모델이 Combinedsample_size 모델보다 성능이 우수하다. 이는 일상 스트레스 수준을 고려하는 Combinedsample_size 모델이 정신 상태 분류 성능을 향상시키는데 Singlestress_level 모델 보다 낮은 성능을 보여준다.
일상 스트레스 분류와 유사하게 Combinedsample_size 모델에도 조합된 특성의 수가 증가할수록 정확도가 향상되는 것을 알 수 있다. 예를 들어, 단일 특성 조합의 경우 가장 낮은 정확도는 윈도우 2의 모든 모델에 대해 50 ~ 60 % 범위에 있는데 반해, 동일한 값은 6 개 특성 조합에서 98 ~ 100 % 범위로 증가한다.
도 7은 모든 윈도우 (1, 2, 3) 및 모든 상태 (휴식 및 작업)에서 1개 내지 3개의 특성 조합에 따른 실험 스트레스 분류의 정확도가 70 % 이상인 특성 조합의 수를 나타낸 그래프이다.
도 7를 참조하면, 조합된 특성의 개수가 늘어날수록 실험 스트레스의 유무(혹은 고저)에 대한 분류의 정확도가 높아지며, 중간(2번) 혹은 후반(3번)에 대응하는 윈도우에서 더 높은 실험 스트레스의 유무(혹은 고저)에 대한 분류의 정확도가 높아지는 것을 알 수 있다.
도 8은 윈도우 3에서 Singlestress_level 모델의 Singlehigh 및 Singlelow의 평균 값, Combinedsample_size_all 모델, Combinedsample_size_half 모델에 대한 선택된 특성 조합의 평균 정신 상태 분류 정확도를 도시한 그래프이다.
도 8에 도시된 바와 같이, 일별 스트레스를 고려한 Singlestress_level 모델 (single_high 및 single_low)의 평균 성능은 Combinedsample_size 모델 (combinedhalf)보다 훨씬 높았으며 3개의 특성 조합의 경우 최대 35 %의 차이를 나타남을 볼 수 있다.
도 9는 본 발명의 실시예에 따른 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하기 위해 데이터를 전송하는 데이터 전송장치의 블록도를 도시한 것이다.
본 발명의 실시예에 따른 데이터 전송장치(2000)는, 단말기, 디바이스, 전자기기, 서버, 스마트폰, 태블릿 PC, PC, 스마트 TV, 휴대폰, PDA(personal digital assistant), 랩톱, 미디어 플레이어, 마이크로 서버, GPS(global positioning system) 장치, 전자책 단말기, 디지털방송용 단말기, 네비게이션, 키오스크, MP3 플레이어, 디지털 카메라, 가전기기 및 기타 컴퓨팅 장치, 시계, 안경, 헤어 밴드 및 반지 등의 웨어러블 디바이스, 및 사용자의 생체 정보를 측정하는 디바이스 중 하나일 수 있으나, 이에 한정되지 않으며, 전자장치(1000)는 데이터를 처리하고, 처리된 데이터를 제공할 수 있는 모든 종류의 기기를 포함할 수 있다.
도 9에 도시된 바와 같이, 본 발명의 실시예에 따른 데이터 전송장치(2000)는, 메모리(2100), 출력부(2200), 프로세서(2300), 센싱부(2400), 통신부(2500), 사용자 입력부(2700) 중 적어도 하나를 포함할 수 있다. 메모리(2100), 출력부(2200), 프로세서(2300), 통신부(2500)는 메모리(1100), 출력부(1200), 프로세서(1300), 통신부(1500)에 대한 설명과 중복되므로 자세한 설명은 생략한다.
사용자 입력부(2700)는, 사용자가 전송 장치(2000)를 제어하거나 정보를 입력하기 위한 데이터를 입력하는 수단을 의미한다.
센싱부(2400)는, 전송 장치(2000)의 상태 또는 전송 장치(1000) 주변의 상태를 감지하고, 감지된 정보를 프로세서(2300)로 전달할 수 있다. 센싱부(2400)는 사용자의 소변, 혈액, 타액 중 적어도 하나를 측정할 수 있다. 또는, 센싱부(2400)는 혈압, 피부 전도도, 심전도, 뇌파, 뇌의 산소포화도 및 헤모글로빈 농도 중 적어도 하나를 측정할 수 있다.
