KR20130110565A - 사용자 행동 실시간 인식장치 및 방법 - Google Patents
사용자 행동 실시간 인식장치 및 방법 Download PDFInfo
- Publication number
- KR20130110565A KR20130110565A KR1020120032615A KR20120032615A KR20130110565A KR 20130110565 A KR20130110565 A KR 20130110565A KR 1020120032615 A KR1020120032615 A KR 1020120032615A KR 20120032615 A KR20120032615 A KR 20120032615A KR 20130110565 A KR20130110565 A KR 20130110565A
- Authority
- KR
- South Korea
- Prior art keywords
- behavior
- user
- feature extraction
- real
- user behavior
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
- G06V40/23—Recognition of whole body movements, e.g. for sport training
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Social Psychology (AREA)
- Human Computer Interaction (AREA)
- Multimedia (AREA)
- Psychiatry (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Databases & Information Systems (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- User Interface Of Digital Computer (AREA)
- Telephone Function (AREA)
Abstract
사용자 행동 실시간 인식 기술을 개시한다. 사용자 행동별 주파수 영역 신호를 수집하여 학습 데이터를 생성하고, 생성된 학습 데이터를 기반으로 학습 서버에서 학습된 행동 특징 추출 모델 및 행동 특징 추출 모델을 이용해 학습된 행동 패턴 분류 모델을 저장함으로써 사용자 행동을 정확하게 실시간 인식할 수 있도록 한다.
Description
사용자 행동 인식 기술에 관련한 것으로, 특히 이동단말 소지형태에 무관하게 사용자의 행동을 실시간으로 인식기술에 관한 것이다.
현재 스마트 폰 등과 같은 이동단말의 고성능, 고집적화로 인하여 다양한 종류의 물리적 및 논리적 센서가 탑재되고 있다. 이러한 센서들을 이용하여 새롭고 다양한 정보를 생성하고, 이를 이용해 사용자의 편의를 증진시키는 방향으로 발전되고 있다. 예컨대, 이동단말에 탑재되는 센서로는 GPS, 조도센서, 가속도센서, 자이로스코프(Gyroscope), 지자기 센서 등이 있다.
이러한 추세에 따라 가속도 센서를 이용한 사용자의 움직임 상태를 인식하는 기술에 소개되었는데, 통상적으로 사용자 행동 인식(User Activity Recognition) 기법이라 지칭된다. 사용자 행동 인식(User Activity Recognition) 기법을 통해 사용자의 다양한 움직임들, 예를 들면 걷기, 뛰기, 계단 오르기/내리기 등을 인식할 수 있다.
그런데, 이러한 사용자 행동 인식 기법이 실효성을 거두기 위해서는 실시간으로 인식이 가능해야 하며, 사용자의 이동단말 소지 형태(주머니 속에 소지, 손에 소지, 가방 속에 소지 등)에 관계없이 인식할 수 있어야 한다. 따라서, 이동단말 소지형태에 무관하게 사용자 행동을 실시간으로 정확하게 인식할 수 있는 기술에 대한 연구를 하게 되었다.
이에 따라, 이동단말 소지형태에 무관하게 사용자 행동을 실시간으로 정확하게 인식할 수 있는 사용자 행동 실시간 인식 기술을 제공한다.
일 양상에 따르면, 사용자 행동 실시간 인식장치가 사용자 행동별 주파수 영역 신호를 수집하여 학습 데이터를 생성하는 학습 데이터 수집부와; 학습 데이터 수집부에 의해 수집되어 전송된 학습 데이터를 기반으로 학습 서버에서 학습된 행동 특징 추출 모델을 저장하는 행동 특징 추출 모델 DB와; 학습 서버에서 학습된 행동 특징 추출 모델을 이용해 학습된 행동 패턴 분류 모델을 저장하는 행동 패턴 분류 모델 DB를; 포함할 수 있다.
부가적인 양상에 따르면, 사용자 행동 실시간 인식장치가 행동 특징 추출 모델을 저장한 행동 특징 추출 모델 DB과, 행동 패턴 분류 모델을 저장한 행동 패턴 분류 모델 DB를 참조해 사용자 행동 특징을 추출하고, 사용자 행동 패턴을 분류하는 사용자 행동 인식부를; 더 포함할 수 있다.
부가적인 양상에 따르면, 사용자 행동 실시간 인식장치의 사용자 행동 인식부가 행동 특징 추출 모델을 저장한 행동 특징 추출 모델 DB를 참조해 주파수 영역 신호로부터 사용자 행동 특징을 추출하는 행동 특징 추출부와; 행동 패턴 분류 모델을 저장한 행동 패턴 분류 모델 DB를 참조해 행동 특징 추출부에 의해 추출된 사용자 행동 특징으로부터 사용자 행동 패턴을 분류하는 행동 패턴 분류부를; 포함할 수 있다.
부가적인 양상에 따르면, 사용자 행동 실시간 인식장치의 사용자 행동 인식부가 이동단말 소지형태에 무관한 정규화된 신호를 주파수 영역(frequency domain) 신호로 변환하는 고속 푸리에 변환부를; 더 포함할 수 있다.
부가적인 양상에 따르면, 사용자 행동 실시간 인식장치가 사용자 행동 분석을 위한 제1신호를 검출하는 제1센서와; 제1센서에 의해 검출된 제1신호의 보정을 위한 제2신호를 검출하는 제2센서와; 제2센서에 의해 검출된 제2신호를 이용해 제1센서에 의해 검출된 제1신호를 이동단말 소지형태에 무관한 신호로 정규화하는 신호 정규화부를; 더 포함할 수 있다.
부가적인 양상에 따르면, 사용자 행동 실시간 인식장치의 행동 패턴 분류부가 분류된 사용자 행동 패턴 정보를 디바이스 컨트롤러(device controller), 사용자 행동 분석장치, 라이프 로깅(life logging) 장치, 사용자 컨텍스트(context) 인식장치 등의 응용 장치로 전송할 수 있다.
부가적인 양상에 따르면, 사용자 행동 실시간 인식장치의 학습 데이터 수집부가 고속 푸리 변환된 사용자 행동별 주파수 영역 신호를 수집하여 학습 데이터를 생성하고, 생성된 학습 데이터를 학습 서버로 전송하여 학습할 수 있다.
