KR20160120482A - 생체 신호를 이용한 사용자 행동 예측 시스템 및 방법 - Google Patents

생체 신호를 이용한 사용자 행동 예측 시스템 및 방법 Download PDF

Info

Publication number
KR20160120482A
KR20160120482A KR1020150049571A KR20150049571A KR20160120482A KR 20160120482 A KR20160120482 A KR 20160120482A KR 1020150049571 A KR1020150049571 A KR 1020150049571A KR 20150049571 A KR20150049571 A KR 20150049571A KR 20160120482 A KR20160120482 A KR 20160120482A
Authority
KR
South Korea
Prior art keywords
behavior
user
bio
signals
signal
Prior art date
Application number
KR1020150049571A
Other languages
English (en)
Inventor
사수다카르
송효섭
김동호
이애진
박두원
김민규
Original Assignee
삼성에스디에스 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 삼성에스디에스 주식회사 filed Critical 삼성에스디에스 주식회사
Priority to KR1020150049571A priority Critical patent/KR20160120482A/ko
Publication of KR20160120482A publication Critical patent/KR20160120482A/ko

Links

Images

Classifications

    • 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
    • G08B21/0202—Child monitoring systems using a transmitter-receiver system carried by the parent and the child
    • G08B21/0205—Specific application combined with child monitoring using a transmitter-receiver system
    • G08B21/0211—Combination with medical sensor, e.g. for measuring heart rate, temperature
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
    • 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
    • G08B21/0202—Child monitoring systems using a transmitter-receiver system carried by the parent and the child
    • G08B21/0233—System arrangements with pre-alarms, e.g. when a first distance is exceeded

Abstract

생체 신호를 이용한 사용자 행동 예측 시스템 및 방법이 제공된다. 본 발명의 일 실시예에 따른 생체 신호를 이용한 사용자 행동 예측 시스템은, 사용자의 생체 신호를 감지하는 감지부; 감지된 상기 생체 신호를 이용하여 상기 사용자의 행동을 예측하는 예측부; 및 예측된 상기 사용자의 행동이 이상 행동의 범주에 속하는 경우 상기 사용자의 움직임을 추적하는 추적부를 포함한다.