센싱부(2400)는 기능적 근적외선 분광기 (fNIRS)을 포함할 수 있다. 기능적 근적외선 분광기(fNIRS)는 피질의 생리학적 반응을 측정할 수 있다. fNIRS는 근적외선을 사용하여 피질 뇌의 산소포화도 및 탈산소 헤모글로빈 농도 변화를 측정하는 광학 이미징 기술이다. 최근 휴대용 및 다중 채널 fNIRS 하드웨어가 발전함에 따라 fNIRS는 다른 비침습적 뇌 영상 기술에 비해 비용 효율적이고 가벼운 측정 시스템으로 간주된다. fNIRS 기반 BCI (Brain-Computer Interface) 연구는 인지 작업 및 우울 상태 분류에서 유망한 결과를 보여주고 있다.
도 10은 본 발명의 실시예에 따른 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하기 위해 데이터를 전송하는 데이터 전송장치의 방법의 흐름도를 도시한 것이다. 도 11은 본 발명의 실시예에 따른 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하기 위해 데이터를 획득하는 과정의 블록도 이다.
본 발명의 실시예에 따른 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하기 위해 데이터를 전송하는 전송장치(2000)는 메모리(2100)에 저장되거나 프로세서(2300)에 의해 수행되도록 제어되는, 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하기 위해 데이터를 전송하는 과정을 수행할 수 있다.
도 10 및 도 11을 참조하면, 본 발명의 실시예에 따른 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하기 위해 데이터를 전송하는 과정은, 설문을 제공하는 과정(S1000), 답변을 수집하는 과정(S2000), 생체 데이터를 측정하는 과정(S3000), 생체 데이터를 전송하는 과정(S4000) 중 적어도 하나를 포함할 수 있다.
S1000 내지 S4000 과정은 모두 하나의 전송장치(2000)의 메모리(2100)에 저장되거나 프로세서(2300)에 의해 수행될 수 있다. 또는, 위와 달리, S1000 내지 S4000 과정은 각각 다른 전송장치들의 메모리에 저장되거나 프로세서에 의해 수행될 수 있다. 또한, S1000 내지 S4000 과정 중 적어도 하나가 소프트웨어 모듈(또는, 인스터력션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다.
설문을 제공하는 과정(S1000)은, 메모리(2300)에 저장된 혹은 통신부(2500)를 통해서 수신된 설문지를 출력부(2200)를 통해서 사용자에게 제공할 수 있다. 설문을 제공하는 과정은 사용자에게 소정 기간 동안 소정의 시간 간격으로 설문지를 제공할 수 있다. 예를 들어, 2주 동안 매일 반복적으로 사용자에게 설문을 제공할 수 있다.
설문 조사를 위한 설문지는 사용자의 기분과 행동에 따라 15개 항목으로 구성된 될 수 있다. 설문 항목은 스트레스-응답 척도, 스트레스-인식 척도에서 선택되고 조정될 수 있다. 예를 들어, 설문 항목은 학업 등과 같은 대학생 관련 질문이 포함될 수 있다.
답변을 수집하는 과정(S2000)은, 출력부(2200)를 통해 설문지가 사용자에게 제공된 경우 사용자는 사용자 입력부(2700)를 통해 설문 항목에 대한 답변을 입력할 수 있으며, 입력된 답변 정보를 수집할 수 있다.
입력된 답변은 5점 척도를 기반으로 나뉠 수 있다. 예를 들어, 답변은 (5) 매우 가능성 없음, (4) 다소 가능성 없음, (3) 중립적, (2) 다소 가능성 있음 (1) 매우 가능성 있음 중 하나일 수 있다. 모든 질문 항목에 대한 답변의 총점은 소정 시간 간격 동안의 스트레스 지수를 나타낼 수 있다. 예를 들어, 2주 동안 매일 반복적으로 제공된 설문에 대한 답변의 총점은 해당 날의 스트레스 지수로 결정될 수 있다.