이동단말 소지형태에 무관하게 사용자 행동을 실시간으로 정확하게 인식할 수 있어, 이동단말의 디바이스 컨트롤, 사용자 행동 분석, 라이프 로깅(life logging), 사용자 컨텍스트(context) 인식 등의 다양한 응용분야에 활용할 수 있다.
도 1 은 본 발명에 따른 사용자 행동 실시간 인식장치의 일 실시예의 구성을 도시한 블럭도이다.
도 2 는 학습 서버의 일 실시예의 구성을 도시한 블럭도이다.
도 3 은 학습된 행동 특징 추출 모델의 일 예를 도시한 도면이다.
도 4 는 학습된 행동 패턴 분류 모델의 일 예를 도시한 도면이다.
도 5 는 본 발명에 따른 사용자 행동 실시간 인식방법의 일 실시예를 도시한 흐름도이다.
도 2 는 학습 서버의 일 실시예의 구성을 도시한 블럭도이다.
도 3 은 학습된 행동 특징 추출 모델의 일 예를 도시한 도면이다.
도 4 는 학습된 행동 패턴 분류 모델의 일 예를 도시한 도면이다.
도 5 는 본 발명에 따른 사용자 행동 실시간 인식방법의 일 실시예를 도시한 흐름도이다.
이하, 첨부된 도면을 참조하여 기술되는 실시예를 통하여 발명을 당업자가 용이하게 이해하고 재현할 수 있도록 상세히 기술하기로 한다.
발명을 설명함에 있어 관련된 공지 기능 또는 구성에 대한 구체적인 설명이 발명 실시예들의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다.
명세서 전반에 걸쳐 사용되는 용어들은 발명의 실시예에서의 기능을 고려하여 정의된 용어들로서, 사용자 또는 운용자의 의도, 관례 등에 따라 충분히 변형될 수 있는 사항이므로, 이 용어들의 정의는 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
도 1 은 본 발명에 따른 사용자 행동 실시간 인식장치의 일 실시예의 구성을 도시한 블럭도이다. 도 1 에 도시한 바와 같이, 이 실시예에 따른 사용자 행동 실시간 인식장치(100)는 제1센서(110)와, 제2센서(120)와, 신호 정규화부(130)와, 사용자 행동 인식부(140)를 포함할 수 있다.
제1센서(110)는 사용자 행동 분석을 위한 제1신호를 검출한다. 예컨대, 제1센서(110)가 이동단말 소지형태에 유관한 디바이스 좌표계(device coordinate system)를 구비한 가속도 센서일 수 있다.
스마트 폰 등의 이동단말에 탑재되는 가속도 센서는 이동단말 소지형태에 유관한 디바이스 좌표계(device coordinate system)를 구비하며, 이동단말 소지형태에 따라 이동단말의 방위(orientation)가 바뀌면 디바이스 좌표계(device coordinate system)가 바뀌어 회전 불명확(rotation ambiguity) 특성이 발생한다.
제2센서(120)는 제1센서(110)에 의해 검출된 제1신호의 보정을 위한 제2신호를 검출한다. 예컨대, 제2센서(120)가 이동단말 소지형태에 무관한 글로벌 좌표계(global coordinate system)를 구비한 자기장 센서일 수 있다.
스마트 폰 등의 이동단말에 탑재되는 자기장 센서는 이동단말 소지형태에 무관한 글로벌 좌표계(global coordinate system)를 구비하며, 이동단말 소지형태에 따라 이동단말의 방위(orientation)가 바뀌어도 글로벌 좌표계(global coordinate system)는 바뀌지 않는다.
신호 정규화부(130)는 제2센서(120)에 의해 검출된 제2신호를 이용해 제1센서(110)에 의해 검출된 제1신호를 보정하여 이동단말 소지형태에 무관한 신호로 정규화한다.
예컨대, 신호 정규화부(130)가 이동단말 소지형태에 유관한 디바이스 좌표계를 구비한 가속도 센서에 의해 검출되는 3축 디바이스 좌표를 이동단말 소지형태에 무관한 글로벌 좌표계를 구비한 자기장 센서에 의해 검출되는 글로벌 좌표로 회전시켜 이동단말 소지형태에 무관한 가속도 데이터로 정규화하는 글로벌 좌표 변환기(GCT : Golobal Coordinate Transformer)일 수 있다.
즉, 이동단말 소지형태에 따라 방위(orientation)가 변하면, 디바이스 좌표계(device coordinate system)가 바뀌어, 이동단말 소지형태에 따라 회전 불명확(rotation ambiguity) 특성이 발생하므로, 자기장 센서에 의해 검출되는 신호를 사용하여 디바이스 좌표계(device coordinate system)를 글로벌 좌표계(global coordinate system)로 회전시켜, 가속도 센서에 의해 검출되는 이동단말 소지형태에 유관한 신호를 이동단말 소지형태에 무관한 글로벌 좌표계(global coordinate system)상의 가속도 데이터로 변환한다.
사용자 행동 인식부(140)는 신호 정규화부(130)에 의해 정규화된 이동단말 소지형태에 무관한 신호로부터 사용자 행동 패턴을 인식한다. 이 때, 사용자 행동 인식부(140)가 고속 푸리에 변환부(141)와, 행동 특징 추출부(142)와, 행동 패턴 분류부(143)를 포함할 수 있다.
고속 푸리에 변환부(141)는 신호 정규화부(130)에 의해 정규화된 이동단말 소지형태에 무관한 시간 영역(time domain) 신호를 주파수 영역(frequency domain) 신호로 변환한다. 즉, 고속 푸리에 변환부(141)는 연속된 시간열(time series) 데이터 순서(sequence)를 벡터(vector)화한다.
사용자 특정 행동패턴은 가속도 데이터의 특정 주파수에 영향을 끼치며, 사용자 행동 인식부(140)는 고속 푸리에 변환부(141)를 통해 이동단말 소지형태에 무관한 글로벌 좌표계(global coordinate system)상의 가속도 데이터 즉, 정규화된 이동단말 소지형태에 무관한 시간 영역(time domain) 신호를 주파수 영역(frequency domain) 신호로 변환한다.
