KR102658692B1 - 웨어러블 기기 또는 휴대용 공기청정기 작동 정보에 기반한 오염 공기 노출 수준을 추정하는 방법, 장치 및 시스템 - Google Patents

웨어러블 기기 또는 휴대용 공기청정기 작동 정보에 기반한 오염 공기 노출 수준을 추정하는 방법, 장치 및 시스템 Download PDF

Info

Publication number
KR102658692B1
KR102658692B1 KR1020190104525A KR20190104525A KR102658692B1 KR 102658692 B1 KR102658692 B1 KR 102658692B1 KR 1020190104525 A KR1020190104525 A KR 1020190104525A KR 20190104525 A KR20190104525 A KR 20190104525A KR 102658692 B1 KR102658692 B1 KR 102658692B1
Authority
KR
South Korea
Prior art keywords
exposure level
fine dust
air
artificial intelligence
air purifier
Prior art date
Application number
KR1020190104525A
Other languages
English (en)
Other versions
KR20190105535A (ko
Inventor
박윤식
Original Assignee
엘지전자 주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 엘지전자 주식회사 filed Critical 엘지전자 주식회사
Priority to KR1020190104525A priority Critical patent/KR102658692B1/ko
Publication of KR20190105535A publication Critical patent/KR20190105535A/ko
Priority to US16/600,001 priority patent/US11410018B2/en
Application granted granted Critical
Publication of KR102658692B1 publication Critical patent/KR102658692B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0062—General constructional details of gas analysers, e.g. portable test equipment concerning the measuring method or the display, e.g. intermittent measurement or digital display
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/02—Investigating particle size or size distribution
    • F—MECHANICAL ENGINEERING; LIGHTING; HEATING; WEAPONS; BLASTING
    • F24—HEATING; RANGES; VENTILATING
    • F24F—AIR-CONDITIONING; AIR-HUMIDIFICATION; VENTILATION; USE OF AIR CURRENTS FOR SCREENING
    • F24F11/00—Control or safety arrangements
    • F24F11/30—Control or safety arrangements for purposes related to the operation of the system, e.g. for safety or monitoring
    • F24F11/32—Responding to malfunctions or emergencies
    • F24F11/39—Monitoring filter performance
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N15/00—Investigating characteristics of particles; Investigating permeability, pore-volume or surface-area of porous materials
    • G01N15/06—Investigating concentration of particle suspensions
    • G01N15/0606—Investigating concentration of particle suspensions by collecting particles on a support
    • G01N15/0637—Moving support
    • G01N15/0643—Moving support of the filter type
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N5/00—Computing arrangements using knowledge-based models
    • G06N5/01—Dynamic search techniques; Heuristics; Dynamic trees; Branch-and-bound
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/26—Government or public services
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
    • G08B21/0438—Sensor means for detecting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/004—Artificial life, i.e. computing arrangements simulating life
    • G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/047—Probabilistic or stochastic networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Chemical & Material Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • Computing Systems (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • Computational Linguistics (AREA)
  • Tourism & Hospitality (AREA)
  • Molecular Biology (AREA)
  • Pathology (AREA)
  • Immunology (AREA)
  • Biophysics (AREA)
  • Biochemistry (AREA)
  • Analytical Chemistry (AREA)
  • Biomedical Technology (AREA)
  • Combustion & Propulsion (AREA)
  • General Business, Economics & Management (AREA)
  • Economics (AREA)
  • Dispersion Chemistry (AREA)
  • Strategic Management (AREA)
  • Primary Health Care (AREA)
  • Marketing (AREA)
  • Human Resources & Organizations (AREA)
  • Medicinal Chemistry (AREA)
  • Food Science & Technology (AREA)
  • Emergency Management (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Gerontology & Geriatric Medicine (AREA)
  • Mechanical Engineering (AREA)

Abstract

본 발명에 의해 웨어러블 기기 또는 휴대용 공기청정기 작동 정보에 기반한 오염 공기 노출 수준 추정 장치, 및 오염 공기 노출 수준을 추정하기 위한 인공지능 모델을 학습시키는 서버를 포함하는 오염 공기 노출 수준 추정 시스템이 개시된다. 오염 공기 노출 수준 추정 장치는 웨어러블 기기 또는 휴대용 공기청정기의 미세 먼지 센서로부터 측정된 미세 먼지 농도를 수신하는 수신부, 측정된 미세 먼지 농도를 기초로 웨어러블 기기 또는 휴대용 공기청정기를 휴대한 휴대자의 오염 공기 노출 수준을 추정하는 노출 수준분류부, 및 미세 먼지 농도를 서버로 전송하는, 서버와 통신하는 통신부를 포함하고, 서버는 측정된 미세 먼지 농도에 관한 데이터를, 휴대자의 오염 공기 노출 수준을 추정하기 위해 심층신경망을 통해 학습시킨 인공지능 모델을 생성하는 인공지능 모델 학습부를 포함할 수 있다. 본 발명에 따르면, 인공지능(AI), 인공지능 기반의 오염 공기 노출 수준 추정 기술과 5G 네트워크를 이용하여 웨어러블 기기 또는 휴대용 공기청정기 휴대자의 오염 공기 노출 수준을 추정할 수 있다.