답변을 수집하는 과정(S2000)은 사람 별 제1 임계치를 결정하는 과정을 포함할 수 있다. 사람마다 스트레스 지수가 다르기 때문에 모든 사람에게 동일한 제1 임계치를 적용하는 것은 부적절할 수 있다. 이러한 문제를 해소하기 위하여 본 발명에서 사람 별로 소정 기간 동안 수집된 답변의 스트레스 지수를 기준으로 이후 소정 기간 동안 수집된 답변의 스트레스 지수의 높고 낮음을 판단할 수 있다. 즉, 제1 임계치는 초기 소정 기간 동안 수집된 답변의 스트레스 지수에 의해서 결정될 수 있으며, 가장 작은 스트레스 지수 값인 최소 제1 임계치와 가장 큰 스트레스 지수 값인 최대 제1 임계치를 포함할 수 있다.
아래 표는 주별 매일 측정된 스트레스 지수를 나타낸 것이다.
본 발명은 1주차 응답의 개별 스트레스 지수의 범위를 기준으로 2주차 응답의 개별 스트레스 지수를 분석함으로써, 일상 스트레스가 많은 날과 낮은 날을 선택할 수 있다. 즉, 최소 및 최대 제1 임계치를 기준으로 이후 소정 기간의 응답의 개별 스트레스 지수를 대비하여 일상 스트레스의 유무를 판단할 수 있다.
예를 들어, 특정인에 대한 1주차에 응답한 스트레스 지수 중 최소가 14이고 최대가 26인 경우, 스트레스가 낮으면 14에 가까운 스트레스 지수를 가지고, 스트레스가 높을 때 26에 가까운 스트레스 지수를 가지고 있다고 가정할 수 있다. 해당 특정인에 대한 2주차에 응답한 스트레스 지수가 14와 26 사이인 경우 생략한다. 만약 스트레스 지수가 26 보다 큰 28인 경우 해당 날(하루)의 일상 스트레스가 높은 날로 선택된다. 만약 스트레스 지수가 14 보다 작은 12인 경우 해당 날(하루)의 일상 스트레스가 적은 날로 선택된다. 즉, 1주차의 개별 스트레스 지수를 기준으로, 2주차의 스트레스 지수에 따라 일상 스트레스가 높은 날을 선택할 것인지 낮은 날을 선택할 것인지가 결정된다.
생체 데이터를 측정하는 과정(S3000)은 센싱부(2400)를 이용하여 사용자의 생체 데이터를 측정할 수 있다.
생체 데이터를 측정하는 과정(S3000)은 일상 스트레스 정도에 따라 생체 데이터를 측정함을 결정할 수 있다. 일상 스트레스 정도란 일상 스트레스의 유무로 구분되거나, 일상 스트레스 정도가 높거나 낮은 날로 구분되거나, 일상 스트레스 정도가 (최소/최대) 제1 임계치 보다 크거나 낮음으로 구분될 수 있다. 생체 데이터를 측정하는 과정은 항상 동일한 시간에 행해질 수 있다.
생체 데이터를 측정하는 과정(S3000)은 사용자의 fNIRS 측정을 수행하는 과정을 포함할 수 있다. 사용자의 fNIRS 측정의 수행 과정은 사용자의 머리에 fNIRS 장치를 착용한 후 인지 작업을 수행한다. 사용자의 fNIRS 측정의 수행 프로토콜은 휴식(rest)과 특정 업무(task)의 조합으로 구성될 수 있다. 예를 들어, 소정 시간 동안 휴식 상태와 소정 시간 동안 특정 업무 상태를 반복적으로 수행하면서 사용자의 fNIRS 측정을 진행할 수 있다. 휴식(rest)은 사용자가 업무(task)를 수행하지 않는 상태를 의미하며, 특정 업무(task)란 사용자가 집중하여 일을 함으로써 스트레스를 받을 수 있는 어떠한 업무라도 관계 없다.
아래 표는 일 예에 따른 사용자의 fNIRS 측정의 수행 프로토콜로서, 초기 휴식과, SCWT(stroop color word task) 및 중간 휴식을 세번 반복하면서 fNIRS 기록하는 실험 수행 프로토콜이다.
일 예에 따른 사용자의 fNIRS 측정의 수행 과정은, 30초에 걸친 초기 휴식(initial rest) 기간 후, 30초 SCWT(stroop color word task)와 30초 휴식 기간이 번갈아 가며 세 번 반복될 수 있다. fNIRS 측정 과정은 210초 동안 지속될 수 있다.
