KR20170123903A - 다중지능 검사용 프로파일 갱신 장치 및 방법 - Google Patents

다중지능 검사용 프로파일 갱신 장치 및 방법 Download PDF

Info

Publication number
KR20170123903A
KR20170123903A KR1020160053181A KR20160053181A KR20170123903A KR 20170123903 A KR20170123903 A KR 20170123903A KR 1020160053181 A KR1020160053181 A KR 1020160053181A KR 20160053181 A KR20160053181 A KR 20160053181A KR 20170123903 A KR20170123903 A KR 20170123903A
Authority
KR
South Korea
Prior art keywords
intelligence
profile
multiple intelligence
user
signal
Prior art date
Application number
KR1020160053181A
Other languages
English (en)
Inventor
박찬규
윤우한
이동진
Original Assignee
한국전자통신연구원
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 한국전자통신연구원 filed Critical 한국전자통신연구원
Priority to KR1020160053181A priority Critical patent/KR20170123903A/ko
Publication of KR20170123903A publication Critical patent/KR20170123903A/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
    • A61B5/165—Evaluating the state of mind, e.g. depression, anxiety
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/02405—Determining heart rate variability
    • A61B5/0456—
    • A61B5/0472—
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/352—Detecting R peaks, e.g. for synchronising diagnostic apparatus; Estimating R-R interval
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • A61B5/346—Analysis of electrocardiograms
    • A61B5/349—Detecting specific parameters of the electrocardiograph cycle
    • A61B5/366—Detecting abnormal QRS complex, e.g. widening
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6813—Specially adapted to be attached to a specific body part
    • A61B5/6823—Trunk, e.g., chest, back, abdomen, hip

Abstract

다중지능 검사용 프로파일 갱신 장치 및 방법이 개시된다. 본 발명의 일실시예에 따른 다중지능 검사용 프로파일 갱신 장치는 사용자의 생체 신호들을 측정하는 신호 측정부; 상기 생체 신호들에 기반하여 상기 사용자의 심리 상태를 분석하는 신호 분석부 및 상기 심리 상태에 기반하여 다중지능 검사용 프로파일을 갱신하는 프로파일 갱신부를 포함한다.