행동 특징 추출부(142)는 고속 푸리에 변환부(141)에 의해 변환된 주파수 영역 신호로부터 사용자 행동 특징을 추출한다. 이 때, 행동 특징 추출부(142)가 행동 특징 추출 모델을 저장한 행동 특징 추출 모델 DB(142a)를 참조해 주파수 영역 신호로부터 사용자 행동 특징을 추출하도록 구현될 수 있다.
예컨대, 행동 특징 추출부(142)가 실시간 사용자 행동 특징 추출이 가능한 행동 특징 추출 모델로 PCA(Principle Component Analysis), NMF(Non-negative Matrix Factorization), LDA(Linear Discriminant Analysis), ICA(Independent Component Analysis)등의 기계 학습 모델(Machine Learning Model)을 사용하여 주파수 영역 신호로부터 사용자 행동 특징을 추출할 수 있다.
행동 패턴 분류부(143)는 행동 특징 추출부(142)에 의해 추출된 사용자 행동 특징을 분석해 사용자 행동 패턴을 분류한다. 이 때, 행동 패턴 분류부(143)가 행동 패턴 분류 모델을 저장한 행동 패턴 분류 모델 DB(143a)를 참조해 사용자 행동 특징으로부터 사용자 행동 패턴을 분류하도록 구현될 수 있다.
예컨대, 행동 패턴 분류부(143)가 실시간 사용자 행동 패턴 분류가 가능한 행동 패턴 분류 모델로 BNC(Bayesian Network Classifier), SVN(Support Vector Machine) 등의 기계 학습 모델(Machine Learning Model)을 사용하여 사용자 행동 특징으로부터 사용자 행동 패턴을 분류할 수 있다.
한편, 행동 패턴 분류부(143)가 분류된 사용자 행동 패턴 정보를 응용 장치로 전송하도록 구현될 수 있다. 예컨대, 응용 장치가 이동단말의 벨소리 증감을 제어하는 등의 디바이스 컨트롤러(device controller), 사용자의 행동을 실시간 모니터링하는 등의 사용자 행동 분석장치, 라이프 로깅(life logging) 장치, 사용자 행동 기반의 광고 검색 등의 사용자 컨텍스트(context) 인식장치 등일 수 있다.
이렇게 함에 의해 이 실시예에 따른 사용자 행동 실시간 인식장치(100)는 이동단말 소지형태에 무관하게 사용자 행동을 실시간으로 정확하게 인식할 수 있고, 인식된 사용자 행동을 이동단말의 디바이스 컨트롤, 사용자 행동 분석, 라이프 로깅(life logging), 사용자 컨텍스트(context) 인식 등의 다양한 응용분야에 활용할 수 있도록 한다.
한편, 부가적인 양상에 따르면, 사용자 행동 실시간 인식장치(100)가 학습 데이터 수집부(150)를 더 포함할 수 있다. 학습 데이터 수집부(150)는 고속 푸리에 변환부(141)에 의해 변환된 사용자 행동별 주파수 영역 신호를 수집하여 학습 데이터를 생성한다.
스마트 폰 등의 이동단말 소지형태에 따라 같은 행동이라도 현저히 다른 가속도 데이터 신호가 발생하므로, 단순히 임계치(threshold) 방식으로는 해결 어려울 수 있다. 따라서, 이동단말의 소지형태에 강건한(robust)한 특징 추출을 위해 각 사용자 행동 분류(class)별로 가능한 이동단말의 소지형태별로 발생 가능한 가속도 데이터를 학습 데이터 수집부(150)를 통해 주파수 영역에서 수집하여 학습 데이터를 생성한다.
이 때, 학습 데이터 수집부(150)가 생성된 학습 데이터를 학습 서버(200)로 전송하도록 구현될 수도 있다. 도 2 는 학습 서버의 일 실시예의 구성을 도시한 블럭도이다. 도 2 에 도시한 바와 같이, 학습 서버(200)는 행동 특징 추출 모델 학습부(210)와, 행동 패턴 분류 모델 학습부(220)를 포함할 수 있다.
행동 특징 추출 모델 학습부(210)는 학습 데이터 수집부(150)에 의해 수집되어 전송된 학습 데이터 집합을 이용해 행동 특징 추출 모델을 학습하고, 최적의 행동 특징 추출 모델을 선택하여 행동 특징 추출 모델 DB(142a)에 저장한다.
특정 행동 패턴은 가속도 데이터의 특정 주파수에 영향을 끼치므로, 행동 특징 추출 모델 학습부(210)가 이동단말의 소지형태별로 가능한 사용자 행동 패턴에 대응하는 주파수 영역 학습 데이터 집합을 학습 데이터 수집부(150)를 통해 수집하여 행동 특징 추출 모델을 학습하고, 최적의 행동 특징 추출 모델을 선택하여 행동 특징 추출 모델 DB(142a)에 저장함으로써 행동 특징 추출 모델을 학습한다.
예컨대, 행동 특징 추출 모델이 PCA(Principle Component Analysis), NMF(Non-negative Matrix Factorization), LDA(Linear Discriminant Analysis), ICA(Independent Component Analysis)등의 기계 학습 모델(Machine Learning Model)일 수 있다. 도 3 은 행동 특징 추출 모델의 일 예를 도시한 도면이다.
행동 패턴 분류 모델 학습부(220)는 행동 특징 추출 모델 학습부(210)에 의해 학습된 행동 특징 추출 모델을 이용해 행동 패턴 분류 모델을 학습하고, 최적의 행동 패턴 분류 모델을 선택하여 행동 패턴 분류 모델 DB(143a)에 저장한다.
사용자 행동 분류(class)별로 가능한 이동단말의 소지형태별 행동 특징 모델이 행동 특징 추출 모델 학습부(210)에 의해 추출되면, 행동 패턴 분류 모델 학습부(220)를 통해 이동단말의 소지형태별 행동 특징에 따라 사용자 행동 패턴을 분류하여 학습할 수 있다.
예컨대, 행동 패턴 분류 모델이 BNC(Bayesian Network Classifier), SVN(Support Vector Machine) 등의 기계 학습 모델(Machine Learning Model)일 수 있다. 도 4 는 행동 패턴 분류 모델의 일 예를 도시한 도면이다.