SCWT는 E-Prime 소프트웨어 (E-Prime 3.0, Psychology Software Tools Inc., Sharpsburg, MD, USA)를 사용할 수 있다. 사용자는 각 SCWT 시험에 응답하기 위해 사용자 입력부(2700)를 누를 수 있다.
도 12(a) 내지 도 12(c)는 본 발명의 전송장치의 설정, 소스 및 감지기의 배열, 채널의 위치를 나타낸다.
도 12(a)를 참조하면, fNIRS 측정은 고밀도 NIRS 장치를 사용하여 사용자의 전두엽 피질 (PFC) 영역의 피질 혈역학적 변화를 기록한다. 전송장치(2000)는 사용자의 머리에 착용할 수 있는 웨어러블 fNIRS 장치일 수 있다.
도 12(b)를 참조하면, 전송장치(2000)는 24개의 이중 파장 레이저 다이오드 (780/850 nm)로 구성된 센서와 1.5cm 단위 거리로 분리된 32개의 검출기로 구성될 수 있다. 48개의 감지 영역에서 3cm 거리로 레이저와 검출기 쌍을 분리한다. 즉, 전송장치(2000)는 48 개의 채널을 분석할 수 있다. 각 채널의 광 신호 변동은 8.138Hz로 샘플링되었으며, 임계 신호 대 잡음비 (SNR)는 30dB이다.
각 파장에서 감지된 광 신호는 생리적 및 환경적 노이즈를 제거하기 위해 저역 통과 필터링 이산 코사인 변환 (DCT) 0.1Hz 및 고역 통과 필터링 이상 코사인 변환 (DCT) 0.005Hz로 필터링될 수 있다. 그런 다음 DPF (Differential Pathlength Factor) 방법을 사용하여 혈역학적 매개 변수(산소화 헤모글로빈 농도)로 변환한다. 780nm와 850nm의 DPF 값은 각각 5.075와 4.64 이다. 수정된 Beer-Lambert 법칙 (MBLL)을 사용하여 각 작업의 각 시험 동안 각 채널의 상대적 혈역학적 변화를 추출한다.
도 12(c)에 도시된 바와 같이, 미리 정의된 어레이에서 3cm 떨어진 소스-검출기 거리에서 48개 채널이 획득된다. 대뇌 피질의 미세 혈관을 측정하기 위해 두피에서 20mm의 깊이 침투가 적합하다. 가장 낮은 프로브의 중심은 피험자 간의 위치 불확실성을 제거하기 위해 국제 10-20 EEG 시스템의 FPz에 정렬되었다. 평균 SNR이 불량한 4 개 채널을 제외한 후 44 개 채널 값이 분석에 사용될 수 있다.
데이터를 전송하는 과정(S4000)은, 센싱부(2400)에 의해 측정한 사람의 생체 데이터를 전자장치(1000)에 전송하는 과정을 포함하거나, 측정한 사람의 생체 데이터를 전처리하는 과정과 전처리된 생체 데이터를 전자장치(1000)에 전송하는 과정을 포함할 수 있다. 전자의 경우 생체 데이터의 전저리 과정은 전자장치(1000)에서 수행될 수 있다.
생체 데이터는 fNIRS 측정을 이용하여 혈역학적 매개 변수(산소화 헤모글로빈 농도)에 관련된다. 생체 데이터의 전처리 과정은, 혈역학적 매개 변수(산소화 헤모글로빈 농도)를 이용하여 작업 상태 및 휴식 상태에서 신호 특징을 추출할 수 있다.
휴식 상태의 신호 특징은 초기 휴식(initial rest) 동안 기록된 응답에서 추출될 수 있다. 다른 예로, 휴식 상태의 신호 특징은 작업(SCWT)의 사이에 휴식(rest) 동안 기록된 응답에서 추출될 수 있다.
한편, 작업 상태의 신호 특징은 작업(SCWT) 동안 기록된 응답에서 추출될 수 있다. 작업 상태의 신호 특징은 작업 상태 내에서 소정 시간 간격 동안에 기록된 응답 각각에서 추출될 수 있다. 예를 들어, 소정 시간 간격이 10초 인 경우 작업 상태를 세 가지 다른 시간대로 나눠서 작업 상태의 신호 특징을 추출할 수 있다. 즉, 각 서브 작업 상태는 윈도우 1 (0-10 초), 윈도우 2 (10-20 초) 및 윈도우 3 (20-30 초)의 세 개의 윈도우로 나뉠 수 있다.