Description

웨어러블 기기 또는 휴대용 공기청정기 작동 정보에 기반한 오염 공기 노출 수준을 추정하는 방법, 장치 및 시스템{METHOD, DEVICE, AND SYSTEM FOR INFERRING CONTAMINATED AIR EXPOSURE LEVELS BASED ON WEARABLE DEVICE OR PORTABLE AIR PURIFIER OPERATTION INFROMATION}
본 발명은 오염 공기 노출 수준을 추정하는 방법, 장치 및 시스템에 관한 것으로, 더욱 상세하게는 웨어러블 기기 또는 휴대용 공기청정기의 작동 정보에 기반하여 웨어러블 기기 또는 휴대용 공기청정기를 휴대한 사람(이하, '휴대자'라고 함)의 오염 공기 노출 수준을 추정하는 방법, 장치, 및 시스템에 관한 것이다.
산업이 발달함에 따라 대기 오염이 심각해지고 있다. 공기 중을 떠도는 대기오염물질에는 여러 종류가 있지만 과학자들은 크게 아황산가스나 일산화탄소, 오존 등으로 대표되는 가스상 물질과 미세먼지나 초미세먼지와 같은 입자상 물질로 구분한다. 대부분의 가스상 물질들이 인간의 일상생활과 산업활동에서 배출되는 데에 반해서 입자상 물질은 그 근원이 대단히 복잡하다. 입자상 물질의 상당 부분은 산업단지나 대도시에서의 인간 활동에서 비롯되지만 황사나 화산활동처럼 자연현상에서 만들어지기도 하고 또는 지표면의 먼지가 바람에 휩쓸려 공기 중으로 들어가기도 하기 때문이다.
먼지로 인한 대기오염이 심해지면서 실제로 정부는 대기오염 물질 가운데 먼지를 측정하기 시작했으며, 황사, 미세먼지(PM10 이하), 및 초미세먼지(PM2.5이하) 정보를 제공하고 있다.
종래에는 공기 오염도에 대한 날씨 정보 활용 또는 휴대용 먼지 센서 결과를 참조하여, 가전 기기를 연동하는 경우가 있었다.
선행기술 1은 외부로부터 대기오염도정보를 수신하고, 미세먼지정보, 대기오염도정보를 이용하여 오염된 공기에 포함된 물질을 정확하게 측정하고 효율적으로 공기를 정화하기 위한 공기청정기 제어방법 및 공기청정기를 개시한다. 그러나, 실제 사용자가 공기 오염도가 얼마나 심한 지역에 있었는지 판단할 수 없기 때문에, 선행기술 1의 공기 청정기는 천편일률적으로 날씨 정보에 의존하여 공기를 정화하는 제어방법을 제공하는데 불과하였다.
이와 같이, 종래에는 미세먼지정보 및 대기오염정보를 이용하였기 때문에, 실제 사용자가 실외 활동으로 인해 오염된 공기에 노출된 정도를 파악하기 힘들다는 단점을 가지고 있었다.
선행기술 1: 한국 공개특허공보 제10-2017-0077691호
본 발명의 일 실시 예는, 웨어러블 기기 또는 휴대용 공기청정기의 먼지 센서 정보 및 공기청정기 기능에 대한 효과를 인지하여 휴대용 공기청정기를 휴대한 사용자가 오염된 공기에 노출된 정도를 파악하는 것이다.
본 발명의 일 실시 예는, 해당 정보를 다양한 의류 관련 가전 및 공기정화 관련 가전과 공유하여 연동 시 의류관리기/세탁기/공기청정기의 미세먼지코스를 자동 실행할 수 있게 하는 것이다.
본 발명의 일 실시 예는, 웨어러블 기기 또는 휴대용 공기청정기의 먼지 센서 정보 및 휴대용 공기청정기의 필터 사용량 등을 이용하여 오염 공기 노출 수준을 미리 예측하게 하는 것이다.
본 발명의 일 실시 예는, 인공지능 기술을 이용하여 사용자의 건강을 유지하고 보다 편리하게 의류 및 공기청정 관련 가전 제품을 사용하게 하는 것이다.
본 발명의 목적은 이상에서 언급한 과제에 한정되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시 예에 의해보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 알 수 있을 것이다.
상술한 과제를 해결하기 위한 본 발명의 일 실시 예에 따른 오염 공기 노출 수준 추정 방법, 장치 및 시스템은 AI 기술을 기반으로 오염 공기 노출 수준을 추정하는 웨어러블 기기 또는 휴대용 공기청정기 작동 정보에 기반한 오염 공기 노출 수준을 추정하는 방법 및 오염 공기 노출 수준 추정 장치를 개시한다.
구체적으로, 웨어러블 기기 또는 휴대용 공기청정기 작동 정보에 기반한 오염 공기 노출 수준을 추정하는 방법은 웨어러블 기기 또는 휴대용 공기청정기의 미세 먼지 센서로부터 측정된 미세 먼지 농도를 수신하는 단계, 미세 먼지 농도를 기초로 휴대자의 오염 공기 노출 수준을 추정하는 단계, 및 추정된 휴대자의 오염 공기 노출 수준이 미리 정해진 임계값을 넘는 경우 추정된 오염 공기 노출 수준에 관한 정보를 휴대자에게 알리거나, 또는 의류 관련 기기 또는 공기 정화 관련 기기에 전달하는 단계를 포함할 수 있다.
본 발명의 일 실시 예에서, 미리 정해진 임계값을 넘는지 판단 여부는 특정 시간당 미세먼지 농도가 특정 값을 넘는지로 결정할 수 있다.
본 발명의 다른 실시 예에서, 오염 공기 노출 수준을 추정하는 방법은 오염 공기 노출 수준에 기초하여 의류 관련 기기 또는 공기 정화 관련 기기에 공기 오염 관련 실행 코스를 자동으로 실행하는 것을 지시하는 단계를 더 포함할 수 있다.
본 발명의 다른 실시 예에서, 휴대자의 오염 공기 노출 수준을 추정하는 단계는 미세 먼지 농도에 관한 데이터를, 휴대자의 오염 공기 노출 수준을 추정하기 위해 학습된 인공지능 모델에 적용하는 단계, 및 학습된 인공지능 모델로부터 휴대자의 오염 공기 노출 수준을 출력하는 단계를 포함할 수 있다.
본 발명의 다른 실시 예에서, 미세 먼지 농도를 수신하는 단계는 휴대용 공기청정기로부터 필터 사용량을 추가로 수신하는 것을 포함하고, 휴대자의 오염 공기 노출 수준을 추정하는 단계는 휴대용 공기청정기의 먼지 센서로부터 수신한 미세먼지 농도 및 휴대용 공기청정기의 필터 사용량을 기초로 휴대자의 오염 공기 노출 수준을 추정하는 것을 포함할 수 있다.
본 발명의 다른 실시 예에서, 미세 먼지 농도를 수신하는 단계는 휴대용 공기청정기로부터 휴대용 공기청정기의 팬의 세기에 대한 정보를 추가로 수신하는 것을 포함하고, 휴대자의 오염 공기 노출 수준을 추정하는 단계는 특정 시간당 미세 먼지 농도 및 휴대용 공기청정기의 팬의 세기에 기초하여 휴대자의 오염 공기 노출 수준을 추정하는 것을 포함할 수 있다.
본 발명의 다른 실시 예에서, 휴대자의 오염 공기 노출 수준을 추정하는 단계는 미세 먼지 농도 및 필터 사용량에 관한 데이터를, 휴대자의 오염 공기 노출 수준을 추정하기 위해 학습된 인공지능 모델에 적용하는 단계, 및 학습된 인공지능 모델로부터 휴대자의 오염 공기 노출 수준을 출력하는 단계를 포함할 수 있다.
본 발명의 다른 실시 예에 따른 오염 공기 노출 수준 추정 장치는 웨어러블 기기 또는 휴대용 공기청정기의 미세 먼지 센서로부터 측정된 미세 먼지 농도를 수신하는 수신부, 미세 먼지 농도를 기초로 웨어러블 기기 또는 휴대용 공기청정기를 휴대한 휴대자의 오염 공기 노출 수준을 추정하는 노출 수준분류부, 및 추정된 휴대자의 오염 공기 노출 수준이 미리 정해진 임계값을 넘는 경우 추정된 오염 공기 노출 수준에 관한 정보를 의류 관련 기기 또는 공기 정화 관련 기기에 전달하는 통신부를 포함할 수 있다.
본 발명의 다른 실시 예에서, 통신부는 미리 정해진 임계값을 넘는지 판단 여부는 특정 시간당 미세먼지 농도가 특정 값을 넘는지로 결정할 수 있다.
본 발명의 다른 실시 예에서, 오염 공기 노출 수준 추정 장치는 추정된 오염 공기 노출 수준에 기초하여 공기 정화 관련 기기에 공기 오염 관련 실행 코스를 자동으로 실행하는 것을 통신부를 통해 지시하는 제어부를 더 포함할 수 있다.
본 발명의 다른 실시 예에서, 수신부는 휴대용 공기청정기로부터 필터 사용량을 추가로 수신하도록 구성되고, 노출 수준분류부는 휴대용 공기청정기의 먼지 센서로부터 수신한 미세먼지 농도 및 휴대용 공기청정기의 필터 사용량을 기초로 오염 공기 노출 수준을 추정하도록 구성될 수 있다.
본 발명의 다른 실시 예에서, 수신부는 휴대용 공기청정기로부터 휴대용 공기청정기 팬의 세기에 대한 정보를 추가로 수신하도록 구성되고, 노출 수준분류부는 특정 시간당 미세 먼지 농도 및 휴대용 공기청정기의 팬의 세기에 기초하여 휴대자의 오염 공기 노출 수준을 추정하도록 구성될 수 있다.
본 발명의 다른 실시 예에서, 통신부는 미세 먼지 센서의 정보, 휴대용 공기청정기의 공기 청정에 의한 먼지 개선 효과, 또는 추정된 오염 공기 노출 수준 중 적어도 하나를 휴대자에게 알릴 수 있다.
본 발명의 다른 실시 예에서, 노출 수준분류부는 미세 먼지 농도에 관한 데이터를, 휴대자의 오염 공기 노출 수준을 추정하기 위해 학습된 인공지능 모델에 적용하고, 학습된 인공지능 모델로부터 휴대자의 오염 공기 노출 수준을 출력하도록 구성될 수 있다.
본 발명의 다른 실시 예에서, 노출 수준분류부는 미세 먼지 농도 및 필터 사용량에 관한 데이터를, 오염 공기 노출 수준을 추정하기 위해 학습된 인공지능 모델에 적용하고, 학습된 인공지능 모델로부터 오염 공기 노출 수준을 출력하도록 구성될 수 있다.
본 발명의 다른 실시 예에 따른 웨어러블 기기 또는 휴대용 공기청정기 작동 정보에 기반한 오염 공기 노출 수준을 추정하는 방법 및 오염 공기 노출 수준 추정 장치에서, 학습된 인공지능 모델은 복수의 미세 먼지 농도에 관한 데이터 및 복수의 미세 먼지 농도에 관한 데이터에 오염 공기 노출 수준의 레이블을 매칭한 데이터들을 포함하는 학습용 데이터로 인공지능 모델을 학습시켜서 생성된 노출 수준분류엔진일 수 있다.
본 발명의 다른 실시 예에 따른 웨어러블 기기 또는 휴대용 공기청정기 작동 정보에 기반한 오염 공기 노출 수준을 추정하는 방법 및 오염 공기 노출 수준 추정 장치에서, 학습된 인공지능 모델은 복수의 미세 먼지 농도 및 휴대용 공기청정기 작동 후의 필터 사용량에 관한 데이터들, 및 필터 사용량에 오염 공기 노출 수준의 레이블을 매칭한 데이터들을 포함하는 학습용 데이터로 인공지능 모델을 학습시켜서 생성된 노출 수준분류엔진일 수 있다.
본 발명의 다른 실시 예에 따른 웨어러블 기기 또는 휴대용 공기청정기 작동 정보에 기반한 오염 공기 노출 수준을 추정하는 방법 및 오염 공기 노출 수준 추정 장치에서, 노출 수준분류엔진은 분류(Classification) 또는 회귀(Regression) 분석에 의해 기계학습된 노출 수준분류엔진일 수 있다.
본 발명의 다른 실시 예에 따른 오염 공기 노출 수준 추정 시스템은 웨어러블 기기 또는 휴대용 공기청정기 작동 정보에 기반 오염 공기 노출 수준 추정 장치, 및 웨어러블 기기 또는 휴대용 공기청정기 작동 정보를 수집하며 오염 공기 노출 수준을 추정하기 위한 인공지능 모델을 학습시키는 서버를 포함할 수 있고, 오염 공기 노출 수준 추정 장치는 웨어러블 기기 또는 휴대용 공기청정기의 미세 먼지 센서로부터 측정된 미세 먼지 농도를 수신하는 수신부, 측정된 미세 먼지 농도를 기초로 웨어러블 기기 또는 휴대용 공기청정기를 휴대한 휴대자의 오염 공기 노출 수준을 추정하는 노출 수준분류부, 및 미세 먼지 농도를 서버로 전송하는, 서버와 통신하는 통신부;를 포함하고, 서버는 측정된 미세 먼지 농도에 관한 데이터를, 휴대자의 오염 공기 노출 수준을 추정하기 위해 인공지능 알고리즘을 통해 학습시킨 인공지능 모델을 생성하는 인공지능 모델 학습부를 포함하고, 서버는 인공지능 모델 학습부를 통해 학습시킨 학습된 인공지능 모델을 오염 공기 노출 수준 추정 장치로 전송하도록 구성되고, 오염 공기 노출 수준 추정 장치의 노출 수준분류부는 서버에서 전송받은 학습된 인공지능 모델을 통해 오염 공기 노출 수준을 추정하도록 구성될 수 있다.
이 외에도, 본 발명을 구현하기 위한 다른 방법, 다른 시스템 및 방법을 실행하기 위한 컴퓨터 프로그램이 더 제공될 수 있다.
전술한 것 외의 다른 측면, 특징, 이점이 이하의 도면, 특허청구범위 및 발명의 상세한 설명으로부터 명확해질 것이다.
본 발명의 실시 예에 의하면, 인공지능(AI), 인공지능 기반의 오염 공기 노출 수준 추정 기술과 5G 네트워크를 이용하여 사용자의 오염 공기 노출 수준을 추정할 수 있다.
본 발명의 실시 예에 의하면, 사용자의 실제 오염 공기에 대한 노출 정도를 인지하여 다양한 의류 관련 가전 및 공기 청정 관련 가전과 연동 시 최적 코스를 자동으로 실행할 수 있다.
본 발명의 실시 예에 의하면, 클라우드 서버와 같은 데이터 저장 장치를 통해 일정 지역 내의 휴대용 공기청정기들의 먼지 감지 정보 및 공기청정기 작동 정보를 수집하여 공기 오염 정도를 사용자에게 예보할 수 있다.
본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명의 일 실시 예에 따른 오염 공기 노출 수준 추정 장치, 휴대용 공기청정기 또는 웨어러블 기기, 의류 관련 가전, 공기 청정 관련 가전, 서버 및 이들을 통신 연결하는 네트워크를 포함하는 시스템 환경의 예시도이다.
도 2는 본 발명의 일 실시 예에 따른 공기 오염도 감지 센서의 정보로 오염 공기 노출 수준 추정 장치에서 의류 및 공기 청정 관련 가전 제품까지 연동 과정을 도시한 예시도이다.
도 3a는 본 발명의 일 실시 예에서 사용되는 휴대용 공기청정기의 미세먼지 농도를 도시한 예시도이다.
도 3b는 본 발명의 일 실시 예에서 사용되는 휴대용 공기청정기의 필터 사용량을 도시한 예시도이다.
도 4는 오염 공기 노출 수준 추정 장치 및 서버를 포함하는 오염 공기 노출 수준 추정 시스템의 예시도이다.
도 5는 본 발명의 일 실시 예에 따른 오염 공기 노출 수준 추정 장치의 블록도이다.
도 6은 본 발명의 일 실시 예에 따른 오염 공기 노출 수준 추정 방법을 도시한 흐름도이다.
도 7a는 본 발명의 일 실시 에에 따른 인공지능 모델 학습부를 통해 노출 수준분류엔진을 학습시키는 흐름도이다.
도 7b는 본 발명의 일 실시예에 따른 오염 공기 노출 수준 추정 장치 또는 서버에서 오염 공기 노출 수준을 추정하기 위해 학습시키는 인공지능 모델의 구조를 설명하기 위한 도면이다.