Description

생체 신호를 이용한 사용자 행동 예측 시스템 및 방법 {SYSTEM AND METHOD FOR PREDICTING USER BEHAVIOR USING BIO-SIGNAL}
본 발명은 생체 신호를 이용하여 사용자의 행동을 예측하는 기술과 관련된다.
생체 신호(bio-signal)는 인체의 신경계, 심혈관계, 근골격계 등과 같은 신체 기관으로부터 발생하는 신호로서, 예를 들어 뇌전도(electroencephalogram), 뇌자도(magnetoencephalography), 심전도(electrocardiogram), 근전도(electromyogram), 혈압, 체온 또는 혈류량의 변화, 안구의 움직임 등에 따른 전기 신호를 의미한다. 이러한 생체 신호는 일반적으로 인체의 건강에 이상이 있는지의 여부를 판단하는 데 사용되며, 최근에는 이러한 생체 신호를 이용하여 사람의 감정이나 정서를 분석하는 연구가 활발히 이루어지고 있다.
그러나, 이와 같이 생체 신호의 활용도가 높아짐에도 불구하고 생체 신호를 능동적으로 활용한 감시 시스템의 구현 사례는 전무한 실정이다.
한국공개특허공보 제10-2009-0050890호(2009.05.20)
본 발명의 실시예들은 사용자의 생체 신호를 이용하여 사용자의 이상 행동을 예측 및 추적할 수 있는 수단을 제공하기 위한 것이다.
본 발명의 예시적인 실시예에 따르면, 사용자의 생체 신호를 감지하는 감지부; 감지된 상기 생체 신호를 이용하여 상기 사용자의 행동을 예측하는 예측부; 및 예측된 상기 사용자의 행동이 이상 행동의 범주에 속하는 경우 상기 사용자의 움직임을 추적하는 추적부를 포함하는, 생체 신호를 이용한 사용자 행동 예측 시스템이 제공된다.
복수의 사용자들로부터 생체 신호들 및 행동들에 관한 정보를 수집하고, 수집된 상기 생체 신호들의 유사도에 따라 수집된 상기 행동들을 분류하는 학습부를 더 포함할 수 있다.
상기 학습부는, 수집된 상기 생체 신호들의 주파수, 주기 및 진폭 중 하나 이상을 기준으로 수집된 상기 생체 신호들의 유사도를 판단할 수 있다.
상기 학습부는, 관리자의 입력에 따라 상기 학습부에서 분류된 상기 행동들 각각을 정상 행동 또는 이상 행동으로 설정할 수 있다.
상기 예측부는, 상기 학습부에서 수집된 생체 신호들 중 상기 감지부에서 감지된 생체 신호와 대응되는 생체 신호를 획득하고, 상기 학습부에서 분류된 행동들 중 획득한 상기 생체 신호와 대응되는 행동을 상기 사용자의 행동으로 예측할 수 있다.
예측된 상기 사용자의 행동이 이상 행동의 범주에 속하는 경우 경보를 발생시키는 경보부를 더 포함할 수 있다.
본 발명의 다른 예시적인 실시예에 따르면, 사용자의 생체 신호를 감지하는 단계; 감지된 상기 생체 신호를 이용하여 상기 사용자의 행동을 예측하는 단계; 및 예측된 상기 사용자의 행동이 이상 행동의 범주에 속하는 경우 상기 사용자의 움직임을 추적하는 단계를 포함하는, 생체 신호를 이용한 사용자 행동 예측 방법이 제공된다.
상기 생체 신호를 이용한 사용자 행동 예측 방법은, 상기 사용자의 행동을 예측하는 단계 이전에, 복수의 사용자들로부터 생체 신호들 및 행동들에 관한 정보를 수집하는 단계; 및 수집된 상기 생체 신호들의 유사도에 따라 수집된 상기 행동들을 분류하는 단계를 더 포함할 수 있다.
수집된 상기 행동들을 분류하는 단계는, 수집된 상기 생체 신호들의 주파수, 주기 및 진폭 중 하나 이상을 기준으로 수집된 상기 생체 신호들의 유사도를 판단할 수 있다.
상기 생체 신호를 이용한 사용자 행동 예측 방법은, 상기 사용자의 행동을 예측하는 단계 이전에, 관리자의 입력에 따라, 분류된 상기 행동들 각각을 정상 행동 또는 이상 행동으로 설정하는 단계를 더 포함할 수 있다.
상기 사용자의 행동을 예측하는 단계는, 수집된 상기 생체 신호들 중 감지된 상기 생체 신호와 대응되는 생체 신호를 획득하는 단계; 및 분류된 상기 행동들 중 획득한 상기 생체 신호와 대응되는 행동을 상기 사용자의 행동으로 예측하는 단계를 포함할 수 있다.
예측된 상기 사용자의 행동이 이상 행동의 범주에 속하는 경우 경보를 발생시키는 단계를 더 포함할 수 있다.
본 발명의 실시예들에 따르면, 사용자들의 생체 신호에 따른 행동 패턴을 학습하고, 학습된 결과를 이용하여 사용자의 이상 행동을 예측함으로써 예측 정확도를 향상시킬 수 있다. 또한, 이상 행동이 예측되는 사용자의 움직임을 추적함으로써, 감시 시스템을 효율적으로 운용할 수 있다.
도 1은 본 발명의 일 실시예에 따른 생체 신호를 이용한 사용자 행동 예측 시스템의 상세 구성을 나타낸 개략도
도 2는 본 발명의 일 실시예에 따른 학습부가 사용자의 생체 신호에 따른 행동을 학습하는 과정을 설명하기 위한 도면
도 3은 본 발명의 일 실시예에 따른 생체 신호를 이용한 사용자 행동 예측 방법을 설명하기 위한 흐름도