신호 특성은 신호 기울기(SS), 신호 평균(SM), 신호 분산(SV), 신호 피크(SP), 신호 첨도(SK) 및 신호 왜곡도(SSK)에 기초하여 내장 함수를 사용하여 계산될 수 있다. 신호 기울기 값은 각 시간 윈도우에서 선형 회귀의 기울기를 기반으로 계산된다. 모든 신호 특성 값(z)은 분류 성능을 향상시키기 위해 최소-최대 정규화를 사용하여 0과 1 사이로 스케일링된 로 될 수 있다. 이를 방정식으로 나타내면 아래와 같다.
위의 방정식에서 신호 특성 값은 실수 영역에 속하며(z ∈ Rn), n은 샘플 수, 는 다시 스케일링 된 z를 0과 1 사이의 범위로 표시한 것이고, zmax는 z에서 가장 큰 값, zmin은 z에서 가장 작은 값을 의미한다.
정리하면, 생체 데이터는 일상 스트레스의 정도(유무 혹은 고저) 및 각 정신 상태(휴식 및 작업)에 대해 세 가지 시간 프레임 (윈도우 1 ~ 3)에서 6가지 신호 특성 (SS, SM, SV, SP, SK 및 SSK)을 포함할 수 있으나, 이들을 반드시 모두 포함할 것은 아니며 이들 중 일부 데이터를 포함하도록 할 수 있다.
생체 데이터의 전처리 과정이 끝난 후에 전처리된 생체 데이터를 전자장치(1000)에 전송할 수 있다.
도 13은 본 발명의 실시예에 따른 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 시스템의 전체 흐름도를 도시한 것이다.
도 13에 도시된 바와 같이, 데이터 전송 장치(2000)는 스트레스 정도를 나타내는 데이터를 사용자로부터 획득한다(SS100). 데이터 전송 장치(2000)는 스트레스 정도를 나타내는 데이터에서 일상 스트레스의 고저가 라벨링된 제1 학습데이터를 전자장치(1000)에게 송신할 수 있다(SS110). 전자장치(1000)는 제1 학습데이터를 이용하여 일상 스트레스 분류기를 학습시킬 수 있다(SS120).
데이터 전송 장치(2000)는 스트레스 정도를 나타내는 데이터에서 일상 스트레스가 높은 데이터 중 실험 스트레스 상황에서 획득한 데이터와 휴식 상황에서 획득한 데이터로 라벨링된 제2 학습데이터를 전자장치(1000)에게 송신할 수 있다(SS130). 전자장치(1000)는 제2 학습데이터를 이용하여 제1 실험 스트레스 분류기를 학습시킬 수 있다(SS140).
데이터 전송 장치(2000)는 스트레스 정도를 나타내는 데이터에서 일상 스트레스가 낮은 데이터 중 실험 스트레스 상황에서 획득한 데이터와 휴식 상황에서 획득한 데이터로 라벨링된 제3 학습데이터를 전자장치(1000)에게 송신할 수 있다(SS150). 전자장치(1000)는 제3 학습데이터를 이용하여 제2 실험 스트레스 분류기를 학습시킬 수 있다(SS160).
참고로, 제1 내지 제3 학습 데이터를 위와 같이 순차적으로 전송될 수 있으며, 함께 전송될 수 있다.
데이터 전송 장치(2000)는 스트레스 정도를 나타내는 데이터를 분류 데이터로 전자장치(1000)에게 송신할 수 있다(SS170). 전자장치(1000)는 학습된 일상 스트레스 분류기를 이용하여 분류 데이터에서 일상 스트레스가 높은 데이터와 낮은 데이터를 분류할 수 있다(SS180). 전자장치(1000)는 학습된 제1 실험 스트레스 분류기를 이용하여 높은 일상 스트레스에 관한 데이터에서 스트레스가 높은 데이터와 낮은 데이터로 분류할 수 있으며, 학습된 제2 실험 스트레스 분류기를 이용하여 낮은 일상 스트레스에 관한 데이터에서 스트레스가 높은 데이터와 낮은 데이터로 분류할 수 있다(SS190).