도 8은 본 발명의 일 실시 예에 따라 오염 공기 노출 수준 추정 장치를 통해 추정된 오염 공기 노출 수준을 사용자에게 알리는 예시도이다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 설명되는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 아래에서 제시되는 실시 예들로 한정되는 것이 아니라, 서로 다른 다양한 형태로 구현될 수 있고, 본 발명의 사상 및 기술 범위에 포함되는 모든 변환, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 아래에 제시되는 실시 예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다. 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
본 출원에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다. 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
이하, 본 발명에 따른 실시 예들을 첨부된 도면을 참조하여 상세히 설명하기로 하며, 첨부 도면을 참조하여 설명함에 있어, 동일하거나 대응하는 구성 요소는 동일한 도면번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 본 발명의 일 실시 예에 따른 오염 공기 노출 수준 추정 장치, 휴대용 공기청정기 또는 웨어러블 기기, 의류 관련 가전, 공기 청정 관련 가전, 서버 및 이들을 통신 연결하는 네트워크를 포함하는 시스템 환경의 예시도이다.
오염 공기 노출 수준 추정 장치(100) 또는 오염 공기 노출 수준 추정 시스템은 사물 인터넷을 위해 연결된 5G 환경에서 빅데이터, 인공지능(artificial intelligence, AI) 알고리즘 및/또는 기계학습(machine learning) 알고리즘을 이용하여 정밀한 동적 수평 불량 여부를 결정할 수 있다. 오염 공기 노출 수준 추정 장치(100)는 사용자 단말기에 어플리케이션 앱형태로 설치될 수 있으며, 휴대용 공기청정기(110) 또는 웨어러블 기기(112) 내에 매립될 수 있다.
도 1을 참조하면, 오염 공기 노출 수준 추정 시스템의 구동 환경(1)은 오염 공기 노출 수준 추정 장치(100), 의류 및 공기청정 관련 가전제품(200), 서버(300), 및 네트워크(400)를 포함할 수 있다. 의류 및 공기청정 관련 가전제품(200) 중 의류 관련 가전제품은 의류 관리기(201) 및 세탁기(202)를 포함할 수 있고, 공기청정 관련 가전제품은 공기청정기(203) 및 에어컨(204) 등을 포함할 수 있다. 오염 공기 노출 수준 추정 장치(100)는 통신부(125)를 포함할 수 있고, 유선 또는 무선 네트워크(400)를 통해 서버(300)로 오염 공기 노출 수준 추정 장치(100)의 센서 데이터들을 전송할 수 있고, 서버(300)는 각종 공기 오염 관련 정보 및 학습된 인공지능모델을 오염 공기 노출 수준 추정 장치(100) 또는 세탁기와 같은 의류 및 공기청정 관련 가전제품(200)에 전송할 수 있다.
본 발명의 일 실시 예에서 오염 공기 노출 수준 추정 장치(100)는 휴대용 공기청정기(110) 및 웨어러블 기기(112)로부터 공기 오염도에 관한 정보를 수신하여 네트워크(400)를 통해 의류 및 공기청정 관련 가전제품(200) 및 서버(300)와 통신할 수 있으며, 딥러닝(Deep Learning) 등 기계학습(machine learning)을 수행할 수 있고, 메모리(121)는, 기계학습에 사용되는 데이터, 결과 데이터 등을 저장할 수 있다.
서버(300)는 각종 인공지능 알고리즘을 적용하는데 필요한 빅데이터 및 오염 공기 노출 수준 추정 장치(100)를 동작시키는 데이터를 제공하는 데이터베이스 서버일 수 있다. 그 밖에 서버(300)는 사용자 단말기에 설치된 오염 공기 노출 수준 추정 애플리케이션 또는 오염 공기 노출 수준 추정 웹 브라우저를 이용하여 오염 공기 노출 수준 추정 장치(100)의 동작을 원격에서 제어할 수 있도록 하는 웹 서버 또는 애플리케이션 서버를 포함할 수 있다.
여기서 인공 지능(artificial intelligence, AI)은, 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미할 수 있다.
또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.
기계학습(machine learning)은 인공지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야를 포함할 수 있다. 구체적으로 기계학습은, 경험적 데이터를 기반으로, 학습 데이터(트레이닝 데이터) 세트 및/또는 테스트 데이터 세트를 생성하여 학습을 하여 학습된 모델을 결정하고, 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있다. 기계학습의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취할 수 있다.
네트워크(400)는 휴대용 공기청정기(110), 웨어러블 기기(112), 오염 공기 노출 수준 추정 장치(100), 의류 및 공기청정 관련 가전제품(200)과, 서버(300)를 연결하는 역할을 수행할 수 있다. 이러한 네트워크(400)는 예컨대 LANs(local area networks), WANs(wide area networks), MANs(metropolitan area networks), ISDNs(integrated service digital networks) 등의 유선 네트워크나, 무선 LANs, CDMA, 블루투스, 위성 통신 등의 무선 네트워크를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다. 또한 네트워크(400)는 근거리 통신 및/또는 원거리 통신을 이용하여 정보를 송수신할 수 있다. 여기서 근거리 통신은 블루투스(bluetooth), RFID(radio frequency identification), 적외선 통신(IrDA, infrared data association), UWB(ultra-wideband), ZigBee, Wi-Fi (wireless fidelity) 기술을 포함할 수 있고, 원거리 통신은 CDMA(code division multiple access), FDMA(frequency division multiple access), TDMA(time division multiple access), OFDMA(orthogonal frequency division multiple access), SC-FDMA(single carrier frequency division multiple access) 기술을 포함할 수 있다.
네트워크(400)는 허브, 브리지, 라우터, 스위치 및 게이트웨어와 같은 네트워크 요소들의 연결을 포함할 수 있다. 네트워크(400)는 인터넷과 같은 공용 네트워크 및 안전한 기업 사설 네트워크와 같은 사설 네트워크를 비롯한 하나 이상의 연결된 네트워크들, 예컨대 다중 네트워크 환경을 포함할 수 있다. 네트워크(400)에의 액세스는 하나 이상의 유선 또는 무선 액세스 네트워크들을 통해 제공될 수 있다. 더 나아가 네트워크(400)는 사물 등 분산된 구성 요소들 간에 정보를 주고 받아 처리하는 IoT(Internet of Things, 사물인터넷) 망 및/또는 5G 통신을 지원할 수 있다.
도 2는 본 발명의 일 실시 예에 따른 공기 오염도 감지 센서의 정보로 오염 공기 노출 수준 추정 장치에서 의류 및 공기 청정 가전 제품까지 연동 과정을 도시한 예시도이다.
본 발명의 일 실시예에서, 휴대자가 야외활동 동안 사용한 휴대용 공기청정기(110)의 미세 먼지 농도, 팬의 세기 및 필터 사용량 등은 휴대자가 오염 공기에 노출된 수준을 추정하는 기준이 될 수 있다.
오염 공기 노출 수준 추정 장치(100)는 스마트워치와 같은 웨어러블 기기(112)에 장착된 먼지 센서, 또는 휴대용 공기청정기(110)에 장착된 먼지 센서로부터 미세 먼지 농도에 관한 데이터를 수신하고, 추가적으로 휴대용 공기청정기(110)로부터 팬의 세기 및 필터 사용량에 관한 데이터를 수신할 수 있고(①), 미세 먼지 농도에 관한 데이터, 팬의 세기 또는 필터 사용량에 관한 데이터 중 적어도 하나를 기초로 휴대자의 오염 공기 노출 수준을 추정할 수 있으며, 상기 추정된 휴대자의 오염 공기 노출 수준이 미리 정해진 임계값을 넘는 경우 Wi-Fi, 블루투스, IoT, 또는 5G 통신 등을 통해 의류 관리기(201), 세탁기(202), 공기청정기(203) 및 에어컨(204)등 의류 및 공기청정 관련 가전제품과 같은 외부 가전 기기(200)들에 오염 공기 노출 수준에 관한 정보를 전달할 수 있다(②).
본 발명의 일 실시예에서, 오염공기 노출 수준 추정장치(100) 및 서버(300)는 휴대자가 야외활동 직후 공기청정 관련 가전(203, 204)을 작동시켰을 때 휴대자가 야외활동 동안 사용한 휴대용 공기청정기(110)의 미세먼지 농도, 팬의 세기 또는 필터 사용량 중 적어도 하나에 관한 데이터를 수신하여 휴대자의 오염공기 노출 수준을 추정하기 위한 인공지능모델을 학습시킬 수 있다.
오염 공기 노출 수준에 관한 정보를 전달 받은 의류 및 공기청정 관련 가전제품과 같은 외부 가전 기기(200)는 사용자에게 미세 먼지 센서의 정보, 휴대용 공기청정기의 공기 청정에 의한 먼지 개선 효과, 또는 시간당 오염 공기 노출 수준 중 적어도 하나를 휴대자에게 알릴 수 있다. 또한, 연동된 의류 및 공기청정 관련 가전제품과 같은 외부 가전 기기(200)는 추정된 오염 공기 노출 수준 결과를 의류 및 공기청정 관련 가전제품과 같은 외부 가전 기기(200)에 맞게 미세먼지 관련 최적 코스를 자동실행하게 할 수 있다.
도 3a는 본 발명의 일 실시 예에서 사용되는 휴대용 공기청정기 및 공기청정 관련 가전 제품의 미세먼지 농도를 도시한 예시도이다.
미세 먼지 농도는 ㎍/m³로 표기될 수 있다. 휴대용 공기청정기(110)는 미세 먼지(PM10)를 농도별 구간을 나누어 '좋음(0~30㎍)', '보통(31~80㎍)', '나쁨(81~150㎍)', 및 '매우나쁨(151㎍ 이상)'으로 표시할 수 있다. 또한, 휴대용 공기청정기(110)는 극초미세먼지, 초미세먼지, 및 미세 먼지를 측정할 수 있다. 또한, 현재 미세먼지 정화 상태를 표시할 수 있다.
본 발명의 일 실시 예에서, 휴대용 공기청정기의 미세 먼지 농도는 농도 이외에 다르게 측정될 수 있다. 예를 들어, ㎛(마이크로미터)로 표시될 수 있다. 미세먼지는 크기(㎛)에 따라 미세먼지(PM10)와 초미세먼지(PM2.5)로 구분할 수 있다. 또한, 초미세먼지의 크기를 PM1.0으로 구분할 수 있다. 미세먼지의 크기는 PM(Particulate Matter·입자상 물질) 뒤에 숫자를 붙여 표현하는 경우가 많다. 예를 들어 ‘PM10’은 10㎛ 이하 미세먼지를 뜻하고 ‘PM2.5’는 2.5㎛ 이하 초미세 먼지를 말한다. ‘PM2.5 수치’는 ‘초미세먼지 수치’를 말한다. 본 발명에서 미세먼지라함은 미세먼지 초미세먼지를 모두 포함하는 의미로 정의한다.
본 발명의 일 실시 예에서, 미세먼지의 크기에 따라 복수의 미세 먼지 농도를 기초로 휴대자의 오염 공기 노출 수준을 추정할 수 있다. 예를 들어, 특정 시간당 미세먼지 농도를 모니터링하여 오염 공기 노출의 수준을 추정할 수 있다. 예를 들어, 오염 공기 노출 수준 분류는 1시간 기준 초미세먼지 수치(PM2.5)가 레벨1:좋음(0~15㎍/㎥), 레벨2:보통(16~35㎍/㎥), 레벨3:높음(36~75㎍/㎥), 레벨4:매우높음(76㎍/㎥ 이상)으로 구분할 수 있다.
추정된 휴대자의 오염 공기 노출 수준이 미리 정해진 임계값을 넘는 경우 상기 추정된 오염 공기 노출 수준에 관한 정보를 휴대자에게 알릴 수 있다. 또한, 이러한 오염 공기 노출 수준의 범위는 미리 정해진 임계값으로 사용되어 의류 및 공기청정 관련 가전과 같은 외부 가전 기기(200)에 전달될 수 있다. 미리 정해진 임계값을 넘는지 판단 여부는 특정 시간 동안 미세먼지 농도가 특정 값을 넘는지로 판단할 수 있다. 예를 들어 초미세먼지 수치가 1시간 기준 나쁨의 범위(36㎍/㎥) 이상인 경우 의류 및 공기청정 관련 가전과 같은 외부 가전 기기(200)에 공기 오염 관련 코스를 자동으로 실행하도록 명령할 수 있다.
도 3b는 본 발명의 일 실시 예에서 사용되는 휴대용 공기청정기의 필터 사용량을 도시한 예시도이다.
휴대용 공기청정기는 먼지 필터 사용시간(작동시간)을 표시하고 필터의 남은 잔여 사용시간을 표시할 수 있다. 먼지 필터는 극세필터를 베이스로 그 안에 초미세미니필터, 초미세플러스필터, 스모크탈취필터가 삽입될 수 있다.
공기청정기는 크게 공기 중의 생활 먼지를 걸러주는 프리필터, 공기 중 냄새를 제거하는 탈취 필터, 미세먼지를 제거하는 헤파필터를 포함할 수 있다. 미세먼지는 헤파필터를 통해 거를 수 있는데 반도체 클린(clean)룸에서 사용되는 특수 섬유 필터로, 흡착력이 뛰어나 미세 먼지까지 걸러주는 기능을 한다.
공기청정기 필터의 등급은 E(10, 11, 12)부터 H(13, 14), U(15, 16, 17)까지 나뉘며 H13~H14 정도를 헤파필터라고 한다. 뒤의 숫자가 높을수록 0.3㎛ 크기의 먼지 입자를 걸러내는 확률이 높아지는데 필터 사용량에 따라 새 필터로 교체할 수 있다. 필터의 종류에 따라 미세 먼지를 정화하는 능력이 상이하기 때문에, 오염 공기 노출 수준 추정 장치(100) 또는 서버(300)의 인공지능모델 학습부(124)는 인공지능모델을 학습시킬 때 필터 종류의 정화 능력에 따라 필터 사용량을 고려할 수 있다.
휴대용 공기청정기는 IoT 기술을 통해 출원인 회사 제품인 Smart ThinQ 앱을 통해 가정 내 전자제품을 컨트롤하고 다양한 부가 정보를 받을 수 있습니다. 또한, 필터 교체시기 또한 앱을 통해 확인할 수 있다.
휴대용 공기청정기(110)로부터 휴대자가 휴대한 동안 작동시킨 팬의 세기 또는 필터 사용량에 관한 데이터는 휴대자가 휴대용 공기청정기를 작동시키는 동안 공기를 정화한 양을 추정하는 기초가 될 수 있으므로, 인공지능모델을 학습시키는 레이블 값으로 사용될 수 있다.