행동 패턴 분류 모델은 분류 라벨(class label)마다 각각 구성되거나, 전체 분류 라벨(class label)에 대한 단일 분류 모델로 구성될 수 있다. 행동 특징 추출 모델 학습과 행동 패턴 분류 모델 학습은 최초 배치(batch) 방식으로 한번 수행되고, 이후 필요시 제공되는 주파수 영역 학습 데이터로부터 점진적으로 학습하여 개별 사용자의 행동 패턴에 적응적인(adaptive) 행동 인식을 가능하도록 구현될 수 있다.
이후, 행동 특징 추출모델 학습과 행동 패턴 분류 모델의 학습 절차 없이, 사전 학습된 행동 특징 추출모델과 행동 패턴 분류 모델을 기반으로 사용자 행동을 실시간 인식할 수 있다.
이상에서 설명한 바와 같은 사용자 행동 실시간 인식장치의 사용자 행동 인식 동작을 도 5 를 참조하여 알아본다. 도 5 는 본 발명에 따른 사용자 행동 실시간 인식방법의 일 실시예를 도시한 흐름도이다.
먼저, 단계 510에서 사용자 행동 실시간 인식장치가 사용자 행동별 주파수 영역 신호를 수집하여 학습 데이터를 생성한다. 예컨대, 학습 데이터를 생성하는 단계 510에서 고속 푸리에 변환된 사용자 행동별 주파수 영역 신호를 수집하여 학습 데이터를 생성하여 학습서버로 전송하도록 구현될 수 있다.
스마트 폰 등의 이동단말 소지형태에 따라 같은 행동이라도 현저히 다른 가속도 데이터 신호가 발생하므로, 단순히 임계치(threshold) 방식으로는 해결 어렵다. 따라서, 이동단말의 소지형태에 강건한(robust)한 특징 추출을 위해 각 사용자 행동 분류(class)별로 가능한 이동단말의 소지형태별로 발생 가능한 가속도 데이터를 사용자 행동 실시간 인식장치를 통해 주파수 영역에서 수집하여 학습 데이터를 생성한다.
이렇게 수집된 학습 데이터는 학습 서버로 전송되고, 학습서버에 의해 행동 특징 추출 모델과, 행동 패턴 분류 모델이 학습되어 이동단말에 저장되고, 이 학습된 행동 특징 추출 모델과, 행동 패턴 분류 모델을 이용해 이동단말이 이동단말 소지형태에 무관하게 사용자 행동을 실시간으로 정확하게 인식할 수 있게 된다.
그 다음, 단계 520에서 사용자 행동 실시간 인식장치가 단계 510에 의해 생성된 학습 데이터를 기반으로 학습 서버에서 학습된 행동 특징 추출 모델을 행동 특징 추출 모델 DB에 저장한다. 학습 서버에서 학습 데이터를 기반으로 행동 특징 추출 모델을 학습하는 것과 관련해서는 기 설명했으므로, 중복 설명은 생략한다.
그 다음, 단계 530에서 사용자 행동 실시간 인식장치가 행동 특징 추출 모델을 이용해 학습 서버에서 학습된 행동 패턴 분류 모델을 행동 패턴 분류 모델 DB에 저장한다. 학습 서버에서 행동 특징 추출 모델을 이용해 행동 패턴 분류 모델을 학습하는 것과 관련해서는 기 설명했으므로, 중복 설명은 생략한다.
한편, 부가적인 양상에 따르면, 사용자 행동 실시간 인식방법이 행동 특징 추출 모델을 저장한 행동 특징 추출 모델 DB과, 행동 패턴 분류 모델을 저장한 행동 패턴 분류 모델 DB를 참조해 사용자 행동 특징을 추출하고, 사용자 행동 패턴을 분류하는 단계 540을 더 포함할 수 있다.
이 때, 사용자 행동 패턴을 분류하는 단계 540은 행동 특징 추출 모델을 저장한 행동 특징 추출 모델 DB를 참조해 주파수 영역 신호로부터 사용자 행동 특징을 추출하는 단계 541과, 행동 패턴 분류 모델을 저장한 행동 패턴 분류 모델 DB를 참조해 사용자 행동 특징을 추출하는 단계에 의해 추출된 사용자 행동 특징으로부터 사용자 행동 패턴을 분류하는 단계 542를 포함할 수 있다.
예컨대, 사용자 행동 패턴을 분류하기 위해 이동단말 등의 사용자 행동 실시간 인식장치가 제1센서를 통해 사용자 행동 분석을 위한 제1신호를 검출한다. 이 때, 제1센서가 이동단말 소지형태에 유관한 디바이스 좌표계(device coordinate system)를 구비한 가속도 센서일 수 있다.
스마트 폰 등의 이동단말에 탑재되는 가속도 센서는 이동단말 소지형태에 유관한 디바이스 좌표계(device coordinate system)를 구비하며, 이동단말 소지형태에 따라 이동단말의 방위(orientation)가 바뀌면 디바이스 좌표계(device coordinate system)가 바뀌어 회전 불명확(rotation ambiguity) 특성이 발생한다.
그리고, 사용자 행동 실시간 인식장치가 제2센서를 통해 제1신호의 보정을 위한 제2신호를 검출한다. 예컨대, 제2센서가 이동단말 소지형태에 무관한 글로벌 좌표계(global coordinate system)를 구비한 자기장 센서일 수 있다.
스마트 폰 등의 이동단말에 탑재되는 자기장 센서는 이동단말 소지형태에 무관한 글로벌 좌표계(global coordinate system)를 구비하며, 이동단말 소지형태에 따라 이동단말의 방위(orientation)가 바뀌어도 글로벌 좌표계(global coordinate system)는 바뀌지 않는다.
그 다음, 사용자 행동 실시간 인식장치가 제2신호를 이용해 제1신호를 보정하여 이동단말 소지형태에 무관한 신호로 정규화한다. 예컨대, 글로벌 좌표 변환기(GCT : Golobal Coordinate Transformer)를 사용하여 이동단말 소지형태에 유관한 가속도 센서에 의해 검출되는 3축 디바이스 좌표를 자기장 센서에 의해 검출되는 글로벌 좌표로 회전시켜 이동단말 소지형태에 무관한 가속도 데이터로 정규화하도록 구현할 수 있다.
즉, 이동단말 소지형태에 따라 방위(orientation)가 변하면, 디바이스 좌표계(device coordinate system)가 바뀌어, 이동단말 소지형태에 따라 회전 불명확(rotation ambiguity) 특성이 발생하므로, 자기장 센서에 의해 검출되는 신호를 사용하여 디바이스 좌표계(device coordinate system)를 글로벌 좌표계(global coordinate system)로 회전시켜, 가속도 센서에 의해 검출되는 이동단말 소지형태에 유관한 신호를 이동단말 소지형태에 무관한 글로벌 좌표계(global coordinate system)상의 가속도 데이터로 변환한다.
그러면, 단계 540에서 사용자 행동 실시간 인식장치가 정규화된 이동단말 소지형태에 무관한 신호로부터 사용자 행동 패턴을 인식한다. 이 때, 단계 540에서 사용자 행동 실시간 인식장치가 정규화된 이동단말 소지형태에 무관한 시간 영역(time domain) 신호를 주파수 영역(frequency domain) 신호로 고속 푸리에 변환(FFT : Fast Fourier Transform)한다. 즉, 고속 푸리에 변환을 통해 연속된 시간열(time series) 데이터 순서(sequence)를 벡터(vector)화한다.
사용자 특정 행동패턴은 가속도 데이터의 특정 주파수에 영향을 끼치며, 고속 푸리에 변환을 통해 이동단말 소지형태에 무관한 글로벌 좌표계(global coordinate system)상의 가속도 데이터 즉, 정규화된 이동단말 소지형태에 무관한 시간 영역(time domain) 신호를 주파수 영역(frequency domain) 신호로 변환한다.
그 다음, 사용자 행동 실시간 인식장치가 고속 푸리에 변환된 주파수 영역 신호로부터 사용자 행동 특징을 추출한다. 이 때, 행동 특징 추출 모델을 저장한 행동 특징 추출 모델 DB를 참조해 주파수 영역 신호로부터 사용자 행동 특징을 추출하도록 구현될 수 있다.
예컨대, 사용자 행동 실시간 인식장치가 실시간 사용자 행동 특징 추출이 가능한 행동 특징 추출 모델로 PCA(Principle Component Analysis), NMF(Non-negative Matrix Factorization), LDA(Linear Discriminant Analysis), ICA(Independent Component Analysis)등의 기계 학습 모델(Machine Learning Model)을 사용하여 주파수 영역 신호로부터 사용자 행동 특징을 추출할 수 있다.
그 다음, 사용자 행동 실시간 인식장치가 추출된 사용자 행동 특징을 분석해 사용자 행동 패턴을 분류한다. 이 때, 사용자 행동 실시간 인식장치가 행동 패턴 분류 모델을 저장한 행동 패턴 분류 모델 DB를 참조해 사용자 행동 특징으로부터 사용자 행동 패턴을 분류하도록 구현될 수 있다.
예컨대, 사용자 행동 실시간 인식장치가 실시간 사용자 행동 패턴 분류가 가능한 행동 패턴 분류 모델로 BNC(Bayesian Network Classifier), SVN(Support Vector Machine) 등의 기계 학습 모델(Machine Learning Model)을 사용하여 사용자 행동 특징으로부터 사용자 행동 패턴을 분류할 수 있다.
한편, 발명의 부가적인 양상에 따르면, 사용자 행동 실시간 인식방법이 단계 540에 의해 분류된 사용자 행동 패턴 정보를 응용 장치로 전송하는 단계 550를 더 포함할 수 있다. 예컨대, 응용 장치가 디바이스 컨트롤러(device controller), 사용자 행동 분석장치, 라이프 로깅(life logging) 장치, 사용자 컨텍스트(context) 인식장치 등일 수 있다.
이렇게 함에 의해 이동단말을 이용해 이동단말 소지형태에 무관하게 사용자 행동을 실시간으로 정확하게 인식할 수 있고, 인식된 사용자 행동을 이동단말의 디바이스 컨트롤, 사용자 행동 분석, 라이프 로깅(life logging), 사용자 컨텍스트(context) 인식 등의 다양한 응용분야에 활용할 수 있게 된다.
이상에서 설명한 바와 같이, 본 발명은 이동단말 소지형태에 무관하게 사용자 행동을 실시간으로 정확하게 인식할 수 있어, 이동단말의 디바이스 컨트롤, 사용자 행동 분석, 라이프 로깅(life logging), 사용자 컨텍스트(context) 인식 등의 다양한 응용분야에 활용할 수 있으므로 상기에서 제시한 목적을 달성할 수 있다.
발명은 첨부된 도면에 의해 참조되는 바람직한 실시예를 중심으로 기술되었지만, 이러한 기재로부터 후술하는 특허청구범위에 의해 포괄되는 범위내에서 발명의 범주를 벗어남이 없이 다양한 변형이 가능하다는 것은 명백하다.
사용자 행동 인식 기술분야 및 이의 응용 기술분야에서 산업상으로 이용 가능하다.
100 : 사용자 행동 실시간 인식장치 110 : 제1센서
120 : 제2센서 130 : 신호 정규화부
140 : 사용자 행동 인식부 141 : 고속 푸리에 변환부
142 : 행동 특징 추출부 142a : 행동 특징 추출 모델DB
143 : 행동 패턴 분류부 143a : 행동 패턴 분류 모델DB
150 : 학습 데이터 수집부 200 : 학습 서버
210 : 행동 특징 추출 모델 학습부 220 : 행동 패턴 분류 모델 학습부
120 : 제2센서 130 : 신호 정규화부
140 : 사용자 행동 인식부 141 : 고속 푸리에 변환부
142 : 행동 특징 추출부 142a : 행동 특징 추출 모델DB
143 : 행동 패턴 분류부 143a : 행동 패턴 분류 모델DB
150 : 학습 데이터 수집부 200 : 학습 서버
210 : 행동 특징 추출 모델 학습부 220 : 행동 패턴 분류 모델 학습부
Claims (22)
- 사용자 행동별 주파수 영역 신호를 수집하여 학습 데이터를 생성하는 학습 데이터 수집부와;
학습 데이터 수집부에 의해 수집되어 전송된 학습 데이터를 기반으로 학습 서버에서 학습된 행동 특징 추출 모델을 저장하는 행동 특징 추출 모델 DB와;
학습 서버에서 학습된 행동 특징 추출 모델을 이용해 학습된 행동 패턴 분류 모델을 저장하는 행동 패턴 분류 모델 DB를;
포함하는 사용자 행동 실시간 인식장치. - 제 1 항에 있어서,
사용자 행동 실시간 인식장치가:
행동 특징 추출 모델을 저장한 행동 특징 추출 모델 DB과, 행동 패턴 분류 모델을 저장한 행동 패턴 분류 모델 DB를 참조해 사용자 행동 특징을 추출하고, 사용자 행동 패턴을 분류하는 사용자 행동 인식부를;
더 포함하는 사용자 행동 실시간 인식장치. - 제 2 항에 있어서,
사용자 행동 인식부가:
행동 특징 추출 모델을 저장한 행동 특징 추출 모델 DB를 참조해 주파수 영역 신호로부터 사용자 행동 특징을 추출하는 행동 특징 추출부와;
행동 패턴 분류 모델을 저장한 행동 패턴 분류 모델 DB를 참조해 행동 특징 추출부에 의해 추출된 사용자 행동 특징으로부터 사용자 행동 패턴을 분류하는 행동 패턴 분류부를;
포함하는 사용자 행동 실시간 인식장치. - 제 3 항에 있어서,
사용자 행동 인식부가:
이동단말 소지형태에 무관한 정규화된 신호를 주파수 영역(frequency domain) 신호로 변환하는 고속 푸리에 변환부를;
더 포함하는 사용자 행동 실시간 인식장치. - 제 4 항에 있어서,
사용자 행동 실시간 인식장치가:
사용자 행동 분석을 위한 제1신호를 검출하는 제1센서와;
제1센서에 의해 검출된 제1신호의 보정을 위한 제2신호를 검출하는 제2센서와;
제2센서에 의해 검출된 제2신호를 이용해 제1센서에 의해 검출된 제1신호를 이동단말 소지형태에 무관한 신호로 정규화하는 신호 정규화부를;
더 포함하는 사용자 행동 실시간 인식장치. - 제 3 항에 있어서,
행동 패턴 분류부가:
분류된 사용자 행동 패턴 정보를 응용 장치로 전송하는 사용자 행동 실시간 인식장치. - 제 6 항에 있어서,
응용 장치가:
디바이스 컨트롤러(device controller)인 사용자 행동 실시간 인식장치. - 제 6 항에 있어서,
응용 장치가:
사용자 행동 분석장치인 사용자 행동 실시간 인식장치. - 제 6 항에 있어서,
응용 장치가:
라이프 로깅(life logging) 장치인 사용자 행동 실시간 인식장치. - 제 6 항에 있어서,
응용 장치가:
사용자 컨텍스트(context) 인식장치인 사용자 행동 실시간 인식장치. - 제 4 항에 있어서,
학습 데이터 수집부가:
고속 푸리에 변환부에 의해 변환된 사용자 행동별 주파수 영역 신호를 수집하는 사용자 행동 실시간 인식장치. - 제 1 항에 있어서,
학습 데이터 수집부가:
생성된 학습 데이터를 학습 서버로 전송하는 사용자 행동 실시간 인식장치. - 제 5 항에 있어서,
제1센서가:
이동단말 소지형태에 유관한 디바이스 좌표계(device coordinate system)를 구비한 센서인 사용자 행동 실시간 인식장치. - 제 13 항에 있어서,
제2센서가:
이동단말 소지형태에 무관한 글로벌 좌표계(global coordinate system)를 구비한 센서인 사용자 행동 실시간 인식장치. - 제 14 항에 있어서,
신호 정규화부가:
이동단말 소지형태에 유관한 디바이스 좌표계를 구비한 가속도 센서에 의해 검출되는 3축 디바이스 좌표를 이동단말 소지형태에 무관한 글로벌 좌표계를 구비한 자기장 센서에 의해 검출되는 글로벌 좌표로 회전시켜 이동단말 소지형태에 무관한 가속도 데이터로 정규화하는 글로벌 좌표 변환기(GCT : Golobal Coordinate Transformer)인 사용자 행동 실시간 인식장치. - 제 1 항에 있어서,
학습 서버가:
학습 데이터 수집부에 의해 수집되어 전송된 학습 데이터 집합을 이용해 행동 특징 추출 모델을 학습하고, 최적의 행동 특징 추출 모델을 선택하여 행동 특징 추출 모델 DB에 저장하는 행동 특징 추출 모델 학습부를;
포함하는 사용자 행동 실시간 인식장치. - 제 16 항에 있어서,
학습 서버가:
행동 특징 추출 모델 학습부에 의해 학습된 행동 특징 추출 모델을 이용해 행동 패턴 분류 모델을 학습하고, 최적의 행동 패턴 분류 모델을 선택하여 행동 패턴 분류 모델 DB에 저장하는 행동 패턴 분류 모델 학습부를;
더 포함하는 사용자 행동 실시간 인식장치. - 사용자 행동 실시간 인식장치가 사용자 행동별 주파수 영역 신호를 수집하여 학습 데이터를 생성하는 단계와;
사용자 행동 실시간 인식장치가 학습 데이터를 생성하는 단계에 의해 생성된 학습 데이터를 기반으로 학습 서버에서 학습된 행동 특징 추출 모델을 행동 특징 추출 모델 DB에 저장하는 단계와;
사용자 행동 실시간 인식장치가 행동 특징 추출 모델을 이용해 학습 서버에서 학습된 행동 패턴 분류 모델을 행동 패턴 분류 모델 DB에 저장하는 단계를;
포함하는 사용자 행동 실시간 인식방법. - 제 18 항에 있어서,
사용자 행동 실시간 인식방법이:
사용자 행동 실시간 인식장치가 행동 특징 추출 모델을 저장한 행동 특징 추출 모델 DB과, 행동 패턴 분류 모델을 저장한 행동 패턴 분류 모델 DB를 참조해 사용자 행동 특징을 추출하고, 사용자 행동 패턴을 분류하는 단계를;
더 포함하는 사용자 행동 실시간 인식방법. - 제 19 항에 있어서,
사용자 행동 패턴을 분류하는 단계가:
행동 특징 추출 모델을 저장한 행동 특징 추출 모델 DB를 참조해 주파수 영역 신호로부터 사용자 행동 특징을 추출하는 단계와;
행동 패턴 분류 모델을 저장한 행동 패턴 분류 모델 DB를 참조해 사용자 행동 특징을 추출하는 단계에 의해 추출된 사용자 행동 특징으로부터 사용자 행동 패턴을 분류하는 단계를;
포함하는 사용자 행동 실시간 인식방법. - 제 18 항에 있어서,
학습 데이터를 생성하는 단계에서:
고속 푸리에 변환된 사용자 행동별 주파수 영역 신호를 수집하여 학습 데이터를 생성하여 학습서버로 전송하는 사용자 행동 실시간 인식방법. - 제 19 항에 있어서,
사용자 행동 실시간 인식방법이:
사용자 행동 실시간 인식장치가 분류된 사용자 행동 패턴 정보를 응용 장치로 전송하는 단계를;
더 포함하는 사용자 행동 실시간 인식방법.
Priority Applications (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020120032615A KR101939683B1 (ko) | 2012-03-29 | 2012-03-29 | 사용자 행동 실시간 인식장치 및 방법 |
| US13/614,546 US9460398B2 (en) | 2012-03-29 | 2012-09-13 | Apparatus and method for recognizing user activity |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020120032615A KR101939683B1 (ko) | 2012-03-29 | 2012-03-29 | 사용자 행동 실시간 인식장치 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20130110565A true KR20130110565A (ko) | 2013-10-10 |
| KR101939683B1 KR101939683B1 (ko) | 2019-01-18 |
Family
ID=49236374
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020120032615A KR101939683B1 (ko) | 2012-03-29 | 2012-03-29 | 사용자 행동 실시간 인식장치 및 방법 |
Country Status (2)
| Country | Link |
|---|---|
| US (1) | US9460398B2 (ko) |
| KR (1) | KR101939683B1 (ko) |
Cited By (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104951793A (zh) * | 2015-05-14 | 2015-09-30 | 西南科技大学 | 一种基于stdf特征的人体行为识别算法 |
| KR101710982B1 (ko) | 2015-10-14 | 2017-02-28 | 국민대학교산학협력단 | 컴퓨터 수행 가능한 운전자 의도 판단 방법, 이를 수행하는 장치 및 이를 저장하는 기록매체 |
| WO2019066099A1 (ko) * | 2017-09-27 | 2019-04-04 | (주)알티캐스트 | 통합된 분석 모델에 기초하여 이상 행동을 감지하는 시스템 및 그 방법 |
| KR20190065582A (ko) * | 2017-12-04 | 2019-06-12 | 한국과학기술원 | 물리적 공간의 센서 데이터와 온라인 메신저 사용 데이터를 이용한 사용자 퍼소나 분류 방법 및 장치 |
| KR20200059445A (ko) * | 2018-11-21 | 2020-05-29 | 오헌식 | 가속도센서를 이용한 가축 행동패턴 검출 방법 및 장치 |
| KR102148382B1 (ko) * | 2019-04-25 | 2020-08-26 | 경희대학교 산학협력단 | 관성 센서 신호의 이미지 변환 방법 및 장치 |
| CN111766793A (zh) * | 2020-06-29 | 2020-10-13 | 滁州学院 | 基于座椅使用习惯的建模方法、装置、设备及存储介质 |
| KR102290857B1 (ko) * | 2020-03-30 | 2021-08-20 | 국민대학교산학협력단 | 채널상태정보를 이용한 인공지능 기반의 스마트 사용자 검출 방법 및 장치 |
| KR20210103820A (ko) * | 2020-02-14 | 2021-08-24 | (주)클로마운트 | 머신러닝을 활용한 IoT 디바이스의 사용자 행동패턴 분류방법 |
Families Citing this family (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160345869A1 (en) * | 2014-02-12 | 2016-12-01 | Khaylo Inc. | Automatic recognition, learning, monitoring, and management of human physical activities |
| US10832262B2 (en) * | 2014-04-25 | 2020-11-10 | Mohammad Iman Khabazian | Modeling consumer activity |
| CN105094305B (zh) | 2014-05-22 | 2018-05-18 | 华为技术有限公司 | 识别用户行为的方法、用户设备及行为识别服务器 |
| CN104268510B (zh) * | 2014-09-17 | 2017-12-12 | 西安电子科技大学 | 基于稀疏约束的非负矩阵分解的sar图像目标识别方法 |
| CN104915686A (zh) * | 2015-07-03 | 2015-09-16 | 电子科技大学 | 一种基于nmf的目标检测方法 |
| KR20180068128A (ko) * | 2016-12-13 | 2018-06-21 | 엘지전자 주식회사 | 이동단말기 및 그 제어방법 |
| EP3609397A4 (en) | 2017-04-14 | 2021-01-20 | Paradromics, Inc. | LOW POWER RECORDING NEURAL CIRCUIT AND METHOD OF TRAINING THEM |
| JP6689239B2 (ja) * | 2017-08-25 | 2020-04-28 | 株式会社東芝 | 検出システムおよび検出方法 |
| US20200390370A1 (en) | 2017-12-12 | 2020-12-17 | Mindmaze Holding Sa | System, apparatus and method for activity classification |
| KR20200076438A (ko) * | 2018-12-19 | 2020-06-29 | 삼성전자주식회사 | 사용자의 액티비티를 추적하는 전자 장치 및 전자 장치의 동작 방법 |
| CN113939231A (zh) * | 2019-03-22 | 2022-01-14 | 株式会社医疗奥普特费洛 | 程式、资讯处理方法及资讯处理装置 |
| US11785098B2 (en) * | 2019-09-30 | 2023-10-10 | Atlassian Pty Ltd. | Systems and methods for personalization of a computer application |
| CN115952460A (zh) * | 2023-03-14 | 2023-04-11 | 首都医科大学附属北京同仁医院 | 情绪识别方法、装置、计算机设备和存储介质 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100066352A (ko) * | 2008-12-08 | 2010-06-17 | 한국전자통신연구원 | 상황 인지 장치 및 이를 이용한 상황 인지 방법 |
| JP2011081431A (ja) * | 2009-10-02 | 2011-04-21 | Sony Corp | 行動パターン解析システム、携帯端末、行動パターン解析方法、及びプログラム |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6176837B1 (en) * | 1998-04-17 | 2001-01-23 | Massachusetts Institute Of Technology | Motion tracking system |
| US7312752B2 (en) * | 2003-10-22 | 2007-12-25 | Awarepoint Corporation | Wireless position location and tracking system |
| KR20060008006A (ko) | 2004-07-23 | 2006-01-26 | 주식회사 팬택앤큐리텔 | 이동통신 단말기의 진동 제어 장치 및 방법 |
| JP4595555B2 (ja) | 2005-01-20 | 2010-12-08 | ソニー株式会社 | コンテンツ再生装置およびコンテンツ再生方法 |
| JP5028751B2 (ja) * | 2005-06-09 | 2012-09-19 | ソニー株式会社 | 行動認識装置 |
| KR100693594B1 (ko) | 2006-04-25 | 2007-03-14 | 주식회사 팬택 | 이동통신 단말기의 움직임 패턴 데이터 업데이트 방법 |
| KR20100008071A (ko) | 2008-07-15 | 2010-01-25 | 아주대학교산학협력단 | 하이브리드 센서 기반의 인간행동 감지 시스템 및 방법 |
| US20100117959A1 (en) | 2008-11-10 | 2010-05-13 | Samsung Electronics Co., Ltd. | Motion sensor-based user motion recognition method and portable terminal using the same |
| KR20100052372A (ko) | 2008-11-10 | 2010-05-19 | 삼성전자주식회사 | 모션 센서 기반의 사용자 동작 인식 방법 및 이를 이용한 단말기 |
| US8935195B2 (en) * | 2010-05-11 | 2015-01-13 | The Royal Institution For The Advancement Of Learning/Mcgill University | Method of identification and devices thereof |
-
2012
- 2012-03-29 KR KR1020120032615A patent/KR101939683B1/ko active IP Right Grant
- 2012-09-13 US US13/614,546 patent/US9460398B2/en active Active
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20100066352A (ko) * | 2008-12-08 | 2010-06-17 | 한국전자통신연구원 | 상황 인지 장치 및 이를 이용한 상황 인지 방법 |
| JP2011081431A (ja) * | 2009-10-02 | 2011-04-21 | Sony Corp | 行動パターン解析システム、携帯端末、行動パターン解析方法、及びプログラム |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104951793A (zh) * | 2015-05-14 | 2015-09-30 | 西南科技大学 | 一种基于stdf特征的人体行为识别算法 |
| CN104951793B (zh) * | 2015-05-14 | 2018-04-17 | 西南科技大学 | 一种基于stdf特征的人体行为识别方法 |
| KR101710982B1 (ko) | 2015-10-14 | 2017-02-28 | 국민대학교산학협력단 | 컴퓨터 수행 가능한 운전자 의도 판단 방법, 이를 수행하는 장치 및 이를 저장하는 기록매체 |
| WO2019066099A1 (ko) * | 2017-09-27 | 2019-04-04 | (주)알티캐스트 | 통합된 분석 모델에 기초하여 이상 행동을 감지하는 시스템 및 그 방법 |
| KR20190065582A (ko) * | 2017-12-04 | 2019-06-12 | 한국과학기술원 | 물리적 공간의 센서 데이터와 온라인 메신저 사용 데이터를 이용한 사용자 퍼소나 분류 방법 및 장치 |
| KR20200059445A (ko) * | 2018-11-21 | 2020-05-29 | 오헌식 | 가속도센서를 이용한 가축 행동패턴 검출 방법 및 장치 |
| KR102148382B1 (ko) * | 2019-04-25 | 2020-08-26 | 경희대학교 산학협력단 | 관성 센서 신호의 이미지 변환 방법 및 장치 |
| KR20210103820A (ko) * | 2020-02-14 | 2021-08-24 | (주)클로마운트 | 머신러닝을 활용한 IoT 디바이스의 사용자 행동패턴 분류방법 |
| KR102290857B1 (ko) * | 2020-03-30 | 2021-08-20 | 국민대학교산학협력단 | 채널상태정보를 이용한 인공지능 기반의 스마트 사용자 검출 방법 및 장치 |
| CN111766793A (zh) * | 2020-06-29 | 2020-10-13 | 滁州学院 | 基于座椅使用习惯的建模方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR101939683B1 (ko) | 2019-01-18 |
| US20130262352A1 (en) | 2013-10-03 |
| US9460398B2 (en) | 2016-10-04 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR101939683B1 (ko) | 사용자 행동 실시간 인식장치 및 방법 | |
| Porzi et al. | A smart watch-based gesture recognition system for assisting people with visual impairments | |
| CN102985897B (zh) | 高效姿势处理 | |
| Seto et al. | Multivariate time series classification using dynamic time warping template selection for human activity recognition | |
| Paul et al. | An effective approach for human activity recognition on smartphone | |
| Su et al. | Activity recognition with smartphone sensors | |
| US9043349B1 (en) | Image-based character recognition | |
| US20120059780A1 (en) | Context recognition in mobile devices | |
| WO2014133723A1 (en) | Adaptive sensor sampling for power efficient context aware inferences | |
| Thiemjarus et al. | A study on instance-based learning with reduced training prototypes for device-context-independent activity recognition on a mobile phone | |
| CN110674875A (zh) | 一种基于深度混合模型的行人运动模式识别方法 | |
| KR20180074565A (ko) | 전자 장치 및 그 동작 방법 | |
| CN112154452B (zh) | 用于细粒度图像搜索的对抗学习 | |
| Xu et al. | Attention-based gait recognition and walking direction estimation in wi-fi networks | |
| US20150254575A1 (en) | Learn-by-example systems and methos | |
| Wang et al. | Sound-based transportation mode recognition with smartphones | |
| Cai et al. | GBDT‐Based Fall Detection with Comprehensive Data from Posture Sensor and Human Skeleton Extraction | |
| KR20180101313A (ko) | 손 모양 및 동작 인식장치 및 방법 | |
| KR20120111592A (ko) | 모바일 단말기의 사용자 행동패턴을 이용하여 개인화 서비스를 제공하는 방법 및 이를 위한 모바일 단말기 | |
| CN113190646A (zh) | 一种用户名样本的标注方法、装置、电子设备及存储介质 | |
| Chen et al. | Dynamic gesture recognition using wireless signals with less disturbance | |
| CN117711436B (zh) | 一种基于多传感器融合的远场声音分类方法和装置 | |
| KR20170046519A (ko) | 손 모양 및 동작 인식장치 및 방법 | |
| Su et al. | Multi-view fall detection based on spatio-temporal interest points | |
| Qin et al. | WiASL: American sign language writing recognition system using commercial WiFi devices |
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 |