Description

다중지능 검사용 프로파일 갱신 장치 및 방법 {APPARATUS FOR UPDATING PROFILES FOR MULTIPLE-INTELLIGENCE TEST AND METHOD USING THE SAME}
본 발명은 생체 신호 처리 및 다중지능 검사 기술에 관한 것이다.
기존의 지능측정 도구로 많이 사용되어 왔던 IQ측정방법은 단순 수치적인 결과로 인간 지능을 한가지 척도로만 평가하여 인간에게 잠재되어 있는 지능이나 재능들을 정확히 측정하지 못하거나 개인의 특성을 반영하지 못한다는 단점이 있다. 최근 30년동안 미국 MIT 교육학 교수 제임스 가드너는 현재의 획일적인 지능측정 방법보다는 인간의 다양한 자질과 특성을 반영하기 위해 지능 진단의 영역을 8가지 영역으로 나누고 이에 대한 측정 방법과 효과를 제시하였다.
하지만, 8가지 다중지능 측정 방법도 IQ 검사방법과 유사하게 검사방법에서는 설문 방식을 따르고 있고 1회성에 그치고 있어 특히, 영/유아 이상의 아동, 청소년들은 측정의 신뢰도가 떨어지고 청소년이나 어른으로 성장한 뒤보다 성장하기 전에 개인의 재능과 관련된 기초자료를 얻을 수 있는 것이 개인의 재능발견과 진로를 결정하는데 도움이 될 수 있어서 중요하다.
기존 설문 방식의 측정 방법을 개선하기 위해 포트폴리오 방법이 제시되고 있는데 장기간에 걸쳐 아이들을 8가지 다중지능진단에 관련된 컨텐츠나 교육적 자극에 노출을 시켜 개인마다 다르게 반응하는 양상들을 교사나 전문가가 이를 관찰하고 기록하여 각 지능영역에 관한 개인의 강점 지능과 약점 지능을 분석한다. 이 방법은 현재 미국에서 시범적으로 실시된 한 두 가지 사례가 유일할 정도로 많은 전문관찰자의 수와 장기간의 관찰, 기록, 분석이 뒤따르는 많은 시간, 비용, 노력이 투자되는 방법으로 현실적으로 대중화 되기에는 문제가 있다.
한편, 한국공개특허 제 10-2014-0076964 호 “정보기술을 이용한 다중지능 검사 장치 및 방법” 는 다중지능 검사 시스템은 카메라 센싱 기반의 장치를 통해 사용자의 다중지능을 검사하고, 검사된 사용자의 다중지능을 전문가를 통해 분석하는 것이 아닌, IT 기술을 이용하여 분석하는 다중지능 검사 장치에 관하여 개시하고 있다.
본 발명은 웨어러블 기기 등을 이용하여 측정된 생체 신호에 기반하여 다중지능 검사를 수행하는 것을 목적으로 한다.
또한, 본 발명은 생체 신호에 기반하여 산출된 강점 지능과 약점 지능을 이용하여 다중지능 검사의 소요 시간 및 비용을 절감하는 것을 목적으로 한다.
또한, 본 발명은 다중지능 검사를 반복할수록 다중지능 검사의 신뢰도를 향상시키는 것을 목적으로 한다.
또한, 본 발명은 다중지능 검사의 신뢰도를 향상시켜 유치원/어린이집, 교육기관 등에서 다중지능 검사와 교육 시 보조 자료로 활용되는 것을 목적으로 한다.
상기한 목적을 달성하기 위한 본 발명의 일실시예에 따른 다중지능 검사용 프로파일 갱신 장치는 사용자의 생체 신호들을 측정하는 신호 측정부; 상기 생체 신호들에 기반하여 상기 사용자의 심리 상태를 분석하는 신호 분석부 및 상기 심리 상태에 기반하여 다중지능 검사용 프로파일을 갱신하는 프로파일 갱신부를 포함한다.
이 때, 상기 신호 분석부는 측정된 생체 신호들 중 심박 신호에 기반하여 심박수 변이(Heart Rate Variability, HRV) 분석을 이용하여 상기 사용자의 집중도와 스트레스 상태를 분석할 수 있다.
이 때, 상기 신호 분석부는 측정된 생체 신호들 중 피부전도도 신호에 기반하여 피부전도도 매개변수를 이용하여 상기 사용자의 각성 상태를 분석할 수 있다.
이 때, 상기 신호 분석부는 상기 집중도, 상기 스트레스 상태 및 상기 각성 상태의 분석 결과에 기반하여 강점 지능과 약점 지능을 산출할 수 있다.
이 때, 상기 프로파일 갱신부는 상기 강점 지능과 상기 약점 지능의 변화율이 기설정된 값 미만인 경우, 상기 프로파일을 갱신할 수 있다.
또한, 상기한 목적을 달성하기 위한 본 발명의 일실시예에 따른 다중지능검사용 프로파일 갱신 방법은 다중지능 검사용 프로파일 갱신 장치를 이용하는 방법에 있어서, 사용자의 생체 신호들을 측정하는 단계; 상기 생체 신호들에 기반하여 상기 사용자의 심리 상태를 분석하는 단계 및 상기 심리 상태에 기반하여 다중지능 검사용 프로파일을 갱신하는 단계를 포함한다.
이 때, 상기 분석하는 단계는 측정된 생체 신호들 중 심박 신호에 기반하여 심박수 변이(Heart Rate Variability, HRV) 분석을 이용하여 상기 사용자의 집중도와 스트레스 상태를 분석할 수 있다.
이 때, 상기 분석하는 단계는 측정된 생체 신호들 중 피부전도도 신호에 기반하여 피부전도도 매개변수를 이용하여 상기 사용자의 각성 상태를 분석할 수 있다.
이 때, 상기 분석하는 단계는 상기 집중도, 상기 스트레스 상태 및 상기 각성 상태의 분석 결과에 기반하여 강점 지능과 약점 지능을 산출할 수 있다.
이 때, 상기 갱신하는 단계는 상기 강점 지능과 상기 약점 지능의 변화율이 기설정된 값 미만인 경우, 상기 프로파일을 갱신할 수 있다.
본 발명은 웨어러블 기기 등을 이용하여 측정된 생체 신호에 기반하여 다중지능 검사를 수행할 수 있다.
또한, 본 발명은 생체 신호에 기반하여 산출된 강점 지능과 약점 지능을 이용하여 다중지능 검사의 소요 시간 및 비용을 절감할 수 있다.
또한, 본 발명은 다중지능 검사를 반복할수록 다중지능 검사의 신뢰도를 향상시킬 수 있다.
또한, 본 발명은 다중지능 검사의 신뢰도를 향상시켜 유치원/어린이집, 교육기관 등에서 다중지능 검사와 교육 시 보조 자료로 활용될 수 있다.
도 1은 본 발명의 일실시예에 따른 다중지능 검사용 프로파일 갱신 장치를 나타낸 블록도이다.
도 2는 본 발명의 일실시예에 따른 심박 신호의 시간 영역 실험 결과를 나타낸 그래프이다.
도 3은 본 발명의 일실시예에 따른 심박 신호의 주파수 영역 실험 결과를 나타낸 그래프이다.
도 4는 본 발명의 일실시예에 따른 다중지능 검사용 프로파일 갱신 방법을 나타낸 동작흐름도이다.
도 5는 본 발명의 일실시예에 따른 웨어러블 장치 기반 다중지능 검사를 나타낸 도면이다.
도 6은 본 발명의 일실시예에 따른 컴퓨터 시스템을 나타낸 블록도이다.
본 발명을 첨부된 도면을 참조하여 상세히 설명하면 다음과 같다. 여기서, 반복되는 설명, 본 발명의 요지를 불필요하게 흐릴 수 있는 공지 기능, 및 구성에 대한 상세한 설명은 생략한다. 본 발명의 실시형태는 당 업계에서 평균적인 지식을 가진 자에게 본 발명을 보다 완전하게 설명하기 위해서 제공되는 것이다. 따라서, 도면에서의 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있다.
이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 일실시예에 따른 다중지능 검사용 프로파일 갱신 장치를 나타낸 블록도이다. 도 2는 본 발명의 일실시예에 따른 심박 신호의 시간 영역 실험 결과를 나타낸 그래프이다. 도 3은 본 발명의 일실시예에 따른 심박 신호의 주파수 영역 실험 결과를 나타낸 그래프이다.
도 1을 참조하면, 본 발명의 일실시예에 따른 다중지능 검사용 프로파일 갱신 장치(100)는 신호 측정부(110), 신호 분석부(120) 및 프로파일 갱신부(130)을 포함하고, 다중지능 검사 장치(200)는 다중지능 검사부(210) 및 다중지능 검사용 프로파일(220)을 포함한다.
다중지능 검사용 프로파일 갱신 장치(100)는 사용자의 손목에 착용되는 웨어러블 장치에 상응할 수 있다. 이 때, 다중지능 검사용 프로파일 갱신 장치(100)는 웨어러블 장치를 신호 측정부(110)로 이용하고, 나머지는 별도의 분리된 장치에 상응할 수도 있다.
즉, 다중지능 검사용 프로파일 갱신 장치(100)는 웨어러블 장치와 일체화될 수도 있고, 분리되어 구성될 수도 있다.
신호 측정부(110)는 사용자의 생체 신호들을 측정할 수 있다. 사용자는 다중지능 검사 장치(200)의 다중지능 검사에 응답하여 다중지능을 검사하는 검사자에 상응할 수 있다. 이 때, 신호 측정부(110)는 센서 장치를 이용하여 설문 문항에 응답하는 사용자의 심박 신호와 피부전도도 신호를 측정할 수 있다. 이 때, 신호 측정부(110)는 사용자가 다중지능 검사의 설문 문항에 응할 때마다 사용자의 심박 신호와 피부전도도 신호를 측정할 수 있다.
또한, 신호 측정부(110)는 다중지능 검사용 프로파일 갱신 장치(100)와 일체화될 수도 있고, 분리되어 구성될 수도 있다. 즉, 신호 측정부(110)는 사용자의 손목에 착용되는 웨어러블 장치에 상응할 수 있다.
신호 분석부(120)는 생체 신호들에 기반하여 사용자의 심리 상태를 분석할 수 있다. 이 때, 신호 분석부(120)는 측정된 생체 신호들 중 심박 신호에 기반하여 심박수 변이(Heart Rate Variability, HRV) 분석을 이용하여 사용자의 집중도와 스트레스 상태를 분석할 수 있다.
도 2를 참조하면, 집중력 및 학습 능력이 높은 그룹(HP)과 집중력 및 학습 능력이 낮은 그룹(LP) 그룹에 대하여 다중지능 검사를 할 때 나타나는 심박 신호의 변화 추이를 시간 영역에서 분석한 결과를 나타낸 것이다. 시간 영역 분석은 시간 내의 심박 수 혹은 연속된 정상 심장 주기 사이의 간격의 변화를 분석할 수 있다. SDNN(Standard Deviation of N-N Interval, 표준편차)은 HRV의 전체 지수이며 기록 동안의 모든 장기적인 구성요소들의 변화를 반영할 수 있다. 즉, SDNN은 ms 단위의 모든 NN 간격의 표준 편차에 상응할 수 있다.