본 발명의 일 실시 예에서, 휴대용 공기청정기(110)의 팬 속도는 실내 공기 상태에 따라 자동 조절과 강풍 내지 약풍 3단계 조절이 될 수 있다. 휴대용 공기청정기(110)는 앱으로 미세먼지로 인한 공기의 질을 실시간 모니터링하므로 자동으로 설정될 수 있다.
예를 들어, 휴대용 공기청정기(110)가 자동모드로 설정된 상태에서, 미세먼지 농도가 높으면 휴대용 공기청정기의 팬의 세기는 강해지고, 필터 사용량은 많아지게 될 것이므로, 휴대자의 오염 공기 노출 수준은 높아질 것이다. 반대로, 미세먼지 농도가 낮으면 휴대용 공기청정기의 팬 세기는 약해지고, 필터 사용량은 낮아지게 될 것이므로, 휴대자의 오염 공기 노출 수준은 낮아질 것이다. 또한, 휴대자는 미세먼지 농도가 낮으면, 휴대용 공기청정기(110)의 작동을 수동으로 멈출 수 있다. 이와 같이, 휴대용 공기청정기(110)의 미세먼지 농도, 필터 사용량, 공기청정기의 팬의 세기 등을 고려하여 필터 사용량이 많은 날은 사용자의 오염 공기 노출 수준이 상, 중, 하인지 정량적으로 기준을 정할 수 있다. 휴대자의 오염 공기 노출 수준은 이러한 휴대용 공기청정기의 사용 이력을 수집하여 기계 학습시킴으로써 미세먼지 농도와 필터 사용량에 따라 휴대자의 오염 공기 노출 수준을 추정할 수 있다.
본 발명의 일 실시예에서, 휴대용 공기청정기(110)를 휴대자가 미세먼지 농도 '보통'의 범위에서 휴대용 공기청정기의 바람 세기를 '약'으로 설정하고 1시간을 작동시켜 '좋음'으로 변경되었다면, 휴대자의 오염 공기 노출 수준을 '좋음'으로 분류하고, 미세먼지 농도 나쁨의 범위에서 휴대용 공기청정기의 팬의 세기를 '강'으로 설정하고 1시간 작동시켜 미세먼지 농도가 '좋음'으로 변경되었다면 휴대자의 오염 공기 노출 수준을 '보통'으로 분류할 수 있고, 미세먼지 농도 '나쁨'의 범위에서 휴대용 공기청정기의 바람 세기를 '강'으로 설정하고 1시간을 작동시켜 '보통'으로 변경되었다면, 휴대자의 오염 공기 노출 수준을 '높음'으로 분류하고, 미세먼지 농도 나쁨의 범위에서 휴대용 공기청정기의 바람 세기를 '강'으로 설정하고 1시간을 작동시켰음에도 미세먼지 농도가 나쁨을 유지하고 있다면, '매우 높음'으로 분류할 수 있다. 본 발명의 일 실시 예에서 오염 공기 노출 수준은 미세먼지 농도의 변화 추이에 의해 실험적으로 정해질 수 있다. 본 발명의 다른 실시 예에서 오염 공기 노출 수준은 현재 미세먼지 농도의 변화 추이와 휴대용 공기청정기의 팬의 세기, 필터 사용량과의 관계를 분석하여 정해질 수 있다.
본 발명에서 오염 공기 노출 수준은 결정트리와 같은 데이터 분석 툴들을 이용하여 정해질 수 있다. 오염 공기 노출 장치(100)의 데이터 수신부에 수신된 미세먼지 농도, 필터 사용량, 휴대용 공기청정기(110)의 팬의 세기에 관한 데이터들에 대해 분류(Classification) 및 회귀(Regression) 분석을 위한 결정트리(decision tree) 분석을 통해 오염공기 노출 수준을 분류할 수 있다. 결정트리 분석을 위해 CART(Classification And Regression Tree) 알고리즘이 사용될 수 있다.
도 4는 오염 공기 노출 수준 추정 장치 및 서버를 포함하는 오염 공기 노출 수준 추정 시스템의 예시도이다.
오염 공기 노출 수준 추정 장치(100) 및 서버(300)에는 인공지능모델을 학습시키는 인공신경망(artificial neural network)이 탑재될 수 있다. 또한 오염 공기 노출 수준 추정 장치(100)는 검색된 하나 이상의 의류 및 공기청정 관련 가전제품과 같은 외부 가전 기기(200)들에 학습된 인공지능모델을 통해 추정된 오염 공기 노출 수준에 관한 정보 또는 오염 공기 노출 수준에 따른 최적 코스 실행 명령을 전송할 수 있다.
오염 공기 노출 수준 추정 장치(100)는 휴대자의 오염 공기 노출 수준을 추정(infer)(분류)하기 위한 인공지능모델을 학습시키는데 이용될 수 있다. 예를 들어 오염 공기 노출 수준 추정 장치(100)는 인공지능 모델 학습부(124)를 포함하여서, 오염 공기 노출 수준을 분류(classify)하기 위해 학습된 인공지능 모델을 자신이 직접 생성하여 이를 이용할 수도 있지만, 서버(300)가 인공지능 모델 학습부를 포함할 수 있고, 서버(300)에 의해 수집된 빅 데이터 형태의 데이터를 대신 이용할 수도 있다.
오염 공기 노출 수준 추정 장치(100)는 로컬 영역에 저장되거나 또는 서버(300)에 저장된 인공지능 알고리즘과 관련된 각종 프로그램을 이용할 수 있다. 즉 서버(300)는 데이터 수집과 함께 수집된 데이터를 이용하여 인공지능 모델을 학습시키는 역할을 할 수 있다. 오염 공기 노출 수준 추정 장치(100)는 생성된 인공지능 모델을 기반으로 오염 공기 노출 수준을 분류할 수 있다.
서버(300)는 오염 공기 노출 수준 추정 장치(100)로부터 휴대용 공기청정기(110) 또는 웨어러블 기기(112)가 취득한 공기 오염도, 특히 미세먼지 농도에 관한 데이터들 및 휴대용 공기청정기(110)의 필터 사용량에 관한 데이터들을 수신할 수 있다. 서버(300)는 인공지능 알고리즘을 이용하여 휴대자의 오염 공기 노출 수준 분류에 필요한 훈련용 데이터 및 인공지능 알고리즘과 관련된 각종 프로그램, 예를 들어 API, 워크플로우 등을 오염 공기 노출 수준 추정 장치(100) 또는 오염 공기 노출 수준 추정 장치(100)를 포함하는 사용자 단말에 제공할 수 있다. 서버(300)는 오염 공기 노출 수준을 분류(classify)하기 위한 공기 오염도, 특히 미세먼지 농도에 관한 데이터들 및 휴대용 공기청정기(110)의 필터 사용량에 관한 데이터들을 포함하는 훈련용 데이터를 이용하여 인공지능 모델을 학습시킬 수 있다. 그 밖에 서버(300)는 인공지능 모델을 평가할 수 있으며, 평가 후에도 더 나은 성능을 위해 인공지능 모델을 업데이트할 수 있다. 여기서, 오염 공기 노출 수준 추정 장치(100)는 서버(300)가 수행하는 일련의 단계들을 단독으로 또는 서버(300)와 함께 수행할 수 있다.
서버(300)는 수집된 휴대자의 오염 공기 노출 수준을 심층신경망(DNN)을 통해 학습시킨 인공지능 모델을 생성하는 인공지능 모델 학습부를 포함할 수 있다. 서버의 인공지능 모델 학습부는 기계학습 또는 딥러닝을 위해 오염 공기 노출 수준 추정에 필요한 데이터를 저장한 데이터베이스로부터 심층신경망(DNN)을 통해 학습시키는데 필요한 학습 데이터를 추출하고, 학습 데이터의 정확도를 높이기 위해 학습 데이터 전처리하고, 학습 데이터를 심층신경망(DNN)을 통해 학습시키고, 그리고 학습된 인공지능 모델을 생성하도록 구성될 수 있다.
데이터의 전처리 (Preprocessing)란 학습 데이터를 제거 또는 수정하여 최대한 소스 데이터의 정확성을 높이는 것을 말한다. 뿐만 아니라 중요성이 현저히 낮은 데이터를 과도하게 많이 포함한 경우 이들을 적절히 축소 조절하여 관리와 사용에 용이한 형태로 변경시켜 주기도 한다. 데이터 전처리에는 데이터 정제, 데이터 통합, 데이터 변환, 데이터 축소등이 포함된다. 데이터 정제는 결측치를 채워넣고, 잡음있는 데이터를 평활화(smoothing) 하고, 이상치를 식별하고, 데이터 불일치를 교정하는 것이다.
서버(300)는 인공지능 모델 학습부를 통해 학습시킨 학습된 인공지능 모델을 오염 공기 노출 수준 추정 장치(100)로 전송하도록 구성될 수 있다. 오염 공기 노출 수준 추정 장치(100)의 노출 수준분류부(126)는 상기 서버에서 전송받은 학습된 인공지능 모델을 통해 오염 공기의 노출 수준을 분류하도록 구성될 수 있다.
도 5는 본 발명의 일 실시 예에 따른 오염 공기 노출 수준 추정 장치의 블록도이다.
오염 공기 노출 수준 추정 장치(100)는 오염 공기 노출 수준 추정부(120), 메모리(121), 제어부(123), 및 통신부(125)를 포함할 수 있다. 오염공기 노출 수준 추정부(120)는 데이터 수신부(122), 인공지능모델 학습부(124), 및 노출 수준분류부(126)를 포함할 수 있다. 데이터 수신부(122)는 휴대용 공기청정기(110) 및 웨어러블 기기(112)로부터 공기 오염도, 특히 미세먼지에 관한 농도를 수신할 수 있다. 데이터 수신부(122)는 휴대용 공기청정기(110)로부터 필터 사용량에 관한 데이터를 수신할 수 있다. 또한, 데이터 수신부(122)는 공기 오염도 추정에 필요한 다른 데이터들, 예를 들어 오존(O3), 황사, 이산화질소(NO2), 일산화탄소(CO), 및 아황산가스(SO2) 등을 수신할 수 있다.
또한, 제어부(123)는 각종 데이터를 저장할 수 있는 메모리(121), 외부 가전 기기와 통신할 수 있는 통신부(125)를 제어할 수 있으며, 오염 공기 노출 수준 추정 장치(100)내의 오염 공기 노출 수준 추정을 위해 필요한 구성요소들을 제어할 수 있다. 제어부(123)는 오염 공기 노출 수준에 관한 정보를 추정하고 추정된 결과에 대하여 통신할 의류 및 공기청정 관련 가전제품과 같은 외부 가전 기기(200)에 대한 프로토콜(Protocol) 정보를 갖는 제어신호를 생성할 수 있다. 통신부(125)는 생성된 제어신호를 연동된 의류 및 공기청정 관련 가전제품과 같은 외부 가전 기기(200)로 전달할 수 있다. 본 발명의 다른 실시 예에서, 통신부(125)는 추정된 오염 공기 노출 수준 또는 측정된 미세먼지 농도가 미리 정해진 임계값을 넘는 경우 휴대자에게 알릴 수 있다. 본 발명의 다른 실시 예에서, 통신부(125)는 미세 먼지 센서의 정보, 휴대용 공기청정기의 공기 청정에 의한 먼지 개선 효과, 또는 시간당 오염 공기 노출 수준 중 적어도 하나를 상기 휴대자에게 알릴 수 있다.
오염 공기 노출 수준 추정부(120)는 인공지능모델 학습에 필요한 특정시간당 미세먼지 농도, 휴대용 공기청정기 팬의 세기, 휴대용 공기청정기 필터사용량, 중 적어도 하나를 기초로 오염 공기 노출 수준을 추정할 수 있다.
오염 공기 노출 수준 추정부(120)의 인공지능모델학습부(124)는 휴대용 공기청정기(110) 또는 웨어러블 기기(112) 중 적어도 하나로부터 전달 받은 데이터를 기초로 인공지능 모델을 학습시킬 수 있다. 이를 위해, 오염 공기 노출 수준 추정부(120)는 휴대용 공기청정기(110) 또는 웨어러블 기기(112) 중 적어도 하나로부터 공기 오염도에 관한 데이터를 수집하는 데이터 수신부(122), 공기 오염도에 데이터 및 공기 오염도에 관한 데이터에 오염 공기 노출 수준의 레이블을 매칭한 데이터들을 포함하는 학습용 데이터로 학습하고, 오염 공기 노출 수준을 분류하여 출력하도록 노출 수준분류엔진을 학습시키는 인공지능모델 학습부(124), 및 휴대용 공기청정기(110) 및 웨어러블 기기(112)로부터 전달 받은 데이터를 기초로 노출 수준분류엔진을 통해 오염 공기 노출 정도를 분류하여 출력하는 노출 수준분류부(126)를 포함할 수 있다. 노출 수준분류부(126)로부터 출력된 오염 공기 노출 수준 정보는 통신부(125)를 통해 의류 및 공기청정 관련 가전제품과 같은 외부 가전 기기(200)들에 보내질 수 있다.
본 발명의 다른 실시 예에서, 도 4에서 설명한 바와 같이, 오염 공기 노출 수준 추정부(120)는 휴대자의 오염 공기 노출 수준을 추정(inference)(또는 분류)하는 인공지능 모델을 학습시키기 위한 용도로 서버(300)를 이용할 수 있다. 서버(300)는 휴대용 공기청정기(110) 및 웨어러블 기기(112)로부터 수신한 미세먼지 농도, 및 휴대용 공기청정기(110)의 팬의 세기 및 필터 사용량에 관한 정보들을 수신할 수 있다. 서버(300)는 인공지능 모델 학습부를 통해 학습시킨 학습된 인공지능 모델을 오염 공기 노출 수준 추정 장치(100)로 전송하도록 구성될 수 있다. 오염 공기 노출 수준 추정 장치(100)의 노출 수준분류부(126)는 상기 서버(300)에서 전송받은 학습된 인공지능 모델을 통해 오염 공기 노출 수준을 추정하도록 구성될 수 있다.
오염 공기 노출 수준 추정 장치(100)의 제어부(123)는 프로세서(processor)와 같이 데이터를 처리할 수 있는 모든 종류의 장치, 예를 들어 MCU를 포함할 수 있다. 여기서, '프로세서(processor)'는, 예를 들어 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이크로프로세서(microprocessor), 중앙처리장치(central processing unit: CPU), 프로세서 코어(processor core), 멀티프로세서(multiprocessor), ASIC(application-specific integrated circuit), FPGA(field programmable gate array) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
오염 공기 노출 수준 추정 장치(100)의 통신부(125)는 네트워크(400)와 연동하여 의류 및 공기청정 관련 가전제품과 같은 외부 가전 기기(200), 및/또는 서버(300) 간의 송수신 신호를 패킷 데이터 형태로 제공하는데 필요한 통신 인터페이스를 제공할 수 있다. 또한, 통신부(125)는 각종 사물 지능 통신(IoT(internet of things), IoE(internet of everything), IoST(internet of small things) 등)을 지원할 수 있으며, M2M(machine to machine) 통신, V2X(vehicle to everything communication) 통신, D2D(device to device) 통신 등을 지원할 수 있다.
도 6은 본 발명의 일 실시 예에 따른 오염 공기 노출 수준 추정 방법을 도시한 흐름도이다.
오염 공기 노출 수준 추정 장치(100)는 휴대용 공기청정기(110) 또는 웨어러블 기기(112)는 전원이 온(On)되면 같이 켜질 수 있고, 사용자설정으로 켜질 수 있으며, 오염 공기 노출 수준 추정 프로세스를 시작한다(S1000).