이를 통하여, 본 발명은 사람 마다 느끼는 일상 스트레스의 감수성이 다른 점을 고려하여 일상 스트레스의 유무(또는 고저)를 판별하고, 일상 스트레스를 받는 상황에서도 스트레스의 유무(또는 고저)를 판별할 수 있는 효과를 제공할 수 있다.
본 발명은 도면에 도시된 실시 예를 참고로 설명되었으나 이는 예시적인 것에 불과하며, 본 기술 분야의 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 타 실시 예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 첨부된 등록청구범위의 기술적 사상에 의해 정해져야 할 것이다.
전자장치(1000)
데이터 전송장치(2000)
데이터 전송장치(2000)
Claims (20)
- 프로세스를 포함하는 전자장치에 의해 각 과정이 수행되는, 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 전자장치의 제어방법에 있어서,
스트레스 정도를 나타내는 분류 데이터를 획득하는 과정;
일상 스트레스 분류기를 이용하여 상기 분류 데이터에 대한 일상 스트레스 정도가 높거나 낮은지를 분류하는 과정;
상기 분류 데이터 중에서 상기 일상 스트레스 정도가 높은 제1 분류 데이터의 경우 제1 실험 스트레스 분류기를 이용하여 상기 제1 분류 데이터에 대한 실험 스트레스 정도가 높거나 낮은지를 분류하는 과정;
상기 분류 데이터 중에서 상기 일상 스트레스 정도가 낮은 제2 분류 데이터의 경우 제2 실험 스트레스 분류기를 이용하여 상기 제2 분류 데이터에 대한 실험 스트레스 정도가 높거나 낮은지를 분류하는 과정을 포함하며,
상기 일상 스트레스 분류기, 상기 제1 실험 스트레스 분류기, 상기 제2 실험 스트레스 분류기는 서로 다른 기계학습 모델인 것을 특징으로 하는, 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 전자장치의 제어방법. - 삭제
- 제1항에 있어서,
상기 일상 스트레스 분류기는 상기 스트레스 정도를 나타내되, 상기 일상 스트레스 정도가 높거나 낮다는 정보로 라벨링된 제1 학습 데이터로 학습되며,
상기 제1 실험 스트레스 분류기는 상기 제1 학습 데이터 중에서 상기 일상 스트레스 정도가 높으면서, 상기 실험 스트레스 정도가 높거나 낮다는 정보로 라벨링된 제2 학습 데이터로 학습되며,
상기 제2 실험 스트레스 분류기는, 상기 제1 학습 데이터 중에서 상기 일상 스트레스 정도가 낮으면서, 상기 실험 스트레스 정도가 높거나 낮다는 정보로 라벨링된 제3 학습 데이터로 학습되는, 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 전자장치의 제어방법. - 삭제
- 삭제
- 제1항에 있어서,
상기 스트레스 정도를 나타내는 분류 데이터는 fNIRS를 이용하여 인체의 산소포화도의 측정 값에 관한 데이터인 것을 특징으로 하는, 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 전자장치의 제어방법. - 프로세스를 포함하는 전자장치에 의해 각 과정이 수행되는, 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 전자장치의 제어방법에 있어서,
스트레스 정도를 나타내되, 일상 스트레스 정도가 높거나 낮다는 정보로 라벨링된 제1 학습 데이터를 획득하고, 상기 제1 학습 데이터로 일상 스트레스 분류기를 학습시키는 과정;
상기 제1 학습 데이터 중에서 상기 스트레스 정도를 나타내되, 상기 일상 스트레스 정도가 높으면서, 실험 스트레스 정도가 높거나 낮다는 정보로 라벨링된 제2 학습 데이터를 획득하고, 상기 제2 학습 데이터로 제1 실험 스트레스 분류기를 학습시키는 과정;
상기 제1 학습 데이터 중에서 상기 스트레스 정도를 나타내되, 상기 일상 스트레스 정도가 낮으면서, 상기 실험 스트레스 정도가 높거나 낮다는 정보로 라벨링된 제3 학습 데이터를 획득하고, 상기 제3 학습 데이터로 제2 실험 스트레스 분류기를 학습시키는 과정을 포함하며,