이하, 도면을 참조하여 본 발명의 구체적인 실시예를 설명하기로 한다. 그러나 이는 예시적 실시예에 불과하며 본 발명은 이에 한정되지 않는다.
본 발명을 설명함에 있어서, 본 발명과 관련된 공지기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략하기로 한다. 그리고, 후술되는 용어들은 본 발명에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.
본 발명의 기술적 사상은 청구범위에 의해 결정되며, 이하 실시예는 진보적인 본 발명의 기술적 사상을 본 발명이 속하는 기술분야에서 통상의 지식을 가진자에게 효율적으로 설명하기 위한 일 수단일 뿐이다.
도 1은 본 발명의 일 실시예에 따른 생체 신호를 이용한 사용자 행동 예측 시스템(100)의 상세 구성을 나타낸 개략도이다.
도 1에 도시된 바와 같이, 본 발명의 일 실시예에 따른 생체 신호를 이용한 사용자 행동 예측 시스템(100)은 학습부(102), 감지부(104), 예측부(106), 추적부(108) 및 경보부(110)를 포함한다.
학습부(102)는 복수의 사용자들로부터 생체 신호에 따른 행동 패턴을 학습한다. 도 1에 도시된 바와 같이, 학습부(102)는 수집 모듈(102-1) 및 분류 모듈(102-2)을 포함할 수 있다.
수집 모듈(102-1)은 복수의 사용자들로부터 생체 신호들 및 행동들에 관한 정보를 수집한다. 여기서, 생체 신호란 예를 들어, 사용자들의 뇌전도 신호(Electroencephalogram signal) 또는 뇌자도 신호(Magnetoencephalography signal)일 수 있다. 뇌전도 신호는 사람 또는 동물의 대뇌에서 일어나는 전위 변동을 기록한 전기 기록도로서, 일반적으로 수십 μN의 진폭을 갖는다. 뇌자도 신호는 뇌의 전기 신호에 의해 생성되는 자기장의 변화를 기록한 자기 기록도이다. 뇌전도 신호, 뇌자도 신호 등의 생체 신호는 사용자의 심리 상태, 정신 활동, 자극 여부 등에 따라 서로 다른 파형을 가질 수 있다. 예를 들어, 사용자의 심리가 흥분 상태 또는 불안 상태인 경우 생체 신호의 파형이 불규칙해지며 생체 신호의 진폭이 커질 수 있다. 한편, 여기서는 생체 신호가 뇌전도 신호 또는 뇌자도 신호인 것을 예시로 하여 설명하였으나, 생체 신호의 종류가 이에 한정되는 것은 아니다. 생체 신호는 예를 들어, 심전도 신호, 근전도 신호 등이 될 수 있으며, 혈압, 체온 또는 혈류량의 변화, 안구의 움직임 등으로부터 획득된 전기 신호일 수도 있다.
수집 모듈(102-1)은 복수의 사용자들을 대상으로 사용자들의 각 행동에 따른 생체 신호에 대한 정보를 수집할 수 있다. 여기서, 생체 신호에 대한 정보는 예를 들어 생체 신호의 주파수, 주기, 진폭 등이 될 수 있다. 수집 모듈(102-1)은 예를 들어, 수백명 규모의 사용자들(특정인 또는 불특정인을 모두 포함)을 대상으로 하여 사용자들이 각 행동을 취할 때의 생체 신호를 측정하여 이를 수집할 수 있다. 사용자들이 취할 수 있는 행동으로는 예를 들어, 출입이 불가능한 지역으로의 이동, 사람들이 많은 지역에 짐을 내려놓은 후의 이동, 주위를 계속 두리번거리는 행동, 뛰어다니는 행동 등이 될 수 있다. 수집 모듈(102-1)은 예를 들어, 사용자들이 특정 행동을 취할 경우 상기 특정 행동을 취하는 시점으로부터 전후 몇 분(예를 들어, 3분)간의 생체 신호를 측정하여 이를 수집할 수 있다.
수집 모듈(102-1)은 사용자들의 생체 신호 감지를 위한 하나 이상의 센서 및 사용자들의 행동을 모니터링하기 위한 하나 이상의 촬영 수단(예를 들어, 카메라)을 포함할 수 있다. 상기 센서는 사용자들의 머리, 귀, 손목 등의 신체 일부에 장착될 수 있으며, 상기 촬영 수단은 감시 대상이 되는 지역 내 적어도 일 부분에 배치될 수 있다.
일 예시로서, 생체 신호 감지를 위한 센서가 헤드-마운티드 디바이스(Head-mounted device)인 경우, 상기 센서는 감시 대상이 되는 사용자의 머리에 장착될 수 있으며, 수집 모듈(102-1)은 상기 센서를 통해 사용자의 생체 신호를 수집할 수 있다. 이때, 감시 대상이 되는 사용자는 전과자와 같은 특정인일 수 있다. 관리자는 촬영 수단을 통해 감시 대상이 되는 사용자의 행동을 실시간으로 모니터링할 수 있으며, 사용자가 이상 행동을 취하는 경우 수집 모듈(102-1)에 해당 시점을 입력할 수 있다. 수집 모듈(102-1)은 센서를 통해 해당 시점 또는 해당 시점으로부터의 전후 몇 분(예를 들어, 3분)간의 사용자의 생체 신호를 수집할 수 있다. 이와 같은 방법을 통해, 수집 모듈(102-1)은 사용자들의 각 행동에 따른 생체 신호에 대한 정보를 획득할 수 있다.
다른 예시로서, 생체 신호 감지를 위한 센서가 감시 대상 지역의 적어도 일 부분에 배치될 수도 있다. 이때, 감시 대상 지역은 예를 들어, 공항의 검색대일 수 있다. 감시 대상 지역의 직원은 감시 대상 지역을 통과하는 사용자들에게 센서를 잠시 동안 장착하도록 할 수 있으며, 이를 통해 사용자의 생체 신호를 수집할 수 있다. 또한, 감시 대상 지역의 근처에는 하나 이상의 촬영 수단이 배치될 수 있다. 관리자는 촬영 수단을 통해 감시 대상이 되는 사용자의 행동을 실시간으로 모니터링할 수 있으며, 사용자가 이상 행동을 취하는 경우 해당 사용자에 대한 정보를 수집 모듈(102-1)에 입력할 수 있다. 이에 따라, 수집 모듈(102-1)은 수집한 해당 사용자의 생체 신호를 선별할 수 있다. 이와 같은 방법을 통해, 수집 모듈(102-1)은 사용자들의 각 행동에 따른 생체 신호에 대한 정보를 획득할 수 있다. 한편, 여기에서 기술한 생체 신호의 획득 방법은 실시예들에 불과하며, 수집 모듈(102-1)이 사용자들의 생체 신호를 획득하는 방법이 이에 제한되는 것은 아니다.
분류 모듈(102-2)은 수집 모듈(102-1)에서 수집된 생체 신호들의 유사도에 따라 수집된 사용자들의 행동들을 분류할 수 있다. 예를 들어, 수집 모듈(102-1)은 사용자가 A 행동을 취할 경우의 사용자의 생체 신호 a, 사용자가 B 행동을 취할 경우의 사용자의 생체 신호 b, 사용자가 C 행동을 취할 경우의 사용자의 생체 신호 c 들을 수집할 수 있으며, 분류 모듈(102-2)은 수집 모듈(102-1)에서 수집된 생체 신호들 각각의 유사도를 판단하여 A, B, C 행동 각각을 분류할 수 있다. 분류 모듈(102-2)은 예를 들어, 생체 신호의 주파수(또는 주기)를 기준으로 생체 신호 각각의 유사도를 판단할 수 있으며, 생체 신호의 최대 진폭을 기준으로 생체 신호 각각의 유사도를 판단할 수도 있다. 일 예시로서, 분류 모듈(102-2)은 주파수가 51-100Hz인 생체 신호들을 제 1 그룹으로 분류할 수 있으며, 주파수가 101-150Hz인 생체 신호들을 제 2 그룹으로 분류할 수 있다. 다만, 이는 실시예들에 불과하며, 분류 모듈(102-2)이 생체 신호 각각의 유사도를 판단하는 수단이 이에 제한되는 것은 아니다.
분류 모듈(102-2)은 유사한 것으로 판단되는 생체 신호들에 대응되는 행동들을 그룹핑함으로써, 사용자들의 행동을 분류할 수 있다. 예를 들어, 분류 모듈(102-2)은 주파수가 51-100Hz인 생체 신호들에 대응되는 행동 A, B를 제 1 그룹으로 분류할 수 있으며, 주파수가 101-150Hz인 생체 신호들에 대응되는 행동 C를 제 2 그룹으로 분류할 수 있다.
또한, 분류 모듈(102-2)은 분류된 행동들을 정상 행동 또는 이상 행동으로 설정할 수 있다. 분류된 행동이 정상 행동인지 또는 이상 행동인지의 여부는 관리자에 의해 입력될 수 있다. 예를 들어, 분류된 행동이 출입이 불가능한 지역으로의 이동, 사람들이 많은 지역에 짐을 내려놓은 후의 이동, 주위를 계속 두리번거리는 행동, 뛰어다니는 행동 중 어느 하나인 경우, 관리자는 분류된 행동을 이상 행동으로 설정할 수 있다. 또한, 분류된 행동이 정상 행동인지 또는 이상 행동인지의 여부는 분류된 행동에 대응되는 생체 신호의 특성(또는 패턴)에 따라 자동으로 설정될 수도 있다. 예를 들어, 분류 모듈(102-2)은 생체 신호의 주파수가 설정된 값을 초과하는 경우 해당 생체 신호에 대응되는 행동을 이상 행동으로 설정할 수 있다. 또한, 분류 모듈(102-2)은 수집된 생체 신호들의 유사도에 따라 수집된 사용자들의 행동들을 그룹핑하므로, 분류된 그룹별로 정상 행동 또는 이상 행동을 설정할 수도 있다. 예를 들어, 분류 모듈(102-2)은 제 1 그룹에 포함된 행동들을 정상 행동으로 설정하고, 제 2 그룹에 포함된 행동들을 이상 행동으로 설정할 수 있다. 분류된 행동들을 정상 행동 또는 이상 행동으로 설정하는 방식은 특별히 제한되지 않는다.
이와 같은 과정을 통해 학습부(102)는 사용자들의 생체 신호에 따른 행동 패턴을 학습할 수 있다. 이와 같이 학습된 정보는 후술할 예측부(106)에서 사용자의 행동을 예측하는 데 사용될 수 있다.
감지부(104)는 사용자의 생체 신호를 감지한다. 감지부(104)는 사용자의 생체 신호 감지를 위한 하나 이상의 센서를 포함하며, 상기 센서는 사용자들의 머리, 귀, 손목 등의 신체 일부에 장착될 수 있다.
일 예시로서, 전과자와 같은 특정인을 감시하고자 하는 경우, 상기 센서는 감시 대상이 되는 사용자의 신체 일부에 장착될 수 있다. 사용자의 신체 일부에 장착되는 센서는 사용자별로 서로 다른 식별 번호를 가질 수 있으며, 식별 번호를 통해 센서 각각이 구별될 수 있다. 감지부(104)는 상기 센서를 통해 감시 대상이 되는 사용자의 생체 신호를 실시간으로 감지할 수 있으며, 감지된 생체 신호를 예측부(106)로 송신할 수 있다. 이 경우, 센서는 감시 대상이 되는 사용자의 신체 일부에 장착되므로, 감지부(104)는 사용자의 위치에 관계 없이 사용자의 생체 신호를 실시간으로 감지할 수 있다.
다른 예시로서, 공항의 검색대 등과 같은 감시 대상 지역을 통과하는 불특정인을 감시하고자 하는 경우, 상기 감시 대상 지역에 생체 신호 감지를 위한 센서가 배치될 수 있다. 감시 대상 지역의 직원은 감시 대상 지역을 통과하는 사용자들에게 센서를 잠시 동안 장착하도록 할 수 있으며, 이를 통해 사용자의 생체 신호를 감지할 수 있다.
또 다른 예시로서, 생체 신호는 예를 들어, 사용자의 안구 움직임으로부터 획득된 전기 신호일 수 있으며, 이 경우 감지부(104)는 촬영 수단을 통해 원격에서 생체 신호를 감지할 수 있다. 예를 들어, 감시 대상 지역의 적어도 일 부분에는 촬영 수단이 하나 이상 배치될 수 있으며, 감지부(104)는 촬영 수단을 통해 근처 사용자의 안구를 식별하고 안구의 움직임을 인식함으로써 생체 신호를 감지할 수 있다.
예측부(106)는 감지부(104)에서 감지된 생체 신호를 이용하여 사용자의 행동을 예측한다. 이때, 예측부(106)는 학습부(102)에서 학습된 정보를 토대로 사용자의 행동을 예측할 수 있다.
먼저, 예측부(106)는 학습부(102)에서 수집된 생체 신호들 중 감지부(104)에서 감지된 생체 신호와 대응되는 생체 신호를 획득할 수 있다. 즉, 예측부(106)는 학습부(102)에서 수집된 생체 신호들 중 감지부(104)에서 감지된 생체 신호와 유사한 패턴을 갖는 생체 신호를 획득할 수 있다. 예를 들어, 예측부(106)는 학습부(102)에서 수집된 생체 신호 중 감지부(104)에서 감지된 생체 신호와 동일한 주파수 대역 및 최대 진폭을 갖는 생체 신호를 획득할 수 있다.
다음으로, 예측부(106)는 학습부(102)에서 분류된 행동들 중 획득한 상기 생체 신호와 대응되는 행동을 사용자의 행동으로 예측할 수 있다. 만약, 학습부(102)에서 수집된 생체 신호들 중 감지부(104)에서 감지된 생체 신호와 대응되는 생체 신호가 a 인 것으로 판단되는 경우, 예측부(106)는 생체 신호 a에 대응되는 행동 A를 사용자의 행동으로 예측할 수 있다.
또한, 예측부(106)는 학습부(102)에 저장된 행동에 관한 정보를 참조하여 예측된 사용자의 행동이 정상 행동의 범주에 속하는지 또는 이상 행동의 범주에 속하는지의 여부를 판단할 수 있다. 상술한 바와 같이, 학습부(102)의 분류 모듈(102-2)은 분류된 행동들을 정상 행동 또는 이상 행동으로 설정할 수 있다. 예측부(106)는 예를 들어, 학습부(102)에서 수집된 생체 신호들 중 감지부(104)에서 감지된 생체 신호와 대응되는 생체 신호가 a 인 것으로 판단되는 경우 생체 신호 a에 대응되는 행동 A를 사용자의 행동으로 예측하고, 학습부(102)에 저장된 행동에 관한 정보를 참조하여 행동 A가 정상 행동의 범주에 속하는지 또는 이상 행동의 범주에 속하는지의 여부를 판단할 수 있다.
즉, 예측부(106)는 학습부(102)에서 학습된 정보를 기반으로 사용자의 행동을 예측할 수 있다. 학습부(102)에서 학습된 정보의 양이 많을수록 예측부(106)에서의 예측 정확도가 높아지게 된다.
추적부(108)는 예측부(106)에서 예측된 사용자의 행동이 이상 행동의 범주에 속하는 경우 사용자의 움직임을 추적한다. 상술한 바와 같이, 예측부(106)는 학습부(102)에 저장된 생체 신호에 따른 행동 패턴에 관한 정보를 참조하여 사용자의 행동을 예측할 수 있다. 만약, 예측부(106)에서 예측된 사용자의 행동이 이상 행동의 범주에 속하는 경우, 추적부(108)는 해당 사용자의 움직임을 추적할 수 있다. 추적부(108)는 카메라와 같은 촬영 수단을 이용하여 사용자의 움직임을 추적할 수 있다. 감시 대상이 되는 지역 내에는 하나 이상의 촬영 수단이 설정된 간격으로 배치될 수 있으며, 추적부(108)는 상기 촬영 수단을 제어하여 사용자의 움직임을 추적할 수 있다. 이에 따라, 관리자는 이상 행동이 예측되는 사용자의 행동을 실시간으로 모니터링할 수 있으며, 이상 행동이 예측되는 사용자의 돌발 행동에 대비할 수 있다.
경보부(110)는 예측부(106)에서 예측된 사용자의 행동이 이상 행동의 범주에 속하는 경우 경보를 발생시킨다. 경보부(110)는 예를 들어, 설정된 시간 동안 알림음을 발생시키거나 또는 빛을 발광할 수 있다. 관리자는 경보부(110)에서 발생되는 경보를 통해 이상 행동이 예측되는 사용자의 움직임을 확인할 수 있다.
본 발명의 실시예들에 따르면, 사용자들의 생체 신호에 따른 행동 패턴을 학습하고, 학습된 결과를 이용하여 사용자의 이상 행동을 예측함으로써 예측 정확도를 향상시킬 수 있다. 또한, 이상 행동이 예측되는 사용자의 움직임을 추적함으로써, 감시 시스템을 효율적으로 운용할 수 있다.
도 2는 본 발명의 일 실시예에 따른 학습부(102)가 사용자의 생체 신호에 따른 행동을 학습하는 과정을 설명하기 위한 도면이다. 상술한 바와 같이, 본 발명의 일 실시예에 따른 학습부(102)은 수집 모듈(102-1) 및 분류 모듈(102-2)을 포함할 수 있다.
도 2에 도시된 바와 같이, 수집 모듈(102-1)은 복수의 사용자들을 대상으로 사용자들의 각 행동에 따른 생체 신호에 대한 정보(예를 들어, 생체 신호의 주파수, 주기, 진폭 등)를 수집할 수 있다. 예를 들어, 사용자가 A 행동을 취할 경우 생체 신호 a 가 감지되며, 사용자가 B 행동을 취할 경우 생체 신호 b 가 감지되며, 사용자가 C 행동을 취할 경우 생체 신호 c가 감지되는 것으로 가정하였을 때, 수집 모듈(102-1)은 생체 신호와 행동이 매칭된 정보, 즉 생체 신호 a - 행동 A, 생체 신호 b - 행동 B, 생체 신호 c - 행동 C 에 관한 정보를 수집할 수 있다.
다음으로, 분류 모듈(102-2)은 수집 모듈(102-1)에서 수집된 생체 신호들의 유사도에 따라 사용자들의 행동들을 분류할 수 있다. 분류 모듈(102-2)은 수집 모듈(102-1)에서 수집된 생체 신호 각각의 유사도를 판단하여 A, B, C 행동 각각을 분류할 수 있다. 분류 모듈(102-2)은 예를 들어, 생체 신호의 주파수를 기준으로 생체 신호 각각의 유사도를 판단할 수 있으며, 생체 신호의 최대 진폭을 기준으로 생체 신호 각각의 유사도를 판단할 수도 있다. 또한, 상술한 바와 같이, 분류 모듈(102-2)은 관리자의 입력에 따라, 분류된 행동들을 정상 행동 또는 이상 행동으로 설정할 수 있다. 예를 들어, 분류 모듈(102-2)은 분류된 행동 A, B를 정상 행동으로 설정하고, 행동 C를 이상 행동으로 설정할 수 있다.
다음으로, 분류 모듈(102-)은 분류된 생체 신호 및 행동에 관한 정보를 데이터베이스(미도시)에 저장할 수 있다. 상기 데이터베이스에 저장된 생체 신호 및 행동에 관한 정보는 예측부(106)에서 사용자의 행동을 예측하는 데 사용될 수 있다.
도 3은 본 발명의 일 실시예에 따른 생체 신호를 이용한 사용자 행동 예측 방법을 설명하기 위한 흐름도이다.
먼저, 학습부(102)는 복수의 사용자들을 대상으로 사용자들의 생체 신호에 따른 행동 패턴을 학습한다(S302). 학습부(102)는 복수의 사용자들로부터 생체 신호들 및 행동들에 관한 정보를 수집하고, 수집된 상기 생체 신호들의 유사도에 따라 수집된 상기 행동들을 분류할 수 있다. 또한, 학습부(102)는 관리자의 입력에 따라, 분류된 상기 행동들을 정상 행동 또는 이상 행동으로 설정할 수 있다. 학습부(102)가 생체 신호들의 유사도에 따라 행동들을 분류하는 구체적인 방법은 앞에서 자세히 설명하였는바, 여기서는 그 자세한 설명을 생략하기로 한다.
다음으로, 감지부(104)는 사용자의 생체 신호를 감지한다(S304). 감지부(104)는 생체 신호 감지를 위한 하나 이상의 센서를 포함하며, 상기 센서는 사용자들의 머리, 귀, 손목 등의 신체 일부에 장착될 수 있다. 또한, 상기 센서는 감시 대상 지역의 적어도 일 부분에 배치될 수 있다.
다음으로, 예측부(106)는 감지부(104)에서 감지된 생체 신호를 이용하여 사용자의 행동을 예측한다(S306). 예측부(106)는 학습부(102)에서 수집된 생체 신호들 중 감지부(104)에서 감지된 상기 생체 신호와 대응되는 생체 신호를 획득하고, 학습부(102)에서 분류된 행동들 중 획득한 상기 생체 신호와 대응되는 행동을 사용자의 행동으로 예측할 수 있다.
이때, 예측부(106)는 예측된 사용자의 행동이 정상 행동의 범주에 속하는지 또는 이상 행동의 범주에 속하는지의 여부를 판단할 수 있다(S308)
만약, 예측부(106)에서 예측된 사용자의 행동이 이상 행동의 범주에 속하는 경우, 추적부(108)는 사용자의 움직임을 추적한다(S310). 추적부(108)는 카메라와 같은 촬영 수단을 이용하여 사용자의 움직임을 추적할 수 있다.
또한, 예측부(106)에서 예측된 사용자의 행동이 이상 행동의 범주에 속하는 경우, 경보부(110)는 경보를 발생시킬 수 있다(S312). 경보부(110)는 예를 들어, 설정된 시간 동안 알림음을 발생시키거나 또는 빛을 발광할 수 있다.
이상에서 대표적인 실시예를 통하여 본 발명에 대하여 상세하게 설명하였으나, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 전술한 실시예에 대하여 본 발명의 범주에서 벗어나지 않는 한도 내에서 다양한 변형이 가능함을 이해할 것이다. 그러므로 본 발명의 권리범위는 설명된 실시예에 국한되어 정해져서는 안 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.
100 : 생체 신호를 이용한 사용자 행동 예측 시스템
102 : 학습부
102-1 : 수집 모듈
102-2 : 분류 모듈
104 : 감지부
106 : 예측부
108 : 추적부
110 : 경보부

Claims (12)

  1. 사용자의 생체 신호를 감지하는 감지부;
    감지된 상기 생체 신호를 이용하여 상기 사용자의 행동을 예측하는 예측부; 및
    예측된 상기 사용자의 행동이 이상 행동의 범주에 속하는 경우 상기 사용자의 움직임을 추적하는 추적부를 포함하는, 생체 신호를 이용한 사용자 행동 예측 시스템.
  2. 청구항 1에 있어서,
    복수의 사용자들로부터 생체 신호들 및 행동들에 관한 정보를 수집하고, 수집된 상기 생체 신호들의 유사도에 따라 수집된 상기 행동들을 분류하는 학습부를 더 포함하는, 생체 신호를 이용한 사용자 행동 예측 시스템.
  3. 청구항 2에 있어서,
    상기 학습부는, 수집된 상기 생체 신호들의 주파수, 주기 및 진폭 중 하나 이상을 기준으로 수집된 상기 생체 신호들의 유사도를 판단하는, 생체 신호를 이용한 사용자 행동 예측 시스템.
  4. 청구항 2에 있어서,
    상기 학습부는, 관리자의 입력에 따라 상기 학습부에서 분류된 상기 행동들 각각을 정상 행동 또는 이상 행동으로 설정하는, 생체 신호를 이용한 사용자 행동 예측 시스템.
  5. 청구항 4에 있어서,
    상기 예측부는, 상기 학습부에서 수집된 생체 신호들 중 상기 감지부에서 감지된 생체 신호와 대응되는 생체 신호를 획득하고, 상기 학습부에서 분류된 행동들 중 획득한 상기 생체 신호와 대응되는 행동을 상기 사용자의 행동으로 예측하는, 생체 신호를 이용한 사용자 행동 예측 시스템.
  6. 청구항 1에 있어서,
    예측된 상기 사용자의 행동이 이상 행동의 범주에 속하는 경우 경보를 발생시키는 경보부를 더 포함하는, 생체 신호를 이용한 사용자 행동 예측 시스템.
  7. 사용자의 생체 신호를 감지하는 단계;
    감지된 상기 생체 신호를 이용하여 상기 사용자의 행동을 예측하는 단계; 및
    예측된 상기 사용자의 행동이 이상 행동의 범주에 속하는 경우 상기 사용자의 움직임을 추적하는 단계를 포함하는, 생체 신호를 이용한 사용자 행동 예측 방법.
  8. 청구항 7에 있어서,
    상기 사용자의 행동을 예측하는 단계 이전에,
    복수의 사용자들로부터 생체 신호들 및 행동들에 관한 정보를 수집하는 단계; 및
    수집된 상기 생체 신호들의 유사도에 따라 수집된 상기 행동들을 분류하는 단계를 더 포함하는, 생체 신호를 이용한 사용자 행동 예측 방법.
  9. 청구항 8에 있어서,
    수집된 상기 행동들을 분류하는 단계는, 수집된 상기 생체 신호들의 주파수, 주기 및 진폭 중 하나 이상을 기준으로 수집된 상기 생체 신호들의 유사도를 판단하는, 생체 신호를 이용한 사용자 행동 예측 방법.
  10. 청구항 8에 있어서,
    상기 사용자의 행동을 예측하는 단계 이전에,
    관리자의 입력에 따라, 분류된 상기 행동들 각각을 정상 행동 또는 이상 행동으로 설정하는 단계를 더 포함하는, 생체 신호를 이용한 사용자 행동 예측 방법.
  11. 청구항 10에 있어서,
    상기 사용자의 행동을 예측하는 단계는,
    수집된 상기 생체 신호들 중 감지된 상기 생체 신호와 대응되는 생체 신호를 획득하는 단계; 및
    분류된 상기 행동들 중 획득한 상기 생체 신호와 대응되는 행동을 상기 사용자의 행동으로 예측하는 단계를 포함하는, 생체 신호를 이용한 사용자 행동 예측 방법.
  12. 청구항 7에 있어서,
    예측된 상기 사용자의 행동이 이상 행동의 범주에 속하는 경우 경보를 발생시키는 단계를 더 포함하는, 생체 신호를 이용한 사용자 행동 예측 방법.
KR1020150049571A 2015-04-08 2015-04-08 생체 신호를 이용한 사용자 행동 예측 시스템 및 방법 KR20160120482A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020150049571A KR20160120482A (ko) 2015-04-08 2015-04-08 생체 신호를 이용한 사용자 행동 예측 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020150049571A KR20160120482A (ko) 2015-04-08 2015-04-08 생체 신호를 이용한 사용자 행동 예측 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR20160120482A true KR20160120482A (ko) 2016-10-18