오염 공기 노출 수준 추정 장치(100)는 웨어러블 기기(112) 또는 휴대용 공기청정기(110)의 미세 먼지 센서로부터 특정시간당 측정된 미세 먼지 농도 또는 휴대용 공기청정기(110)로부터 필터 사용량 중 적어도 하나를 수신할 수 있다(S1100). 또한, 오염 공기 노출 수준 추정 장치(100)는 휴대용 공기청정기(110)로부터 휴대자가 휴대한 동안 작동시킨 팬의 세기에 관한 데이터를 수집할 수 있다. 휴대용 공기청정기(110)로부터 휴대자가 휴대한 동안 작동시킨 팬의 세기 또는 필터 사용량에 관한 데이터는 인공지능모델을 학습시키는 레이블 값으로 사용될 수 있다.
오염 공기 노출 수준 추정부(120)는 수신된 미세 먼지 농도 또는 필터 사용량 중 적어도 하나를 기초로 휴대자의 오염 공기 노출 수준 추정할 수 있다(S1200).
오염 공기 노출 수준 추정 장치(100)는 통신부(125)를 통해 추정된 오염 공기 노출 수준에 관한 정보를 의류 및 공기 정화 관련 가전과 같은 외부 가전 기기(200)에 전달할 수 있다(S1300). 본 발명의 다른 실시 예에서, 오염 공기 노출 수준 추정 장치(100)는 추정된 휴대자의 오염 공기 노출 수준이 미리 정해진 임계값을 넘는 경우 통신부(125)를 통해 추정된 오염 공기 노출 수준에 관한 정보를 의류 및 공기 정화 관련 가전과 같은 외부 가전 기기(200)에 전달할 수 있다. 또한, 추정된 휴대자의 오염 공기 노출 수준이 미리 정해진 임계값을 넘는 경우 마스크 착용 여부를 휴대자에게 알릴 수 있다. 미리 정해진 임계값은 미세먼지 농도를 고려하여 오염 공기 노출 수준에 따라 정해질 수 있다. 예를 들어, 미세먼지 농도 나쁨 또는 오염 공기 노출 수준 높음일 때 휴대자에게 마스크를 착용하도록 알릴 수 있다. 오염 공기 노출 수준 추정 장치(100)는 휴대자의 건물 출입, 지하철역 진입 등 특정 장소 이동시 미세먼지 농도의 변화가 발생하면 휴대자에게 마스크 탈착할 수 있도록 알릴 수 있다.
오염 공기 노출 수준 추정 장치(100)는 오염 공기 노출 수준에 기초하여 의류 관련 기기 또는 공기 정화 관련 기기에 공기 오염 관련 실행 코스 자동 실행 지시할 수 있다(S1400).
의류 및 공기청정 관련 가전과 같은 외부 가전 기기(200)에 오염 공기 노출 수준 또는 공기 오염 관련 실행코스의 자동 실행 지시가 전송되면, 오염 공기 노출 수준 추정 프로세스가 종료된다.
본 발명의 다른 실시 예에서, 이러한 옷감 종류 분류 방법을 실행하도록 프로그래밍된 프로그램이 컴퓨터 판독 가능 기록매체에 저장될 수 있다.
도 7a는 본 발명의 일 실시 에에 따른 인공지능 모델 학습부를 통해 노출 수준분류엔진을 학습시키는 흐름도이다.
도 6의 S1200 단계는 오염 공기 노출 수준을 추정하는 인공지능 모델을 통해 실행될 수 있다. 오염 공기 노출 수준 추정 장치(100)에서 적용될, 오염 공기 노출 수준을 추정하기 위한 인공지능 모델 학습이 시작된다(S100).
복수의 미세 먼지 농도에 관한 데이터 및 상기 복수의 미세 먼지 농도에 관한 데이터에 오염 공기 노출 수준의 레이블을 매칭한 데이터들을 포함하는 인공지능모델 학습용 데이터가 생성될 수 있다(S110). 다른 실시 예에서, 복수의 미세 먼지 농도 및 휴대용 공기청정기 작동 후의 필터 사용량에 관한 데이터들, 및 상기 필터 사용량에 오염 공기 노출 수준의 레이블을 매칭한 데이터들을 포함하는 인공지능 학습용 데이터 및 테스트용 데이터로 생성할 수 있다. 상기 필터 사용량에 관한 데이터는 휴대용 공기청정기(110)를 휴대한 휴대자가 노출된 오염 공기를 정화하는데 사용된 필터의 사용량이므로, 상기 필터 사용량으로 휴대자의 오염 공기 노출 수준을 평가할 수 있다. 따라서, 복수의 미세 먼지 농도 및 휴대용 공기청정기 작동 후의 필터 사용량에 관한 데이터들의 피처들, 및 상기 필터 사용량에 관한 데이터들에 오염 공기 노출 수준의 레이블을 매칭한 데이터들을 생성할 수 있다.
학습용 데이터 및 테스트용 데이터의 비율은 데이터 양에 따라 다를 수 있으며, 일반적으로 7:3의 비율로 정할 수 있다. 학습용 데이터의 수집 및 저장은 오염 공기 노출 수준 추정 장치(100)의 데이터 수신부(122) 또는 서버(300)에서 수행될 수 있다. 인공지능 모델 학습용 데이터는 정확한 학습결과를 얻기 위해 데이터 전처리 및 데이터 증강 과정을 거칠 수 있다.
머신 러닝 또는 심층 신경망(DNN)과 같은 인공지능 알고리즘은 지도학습을 통해 수집된 학습 데이터를 이용하여 휴대자의 오염 공기 노출 수준의 특징들을 학습할 수 있다(S120). 인공지능모델 학습부(124)는 수신된 공기 오염도, 특히 미세먼지에 관한 데이터를 가지고 인공 지능 기반의 분류(Classification) 또는 회귀(Regression) 분석을 수행하여 오염 공기 노출 수준을 추정할 수 있다. 분류 분석은 특정시간당 미세먼지 농도, 휴대용 공기청정기(110)의 팬의 세기, 필터 사용량 중 적어도 하나의 데이터들 및 상기 팬의 세기 또는 필터 사용량을 고려한 정화 양에 기초한 오염공기 노출 수준의 레이블한 데이터들을 포함하는 학습용 데이터를 통해 실행할 수 있다. 회귀 분석은 미세먼지 농도, 및 필터 사용량 등을 고려하여 미래의 오염 공기 노출 수준을 예측하여 사용자에게 마스크 착용여부를 미리 알리기 위해 실행될 수 있다.
본 발명의 일 실시 예에서, 딥러닝 기반의 화면 분석기가 사용될 수 있고, 예를 들어 인공지능 프로그래밍에 사용되는 인공지능 언어 라이브러리인 TensorFlow 또는 Keras 기반으로 인공지능 학습 모델을 튜닝하여 사용할 수 있다.
학습된 인공지능 모델의 평가(S130)를 통해 인공지능 모델이 생성된다(S140). 학습된 인공지능 모델의 평가(S130)는 테스트용 데이터를 사용하여 수행된다. 본 발명 전체에서 '학습된 인공지능 모델'은 학습용 데이터를 학습시키고 생성된 특별한 언급이 없어도 테스트용 데이터를 통해 테스트한 후 학습된 모델을 결정한 것을 의미한다.
도 7b는 본 발명의 일 실시예에 따른 오염 공기 노출 수준 추정 장치 또는 서버에서 오염 공기 노출 수준을 추정하기 위해 학습시키는 인공지능 모델의 구조를 설명하기 위한 도면이다.
인공 지능(artificial intelligence, AI)은 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미한다.
또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.
기계 학습(machine learning)은 인공지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야이다.
구체적으로 인공지능 학습은, 경험적 데이터를 기반으로, 학습용 데이터(트레이닝 데이터) 및/또는 테스트용 데이터를 생성하여 학습을 하여 학습된 인공지능 모델을 결정하고, 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있다. 인공지능 학습의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 화면 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취할 수 있다.
용어 '기계 학습'은 용어 '기계 학습'과 혼용되어 사용될 수 있다.
기계 학습에서 데이터를 어떻게 분류할 것인가를 놓고, 많은 기계 학습 알고리즘이 개발되었다. 의사결정나무(Decision Tree)나 베이지안 망(Bayesian network), 서포트벡터머신(SVM: support vector machine), 그리고 인공 신경망(ANN: Artificial Neural Network) 등이 대표적이다.
의사결정나무는 의사결정규칙(Decision Rule)을 나무구조로 도표화하여 분류와 추정을 수행하는 분석방법이다.
베이지안 망은 다수의 변수들 사이의 확률적 관계(조건부독립성: conditional independence)를 그래프 구조로 표현하는 모델이다. 베이지안 망은 비지도 학습(unsupervised learning)을 통한 데이터마이닝(data mining)에 적합하다.
서포트벡터머신은 패턴인식과 자료분석을 위한 지도 학습(supervised learning)의 모델이며, 주로 분류와 회귀분석을 위해 사용한다.
인공신경망은 생물학적 뉴런의 동작원리와 뉴런간의 연결 관계를 모델링한 것으로 노드(node) 또는 처리 요소(processing element)라고 하는 다수의 뉴런들이 레이어(layer) 구조의 형태로 연결된 정보처리 시스템이다.
인공 신경망은 기계 학습에서 사용되는 모델로써, 기계학습과 인지과학에서 생물학의 신경망(동물의 중추신경계 중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘이다.
구체적으로 인공신경망은 시냅스(synapse)의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다.
용어 인공신경망은 용어 뉴럴 네트워크(Neural Network)와 혼용되어 사용될 수 있다.
인공신경망은 복수의 레이어(layer)를 포함할 수 있고, 레이어들 각각은 복수의 뉴런(neuron)을 포함할 수 있다. 또한 인공신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다.
인공 신경망은 일반적으로 다음의 세가지 인자, 즉 (1) 다른 레이어의 뉴런들 사이의 연결 패턴 (2) 연결의 가중치를 갱신하는 학습 과정 (3) 이전 레이어로부터 수신되는 입력에 대한 가중 합으로부터 출력값을 생성하는 활성화 함수에 의해 정의될 수 있다.
인공 신경망은, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network), MLP(Multilayer Perceptron), CNN(Convolutional Neural Network)와 같은 방식의 네트워크 모델들을 포함할 수 있으나, 이에 한정되지 않는다.
본 명세서에서 용어 '레이어'는 용어 '계층'과 혼용되어 사용될 수 있다.
인공신경망은 계층 수에 따라 단층 신경망(Single-Layer Neural Networks)과 다층 신경망(Multi-Layer Neural Networks)으로 구분된다.
일반적인 단층 신경망은, 입력층과 출력층으로 구성된다.
또한 일반적인 다층 신경망은 입력층(Input Layer)과 하나 이상의 은닉층(Hidden Layer), 출력층(Output Layer)으로 구성된다.
입력층은 외부의 자료들을 받아들이는 층으로서, 입력층의 뉴런 수는 입력되는 변수의 수와 동일하며, 은닉층은 입력층과 출력층 사이에 위치하며 입력층으로부터 신호를 받아 특성을 추출하여 출력층으로 전달한다. 출력층은 은닉층으로부터 신호를 받고, 수신한 신호에 기반한 출력 값을 출력한다. 뉴런간의 입력신호는 각각의 연결강도(가중치)와 곱해진 후 합산되며 이 합이 뉴런의 임계치보다 크면 뉴런이 활성화되어 활성화 함수를 통하여 수신한 출력값을 출력한다.
한편 입력층과 출력 층 사이에 복수의 은닉층을 포함하는 심층 신경망은, 기계 학습 기술의 한 종류인 딥 러닝을 구현하는 대표적인 인공 신경망일 수 있다.
한편 용어 '딥 러닝'은 용어 '심층 학습'과 혼용되어 사용될 수 있다.
인공 신경망은 훈련 데이터(training data)를 이용하여 학습(training)될 수 있다. 여기서 학습이란, 입력 데이터를 분류(classification)하거나 회귀분석(regression)하거나 군집화(clustering)하는 등의 목적을 달성하기 위하여, 학습 데이터를 이용하여 인공 신경망의 파라미터(parameter)를 결정하는 과정을 의미할 수 있다. 인공 신경망의 파라미터의 대표적인 예시로써, 시냅스에 부여되는 가중치(weight)나 뉴런에 적용되는 편향(bias)을 들 수 있다.
훈련 데이터에 의하여 학습된 인공 신경망은, 입력 데이터를 입력 데이터가 가지는 패턴에 따라 분류하거나 군집화 할 수 있다.
한편 훈련 데이터를 이용하여 학습된 인공 신경망을, 본 명세서에서는 학습 모델(a trained model)이라 명칭 할 수 있다.
다음은 인공 신경망의 학습 방식에 대하여 설명한다.
인공 신경망의 학습 방식은 크게, 지도 학습, 비지도 학습, 준지도 학습(Semi-Supervised Learning), 강화 학습(Reinforcement Learning)으로 분류될 수 있다.
지도 학습은 훈련 데이터로부터 하나의 함수를 유추해내기 위한 기계 학습의 한 방법이다.
그리고 이렇게 유추되는 함수 중, 연속 적인 값을 출력하는 것을 회귀분석(Regression)이라 하고, 입력 벡터의 클래스(class)를 추론하여 출력하는 것을 분류(Classification)라고 할 수 있다.
지도 학습에서는, 훈련 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시킨다.
여기서 레이블이란, 훈련 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다.
본 명세서에서는 훈련 데이터가 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과값)을 레이블 또는 레이블링 데이터(labeling data)이라 명칭 한다.
또한 본 명세서에서는, 인공 신경망의 학습을 위하여 훈련 데이터에 레이블을 설정하는 것을, 훈련 데이터에 레이블링 데이터를 레이블링(labeling) 한다고 명칭 한다.
이 경우 훈련 데이터와 훈련 데이터에 대응하는 레이블은 하나의 트레이닝 셋(training set)을 구성하고, 인공 신경망에는 트레이닝 셋의 형태로 입력될 수 있다.
한편 훈련 데이터는 복수의 특징(feature)을 나타내고, 훈련 데이터에 레이블이 레이블링 된다는 것은 훈련 데이터가 나타내는 특징에 레이블이 달린다는 것을 의미할 수 있다. 이 경우 훈련 데이터는 입력 객체의 특징을 벡터 형태로 나타낼 수 있다.
인공 신경망은 훈련 데이터와 레이블링 데이터를 이용하여, 훈련 데이터와 레이블링 데이터의 연관 관계에 대한 함수를 유추할 수 있다. 그리고, 인공 신경망에서 유추된 함수에 대한 평가를 통해 인공 신경망의 파라미터가 결정(조정)될 수 있다.
비지도 학습은 기계 학습의 일종으로, 훈련 데이터에 대한 레이블이 주어지지 않는다.