상기 일상 스트레스 분류기, 상기 제1 실험 스트레스 분류기, 상기 제2 실험 스트레스 분류기는 서로 다른 기계학습 모델인 것을 특징으로 하는, 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 전자장치의 제어방법. - 삭제
- 삭제
- 삭제
- 메모리 및 프로세서를 포함하며, 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 전자장치에 있어서,
상기 프로세서는,
스트레스 정도를 나타내는 분류 데이터를 획득하는 과정;
일상 스트레스 분류기를 이용하여 상기 분류 데이터에 대한 일상 스트레스 정도가 높거나 낮은지를 분류하는 과정;
상기 분류 데이터 중에서 상기 일상 스트레스 정도가 높은 제1 분류 데이터의 경우 제1 실험 스트레스 분류기를 이용하여 상기 제1 분류 데이터에 대한 실험 스트레스 정도가 높거나 낮은지를 분류하는 과정;
상기 분류 데이터 중에서 상기 일상 스트레스 정도가 낮은 제2 분류 데이터의 경우 제2 실험 스트레스 분류기를 이용하여 상기 제2 분류 데이터에 대한 실험 스트레스 정도가 높거나 낮은지를 분류하는 과정을 수행하며,
상기 일상 스트레스 분류기, 상기 제1 실험 스트레스 분류기, 상기 제2 실험 스트레스 분류기는 서로 다른 기계학습 모델인 것을 특징으로 하는, 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 전자장치. - 삭제
- 제11항에 있어서,
상기 일상 스트레스 분류기는 상기 스트레스 정도를 나타내되, 상기 일상 스트레스 정도가 높거나 낮다는 정보로 라벨링된 제1 학습 데이터로 학습되며,
상기 제1 실험 스트레스 분류기는 상기 제1 학습 데이터 중에서 상기 일상 스트레스 정도가 높으면서, 상기 실험 스트레스 정도가 높거나 낮다는 정보로 라벨링된 제2 학습 데이터로 학습되며,
상기 제2 실험 스트레스 분류기는, 상기 제1 학습 데이터 중에서 상기 일상 스트레스 정도가 낮으면서, 상기 실험 스트레스 정도가 높거나 낮다는 정보로 라벨링된 제3 학습 데이터로 학습되는, 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 전자장치. - 삭제
- 삭제
- 제11항에 있어서,
상기 스트레스 정도를 나타내는 분류 데이터는 fNIRS를 이용하여 인체의 산소포화도의 측정 값에 관한 데이터인 것을 특징으로 하는, 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 전자장치. - 메모리 및 프로세서를 포함하며, 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 전자장치에 있어서,
상기 프로세서는,
스트레스 정도를 나타내되, 일상 스트레스 정도가 높거나 낮다는 정보로 라벨링된 제1 학습 데이터를 획득하고, 상기 제1 학습 데이터로 일상 스트레스 분류기를 학습시키는 과정;
상기 제1 학습 데이터 중에서 상기 스트레스 정도를 나타내되, 상기 일상 스트레스 정도가 높으면서, 실험 스트레스 정도가 높거나 낮다는 정보로 라벨링된 제2 학습 데이터를 획득하고, 상기 제2 학습 데이터로 제1 실험 스트레스 분류기를 학습시키는 과정;
상기 제1 학습 데이터 중에서 상기 스트레스 정도를 나타내되, 상기 일상 스트레스 정도가 낮으면서, 상기 실험 스트레스 정도가 높거나 낮다는 정보로 라벨링된 제3 학습 데이터를 획득하고, 상기 제3 학습 데이터로 제2 실험 스트레스 분류기를 학습시키는 과정을 수행하고,
상기 일상 스트레스 분류기, 상기 제1 실험 스트레스 분류기, 상기 제2 실험 스트레스 분류기는 서로 다른 기계학습 모델인 것을 특징으로 하는, 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 전자장치.
- 삭제
- 삭제
- 삭제
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210073853A KR102575596B1 (ko) | 2021-06-08 | 2021-06-08 | 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 전자장치 및 그 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020210073853A KR102575596B1 (ko) | 2021-06-08 | 2021-06-08 | 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 전자장치 및 그 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220165846A KR20220165846A (ko) | 2022-12-16 |
| KR102575596B1 true KR102575596B1 (ko) | 2023-09-07 |
Family
ID=84534929
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020210073853A KR102575596B1 (ko) | 2021-06-08 | 2021-06-08 | 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 전자장치 및 그 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102575596B1 (ko) |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101258984B1 (ko) | 2011-03-31 | 2013-04-29 | 단국대학교 산학협력단 | 스트레스 완화 콘텐츠 제공 시스템 및 방법 |
| KR101435680B1 (ko) * | 2007-09-11 | 2014-09-02 | 삼성전자주식회사 | 다중 측정된 생체신호를 기반으로한 스트레스 분석방법 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101784058B1 (ko) | 2015-06-02 | 2017-10-10 | 고려대학교 세종산학협력단 | 닭의 발성음을 이용한 스트레스 탐지 및 분류 장치 및 방법 |
-
2021
- 2021-06-08 KR KR1020210073853A patent/KR102575596B1/ko active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101435680B1 (ko) * | 2007-09-11 | 2014-09-02 | 삼성전자주식회사 | 다중 측정된 생체신호를 기반으로한 스트레스 분석방법 |
| KR101258984B1 (ko) | 2011-03-31 | 2013-04-29 | 단국대학교 산학협력단 | 스트레스 완화 콘텐츠 제공 시스템 및 방법 |
Non-Patent Citations (1)
| Title |
|---|
| 임태균 외 3인. "랜덤포레스트 기법을 이용한 생체 신호 기반의 스트레스 평가 방법". Journal of the Korean Society of Safety. 제35권, 제1호, pp.62-69, 2020년 2월 공개 1부.* |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20220165846A (ko) | 2022-12-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Arpaia et al. | A wearable EEG instrument for real-time frontal asymmetry monitoring in worker stress analysis | |
| US11617523B2 (en) | Apparatus and method for estimating biological component | |
| KR102282961B1 (ko) | 감각 및 인지 프로파일링을 위한 시스템 및 방법 | |
| US10806390B1 (en) | System and method for detecting physiological state | |
| RU2768581C2 (ru) | Устройства, системы и способы для прогнозирования, скрининга и контроля энцефалопатии/делирия | |
| US20240148316A1 (en) | Eeg recording and analysis | |
| US10433753B2 (en) | Stochastic oscillator analysis in neuro diagnostics | |
| US20200205712A1 (en) | Assessment of risk for major depressive disorder from human electroencephalography using machine learned model | |
| Mahesh et al. | Requirements for a reference dataset for multimodal human stress detection | |
| CN116186502B (zh) | 一种多模态视觉神经功能检测方法及其系统 | |
| KR102575596B1 (ko) | 일상 스트레스를 고려한 기계학습 기반의 인지 상태를 분류하는 전자장치 및 그 방법 | |
| US20220199245A1 (en) | Systems and methods for signal based feature analysis to determine clinical outcomes | |
| JP7438495B2 (ja) | リファレンス刺激 | |
| US20240180434A1 (en) | System and method for blood pressure measurement, computer program product using the method, and computer-readable recording medium thereof | |
| Sharma | Physiological sensing for media perception & activity recognition | |
| WO2022038776A1 (ja) | ストレス推定装置、推定方法、プログラム及び記憶媒体 | |
| Mallikarjun et al. | Machine Learning Based Classifier for Falsehood Detection | |
| Zhu | Neurophysiological Variations and Pattern Recognition in Food Decision-Making Process | |
| Rauf et al. | Towards Improved Classification of Perceived Stress using Time Domain Features | |
| Manjunath et al. | A Smart Biomedical Healthcare System to Detect Stress using Internet of Medical Things, Machine Learning and Artificial Intelligence | |
| Tsiampa et al. | Investigating Feasibility of Stress Detection from Social Media Content Through Wearables | |
| Gupta | Computer Vision Approach for Estimating Human Health Parameters | |
| Nia et al. | FEAD: Introduction to the fNIRS-EEG Affective Database-Video Stimuli | |
| KR20230005031A (ko) | 지질농도 추정장치 및 방법 | |
| Pawankiattikun | A multiple observing times approach for real-time contact-free heart rate measurement using a webcam |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right |