Family

ID=57244243

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150049571A KR20160120482A (ko) 2015-04-08 2015-04-08 생체 신호를 이용한 사용자 행동 예측 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR20160120482A (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020075882A1 (ko) * 2018-10-10 2020-04-16 에스투원 주식회사 과학 수사 장치
KR102274059B1 (ko) * 2020-10-30 2021-07-08 (주)넥타르소프트 사고위험을 알리는 장치 및 방법
KR102292473B1 (ko) * 2020-10-15 2021-08-23 (주)아스크스토리 행동패턴 분석을 통한 사고방지 시스템 및 그 방법
KR20220101468A (ko) * 2021-01-11 2022-07-19 주식회사 메쥬 생체신호 모니터링 시스템 및 방법
KR20220147316A (ko) * 2021-04-27 2022-11-03 한국과학기술원 비접촉식 생체 정보 모니터링 내 사용자 행동 패턴을 기반으로 한 데이터 샘플링 주기 조절 방법 및 장치

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090050890A (ko) 2007-11-16 2009-05-20 삼성전자주식회사 행동 분석 시스템 및 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090050890A (ko) 2007-11-16 2009-05-20 삼성전자주식회사 행동 분석 시스템 및 방법

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020075882A1 (ko) * 2018-10-10 2020-04-16 에스투원 주식회사 과학 수사 장치
KR102292473B1 (ko) * 2020-10-15 2021-08-23 (주)아스크스토리 행동패턴 분석을 통한 사고방지 시스템 및 그 방법
KR102274059B1 (ko) * 2020-10-30 2021-07-08 (주)넥타르소프트 사고위험을 알리는 장치 및 방법
KR20220101468A (ko) * 2021-01-11 2022-07-19 주식회사 메쥬 생체신호 모니터링 시스템 및 방법
KR20220147316A (ko) * 2021-04-27 2022-11-03 한국과학기술원 비접촉식 생체 정보 모니터링 내 사용자 행동 패턴을 기반으로 한 데이터 샘플링 주기 조절 방법 및 장치

Similar Documents

Publication Publication Date Title
Keshan et al. Machine learning for stress detection from ECG signals in automobile drivers
US7403815B2 (en) Brain state recognition system
US20090082692A1 (en) System And Method For The Real-Time Evaluation Of Time-Locked Physiological Measures
JP2019084343A (ja) ウェアラブルデバイスを用いた高い正確度の光電容積脈波基盤の心房細動検出のための方法及び装置
US9113837B2 (en) Drowsiness detection method and associated device
KR20160120482A (ko) 생체 신호를 이용한 사용자 행동 예측 시스템 및 방법
KR102143343B1 (ko) 뇌활동 반영 자율신경계 신호 기반 집중도 또는 피로도 또는 졸음 모니터링 시스템
US20130096397A1 (en) Sensitivity evaluation system, sensitivity evaluation method, and program
KR20190105163A (ko) 인공지능 기반의 환자상태 예측 장치 및 이를 이용한 환자상태 예측 방법
CN103930027A (zh) 用于监测患者并检测该患者的谵妄的监测系统
US20190183404A1 (en) Method of indicating the probability of psychogenic non-epileptic seizures
CN112957042B (zh) 一种非接触式目标情绪识别的方法及系统
TW201336475A (zh) 擁有即時學習機制之癲癇發作預測方法、模組及裝置
CN102973266A (zh) 用于自动痉挛监测的方法、设备和计算机程序产品
CN108882853A (zh) 使用视觉情境来及时触发测量生理参数
CN107683103A (zh) 用于支持老年的、体弱的和/或患病的人的系统
Rosales et al. Physiological-based smart stress detector using machine learning algorithms
Hassan et al. IoT based monitoring system for epileptic patients
US20230034939A1 (en) Information processing apparatus, computer-readable medium, and information processing method
Sadek et al. Sensor data quality processing for vital signs with opportunistic ambient sensing
Houta et al. Machine learning methods for detection of Epileptic seizures with long-term wearable devices
Paragliola et al. A deep learning-based approach for the recognition of sleep disorders in patients with cognitive diseases: A case study.
JP2011078705A (ja) 生体疲労評価装置
KR102481117B1 (ko) 사용자 자세 기반 낙상 방지 장치
Martins et al. A Comparison of Machine Learning Techniques for the Detection of Type-4 PhotoParoxysmal Responses in Electroencephalographic Signals