구체적으로, 비지도 학습은, 훈련 데이터 및 훈련 데이터에 대응하는 레이블의 연관 관계 보다는, 훈련 데이터 자체에서 패턴을 찾아 분류하도록 인공 신경망을 학습시키는 학습 방법일 수 있다.
비지도 학습의 예로는, 군집화 또는 독립 성분 분석(Independent Component Analysis)을 들 수 있다.
본 명세서에서 용어 '군집화'는 용어 '클러스터링'과 혼용되어 사용될 수 있다.
비지도 학습을 이용하는 인공 신경망의 일례로 생성적 적대 신경망(GAN: Generative Adversarial Network), 오토 인코더(AE: Autoencoder)를 들 수 있다.
생성적 적대 신경망이란, 생성기(generator)와 판별기(discriminator), 두 개의 서로 다른 인공지능이 경쟁하며 성능을 개선하는 기계 학습 방법이다.
이 경우 생성기는 새로운 데이터를 창조하는 모형으로, 원본 데이터를 기반으로 새로운 데이터를 생성할 수 있다.
또한 판별기는 데이터의 패턴을 인식하는 모형으로, 입력된 데이터가 원본 데이터인지 또는 생성기에서 생성한 새로운 데이터인지 여부를 감별하는 역할을 수행할 수 있다.
그리고 생성기는 판별기를 속이지 못한 데이터를 입력 받아 학습하며, 판별기는 생성기로부터 속은 데이터를 입력 받아 학습할 수 있다. 이에 따라 생성기는 판별기를 최대한 잘 속이도록 진화할 수 있고, 판별기는 원본 데이터와 생성기에 의해 생성된 데이터를 잘 구분하도록 진화할 수 있다.
오토 인코더는 입력 자체를 출력으로 재현하는 것을 목표로 하는 신경망이다.
오토 인코더는 입력층, 적어도 하나의 은닉층 및 출력층을 포함한다.
이 경우 은닉 계층의 노드 수가 입력 계층의 노드 수보다 적으므로 데이터의 차원이 줄어들게 되며, 이에 따라 압축 또는 인코딩이 수행되게 된다.
또한 은닉 계층에서 출력한 데이터는 출력 계층으로 들어간다. 이 경우 출력 계층의 노드 수는 은닉 계층의 노드 수보다 많으므로, 데이터의 차원이 늘어나게 되며, 이에 따라 압축 해제 또는 디코딩이 수행되게 된다.
한편 오토 인코더는 학습을 통해 뉴런의 연결 강도를 조절함으로써 입력 데이터가 은닉층 데이터로 표현된다. 은닉층에서는 입력층보다 적은 수의 뉴런으로 정보를 표현하는데 입력 데이터를 출력으로 재현할 수 있다는 것은, 은닉층이 입력 데이터로부터 숨은 패턴을 발견하여 표현했다는 것을 의미할 수 있다.
준지도 학습은 기계 학습의 일종으로, 레이블이 주어진 훈련 데이터와 레이블이 주어지지 않은 훈련 데이터를 모두 사용하는 학습 방법을 의미할 수 있다.
준지도 학습의 기법 중 하나로, 레이블이 주어지지 않은 훈련 데이터의 레이블을 추론한 후 추론된 레이블을 이용하여 학습을 수행하는 기법이 있으며, 이러한 기법은 레이블링에 소요되는 비용이 큰 경우에 유용하게 사용될 수 있다.
강화 학습은, 에이전트(Agent)가 매 순간 어떤 행동을 해야 좋을지 판단할 수 있는 환경이 주어진다면, 데이터 없이 경험으로 가장 좋을 길을 찾을 수 있다는 이론이다.
강화 학습은 주로 마르코프 결정 과정(MDP: Markov Decision Process)에 의하여 수행될 수 있다.
마르코프 결정 과정을 설명하면, 첫 번째로 에이전트가 다음 행동을 하기 위해 필요한 정보들이 구성된 환경이 주어지며, 두 번째로 그 환경에서 에이전트가 어떻게 행동할지 정의하고, 세 번째로 에이전트가 무엇을 잘하면 보상(reward)를 주고 무엇을 못하면 벌점(penalty)을 줄지 정의하며, 네 번째로 미래의 보상이 최고점에 이를 때까지 반복 경험하여 최적의 정책(policy)을 도출하게 된다.
인공 신경망은 모델의 구성, 활성 함수(Activation Function), 손실 함수(Loss Function) 또는 비용 함수(Cost Function), 학습 알고리즘, 조정 알고리즘 등에 의해 그 구조가 특정되며, 학습 전에 하이퍼파라미터(Hyperparameter)가 미리 설정되고, 이후에 학습을 통해 모델 파라미터(Model Parameter)가 설정되어 내용이 특정될 수 있다.
예컨대, 인공 신경망의 구조를 결정하는 요소에는 은닉층의 개수, 각 은닉층에 포함된 은닉 노드의 개수, 입력 특징 벡터(Input Feature Vector), 대상 특징 벡터(Target Feature Vector) 등이 포함될 수 있다.
하이퍼파라미터는 모델 파라미터의 초기값 등과 같이 학습을 위하여 초기에 설정하여야 하는 여러 파라미터들을 포함한다. 그리고, 모델 파라미터는 학습을 통하여 결정하고자 하는 여러 파라미터들을 포함한다.
예컨대, 하이퍼파라미터에는 노드 간 가중치 초기값, 노드 간 편향 초기값, 미니 배치(Mini-batch) 크기, 학습 반복 횟수, 학습률(Learning Rate) 등이 포함될 수 있다. 그리고, 모델 파라미터에는 노드 간 가중치, 노드 간 편향 등이 포함될 수 있다.
손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표(기준)로 이용될 수 있다. 인공 신경망에서 학습은 손실 함수를 줄이기 위하여 모델 파라미터들을 조작하는 과정을 의미하며, 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다.
손실 함수는 주로 평균 제곱 오차(MSE: Mean Squared Error) 또는 교차 엔트로피 오차(CEE, Cross Entropy Error)를 사용할 수 있으며, 본 발명이 이에 한정되지는 않는다.
교차 엔트로피 오차는 정답 레이블이 원 핫 인코딩(one-hot encoding)된 경우에 사용될 수 있다. 원 핫 인코딩은 정답에 해당하는 뉴런에 대하여만 정답 레이블 값을 1로, 정답이 아닌 뉴런은 정답 레이블 값이 0으로 설정하는 인코딩 방법이다.
기계 학습 또는 딥 러닝에서는 손실 함수를 최소화하기 위하여 학습 조정 알고리즘을 이용할 수 있으며, 학습 조정 알고리즘에는 경사 하강법(GD: Gradient Descent), 확률적 경사 하강법(SGD: Stochastic Gradient Descent), 모멘텀(Momentum), NAG(Nesterov Accelerate Gradient), Adagrad, AdaDelta, RMSProp, Adam, Nadam 등이 있다.
경사 하강법은 현재 상태에서 손실 함수의 기울기를 고려하여 손실 함수값을 줄이는 방향으로 모델 파라미터를 조정하는 기법이다.
모델 파라미터를 조정하는 방향은 스텝(step) 방향, 조정하는 크기는 스텝 사이즈(size)라고 칭한다.
이때, 스텝 사이즈는 학습률을 의미할 수 있다.
경사 하강법은 손실 함수를 각 모델 파라미터들로 편미분하여 기울기를 획득하고, 모델 파라미터들을 획득한 기울기 방향으로 학습률만큼 변경하여 갱신할 수 있다.
확률적 경사 하강법은 학습 데이터를 미니 배치로 나누고, 각 미니 배치마다 경사 하강법을 수행하여 경사 하강의 빈도를 높인 기법이다.
Adagrad, AdaDelta 및 RMSProp는 SGD에서 스텝 사이즈를 조절하여 조정 정확도를 높이는 기법이다. SGD에서 모멘텀 및 NAG는 스텝 방향을 조절하여 조정 정확도를 높이는 기법이다. Adam은 모멘텀과 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 조정 정확도를 높이는 기법이다. Nadam은 NAG와 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 조정 정확도를 높이는 기법이다.
인공 신경망의 학습 속도와 정확도는 인공 신경망의 구조와 학습 조정 알고리즘의 종류뿐만 아니라, 하이퍼파라미터에 크게 좌우되는 특징이 있다. 따라서, 좋은 학습 모델을 획득하기 위하여는 적당한 인공 신경망의 구조와 학습 알고리즘을 결정하는 것뿐만 아니라, 적당한 하이퍼파라미터를 설정하는 것이 중요하다.
통상적으로 하이퍼파라미터는 실험적으로 다양한 값으로 설정해가며 인공 신경망을 학습시켜보고, 학습 결과 안정적인 학습 속도와 정확도를 제공하는 최적의 값으로 설정한다.
휴대자의 오염 공기 노출 수준을 추정하기 위한 인공지능 모델의 학습은 지도학습, 비지도학습 및 강화학습 중에서 어느 하나의 형태로 수행될 수 있다.
본 발명의 일 실시예에서, 인공지능 모델은 머신 러닝의 분류 분석(classification analysis)을 통해 학습될 수 있다. 복수의 미세 먼지 농도에 관한 데이터의 피처 및 상기 복수의 미세 먼지 농도에 관한 데이터에 오염 공기 노출 수준의 레이블을 매칭한 데이터들을 포함하는 인공지능모델 학습용 데이터로 지도학습이 이루어질 수 있다. 다른 실시 예에서, 복수의 미세 먼지 농도 및 휴대용 공기청정기 작동 후의 필터 사용량에 관한 데이터들의 피처들, 및 상기 필터 사용량에 오염 공기 노출 수준의 레이블을 매칭한 데이터들을 포함하는 인공지능 학습용 데이터로 지도학습이 이루어질 수 있다.
본 발명의 일 실시예에서, 인공지능 모델의 구조는 미세먼지 농도, 휴대용 공기청정기 팬의 세기, 및 휴대용 공기청정기 필터사용량을 입력층(입력 레이어), 4개의 은닉층(히든 레이어), 및 휴대자의 오염 공기 노출 수준을 레벨1:매우낮음, 레벨2:낮음, 레벨3:보통, 레벨4:높음, 레벨5:매우높음의 5개의 출력층(출력 레이어)로 구성될 수 있다. 본 발명의 다른 실시예에서, 인공지능 모델의 구조는 미세먼지 농도, 휴대용 공기청정기 팬의 세기, 또는 휴대용 공기청정기 필터사용량 중 적어도 하나의 입력층, 다수의 히든층, 그리고 좋음(매우 낮음, 낮음), 보통, 높음, 매우높음의 4개의 출력층으로 구성될 수 있다.
도 8은 본 발명의 일 실시 예에 따라 오염 공기 노출 수준 추정 장치를 통해 추정된 오염 공기 노출 수준을 사용자에게 알리는 예시도이다.
휴대용 공기청정기(110) 또는 웨어러블 기기(112)와 연동되어 오염 공기 노출 수준에 관한 정보를 전달 받은 의류 및 공기청정 관련 가전제품과 같은 외부 가전 기기(200)는 사용자에게 미세 먼지 센서의 정보, 휴대용 공기청정기의 공기 청정에 의한 먼지 개선 효과, 또는 특정시간당 오염 공기 노출 수준 중 적어도 하나를 휴대자에게 알릴 수 있다.
연동된 의류 및 공기청정 관련 가전제품과 같은 외부 가전 기기(200)는 추정된 오염 공기 노출 수준 결과를 의류 및 공기청정 관련 가전제품과 같은 외부 가전 기기(200)에 맞게 미세먼지 관련 최적 코스를 자동실행하도록 명령할 수 있다. 오염 공기 노출 수준 추정 장치(100)로부터 오염 공기 노출 수준에 대한 정보가 연동 의류 및 공기청정 관련 가전과 같은 외부 가전 기기(200)에 수신되면, 의류 및 공기청정 관련 가전제품과 같은 외부 가전 기기(200)는 공기 오염 관련 코스를 실행할 수 있다.
오염 공기 노출 수준에 관한 정보에 대해 오염 공기 노출 수준 추정 장치(100) 또는 의류 및 공기청정 관련 가전제품들과 같은 외부 가전 기기(200)는 음성 혹은 어플리케이션을 통해 알림 기능을 제공할 수 있다. 예를 들어, 오염 공기 노출 수준이 높을 경우, 의류관리기(201)는 의류 관리 코스 중 미세먼지 코스를 실행할 수 있다. 세탁기(202)는 세탁 코스 중 스팀 클리닝 코스를 선택할 수 있다. 또한, 공기청정기(203)는 휴대자가 미세먼지에 노출되어 있었으므로, 먼지 수준을 감지하여 자동으로 작동될 수 있다.
수신된 오염 공기 노출 수준 정보는 데이터 저장 장치 혹은 클라우드 서버(300)에 사용 정보를 업데이트할 수 있다. 업데이트된 정보는 추후 빅데이터 자료로써 활용될 수 있다.
본 발명의 일 실시예에서, 서버(300)는 다수의 휴대용 공기청정기(110) 및 에이러블 기기(112)로부터 특정 지역 또는 특정 건물 내의 공기 오염도에 관한 정보를 수집하여 각 기기 사용자에게 안내할 수 있다. 이러한 공기 오염도는 날씨 예보와는 별도로 실제로 특정 지역의 공기 오염도를 알릴 수 있고, 오염 공기 노출 수준 추정 장치(100)는 서버(300)로부터 이러한 특정 지역의 공기 오염도 정보를 수신하여 오염 공기 노출 수준을 추정하는데 이용할 수 있다.
이상 설명된 본 발명에 따른 실시 예는 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다.
한편, 상기 컴퓨터 프로그램은 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.
본 발명의 명세서(특히 특허청구범위에서)에서 "상기"의 용어 및 이와 유사한 지시 용어의 사용은 단수 및 복수 모두에 해당하는 것일 수 있다. 또한, 본 발명에서 범위(range)를 기재한 경우 상기 범위에 속하는 개별적인 값을 적용한 발명을 포함하는 것으로서(이에 반하는 기재가 없다면), 발명의 상세한 설명에 상기 범위를 구성하는 각 개별적인 값을 기재한 것과 같다.
본 발명에 따른 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 상기 단계들은 적당한 순서로 행해질 수 있다. 반드시 상기 단계들의 기재 순서에 따라 본 발명이 한정되는 것은 아니다. 본 발명에서 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 본 발명을 상세히 설명하기 위한 것으로서 특허청구범위에 의해 한정되지 않는 이상 상기 예들 또는 예시적인 용어로 인해 본 발명의 범위가 한정되는 것은 아니다. 또한, 당업자는 다양한 수정, 조합 및 변경이 부가된 특허청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 팩터에 따라 구성될 수 있음을 알 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시 예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.
100: 오염 공기 노출 수준 추정 장치 110: 휴대용 공기청정기
112: 웨어러블 기기 120:오염 공기 노출 수준 추정부
121: 메모리 122: 데이터 수신부
123: 제어부 124: 인공지능 모델 학습부
125: 통신부 126: 노출 수준분류부
200: 외부 가전 기기 201: 의류 관리기
202: 세탁기 203: 공기청정기
204: 에어컨 300: 서버
400: 네트워크