도 2에 따르면, SDNN은 HP 가 54.4[ms] 이고, LP 가 48.9[ms]로, HP 가 LP 보다 더 높은 SDNN 을 나타내는 것을 알 수 있다. 통상적으로 알려진 연구 결과들에 따르면 SDNN 이 높을수록 심장이 안정적인 것을 의미하고, 건강하고 안정된 상태임을 나타낸다고 알려져 있다. 따라서, 집중력 및 학습 능력이 높을 수록 SDNN 이 높은 것을 알 수 있고, 집중력 및 학습 능력과 심박 신호간에 상관 관계에 있다는 것을 알 수 있다.
즉, 다중지능 검사를 수행하는 HP 그룹은 난이도가 높은 설문에도 안정적인 심박수를 유지하여 SDNN 이 높을 수 있고, LP 그룹은 난이도가 높은 설문에서 불안정한 심박수로 인하여 SDNN 이 낮아질 수 있다.
도 3을 참조하면, 집중력 및 학습 능력이 높은 그룹(HP)과 집중력 및 학습 능력이 낮은 그룹(LP) 그룹에 대하여 다중지능 검사를 할 때 나타나는 심박 신호의 변화 추이를 주파수 영역에서 분석한 결과를 나타낸 것이다. 주파수 영역 분석은 심장의 방실결절 리듬에서 다양한 주파수와 진동으로 분해 한 심장 박동 신호의 주기적인 진동을 설명하여 그들의 상대 강도(변화 혹은 파워로 정의) 량의 정보를 분석할 수 있다. VLF(Very Low Frequency)는 시간 영역의 심박 신호의 측정 결과를 FFT를 이용하여 초장파 영역에 상응하는 0.003~0.04[Hz] 사이의 주파수 영역에서 파워 스펙트럼 밀도로 변환한 것을 나타낸 것이다. 파워 스펙트럼 밀도는 주파수(헤르츠)와 각 구성요소의 면적(혹은 파워 스페트럼 밀도)에 의해 측정되는 진폭에 의해 평가된다. 그러므로 제곱 단위는 ms의 제곱(ms2)으로 표현하는 절대값이 사용될 수 있다.
도 3에 따르면, VLF는 HP 가 6.2[ms2] 이고, LP 가 4.7[ms2]로, HP 가 LP 보다 더 높은 값을 나타내는 것을 알 수 있다. 통상적으로 알려진 연구 결과들에 따르면 스트레스를 받을 경우 정상 상태보다 주파수 영역의 값이 낮다고 알려져 있다. 따라서, 스트레스가 낮을수록 VLF의 값이 높은 것을 알 수 있고, 집중력 및 학습 능력과 심박 신호 사이에 상관 관계가 있음을 알 수 있다.
즉, 다중지능 검사의 다중지능 검사를 수행하는 HP 그룹은 난이도가 높은 설문 문항에도 스트레스를 적게 받기 때문에 VLF 가 높을 수 있고, LP 그룹은 난이도가 높은 설문 문항에서 스트레스를 높게 받기 때문에 VLF 가 낮아질 수 있다.
또한, 신호 분석부(120)는 측정된 생체 신호들 중 피부전도도 신호에 기반하여 피부전도도 매개변수를 이용하여 사용자의 각성 상태를 분석할 수 있다.
예를 들어, 실시예 1은 국내 유치원 7세 아동 30명에 대하여 다중지능 검사를 할 때 피부전도도와 심박 신호를 측정하고 통계학적 유의성을 실험한 결과이다.
사람(전문가)이 관찰했을 때 집중도와 피부전도도가 서로 유의성이 있는지를 회귀분석 하였고, 실시예 1에 따라 유의성이 있다고 결과가 도출되었다.
[실시예 1]
30초간격 표본 추출한 피부전도도 vs Ground Truth (전문가 평가값)
mdl = Linear regression model:
y ~ 1 + x3 + x2*x4 + x4*x5
x1:SCL, x2:NSF, x3: SCL amp, x4:SCL rise time, x5:SCR half-recovery time
Estimated Coefficients:
Estimate SE tStat pValue
(Intercept) 1.4849 0.038424 38.646 2.4721e-278
x2 0.0062466 0.0026934 2.3192 0.020432
x3 0.19666 0.098892 1.9886 0.046813
x4 0.0074953 0.01457 0.51443 0.60698
x5 0.019456 0.0059048 3.295 0.0009927
x2:x4 -0.0041849 0.0016144 -2.5923 0.0095693
x4:x5 -0.0023271 0.00083277 -2.7944 0.0052246
Number of observations: 4049, Error degrees of freedom: 4042
Root Mean Squared Error: 0.699
R-squared: 0.00658, Adjusted R-Squared 0.00511
F-statistic vs. constant model: 4.46, p-value = 0.000164
또한, 신호 분석부(120)는 집중도, 스트레스 상태 및 각성 상태의 분석 결과에 기반하여 강점 지능과 약점 지능을 산출할 수 있다. 즉, 다중지능 검사 장치(200)는 다중지능 영역의 종류와 단계가 사용자의 나이와 기관 고유의 특성에 상응하여 구축되어있을 수 있다. 예를 들어, 신호 분석부(120)는 복수개의 다중지능 영역에 대하여 검사를 수행하는 경우, 상기 분석 결과에 따라 높은 지수를 나타내는 지능 영역을 강점 지능으로 분류할 수 있고, 낮은 지수를 나타내는 지능 영역을 약점 지능으로 분류 할 수 있다. 그러나, 이러한 지능 영역의 분류는 검사 시마다 측정하고자 하는 지능 영역에 상응하는 설문 문항들의 종류와 사용자의 심리 상태에 기반하여 달라질 수 있다.
프로파일 갱신부(130)는 심리 상태에 기반하여 다중지능 검사용 프로파일을 갱신할 수 있다. 이 때, 프로파일 갱신부(130)는 사용자가 처음 1회 측정한 다중지능 검사에 기반하여 다중 지능 검사용 프로파일(220)을 갱신할 수 있다. 초기 상태의 다중지능 검사용 프로파일은 강점 지능의 분포와 약점 지능의 분포를 포함할 수 있다. 이 때, 다중지능 검사용 프로파일(220)은 반복 측정된 다중지능 분석 결과에 상응하는 강점 지능의 변화 추이와 약점 지능의 변화 추이가 적은 경우에만 프로파일 결과로 신뢰할 수 있다. 따라서, 다중지능 검사 결과는 검사 시마다 측정하고자 하는 지능 영역에 상응하는 설문 문항들의 종류와 사용자의 심리 상태에 따라 달라질 수 있기 때문에 다중지능 검사는 여러 번 반복될 수 있다.
즉, 프로파일 갱신부(130)는 강점 지능과 약점 지능의 변화율이 기설정된 값 미만인 경우, 다중지능 검사용 프로파일(220)을 갱신할 수 있다.
이 때, 프로파일 갱신부(130)는 검사 시마다 달라지는 다중지능 검사의 설문 문항과 검사가 반복될수록 사용자의 학습 능력이 향상되는 것을 고려하여 다중지능 검사용 프로파일(220)을 갱신할 수 있다.
다중지능 검사부(210)는 다중지능 영역의 종류와 단계가 사용자의 나이와 기관 고유의 특성에 상응하여 구축되어있을 수 있다. 이 때, 다중지능 검사부(210)는 다중지능 영역의 종류와 단계에 기반하여 설문 문항들을 출력하여 다중지능 검사를 수행할 수 있다. 예를 들어, 다중지능 검사부(210)는 1년 동안 몇 번의 반복 측정을 할 것인지, 몇 개의 다중지능 종류를 측정할 것인지는 사용자가 속한 기관의 전문가의 결정에 따라 이루어질 수 있다. 또한, 다중지능 검사부(210)는 설문 문항들을 사용자가 응답한 결과 및 응답 과정 중 갱신된 다중지능 검사용 프로파일(220)에 기반하여 다중지능 검사 결과를 출력할 수 있다.
다중지능 검사용 프로파일(220)은 다중지능 검사용 프로파일 갱신 장치(100)에 의하여 갱신될 수 있다. 이 때, 다중지능 검사용 프로파일(220)은 반복 측정된 다중지능 분석 결과에 상응하는 강점 지능의 변화 추이와 약점 지능의 변화 추이가 적은 경우에 프로파일 결과로 신뢰할 수 있다. 따라서, 다중지능 검사 결과는 검사 시마다 측정하고자 하는 지능 영역에 상응하는 설문 문항들의 종류와 사용자의 심리 상태에 따라 달라질 수 있기 때문에 다중지능 검사는 여러 번 반복될 수 있다. 반복된 다중지능 검사에 의해 갱신된 다중지능 검사용 프로파일(220)은 잠재역량 검사 컨텐츠의 수행 평가 점수와 생체 신호 분석을 통한 검사의 결과의 추이에 기반하여 최종적으로 안정된 변화 추이에 기반하여 다중지능 검사 결과의 신뢰성을 보장할 수 있다.
도 4는 본 발명의 일실시예에 따른 다중지능 검사용 프로파일 갱신 방법을 나타낸 동작흐름도이다.
도 4를 참조하면, 본 발명의 일실시예에 따른 다중지능 검사용 프로파일 갱신 방법은 먼저 생체 신호를 측정한다(S310).
즉, 단계(S310)는 사용자의 생체 신호들을 측정할 수 있다. 사용자는 다중지능 검사 장치(200)의 설문 문항에 응답하여 다중지능을 검사하는 검사자에 상응할 수 있다. 이 때, 단계(S310)는 센서 장치를 이용하여 설문 문항에 응답하는 사용자의 심박 신호와 피부전도도 신호를 측정할 수 있다. 이 때, 단계(S310)는 사용자가 다중지능 검사의 설문 문항에 응할 때마다 사용자의 심박 신호와 피부전도도 신호를 측정할 수 있다.
또한, 다중지능 검사용 프로파일 갱신 방법은 생체 신호를 분석할 수 있다(S320).
즉, 단계(S320)는 생체 신호들에 기반하여 사용자의 심리 상태를 분석할 수 있다. 이 때, 단계(S320)는 측정된 생체 신호들 중 심박 신호에 기반하여 심박수 변이(Heart Rate Variability, HRV) 분석을 이용하여 사용자의 집중도와 스트레스 상태를 분석할 수 있다.
도 2를 참조하면, 집중력 및 학습 능력이 높은 그룹(HP)과 집중력 및 학습 능력이 낮은 그룹(LP) 그룹에 대하여 다중지능 검사를 할 때 나타나는 심박 신호의 변화 추이를 시간 영역에서 분석한 결과를 나타낸 것이다. 시간 영역 분석은 시간 내의 심박 수 혹은 연속된 정상 심장 주기 사이의 간격의 변화를 분석할 수 있다. SDNN(Standard Deviation of N-N Interval, 표준편차)은 HRV의 전체 지수이며 기록 동안의 모든 장기적인 구성요소들의 변화를 반영할 수 있다. 즉, SDNN은 ms 단위의 모든 NN 간격의 표준 편차에 상응할 수 있다.
도 2에 따르면, SDNN은 HP 가 54.4[ms] 이고, LP 가 48.9[ms]로, HP 가 LP 보다 더 높은 SDNN 을 나타내는 것을 알 수 있다. 통상적으로 알려진 연구 결과들에 따르면 SDNN 이 높을수록 심장이 안정적인 것을 의미하고, 건강하고 안정된 상태임을 나타낸다고 알려져 있다. 따라서, 집중력 및 학습 능력이 높을 수록 SDNN 이 높은 것을 알 수 있고, 집중력 및 학습 능력과 심박 신호간에 상관 관계에 있다는 것을 알 수 있다.
즉, 다중지능 검사를 수행하는 HP 그룹은 난이도가 높은 설문 문항에도 안정적인 심박수를 유지하여 SDNN 이 높을 수 있고, LP 그룹은 난이도가 높은 설문 문항에서 불안정한 심박수로 인하여 SDNN 이 낮아질 수 있다.
도 3을 참조하면, 집중력 및 학습 능력이 높은 그룹(HP)과 집중력 및 학습 능력이 낮은 그룹(LP) 그룹에 대하여 다중지능 검사를 할 때 나타나는 심박 신호의 변화 추이를 주파수 영역에서 분석한 결과를 나타낸 것이다. 주파수 영역 분석은 심장의 방실결절 리듬에서 다양한 주파수와 진동으로 분해 한 심장 박동 신호의 주기적인 진동을 설명하여 그들의 상대 강도(변화 혹은 파워로 정의) 량의 정보를 분석할 수 있다. VLF(Very Low Frequency)는 시간 영역의 심박 신호의 측정 결과를 FFT를 이용하여 초장파 영역에 상응하는 0.003~0.04[Hz] 사이의 주파수 영역에서 파워 스펙트럼 밀도로 변환한 것을 나타낸 것이다. 파워 스펙트럼 밀도는 주파수(헤르츠)와 각 구성요소의 면적(혹은 파워 스페트럼 밀도)에 의해 측정되는 진폭에 의해 평가된다. 그러므로 제곱 단위는 ms의 제곱(ms2)으로 표현하는 절대값이 사용될 수 있다.
도 3에 따르면, VLF는 HP 가 6.2[ms2] 이고, LP 가 4.7[ms2]로, HP 가 LP 보다 더 높은 값을 나타내는 것을 알 수 있다. 통상적으로 알려진 연구 결과들에 따르면 스트레스를 받을 경우 정상 상태보다 주파수 영역의 값이 낮다고 알려져 있다. 따라서, 스트레스가 낮을수록 VLF의 값이 높은 것을 알 수 있고, 집중력 및 학습 능력과 심박 신호 사이에 상관 관계가 있음을 알 수 있다.
즉, 다중지능 검사의 다중지능 검사를 수행하는 HP 그룹은 난이도가 높은 설문에도 스트레스를 적게 받기 때문에 VLF 가 높을 수 있고, LP 그룹은 난이도가 높은 설문에서 스트레스를 높게 받기 때문에 VLF 가 낮아질 수 있다.
또한, 단계(S320)는 측정된 생체 신호들 중 피부전도도 신호에 기반하여 피부전도도 매개변수를 이용하여 사용자의 각성 상태를 분석할 수 있다.
예를 들어, 실시예 1은 국내 유치원 7세 아동 30명에 대하여 다중지능 검사를 할 때 피부전도도와 심박 신호를 측정하고 통계학적 유의성을 실험한 결과이다.
사람(전문가)이 관찰했을 때 집중도와 피부전도도가 서로 유의성이 있는지를 회귀분석 하였고, 실시예 1에 따라 유의성이 있다고 결과가 도출되었다.
[실시예 1]
30초간격 표본 추출한 피부전도도 vs Ground Truth (전문가 평가값)
mdl = Linear regression model:
y ~ 1 + x3 + x2*x4 + x4*x5
x1:SCL, x2:NSF, x3: SCL amp, x4:SCL rise time, x5:SCR half-recovery time
Estimated Coefficients:
Estimate SE tStat pValue
(Intercept) 1.4849 0.038424 38.646 2.4721e-278
x2 0.0062466 0.0026934 2.3192 0.020432
x3 0.19666 0.098892 1.9886 0.046813
x4 0.0074953 0.01457 0.51443 0.60698
x5 0.019456 0.0059048 3.295 0.0009927
x2:x4 -0.0041849 0.0016144 -2.5923 0.0095693
x4:x5 -0.0023271 0.00083277 -2.7944 0.0052246
Number of observations: 4049, Error degrees of freedom: 4042
Root Mean Squared Error: 0.699
R-squared: 0.00658, Adjusted R-Squared 0.00511
F-statistic vs. constant model: 4.46, p-value = 0.000164
또한, 다중지능 검사용 프로파일 갱신 방법은 강점 및 약점 지능을 산출할 수 있다(S330).
즉, 단계(S330)는 집중도, 스트레스 상태 및 각성 상태의 분석 결과에 기반하여 강점 지능과 약점 지능을 산출할 수 있다. 예를 들어, 단계(S330)는 복수개의 다중지능 영역에 대하여 검사를 수행하는 경우, 상기 분석 결과에 따라 높은 지수를 나타내는 지능 영역을 강점 지능으로 분류할 수 있고, 낮은 지수를 나타내는 지능 영역을 약점 지능으로 분류 할 수 있다. 그러나, 이러한 지능 영역의 분류는 검사 시마다 측정하고자 하는 지능 영역에 상응하는 설문 문항들의 종류와 사용자의 심리 상태에 기반하여 달라질 수 있다.
또한, 다중지능 검사용 프로파일 갱신 방법은 강점 및 약점 지능의 변화율이 기설정된 값 미만인지 판단할 수 있다(S340).
즉, 단계(S340)는 강점 및 약점 지능의 변화율이 기설정된 값 미만인 경우 다중지능 검사용 프로파일(220)을 갱신할 수 있다(S350).
이 때, 단계(S340)는 강점 및 약점 지능의 변화율이 기설정된 값 이상인 경우, 단계(S310)로 되돌아가 새로운 다중지능 검사 문항에 응답하는 사용자의 생체 신호를 측정할 수 있다
즉, 단계(S350)는 심리 상태에 기반하여 다중지능 검사용 프로파일(220)을 갱신할 수 있다. 다중지능 검사용 프로파일(220)은 반복 측정된 다중지능 분석 결과에 상응하는 강점 지능의 변화 추이와 약점 지능의 변화 추이가 적은 경우에 프로파일 결과로 신뢰할 수 있다. 따라서, 다중지능 검사 결과는 검사 시마다 측정하고자 하는 지능 영역에 상응하는 설문 문항들의 종류와 사용자의 심리 상태에 따라 달라질 수 있기 때문에 다중지능 검사는 여러 번 반복될 수 있다. 즉, 단계(S350)는 산출된 강점 및 약점 지능의 변화율이 기설정된 값 미만인 경우 다중지능 검사용 프로파일(220)을 갱신할 수 있다.
이 때, 단계(S350)는 검사 시마다 달라지는 다중지능 검사 문항과 검사가 반복될수록 사용자의 학습 능력이 향상되는 것을 고려하여 다중지능 검사용 프로파일(220)을 갱신할 수 있다.
도 5는 본 발명의 일실시예에 따른 웨어러블 장치 기반 다중지능 검사를 나타낸 도면이다.
도 5를 참조하면 웨어러블 장치에 상응하는 다중지능 검사용 프로파일 갱신 장치(100)을 착용한 아동이 다중지능 검사 장치(200)를 이용하여 다중지능 검사를 수행하는 것을 알 수 있다.
다중지능 검사용 프로파일 갱신 장치(100)는 웨어러블 장치와 일체형으로 구성될 수 있다. 이 때, 다중지능 검사용 프로파일 갱신 장치(100)는 생체 신호 측정을 위한 신호 측정부(110)만 웨어러블 장치로 이용하고, 별도의 외부 장치로 구성될 수도 있다.
다중지능 검사 장치(200)는 다중지능 검사용 프로파일 갱신 장치(100)와 상호 작용하여 갱신된 다중지능 검사용 프로파일(220)에 기반하여 검사 결과를 출력할 수 있다.
도 6은 본 발명의 일실시예에 따른 컴퓨터 시스템을 나타낸 블록도이다.
도 6을 참조하면, 본 발명의 실시예는 컴퓨터로 읽을 수 있는 기록매체와 같은 컴퓨터 시스템(1100)에서 구현될 수 있다. 도 6에 도시된 바와 같이, 컴퓨터 시스템(1100)은 버스(1120)를 통하여 서로 통신하는 하나 이상의 프로세서(1110), 메모리(1130), 사용자 입력 장치(1140), 사용자 출력 장치(1150) 및 스토리지(1160)를 포함할 수 있다. 또한, 컴퓨터 시스템(1100)은 네트워크(1180)에 연결되는 네트워크 인터페이스(1170)를 더 포함할 수 있다. 프로세서(1110)는 중앙 처리 장치 또는 메모리(1130)나 스토리지(1160)에 저장된 프로세싱 인스트럭션들을 실행하는 반도체 장치일 수 있다. 메모리(1130) 및 스토리지(1160)는 다양한 형태의 휘발성 또는 비휘발성 저장 매체일 수 있다. 예를 들어, 메모리는 ROM(1131)이나 RAM(1132)을 포함할 수 있다.
이상에서와 같이 본 발명에 따른 다중지능 검사용 프로파일 갱신 장치 및 방법은 상기한 바와 같이 설명된 실시예들의 구성과 방법이 한정되게 적용될 수 있는 것이 아니라, 상기 실시예들은 다양한 변형이 이루어질 수 있도록 각 실시예들의 전부 또는 일부가 선택적으로 조합되어 구성될 수도 있다.
100: 다중지능 검사용 프로파일 갱신 장치
110: 신호 측정부 120: 신호 분석부
130: 프로파일 갱신부 200: 다중지능 검사 장치
210: 다중지능 검사부 220: 다중지능 검사용 프로파일
1100: 컴퓨터 시스템 1110: 프로세서
1120: 버스 1130: 메모리
1131: 롬 1132: 램
1140: 사용자 입력 장치 1150: 사용자 출력 장치
1160: 스토리지 1170: 네트워크 인터페이스
1180: 네트워크

Claims (1)

  1. 사용자의 생체 신호들을 측정하는 신호 측정부;
    상기 생체 신호들에 기반하여 상기 사용자의 심리 상태를 분석하는 신호 분석부; 및
    상기 심리 상태에 기반하여 다중지능 검사용 프로파일을 갱신하는 프로파일 갱신부;
    를 포함하는 것을 특징으로 하는 다중지능 검사용 프로파일 갱신 장치.
KR1020160053181A 2016-04-29 2016-04-29 다중지능 검사용 프로파일 갱신 장치 및 방법 KR20170123903A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020160053181A KR20170123903A (ko) 2016-04-29 2016-04-29 다중지능 검사용 프로파일 갱신 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160053181A KR20170123903A (ko) 2016-04-29 2016-04-29 다중지능 검사용 프로파일 갱신 장치 및 방법

Publications (1)

Publication Number Publication Date
KR20170123903A true KR20170123903A (ko) 2017-11-09

Family

ID=60385671

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160053181A KR20170123903A (ko) 2016-04-29 2016-04-29 다중지능 검사용 프로파일 갱신 장치 및 방법

Country Status (1)

Country Link
KR (1) KR20170123903A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230112873A (ko) 2022-01-21 2023-07-28 고현서 심리 프로파일에 따른 행동 습관 제공 방법, 서버, 저장 매체 및 디바이스

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20230112873A (ko) 2022-01-21 2023-07-28 고현서 심리 프로파일에 따른 행동 습관 제공 방법, 서버, 저장 매체 및 디바이스

Similar Documents

Publication Publication Date Title
Ding et al. Measurement and identification of mental workload during simulated computer tasks with multimodal methods and machine learning
O’Mahony et al. Objective diagnosis of ADHD using IMUs
Elting et al. Assessment of dynamic cerebral autoregulation in humans: Is reproducibility dependent on blood pressure variability?
Sinha et al. Physiological sensing based stress analysis during assessment
Blasco-Belled et al. The study of character strengths and life satisfaction: A comparison between affective-component and cognitive-component traits
Voloh et al. MAD saccade: statistically robust saccade threshold estimation via the median absolute deviation
Molnar et al. Perfectionism, health, and well-being: Epilogue and future directions
Zimatore et al. Detecting metabolic thresholds from nonlinear analysis of heart rate time series: a review
Zamm et al. A practical guide to EEG hyperscanning in joint action research: From motivation to implementation
KR20170123903A (ko) 다중지능 검사용 프로파일 갱신 장치 및 방법
Siepe et al. Temporal dynamics of depressive symptomatology: An idiographic time series analysis applying network models to patients with depressive disorders
RU2586030C2 (ru) Способ и система тестирования
Mv et al. Assessment of the amplitude-frequency characteristics of the retina with its stimulation by flicker and chess pattern-reversed incentives and their use to obtain new formalized signs of retinal pathologies
Cillessen New perspectives on social networks in the study of peer relations
Hossain et al. Measurement of cognitive load for writing tasks using galvanic skin response
Yıldırım Revised version of physical education teachers’ self-efficacy scale
CN112120717B (zh) 一种判断用户精神状态的方法、用户设备以及存储介质
Rosas et al. Bayesian at heart: Towards autonomic outflow estimation via generative state-space modelling of heart rate dynamics
Sarraf Electronic Health Record data is unable to effectively characterize measurement error from pulse oximetry: a simulation study
WO2014167770A1 (ja) 印象評価装置及び印象評価方法
Eskandar et al. Using Deep Learning for Assessment of Workers' Stress and Overload
Bian et al. Evaluating age-related loss of nonlinearity degree in short-term heartbeat series by optimum modeling dimension
KR101410311B1 (ko) 생체 정보를 이용한 적성 정보 생성 장치 및 방법
Kondraske Cognitive performance modeling based on general systems performance theory
Hu et al. Exploring the use of pulse waves as psychological indicators in learning