Claims (20)

  1. 웨어러블 기기 또는 휴대용 공기청정기의 미세 먼지 센서로부터 측정된 미세 먼지 농도를 수신하는 단계;
    상기 미세 먼지 농도를 기초로 상기 웨어러블 기기 또는 휴대용 공기청정기를 휴대한 사람(이하, '휴대자'라고 함)의 오염 공기 노출 수준을 추정하는 단계; 및
    상기 추정된 휴대자의 오염 공기 노출 수준이 미리 정해진 임계값을 넘는 경우 상기 추정된 휴대자의 오염 공기 노출 수준에 관한 정보를 휴대자에게 알리거나, 또는 외부 가전 기기에 전달하는 단계;를 포함하고,
    상기 미세 먼지 농도를 수신하는 단계는 휴대용 공기청정기로부터 필터 사용량을 추가로 수신하는 것을 포함하고,
    상기 휴대자의 오염 공기 노출 수준을 추정하는 단계는 상기 휴대용 공기청정기의 먼지 센서로부터 수신한 미세먼지 농도 및 상기 휴대용 공기청정기의 필터 사용량을 기초로 휴대자의 오염 공기 노출 수준을 추정하는 것을 포함하는,
    웨어러블 기기 또는 휴대용 공기청정기 작동 정보에 기반한 오염 공기 노출 수준을 추정하는 방법.
  2. 제 1 항에 있어서,
    상기 미리 정해진 임계값을 넘는지 판단 여부는 특정 시간당 미세먼지 농도가 특정 값을 넘는지로 결정하는,
    웨어러블 기기 또는 휴대용 공기청정기 작동 정보에 기반한 오염 공기 노출 수준을 추정하는 방법.
  3. 제1 항에 있어서,
    상기 오염 공기 노출 수준에 기초하여 외부 가전 기기에 공기 오염 관련 실행 코스를 자동으로 실행하는 것을 지시하는 단계를 더 포함하는,
    웨어러블 기기 또는 휴대용 공기청정기 작동 정보에 기반한 오염 공기 노출 수준을 추정하는 방법.
  4. 제 1 항에 있어서,
    상기 휴대자의 오염 공기 노출 수준을 추정하는 단계는
    상기 미세 먼지 농도에 관한 데이터를, 상기 휴대자의 오염 공기 노출 수준을 추정하기 위해 학습된 인공지능 모델에 적용하는 단계; 및
    상기 학습된 인공지능 모델로부터 상기 휴대자의 오염 공기 노출 수준을 출력하는 단계;를 포함하고,
    상기 학습된 인공지능 모델은 복수의 상기 미세 먼지 농도에 관한 데이터 및 복수의 상기 미세 먼지 농도에 관한 데이터에 오염 공기 노출 수준의 레이블을 매칭한 데이터들을 포함하는 학습용 데이터로 인공지능 모델을 학습시켜서 생성된 노출 수준분류엔진인,
    웨어러블 기기 또는 휴대용 공기청정기 작동 정보에 기반한 오염 공기 노출 수준을 추정하는 방법.
  5. 삭제
  6. 제 2 항에 있어서,
    상기 미세 먼지 농도를 수신하는 단계는 휴대용 공기청정기로부터 휴대용 공기청정기의 팬의 세기에 대한 정보를 추가로 수신하는 것을 포함하고,
    상기 휴대자의 오염 공기 노출 수준을 추정하는 단계는 특정 시간당 미세 먼지 농도 및 휴대용 공기청정기의 팬의 세기에 기초하여 휴대자의 오염 공기 노출 수준을 추정하는 것을 포함하는,
    웨어러블 기기 또는 휴대용 공기청정기 작동 정보에 기반한 오염 공기 노출 수준을 추정하는 방법.
  7. 제 1 항에 있어서,
    상기 휴대자의 오염 공기 노출 수준을 추정하는 단계는
    상기 미세 먼지 농도 및 필터 사용량에 관한 데이터를, 상기 휴대자의 오염 공기 노출 수준을 추정하기 위해 학습된 인공지능 모델에 적용하는 단계; 및
    상기 학습된 인공지능 모델로부터 상기 휴대자의 오염 공기 노출 수준을 출력하는 단계;를 포함하는,
    웨어러블 기기 또는 휴대용 공기청정기 작동 정보에 기반한 오염 공기 노출 수준을 추정하는 방법.
  8. 제 7 항에 있어서,
    상기 학습된 인공지능 모델은 복수의 미세 먼지 농도 및 휴대용 공기청정기 작동 후의 필터 사용량에 관한 데이터들, 및 상기 필터 사용량에 오염 공기 노출 수준의 레이블을 매칭한 데이터들을 포함하는 학습용 데이터로 인공지능 모델을 학습시켜서 생성된 노출 수준분류엔진인,
    웨어러블 기기 또는 휴대용 공기청정기 작동 정보에 기반한 오염 공기 노출 수준을 추정하는 방법.
  9. 제 8 항에 있어서,
    상기 노출 수준분류엔진은 분류(Classification) 또는 회귀(Regression) 분석에 의해 기계학습된 노출 수준분류엔진인,
    웨어러블 기기 또는 휴대용 공기청정기 작동 정보에 기반한 오염 공기 노출 수준을 추정하는 방법.
  10. 컴퓨터를 이용하여 제 1 항 내지 제 4 항 또는 제 6 항 내지 제 9 항 중 어느 한 항에 따른 오염 공기 노출 수준을 추정하는 방법을 수행하도록 프로그래밍된 프로그램을 저장한 컴퓨터 판독 가능한 기록매체.
  11. 웨어러블 기기 또는 휴대용 공기청정기의 미세 먼지 센서로부터 측정된 미세 먼지 농도를 수신하는 수신부;
    상기 미세 먼지 농도를 기초로 상기 웨어러블 기기 또는 휴대용 공기청정기를 휴대한 휴대자의 오염 공기 노출 수준을 추정하는 노출수준분류부; 및
    상기 추정된 휴대자의 오염 공기 노출 수준이 미리 정해진 임계값을 넘는 경우 상기 추정된 오염 공기 노출 수준에 관한 정보를 외부 가전 기기에 전달하는 통신부;를 포함하고,
    상기 수신부는 상기 휴대용 공기청정기로부터 필터 사용량을 추가로 수신하도록 구성되고,
    상기 노출 수준분류부는 상기 휴대용 공기청정기의 먼지 센서로부터 수신한 미세먼지 농도 및 상기 휴대용 공기청정기의 필터 사용량을 기초로 상기 오염 공기 노출 수준을 추정하도록 구성된,
    오염 공기 노출 수준 추정 장치.
  12. 제 11 항에 있어서,
    상기 통신부는 상기 미리 정해진 임계값을 넘는지 판단 여부는 특정 시간당 미세먼지 농도가 특정 값을 넘는지로 결정하는,
    오염 공기 노출 수준 추정 장치.
  13. 제 11 항에 있어서,
    상기 추정된 오염 공기 노출 수준에 기초하여 외부 가전 기기에 공기 오염 관련 실행 코스를 자동으로 실행하는 것을 상기 통신부를 통해 지시하는 제어부를 더 포함하는,
    오염 공기 노출 수준 추정 장치.
  14. 삭제
  15. 제 11 항에 있어서,
    상기 수신부는 상기 휴대용 공기청정기로부터 휴대용 공기청정기 팬의 세기에 대한 정보를 추가로 수신하도록 구성되고,
    상기 노출 수준분류부는 특정 시간당 미세 먼지 농도 및 휴대용 공기청정기의 팬의 세기에 기초하여 휴대자의 오염 공기 노출 수준을 추정하도록 구성된,
    오염 공기 노출 수준 추정 장치.
  16. 제 11 항에 있어서,
    상기 통신부는 상기 미세 먼지 센서의 정보, 상기 휴대용 공기청정기의 공기 청정에 의한 먼지 개선 효과, 또는 추정된 오염 공기 노출 수준 중 적어도 하나를 휴대자에게 알리는,
    오염 공기 노출 수준 추정 장치.
  17. 제 11 항에 있어서,
    상기 노출 수준분류부는 상기 미세 먼지 농도에 관한 데이터를, 상기 휴대자의 오염 공기 노출 수준을 추정하기 위해 학습된 인공지능 모델에 적용하고, 상기 학습된 인공지능 모델로부터 상기 휴대자의 오염 공기 노출 수준을 출력하도록 구성되고,
    상기 학습된 인공지능 모델은 복수의 상기 미세 먼지 농도에 관한 데이터 및 복수의 상기 미세 먼지 농도에 관한 데이터에 오염 공기 노출 수준의 레이블을 매칭한 데이터들을 포함하는 학습용 데이터로 인공지능 모델을 학습시켜서 생성된 노출 수준분류엔진인,
    오염 공기 노출 수준 추정 장치.
  18. 제 11 항에 있어서,
    상기 노출 수준분류부는 상기 미세 먼지 농도 및 필터 사용량에 관한 데이터를, 상기 오염 공기 노출 수준을 추정하기 위해 학습된 인공지능 모델에 적용하고, 상기 학습된 인공지능 모델로부터 상기 오염 공기 노출 수준을 출력하도록 구성되고,
    상기 학습된 인공지능 모델은 복수의 미세 먼지 농도 및 휴대용 공기청정기 작동 후의 필터 사용량에 관한 데이터들, 및 상기 필터 사용량에 오염 공기 노출 수준의 레이블을 매칭한 데이터들을 포함하는 학습용 데이터로 인공지능 모델을 학습시켜서 생성된 노출 수준분류엔진인,
    오염 공기 노출 수준 추정 장치.
  19. 제 18 항에 있어서,
    상기 학습된 인공지능 모델은 복수의 상기 미세 먼지 농도 및 휴대용 공기청정기 작동 후의 필터 사용량에 관한 데이터들, 및 상기 필터 사용량에 오염 공기 노출 수준의 레이블을 매칭한 데이터들을 포함하는 학습용 데이터로 하여, 분류 또는 회귀 분석에 의해 학습된 노출 수준분류엔진인,
    오염 공기 노출 수준 추정 장치.
  20. 웨어러블 기기 또는 휴대용 공기청정기 작동 정보에 기반 오염 공기 노출 수준 추정 장치, 및 상기 웨어러블 기기 또는 휴대용 공기청정기 작동 정보를 수집하며 상기 오염 공기 노출 수준을 추정하기 위한 인공지능 모델을 학습시키는 서버를 포함하는 오염 공기 노출 수준 추정 시스템으로서,
    상기 오염 공기 노출 수준 추정 장치는
    웨어러블 기기 또는 휴대용 공기청정기의 미세 먼지 센서로부터 측정된 미세 먼지 농도를 수신하는 수신부;
    상기 측정된 미세 먼지 농도를 기초로 상기 웨어러블 기기 또는 휴대용 공기청정기를 휴대한 휴대자의 오염 공기 노출 수준을 추정하는 노출 수준분류부; 및
    상기 미세 먼지 농도를 서버로 전송하는, 서버와 통신하는 통신부;를 포함하고,
    상기 서버는 상기 측정된 미세 먼지 농도에 관한 데이터를, 상기 휴대자의 오염 공기 노출 수준을 추정하기 위해 인공지능 알고리즘을 통해 학습시킨 인공지능 모델을 생성하는 인공지능 모델 학습부를 포함하고,
    상기 서버는 상기 인공지능 모델 학습부를 통해 학습시킨 학습된 인공지능 모델을 오염 공기 노출 수준 추정 장치로 전송하도록 구성되고,
    상기 오염 공기 노출 수준 추정 장치의 노출 수준분류부는 상기 서버에서 전송받은 학습된 인공지능 모델을 통해 오염 공기 노출 수준을 추정하도록 구성되며,
    상기 수신부는 상기 휴대용 공기청정기로부터 필터 사용량을 추가로 수신하도록 구성되고,
    상기 노출 수준분류부는 상기 휴대용 공기청정기의 먼지 센서로부터 수신한 미세먼지 농도 및 상기 휴대용 공기청정기의 필터 사용량을 기초로 상기 오염 공기 노출 수준을 추정하도록 구성된,
    오염 공기 노출 수준 추정 시스템.

KR1020190104525A 2019-08-26 2019-08-26 웨어러블 기기 또는 휴대용 공기청정기 작동 정보에 기반한 오염 공기 노출 수준을 추정하는 방법, 장치 및 시스템 KR102658692B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020190104525A KR102658692B1 (ko) 2019-08-26 2019-08-26 웨어러블 기기 또는 휴대용 공기청정기 작동 정보에 기반한 오염 공기 노출 수준을 추정하는 방법, 장치 및 시스템
US16/600,001 US11410018B2 (en) 2019-08-26 2019-10-11 Method, apparatus, and system for inferring contaminated air exposure level based on operation information of wearable device or portable air purifier

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190104525A KR102658692B1 (ko) 2019-08-26 2019-08-26 웨어러블 기기 또는 휴대용 공기청정기 작동 정보에 기반한 오염 공기 노출 수준을 추정하는 방법, 장치 및 시스템

Publications (2)

Publication Number Publication Date
KR20190105535A KR20190105535A (ko) 2019-09-17
KR102658692B1 true KR102658692B1 (ko) 2024-04-17

Family

ID=68070024

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190104525A KR102658692B1 (ko) 2019-08-26 2019-08-26 웨어러블 기기 또는 휴대용 공기청정기 작동 정보에 기반한 오염 공기 노출 수준을 추정하는 방법, 장치 및 시스템

Country Status (2)

Country Link
US (1) US11410018B2 (ko)
KR (1) KR102658692B1 (ko)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210037356A (ko) 2019-09-27 2021-04-06 최경석 무드등과 벌레퇴치 기능이 결합된 휴대용 공기 청정기
KR102319475B1 (ko) * 2019-12-20 2021-11-01 (주)엘탑 Ai 가전을 통한 인공지능 휴먼라이프 서비스 제공 시스템
WO2021207775A1 (de) * 2020-04-15 2021-10-21 Christian Noe Messanlage zur ermittlung des infektionsrisikos
KR102250240B1 (ko) * 2020-09-01 2021-05-10 주식회사 카타콤 엘이디 살균 스마트 축사 관리 시스템 및 그 관리 방법
KR102501937B1 (ko) * 2021-03-12 2023-02-21 한국과학기술원 미세 먼지 농도 모니터링 방법 및 그 장치
CN115310361B (zh) * 2022-08-16 2023-09-15 中国矿业大学 基于wgan-cnn煤矿井下粉尘浓度预测方法和系统

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140207281A1 (en) * 2013-01-18 2014-07-24 Irobot Corporation Environmental Management Systems Including Mobile Robots and Methods Using Same
KR101738079B1 (ko) * 2015-11-30 2017-05-22 전규상 공기정화 기능이 내장된 휴대용 재난 구조기기
US20170372216A1 (en) 2016-06-23 2017-12-28 3M Innovative Properties Company Personal protective equipment system having analytics engine with integrated monitoring, alerting, and predictive safety event avoidance

Family Cites Families (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7302313B2 (en) * 2001-02-07 2007-11-27 Aircuity, Inc. Air quality monitoring systems and methods
KR100714719B1 (ko) * 2004-12-03 2007-05-04 삼성전자주식회사 이동하면서 공기를 청정하는 방법 및 장치
US20190156600A1 (en) * 2006-11-16 2019-05-23 Ge Global Sourcing Llc Locomotive sensor system for monitoring engine and lubricant health
US8907803B2 (en) * 2012-01-09 2014-12-09 Intwine Energy Networked air quality monitoring
KR101494663B1 (ko) * 2013-07-01 2015-02-17 류명열 실내공기레벨을 실시간으로 표시하는 장치
US10042369B2 (en) * 2015-06-16 2018-08-07 Lunatech, Llc Vapor device for filtering and testing material
KR102473894B1 (ko) * 2015-09-11 2022-12-07 코웨이 주식회사 증강현실을 이용한 공기질 디스플레이 시스템
KR20170077691A (ko) 2015-12-28 2017-07-06 주식회사 세스코 공기질 관리 시스템
WO2017186606A1 (en) * 2016-04-27 2017-11-02 Koninklijke Philips N.V. Air purifier and atmosphere scenting
US11007341B2 (en) * 2016-06-29 2021-05-18 Carmen Schuller Air purifier apparatus
JP6644174B2 (ja) * 2016-05-27 2020-02-12 コーニンクレッカ フィリップス エヌ ヴェＫｏｎｉｎｋｌｉｊｋｅ Ｐｈｉｌｉｐｓ Ｎ．Ｖ． 空気清浄器
KR102555008B1 (ko) * 2018-01-04 2023-07-14 코웨이 주식회사 먼지농도 보정 장치
WO2019240373A1 (en) * 2018-06-15 2019-12-19 Samsung Electronics Co., Ltd. Terminal apparatus and method of transmitting control command thereof
US10905601B2 (en) * 2019-04-12 2021-02-02 Verily Life Sciences Llc Wearable sensor enclosure

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20140207281A1 (en) * 2013-01-18 2014-07-24 Irobot Corporation Environmental Management Systems Including Mobile Robots and Methods Using Same
KR101738079B1 (ko) * 2015-11-30 2017-05-22 전규상 공기정화 기능이 내장된 휴대용 재난 구조기기
US20170372216A1 (en) 2016-06-23 2017-12-28 3M Innovative Properties Company Personal protective equipment system having analytics engine with integrated monitoring, alerting, and predictive safety event avoidance

Also Published As

Publication number Publication date
US20200042861A1 (en) 2020-02-06
US11410018B2 (en) 2022-08-09
KR20190105535A (ko) 2019-09-17

Similar Documents

Publication Publication Date Title
KR102658692B1 (ko) 웨어러블 기기 또는 휴대용 공기청정기 작동 정보에 기반한 오염 공기 노출 수준을 추정하는 방법, 장치 및 시스템
KR102623840B1 (ko) 필터의 교체시기 판단 방법 및 필터의 교체시기를 판단하는 공기 조화기
US20200025401A1 (en) Thermo-hygrometer and method of controlling temperature and humidity for adjusting indoor environment
Liu et al. Anomaly detection based on machine learning in IoT-based vertical plant wall for indoor climate control
KR102608051B1 (ko) 인공지능 장치
Rasheed et al. Deep reinforcement learning for traffic signal control: A review
US11480351B2 (en) Air purifier and operating method of the same
US11517168B2 (en) Robot cleaner and operating method of the same
Hou et al. Traffic flow forecasting for urban work zones
CN109891436A (zh) 基于深度学习神经网络的安保系统及其控制方法
KR20190091231A (ko) 실내 공기상태를 알려주는 공기 조화기 및 증강 현실 장치와 이들의 제어 방법
CN115826428B (zh) 家居设备的控制方法和装置、存储介质及电子装置
KR20190109341A (ko) 노이즈 관리가 가능한 전자기기 및 이의 제어 방법
Kishor et al. Study and development of efficient air quality prediction system embedded with machine learning and IoT
Pires et al. Optimization of artificial neural network models through genetic algorithms for surface ozone concentration forecasting
Kaswan et al. The use of machine learning for sustainable and resilient buildings
KR20230144301A (ko) 환경보건 모니터링 시스템 및 그 방법
Osiegbu et al. Design and implementation of an autonomous wireless sensor-based smart home
Bueno et al. Dynamic ensemble mechanisms to improve particulate matter forecasting
Dzunic et al. Bayesian switching interaction analysis under uncertainty
Mena Yedra et al. Improving adaptation and interpretability of a short-term traffic forecasting system
Box Supervised learning from human performance at the computationally hard problem of optimal traffic signal control on a network of junctions
Aktan et al. The neural network modeling of suspended particulate matter with autoregressive structure
Trivodaliev et al. Smart City Air Pollution Monitoring and Prediction: A Case Study of Skopje
Dalal et al. Optimising air quality prediction in smart cities with hybrid particle swarm optimization‐long‐short term memory‐recurrent neural network model

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant