KR20170128260A - 다양하게 선택가능한 전문지식 내용을 포함하는 쌍방향 기능 훈련 내용의 공급을 가능하게 하는 구조, 장치 및 방법 - Google Patents

Abstract

본 발명은 모션-기반의 성능 및/또는 음성-기반의 성능을 모니터하기 위해 구비되는 성능 센서와 같은 하나 또는 그 이상의 성능 센서 유닛으로부터 입력되는 내용의 공급에 관한 것이다. 본 발명의 실시예는 그러한 내용의 생성, 분배 및 실행과 관련된 소프트웨어 및 하드웨어, 및 관련 방법을 포함한다. 다양한 기능의 훈련 내용에서, 전문가 지식 내용을 제공하는 기능 훈련 내용의 공급을 가능하게 하는 기술에 특별한 주의가 기울여졌다.

Description

다양하게 선택 가능한 전문지식 내용을 포함하는 쌍방향 기능 훈련 내용의 공급을 가능하게 하는 구조, 장치 및 방법

본 발명은, 동작 기반의 성능 및/또는 음성 기반의 성능을 모니터하기 위해 구비되는 성능 센서와 같은, 하나 또는 그 이상의 성능 센서 유닛으로부터 입력되는 내용의 공급에 관한 것이다. 본 발명의 실시예는, 그러한 내용의 생성, 분배 및 실행과 관련된 소프트웨어 및 하드웨어, 및 관련 방법을 포함한다.

본 명세서에 기재된 배경기술의 내용은, 어떠한 경우에도 그러한 기술이 널리 알려져 있다거나, 그 분야에서 통상적인 일반 지식의 일부를 형성하고 있음을 인정하는 것으로 간주되어서는 안된다.

인간의 활동 및 훈련 시스템을 모니터하는 센서들 간의 통합을 가능하게 하는 다양한 기술들이 개발되어 왔다. 예컨대 이러한 기술들은 스포츠 기반 훈련의 맥락에서 적용되어, 심박수, 구보 속도, 이동거리와 같은 특성을 모니터하여 사용자들에게 정보를 제공하여 왔다. 일반적으로, 이미 알려진 기술들은, 인간의 활동이 수행된 방식(예컨대 달리기에서 구보의 형태)의 분석을 가능하게 하는 것과는 대조적으로, 높은 레벨에서의 인간의 활동결과(예컨대 달리기에서 이동거리)에 대한 정보를 제공하는 것에 효과적이다. 따라서, 이러한 기술은 훈련 도구로는 유용한 반면, 인간의 성능을 평가하는 데 있어서 단지 피상적인 코스 도구만 제공하고 있다.

본 발명의 목적은, 적어도 다수의 실시예에서, 상기 종래기술의 문제점 중의 적어도 하나를 극복 또는 개선하거나, 유용한 대안을 제공하는데 있다.

다음의 요약된 실시예는, 아래의 상세한 설명에 개시된 기술적 관점의 선택에 기초하여, 잠재적인 특허 청구범위를 예시하기 위해 제공되었다. 이러한 실시예는, 추구하고자 하는 청구범위를 어떠한 형태로든 제한하고자 하는 것이 아니다.

일 실시예는, 사용자가 부분 성능 모니터링 하드웨어 장치의 작동을 설정하는 것을 가능하게 하는 컴퓨터 실행 방법을 제공하며, 상기 방법은, 고객 장치의 사용자가, 하나 이상의 기능과 연관된 내용의 다운로드 가능한 세트를 선택할 수 있도록 구비된 인터페이스를 제공하는 단계, 사용자가, 다운로드 가능한 내용의 선택된 세트 중 적어도 일부의 데이터 대표를, 사용자와 연관된 부분 성능 모니터링 하드웨어에 다운로드 가능하게 하는 단계를 포함하되, 상기 다운로드 하는 단계는, (ⅰ) 하나 또는 그 이상의 성능 센서 유닛의 세트가 정해진 방식에 의해 작동되도록 하여, 특정 기능으로 시도된 성능의 데이터 대표를 제공하는 데이터를 포함하는 센서 구성 데이터; (ⅱ) 처리장치가, 상기 하나 또는 그 이상의 성능 센서로부터 제공된 데이터에 기초하여, 특정 기능으로 시도된 성능의 특성을 파악하도록 하는 데이터를 포함하는 상태 엔진 데이터; (ⅲ) 특정 기능으로 시도된 성능의 특성 파악에 기초하여, 사용자 인터페이스의 작동을 가능하도록 구성된 데이터를 포함하는 사용자 인터페이스 데이터;를 다운로드 하고, 사용자가, 하나 또는 그 이상의 기능에 대한 다수의 전문 지식 내용에서 다운로드 가능한 내용을 선택하도록 하는 단계를 포함한다.

일 실시예는 컴퓨터 실행방법을 제공하며, 상기 컴퓨터 실행방법은, 상태 엔진 데이터의 제1세트와 관련된 제1 전문가 지식 내용과, 상태 엔진 데이터의 다른 제2세트와 관련된 제2의 전문가 지식 내용을 포함하고, 상기 상태 엔진 데이터의 다른 제2세트는, 상기 상태 엔진 데이터의 제1세트를 사용하여 확인되지 않은 하나 또는 그 이상의 전문가 특유의 성능 특성을 확인할 수 있도록 구성된다.

일 실시예는, 상기 전문가 특유의 성능 특성이, 전문가와 관련된 성능 스타일과 연관되는 컴퓨터 실행방법을 제공한다.

일 실시예는, 상기 성능 스타일이, 하나 또는 그 이상의 모션 센서 유닛으로부터 얻어진 데이터를 사용하여 관찰할 수 있는 정해진 몸 동작에 의해 나타나는 컴퓨터 실행방법을 제공한다.

일 실시예는, 상기 전문가 특유의 특성이, 전문가와 관련된 코칭 지식과 연관되는 컴퓨터 실행방법을 제공한다.

일 실시예는, 하나 또는 그 이상의 전문가 특유의 특성이, 객관적으로 코칭 특성을 형성할 수 있도록 구성된 프로세스를 기초로 하여 결정되는 컴퓨터 실행방법을 제공한다.

일 실시예는, 선택된 하나 또는 그 이상의 기능에 대하여, 제1의 선택가능한 전문가 지식 내용과, 제2의 선택가능한 전문가 지식 내용을 포함하는 컴퓨터 실행방법을 제공하며, 상기 제1의 선택가능한 전문가 지식 내용에 대해서는, 다운로드 가능한 데이터가, 성능 센서 유닛의 세트로부터 얻어진 데이터에서, 주어진 기능과 관련된 관찰가능한 데이터 상태의 제1세트를 확인하는 고객 장치를 형성하고, 제2의 선택가능한 전문가 지식 내용에 대해서는, 다운로드 가능한 데이터가, 성능 센서 유닛의 세트로부터 얻어진 데이터에서, 주어진 기능과 관련된 관찰가능한 데이터 상태의 다른 제2세트를 확인하는 고객 장치를 형성한다.

일 실시예는, 상기 제1세트의 관찰가능한 데이터 상태와 상기 제2세트의 관찰가능한 데이터 상태의 차이가, 각각의 전문가 지식 내용과 관련된 인간 전문가의 스타일 내용을 설명하는 컴퓨터 실행방법을 제공한다.

일 실시예는, 상기 제1세트의 관찰가능한 데이터 상태와 상기 제2세트의 관찰가능한 데이터 상태의 차이가, 각각의 전문가 지식 내용과 관련된 인간 전문가로부터 얻어진 코칭 어드바이스를 설명하는 컴퓨터 실행방법을 제공한다.

일 실시예는, 선택된 하나 또는 그 이상의 기능에 대하여, 제1의 선택가능한 전문가 지식 내용과, 제2의 선택가능한 전문가 지식 내용을 포함하는 컴퓨터 실행방법을 제공하며, 상기 제1의 선택가능한 전문가 지식 내용에 대해서는, 다운로드 가능한 데이터가, 주어진 기능과 관련된 관찰가능한 데이터 상태를 관찰하는 것에 대응하여, 사용자에게 제1의 피드백 데이터를 제공하고, 상기 제2의 선택가능한 전문가 지식 내용에 대해서는, 다운로드 가능한 데이터가, 주어진 기능과 관련된 관찰가능한 데이터 상태를 관찰하는 것에 대응하여, 제2의 피드백 데이터를 제공하는 컴퓨터 실행방법을 제공한다.

일 실시예는, 상기 제1세트의 피드백 데이터와 상기 제2세트의 피드백 데이터의 차이가, 각각의 전문가 지식 내용과 관련된 인간 전문가로부터 얻어진 코칭 어드바이스를 설명하는 컴퓨터 실행방법을 제공한다.

일 실시예는, 상기 제1세트의 피드백 데이터와 상기 제2세트의 피드백 데이터의 차이가, 각간의 전문가 지식 내용과 관련된 인간 전문가의 음성을 대표하는 다른 오디오 데이터인 컴퓨터 실행방법을 제공한다.

일 실시예는, 상기 성능 센서 유닛이 복수의 모션 센서 유닛을 포함하는 컴퓨터 실행방법을 제공한다.

일 실시예는, 상기 고객장치가, 복수의 모션 센서 유닛으로부터 얻어진 모션 센서 데이터를 가공하도록 구비된 POD 장치를 포함하고, 착용가능한 의복은, 모션 센서 데이터의 POD 장치에 전송이 용이하도록 구성되는 컴퓨터 실행방법을 제공한다.

일 실시예는, 복수의 센서 유닛 각각이, 가속도계, 자력계, 자이로스코프를 포함하는 컴퓨터 실행방법을 제공한다.

일 실시예는, 정해진 기능에 대해 기능 훈련 내용의 공급이 가능하도록 데이터를 생성하는 컴퓨터 실행방법을 제공하며, 상기 실행방법은, 관찰가능한 데이터 상태의 제1세트와 관찰가능한 데이터 상태의 제2세트를 생성하고, 상기 제1세트는, 하나 또는 그 이상의 성능 센서 유닛으로부터 얻어진 입력 데이터의 처리가 가능하도록 구성된 관찰가능한 데이터 상태를 포함하고, 상기 입력 데이터는, 사용자에 의해 정해진 기능의 신체 성능을 표시하여, 그 성능의 하나 또는 그 이상의 특성을 확인하며, 상기 제2세트는, 하나 또는 그 이상의 성능 센서 유닛으로부터 얻어진 입력 데이터의 처리가 가능하도록 구성된 관찰가능한 데이터 상태를 포함하고, 상기 입력 데이터는, 사용자에 의해 정해진 기능의 신체 성능을 표시하여, 이에 의해 그 성능의 하나 또는 그 이상의 특성을 확인하며, 상기 관찰가능한 데이터 상태의 제2세트는, 상기 관찰가능한 데이터 상태의 제1세트가 없는 상태에서, 하나 또는 그 이상의 전문가 특유의 관찰가능한 데이터 상태를 포함하고, 상기 하나 또는 그 이상의 전문가 특유의 관찰가능한 데이터 상태는, 관찰가능한 데이터 상태의 제1세트만을 사용하여 생성된 기능 훈련 내용에 관련되어 정해진 기능에 대해, 기능 훈련 내용의 전문가 지식 내용에 통합된다.

일 실시예는, 기능 훈련 내용의 상기 전문가 지식 내용이, 베이스라인 기능 수행 스타일에 관하여 특정의 인간 전문가와 관련된 스타일 내용을 설명하는 컴퓨터 실행방법을 제공한다.

일 실시예는, 기능 훈련 내용의 상기 전문가 지식 내용이, 베이스라인 코칭 지식에 관하여 특정의 인간 전문가와 관련된 코칭 지식 내용을 설명하는 컴퓨터 실행방법을 제공한다.

일 실시예는, 기능 훈련 내용의 상기 전문가 지식 내용이, 센서 형성 데이터와, 상태 엔진 데이터와, 사용자 인터페이스 데이터를 포함하는 컴퓨터 실행방법을 제공하고, 상기 센서 형성 데이터는, 정해진 방식대로 작동되도록 하는 하나 또는 그 이상의 성능 센서 유닛을 형성하여, 특정 기능으로 시도되는 성능의 데이터 대표를 제공하는 데이터를 포함하고, 상기 상태 엔진 데이터는, 처리장치가, 상기 하나 또는 그 이상의 성능 센서 유닛으로부터 제공되는 데이터에 기초하여, 특정 기능으로 시도되는 성능의 특징을 확인하는 데이터를 포함하고, 상기 사용자 인터페이스 데이터는, 상기 특정 기능으로 시도되는 성능의 확인된 특징에 기초하여, 사용자 인터페이스의 작동을 가능하게 하는 데이터를 포함한다.

일 실시예는, 상기 성능 센서 유닛은 복수의 모션 센서 유닛을 포함하는 컴퓨터 실행방법을 제공한다.

일 실시예는, 기능 훈련 내용의 상기 전문가 지식 내용이, 적어도 부분적으로, 복수의 모션 센서 유닛으로부터 얻어지는 모션 센서 데이터를 처리하기 위해 형성된 POD 장치를 포함하는 사용자 하드웨어 상에서 실행되는 컴퓨터 실행방법을 제공하고, 착용가능한 의복은, 모션 센서 데이터의 POD 장치에 전송이 용이하도록 구성된 복수의 센서 스트랜드를 제공한다.

일 실시예는, 복수의 센서 유닛 각각이, 가속도계, 자력계, 자이로스코프를 포함하는 컴퓨터 실행방법을 제공한다.

일 실시예는, 정해진 기능에 대하여, 하나 또는 그 이상의 사용자가 (ⅰ) 기능 훈련 내용의 표준 버전과, (ⅱ) 기능 훈련 내용의 전문가 지식 내용을 구매할 수 있도록 클라우드 방식의 장터가 형성되는 컴퓨터 실행방법을 제공한다.

일 실시예는, 정해진 기능에 대한 기능 훈련 내용의 공급을 가능하도록 형성되는 데이터를 생성하기 위한 컴퓨터 실행방법을 제공하며, 상기 실행방법은, 제1세트의 기능 훈련 내용을 생성하는 단계와, 제2세트의 기능 훈련 내용을 생성하는 단계를 포함하고, 상기 제1세트의 기능 훈련 내용은, 하나 또는 그 이상의 성능 센서 유닛으로부터 얻어진 입력 데이터의 처리에 기초하여, 정해진 기능에 대해 기능 훈련 프로그램의 공급을 가능하도록 형성되고, 상기 입력 데이터는 사용자에 의해 정해진 기능의 신체 성능을 표시하여, 이에 의해 그 성능의 하나 또는 그 이상의 특성을 확인하며, 상기 제2세트의 기능 훈련 내용은, 동일한 하나 또는 그 이상의 성능 센서 유닛으로부터 얻어진 입력 데이터의 처리가 가능하도록 형성된 관찰 가능한 데이터 상태를 포함하고, 상기 입력 데이터는 사용자에 의해 정해진 기능의 신체 성능을 표시하여, 이에 의해 그 성능의 하나 또는 그 이상의 특성을 확인하며, 상기 제2세트의 기능 훈련 내용은, 주어진 입력 데이터의 세트에 대응하여, 동일한 입력 데이터의 세트에 대응되는 기능 훈련 내용의 제1세트와 비교할 때, 다른 훈련 효과를 제공할 수 있도록 하여, 상기 제2세트의 기능 훈련 내용이, 기능 전문가 지식 내용의 기능 훈련 내용을 제공하도록 한다.

일 실시예는, 기능 훈련 내용의 상기 전문가 지식 내용이, 베이스라인 기능 수행 스타일에 관하여 특정의 인간 전문가와 관련된 스타일 내용을 설명하는 컴퓨터 실행방법을 제공한다.

일 실시예는, 기능 훈련 내용의 상기 전문가 지식 내용이, 베이스라인 코칭 지식에 관하여 특정의 인간 전문가와 관련된 코칭 지식 내용을 설명하는 컴퓨터 실행방법을 제공한다.

일 실시예는, 기능 훈련 내용의 상기 전문가 지식 내용이, 센서 형성 데이터와, 상태 엔진 데이터와, 사용자 인터페이스 데이터를 포함하는 컴퓨터 실행방법을 제공하고, 상기 센서 형성 데이터는, 정해진 방식대로 작동되도록 하는 하나 또는 그 이상의 성능 센서 유닛을 형성하여, 특정 기능으로 시도되는 성능의 데이터 대표를 제공하는 데이터를 포함하고, 상기 상태 엔진 데이터는, 처리장치가, 상기 하나 또는 그 이상의 성능 센서 유닛으로부터 제공되는 데이터에 기초하여, 특정 기능으로 시도되는 성능의 특징을 확인하는 데이터를 포함하고, 상기 사용자 인터페이스 데이터는, 상기 특정 기능으로 시도되는 성능의 확인된 특징에 기초하여 사용자 인터페이스의 작동을 가능하게 하는 데이터를 포함한다.

일 실시예는, 상기 성능 센서 유닛은 복수의 모션 센서 유닛을 포함하는 컴퓨터 실행방법을 제공한다.

일 실시예는, 기능 훈련 내용의 상기 전문가 지식 내용이, 적어도 부분적으로, 복수의 모션 센서 유닛으로부터 얻어지는 모션 센서 데이터를 처리하기 위해 형성된 POD 장치를 포함하는 사용자 하드웨어 상에서 실행되는 컴퓨터 실행방법을 제공하고, 착용가능한 의복은, 모션 센서 데이터의 POD 장치에 전송이 용이하도록 구성된 복수의 센서 스트랜드를 제공한다.

일 실시예는, 복수의 센서 유닛 각각이, 가속도계, 자력계, 자이로스코프를 포함하는 컴퓨터 실행방법을 제공한다.

일 실시예는, 정해진 기능에 대하여, 하나 또는 그 이상의 사용자가 (ⅰ) 기능 훈련 내용의 표준 버전과, (ⅱ) 기능 훈련 내용의 전문가 지식 내용을 구매할 수 있도록 클라우드 방식의 장터가 형성되는 컴퓨터 실행방법을 제공한다.

일 실시예는, 훈련 내용 데이터의 제1세트가 관찰가능한 데이터 상태의 제1세트과 관련되고, 훈련 내용 데이터의 제2세트가 관찰가능한 데이터 상태의 제2세트와 관련되는 컴퓨터 실행방법을 제공하며, 상기 훈련 내용 데이터의 제2세트는, 상기 훈련 내용 데이터의 제1세트에 의해 확인되지 않은 하나 또는 그 이상의 성능 특성을 확인하도록 구성된다.

일 실시예는, 훈련 내용 데이터의 제1세트가 원인과 증상을 매핑하는 제1프로토콜과 관련되고, 훈련 내용 데이터의 제2세트가 원인과 증상을 매핑하는 제2프로토콜과 관련되는 컴퓨터 실행방법을 제공하고, 상기 훈련 내용 데이터의 제2세트는, 증상과 원인 사이의 관계에서 적어도 하나의 전문가 특유의 관계를 제공한다.

일 실시예는, 훈련 내용 데이터의 제1세트가 미디어 내용의 제1세트와 관련되고, 훈련 내용 데이터의 제2세트가 미디어 내용의 제2세트와 관련되며, 상기 훈련 내용 데이터의 제2세트가, 특정 전문가 이름의 미디어 내용을 제공하도록 구성되는 컴퓨터 실행방법을 제공한다.

일 실시예는, 사용자에게, 선택된 복수의 전문가 중 하나와 관련된 훈련 데이터를 제공하는 부분 성능 모니터링 하드웨어 장치를 형성하도록 하기 위한 컴퓨퓨터 실행방법을 제공하며, 상기 실행방법은, 고객 장치의 사용자가, 훈련될 하나 또는 그 이상의 세트를 선택하도록 형성된 인터페이스를 제공하는 단계와; 사용자에게, 훈련될 하나 또는 그 이상의 기능에 대해 전문가 지식 내용을 선택하도록 하고, 훈련될 하나 또는 그 이상의 기능 세트에 복수의 전문가 지식 내용을 제공하는 단계와; 사용자가 훈련될 하나 또는 그 이상의 기능 세트와, 훈련될 하나 또는 그 이상의 기능 세트에 대한 전문가 지식 내용을 선택하도록 한 후, 사용자와 관련된 고객 장치에 다운로드 가능한 데이터를 제공하는 다운로드 처리가 가능하게 하는 단계를 포함하고, 상기 다운로드 가능한 데이터는, 고객 장치가, (ⅰ) 성능-모니터링 센서 세트로부터 얻어진 처리 데이터를 제공하여, 사용자에 의한 기능 중 하나의 신체 성능을 분석하도록 하는 처리 데이터와, (ⅱ) 상기 분석에 기초하여, 사용자 인터페이스 장치에 의해, 선택된 전문가 지식 내용에 특정된 훈련 데이터를 구성한다.

일 실시예는, 선택된 하나 또는 그 이상의 기능에 대하여, 제1의 선택가능한 전문가 지식 내용과, 제2의 선택가능한 전문가 지식 내용을 포함하는 컴퓨터 실행방법을 제공하며, 상기 제1의 선택가능한 전문가 지식 내용에 대해서는, 다운로드 가능한 데이터가, 성능 분석 센서의 세트로부터 얻어진 데이터에서, 주어진 기능과 관련된 관찰가능한 데이터 상태의 제1세트를 확인하는 고객 장치를 형성하고, 제2의 선택가능한 전문가 지식 내용에 대해서는, 다운로드 가능한 데이터가, 성능 분석 센서의 세트로부터 얻어진 데이터에서, 주어진 기능과 관련된 관찰가능한 데이터 상태의 다른 제2세트를 확인하는 고객 장치를 형성한다.

일 실시예는, 상기 제1세트의 관찰가능한 데이터 상태와 상기 제2세트의 관찰가능한 데이터 상태의 차이가, 각각의 전문가 지식 내용과 관련된 인간 전문가의 스타일 내용을 설명하는 컴퓨터 실행방법을 제공한다.

일 실시예는, 상기 제1세트의 관찰가능한 데이터 상태와 상기 제2세트의 관찰가능한 데이터 상태의 차이가, 각각의 전문가 지식 내용과 관련된 인간 전문가로부터 얻어진 코칭 어드바이스를 설명하는 컴퓨터 실행방법을 제공한다.

일 실시예는, 선택된 하나 또는 그 이상의 기능에 대하여, 제1의 선택가능한 전문가 지식 내용과, 제2의 선택가능한 전문가 지식 내용을 포함하는 컴퓨터 실행방법을 제공하며, 상기 제1의 선택가능한 전문가 지식 내용에 대해서는, 다운로드 가능한 데이터가, 주어진 기능과 관련된 관찰 가능한 데이터 상태를 관찰하는 것에 대응하여, 사용자에게 제1의 피드백 데이터를 제공하고, 상기 제2의 선택가능한 전문가 지식 내용에 대해서는, 다운로드 가능한 데이터가, 주어진 기능과 관련된 관찰 가능한 데이터 상태를 관찰하는 것에 대응하여, 제2의 피드팩 데이터를 제공하는 컴퓨터 실행방법을 제공한다.

일 실시예는, 상기 제1세트의 피드백 데이터와 상기 제2세트의 피드백 데이터의 차이가, 각각의 전문가 지식 내용과 관련된 인간 전문가로부터 얻어진 코칭 어드바이스를 설명하는 컴퓨터 실행방법을 제공한다.

일 실시예는, 상기 제1세트의 피드백 데이터와 상기 제2세트의 피드백 데이터의 차이가, 각간의 전문가 지식 내용과 관련된 인간 전문가의 음성을 대표하는 다른 오디오 데이터인 컴퓨터 실행방법을 제공한다.

일 실시예는, 상기 성능 센서 유닛이 복수의 모션 센서 유닛을 포함하는 컴퓨터 실행방법을 제공한다.

일 실시예는, 상기 고객장치가, 착용가능한 의복에 의해 수행되도록 하는 POD 장치를 포함하고, 상기 착용가능한 의복은, 착용가능한 의복에 의해 수행된 복수의 센서 유닛으로부터 얻어진 데이터를 POD 장치에 공급하도록 구성된 복수의 센서 스트랜드를 제공하는 컴퓨터 실행방법을 제공한다.

일 실시예는, 복수의 센서 유닛 각각이, 가속도계, 자력계, 자이로스코프를 포함하는 컴퓨터 실행방법을 제공한다.

일 실시예는, 사용자에게, 선택된 복수의 전문가 중 하나와 관련된 훈련 데이터를 제공하는 부분 성능 모니터링 하드웨어 장치를 형성하도록 하기 위한 시스템을 제공하며, 상기 시스템은, 고객 사용자 인터페이스 장치가, 고객 장치의 사용자가 훈련될 하나 또는 그 이상의 기능을 선택할 수 있도록 구성된 인터페이스와 소통할 수 있도록 구성된 서버를 포함하고, 상기 인터페이스는, 사용자가 훈련될 하나 또는 그 이상의 선택된 기능에 대해 전문가 지식 내용을 선택할수 있도록 하기 위해 부가적으로 구성되고, 훈련될 하나 또는 그 이상의 세트에 대해 복수의 전문가 지식 내용이 제공되며, 상기 시스템은, 사용자가 훈련될 하나 또는 그 이상의 기능 세트와, 훈련될 하나 또는 그 이상의 기능 세트에 대한 전문가 지식 내용을 선택하도록 한 후, 사용자와 관련된 고객 장치에 다운로드 가능한 데이터를 제공하는 다운로드 처리가 가능하도록 형성된 다운로드 관리자 요소를 포함하고, 상기 다운로드 가능한 데이터는, 고객 장치가, (ⅰ) 성능-모니터링 센서 세트로부터 얻어진 처리 데이터를 제공하여, 사용자에 의한 기능 중 하나의 신체 성능을 분석하도록 하는 처리 데이터와, (ⅱ) 상기 분석에 기초한 사용자 인터페이스 장치에 의해, 선택된 전문가 지식 내용에 특정된 훈련 데이터를 구성하도록 한다.

일 실시예는, 선택된 하나 또는 그 이상의 기능에 대하여, 제1의 선택가능한 전문가 지식 내용과, 제2의 선택가능한 전문가 지식 내용을 포함하는 컴퓨터 실행방법을 제공하며, 상기 제1의 선택가능한 전문가 지식 내용에 대해서는, 다운로드 가능한 데이터가, 성능 분석 센서 세트로부터 얻어진 데이터에서, 주어진 기능과 관련된 관찰가능한 제1의 데이터 상태를 확인하는 고객 장치를 구성하고, 제2의 선택가능한 전문가 지식 내용에 대해서는, 다운로드 가능한 데이터가, 성능 분석 센서 세트로부터 얻어진 데이터에서, 주어진 기능과 관련된 관찰가능한 제2의 다른 데이터 상태를 확인하는 고객 장치를 구성한다.

일 실시예는, 상기 제1세트의 관찰가능한 데이터 상태와 상기 제2세트의 관찰가능한 데이터 상태의 차이가, 각각의 전문가 지식 내용과 관련된 인간 전문가의 스타일 내용을 설명하는 컴퓨터 실행방법을 제공한다.

일 실시예는, 상기 제1세트의 관찰가능한 데이터 상태와 상기 제2세트의 관찰가능한 데이터 상태의 차이가, 각각의 전문가 지식 내용과 관련된 인간 전문가로부터 얻어진 코칭 어드바이스를 설명하는 컴퓨터 실행방법을 제공한다.

일 실시예는, 선택된 하나 또는 그 이상의 기능에 대하여, 제1의 선택가능한 전문가 지식 내용과, 제2의 선택가능한 전문가 지식 내용을 포함하는 컴퓨터 실행방법을 제공하며, 상기 제1의 선택가능한 전문가 지식 내용에 대해서는, 다운로드 가능한 데이터가, 주어진 기능과 관련된 관찰 가능한 데이터 상태를 관찰하는 것에 대응하여, 사용자에게 제1의 피드백 데이터를 제공하고, 상기 제2의 선택가능한 전문가 지식 내용에 대해서는, 다운로드 가능한 데이터가, 주어진 기능과 관련된 관찰 가능한 데이터 상태를 관찰하는 것에 대응하여, 제2의 피드팩 데이터를 제공하는 컴퓨터 실행방법을 제공한다.

일 실시예는, 상기 제1세트의 피드백 데이터와 상기 제2세트의 피드백 데이터의 차이가, 각각의 전문가 지식 내용과 관련된 인간 전문가로부터 얻어진 코칭 어드바이스를 설명하는 컴퓨터 실행방법을 제공한다.

일 실시예는, 상기 제1세트의 피드백 데이터와 상기 제2세트의 피드백 데이터의 차이가, 각각의 전문가 지식 내용과 관련된 인간 전문가의 음성을 대표하는 다른 오디오 데이터인 컴퓨터 실행방법을 제공한다.

일 실시예는, 상기 성능 센서 유닛이 복수의 모션 센서 유닛을 포함하는 컴퓨터 실행방법을 제공한다.

일 실시예는, 상기 고객장치가, 착용가능한 의복에 의해 수행되도록 하는 POD 장치를 포함하고, 상기 착용가능한 의복은, 착용가능한 의복에 의해 수행된 복수의 센서 유닛으로부터 얻어진 데이터를 POD 장치에 공급하도록 구성된 복수의 센서 스트랜드를 제공하는 컴퓨터 실행방법을 제공한다.

일 실시예는, 복수의 센서 유닛 각각이, 가속도계, 자력계, 자이로스코프를 포함하는 컴퓨터 실행방법을 제공한다.

일 실시예는, 사용자에게, 선택된 복수의 전문가 중 하나와 관련된 훈련 데이터를 제공하는 부분 성능 모니터링 하드웨어 장치를 형성하도록 하기 위한 방법을 제공하며, 상기 방법은, 고객 장치의 사용자가, 훈련될 하나 또는 그 이상의 세트를 선택하도록 형성된 인터페이스를 제공하는 단계와; 사용자에게, 훈련될 하나 또는 그 이상의 기능에 대해 전문가 지식 내용을 선택하도록 하고, 훈련될 하나 또는 그 이상의 기능 세트에 복수의 전문가 지식 내용을 제공하는 단계와; 사용자가 훈련될 하나 또는 그 이상의 기능 세트와, 훈련될 하나 또는 그 이상의 기능 세트에 대한 전문가 지식 내용을 선택하도록 한 후, 사용자와 관련된 고객 장치에 다운로드 가능한 데이터를 제공하는 다운로드 처리가 가능하게 하는 단계를 포함하고, 상기 다운로드 가능한 데이터는, 고객 장치가, (ⅰ) 성능-모니터링 센서 세트로부터 얻어진 처리 데이터를 제공하여, 사용자에 의한 기능 중 하나의 신체 성능을 분석하도록 하는 처리 데이터와, (ⅱ) 상기 분석에 기초한, 사용자 인터페이스 장치에 의해, 선택된 전문가 지식 내용에 특정된 훈련 데이터를 구성하도록 한다.

일 실시예는, 선택된 하나 또는 그 이상의 기능에 대하여, 제1의 선택가능한 전문가 지식 내용과, 제2의 선택가능한 전문가 지식 내용을 포함하는 방법을 제공하며, 상기 제1의 선택가능한 전문가 지식 내용에 대해서는, 다운로드 가능한 데이터가, 성능 분석 센서의 세트로부터 얻어진 데이터에서, 주어진 기능과 관련된 관찰가능한 데이터 상태의 제1세트를 확인하는 고객 장치를 형성하고, 제2의 선택가능한 전문가 지식 내용에 대해서는, 다운로드 가능한 데이터가, 성능 분석 센서의 세트로부터 얻어진 데이터에서, 주어진 기능과 관련된 관찰가능한 데이터 상태의 다른 제2세트를 확인하는 고객 장치를 형성한다.

일 실시예는, 상기 제1세트의 관찰가능한 데이터 상태와 상기 제2세트의 관찰가능한 데이터 상태의 차이가, 각각의 전문가 지식 내용과 관련된 인간 전문가의 스타일 내용을 설명하는 방법을 제공한다.

일 실시예는, 상기 제1세트의 관찰가능한 데이터 상태와 상기 제2세트의 관찰가능한 데이터 상태의 차이가, 각각의 전문가 지식 내용과 관련된 인간 전문가로부터 얻어진 코칭 어드바이스를 설명하는 방법을 제공한다.

일 실시예는, 선택된 하나 또는 그 이상의 기능에 대하여, 제1의 선택가능한 전문가 지식 내용과, 제2의 선택가능한 전문가 지식 내용을 포함하는 방법을 제공하며, 상기 제1의 선택가능한 전문가 지식 내용에 대해서는, 다운로드 가능한 데이터가, 주어진 기능과 관련된 관찰 가능한 데이터 상태를 관찰하는 것에 대응하여, 사용자에게 제1의 피드백 데이터를 제공하고, 상기 제2의 선택가능한 전문가 지식 내용에 대해서는, 다운로드 가능한 데이터가, 주어진 기능과 관련된 관찰 가능한 데이터 상태를 관찰하는 것에 대응하여, 제2의 피드팩 데이터를 제공하는 방법을 제공한다.

일 실시예는, 상기 제1세트의 피드백 데이터와 상기 제2세트의 피드백 데이터의 차이가, 각각의 전문가 지식 내용과 관련된 인간 전문가로부터 얻어진 코칭 어드바이스를 설명하는 방법을 제공한다.

일 실시예는, 상기 제1세트의 피드백 데이터와 상기 제2세트의 피드백 데이터의 차이가, 각각의 전문가 지식 내용과 관련된 인간 전문가의 음성을 대표하는 다른 오디오 데이터인 방법을 제공한다.

일 실시예는, 상기 성능 센서 유닛이 복수의 모션 센서 유닛을 포함하는 방법을 제공한다.

일 실시예는, 상기 고객장치가, 착용가능한 의복에 의해 수행되도록 하는 POD 장치를 포함하고, 상기 착용가능한 의복은, 착용가능한 의복에 의해 수행된 복수의 센서 유닛으로부터 얻어진 데이터를 POD 장치에 공급하도록 구성된 복수의 센서 스트랜드를 제공하는 방법을 제공한다.

일 실시예는, 복수의 센서 유닛 각각이, 가속도계, 자력계, 자이로스코프를 포함하는 방법을 제공한다.

일 실시예는, 사용자에게, 선택된 복수의 전문가 중 하나와 관련된 훈련 데이터를 제공하는 부분 성능 모니터링 하드웨어 장치를 형성하도록 하기 위한 시스템을 제공하며, 상기 시스템은, 고객 사용자 인터페이스 장치가, 고객 장치의 사용자가 훈련될 하나 또는 그 이상의 기능을 선택할 수 있도록 구성된 인터페이스와 소통할 수 있도록 구성된 서버를 포함하고, 상기 인터페이스는, 사용자가 훈련될 하나 또는 그 이상의 선택된 기능에 대해 전문가 지식 내용을 선택할 수 있도록 하기 위해 부가적으로 구성되고, 훈련될 하나 또는 그 이상의 세트에 대해 복수의 전문가 지식 내용이 제공되며, 상기 시스템은, 사용자가 훈련될 하나 또는 그 이상의 기능 세트와, 훈련될 하나 또는 그 이상의 기능 세트에 대한 전문가 지식 내용을 선택하도록 한 후, 사용자와 관련된 고객 장치에 다운로드 가능한 데이터를 제공하는 다운로드 처리가 가능하도록 형성된 다운로드 관리자 요소를 포함하고, 상기 다운로드 가능한 데이터는, 고객 장치가, (ⅰ) 성능-모니터링 센서 세트로부터 얻어진 처리 데이터를 제공하여, 사용자에 의한 기능 중 하나의 신체 성능을 분석하도록 하는 처리 데이터와, (ⅱ) 상기 분석에 기초한 사용자 인터페이스 장치에 의해, 선택된 전문가 지식 내용에 특정된 훈련 데이터를 구성하도록 한다.

일 실시예는, 선택된 하나 또는 그 이상의 기능에 대하여, 제1의 선택가능한 전문가 지식 내용과, 제2의 선택가능한 전문가 지식 내용을 포함하는 시스템을 제공하며, 상기 제1의 선택가능한 전문가 지식 내용에 대해서는, 다운로드 가능한 데이터가, 성능 분석 센서 세트로부터 얻어진 데이터에서, 주어진 기능과 관련된 관찰가능한 제1의 데이터 상태를 확인하는 고객 장치를 구성하고, 제2의 선택가능한 전문가 지식 내용에 대해서는, 다운로드 가능한 데이터가, 성능 분석 센서 세트로부터 얻어진 데이터에서, 주어진 기능과 관련된 관찰가능한 제2의 다른 데이터 상태를 확인하는 고객 장치를 구성한다.

일 실시예는, 상기 제1세트의 관찰가능한 데이터 상태와 상기 제2세트의 관찰가능한 데이터 상태의 차이가, 각각의 전문가 지식 내용과 관련된 인간 전문가의 스타일 내용을 설명하는 시스템을 제공한다.

일 실시예는, 상기 제1세트의 관찰가능한 데이터 상태와 상기 제2세트의 관찰가능한 데이터 상태의 차이가, 각각의 전문가 지식 내용과 관련된 인간 전문가로부터 얻어진 코칭 어드바이스를 설명하는 시스템을 제공한다.

일 실시예는, 선택된 하나 또는 그 이상의 기능에 대하여, 제1의 선택가능한 전문가 지식 내용과, 제2의 선택가능한 전문가 지식 내용을 포함하는 시스템을 제공하며, 상기 제1의 선택가능한 전문가 지식 내용에 대해서는, 다운로드 가능한 데이터가, 주어진 기능과 관련된 관찰 가능한 데이터 상태를 관찰하는 것에 대응하여, 사용자에게 제1의 피드백 데이터를 제공하고, 상기 제2의 선택가능한 전문가 지식 내용에 대해서는, 다운로드 가능한 데이터가, 주어진 기능과 관련된 관찰 가능한 데이터 상태를 관찰하는 것에 대응하여, 제2의 피드팩 데이터를 제공하는 컴퓨터 실행방법을 제공한다.

일 실시예는, 상기 제1세트의 피드백 데이터와 상기 제2세트의 피드백 데이터의 차이가, 각각의 전문가 지식 내용과 관련된 인간 전문가로부터 얻어진 코칭 어드바이스를 설명하는 시스템을 제공한다.

일 실시예는, 상기 제1세트의 피드백 데이터와 상기 제2세트의 피드백 데이터의 차이가, 각간의 전문가 지식 내용과 관련된 인간 전문가의 음성을 대표하는 다른 오디오 데이터인 시스템을 제공한다.

일 실시예는, 상기 성능 센서 유닛이 복수의 모션 센서 유닛을 포함하는 시스템을 제공한다.

일 실시예는, 상기 고객장치가, 착용가능한 의복에 의해 수행되도록 하는 POD 장치를 포함하고, 상기 착용가능한 의복은, 착용가능한 의복에 의해 수행된 복수의 센서 유닛으로부터 얻어진 데이터를 POD 장치에 공급하도록 구성된 복수의 센서 스트랜드를 제공하는 시스템을 제공한다.

일 실시예는, 복수의 센서 유닛 각각이, 가속도계, 자력계, 자이로스코프를 포함하는 시스템을 제공한다.

일 실시예는, 착용가능한 의복을 제공하고, 상기 착용가능한 의복은, 복수의 센서 스트랜드(strand)와, 센서 스트랜드 연결 포트와, 중앙 처리장치를 포함하고, 상기 각 센서 스트랜드는 하나 또는 그 이상의 센서 유닛을 포함하고, 상기 각 센서 유닛은 (ⅰ) 마이크로프로세서와, (ⅱ) 메모리 모듈과, (ⅲ) 하나 또는 그 이상의 모션 센서 부품의 세트를 포함하고, 상기 센서 스트랜드 연결 포트는 복수의 센서 스트랜드를 중앙 처리장치에 연결하도록 구비되며, 상기 센서 처리장치는 (ⅰ) 전원 공급부와, (ⅱ) 마이크로프로세서와, (ⅲ) 메모리 모듈을 포함하고, 상기 메모리 모듈은, 상기 마이크로프로세서에 의해 실행된 소프트웨어 설명을 저장하도록 구성되어, 상기 처리장치가, 복수의 연결 센서 유닛으로부터 중앙 처리장치에 의해 수신된 센서 데이터에서, 미리 정해진 관찰가능한 데이터 상태의 하나 또는 그 이상의 세트를 확인하도록 한다.

일 실시예는, 착용가능한 의복을 제공하고, 상기 착용가능한 의복은, 복수의 센서 스트랜드와, 센서 스트랜드 연결 포트를 포함하고, 상기 각 센서 스트랜드는, 각 센서 유닛의 연결 및 마운팅이 가능하도록 형성되는 하나 또는 그 이상의 마운팅 장소를 포함하고, 상기 각 센서 유닛은 (ⅰ) 마이크로프로세서와, (ⅱ) 메모리 모듈과, (ⅲ) 하나 또는 그 이상의 모션 센서 부품의 세트를 포함하고, 상기 센서 스트랜드 연결 포트는 복수의 센서 스트랜드를 중앙 처리장치에 연결하도록 구비되며, 상기 마운팅 장소는 중앙 처리장치의 연결 및 마운팅이 가능하도록 구비되고, 상기 센서 처리장치는 (ⅰ) 전원 공급부와, (ⅱ) 마이크로프로세서와, (ⅲ) 메모리 모듈을 포함하고, 상기 메모리 모듈은, 상기 마이크로프로세서에 의해 실행된 소프트웨어 설명을 저장하도록 구성되어, 상기 처리장치가, 복수의 연결 센서 유닛으로부터 중앙 처리장치에 의해 수신된 센서 데이터에서, 미리 정해진 관찰가능한 데이터 상태의 하나 또는 그 이상의 세트를 확인하도록 한다.

일 실시예는, 상기 방법을 수행하기 위한 컴퓨터 프로그램 제품을 제공한다.

일 실시예는, 컴퓨터 실행 코드가 처리장치에서 실행될 때, 처리장치가 상기 방법을 수행하도록 하는 비일시적인 캐리어 매체를 제공한다.

일 실시예는, 상기 방법을 수행하도록 구성되는 시스템을 제공한다.

본 명세서에서 "일 실시예", "다른 실시예" 또는 "실시예"라 함은, 그 실시예와 관련하여 기술된 특별한 특징, 구조 또는 특성이, 본 발명의 적어도 하나의 실시예에 포함되는 것을 의미한다. 따라서 본 명세서의 여러 곳에서 사용된 "일 실시예에서", "다른 실시예에서", "실시예에서"라는 문구는, 반드시 동일한 실시예를 가리키는 것은 아니지만, 동일한 실시예를 가리킬 수도 있다. 더욱이 상기한 특별한 특징, 구조 또는 특성은, 본 발명의 개시로부터 해당 기술분야의 통상의 기술자에게 명백한 것으로 되어, 하나 또는 그 이상의 실시예에 적절한 방식으로 결합될 수 있다.

본 명세서에서 일반적인 대상을 기술하기 위해 사용된 "제1", "제2", "제3" 등과 같은 서수 형용사는, 달리 명시하지 않는 한, 단지 유사한 대상의 다른 예를 나타내는 것으로서, 그 대상이 주어진 순서, 일시적 또는 부분적 서열 또는 다른 방식을 의미하는 것은 아니다.

본 명세서 및 청구항에 기재된 용어에서 "comprising", "comprised of" 또는 "which comprises"의 의미는 개방형 용어로서, 이는 적어도 뒤따르는 구성요소/특징을 포함한다는 것이며, 다른 것을 배제한다는 의미는 아니다. 따라서 본 청구범위에서 포함한다는 용어는, 뒤따르는 수단, 구성요소 또는 단계에 한정하는 것으로 해석되어서는 아니된다. 예컨대, 어떤 장치가 A와 B를 포함한다는 표현의 범위는, 그 장치가 단지 구성요소 A와 B만으로 구성되는 것으로 한정되지 아니한다. 본 명세서에서 사용된 "including", "which includes" 또는 "that includes" 용어 역시 개방형 용어로서, 적어도 뒤따르는 구성요소/특징을 의미하고, 다른 것을 배제한다는 의미는 아니다. 따라서 "including"은 "comprising"과 동의어이고 같은 의미이다.

본 명세서에서는, 특징을 나타내는 것과는 대조적으로, 실예를 제공하기 위한 의미로 "전형적인"이라는 용어가 사용되었다. 즉, "전형적인 실시예"라 함은, 반드시 전형적인 특성을 의미하는 것과는 대조적으로, 하나의 실예로서 제공된 실시예를 의미한다.

이하 본 발명의 내용을 첨부된 도면을 참고하여 단지 예시적인 실시예를 통해 설명한다.

도 1a는 본 발명의 일 실시예에 따라 내용의 생성 및 공급이 가능하도록 하는 구조를 개략적으로 나타낸 도면.
도 1b는 본 발명의 다른 실시예에 따라 내용의 생성 및 공급이 가능하도록 하는 구조를 개략적으로 나타낸 도면.
도 2a는 본 발명의 일 실시예에 따른 기능 분석 방법을 나타낸 도면.
도 2b는 본 발명의 일 실시예에 따른 기능 분석 방법을 나타낸 도면.
도 2c는 본 발명의 일 실시예에 따른 기능 분석 방법을 나타낸 도면.
도 2d는 본 발명의 일 실시예에 따른 기능 분석 방법을 나타낸 도면.
도 2e는 본 발명의 일 실시예에 따른 기능 분석 방법을 나타낸 도면.
도 3은 본 발명의 일 실시예에 따른 사용자 인터페이스를 위한 사용자 인터페이스 디스플레이를 나타낸 도면.
도 4a는 데이터 수집 테이블의 실예를 나타낸 도면.
도 4b는 데이터 수집 테이블의 실예를 나타낸 도면.
도 5는 본 발명의 일 실시예에 따른 SIM 분석 방법을 나타낸 도면.
도 6은 본 발명의 일 실시예에 따른 SIM 분석 방법을 나타낸 도면.
도 7은 본 발명의 일 실시예에 따른 ODC 분석 방법을 나타낸 도면.
도 8a는 본 발명의 일 실시예에 따른 처리 흐름을 나타낸 도면.
도 8b는 본 발명의 일 실시예에 따른 처리 흐름을 나타낸 도면.
도 8c는 본 발명의 일 실시예에 따른 처리 흐름을 나타낸 도면.
도 8d는 본 발명의 일 실시예에 따른 샘플 분석 단계를 나타낸 도면.
도 8e는 본 발명의 일 실시예에 따른 데이터 분석 단계를 나타낸 도면.
도 8f는 본 발명의 일 실시예에 따른 실행 단계를 나타낸 도면.
도 8g는 본 발명의 일 실시예에 따른 표준화 방법을 나타낸 도면.
도 8h는 본 발명의 일 실시예에 따른 분석 방법을 나타낸 도면.
도 8i는 본 발명의 일 실시예에 따른 분석 방법을 나타낸 도면.
도 9a는 서버측 및 고객측 부품을 포함하는 구조의 실예를 나타낸 도면.
도 9b는 서버측 및 고객측 부품을 포함하는 구조의 다른예를 나타낸 도면.
도 9c는 서버측 및 고객측 부품을 포함하는 구조의 다른예를 나타낸 도면.
도 9d는 서버측 및 고객측 부품을 포함하는 구조의 다른예를 나타낸 도면.
도 10a는 실예 프레임의 작동을 나타낸 도면.
도 10b는 다른 실예 프레임의 작동을 나타낸 도면.
도 10c는 다른 실예 프레임의 작동을 나타낸 도면.
도 11a는 본 발명의 일 실시예에 따른 사용자 장비의 작동 방법을 나타낸 도면.
도 11b는 본 발명의 일 실시예에 따른 내용 생성 방법을 나타낸 도면.
도 12a는 본 발명의 일 실시예에 따른 성능 분석 장비를 나타낸 도면.
도 12b는 본 발명의 일 실시예에 따른 성능 분석 장비를 나타낸 도면.
도 12c는 본 발명의 일 실시예에 따른 성능 분석 장비를 나타낸 도면.
도 12d는 본 발명의 일 실시예에 따른 성능 분석 장비를 나타낸 도면.
도 12e는 본 발명의 일 실시예에 따른 모션 센서 유닛 장착 의복 배치를 나타낸 도면.
도 12f는 본 발명의 일 실시예에 따른 모션 센서 유닛 장착 의복 배치와, 연결장비의 일례를 나타낸 도면.
도 12g는 본 발명의 일 실시예에 따른 모션 센서 유닛 장착 의복 배치와, 연결장비의 일례를 나타낸 도면.
도 12h는 본 발명의 일 실시예에 따른 모션 센서 유닛을 나타낸 도면.
도 12i는 본 발명의 일 실시예에 따른 모션 센서 유닛과 하우징을 나타낸 도면.
도 13a는 힌지 조인트의 모양을 개략적으로 나타낸 도면.
도 13b는 엘보우 조인트의 모양을 개략적으로 나타낸 도면.
도 13c는 조인트의 모양을 개략적으로 나타낸 도면.
도 13d는 사람 팔에 대한 조인트 움직임을 개략적으로 나타낸 도면.
도 14는 본 발명의 일 실시예에 따른 기타 강습 배치를 나타낸 도면.
도 15는 모션 센서 유닛 장착 의복 실예의 일부를 나타낸 도면.
도 16은 본 발명의 일 실시예에 따른 교육 루프의 일예를 나타낸 도면.
도 17은 구조의 다른 예를 처리 흐름과 함께 나타낸 도면.

본 명세서에 기재된 실시예는 기술적 구조에 관한 것으로서, 사용자의 기능 성능이 성능 센서 유닛(PSU: Performance Sensor Unit)을 사용하여 관찰되고, 상기 성능 센서 유닛들로부터 얻어진 데이터는, 사용자의 기능 성능의 특성을 결정하기 위해 처리된다. 예컨대, 사용자 기능 성능의 특성은, 기능 훈련을 제공하기 위해 구성된 컴퓨터 프로그램 등의 컴퓨터 프로그램을 구동하기 위해 사용된다. 다른 실시예에서, 사용자 기능 성능의 특성은, 복수 사용자의 경쟁 활동 등을 제공하기 위한 다른 목적을 위해 결정된다.

기능 훈련 상황에서는, 상기 구조가 성능 센서 유닛을 활용하여, 성능 특성의 데이터 대표를 수집하고, 사용자에게 피드백(Feedback) 및/또는 설명을 제공하여, 사용자가 그의/그녀의 성능을 개선하는데 도움을 준다. 예컨대, 사용자에게 코칭 어드바이스(coaching advice)를 제공하고, 특별히 요구되는 기본적인 보조 기능 등을 개발하기 위해 사용자가 특별한 연습을 수행하도록 지시하는 것을 포함할 수 있다. 성능 센서 유닛을 통해 실질적인 실시간으로 사용자 성능을 관찰하는 것에 의해, 제공된 피드백/설명에 기초하여 사용자의 성능 특성이 향상되었는지의 여부를 관찰하는 것을 기반으로 하는 훈련 프로그램이 적용될 수 있다. 예컨대, 연속적인 성능 시도의 반복 과정에서 성능 특성의 변화를 관찰하여, 제공된 피드백/설명이 성공적이었는지 아닌 지의 여부를 나타낼 수 있다. 이는 광범위한 자동 적용 기능 훈련 프로그램의 생성 및 공급을 가능하게 한다.

기능 성능의 형태는 실시예에 따라 변화하며, 아래의 일반적인 두개의 카테고리는 실시예를 위한 목적으로 사용되었다.

● 인간의 모션-기반(motion-based) 기능 성능

이러한 성능들은, 인간의 동작 특성이 기능의 특성을 규정하는 것을 나타낸다. 예컨대 모션-기반 성능은, 본질적으로 수행자의 신체 움직임을 포함하는 어떠한 신체의 기능을 포함한다. 모션-기반 성능의 중요한 분류의 하나는, 스포츠 활동에 사용되는 기능의 성능이다.

● 오디오-기반(audio-based) 기능 성능

이러한 성능들은, 청각적으로 인지할 수 있는 특성이 기능의 특성을 규정하는 것을 나타낸다. 예컨대 오디오-기반 기능 성능은, 음악 및/또는 언어 성능을 포함한다. 오디오-기반 기능 성능의 중요한 분류의 하나는, 악기를 연주하는 것과 관련된 기능의 성능이다.

아래의 예는 비교적 기술적으로 도전적인 예의 모션-기반 기능 성능에 집중되었지만, 모션-기반 기능의 관점에서 적용된 원칙은, 다른 상황에도 즉시 적용될 수 있다. 예컨대 성능 센서 유닛(PSU)으로부터 얻어진 데이터에서 관찰가능한 데이터 상태(ODS: Observable Data State)를 사용하는 개념은, 동작, 오디오, 기타 다른 형태의 성능 사이에도 동일하게 적용될 수 있다.

다른 실시예는 컴퓨터 실행 구조에 관한 것으로서, 이는 최종 사용자가 성능 관찰 상황에서 경험한 내용의 확정, 공급 및 실행을 가능하게 한다. 이는 사용자에게 쌍방향의 기능 훈련을 제공하는 내용을 포함하여, 사용자의 기능 성능을 관찰하도록 구성된 하나 또는 그 이상의 성능 센서 유닛으로부터 얻어진 성능 센서 데이터(PSD)를 처리하는 것에 의해, 사용자의 기능 성능을 분석하도록 한다.

다양한 실시예가, 처음부터 끝까지의 전체적인 구조를 참조하여 아래에 설명되었다. 전체적인 구조는 그 구성요소들의 내용을 제공하기 위한 것으로서, 일부 구조는 다른 내용에도 적용될 수 있다. 아래의 청구범위에는 비록 처음부터 끝까지의 전체적인 구조의 일부 측면에 대해서 기재되어 있지만, 발명의 내용은 그 구성요소들의 광범위한 범위에 있는 것으로 이해되어야 한다(그렇게 특별하게 명시하지 않았다 하더라도). 예컨대 본 발명의 내용은 여기에 기재된 기술 및 방법의 관점에 걸쳐 구체화되며, 다음의 내용을 포함하되 이에 한정되지는 아니한다: (ⅰ) 기능 분석을 통한 정해진 특성의 이해; (ⅱ) 프로토콜(Protocol)의 확정을 통해, 하나 또는 그 이상의 성능 센서 유닛을 사용하여 기능을 자동적으로 분석, (ⅲ) 자동화된 분석을 이용한 내용의 확정 및 공급에 의해, 기능 훈련 등과 같은 쌍방향의 최종 사용 내용(Contents)을 공급, (ⅳ) 기능 훈련 프로그램의 적용을 실행, (ⅴ) 최종 사용자에게 내용을 용이하게 공급할 수 있는 하드웨어 및 소프트웨어 (ⅵ) 최종 사용자가 내용을 용이하게 경험할 수 있도록 하는 하드웨어 및 소프트웨어, (ⅶ) 인간 활동을 모니터링하기 위한 복수의 모션 센서의 구성 및 실행을 용이하게 하기 위해 개발된 기술 및 방법,

<용어>

아래에 기술되는 실시예의 목적을 위해, 다음과 같은 용어들이 사용되었다:

● 성능 센서 유닛(PSU: Performance Sensor Unit)

성능 센서는, 신체적인 성능의 모니터링에 대응하여 데이터를 생성하기 위해 구성된 하드웨어 장치이다. 여기서는 모션 데이터와 오디오 데이터를 처리하기 위해 구성된 센서 유닛이 예로서 고려되었지만, 여기에 한정되지 아니하는 것으로 이해되어야 한다.

● 성능 센서 데이터(PSD: Performance Sensor Data)

성능 센서 유닛에 의해 공급된 데이터를 성능 센서 데이터라 한다. 이 데이터는 성능 센서 유닛으로부터의 완전 로 데이터(raw data) 또는 그 데이터의 일부(예컨대 압축, 축소된 모니터링, 샘플링 비율 등에 기초한)를 포함할 수 있다.

● 오디오 센서 유닛(ASU: Audio Sensor Unit)

오디오 센서 유닛은, 성능 센서 유닛 카테고리의 하나인 하드웨어 장치로, 소리의 모니터링에 대응하여 데이터를 생성하고 전송하도록 구성된다. 일 실시예에서, 오디오 센서 유닛은 소리, 및/또는 진동 효과를 모니터하도록 구성되어, 이를 디지털 신호(예컨대 MIDI 신호)로 변환한다. 오디오 센서 유닛의 일례로, 현악기의 기계적 진동을 포착하여 이를 전기적 신호로 변환하도록 구성된 변환기를 포함하는 픽업 장치가 있다.

● 오디오 센서 데이터(ASD: Audio Sensor Data)

이는 하나 또는 그 이상의 오디오 센서 유닛으로부터 공급된 데이터이다.

● 모션 센서 유닛(MSU: Motion Sensor Unit)

모션 센서는 성능 센서 유닛 카테고리의 하나인 하드웨어 장치로, 사용자의 동작에 대응하여 데이터를 생성하고 전송하도록 구성된다. 이 데이터는, 많은 경우에 로컬(local) 참조 프레임과 관련하여 정해진다. 모션 센서 유닛은, 하나 또는 그 이상의 가속도계; 하나 또는 그 이상의 자력계로부터 얻어진 데이터; 그리고 하나 또는 그 이상의 자이로스코프(gyroscope)로부터 얻어진 데이터를 포함할 수 있다. 바람직한 것은, 하나 또는 그 이상의 3축 가속도계, 하나의 3축 자력계, 그리고 하나의 3축 자이로스코프를 사용하는 것이다. 모션 센서 유닛은 입거나 착용할 수 있는데, 이는 신체의 고정된 위치에 마운팅될 수 있도록 구비되는 것을 의미한다(예컨대 의복을 통해).

● 모션 센서 데이터(MSD: Motion Sensor Data)

모션 센서 유닛으로부터 공급된 데이터를 모션 센서 데이터라 한다. 이는 모션 센서 유닛으로부터의 완전 로 데이터(raw data) 또는 그 데이터의 일부(예컨대 압축, 축소된 모니터링, 샘플링 비율 등에 기초한)를 포함할 수 있다.

● 모션 센서 유닛 장착 의복(MSU-enabled garment)

모션 센서 유닛 장착 의복은, 복수의 모션 센서 유닛을 장착하기 위해 구성된 의복(예컨대 셔츠 또는 바지)이다. 일 실시예에서, 모션 센서 유닛은, 의복에 형성되어 있는 특정의 장착 부분에 장착이 가능하고(제거 가능한 방식으로 장착되어, 각각의 모션 센서 유닛이 제거되고 교체될 수 있도록 하는 것이 바람직하다), 통신 라인에 연결된다.

● POD 장치

POD 장치는, 성능 센서 데이터(예컨대 모션 센서 유닛으로부터의 모션 센서 데이터)를 수신하는 처리장치이다. 일 실시예에서 이는 모션 센서 유닛 장착 의복에 의해 수행되고, 다른 실시예에서는 분리된 장치일 수 있다(예컨대 일 실시예에서, 상기 POD 장치는 스마트폰과 연결된 처리장치이고, 다른 실시예에서, 상기 POD 장치의 기능은, 스마트폰 또는 모바일 장치에 의해 제공된다). 일 실시예에서 상기 모션 센서 데이터는 유선 연결에 의해 수신되고, 다른 실시예에서는 무선 연결에 의해 수신되며, 또 다른 실시예에서는 무선 및 유선 연결의 결합에 의해 연결된다. 본 명세서에 기재된 바와 같이, 상기 POD 장치는, 모션 센서 데이터를 처리하여 모션 센서 데이터에서 데이터의 상태를 확인하는 역할을 한다(예컨대 하나 또는 그 이상의 증상이 존재하는지를 확인하도록 한다). 일 실시예에서, POD 장치의 역할은, 스마트폰과 같은 최종 사용자의 다목적 하드웨어 장치에 의해 전부 또는 일부가 수행된다. 일 실시예에서, 성능 센서 데이터 처리의 적어도 일부는, 클라우드-기반(cloud-based) 서비스에 의해 수행된다.

● 모션 캡쳐 데이터(MCD: Motion Capture Data)

모션 캡쳐 데이터는, 이용가능한 모션 캡쳐 기술을 사용하여 얻어진 데이터를 말한다. 이점에 있어서, 모션 캡쳐(motion capture)라 함은, 예컨대 대상물의 정해진 장소에 장착된 시각 마커(visual marker)를 사용하여 캡쳐 장치로 동작의 데이터 대표를 포착하는 데 사용되는 기술을 가리킨다. 비콘(Vicon)에 의해 제공되는 모션 캡쳐 기술이 그 예이다(본 발명자/출원인과 비콘 사이에는 아무런 관계가 없는 것으로 보여진다). 이하에서 설명하는 바와 같이, 모션 캡쳐 데이터는, 시각적인 관찰과 모션 캡쳐 관찰 사이의 연결을 제공하기 위해 바람직하게 사용될 수 있다.

● 기능(Skill)

동작 기반 활동의 형태에서 기능이라 함은 개인적 동작(또는 연결된 동작의 세트)를 말하며, 이는 예컨대 코칭(coaching) 내용의 형태로, 시각적으로 및/또는 모션 센서 데이터를 통해 관찰된다. 상기 기능은, 예컨대, 로잉(rowing) 동작, 축구 킥(kick)의 특정 카테고리, 골프 스윙의 특정 카테고리, 특정의 곡예 조종 등일 수 있다. 참고로 서브 기능(sub-skill)도 명시하였다. 이는, 훈련되고 있는 기능과, 그 기능의 일부를 구성하는 작은 기능 또는 그 기능의 기초를 형성하는 기능을 구별하기 위한 것이다. 예컨대, 저글링(juggling) 형태의 기능 형태에서, 서브 기능은, 같은 손에서 볼을 던지고 받는 것을 포함한다.

● 증상(Symptom)

증상이라 함은 관찰될 수 있는 기능의 특성을 말한다(예컨대, 최초의 기능 분석 형태에서 시각적으로 관찰되고, 그리고 최종 사용자 환경의 형태에서 모션 센서 데이터의 처리에 의해 관찰되는 것을 말한다). 실질적인 용어로서, 증상이라 함은, 그 의미와 관련된 기능의 관찰가능한 동작 특성을 말한다. 예컨대, 증상의 확인은, 자동화된 코칭 프로세스의 공급에 있어서 동작을 일으키게 한다. 증상은, 시각적으로 관찰되거나(전통적인 코칭 형태), 또는 성능 센서 데이터(본 명세서에서 설명된 자동적으로 적용가능한 기능 훈련의 공급 형태)를 통해 관찰될 수 있다.

● 원인(Cause)

증상은, 적어도 일 실시예에서, 하나의 원인과 관련된다(예컨대 주어진 증상은 하나 또는 그 이상의 원인과 관련될 수 있다). 또한 원인은, 다른 실시예에서, 모션 센서 데이터로부터 관찰될 수 있지만, 이것이 반드시 본질적인 것은 아니다. 코칭의 관점에서 볼 때 하나의 접근법은, 먼저 증상을 확인하고, 그 다음 그 증상에 대한 원인을 결정/예측하는 것이다(예컨대 결정은 모션 센서 데이터의 분석을 통한 것일 수 있고, 예측은 모션 센서 데이터의 분석이 아닌 다른 수단일 수 있다). 그리고, 상기 결정/예측된 원인은, 코칭 피드백(coaching feedback)에 의해 처리되고, 뒤따르는 성능 평가에 의해 처리되어, 상기 코칭 피드백이 그 증상을 처리하는 데 성공적이었는지의 여부를 결정할 수 있다.

● 관찰가능한 데이터 상태(OCD: Observable Data Condition)

관찰가능한 데이터 상태라는 용어는, 모션 센서 데이터(전형적으로, 관찰가능한 데이터 상태 또는 예측되는 관찰가능한 데이터 상태 세트에 기초한 데이터)와 같은 성능 센서 데이터에서 관찰될 수 있고, 후속의 기능이 동작하도록 하는 상태를 기술하는데 사용된다. 예컨대 관찰가능한 데이터 상태는, 주어진 증상(또는 원인)에 대해 규정될 수 있다; 만일 그 관찰가능한 데이터 상태가, 주어진 기능에 대해 모션 센서 데이터에서 확인되면, 그 기능에 관련된 증상(또는 원인)이 존재하는 것으로 결정된다. 이는 훈련 프로그램에서 이벤트를 작동시키도록 한다.

● 훈련 프로그램(training program)

훈련 프로그램이란 용어는, 소프트웨어 설명의 실행을 통해 공급된 쌍방향 프로세스를 기술하기 위해 사용되었고, 상기 소프트웨어는, 최종 사용자에게, 그 성능을 어떻게 수정하고, 향상시키고, 또는 다르게 조정하는 것과 관련하여, 수행 및 피드백 방법에 대한 설명을 제공한다. 아래에 기술된 적어도 일 실시예에서, 상기 훈련 프로그램은 "적응성 훈련 프로그램"으로서, 이는 관련된 최종 사용자의 분석(예컨대 그 기능의 분석, 및/또는 정신적 및/또는 육체적 특성과 같은 개인적 특성의 분석)에 기초하여, 처리과정의 지시, 피드백의 선택 및/또는 다른 훈련 특성들이 적용될 수 있도록 하는 규칙/로직(logic)에 기초하여 실행된다.

아래에 좀 더 상세히 기재된 바와 같이, 일 실시예는, 최종 사용자 제품의 관점에서, POD 장치가 주어진 기능에 대한 사용자의 성능 센서 데이터(모션 센서 데이터와 같은)를 분석하도록 하는 기법을 포함하여, 이에 의해 사용자의 특성(예컨대 사용자의 능력 수준, 및 이전의 이력 분석으로부터 화면에 알려진 사용자의 증상)에 기초하여, 하나 또는 그 이상의 증상을 결정하고, 이 증상이 정해진 세트에 속하는지를 결정한다. 상기 모션 센서 데이터를 통해 일단 증상이 확인되면, 이에 의해 원인을 결정/예측하는 과정이 실행된다. 그리고 이에 의해 그러한 원인을 찾아 처리하기 위한 피드백이 선택된다. 일 실시예에서는, 사용자에게 적합한 피드백을 선택하기 위한 복잡한 선택과정이 규정되며, 이는 예컨대 다음의 내용에 기초한다: (ⅰ) 사용자 이력, 예컨대 시도되지 않은 우선순위 또는 이전의 실패한 피드백에 대한 이전의 성공적인 피드백; (ⅱ) 사용자의 학습 스타일, (ⅲ) 사용자 특성, 예컨대 주어진 시점에서의 정신적 및/또는 육체적 상태, 및/또는 (ⅳ) 특별한 현실 세계의 코치 스타일에 기초한 코칭 스타일.

<전체 구조의 예>

도 1A는, 본 명세서에 기재된 실시예의 범위에 의해 구현된, 높은 수준의 전체적 구조의 개요를 나타낸 것이다. 도 1A의 내용에서, 예시적 기능 분석 환경(101)이 활용되어, 하나 또는 그 이상의 기능을 분석하고, 이러한 기능과 관련하여 최종 사용자 내용의 생성을 가능하게 하는 데이터를 제공한다. 예를 들어 이는, 일 실시예에서, 기능을 분석하여 성능 센서 유닛에 의해 확인될 수 있는 관찰가능한 데이터 상태를 결정한다(관찰가능한 데이터 상태는, 특정의 증상, 원인 등과 관련되는 것이 바람직하다). 이러한 관찰가능한 데이터 상태는, 예시적 내용 생성 플랫폼(102)(예컨대 훈련 프로그램)에 의해 실행된 내용 생성 로직(logic) 내에서 활용될 수 있다. 이점에 있어서, 내용(content)의 생성은 프로토콜(protocol)의 확정을 포함하는 것이 바람직하고, 특정의 관찰가능한 상태의 확인에 대해, 해당 액션이 취해진다.

복수의 기능 분석 환경 및 내용 생성 플랫폼(platform)은, 예시적 내용 관리 및 공급 플랫폼(103)에 내용을 공급하기 위해 바람직하게 사용된다. 이러한 플랫폼은 일 실시예에서, 복수의 네트워크 서버 장치에 의해 정해진다. 본질적으로, 플랫폼 103의 목적은, 내용 생성 플랫폼에 의해 생성된 내용을 최종 사용자가 이용할 수 있도록 하는데 있다. 도 1A의 형태에서, 예시적 최종 사용자 장비(104)에 내용을 다운로드할 수 있도록 하는 것을 포함한다. 일 실시예에서 상기 다운로드는, 내용의 초기 다운로드와, 부가적으로 요구되는 내용의 추가적인 다운로드를 포함한다. 상기 추가적인 다운로드의 속성은, 일 실시예에서 사용자의 상호작용(예컨대 기능 훈련 프로그램의 요소 및/또는 사용자 선택 사이의 적용가능한 발전에 기초하는)에 의해 영향을 받는다.

예시적 장비(104)는 모션 센서 유닛 장착 의복의 형태로 도시되었는데, 이는 사용자 인터페이스(user interface) 장치(예컨대 스마트폰, 헤드셋(headset), HUD 아이웨어(eyeware), 망막 투사장치 등)와 함께, 복수의 모션 센서 유닛 및 POD 장치를 구비한다.

도 1A의 예에서 사용자는, 내용 관리 및 공급 플랫폼(103)으로부터 내용을 다운로드하여, 그 내용이 최종 사용자 장비(104)를 통해 실행되도록 한다. 예컨대, 골프 또는 테니스와 같은 특정의 신체적 활동에 대하여 적용가능 기능 훈련 프로그램을 공급하는 내용을 포함할 수 있다. 이 경우, 최종 사용자 장비(104)는, 예시적 내용 상호작용 플랫폼(105)과 상호작용하도록 구성되어, 다운로드된 내용의 공급과 관련한 추가적인 기능을 제공하는 외부 플랫폼(예컨대 웹-기반의)이 된다. 예를 들어, 적용가능한 훈련 프로그램 및/또는 그 사용자의 인터페이스의 다양한 관점은, 서버측 처리에 의해 컨트롤될 수 있다. 일 실시예에서, 내용 상호작용 플랫폼(105)이 생략되고, 최종 사용자 장비(104)가 오프라인 모드(offline mode)에서 기 다운로드한 내용을 공급하도록 할 수도 있다.

일반적인 설명에 의해, 아래 내용의 특정 예가 제공된다.

● 기타(guitar) 훈련 프로그램

사용자는 주어진 음악에 대한 훈련을 제공하기 위해 구성된 기타 훈련 프로그램을 다운로드한다. 픽업(pickup) 형태의 성능 센서 유닛이 사용되고, 이는 사용자 기타 연주에 대한 성능 센서 데이터 대표의 분석을 가능하게 한다. 상기 훈련 프로그램은 그 성능 센서 데이터의 분석에 기초하여 구동되어, 사용자에게 코칭(coaching)을 제공한다. 예를 들어, 상기 코칭은, 손가락 위치, 손가락 위치 간의 진전을 연습하기 위한 교정 훈련, 및/또는 사용자에게 흥미 및/또는 도움을 줄 수 있는 다른 내용(예컨대 다른 음악)의 제시에 대한 팁을 포함할 수 있다. 그 실시예가 도 14에 도시되어 있다(이는 오디오 데이터와, 사용자 인터페이스 데이터를 공급하는 태블릿 장치를 구비한 POD 장치와 함께, 픽업을 대신한 사운드 잭(sound jack)을 보여주고 있다).

● 골프 훈련 프로그램

사용자는, 모션 센서 유닛 장착 의복과 함께 작동되도록 구성된 골프 훈련 프로그램을 다운로드 한다. 이는 모센 센서 유닛 장착 의복에 제공된 POD 장치에, 센서 구성 데이터와 상태 엔진 데이터를 다운로드하는 것을 포함한다. 사용자는 특정 스윙 폼(예를 들어 일정한 강도, 클럽(club) 등과 함께)을 수행하도록 안내되고, 모션 센서 유닛 장착 의복에 장착된 복수의 모션 센서 유닛은, 그 기능의 모션 센서 데이터의 대표를 제공한다. 이에 의해, 상기 모션 센서 데이터는 증상 및/또는 원인을 확인하기 위해 처리되고, 훈련 피드백이 제공된다. 이 과정은, 사용자가 그/그녀의 폼을 개선하는데 도움을 주도록 설계된 훈련 프로그램 로직에 기초하여, 한번 또는 그 이상의 성능 반복을 위해 반복된다. 설명 및/또는 피드백은 망막 디스플레이 프로젝터에 의해 제공되며, 이는 사용자 인터페이스 데이터가 직접 사용자의 시야 내에 공급되도록 한다.

이러한 예들은 단지 예시적인 것임을 이해하여야 한다.

도 1B는, 일 실시예의 형태로 구현된 전체적 기술 구조의 예시를 좀 더 상세하게 나타낸 것이다. 이 실시예는 특히 모션-기반 기능 훈련에 관련된 것으로, 기능 분석 단계(100), 커리큘럼 구축 단계(110), 그리고 최종 사용자 공급 단계(120)를 참조하여 설명되어 있다. 이것은 한정적인 예로 의도된 것이 아니고, 내용(content)을 확정하고 공급하기 위한 특정의 전체적인 접근을 설명하기 위해 제공된 것임을 이해하여야 한다.

도 1은 일 실시예에서, 기능 분석 단계(100)의 형태에서, 그 단계에 사용되는 하드웨어의 선택을 보여주고 있고, 여기서 모션 캡쳐 데이터는, 기능의 분석을 돕고, 이어서 모션 센서 데이터용의 관찰가능한 데이터 상태의 결정을 돕거나 확인하는데 사용된다. 도시된 하드웨어는 착용가능한 센서 의복(106)으로, 이는 복수의 모션 센서 유닛과, 복수의 모션 캡쳐(모캡) 마커와(이들은 의복에서 비슷한 장소에 선택적으로 위치된다), 그리고 캡쳐 장치(106a-106c)를 구비한다. 모션 캡쳐 적용을 위해 구성된 캡쳐 장치 및/또는 비디오 캡쳐 적용을 위해 구성된 카메라 장치를 포함하는 캡쳐 장치는, 이보다 적게 또는 많게 구비될 수 있다. 일 실시예에서, 주어진 캡쳐 장치는 양쪽의 적용이 가능하도록 구성된다. 예시적인 처리과정의 세트가 도 1B에 도시되었다. 도 1B에서 블록 107은, 복수의 샘플 기능에 대하여, 비디오 데이터, 모션 캡쳐 데이터 및 모션 센서 데이터의 캡쳐를 포함하는 프로세스를 나타낸다. 이 데이터는 블록 108에 나타낸 프로세스에 의해 사용되는데, 이는 전문가 분석에 기초하여, 기능을 증상과 원인으로 구분하는 과정을 포함하고, 상기 전문가 분석은, 예를 들어, 주어진 기능을 분석하고, 바람직하게는 복수의 능력 레벨에서 그 기능을 형성하고 성능에 영향을 주는 동작의 관점을 결정하며, 주어진 기능의 증상과 원인을 결정하고, 주어진 기능에 대한 증상과 원인에 대한 특정의 능력 레벨을 결정하는 것을 포함한다. 블록 109는, 모션 센서 데이터로부터 증상/원인을 검출하도록, 관찰가능한 데이터 상태를 규정하는 프로세스를 나타낸다. 이러한 관찰가능한 데이터 상태는, 후속 단계에서의 사용에 이용될 수 있다(예를 들어, 주어진 커리큘럼에 사용되고, 상태 엔진 데이터 등에 적용될 수 있다).

여기서 100 단계가 모션 캡쳐 데이터를 이용하는 접근법을 참조하여 표시되었지만, 이는 한정적인 예로 의도된 것이 아니다. 다양한 다른 접근법들이 다른 실시예에 적용될 수 있으며, 그 예로서 처음부터 모션 센서 데이터를 이용하는 접근법(모션 센서 데이터의 관찰가능한 데이터 상태의 결정을 돕거나 확인하는데, 모션 캡쳐 데이터를 이용할 필요가 없다), 기능의 기계적 학습을 이용하는 접근법 등이 있다.

단계 110은, 전문가 지식 데이터(111)의 저장소를 참조하여 표시되었다. 예를 들어, 하나 또는 그 이상의 데이터베이스가 구비되고, 이를 포함하여 확정된 정보는, 단계 101 및/또는 다른 연구 및 분석기법의 관점에 따른다. 이러한 정보의 예로는, (ⅰ) 증상/원인의 일치된 데이터 대표, (ⅱ) 증상/원인의 전문가 특정의 데이터 대표, (ⅲ) 증상/원인과 관련된 피드백의 일치된 데이터 대표, (ⅳ) 증상/원인과 관련된 피드백의 전문가 특정의 데이터 대표, (ⅴ) 코칭 스타일 데이터(객관적인 코칭 스타일 데이터와 개인적인 코칭 스타일 데이터를 포함할 수 있다) 등이 있다. 이는 단지 선택한 것에 불과하다.

도 1B의 예에서, 전문가 지식 데이터는, 단계 100에서 분석된 기능에 대한 훈련 프로그램의 공급에 이용된다. 블록 112는 적용된 훈련 구조의 형성을 포함하는 프로세스를 나타낸다. 이점에 있어서, 도 1B의 예에서, 각각의 기능과 관점에 관련된 복수의 기능 훈련 프로그램은, 일반적으로 적용되는 훈련 구조에 의해 공급된다. 이는, 근원적인 비특이성-기능 로직을 채택하여 기능-특정의 적용가능한 훈련 프로그램의 생성을 가능하게 하는 기술적 구조인 것이 바람직하다. 예를 들어, 이러한 로직은, 학습 스타일을 예측하고, 적용가능한 시간에 기초하여 내용 공급을 수정하고, 이전의 학습이력(이전에 학습한 기능의 복습 교육 포함)에 기초하여 자동적으로 학습 계획을 생성하고, 다운로드할 부가적인 내용을 기능적으로 추천하고, 그리고 다른 기능에 대한 방법에 관련된다. 블록 113은 기능 커리큘럼의 확정을 포함하는 프로세스를 나타낸다. 이는 특정의 증상/원인에 대해, 피드백의 공급을 위한 규칙의 구조를 확정하는 것을 포함한다. 상기 구조는, 얻어진 특정의 지식(예를 들어, 사용자의 학습 스타일에 대한 지식, 과거에 성공적/비성공적이었던 피드백의 지식 등)에 기초하여 개인 사용자에게 지능적 피드백을 제공할 수 있는 구조인 것이 바람직하다. 블록 114는, 최종 사용자가 다운로드할 수 있는 커리큘럼의 제작을 포함하는 프로세스를 나타내며, 예를 들어 온라인 스토어(online store)를 통해 적용이 가능하도록 할 수 있다. 아래에서 상세히 설명한 바와 같이, 주어진 기능은, 기본적 커리큘럼(curriculum)의 제공 및/또는 하나 또는 그 이상의 고급 커리큘럼 제공(다른 가격인 것이 바람직하다)을 구비할 수 있다. 일 실시예에서, 기본적 제공은 일치된 전문가 지식에 기반을 두고 있고, 고급 제공은 전문가-특유의 전문가 지식에 기반을 두고 있다.

130 단계에는 예시적인 최종 사용자 장치가 표시되어 있다. 이는 모션 센서 유닛 장착 의복(121)의 배치를 포함하며, 복수의 모션 센서 유닛을 구비한 셔츠 및 바지와, 셔츠에 구비된 POD 장치를 포함한다. 상기 모션 센서 유닛 및 POD 장치는 상기 의복으로부터 제거될 수 있도록 형성되어, 예컨대 세탁 등이 가능하도록 한다. 헤드셋(headset)(122)은 불루투스(또는 다른 수단)에 의해 POD 장치에 연결되고, 사용자에게 피드백과 설명을 공급하도록 형성된다. 사용자에게 인터페이스 내용, 예를 들어 설명 비디오/애니매이션 등을 제공하도록, 손으로 쥘수 있는 장치(123)(iOS 또는 안드로이드 스마트폰 등)가 구비된다. 다른 사용자 인터페이스 장치가 사용될 수도 있는데, 그 예로는 증강현실 정보를 공급할 수 있도록 형성된 장치가 있다(착용가능한 아이웨어를 통해 볼수 있는 디스플레이 등).

도시된 최종 사용자 장비의 사용자는, 실행을 위한 내용을 다운로드하여(예를 들어 플랫폼 103으로부터), 훈련 프로그램과 관련되도록 하고, 모션 센서 데이터의 처리를 채택한 다른 형태의 내용을 경험하도록 한다. 예를 들어, 이는 온라인 스토어를 검색하거나 소프트웨어 적용과 상호작용을 하여 바라는 내용을 확정하고, 이어서 그 내용을 다운로드하는 것을 포함할 수 있다. 도시된 실시예에서 내용(content)은 POD 장치에 다운로드되고, 그 내용은 상태 엔진 데이터 및 커리큘럼 데이터를 포함한다. 전자는 POD 장치가 모션 센서 데이터를 처리하여 증상을 확인하도록 하는(및/또는 동작 분석의 다른 형태를 수행하도록 하는) 데이터를 포함한다. 후자는 훈련 프로그램의 지원이 가능하도록 하는 데이터를 포함하며, 이는, 사용자 인터페이스(예를 들어 설명, 피드백 등)에 의해 공급는 내용과, 그 내용(적용가능한 학습 프로세스의 공급 등)의 공급을 위한 내용을 포함한다. 일 실시예에서, 엔진 데이터 및/또는 커리큘럼 데이터는, 원격지 서버로부터 진행 기반에 의해 획득된다.

기능 블록 125는, POD 장치가 모니터링 기능을 수행하고, 사용자의 기능이 상태 엔진 데이터에서 규정된 관찰가능한 데이터 상태를 위해 모니터되는 프로세스를 나타낸다. 예를 들어, 사용자는 장치(123) 및/또는 헤드셋(122)을 통해 "동작 X를 수행"하도록 안내되고, POD 장치는, 사용자의 모션 센서 유닛으로부터의 모션 센서 데이터를 처리하여, 동작 X와 관련된 관찰가능한 데이터 상태를 확인하도록 한다(예컨대 증상 및/또는 원인의 확인이 가능하도록 한다). 상기 관찰가능한 데이터 상태와 커리큘럼 데이터의 확인에 기초하여(때로는 추가적인 입력에 기초하여), 장치(123) 및/또는 헤드셋(122)(블록 126)을 통해 사용자에게 피드백이 제공된다. 예를 들어, "동작 X"를 반복적으로 수행하는 동안, 사용자에게 그 동작을 어떻게 수정해야 하는지에 대한 지도와 함께, 청각의 피드백이 제공된다. 이는 반복 프로세스(여기서 반복 프로세스는 예컨대 "시도 루프(try loop)"를 의미한다)로 발전하게 되며, 피드백이 제공되고, 그 효과가 모니터된다(예컨대 추후의 성능 이력에서, 모션 센서 데이터로부터 얻어진 관찰가능한 데이터 상태의 변화를 관찰함으로써). 일 실시예에서 상기 커리큘럼 데이터는, (ⅰ) 동작 개선의 관점에서 바라는 결과를 달성하기 위한 피드백의 성공/실패와, 그리고 (ⅱ) 정신적 및/또는 신체적 성능 특성과 같은 사용자의 특성의 조합에 기초하여, 훈련 프로그램의 피드백 및/또는 단계를 적용하도록 구성된다.

<기능 분석 단계-개관>

위에서 언급한 바와 같이 일 실시예에서는, 기능 분석 단계가 실행되어, 최종 사용자 공급 단계에서 관찰되는 기능을 분석한다. 특히, 상기 기능 분석 단계는, 다음의 분석을 포함하는 것이 바람직하다:(ⅰ) 기능 특성의 결정, 예를 들어, 수행되는 기능의 대표적 특성(특히 최종 사용자 기능이 기능 확인을 포함하는 것과 관련된 특성)의 결정과, 증상 및 원인(특히 최종 사용자 기능이, 예컨대 기능 훈련 형태에서 기능 수행 분석을 포함하는 것과 관련되는 것)과 같이, 기능이 수행되는 방식을 대표하는 특성을 결정, 그리고 (ⅱ) 기능 특성(수행되는 기능, 그리고 증상/원인과 같은 그 기능 수행의 특성)의 자동화된 확인을 가능하게 하여, 최종 사용자 하드웨어(모션 센서 유닛과 같은 성능 센서 유닛)가 자동화된 기능 분석을 위해 구성되도록 하는 관찰가능한 데이터 상태의 확정.

기능 분석 단계의 속성은, 주어진 기능의 속성(예를 들어 모션-기반 기능과 오디오-기반 기능 간)에 따라 현저히 변화된다. 예를 위한 목적으로, 예시적인 실시예가, 모션-기반 기능의 상황에서 기능 분석 단계와 관련하여 설명될 것이다. 즉 실시예는, 신체적 활동의 분석을 참조하여, 신체에 장착된 모션 센서 유닛으로부터 데이터를 모니터하는 POD 장치를 형성하는 데 사용되는, 관찰가능한 데이터 상태를 결정할 것에 대해 설명될 것이다. 본 예는, 비교적 도전적이고 복잡한 내용으로 조정된 기능 분석의 대표가 되도록 선정되었으며, 모션 기반 기능에 대해 효과적인 관찰가능한 데이터 상태를 용이하게 생성하기 위해, 새롭고 진보적인 다양한 기술적 접근들이 발전되어 왔다. 여기에 기재된 방법의 모든 측면이, 모든 실시예에 나타나 있거나, 모든 동작의 형태로 사용된 것은 아니다. 상기 기술은, 복잡성의 변화(예컨대 성능, 코칭, 및 모니터링의 관점에서)와 함께, 신체적 동작의 광범위한 범위에 적용될 수 있다. 그렇지만 여기에 설명된 방법은, 예컨대 개인적 및 팀 스포츠의 형태로 수행된 기능과 같이, 광범위한 동작에 걸쳐 적용될 수 있다.

이하, 특정의 신체적 활동(즉 특정의 기능)인 "로잉(rowing)"과 관련된 구체적인 예를 참조하여, 상기 방법 및 기술을 상세히 기술한다. 로잉은, 주로 편리한 그대로의 설명을 위한 목적으로 선택되었으며, 특정의 동작을 참조하여 기술된 기법이 다른 동작에도 즉시 이용될 수 있음을 이해할 수 있을 것이다(예컨대 축구공을 차는 특정한 폼, 골프 클럽의 스윙, 스노우보드 상에서의 곡예 조종 등).

일반적으로, 주어진 신체적 동작의 관찰가능한 데이터 상태를 결정하는 데에는 다양한 접근법이 있다. 이는, 다음을 포함하나 이에 한정되지는 아니한다:

● 2차적인 기술을 이용하여 모션 센서 데이터의 이해를 간소화하는 것.

예컨대 아래에 제공된 예는, 모션 캡쳐 데이터와 모션 센서 데이터의 조합을 이용하는 접근법을 설명한다. 모션 캡쳐 데이터는, 주로 모션 캡쳐 기술(예컨대 강력한 고속 카메라)의 확립된 특성 때문에 사용되고 있고, 반면에 모션 센서 기술은 현재 효율적인 면에서 지속적으로 발전되고 있다. 확립된 모션 캡쳐 데이터 분석 기술의 사용은, 모션 센서 데이터의 이해 및/또는 확인과 모션 센서 데이터의 관찰에 도움을 준다.

● 모션 캡쳐 데이터의 도움이 없는 모션 센서 데이터의 직접적인 사용.

예컨대, 모션 센서 데이터는, 데이터를 캡쳐하는 의미에서, 모션 캡쳐 데이터와 유사한 방식으로 사용되어, 모션 캡쳐 데이터로부터 관행적으로 생성되는 것과 유사하게(예를 들어 몸체 아바타(avatar)와 골격 조인트에 기초하여), 3차원 형상 모델을 생성한다. 이것은 모션 캡쳐 데이터에서의 정확성과 신뢰성에 대한 한계 수준을 가정한 것임을 이해하여야 한다. 이는 어떤 실시예에서 달성될 수 있고, 이로써 모션 캡쳐 데이터의 도움이 불필요하도록 할 수 있다.

● 기계적 학습 방법

예컨대 모션 센서 데이터 및/또는 모션 캡쳐 데이터가, 객관적으로 규정된 성능 결과 데이터(예를 들어, 로잉의 경우에는 파워 출력; 골프의 경우에는 볼 방향 및 궤적)와 함께, 복수의 샘플 수행을 위해 수집된다. 기계적 학습 방법은, 관찰가능한 데이터 상태와 기능 수행의 효과간의 관계를 자동적으로 규정하도록 하기 위해 실행된다. 이러한 접근은, 충분한 샘플 크기와 함께 실행될 때, 컴퓨터가 관찰가능한 데이터 상태를 확인하여, 기능 수행 출력을 예측하도록 한다. 예를 들어, 모션 센서 데이터(또는 모션 캡쳐 데이터)의 샘플 기능 수집을 이용한 골프 스윙 동작의 기계적 학습에 기초하여, 스윙 기능에 영향을 주는 관찰가능한 데이터 상태가, 객관적으로 규정된 결과의 분석을 이용하여 자동적으로 확인되어, 최종 사용자 하드웨어(예컨대 모션 센서 유닛 장착 의복)을 이용한 최종 사용자 스윙과 관련하여, 신뢰성 있는 자동적 결과의 예측을 가능하게 한다.

● 최종 사용자로부터의 분석 데이터의 원격 수집

예를 들어 최종 사용자 장치는 "기록" 기능을 구비하여, 최종 사용자에 의해 각각 수행된 특정 기능의 모션 센터 데이터의 대표를 기록하는 것을 가능하게 한다(선택적으로, 사용자 자신에 의해 확인된 증상 등의 정보와 함께 기록된다). 상기 기록된 데이터는, 중앙 처리 장치로 전송되어, 복수의 사용자들에 대해 주어진 기능(또는 특별한 증상을 갖는 특정의 기능)에 대한 모션 센서 데이터를 비교하도록 하여, 그 기능(및/또는 증상)에 대한 관찰가능한 데이터 상태를 확인한다. 예를 들어 이는, 그 데이터 상의 공통성을 확인하는 것에 의해 달성된다.

다른 접근법들이 사용될 수도 있는데, 이는 모션 센서 데이터를 확인 및/또는 도움을 주기 위해 비 모션 센서 데이터를 이용하는 접근법과, 샘플 사용자 그룹을 규정하고 분석하기 위해 다른 기술을 실행하는 다른 접근법을 포함할 수 있다.

상기 첫번째 예가, 특정의 실시예를 참고하여 아래에서 좀 더 상세히 설명될 것인데, 이 실시예는, 객관적인 전문가 코칭 지식이, 기능 훈련 프로그램의 형태로 사용될 증상 및/또는 원인에 대한 관찰가능한 데이터 상태를 개발하는데 기여하도록 한 것이다.

<기능 분석 단계 - 샘플 분석의 예>

일 실시예에 있어서, 훈련될 각 기능에 대하여, 하나 또는 그 이상의 샘플 기능 분석을 사용하여 그 기능에 포함된 동작의 최초 분석을 수행하고, 이에 의해 최선의(optimal) 기능과 차선의(sub-optimal) 기능 사이의 차이를 결정할 필요가 있다(이에 따라 최선의 기능을 향한 코칭을 가능하게 한다). 일반적으로, 이는 시각적 분석과 함께 시작되며, 이어서 하나 또는 그 이상의 중간 프로세스에서, 모션 센서 데이터의 분석(관찰가능한 데이터 상태인 ODCs를 위한 모니터링을 가리킨다)으로 변환된다.

여기에서 설명된 기법은, 복수의 샘플 주체에 의해, 주어진 기능에 대한 신체적 수행의 데이터 대표를 획득하는 것을 포함한다. 각각의 기능 성능에 대해, 상기 데이터는 바람직하게 다음을 포함한다:

(ⅰ) 하나 또는 그 이상의 캡쳐 각도에서, 하나 또는 그 이상의 캡쳐 장치에 의해 캡쳐된 비디오 데이터. 예컨대 로잉(rowing)의 경우에, 이는 측면 캡쳐 각도와 후면 캡쳐 각도를 포함할 수 있다.

(ⅱ) 사용가능한 모션 캡쳐 테크닉을 이용한 모션 캡쳐 데이터(MCD). 이점에 있어서, "모션 캡쳐"라 함은, 캡쳐 장치가, 예컨대 대상물의 정해진 위치에 장착된 시각 마커(visual marker)를 이용하여, 동작의 데이터 대표를 캡쳐하는 데 사용되는 기술을 가리킨다. 비콘(Vicon)에 의해 제공되는 캡쳐 기술이 그 예이다(본 발명자/출원인과 비콘 간의 관련은 언급되지 않았다).

(ⅲ) 하나 또는 그 이상의 신체-장착 모션 센서를 이용한 모션 센서 데이터(MSD)

각 경우에 있어서, 바람직한 접근법은 (ⅰ) 로(raw) 데이터와, 그리고(ⅱ) 처리 정도에 따른 데이터를 모두 저장하는 것이다. 이는 특히 모션 센서 데이터에 해당하는 것이며, 로 데이터는, 새로운/나은 가공 알고리즘이 적용되어, 최종 사용자의 기능을 향상시킬 수 있도록 반복적으로 재처리될 수 있다.

전체적으로 볼 때 일반적 개념은, 비디오 데이터(이는 실제 환경에서 코치하는데 가장 유용하다)와 모션 센서 데이터(이는 궁극적인 최종 사용자 기능을 위해 요구되는 것으로, 모션 센서 유닛 장착 의복으로부터 얻어진 데이터의 분석을 통해 코치하는 것을 포함한다) 사이의 징검다리로서, 모션 캡쳐 데이터를 사용하는 것이다. 모센 센서 데이터는, (ⅰ) 잘 개발되어 있고 신뢰성 있는 기술이며; 그리고 (ⅱ) 신체 부분의 정확한 상대적 운동을 모니터하기 아주 적합하다;는 점에 있어서, 유용한 징검다리이다.

상기 전체적인 기법은 다음의 단계를 포함한다: (ⅰ) 선택된 주체에 의한 샘플 기능의 데이터 대표의 수집, (ⅱ) 비디오 데이터를 이용한 하나 또는 그 이상의 코치에 의한 샘플 기능의 시각적 분석, (ⅲ) 하나 또는 그 이상의 코치에 의해 만들어진 시각적 관찰을 모션 캡쳐 데이터 공간으로 변환, 그리고 (ⅳ) 상기 모션 캡쳐 데이터 관찰을 기초로 모션 센서 데이터를 분석하여, 상기 모션 센서 데이터의 공간에서, 실질적인 의미에서 하나 또는 그 이상의 코치 관찰의 대표인, 관찰가능한 데이터 상태를 확인. 이러한 단계 각각이 아래에서 좀 더 상세히 설명될 것이다. 이는 도 2A에서 블록 201 내지 204에 의해 도시되어 있다.

다른 방법들이 도 2B(이는 비디오 데이터의 수집을 생략하고, 대신 모션 센서 데이터를 이용해 생성된 디지털 모델을 통해 시각적 분석이 수행된다), 도 2C(이는 모션 센서 데이터만이 사용되고, 모션 센서 데이터에 기초한 컴퓨터 생성 모델을 이용하여 시각적 분석이 달성된다), 도 2D(여기에는 시각적 분석이 없고, 단지 샘플 사이의 유사점과 차이점을 확인하기 위해, 단지 모션 캡쳐 데이터의 데이터 분석만 있다) 및 도 2E에 도시되어 있고, 도 2E는 모션 센서 데이터를 통한 기계적 학습을 이용하고 있다(모션 센서 데이터는 샘플 기능을 위해 수집되고, 결과 데이터에 기초하여 데이터 분석이 행해지며, 그 샘플 기능의 하나 또는 그 이상의 결과 파라미터(parameter)를 객관적으로 측정하며, 기계적 학습에 기초하여 관찰가능한 데이터 상태가 규정되어, 관찰가능한 데이터 상태에 기초하여 결과의 예측이 가능하도록 한다).

"하나 또는 그 이상의" 코치의 관점에서, 일 실시예에서는, 복수의 코치가 사용되어 주어진 기능의 분석 및 코칭에 대하여 일치된 위치를 규정하고, 다른 경우에 있어서는, 복수의 코치가 코치-특정의 내용을 규정하기 위해 선택적으로/부가적으로 사용된다. 후자는, 최종 사용자가, 좀 더 넓은 코칭 합의에 기초하여 코칭을 선택하도록 하거나, 특정 코치의 특별한 관점에 기초하여 코칭을 선택하도록 한다. 상업적 실행의 실질적 수준에서, 후자는 고급 내용의 제공(선택적으로 높은 가격대)을 위한 기초로 제공될 수 있다. "코치(coach)"라는 용어는, 코치로서 자격이 있는 사람이나, 당면한 목적을 위해 코칭 능력을 이용하고 있는 사람(운동선수 또는 전문가)을 기술하는데 사용될 수 있다.

<기능 분석 단계 - 주체 선택 예>

주체(subject) 선택은 주어진 기능에 대하여 대표적인 주체의 그룹을 선택하는 것을 포함한다. 예시적인 실시예에서, 샘플 선택은 다음 파라미터(parameter) 하나 또는 그 이상에 걸쳐 표준화하기 위해 수행된다:

(ⅰ) 능력 레벨. 바람하게는 복수의 주체가 선택되어, 능력 레벨의 범위에 걸쳐 적절한 대표가 되도록 한다. 이는, 알려진 능력 레벨의 세트를 초기에 결정하고, 각 레벨에 대하여 적절한 주체의 수를 확보하며, 제1 샘플 그룹을 분석하고, 상기 분석에 기초하여 그 그룹 내에서 능력 레벨 대표를 확인하며, 낮게 나타난 능력 레벨에 대해서는 선택적으로 샘플 그룹을 확장하거나, 다른 접근법을 포함할 수 있다. 여기에 기술된 실시예에서, 사용자 능력 레벨은, 자동화된 코칭 프로세스의 복수의 레벨에서 중심적인 것이다. 예를 들어, 아래에 서술된 바와 같이, 사용자 능력 레벨의 최초 평가는, 예를 들어, 모니터하기 위한 관찰가능한 데이터 상태의 관점에서, POD 장치가 어떻게 구성되어야 하는지를 결정하기 위해 사용된다. 문맥상으로, 초심자에 의한 실수는 전문가에 의한 실수와는 다른 것이다. 더욱이, 사용자의 실제 능력 레벨에 따라 코칭을 제공하는 것이 유리하며, 예컨대, 처음에 초심자 레벨에서 최상의(또는 최상에 가까운) 성능을 달성하도록 하는 훈련을 제공하고, 이어서 좀 더 높은 레벨에서 최상의(또는 최상에 가까운) 성능을 달성하도록 하는 훈련을 제공하는 것이 유리하다.

(ⅱ) 신체 사이즈 및/또는 형상. 일 실시예 또는 어떤 기능에서, 신체 사이즈 및/또는 형상은, 기능의 동작 특성에 직접적인 영향을 줄 수 있다(예를 들어, 증상의 관찰가능한 특성의 참조에 의해). 선택적인 접근법은, 샘플을 확장하여 복수의 각 신체 사이즈/형상이, 각 능력 레벨을 대표하도록 하는 것이다. 아래에 설명된 바와 같이, 일 실시예에서 신체 사이즈/형상의 표준화가, 데이터-구동 샘플 확장 방법에 의해, 번갈아가면서 달성된다. 요컨대, 복수의 모션 캡쳐 데이터/모션 센서 데이터 세트가, 수집된 데이터에 기 규정된 변형을 적용하는 것에 의해, 각 사용자 성능에의 샘플에 대해 확정되도록 하여, 다양한 신체 사이즈 및/또는 형상의 범위에 걸쳐 그 데이터를 변환시키도록 한다.

(ⅲ) 스타일. 사용자는 성능에 실질적으로 영향을 주지 않는 독특한 스타일을 가질 수 있다. 바람직하게 샘플은, 스타일에 대해 표준화를 가능하게 할 충분한 대표를 포함하는 것이 바람직하며, 증상의 관찰 특징이 스타일에 대해 독립적이 되도록 한다. 이는, 성능 기반 방식에서의 코칭(coaching)이 개인적 스타일의 관점으로부터 독립되도록 한다. 그렇지만 일 실시예에서는, 적어도 증상의 선택이 스타일 특유의 방식으로 규정된다. 예컨대, 이는 코칭이 특정의 스타일을 적용하는 것을 가능하게 한다(예를 들어 특정의 운동선수 스타일을 따라 코칭하는 것).

간편화를 위해, 아래의 기재는 복수의 능력 레벨에 대한 표준화에 집중하였다. 실시예에서, 각 능력 레벨에는 "m" 능력 레벨(AL₁ 에서 AL_m 까지)과, "n" 주체(SUB₁ 에서 SUB_n 까지)가 있다. 즉 전체적으로 m*n 주체가 있다. 각 개인적 능력 레벨에서 주체의 수는 동일할 필요가 없다(예컨대 일 실시예에서, 주어진 능력 레벨에서 추가적인 주체가 관찰되어, 더 많은 신뢰성 있는 데이터를 얻도록 할 수 있다).

기 언급한 바와 같이, 일 실시예에서 샘플은, 예컨대 추가적인 데이터가 바람직한 것인지를 확인하는 것에 기초하여, 시간이 지나면서 확장될 수 있다.

<기능 분석 단계 - 성능 영역 정의 예>

일 실시예에서, 각 테스트 주체(각 AL₁ - AL_m 에서 SUB₁ - SUB_n)는, 정해진 성능 영역을 수행한다. 일 실시예에서, 상기 성능 영역은 복수의 능력 레벨에 걸쳐 일정하다; 다른 실시예에서는, 특정의 성능 영역이 각 능력 레벨에 대해 규정된다. 일 실시예에서 성능 영역은, 변화하는 강도 레벨에서의 성능을 포함하는데, 어떤 강도 레벨은 능력 레벨의 한계점 이하에서 부적절할 수 있다.

일 실시예는, 주어진 기능에 대해 분석 성능 영역을 규정하는 프로세스를 제공한다. 이 영역은, 샘플 데이터 수집을 목적으로, 각 주체에 의해 수행될 복수의 신체적 기능 성능을 규정한다. 바람직하게, 분석 성능 영역은, 규정된 숫자의 세트를 수행하도록 안내하는 것에 의해 규정되며, 각 세트는 규정된 세트 파라미터(set parameter)를 가지고 있다. 상기 세트 파라미터는 다음을 포함하는 것이 바람직하다:

(ⅰ) 각 세트에 대한 다수의 반복.

예를 들어, 세트는 n회의 반복을 포함할 수 있고(n≥1), 상기 주체(subject)는 규정된 파라미터로 그 기능을 반복적으로 시도한다.

(ⅱ) 반복 설명

예를 들어 반복 사이에 얼마나 쉬어야 하는지.

(ⅲ) 강도 파라미터

예를 들어, 세트는 일정한 강도로 수행될 수 있고(동일한 강도 I_c로 REP₁ 에서 REP_n 반복), 강도를 증가시키면서(강도 I₁ 으로 REP₁ 을 반복 수행하고, 이어서 강도 I₂ 로 REP₂ 수행, 여기서 I₁ 〉 I₂ ) 수행될 수 있으며, 강도를 감소시키면서(강도 I₁ 으로 REP₁ 을 반복 수행하고, 이어서 강도 I₂ 로 RER₂ 수행, 여기서 I₁ 〈 I₂ ) 수행될 수도 있고, 좀 더 복잡한 강도 프로파일에서 수행될 수도 있다. 강도가 규정되는 방식은 그 활동에 의존한다. 예를 들어, 속도, 힘, 빈도 등과 같은 강도 파라미터가 사용될 수 있다. 일 실시예에서 그러한 측정은, 객관적인 측정 및 피드백을 가능하게 한다. 대안으로서, 주관적인 최대 강도 퍼센트(예컨대 최대의 50%)가 있는데, 이는 주관적이기는 하지만 가끔 효과적이다.

예로서, erg 기계(실내용 로잉 장비 형태)에서 로잉(rowing) 동작 기능을 분석하기 위한 분석 성능 영역은, 다음과 같이 규정될 수 있다:

● 세트 간에 5분을 휴식하고 6세트를 수행(SET₁ 에서 SET₆ 까지).

● 각 세트를 8번 연속적으로 반복 수행(REP₁ 에서 RER₂ 까지).

● 강도 파라미터: SET₁ 강도=100W; SET₂ 강도=250W; SET₃ 강도=400W; SET₄ 강도=550W; SET₅ 강도=700W; SET₆ 강도=850W.

이하 로잉의 예가 계속 설명될 것이다. 그렇지만 이는 대표 기능이 단지 설명의 목적으로만 제공된 것이며, 그 기본적인 원리는 광범위한 기능에 걸처 적용될 수 있다.

<기능 분석 단계 - 데이터 수집 프로토콜의 예>

본 실시예에서는, 상기 성능 영역에서 각 사용자의 종료에 대한 데이터가 수집되고 저장된다. 고려될 중요한 데이터의 예는 다음을 포함한다:

(ⅰ) 하나 또는 그 이상의 캡쳐 장치에 의해 하나 또는 그 이상의 각도에서 캡쳐된 비디오 데이터. 예컨대, 하나 또는 그 이상의 정면, 후면, 측면, 반대측면, 평면, 그리고 기타 카메라 각도가 사용될 수 있다.

(ⅱ) 적용 가능한 모션 캡쳐 기법을 이용한 모션 캡쳐 데이터(MCD).

(ⅲ) 하나 또는 그 이상의 신체에 장착된 모션 센서를 이용한 모션 센서 데이터(MSD).

데이터 수집이 수행되는 조건을 조정하여, 샘플 간 고도의 일치성과 비교성을 달성하도록 하는 것이 바람직하다. 예를 들어, 이는 주체(subject)의 위치, 그 주체에서 모션 센서 유닛의 정확한 위치선정 등에 도움을 주도록, 마커(marker) 등을 사용하여 카메라의 위치가 일치되도록 하는 기법을 포함할 수 있다.

수집된 데이터는 하나 또는 그 이상의 데이터베이스에 정리되어 저장된다. 메타데이터(metadata)도 수집되고 정리되어, 추가적인 내용을 제공한다. 더욱이 일 실시예에서, 상기 데이터는 가공되어 중요한 이벤트(event)를 확인한다. 특히, 이벤트는, 모션-기반 이벤트를 위해 자동적으로 및/또는 수동적으로 태그(tag)될 수 있다. 예를 들어, 주어진 기능의 반복은, 시작, 종료 그리고 하나 또는 그 이상의 중간 이벤트와 같은 복수의 동작 이벤트를 포함할 수 있다. 이벤트는, 단계의 선호, 볼이 접촉되는 순간, 로잉 동작에서의 중요점 등을 포함할 수 있다. 이러한 이벤트들은, 각 데이터 세트에 규정될 수 있고, 또는 비디오 데이터, 모션 캡쳐 데이터 및 모션 센서 데이터를 따라 동기화될 수 있는 스케쥴에 규정될 수도 있다.

<기능 분석 단계 - 데이터 동기화의 예>

데이터의 각 형태는 동기화도록 구성되는 것이 바람직하며, 다음은 그 예이다:

● 비디오 데이터와 모션 캡쳐 데이터는 동기화되어, 비교 검토할 수 있도록 하는 것이 바람직하다.

이는, 나란한 검토(이는 다른 각도에서 캡쳐된 비디오/모션 캡쳐 데이터의 비교 분석에 특히 유용하다)와, 예컨대 부분 투명도를 이용하는(이는 공통의 각도에서 캡쳐된 비디오/모션 캡쳐 데이터에 특히 유용하다) 겹침 검토를 포함할 수 있다.

● 모션 센서 데이터는 동기화되도록 구성되어, 복수의 모션 센서 유닛으로부터의 데이터가, 공통의 시간 참조와 관련하여 변환/저장 된다. 이는 일 실시예에서, 각 모션 센서 유닛이, 그 지역 시간에 관련한 시간 참조 및/또는 세계 시간에 관련한 시간을 참조한 데이터의 대표를, POD 장치에 공급하는 것에 의해 달성된다. 분배된 노드(node)에 의해 공급된 데이터의 시간 동기화를 위한 다양하고 유용한 동기화 기법이, 미디어 데이터 동기화를 포함하는 다른 정보 기술 환경에 알려져 있다.

상기 동기화는 시간-기반 동기화인 것이 바람직하나(이에 의해 데이터는 공통의 시간 참조로 표준화되도록 구성된다), 이에 한정되지 아니한다. 일 실시예에서, 이벤트-기반 동기화가, 시간-기반 동기화에 추가되거나, 대안으로서 사용된다(또는 시간-기반 동기화를 돕는 수단으로서 사용된다).

이벤트-기반 동기화는, 모션 캡쳐 데이터 또는 모션 센서 데이터와 같은 데이터가, 이벤트의 데이터 대표를 포함하는 프로세스를 가리킨다. 상기 이벤트는, 전형적으로 그 데이터에 대한 지역 타임라인(timeline)에 관련하여 규정된다. 예를 들어, 모센 캡쳐 데이터는 0:00:00에서 시작점을 갖는 비디오 파일을 포함하고, 이벤트는 그 시작점에 관련된 시점에 규정된다. 이벤트는, 자동적으로 규정되거나(예컨대 기 규정된 관찰가능한 신호 등과 같이, 소프트웨어 프로세스에 의해 확인될 수 있는 이벤트를 참조하여) 및/또는 수동적으로 규정될 수 있다(예컨대, 특정의 이벤트가 발생하는 시점을 확인하기 위해, 그 데이터를 수동으로 시각적으로 검토하는 동안 비디오 데이터를 마킹하는 것에 의해).

모션 캡쳐 데이터에서, 하나 또는 그 이상의 성능 이벤트에 기초하여 동기화가 가능하도록 하기 위해, 데이터에 표시를 하는 것이 바람직하다. 예컨대 로잉(rawing)의 경우에는, 로잉 동작에 다양한 확인가능한 동작점을 표시하여, 이에 의해 동작점의 공통성에 기초하여, 비디오 데이터의 동기화가 가능하도록 한다. 이는 다른 샘플 사용자들의 비디오 데이터를 비교할 때 특히 유용하다: 이는 그러한 사용자들 사이의 다른 동작의 비율을 확인하는 데 도움을 준다. 일 실시예에서, 동작점 기반 동기화는 복수의 지점에 기반을 두고 있고, 비디오 비율이 조정되어(즉 속도가 증가 또는 감소되어), 두개의 다른 샘플(즉 다른 사용자, 다른 반복, 다른 세트 등)에 대한 비디오 데이터에서 2개의 공통된 동작점이 나란히 보여지도록 하여(또는 겹치도록 하여), 이들 동작점 간 발전의 동일한 비율을 보여줄 수 있다. 예를 들어, 한 사람이 1초의 스트로크(stroke) 시간을 가지고 있고, 다른 사람이 1.2초의 스트로크 시간을 가지고 있는 경우, 동작점 기반 동기화가 적용되어, 후자가 1초로 축소되도록 함으로써, 두 사람의 동작 간에 좀 더 직접적인 비교가 가능하도록 한다.

<기능 분석 단계 - 데이터 확장 방법의 예>

일 실시예에서, 모션 센서 데이터 및/또는 모션 캡쳐 데이터는 각 주체(subject)에 대하여 데이터 확장 프로세스를 통해 변환되어, 다른 신체 특성을 갖는 복수의 "가상 주체"를 형성한다. 예를 들어, 복수의 다른 신체 사이즈에 기초하여, 각 모션 캡쳐 데이터 및/또는 모션 센서 데이터 점이 변환되도록 한다. 이는 특정의 신체 사이즈를 갖는 주체로로부터의 기능을 캡쳐하여, 다른 신체 사이즈를 반영한 복수의 샘플 기능으로 확장되는 것을 가능하게 한다.

"신체 사이즈"라는 용어는, 키, 상반신 길이, 다리 상부길이, 다리 하부길이, 히프 폭, 어깨 폭 등의 특성을 가리킨다. 실제로 이러한 특성들은, 마커(marker)와, 모션 캡쳐 데이터 및 모션 센서 데이터 수집에 각각 사용되는 모션 센서 유닛의 이동 경로 및 상대적 위치를 변경한다는 것을 이해할 수 있을 것이다. 데이터 확장은, 모든 샘플 수행자로부터 수집된 데이터가, "표준" 신체 사이즈를 가진 가상의 수행자에 의해, 하나 또는 이상의 가상 성능을 포함하는 가상 성능 세트로 확장될 수 있다는 점에서, 신체 사이즈 표준화에서도 유용하다. 일 실시예에서, 단일의 "표준" 신체 사이즈가 규정된다. 표준 신체 사이즈의 사용과, 그 표준 신체 사이즈에 대한 샘플 성능으로부터 모션 캡쳐 데이터와 모션 센서 데이터를 변환하는 것은, 복수의 샘플 수행자의 다른 신체 사이즈에도 불구하고, 모션 캡쳐 데이터와 모션 센서 데이터의 직접적인 비교를 가능하게 한다.

<기능 분석 단계 - 시각적 분석 방법의 예>

도 2A에 블록 202로 도시한 바와 같이, 기능 분석 방법의 예는, 비디오 데이터를 통한 샘플 성능의 시각적 분석을 포함한다. 다른 실시예에서, 상기 비디오 분석은, 모션 캡쳐 데이터 및/또는 모션 센서 데이터로부터 얻어진 컴퓨터-계산 모델을 사용하여, 비디오 데이터의 대안으로서, 또는 비디오 데이터에 부가하여 수행된다. 따라서, 아래의 예가 비디오 데이터에 기초한 검토에 집중되었지만, 그러한 예는 제한적이지 않으며, 다른 실시예에서 상기 비디오 데이터는, 모션 캡쳐 데이터 및/또는 모션 센서 데이터에 기초하여 구동되는 모델을 대신한다.

시각적 분석은 다양한 목적을 위해 수행되는데, 여기에는 기능의 예비적 이해 및 그 기능의 구성, 증상의 초기 확인, 그리고 규정된 분석 계획에 기초한 개인샘플 기능의 분석을 포함한다.

도 3은 일 실시예에 따른 사용자 인터페이스(user interface)(301)의 예를 나타낸다. 특별히 적용된 소프트웨어가 모든 실시예에 사용된 것은 아니라는 점을 이해할 수 있을 것이다. 도 3의 예는, 시각적 분석 프로세스에 특별히 사용되는 중요한 기능을 설명하기 위하여 제공된 것이다.

사용자 인터페이스(301)는, 저장된 비디오 데이터를 재생하도록 구성된 복수의 비디오 디스플레이 대상(302a - 302d)을 포함한다. 일 실시예에서, 비디오 디스플레이 대상의 수는, 예컨대 (ⅰ) 주어진 샘플 성능에 대한 비디오 캡쳐 카메라 각도와, 각 각도에 제공된 비디오 디스플레이 대상의 수와 그리고 (ⅱ) 사용자 제어에 기초하여 변화된다. 사용자 제어의 관점에서, 사용자는, 성능 레벨(복수의 비디오 각도에 대해, 복수의 비디오 디스플레이 대상이 일괄적으로 구성된 경우) 또는 개별적 비디오 기반(예컨대 하나 또는 그 이상의 샘플 성능으로부터 특정의 각도를 선택함) 중의 하나에서, 디스플레이될 비디오 데이터를 선택할 수 있다. 각 비디오 디스플레이 대상은, 단일의 비디오를 디스플레이 하거나, 복수의 비디오를 동시에 디스플레이 하도록 구성된다(예컨대 두개의 비디오가 투명도를 가지고 서로 겹쳐져, 겹침과 차이를 시각적으로 관찰할 수 있도록 한다). 재생 내용 디스플레이(304)는, 비디오 디스플레이 대상에서 무엇이 보여지고 있는지를 상세하게 제공한다.

대상 302a 부터 302d에 디스플레이되는 비디오 데이터는, 예컨대 시간 동기화에 의해 동기화된다. 통상의 스크롤 바(scroll bar)(303)가, 복수의 동기화된 비디오(기 언급한 바와 같이, 각 비디오 디스플레이 대상에서 복수로 겹쳐진 비디오 대상을 포함할 수 있다)를 통해 동시 내비게이션(navigation)이 가능하도록 구비된다. 일 실시예에서, 시간 동기화와 동작 이벤트 기반의 동기화 사이를 이동하도록 하기 위해, 토글(toggle)이 구비된다.

내비게이션 인터페이스(305)는, 사용자가 이용가능한 비디오 데이터를 검색할 수 있도록 한다. 이 데이터는 바람직하게, 복수의 특성 참조에 의해 분류되도록 형성되어, 원하는 성능 및/또는 비디오의 확인이 가능하도록 한다. 예를 들어, 하나의 접근법은, 먼저 기능에 의해 분류하고, 이어서 능력 레벨에 의해 분류하며, 이어서 사용자에 의해 분류하는 것이다. 바람직한 실시예에서, 사용자는 성능 비디오 데이터 및/또는 개인적 비디오를, 비디오 디스플레이 대상으로 드래그(drag) 및 드롭(drop)할 수 있다.

도 3은 관찰 기록 인터페이스(306)을 부가적으로 나타내고 있다. 이는 사용자가 관찰을 기록(예컨대 완전한 체크리스트, 노트 작성 등)하도록 하여, 보여지는 성능 데이터 세트와 관련되도록 할 수 있다. 복수의 성능 데이터 세트가 보여질 때, 마스터 세트(master set)를 구비하여, 하나 또는 그 이상의 겹쳐진 비교 세트 및 관찰이, 상기 마스터 세트와 관련되도록 하는 것이 바람직하다.

<기능 분석 단계 - 시각적 분석을 통한 증상 확인의 예>

일 실시예에서, 복수의 전문가(예컨대 코치)가 샘플 성능을 검토하기 위해 참여하여 증상을 확인하도록 한다. 다른 실시예에서는, 이 과정이 관찰 기록 인터페이스(306)를 제공하는 사용자 인터페이스(301)와 같은 인터페이스에 의해 용이하게 수행된다.

전체적으로 각 전문가는, 기 규정된 검토 프로세스에 기초하여, 각 샘플 성능(비디오 데이터, 또는 모션 캡쳐 데이터 및/또는 모션 센서 데이터로부터 구성된 모델의 검토를 통해)을 검토한다. 예를 들어, 상기 검토 프로세스는, 일정한 조건(예컨대 정상 속도, 슬로우 모션 및/또는 겹쳐진 "정확한 폼"의 예와 함께)에서 일정한 횟수의 시청을 요구하기 위해, 미리 규정될 수 있다. 상기 전문가는 확인된 증상에 관하여 관찰을 한다.

표 4A는 일 실시예에서 사용되는 체크리스트(checklist)의 예를 나타낸 것이다. 이러한 체크리스트는, 하드 카피(hard copy) 형태, 또는 컴퓨터 인터페이스(도 3의 306과 같은 인터페이스)를 통해 완성될 수 있다. 상기 체크리스트는 다음과 같은 데이터 특성을 확인한다: 분석되는 기능(이 실시예에서는 "표준 로잉 동작"), 검토자(즉 검토를 수행하는 전문가/코치), 주체(샘플 성능에서 이름 또는 ID에 의해 확인된 사람), 그리고 주체의 능력 레벨 및 검토되고 있는 세트. 이러한 데이터 특성에 대하여 추가적인 상세사항이 데이터의 다른 관점과 함께 디스플레이될 수 있다.

상기 체크리스트는, 전문가가 관찰하도록 안내된 증상을 확인하는 헤더 칼럼(header column)을 포함한다. 헤더 칼럼이 도 4A에서는 S₁에서 S₆로 나타나 있지만, 실제로는 기술되는 이름/용어(현재의 로잉 예에서, "스내치드 아암(snatched arm)", "러싱 슬라이드(rushing slide)"와 같이)의 참조에 의해, 상기 증상을 기록하는 것이 바람직하다.

헤더의 열은, 개인적 반복 REP₁ 에서 REP₈을 나타낸다. 검토자는 각 반복에 대하여 각 증상의 존재를 기록한다. 상기 증상의 세트는 능력 레벨에 따라 변화할 수 있다.

도 4A에 도시된 바와 같은 체크리스트(그리고 다른 수집 수단)으로부터 얻어진 데이터가 수집되고, 샘플 성능에 대해 각 세트의 반복에서 증상의 존재를 결정하기 위해 데이터가 처리된다. 이는, 각 반복에 대해 일치된 관점을 결정하는 것을 포함할 수 있고, 예컨대 주어진 반복에서 증상을 확인하는 전문가의 기준 수를 요구할 수 있다. 일 실시예에서, 일치된 관점 데이터는 개인적 전문가의 관찰 데이터와 결합되어 저장된다.

이어서, 비디오 데이터, 모션 센서 데이터 및 모션 캡쳐 데이터는, 증상 존재의 데이터 대표와 연관되어 진다. 예컨대, 주어진 샘플 성능 세트의 반복에 대해 모션 센서 데이터를 규정하는 개인적 데이터는, 하나 또는 그 이상의 확인된 증상과 연관되어 진다.

일 실시예에서, 도 4A와 같은 체크리스트는, 기 규정된 관찰가능한 데이터 상태에 기반을 둔 모션 센서 데이터의 분석에 기초한 예측 증상과 함께, 미리 구비되어 있다. 검토자는, 시각적 분석에 기반을 둔 이러한 예측을 확인/거절하는 것에 의해, 모션 센서 데이터에 기반을 둔 자동화된 예측의 정확성을 확인할 수가 있다. 일 실시예에서 그러한 확인은, 체크리스트의 구비 없이 배경 구동으로서 수행될 수 있다.

<기능 분석 단계 - 증상과 원인의 매핑 예>

일 실시예에서, 분석이 수행되고, 시각적 분석에 기초하여 증상과 원인의 매핑(mapping)이 가능하도록 한다. 문맥상, 주어진 증상은, 복수의 근원적인 원인중의 하나 또는 그 이상으로부터 기인할 수 있다. 일 실시예에서, 첫번째 증상은 두번째 증상의 원인이 된다. 훈련의 관점에서 보면, 주어진 증상에 대해, 뿌리깊은 근원적인 원인을 결정하는 것이 유용하다. 이어서 상기 원인을 처리하기 위해 훈련이 제공되고, 그 증상(실시예에서 "증상"은 부정확한 폼을 암시한다)을 수정하는데 도움을 줄 수 있다.

다시 표준 로잉(rowing) 동작에 대한 예에서, 다음의 증상들이 규정될 수 있다:

● 최소한의 록 오버(rock over).

● 범 셔브(bum shove).

● 스내치드 아암(snatched arms).

● 러싱 리커버리 슬라이드(rushing recovery slide).

● 오버 더 마운틴(over the mountain).

● 손이 무릎을 지나기 전에 무릎이 굽혀짐.

● 리커버리(recovery)가 너무 짧음.

● C-형상의 어깨.

이어서 각 증상에 대해 복수의 가능한 원인이 규정된다. 예를 들어, "스내취드 아암(snatched arms)" 상황에서의 원인은, 다음과 같이 규정될 수 있다:

● 팔을 일찍 로딩(loading).

● 어깨를 일찍 로딩.

● 러싱 리커버리 슬라이드(rushing recovery slide).

증상-원인 상호관계의 분석은, 확인된 증상에 대해 복수의 원인 중 어느 원인이 책임이 있는지를 예측/결정하는데 도움을 준다. 상기 "러싱 리커버리 슬라이드"와 같이, 원인이 또한 증상인 경우에는, 예측된 뿌리깊은 원인이 확인될 때까지, 그 증상에 대한 원인이 확인된다(잠재적으로 반복되는 프로세스 등을 통해). 이어서 그러한 뿌리깊은 원인이 처리될 수 있다.

일 실시예에서, 전문가는 추가적인 시각적 분석을 수행하여 증상과 원인을 연관시킨다. 이는 복수의 레벨에서 어느 하나 또는 그 이상에 의해 수행될 수 있으며, 그 예는 다음과 같다:

● 일반적인 기능 기반 레벨에서, 증상과 근원적인 원인의 연관

● 각 능력 레벨에서, 증상과 근원적인 원인의 일반적인 연관

● 각 개인별 운동선수에 대한 증상과 근원적인 원인의 연관

● 각 개인별 운동선수에 의해 수행된 각 세트에 대한 증상과 근원적인 원인의 연관(예컨대 능력, 강도 및 증상/원인 관계에 대하여 지도 제공)

● 각 개인별 운동선수에 의해 수행된 각 세트의 반복에 대한 증상과 근원적인 원인의 연관. 이는 좀 더 수단 집약적이며, 특정의 원인에 대해 상세한 모션 센서 데이터의 분석을 가능하게 한다.

일 실시예에서, 증상의 확인과 함께 체크리스트가 사용된다. 체크리스트의 예가 도 4B에 제공되어 있다. 이 체크리스트에서, 검토자는 주어진 세트에 대해 확인된 증상(본 실시예에서 S₁, S₂, S₄ 및 S₅)과 원인 간의 상호 관계를 기록한다. 컴퓨터 실행의 체크리스트인 경우에는, 헤더 칼럼(header column)이, 그 세트에서 존재하는 것으로 확인된 증상만을 나타내도록 하기 위해 필터링될 수 있다. 일 실시예에서, 전문가는 체크리스트에 부가적인 원인 칼럼을 추가할 수 있다.

증상-원인 관계의 데이터 대표는, 복수의 검토자를 따라 합쳐져서 오버랩 매트릭스(overlap matrix)를 규정하는데, 이는 복수의 전문가에 의해 확인되는 것과 같이, 증상과 원인 관계의 일치된 관점을 확인한다. 이는 능력 레벨 기반, 운동선수 기반 또는 반복 기반에서 행해질 수 있다. 어느 경우에도, 증상이 주어진 능력 레벨의 운동선수에게 확인되면, 상기한 집합은, 원인 또는 가능한 원인의 예측을 가능하게 하는 데이터를 결정할 수 있도록 한다. 관찰가능한 데이터 상태가 개인적 원인으로 규정된 경우에, 모션 센서 데이터의 가공이, 하나 또는 그 이상의 가능한 원인의 존재를 확인할 수 있도록 한다.

일 실시예에서, 전문가들 사이에서 일치된 관점으로 되지 않은 증상-원인 상호관계는, 고급 내용의 생성을 위한 목적으로 저장된다. 예를 들어, 훈련 프로그램의 관점에서, 다음 고급 내용을 갖는 복수의 레벨이 있을 수 있다:

● 증상-원인 상호관계에 대해 일치된 관점을 사용하는 베이스 레벨;

● 특정의 전문가와 연관된(그 전문가에 의해 일관되게 확인되지만, 일치된 관점에는 반영되지 않은 관찰에 기초하여) 증상-원인 상호관계의 그룹을 부가적으로 사용하는 높은 레벨.

상기 오버랩 매트릭스는, 특정의 원인이, 능력 레벨 등과 같은 내용에 기초한 특정의 증상에 책임이 있는 지의 상대적 가능성을 규정하는 데에도 사용된다. 예를 들어, 첫번째 능력 레벨에서는, 증상 A가 원인 B의 결과일 가능성이 90% 정도이나, 두번째 능력 레벨에서는 원인 B가 그 증상에 대해 단지 10% 정도의 가능성이 있고, 원인 C가 70% 정도일 수 있다.

일 실시예에서, 분석이 수행되고, 각 반복을 원인과 연관되도록 하여(상기한 증상과 유사한 방식으로), 모션 센서 데이터에서의 원인에 대하여 관찰가능한 데이터 상태를 확인하는데 도움을 준다. 그렇지만 다른 실시예에서, 원인은, 모션 센서 데이터를 분석할 필요가 없이, 확률적 예측 기반에 의해 확인된다.

<기능 분석 단계 - 능력 레벨 증상의 확인 예>

일 실시예에서, 증상의 중요한 카테고리는, 주체(subject)의 분류가, 규정된 능력 레벨에 규정되도록 하는 것이다. 주어진 능력 레벨로 분류하는 것은, 특정한 증상의 관찰, 또는 하나 또는 그 이상 증상의 집합을 관찰하는 것에 기반을 둘 수 있다

아래에 기술된 바와 같이, 일 실시예는 예컨대 능력 레벨의 대표 증상 관찰을 기초로 하여, 먼저 능력 레벨을 결정하는 훈련 프로그램을 이용하고, 이어서 그 결정을 기초로 하여 하부 액션을 수행한다. 예컨대, 일 실시예에서 관찰가능한 데이터 상태를 모니터링하는 것은 능력 레벨에 의존한다. 예를 들어, 첫번째 능력 레벨에서의 주어진 증상에 대한 관찰가능한 데이터 상태는, 두번째 능력 레벨과 비교할 때 다르게 규정된다. 실제로 이는, 증상을 디스플레이 하기 위한 초심자의 코스 에러 결과일 수 있지만, 좀 더 세련된 동작 변형에 의해 증상을 디스플레이하는 전문가의 결과일 수도 있다.

<기능 분석 단계 - 관찰가능한 데이터 상태(즉 상태 엔진 데이터)의 예>

전문가/코치에 의한 시각적 분석 이후, 기능 분석 단계는 데이터 분석 서브단계(sub-phase)로 넘어가서, 샘플 기능의 시각적 분석으로부터 얻어진 전문가 지식이, 모션 센서 데이터를 자동으로 검출할 수 있도록 하는, 관찰가능한 데이터 상태를 규정하기 위해 분석된다. 예를 들어, 그러한 관찰가능한 데이터 상태는, 추후 최종 사용자 하드웨어(예컨대 POD 장치)에 다운로드 되는 상태 엔진 데이터에 사용되어, 최종 사용자의 신체적 성능에서 특정 증상의 검출을 나타내는 입력에 기초하여, 훈련 프로그램이 작동되도록 한다. 주어진 증상에 대한 관찰가능한 데이터 상태를 규정하기 위해, 다양한 실시예에서 다른 방법이 사용된다는 것을 이해할 수 있을 것이다. 일 실시예에서 일반적인 방법은 다음을 포함한다:

(ⅰ) 모션 센서 데이터의 분석을 수행하여 데이터 특성(예컨대 가속 비율 및 방향)의 조합을 확인함으로써, 시각적 분석의 결과가 증상의 존재를 가리키도록 예측;

(ⅱ) 샘플 성능(예컨대 실제로 기록된 모션 센서 데이터를 사용하여)의 데이터 대표에 대한 데이터 특성을 테스트하여, 이러한 데이터 특성이, 관련된 증상을 표시하는(선택적으로 특정의 능력 레벨 기반에서) 모든 샘플 성능에 존재하는 지를 확인; 그리고

(ⅲ) 샘플 성능(예컨대 실제로 기록된 모션 센서 데이터를 사용하여)의 데이터 대표에 대한 데이터 특성을 테스트하여, 이러한 데이터 특성이, 관련된 증상을 표시하지 않는(선택적으로 특정의 능력 레벨 기반에서) 모든 샘플 성능에 존재하지 않는 지를 확인.

실시예는 다음을 포함하나, 이에 한정되지는 아니한다:

● 시각적 분석과 모션 센서 데이터 간의 징검다리로서, 모션 캡쳐 데이터를 사용하는 접근법.

● 시각적 분석으로부터 모션 센서 데이터로 직접 이동하는 접근법.

● 개별 센서로부터 획득된 데이터에 기초하여, 관찰가능한 데이터 상태를 규정하는 접근법.

● 모션 센서 데이터로부터 구축된 가상의 신체 모델을 사용하여, 전체적인 신체 움직임에 기초하여 관찰가능한 데이터 상태를 규정하는 접근법.

위 예의 선택이 아래에 상세히 기재되어 있다.

일 실시예에서, 관찰가능한 데이터 상태가 조정되어, 최종 사용자 하드웨어를 효율적으로 사용하게 하며, 이는 예컨대, 모션 센서 유닛 및/또는 POD 장치에서, 프로세서/파워가 덜 집중적인, 관찰가능한 데이터 상태를 규정하는 것에 의해 달성될 수 있다. 예를 들어, 이는 샘플링 비율, 데이터 해상도 등의 관점에서 적절할 수 있다.

<기능 분석 단계 - 시각적 관찰의 모션 센서 데이터 공간으로의 변환 예>

상기한 바와 같이, 일 실시예에서 모션 캡쳐 데이터는, 시각적 관찰과 모션 센서 데이터 분석 사이의 징검다리로서 사용될 수 있다. 이는 모션 센서 데이터(예컨대 도전은, 모션 센서 데이터를 일반적인 기하학적 참조 프레임으로 변환하는 것과 연관된다)에 기초하여, 가상의 신체 모델을 정확하게 규정하는 것과 관련된 도전을 피하는데 유용하게 사용될 수 있다.

전체적으로 상기 프로세스는, 주어진 증상에 대해, 그 증상을 나타내도록 표시된 기능과 관련된 모션 캡쳐 데이터를 분석하는 것을 포함한다. 일 실시예에서, 이러한 분석은 능력 레벨 특정 기반에서 수행된다(동작으로부터 증상이 관찰되는 범위는, 능력 레벨 사이에서 변화할 수 있다는 것에 주의하여야 한다). 예를 들어, 상기 분석은, 관련된 증상을 나타내는 샘플에 대한 모션 캡쳐 데이터를(모션 캡쳐 데이터로부터 획득된 컴퓨터 구동 모델 등) 증상을 나타내지 않는 샘플에 대한 모션 캡쳐 데이터와 비교하는 것을 포함할 수 있다.

도 5는 본 발명에 따른 방법을 나타내고 있다. 이것은 단지 예시적인 것이며, 유사한 목적 달성을 위해 다양한 다른 방법들이 선택적으로 사용된다는 것을 이해할 수 있을 것이다. 블록 501은, 분석을 위해 증상을 결정하는 프로세스를 나타낸다. 예컨대, 로잉(rawing)의 경우에 상기 증상은 "스내치드 아암(santched arm)"일 수 있다. 블록 502는, 분석을 위해 샘플 데이터를 확인하는 프로세스를 나타낸다. 예컨대, 상기 샘플 데이터는 다음을 포함할 수 있다:

● 증상과 관련된 모든 반복에 대한 모션 캡쳐 데이터.

● 특정의 강도 파라미터에서, 증상과 관련된 모든 반복에 대한 모션 캡쳐 데이터. 즉 상기 분석은, 특정의 강도 파라미터에서 증상이(다른 강도 파라미터와 대조적으로) 어떻게 나타나는지를 고려한다.

● 특정의 능력 레벨에서, 증상과 관련된 모든 반복에 대한 모션 캡쳐 데이터. 즉 상기 분석은, 특정의 능력 레벨에서 증상이(다른 능력 레벨과 대조적으로) 어떻게 나타나는지를 고려한다.

● 특정의 강도 파라미터 및 특정의 능력 레벨에서(즉 상기 2개의 접근법을 결합하여), 증상과 관련된 모든 반복에 대한 모션 캡쳐 데이터.

다른 접근법이 사용될 수도 있다. 일 실시예에서, 강도 및 능력과 같은 인자의 효과를 더 잘 이해하도록 하기 위해(주어진 증상에 대해 관련이 있는지 또는 무관한지를 나타내도록 하기 위해), 상기한 복수의 접근법이 결합되어 사용될 수도 있다.

여기서 사용된 모션 센서 데이터는, 표준 신체 사이즈로 표준화된 모션 센서 데이터인 것이 바람직하며, 예컨대 상기한 샘플 확장 기법에 기반을 둘 수 있다. 마찬가지로, 상기 프로세스로부터 획득된 관찰가능한 데이터 상태는, 샘플 확장의 변환 원리를 사용하여 그로부터 표준화되어, 다양한 범위의(잠재적으로 무한하게 변화할 수 있는) 신체 사이즈에 적용될 수 있다.

기능 블록 503은, 잠재적 증상 예측 동작(SIM)의 확인을 포함하는 프로세스를 나타낸다. 이는 예를 들어, 관련된 증상을 나타낼 것으로 예측된 각 샘플 반복에 대하여, 모션 캡쳐 데이터에서 관찰할 수 있는 동작의 특성을 확인하는 것을 포함한다. 일 실시예에서, 예측 동작은, 모션 센서 유닛이 장착된 신체 부위의 동작 경로의 특성에 의해 규정된다. 상기 동작 경로의 특성은, 각도의 유사성, 각도의 변화, 가속/감속, 가속/감속의 변화 등을 포함할 수 있다. 여기서 이를 "점 경로 데이터"라 하며, 이는 신체상에 규정된 지점의 동작 특성의 데이터 대표를 말한다. 이점에 있어서, 잠재적 증상 예측 동작은, 하나 또는 그 이상의 "점 경로 데이터"에 의해 규정된다(즉 상기 증상 예측 동작이 단지 하나의 신체부분 동작에 기초한 경우, 점 경로 데이터는 한 세트이고, 상기 증상 예측 동작이 상부 팔 및 하부 팔과 같이 복수의 신체부분 동작에 기초한 경우에는, 점 경로 데이터가 복수의 세트가 된다).

문맥상, 점 경로 데이터의 세트는, 주어진 지점에 대해 다음의 데이터를 포함하도록 규정된다:

● X-축 가속도: 최소:A, 최대:B

● Y-축 가속도: 최소:C, 최대:D

● Z-축 가속도: 최소:E, 최대:F

가속도가 아닌 다른 데이터가 사용될 수도 있다. 더욱이 복수의 가속도 측정이 있을 수 있고, 이는 다른 이벤트 및/또는 측정에 대해 시간 참조될 수 있다. 예를 들어, 점 경로 데이터의 한 세트는, 다른 점 경로 데이터 세트의 관찰에 따르는 규정된 시간을 참조하는 것에 의해 제한될 수도 있다. 이는, 다리 상부 지점과 팔뚝 지점의 상대적인 운동을 고려하는 증상 예측 동작을 규정하기 위하여 사용될 수도 있다.

기능 블록 504는, 잠재적인 증상 예측 동작이 비교 데이터에 의해 테스트되는 테스트 프로세스를 나타낸 것이다. 일 실시예에서, 상기 테스트는 다음 사항을 입증한다:

(ⅰ) 점 경로 데이터의 하나 또는 그 이상의 세트가, 샘플 데이터에서의 각 반복에 대하여 모션 캡쳐 데이터에서 관찰된다. 이는, 동작하도록 의도된 샘플에서 증상의 존재를 확인한다는 관점에서, 상기 잠재적인 증상 예측 동작이 효과적이라는 것을 입증한다.

(ⅱ) 점 경로 데이터의 하나 또는 그 이상의 세트가, 관련된 증상과 연관되지 않은 반복에 대하여 모션 캡쳐 데이터에서 관찰되지 않는다. 이는 상기 증상이 존재하지 않을 경우, 상기 잠재적인 증상 예측 동작이 작동되지 않는다는 것을 입증한다.

결정 505는, 상기 잠재적 증상 예측 동작이 505에서의 테스트에 기초하여 확인되는지 여부에 대한 결정을 나타낸다.

잠재적 증상 예측 동작이 성공적으로 확인되지 않을 경우, 이는 개선되고 다시 테스트된다(블록 506 참조). 일 실시예에서, 개선 및 다시 테스트하는 것은, 쌍방의 알고리즘을 통해 자동화된다. 이는 예를 들어, 이전에 미리 규정된 잠재적 증상 예측 동작을 이루는 점 경로 데이터를, 관련된 증상이 나타나지 않은 기능 반복에 대한 모션 캡쳐 데이터를 참조하는 것에 의해, 독특한 것으로 확인할 수 있는 지점까지 좁혀 나간다. 일 실시예에서, 주어진 증상 예측 동작은, 반복의 한계치를 따라 확인되지 않을 수 있고, 증상 예측 동작의 새로운 시작 지점이 요구될 수 있다.

블록 507은, 성공적인 테스트에 뒤따르는 증상 예측 동작의 확인을 나타낸다.

일 실시예에서, 상기 샘플 데이터가, 관련된 증상과 연관된 모든 반복에 대한 전체 모션 캡쳐 데이터의 부분일 때, 데이터는, 상기 증상 예측 동작이 전체 모션 캡쳐 데이터의 다른 부분에서도 확인되는 지의 여부를 표시하기 위해 생성된다(예컨대 상기 증상 예측 동작은, 첫번째 능력 레벨에서의 분석에 기초하여 획득되지만, 두번째 능력 레벨에서도 유효하다).

잠재적 증상 예측 동작을 결정하는 프로세스는, 주로 수동 프로세스일 수 있음을 이해하여야 한다(예컨대 비디오 분석 및/또는 모델 데이터로부터 얻어진 모션 캡쳐 데이터에 기초하여). 그렇지만 일 실시예에서, 상기 프로세스는 다양한 레벨의 자동화에 의해 도움을 받는다. 예를 들어 일 실시예에서, 증상을 나타내는 모션 캡쳐 데이터에서의 모션 캡쳐 데이터의 공통성을, 증상이 없는 모션 캡쳐 데이터에서의 모션 캡쳐 데이터와 비교하는 것에 기초하여, 알고리즘이 잠재적인 증상 예측 동작을 확인하도록 구성될 수 있다. 일 실시예에서 그러한 알고리즘은, 잠재적인 증상 예측 동작(각 증상 예측 동작은, 모션 캡쳐 데이터 공간 또는 모션 센서 데이터 공간에서, 하나 또는 그 이상의 점 경로 데이터 세트에 의해 규정된다)의 수집을 규정하도록 형성되어, 다른 모든 샘플 성능에 관하여(샘플 성능이 신체 사이즈에 대해 표준화되어), 증상을 디스플레이하는 샘플 성능 세트의 독특성을 포괄적으로 규정한다. 일 실시예에서, 알고리즘은, 선택된 증상 또는 증상의 집합에 공통되는 모든 모션 캡쳐 데이터를 포함하는, 데이터 세트의 대표를 출력하도록 구성되고, 그 데이터 세트의 필터링이 가능하도록 하여(예컨대, 특정의 센서, 동작 내에서의 특정 시간 창, 데이터 해상도 제한 등에 기초하여), 이에 의해 최종 사용자 하드웨어에서 실제적인 적용이 가능하도록 하는 특징을 갖는 잠재적 증상 예측 동작으로, 그 데이터 세트를, 사용자 안내 방식으로 좁힐 수 있도록 한다(예컨대 최종 사용자에게 공급된 모션 센서 유닛 장착 의복의 모션 캡쳐 데이터에 기초하여).

일 실시예에서, 상기 테스트 프로세스는 시각적 분석이 성공적이지 않을 경우, 반복하여 증상을 확인할 수 있도록 하기 위해 부가적으로 사용된다. 예를 들어, 테스트 실패의 수가 작은 경우에는, 이는 그 증상이 실제로 없는지 또는 약하게 나타나는지의 여부를 확인하기 위해, 시각적 분석에 따르도록 한다.

<기능 분석 단계 - 모션 캡쳐 데이터(MCD) 공간의 모션 센서 데이터 공간(관찰가능한 데이터 상태)으로의 변환 예>

도 5에 도시된 것과 같은 방법에 의해 확인된 증상 예측 동작은, 이어서 모션 센서 데이터 공간으로 변환된다. 상기한 바와 같이, 각 증상 예측 동작은, 하나 또는 그 이상의 점 경로 데이터 세트의 데이터 대표를 포함하고, 점 경로 데이터 의 각 세트는, 신체의 규정된 지점에 대한 동작 특성을 규정한다.

점 경로 데이터가 규정된 신체의 지점은, 모션 센서 유닛이 장착된 지점에 대응되도록 규정되는 것이 바람직하며, 모션 센서 유닛은, (ⅰ) 샘플 수행 동안 주체(subject)에 의해 착용된 모션 센서 유닛의 배치, 그리고 (ⅱ) 최종 사용자에 의해 사용되는 모션 센서 유닛 장착 의복의 형태로 장착된다. 일 실시예에서, 상기 최종 사용자의 모션 센서 유닛 장착 의복(또는 그 변형)은, 샘플 수행의 목적으로 사용된다.

점 경로 데이터가 모션 센서 유닛이 장착된 곳이 아닌 다른 지점에 대해 규정된 경우에는, 데이터 변환이 수행되어, 점 경로 데이터를 그 지점으로 조정하는 것이 바람직하다. 대안으로서, 그러한 변환은 후속 단계로 통합될 수 있다.

전체적으로, 샘플 데이터(도 5에서 블록 502의 샘플 데이터)에서 하나 또는 그 이상의 샘플 수행 반복에 대한 모션 센서 데이터가 분석되어, 그 점 경로 데이터에 대응되는 데이터 특성을 확인하도록 한다. 예를 들어, 상기 점 경로 데이터는, 참조 프레임(바람직하게 중력의 참조 프레임)과 관련된 하나 또는 그 이상의 규정된 동작 및/또는 가속방향의 범위를 나타낼 수 있다.

일 실시예에서, 모션 캡쳐 데이터 공간에서 획득된 증상 예측 동작(a)으로부터 모션 센서 데이터 공간을 규정하는 데이터(b)로의 변환은, 다음을 포함한다:

(ⅰ) 점 경로 데이터의 각 세트에 대해, 증상 예측 동작이 관련된 각 샘플 수행에 나타나며, 그 점 경로 데이터의 대표를 나타내는 모션 센서 데이터의 특성을 확인하는 것. 어떤 경우에 있어서는, 점 경로 데이터와 모션 센서 데이터 사이의 관계가, 예컨대 모션 센서 데이터의 속성에 기인하여 불완전하다. 그러한 경우, 상기 확인된 모션 센서 데이터 특성은, 상기 점 경로 데이터에 의해 규정된 동작보다 더 광범위할 수 있다.

(ⅱ) 도 5의 504-506 블록의 반복 테스팅과 유사한 프로세스에 의해, 규정된 모션 센서 데이터 특성을 확인하여, 규정된 모션 센서 데이터 특성이, 증상-표시 샘플 수행에 대해서는 모션 센서 데이터에서 일관되게 발견되고, 모든 증상-부재 샘플 수행에 대해서는 발견되지 않는다는 것을 확인하는 것.

모션 센서 데이터 공간으로 변환하는 프로세스는, 수집 단계(예컨대 도 2A의 블록 201) 동안 사용된 하나 또는 그 이상의 모션 센서 유닛으로부터 얻어진 데이터에서 관찰될 때, 증상의 존재를 표시하는 데이터 상태가 된다. 즉, 상기 변환 프로세스는, 그 증상에 대한 관찰가능한 데이터 상태가 된다.

이런 방식으로 규정된 관찰가능한 데이터 상태는, 하나 또는 그 이상의 센서에 대해 개별적인 센서 데이터 상태로 규정된다. 예를 들어, 관찰가능한 데이터 상태는, 규칙과 결합하여(예컨대 시간 규칙: 센서 X가 A를 관찰하고, 규정된 시간 근접의 범위 내에서 센서 X가 B를 관찰) 각 센서에서의 속도 및/또는 가속도 측정에기초하여 관찰될 수 있다.

이어서 상기 관찰가능한 데이터 상태는, 최종 사용자 장치로 다운로드할 수 있도록 구성된 상태 엔진 데이터로 통합될 수 있고, 이에 의해 그 최종 사용자 장치의 구성이, 관련된 증상을 모니터할 수 있도록 한다.

상기한 변환 프로세스에 의해 규정된 관찰가능한 데이터 상태는, 데이터 수집 단계에서 사용된 모션 센서 유닛에 독특한 것임을 이해할 수 있을 것이다. 이러한 이유로, 최종 사용자에 의해 사용될 수집 단계 동안에, 동일한 모션 센서 유닛과 모션 센서 유닛 위치(예컨대 동일한 모션 센서 유닛 장착 의복을 통해)를 사용하는 것이 편리하다. 그렇지만 일 실시예에서는, 최종 사용자 모션 센서 유닛 장착 의복이, 예컨대 다른 모션 센서 유닛 및/또는 다른 모션 센서 유닛 위치와 같이, 복수의 버전일 수 있다. 그러한 경우, 모션 센서 데이터 공간으로의 변환은, 각 의복 버전에 대해 개별적으로 수행될 수도 있다. 이는, 가상 모션 센서 유닛 구조(특정의 최종 사용자 장비에 대응하는)의 가상 적용에 의해, 공지의 데이터 변환 및/또는 수집된 테스트 데이터의 모델링을 적용하는 것에 의해 달성될 수 있다. 예를 들어, 후자와 관련하여, 모션 센서 데이터로부터 얻어진 가상 모델이, 하나 또는 그 이상의 가상 모션 센서 유닛을 지지하는 근거로 선택적으로 사용되어, 증상 예측 동작에 대응하는 컴퓨터-예측 모션 센서 유닛 리딩(reading)을 결정할 수 있다. 이에 의해, 하드웨어 발달에 기초하여 관찰가능한 데이터 상태를 다시 규정할 수 있는 능력을 제공하고, 분석 단계를 통해 수집된 데이터가, 그러한 상황에서 계속 다시 사용될 수 있다는 것을 이해할 수 있을 것이다.

예시적인 프로세스가 도 6에 나타나 있는데, 이는 모션 센서 데이터 분석에 기초하여, 관찰가능한 데이터 상태 또는 생성된 증상 예측 동작을 규정하기 위한 프로세스이다. 검증된 증상 예측 동작이 601에서 확인된다. 점 경로 데이터의 첫번째 세트가 602에서 확인되고, 이는 블록 603 에서 608로 표시된 프로세스에 의해 분석되어, 각 점 경로 데이터에 대해 루프(loop)를 형성한다. 이 루프 프로세스는, 점 경로 데이터에 대응하는 잠재적 모션 센서 데이터 특성을 확인하는 것을 포함한다. 이는 예를 들어 일 실시예에서, 수집된 모션 센서 데이터(모션 캡쳐 데이터와 모션 센서 데이터는, 시간 동기화를 위해 구성된 방식에 의해 저장되어 있다)의 전부 또는 일부에 대한 점 경로 데이터와 마찬가지로, 동일한 지점에 대하여 수집된 모션 센서 데이터를 처리하는 것을 포함한다. 이어서 604에서 테스트가 수행되고, 605에서, 확인된 모션 센서 데이터 특성이, 샘플 수행에 의해 수집된 모든 증상-존재 모션 센서 데이터에 존재하고 있는 지의 여부를 결정한다(일 실시예에서는, 모션 센서 데이터 특성이, 증상 없는 모션 센서 데이터에 존재하고 있지 않은지를 확인한다). 필요시, 606에서 개선이 수행되거나, 607에서 모션 센서 데이터의 특성이 입증된다. 증상 예측 동작의 점 경로 데이터의 모든 세트에 대해, 블록 603에서 608까의 루프 프로세스가 완성되면, 입증된 모션 센서 데이터 특성은 609에서 결합되어, 이에 의해 그 증상에 대한 잠재적 관찰가능한 데이터 상태를 규정한다. 이 과정 또한 블록 610에서 613 까지의 프로세스를 통해 테스트되고, 개선되고 입증되어, 그 잠재적 관찰가능한 데이터 상태가: (ⅰ) 관련된 증상이 실제 존재하여 관련된 모든 샘플 수행 모션 센서 데이터에서 확인되었는지, 그리고 (ⅱ) 관련된 증상이 존재하지 않아 관련된 모든 샘플 수행 모션 데이터에서 확인되지 않았는지를 확인한다(어떤 경우에 있어서, "관련"이라는 용어는, 분석이 능력 레벨 등에 의해 제한되는 것을 나타낸다).

다양한 대안적 방법들이 다른 실시예에 사용되어, 주어진 증상에 대해 관찰가능한 데이터 상태를 규정할 수 있다는 것을 이해할 수 있을 것이다. 그렇지만 본질적으로 모든 경우에 있어서, 상기 방법은, 분석을 수행하여, 그에 의해 증상이 존재하는 경우에는, 샘플 수행에 대해 모션 센서 데이터(수집 또는 가상으로 규정된 데이터)에서 관찰가능한 데이터 상태를 규정할 수 있고, 증상이 존재하지 않는 경우에는, 샘플 수행에서 관찰가능한 데이터 상태를 규정할 수가 없다.

<기능 분석 단계 - 모션 캡쳐 데이터 공간을 통한 시각적 관찰의 모션 캡쳐 데이터 공간으로의 대체 변환>

다른 실시예에서, 모션 캡쳐 데이터는 가상의 신체 모델을 생성하기 위해 사용되고, 그 모델은 시간-동기화된 모션 센서 데이터와 관련된다. 그러한 방식에서는, 기능 수행 동작의 특정의 지점에서, 하나 또는 그 이상의 선택된 모션 센서 유닛을 사용함으로써 분석이 수행될 수 있다.

이 단계에서 사용된 모션 센서 유닛은, 특정 성능에 대한 모션 센서 데이터이거나, 또는 유사한 성능(예컨대 규정된 능력 레벨에서, 표준화된 신체 사이즈에 의한 성능)의 일부에 걸쳐 집합된 모션 센서 데이터일 수 있다. 상기한 집합은 다음의 하나 또는 모두를 포함할 수 있다: (ⅰ) 모든 성능의 부분에서 유사한/동일한 모션 센서 데이터만을 이용하거나, 그리고 (ⅱ) 데이터 가치의 범위를 규정하여, 집합된 모션 센서 데이터가 성능 부분에 대해, 모든(또는 통계적으로 관련된 부분의) 모션 센서 데이터를 포함할 수 있다. 예들 들어, 후자와 관련하여, 제1 성능에 대한 모션 센서 데이터는, 특정 시점에서 특정 센서의 X-축 가속에 대한 값 A를 가질 수 있고, 제2 성능에 대한 모션 센서 데이터는, 특정 시점에서 특정 센서의 X-축 가속에 대한 값 B를 가질 수 있다. 특정 시점에서, 그 특정 센서의 X-축 가속에 대한 값이 A와 B 사이에서 규정될 때, 이들은 집합된 모션 센서 데이터로 합쳐질 수 있다.

따라서, 분석은 다음의 내용을 결정하기 위해 수행될 수 있다:

(ⅰ) 특정의 기능에 대해, 동작의 특정 지점에서, 특정의 센서에 대한 하나 또는 그 이상의 모션 센서 데이터(예컨대 가속도계 값)의 관점에 대한 값.

(ⅱ) 동작의 동일 지점에서, 다른 성능에서의 값을 비교하는 비교 데이터(예컨대 동일한 능력 레벨에서 동일한 증상을 나타내는 다른 성능).

(ⅲ) 성능 세트에 대해(예컨대 동일한 능력 레벨에서 동일한 증상을 나타내는 다른 성능), 동작의 특정 지점에서, 특정의 센서에 대한 하나 또는 그 이상의 모션 센서 데이터(예컨대 가속도계 값)의 관점에 대한 값의 범위.

(ⅳ) 특정 증상을 나타내지 않는 다른 하나 또는 그 이상의 성능에 대한 대응 모션 센서 데이터와 비교하여, 특정의 증상을 갖는 특정의 성능에 대해, 동작의 특정 지점에서, 특정의 센서에 대한 하나 또는 그 이상의 모션 센서 데이터(예컨대 가속도계 값)의 관점에 대한 비교 데이터.

이러한 분석은, 주어진 증상에 대해 예측되는, 관찰가능한 데이터 상태를 결정하는데 사용된다.

예측되는 관찰가능한 데이터 상태가 규정되면, 이는 도 7에 도시된 바와 같은 방법을 사용하여 테스트 될 수 있다. 특정의 증상에 대해 예측되는 관찰가능한 데이터 상태는 701에서 결정되고, 이어서 702에서, 샘플 성능에 대한 모션 센서 데이터에 대해 테스트가 행해진다. 이전의 예와 같이, 이 테스트는, 증상을 표시하는 관련 성능에 대해, 예측되는 관찰가능한 데이터 상태가 존재하는지, 그리고 증상을 표시하지 않은 관련 성능에 대해, 관찰가능한 데이터 상태가 존재하지 않는지를 확인하기 위해 사용된다. 예를 들어, 상기 관련된 성능은, 일반적인 능력 레벨에서 샘플 성능이 되고, 어떤 경우에는 상기 관련된 성능이 표준 신체 사이즈로 표준화된다. 이 테스트에 기초하여, 상기 관찰가능한 데이터 상태는 704에서 개선되고, 705에서 확인된다.

<분석 단계 : 신체 모델링을 통해 관찰가능한 데이터 상태를 규정하는 다른 접근법>

상기한 접근법은, 하나 또는 그 이상의 개별적 센서에서, 특정의 데이터 특성을 찾는, 관찰가능한 데이터 상태에 기반을 두고 있다. 다른 접근법은, 신체의 동작에 기초하여 관찰가능한 데이터 상태를 규정하고, 모션 센서 유닛으로부터 수집된 모션 센서 데이터에 기초하여 가상의 신체 모델을 규정하는 것이다. 예를 들어, 모션 센서 데이터는, 수집되고 처리된 후 그 데이터를 일반적인 참조 프레임으로 변환하여, 3차원 신체 모델(또는 부분적 신체 모델)이 규정될 수 있고, 모션 센서 유닛으로부터 얻어진 동작 데이터에 기초하여 유지될 수 있다. 모센 센서 데이터로부터 부분적 및/또는 전체적 신체 모델을 획득하는 기법의 예는, 둘 또는 그 이상의 모센 센서 유닛으로부터의 모션 센서 데이터를, 일반적인 참조 프레임으로 변환하는 것을 포함한다. 그러한 변환은, 다음 기법의 하나 또는 그 이상에 의해 선택적으로 달성될 수 있다:

● 모션 센서 유닛의 정확한 위치 및/또는 측정, 그리고 일정 시점(예컨대 시작 포즈)의 기 규정된 지점에서 알려져 있는 신체 위치의 확인.

● 모션 캡쳐 포인트(예컨대 모캡 마커(mocap marker))와 모션 센서 유닛 간의 알려져 있는 위치 관계의 활용.

● 조인트 타입과 같이 알려져 있는 신체 제한을 사용하여, 조인트의 일측에 있는 제1 센서로부터의 모션 센서 데이터와, 조인트 타측의 모션 센서 데이터를 서로 연관시키는 것.

● 예를 들어 중력 가속도 방향과 자북(magnetic north) 방향을 활용하여, 전체적 데이터 변환을 일반적인 참조 프레임으로 변환하기 위해, 복수의 모션 센서 유닛에 일반적인 참조 데이터를 사용하는 것.

이중에서 처음의 2개는, 모션 센서 유닛이 조정된 환경에 설치될 수 있는 경우에, 기능 분석의 방식에 있어서 유리하고, 모션 캡쳐 데이터와 같은 이차적인 데이터가 모센 센서 데이터의 해석을 돕기 위해 사용된다. 나중의 2개는, 예컨대 잠재적으로 제어되지 않은 상태의 환경에서(또는 비교적 덜 제어된 환경에서), 최종 사용자 타입의 모션 센서 유닛 장착 의복의 착용자로부터 모션 센서 데이터가 수집되는 경우와 같이, 제어가 덜 필요한 상황과 밀접한 관련이 있다. 그러한 접근법의 추가적인 정보가 아래에 기재되어 있다.

<신체 기능을 객관적으로 규정하는 방법의 다른 예>

이하, 신체 기능을 객관적으로 규정하기 위한 다른 방법의 그룹이, 도 8A 내지 도 8I를 참조하여 설명될 것이다. 일 실시예에서, 이러한 방법의 관점은 상기한 방법과 결합된다.

일반적인 의미에서 상기한 방법들은 3개의 단계를 포함하나, 이는 항상 명확하게 구별되는 것이 아니고, 엄격한 선형적 과정을 따르지 않는다. 첫번째 단계는 샘플 분석 단계 801로서, 여기서 주어진 기능이 분석되고, 이에 의해 최선 및 차선의 성능과 관련된 동작/위치를 이해할 수 있도록 한다. 데이터 분석단계 802는, 801 단계에서 얻어진 이해를 관찰가능한 데이터 상태에 적용하는 것을 포함하며, 이 단계는, 주어진 최종 사용자 실행에 대한 최종 사용자 센서의 세트가, 센서 데이터를 통해, 801 단계로부터의 특정한 동작/위치 특성을 확인하기 위해 어떻게 사용될 수 있는지를 결정하는 것을 포함한다. 이는 801 단계에서 얻어진 이해가, 예컨대 훈련의 내용으로 최종 사용자에게 적용될 수 있도록 한다. 이는 803 단계에서 이루어지는데, 내용의 작성자는, 센서 데이터를 통해 최종 사용자의 성능을 모니터하는 소프트웨어에 대한 규칙 등을 규정한다. 예를 들어 상기 규칙은, 802 단계에서 특정의 센서 데이터가 관찰될 때, 801 단계에서의 지식에 기초하여, 최종 사용자에게 공급되는 피드백을 규정할 수 있다.

상기한 바와 같이, 이 3개의 단계는 모든 경우에 있어서 명확히 구분되지 않으며, 어떤 경우에 있어서는 혼합 및/또는 겹쳐질 수도 있다. 더욱이, 상기 3개의 단계는 순수한 선형적 프로세스에 의해 수행될 필요가 없고, 어떤 경우에 있어서는 각 단계 사이에서 사이클을 구성할 수도 있다.

다음의 예는, 동작 특성을 참조하여 분석된 성능을 참조하여 기술된 것이다. 예를 들어, 모션 데이터는 사용자에 장착된(예컨대 의복에 장착된) 복수의 센서로부터 획득될 수 있고, 어떤 경우에는, 사용자에 장착된 장비(예컨대 스케이트보드, 테니스 라켓 등)에 하나 또는 그 이상의 센서가 추가로 구비될 수도 있다. 이러한 센서들은 다양한 형태를 가질 수 있다. 여기서 고려된 예로는, 복수의 센서 유닛을 사용하는 것이며, 각 센서 유닛은 다음을 포함할 수 있으나, 여기에 한정되는 것으로 간주되서는 아니된다:(ⅰ) 자이로스코프(gyroscope), (ⅱ) 가속도계, 그리고(ⅲ) 자력계. 이들은 각각 3축 센서인 것이 바람직하다. 상기한 구조에 의해, 예컨대 센서들의 상대적 운동에 기초하여, 데이터를 수집하고(예컨대 본 명세서에 기재된 POD 장치에 의해), 인간 동작의 정확한 데이터 대표를 제공할 수가 있다. 착용가능한 의복 기술은 본 명세서에 기재되어 있다.

다양한 구성에 있어서, 유사한 프로세스는, 유사한 기능 블록 부호에 의해 표시되었다.

도 8B는, 일 실시예에 따른 방법을 나타낸 것으로서, 도 8A의 3 단계를 포함하고 있다. 상기 방법은, 분석의 주체가 되는 기능을 결정하는 예비적 단계 810에 의해 시작된다. 예를 들어, 상기 기능은, 축구에서 킥(kick)의 특정한 폼, 특정의 테니스 스윙, 스케이트보드 조종, 롱 점프법 등의 특정한 형태일 수 있다. 여기서 고려된 방법에 의해 확인되고 분석될 수 있는 것이라면, 스포츠, 여가활동 및 다른 활동에 본질적으로 제한 없는 기능이 존재한다는 것을 이해할 수 있을 것이다.

샘플 분석 단계 801은, 주어진 기능에 대해 복수의 성능을 분석하는 것을 포함하고, 811 에서의 시각적-구동 분석에 의해, 그 기능에 영향을 주는 동작의 관점에 대한 이해를 발전시키게 된다. 상기 시각적-구동 분석은, 복수의 성능을 시각적으로 비교하여, 최선의 성능이 차선의 성능과 어떻게 다른지에 대한 지식을 개발하도록 한다. 시각적-구동 분석의 예는 다음을 포함한다:

811 단계의 첫번째 예는, 기술적 도움이 없는 시각적-구동 분석을 포함한다. 관찰자(또는 관찰자의 세트)는 기능이 수행되는 것을 수회 관찰하고, 그 시각적 관찰에 기초하여 결정을 내린다.

811 단계의 두번째 예는, 비디오를 이용한 시각적-구동 분석을 포함한다. 복수의 기능에 대해 비디오 데이터가 캡쳐되고, 이에 의해 후속으로 반복되는 기능의 시각적 비교가 가능하도록 한다. 바람직한 접근법은, 하나 또는 그 이상의 규정된 위치에서 성능을 캡쳐하고, 동일한 각도에서의 둘 또는 그 이상의 성능 비디오가 겹쳐지도록, 디지털 비디오 조작 기법을 이용하는 것이다. 예를 들어, 특정한 축구 킥 폼 형태의 기능이, 각 기능에 대해 규정된 위치에서의 볼의 위치 및 규정된 타겟과 함께, 뒷쪽 각도 위치(운동선수의 뒤쪽)에서 촬영될 수 있다. 둘 또는 그 이상의 성능으로부터 캡쳐된 비디오는, 일반적으로 규정된 최초의 비디오 프레임(이는 비교 비디오에서 임시로 배치된 동작에서의 시점에 기초하여 선택된다)에 기초하여, 투명하게 겹쳐진다. 이 과정이 제어된 환경에서 촬영된다고 가정하면, 플레이어와 볼은, 두개의 비디오 캡쳐 사이에서 단지 그 위치만 달라지게 된다(그리고 카메라 위치의 약간의 에러는, 배경 조정을 사용하여 설명될 수 있다). 이는 관찰자가, 겹쳐진 성능 동작에서의 변화에 기초하여, 성능 간의 유사점과 차이점을 잘 확인할 수 있도록 한다. 여기서 복수의 각도가 사용되는 것이 바람직하다(예컨대 측면 또는 평면).

811 단계의 세번째 예는, 모션 캡쳐 데이터를 이용하는 시각적-구동 분석을 포함한다. 모션 캡쳐 데이터는, 예를 들어, 통상의 모션 캡쳐 기법, 장착된 센서, 깊이-민감 장비(예컨대 마이크로소프트 카이넥트(Kinect)에 사용되는 깊이 센서 카메라) 및/또는 다른 기법을 사용하여, 복수의 성능에 대해 수집된다. 이는 성능이, 상기 모션 캡쳐에 기초하여 컴퓨터에 시스템에서 다시 구축되도록 한다. 후속되는 시각적 분석이 이전의 비디오 샘플에서 이용된 분석과 유사할 수 있지만, 상기 모션 캡쳐 접근법은, 관점에 대해 좀 더 정확한 관찰과 부가적인 제어를 가능하게 한다. 예를 들어, 모션 캡쳐 기술을 통해 구축된 3차원 모델은, 관점이 자유로운 제어를 가능하게 하여, 복수의 겹쳐진 성능이, 다양한 각도에서 비교될 수 있도록 하고, 이에 의해 동작 및/또는 위치에서의 차이점을 확인할 수 있도록 한다.

811 단계에서, 시각적-구동 분석의 다른 접근법이 사용될 수도 있다.

시각적-구동 분석으로부터 야기되는 관찰은, 일 실시예에서 서술적 형태이다. 예를 들어 관찰은, "첫번째 어프로치 순간에 엉덩이가 안쪽으로 기울어짐", "발이 지면에 접촉하기 전에 팔이 기울어짐", "최초 자세 동안 왼쪽 어깨가 처짐" 과 같이 서술적 형태로 규정될 수 있다. 상기 서술적 형태는, 예컨대 "첫번째 어프로치 순간에 엉덩이가 안쪽으로 기울어지는 것- 공이 타겟의 왼쪽을 스윙하게 됨"과 같이, 기재된 인공물의 결과에 대한 정보를 포함(또는 관련)할 수 있다.

본 명세서에서, 801 단계(그리고 811 단계)의 결과는 "성능 영향 인자"로 지칭된다.

도 8B에서 802 단계는, 기능블록 812를 포함하며, 이는 시각적-구동 관찰을 기술적으로 관찰가능한 데이터로 적용하는 것을 포함하는 프로세스를 나타낸다. 이는 비교 분석법을 사용할 수 있는데, 여기서는 예컨대 모션 캡쳐 또는 센서(최종 사용자가 착용한 센서와 동일하거나 유사할 수 있다)를 사용하여 수집된 디지털 정보에 기초를 두고 있다. 기능 블록 812는, 주어진 성능 영향 인자 PAFn에 대하여, 하나 또는 그 이상의 성능으로부터 획득된 데이터에서, 무엇이 상기 PAFn에 영향을 줄 수 있는지를 확인한다. 이는, PAFn을 표시하지 않는 하나 또는 그 이상의 성능에 대한 데이터와, PAFn을 표시하는 하나 또는 그 이상의 성능에 대한 데이터를 비교 분석하는 것을 포함할 수 있다. 상기 예에 의해, "첫번째 어프로치 순간에 엉덩이가 안쪽으로 기울어짐"을 나타내는 캡쳐된 데이터는, 데이터의 어느 관점이 "첫번째 어프로치 순간에 엉덩이가 안쪽으로 기울어짐"의 원인이 되었는지를 확인하기 위해 분석된다. 이는, "첫번째 어프로치 순간에 엉덩이가 안쪽으로 기울어짐"을 나타내지 않는 샘플 데이터와 비교하는 것에 의해 확인될 수 있다.

전술한 바와 같이, 상기 데이터 분석은 결과적으로 각 성능 영향 인자에 대해, 관찰가능한 데이터 상태를 표시하는 것이 된다. 즉 성능 영향 인자 PAFn은, 관찰가능한 데이터 상태 ODCn과 관련된다. 따라서, 주어진 성능에 대한 센서 데이터가 처리될 때, 소프트웨어의 적용이, 관찰가능한 데이터 상태가 존재하는지의 여부를 자율적으로 결정할 수 있고, 성능 영향 인자의 확인을 나타내는 출력물을 제공할 수 있다. 즉, 상기 소프트웨어는, 예컨대 센서로부터 획득된 데이터의 처리에 기초하여, "첫번째 어프로치 순간에 엉덩이가 안쪽으로 기울어짐"이 있는지의 여부를 자발적으로 결정하도록 구성된다.

일 실시예에서, 주어진 성능 영향 인자는, 복수의 관찰가능한 데이터 상태와 관련되어 있다. 이는 다음을 포함할 수 있다: 특정의 센서 기술/배열과 연관된 관찰가능한 데이터 상태(예컨대 어떤 사용자는 16 센서 유닛을 착용하고, 다른 사용자는 24 센서 유닛을 착용한 경우); 다른 사용자 신체 특성과 연관된, 관찰가능한 데이터 상태(예컨대 짧은 팔다리의 사용자에 대립하여, 긴 팔다리의 사용자에게 다른 관찰가능한 데이터 상태가 요구되는 경우). 한편 다른 실시예에서는, 아래에 기술되는 바와 같이, 관찰가능한 데이터 상태가 신체 특성에 대해 표준화된다.

도 8B에서 실행 단계 803은, 훈련 프로그램으로의 실행을 나타내는 기능 블록 813을 포함한다. 이는, 관찰가능한 데이터 상태에 기초하여 작동되는 최종 사용장치 소프트웨어 기능을 규정하는 것을 포함한다. 즉, 관찰가능한 데이터 상태의 각 세트는, 최종 사용자 동작 센서로부터 획득된 데이터를 처리하는 소프트웨어 적용을 통해 실행되도록 구성되어, 그 기능에 대한 최종 사용자의 신체적 성능에서, 성능 영향 인자의 관련 세트의 존재를 모니터링 할 수 있도록 한다. 일 실시예에서, 예컨대 "관찰가능한 데이터 상태가 관찰되면, 액션 X를 수행한다"는 규칙-기반 접근법이 사용된다. 복잡성의 정도를 변화시키는 규칙이 규정될 수 있음을 이해할 수 있을 것이다(예를 들어, OR, AND, ELSE 등의 다른 연산자를 사용할 수 있고, 또는 좀 더 강력한 규칙 구축 기법을 이용할 수 있다). 규칙의 정확한 속성은, 내용 작성자의 재량에 속하는 사항이다. 일 실시예에서 일반적인 원칙은, 최종 사용자가 후속의 성능에서 그의 습성을 수정하게끔 유도하는 액션을 규정하고, 최종 사용자가 최선의 성능을 향해 잠재적으로 동작하도록 하는 것에 목적이 있다.

상기한 예에 계속하여, 관찰가능한 데이터 상태의 하나의 세트는, 관찰된 성능에서 사용자가 "첫번째 어프로치 순간에 엉덩이가 안쪽으로 기울어짐"을 나타내었는지를 표시한다. 따라서, 803 단계 동안, 그러한 관찰가능한 데이터 상태는 피드백 설명(또는 복수의 잠재적인 피드백 설명)과 선택적으로 연관되며, 이는 사용자가 "첫번째 어프로치 순간에 엉덩이가 안쪽으로 기울어짐"을 다른 동작 특성(예를 들어, 최선의 성능은 "첫번째 동작의 순간에 엉덩이를 수평으로 하고, 왼쪽 발이 지면에 접촉한 후 엉덩이를 위를 향해 기울인다"는 것이 요구될 수 있다)으로 대체하는 것을 돕도록 규정된다. 상기 피드백은, 모두 엉덩이의 기울어짐에 관련될 필요는 없다: 예컨대 코칭 지식이, 손의 위치 및 시작 스탠스(stance) 조정이 부정확한 엉덩이 위치를 수정하는데 효과적이라는 것을 밝혀줄 수 있다(이 경우, 관찰가능한 데이터 상태가 성능 영향 인자에 대해 규정되어, 엉덩이 위치에 관련된 이차적인 분석을 가능하게 할 수 있다).

도 8C는 본 발명의 일 실시예에 따른 방법으로서, 801 내지 803 단계 내에서 기능 블록의 다른 세트를 보여주고 있으며, 일부는 도 8B를 참조하여 설명되어 있다.

기능 블록 821은 샘플 기능 수집 단계를 나타내며, 주어진 기능에 대하여 복수의 샘플 성능이 수집된다. 기능 블록 822는, 예컨대 상술한 시각적-구동 기법 또는 다른 기법을 통한 샘플 데이터 분석을 나타낸다. 이는, 주어진 기능에 대한(기능 블록 823 참조) 성능 영향 인자를 규정하도록 하도록 하며, 기능 Si에 대해 SiPAF1부터 SiPAFn까지로 나타낼 수 있다.

기능 블록 824는 분석 성능 데이터(예컨대 하나 또는 그 이상의 모션 캡쳐, 착용 센서, 깊이 카메라 및 다른 기술로부터 획득된 데이터)를 포함하는 프로세스를 나타내며, 이에 의해 성능 영향 인자의 증거가 되는 데이터 특성을 확인한다. 예를 들어, 성능 영향 인자를 나타내는 것으로 알려진 하나 또는 그 이상의 성능-기인 데이터 세트는, 성능 영향 인자를 나타내지 않는 것으로 알려진 하나 또는 그 이상의 성능-기인 데이터 세트와 비교된다. 복수의 착용 센서를사용하는 일 실시예에서, 중요한 데이터 특성은 다음을 포함한다: (ⅰ) 센서들의 상대적 각도 변위, (ⅱ) 센서들의 상대적 각도 변위의 변화율, 그리고 (ⅲ) 센서들의 상대적 각도 변위의 시점, 및 센서들의 상대적 각도 변위 변화의 시점 및 변화율.

기능 블록 825는, 824 단계의 분석에 기초하여, 각 성능 영향 인자에 대한 관찰가능한 데이터 상태를 규정하는 것을 포함하는 프로세스를 나타낸다. 상기 관찰가능한 데이터 상태는, 최종 사용자 성능으로부터 얻어진 센서 데이터에서 자율적으로 확인되도록(예컨대 트랩(trap)이 확인하는 것과 같이) 하는 방식에 의해 규정된다. 이들은 기능 S_i에 대하여, S_iODC₁에서 S_iODC_n까지 S_iPAF₁에서 S_iPAF_n까지 표시될 수 있다. 상기한 바와 같이 일 실시예에서, 주어진 성능 영향 인자(PAF)는 복수의 관찰가능한 데이터 상태(ODC)와 관련된다. 이는 다음을 포함할 수 있다: 특정 센서의 기술/배치(예컨대 어떤 사용자는 16 센서 유닛을 착용하고, 다른 사용자는 24 센서 유닛을 착용한 경우)와 관련된 관찰가능한 데이터 상태; 다른 사용자 신체 특성과 관련된 관찰가능한 데이터 상태(예컨대 짧은 팔다리 사용자에 대립하여, 긴 팔다리 사용자에게 요구되는 다른 관찰가능한 데이터 상태가 요구되는 경우). 한편 다른 실시예에서, 관찰가능한 데이터 상태는, 아래에 설명되는 바와 같이, 신체 특성에 대해 표준화된다.

<다른 예 : 샘플 분석 방법>

도 8D는, 본 발명의 실시예에 따라 801 단계에서의 샘플 분석에 대한 예시적 방법을 나타낸 것이다.

기능 블록 832는, 복수의 성능을 검토하는 것을 포함하는 프로세스를 나타낸 것이다. 이는 본 실시예에서, 시각적으로 구동되는 분석을 이용하며, 예를 들어 비디오 검토(예컨대 상기한 바와 같은 겹쳐진 비디오 사용) 또는 모션 캡쳐 검토(예컨대, 모션 캡쳐 기법에 의해 얻어진 가상의 3차원 신체구조를 이용하며, 어떤 경우에는 모션 센서의 사용을 포함한다)를 이용한다.

832 단계에서의 검토에 기초하여 성능이 분류된다. 이는 최선의 성능(블록 833)을 확인하고, 차선의 성능(블록 834)을 확인하는 것을 포함한다. 상기 분류화는 객관적인 인자에 기초하는 것이 바람직하다. 예를 들어, 어떤 기능은, 힘, 속도, 정확성 등과 같이 수량화할 수 있는 하나 또는 그 이상의 목표를 가지고 있다. 목표의 기준은 이들의 하나 또는 그 이상에 대해 규정될 수 있다. 그 예시로서, 정확성은 타겟(target)에 의해 수량화될 수 있다; 만일 타겟이 히트(hit)면 성능은 "최선(optimal)"이 되고, 그 타겟이 미스(miss)하면 성능은 "차선(sub-optimal)"이 된다. 다른 예로서, 압력 센서가, 그 성능으로부터 발생하는 충격이 "최선"이 되기에 충분한 크기인지를 결정할 수 있다.

기능 블록 835는, 차선 성능의 분류화를 포함하는 프로세스를 나타낸다. 예를 들어 목표 기준이 규정되어, 각 차선의 성능을 카테고리에 관련시킨다. 일 실시예에서, 상기(또는 하나의) 목표가 정확도인 경우, 복수의 "미스 존(miss zone"이 규정된다. 예를 들어 하나의 중앙 타겟 존이 있는 경우, 4개의 "미스(miss)" 사분원이 있다(상부 좌측, 상부 우측, 하부 좌측, 하부 우측). 차선의 성능은, 히트(hit)된 상기 "미스" 사분원에 기초하여 분류된다. 추가적인 기준이, 예컨대 미스의 범위 등과 관련하여 규정될 수 있다.

차선 성능의 각 카테고리로부터의 샘플은 최선 성능과 비교되어, 성능 에러 등과 같은 공통성을 확인하게 된다. 이는 도시된 실시예에서, 루프(loop) 프로세스에 의해 달성될 수 있다: 836 단계에서 다음 카테고리가 선택되고, 837 단계에서 그 카테고리의 차선 성능이 최선의 성능과 비교되어, 838 단계에서 성능 영향 인자가 결정된다. 상기 방법은, 평가될 차선 성능의 카테고리가 남아 있는 경우, 839 에서의 결정에 기초하여 순환된다.

838 단계에서 결정된 상기 성능 영향 인자는, 현재의 카테고리에서 차선의 성능에 이르는 것으로 관찰된, 시각적으로 확인된 성능 영향 인자이다. 요컨대, 이는 그 결과의 관찰과 달리, 동작의 관찰에 기초한 주어진 성능의 결과를 예측할 수 있도록 한다. 예를 들어, "미스- 하부 좌측 사분원" 카테고리는, "첫번째 어프로치 순간에 엉덩이가 안쪽으로 기울어짐"의 성능 영향 인자가 될 수 있다. 이 성능 영향 인자는 차선 성능(즉 샘플에서 일관되게 관찰되는 성능) 카테고리와 독특하게 연관되고, 최선의 성능 또는 차선 성능의 다른 카테고리에서는 관찰되지 않는다. 따라서, "첫번째 어프로치 순간에 엉덩이가 안쪽으로 기울어짐"이 관찰되는 경우에 지식을 획득할 수 있고, 타켓의 하부 좌측으로 미스(miss)가 될 것임을 예측할 수 있다.

802 및 803 단계 이후에, 소프트웨어의 적용이, 착용된 센서 데이터에 순수하게 기초하여, 주어진 성능이 타겟의 하부 좌측으로 미스하는 결과를 초래할 가능성이 있음을 자율적으로 판단할 수 있도록 한다(즉 "첫번째 어프로치 순간에 엉덩이를 수평으로 하는 것"과 관련된, 관찰가능한 데이터 상태를 갖는 센서 데이터를 확인하는 것에 기초하여)는 것을 이해할 수 있을 것이다. 실제적인 레벨에서 최종 사용자는, 가상의 코치로부터, "그것이 하부 및 왼쪽으로 미스 되었지요?", "다음 라운드에서는 XXX에 집중하도록 시도하는 것이 어떻습니까" 등과 같은 오디오 피드백을 제공받을 수 있다. 이는 중요한 결과로서, 시각적 코칭에 의해 통상적으로 관찰된 목표 인자를, 자동화된 센서-구동 환경으로 변환되도록 한다.

일 실시예에서, 샘플 분석은, 그 샘플 분석을 제공하는 사람이 시각적 분석에 참여하는 것에 의해 향상된다. 예를 들어, 이 사람은 잘 알려진 스타 운동선수일 수 있다. 상기 운동선수는, "전문가 지식"이 되도록 이끄는 주요한 성능 영향 인자에 관하여 그/그녀 자신의 통찰력을 제공하여, 훈련에 참가하는 사용자가, 그 기능에 대한 전문가의 특정의 해석에 기초하여, 특정의 기능을 습득할 수 있도록 한다. 이점에 있어서, 개별적인 기능은, 복수의 다른 전문가 지식 변화를 가질 수 있다. 특정의 실시예로서, 축구의 칩 킥(chip kick)은, 플레이어 X의 최선의 칩 킥 폼에 대한 해석에 기초하여 제1의 전문가 지식 내용을 가질 수 있고, 플레이어 Y의 최선의 칩 킥 폼에 대한 해석에 기초하여 제2의 전문가 지식 내용을 가질 수 있다. 이는, 사용자가 바라는 기능에 대하여 훈련을 받을 수 있도록 할 수 있을 뿐만 아니라, 바라는 기능에 대하여 선택된 전문가 지식에 기초하여 훈련을 받을 수 있도록 한다.

전문가 지식과 관련한 내용에서, POD 장치로 다운로드된 데이터는 사용자에 의해 선택되는데, 이는 바라는 전문가 지식 내용의 선택에 기초한다. 즉 선택된 하나 또는 그 이상의 기능 세트에 대하여, 제1의 선택가능한 전문가 지식 내용과 제2의 선택가능한 전문가 지식 내용이 있다.

일 실시예에서, 상기한 제1의 선택가능한 전문가 지식 내용에 대해서는, 다운로드 가능한 데이터가, 성능 분석 센서 세트로부터 획득된 데이터에서, 주어진 기능과 관련된 제1 세트의 관찰가능한 데이터 상태를 확인하도록 고객 장치를 구성하고; 상기 제2의 선택가능한 전문가 지식 내용에 대해서는, 다운로드 가능한 데이터가, 성능 분석 센서 세트로부터 획득된 데이터에서, 주어진 기능과 관련된 다른 제2 세트의 관찰가능한 데이터 상태를 확인하도록 고객 장치를 구성한다. 예를 들어, 상기 제1 세트의 관찰가능한 데이터 상태와, 제2 세트의 관찰가능한 데이터 상태 간의 차이는, 각각의 전문가 지식 내용과 관련된 인간 전문가의 스타일 내용이 된다. 다른 경우에, 상기 제1 세트의 관찰가능한 데이터 상태와, 제2 세트의 관찰가능한 데이터 상태 간의 차이는, 각각의 전문가 지식 내용과 관련된 인간 전문가로부터 얻어진 코칭 어드바이스(coaching advice)가 된다.

일 실시예에서, 상기한 제1의 선택가능한 전문가 지식 내용에 대해서는, 다운로드 가능한 데이터가, 주어진 기능과 관련된 관찰가능한 데이터 상태를 관찰하는 것에 대응하여, 사용자에게 제1의 피드백 데이터 세트를 제공하는 고객 장치를 구성하고, 상기한 제2의 선택가능한 전문가 지식 내용에 대해서는, 다운로드 가능한 데이터가, 주어진 기능과 관련된 관찰가능한 데이터 상태를 관찰하는 것에 대응하여, 사용자에게 다른 제2의 피드백 데이터 세트를 제공하는 고객 장치를 구성한다. 예들 들어, 상기 제1 세트의 피드백 데이터와, 제2 세트의 피드백 데이터의 차이는, 각각의 전문가 지식 내용과 관련된 인간 전문가로부터 얻어진 코칭 어드바이스가 된다. 대안적으로(또는 부가적으로), 상기 제1 세트의 피드백 데이터와 제2 세트의 피드백 데이터의 차이는, 각각의 전문가 지식 내용과 관련된 인간 전문가의 음성을 대표하는 다른 오디오 데이터를 포함한다.

<다른 예: 데이터 분석 방법>

도 8E는, 본 발명의 일 실시예에 따라 802 단계에서의 데이터 분석에 대한 방법을 예시적으로 나타낸 것이다. 이 방법은, 예컨대 도 8D 방법에 의해 규정된 바와 같이, 차선 성능 카테고리의 분석을 참고하여 설명될 것이다. 그렇지만, 대응되는 방법이 최선 성능(이에 의해 최선 성능과 관련된, 관찰가능한 데이터 상태를 규정한다)에 대해서도 수행될 수 있다는 것을 이해하여야 한다.

기능 블록 841은, 다음의 차선(sub-optimal) 성능 카테고리에 대해 데이터 분석을 시작하는 단계를 나타낸다. 차선 성능 영향 인자를 가이드로 하여, 842 단계에서, 복수의 차선 성능에 대한 차선 성능 데이터와 최선 성능 데이터가 비교된다. 데이터 패턴은(유사점 및 차이점 등) 843 단계에서 규정된다. 일 실시예에서, 그 목적은, 모든 차선 성능에 공통된 데이터 특징(다른 차선 카테고리에서 최선 선능에서는 관찰되지 않은 특징)을 확인하여, 이러한 데이터가 성능 영향 인자에 어떻게 관련되는 지를 결정한다. 기능 블록 844는, 하나 또는 그 이상의 성능 영향 인자에 대하여, 하나 또는 그 이상의 관찰가능한 데이터 상태의 세트를 규정하는 것을 포함하는 프로세스를 나타낸다. 상기 프로세스는, 845 단계에서의 결정에 기초하여, 추가적인 차선 성능 카테고리에 대해 루프(loop)를 형성한다.

<다른 예: 방법 실행>

도 8F는, 본 발명의 일 실시예에 따라 803 단계에서의 실행방법을 예시적으로 나타낸 것이다.

기능 블록 851은, 801 및 802 단계를 통해, 성능 영향 인자와 관련된 관찰가능한 데이터 상태의 세트를 선택하는 것을 포함하는 프로세스를 나타낸다. 조건 만족 규칙은 851 단계에서 결정되고, 이는, 입력된 센서 데이터에 기초하여, 선택된 관찰가능한 데이터 상태의 세트가 만족될 경우에 규정된다. 예를 들어, 이는 세팅 기준점 등을 포함할 수 있다. 기능 블록 853은, 관찰가능한 데이터 상태(피드백, 다른 동작으로의 지시 등)와 관련되도록 의도된 하나 또는 그 이상의 기능을 규정하는 것을 포함한다. 상기 규칙 및 관련 기능은, 856 단계에서의 훈련 프로그램 승인 처리를 위해, 854 단계에서 전송된다. 만일 관찰가능한 데이터 상태가 더 사용될 경우에, 상기 방법은 855 결정단계에서 순환된다.

주어진 피드백 설명은, 코치 및/또는 다른 전문가와의 상의를 통해 규정되는 것이 바람직하다. 상기 피드백 설명은, 관련된 성능 영향 인자를 직접적으로 언급할 필요가 없다는 것을 이해할 수 있을 것이다. 예를 들어, 계속되는 실시예에서, 상기 피드백 설명은, 사용자에게 안쪽으로의 엉덩이 기울어짐을 간접적으로 수정하는 특정의 문제(예컨대 손 위치, 눈 위치, 최초 자세 등을 통해)에 집중하도록 안내할 수도 있다. 어떤 경우에 있어서, 복수의 피드백 설명이 주어진 관찰가능한 데이터 상태의 세트와 연관될 수 있고, 특정의 피드백 설명이 일정한 사용자에게만 전달되고, 다른 사람에게는 전달되지 않도록 할 수 있다.

<다른 예: 스타일 및 신체 특성 표준화>

일 실시예에서, 801 및 802 단계에서 복수의 샘플 사용자 성능이 관찰되어, 스타일 및 신체 특성의 효과를 확인(어떤 경우에는 표준화)하는데 도움을 줄 수 있다.

문맥상, 다른 사용자들은 주어진 기능을 본질적으로 약간 다르게 수행할 것이다. 어떤 경우에 있어서 상기 차이점은, 개인적 스타일의 결과이다. 그렇지만 스타일에 영향을 주는 요소에도 불구하고, 유사성 측면에서 전형적으로 명확히 겹쳐지는 부분이 존재한다. 일 실시예는, 시각적 및/또는 데이터 레벨에서, 복수 주체의 성능을 비교하여, 다른 스타일임에도 불구하고 성능 주체에 공통되는 관찰가능한 데이터 상태를 규정하는 것에 의해, 그 스타일을 표준화한다. 이는 스타일의 중립화로 이어지게 한다. 일 실시예는, 대안적 또는 부가적으로, 시각적 및/또는 데이터 레벨에서, 복수 주체의 성능을 비교하는 것을 포함하여, 관찰가능한 데이터 상태가 주어진 주체의 스타일에 특별히 기인하는 것인지를 관찰하고, 사용자를 훈련하도록 구성된 훈련 프로그램이, 그 특별한 스타일을 따르도록 하는 것을 가능하게 한다(예를 들어, 개인적 기능은 복수의 다른 전문가 지식 내용을 포함할 수 있고, 이는 최종 사용자에 의해 별도로 구매가 가능하도록 한다).

일 실시예에서, 신장, 팔다리 길이 등과 같은 신체적 특성은, 관찰가능한 데이터 상태에 영향을 준다. 일 실시예는, 센서 데이터에 기초하여 특정 사용자의 신체 치수가 결정되고, 이에 따라 관찰가능한 데이터 상태를 맞추는 접근법을 실행한다(예컨대 사이즈 또는 사이즈 범위의 특정 데이터 조건을 측정 및/또는 선택하는 것에 의해). 다른 실시예는, 상기 관찰가능한 데이터 상태가 사이즈에 대해 표준화되고, 사용자의 신체 특성 효과를 무효로 하는 접근법을 실행한다.

일 실시예에서, 상기 방법은, 시각적 및/또는 데이터 레벨에서, 복수의 주체의 성능을 비교하도록 강화되어, 다음의 하나 또는 모두에 의해 신체 특성을 표준화한다: (ⅰ) 신체 특성에도 불구하고 성능 주체에 공통된 규칙을 규정, 및 또는 (ⅱ) 알려진 최종 사용자 특성에 기초하여, 관찰가능한 데이터 상태의 하나 또는 그 이상의 특성을 측정하기 위한 규칙의 규정, 및/또는 (ⅲ) 특별한 신체 특성을 가진 최종 사용자들에게 각각 맞추어진, 복수의 관찰가능한 데이터 상태 세트의 규정.

도 8G는, 신체 특성 및 스타일 표준화에 대한 방법의 일예를 나타낸 것이다. 이 방법의 구성요소는, 801 및 802 각 단계에 대하여 수행된다. 기능 블록 861은 첫번째 전문가에 대한 분석을 수행하여, 비교점을 제공한다. 이어서 블록 862로 나타낸 바와 같이, 유사간 기능 레벨을 갖는 복수의 다른 전문가에 대한 분석이 수행된다. 기능 블록 863은, 신체 특성에 기인한 인공물을 규정하는 것을 포함하는 프로세스를 나타내고, 블록 864는 신체 특성에 기초한 표준화를 나타낸다. 기능 블록 865는 스타일에 기인한 인공물을 규정하는 것을 포함하는 프로세스를 나타내고, 블록 864는 스타일에 기초한 표준화를 나타낸다. 일 실시예에서, 표준화 형태의 하나 또는 양쪽 모두는, 원인을 돌릴수 있는 인공물을 확인하는 최초의 단계 없이 수행된다.

<다른 예: 복수의 능력 레벨에의 적용>

일 실시예에서, 801 및 802 단계(그리고 선택적으로 803 단계)는, 변화하는 능력 레벨의 사용을 위해 수행된다. 그 근거는, 전문가는 아마추어 또는 초심자와다른 실수를 할 가능성이 있기 때문이다. 예를 들어, 전문가는 대부분의 경우에 있어서, 일관적으로 최선의 성능에 아주 가깝게 달성할 가능성이 있고, 얻고자 하는 훈련/피드백은, 정밀한 동작의 관점에서 상당히 개선된다. 한편, 초심자인 사용자는, 거친 실수를 많이 할 가능성이 있고, 개선된 관찰 및 전문가에게 관련한 피드백이 큰 도움이 되거나 관련이 되기 전에, 그러한 실수에 관한 피드백이 요구된다.

8H는 일 실시예에 따른 방법을 나타낸 것이다. 기능 블록 861은 능력 레벨 AL₁ 에 대한 분석을 나타낸다. 일 실시예에서 이는 복수의 주체로부터 복수의 샘플을 분석하는 것을 포함하고, 이에 의해 신체 및/또는 스타일을 표준화하는 것을 가능하게 한다. 능력 레벨 AL₁ 에 대한 관찰가능한 데이터 상태는 862 단계에서 출력된다. 이는, 블록 863과 864로 나타낸 바와 같이, 능력 레벨 AL₂ 에 대해 반복된다. 상기 프로세스는, 능력 레벨 AL_n (블록 865 및 866 참조) 까지 복수의 능력 레벨(원하는 능력-관련 상태의 레벨에 따라)에 대하여 반복된다.

도 8I는, 도 8G 및 도 8H에 도시된 관점의 결합을 나타낸 것으로서, 각 능력 레벨에 대하여 최초 샘플이 취해지고, 신체 사이즈 및/또는 스타일 표준화를 위해 확장되어, 각 능력 레벨에 대하여 관찰가능한 데이터 상태를 제공한다.

<커리큘럼 구축 단계: 개관>

상기한 바와 같이, 기능 분석 단계 100 이후, 도 1B에 도시된 상세 구조의 예에서, 커리큘럼 구축 단계 110가 진행된다. 커리큘럼 구축의 구체적 관점은 본 발명의 개시 범위를 벗어난다: 커리큘럼 구축 접근법에 대해 높은 수준의 이해를 하는 것은, 숙련된 수신인이, 본 단계가 상세 구조의 전체에 걸쳐 어떠한 역할을 수행하는지를 이해하는 데 충분하다.

일반적으로, 최종 사용자 기능이 기능 훈련에 관련된 경우, 커리큘럼 구축은 논리적 과정을 규정하는 것을 포함하고, 관찰가능한 데이터 상태가, 훈련 내용의 공급에 영향을 주기 위한 입력으로 사용된다. 예들 들어 훈련 프로그램 논리는, 다음을 포함하는 기능을 수행하기 위해 구성되나, 이에 한정하는 것은 아니다:

● 하나 또는 그 이상으로 규정된, 관찰가능한 데이터 상태에 기초하여, 사용자 능력 레벨과 관련한 예측 결정을 함.

● 하나 또는 그 이상으로 규정된, 관찰가능한 데이터 상태에 기초하여, 사용자에게 피드백을 제공함. 예를 들어 이는, 증상 및/또는 관찰가능한 데이터 상태가 나타내는 원인과 관련한 피드백을 코치하는 것을 포함할 수 있다.

● 하나 또는 그 이상으로 규정된, 관찰가능한 데이터 상태에 기초하여, 훈련 프로그램의 다른 부분/단계로 이동하도록 함. 예를 들어 이는, 다음을 포함할 수 있다: (ⅰ) 주어진 기능(또는 서브-기능)이 충분히 마스터 되었음을 결정하고, 새로운 기능(또는 서브-기능)으로 발전하는 것을 결정; 또는 (ⅱ) 사용자가 특별한 어려움을 가지고 있는 것으로 결정하고, 그 특별한 어려움을 처리할 수 있는 교정 훈련을 제공하도록 하는 다른 기능(또는 서브 기능)에 대한 훈련을 사용자에게 제공.

이들은 단지 예시적으로 선택한 것이다. 요컨대, 기본적인 개념은 관찰가능한 데이터 상태(즉 모션 센서 데이터, 또는 좀더 일반적으로 성능 센서 데이터에서 확인될 수 있는 데이터 특성)를 사용하여, 훈련 프로그램에서 기능이 구동되도록 하는 것이다. 실제적인 레벨에 있어서 이는, 기타로 음악의 일부를 연주할 때, 사용자가 골드 스윙(gold swing) 동작을 개선하는 것으로부터, 사용자가 발전을 마스터하는 것을 돕는 것에 이르기까지, 사용자에게 광범위한 훈련을 제공하는 것을 가능하게 한다.

다른 실시예가 기능 훈련이 아닌 다른 형태로, 예컨대 특정의 기능이 수행되었음을 확인하고, 그 기능의 특성을 확인하는 것(예를 들어, 특정의 스노우보드 묘기가 수행되고, 그 묘기와 관련한 시간을 측정하는 것)에 의존하는 활동(경쟁 활동과 같은)의 형태로 적용될 수 있다는 것을 이해하여야 한다. 그러한 실시예에서, 관찰가능한 데이터 상태는, 기능 확인 및 기능 특성 측정을 위한 목적으로 사용된다.

바람직한 일 실시예에서, 사용자 인터페이스에 의해 제공된 피드백은, 성능을 향상시키기 위해 어떻게 동작을 수정할 것인지에 대한 제안을 포함하고, 더욱 상세하게는(모션 센서의 형태에서), 최선 성능을 나타내기 위해 기 규정된 동작특성을 어떻게 모방할 것인지에 대한 좀 더 상세한 제안을 포함한다. 이점에 있어서 사용자는, 스포츠 기능과 같은 특정의 기능을 배우기 위해 훈련 패키지(package)를 다운로드 한다(일 실시예에서 훈련 패키지는 복수의 기능에 대한 내용을 포함한다). 예를 들어, 훈련 패키지는, 광범위한 기능에 관련되어, 축구(즉 킥의 특정한 스타일), 크리켓(즉 특정의 보울링 기술), 스키/스노우보드(즉 특정의 공중 묘기) 등을 포함할 수 있다.

일반적으로, 여기에 개시된 기술에 의한 실시예에 의해 수행되는 공통의 작동 프로세스는 다음과 같다: (ⅰ) 사용자 인터페이스는, 규정된 액션 또는 훈련될 기능과 관련된 액션을 수행하도록 하는 설명을 제공한다; (ⅱ) POD 장치는, 센서로부터의 입력 데이터를 모니터하고, 액션의 사용자 성능과 관련된 증상 모델 값을 결정한다; (ⅲ) 사용자의 성능이 분석된다; 그리고 (ⅳ) 사용자 인터페이스가 수행된다(예컨대 특정의 동작에 집중하여 다시 시도할 수 있도록, 피드백 및/또는 설명을 제공한다). 그 예가, 도 11A에 도시된 방법에서 블록 1103 부터 1106에 도시되어 있다.

성능-기반 피드백은, 관찰된 사용자 성능에 대응하는 적절한 방식에 의해, 기능 훈련 내용이 작동되도록 하기 위해, 주관적으로 미리 규정된다. 이러한 규칙은, 증상에 기초하여, 더욱 바람직하게는, 관찰된 증상 모델 데이터 값과 기 규정된 기본 증상 모델 데이터 값(예컨대 최선 성능 및/또는 예측되는 부정확한 성능의 값)의 차이에 기초하여 규정된다. 일 실시에에서 규칙은, 특정의 증상(또는 증상들)에 대해, 특정의 기본 증상 모델 데이터 값(또는 값들)과 관찰된 데이터 값 사이에서, 특정된 범위(또는 범위들)에서의 변위에 기초하여 규정된다.

일 실시예에서, 규칙의 세트는, 내용의 작성자(또는 개선된/가중된 내용), 특히 개별적 전문가에 의해 규정된다. 즉 전문가 지식이 규정된 규칙에 의해 실행된다.

도 11B는, 성능-기반 피드백 규칙을 규정하는 방법 1110을 예시적으로 나타낸 것이다. 기능 블록 1112는 증상을 선택하는 것을 포함하는 프로세스를 나타낸다. 예를 들어, 그 규칙이 관련된 기능에 대해 규정된 증상의 세트로부터 선택된다. 기능 블록 1113은, 증상 모델 값 특성을 규정하는 것을 포함하는 프로세스를 나타낸다. 예를 들어 이는, 값의 범위 또는 기 규정된 값으로부터 변위(예컨대, 최선 또는 부정확한 기능에 대한 기본 값으로부터 변위)의 정도를 규정하는 것을 포함한다.

결정 1114는, 단일의 규칙에서(상기 방법이 1112로 순환하는 경우) 추가적인 증상을 결합하는 능력을 나타낸다. 예를 들어, 증상은 "AND", "OR" 그리고 다른 논리 연산자를 사용하여 결합될 수 있다.

기능 블록 1115는, 규칙 효과 파라미터를 규정하는 프로세스를 나타낸다. 즉 블록 1111-1114는 규칙 구성요소 "IF"와 관련되고, 블록 1115는 규칙 구성요소 "THEN"과 관련된다. "THEN" 구성요소 타입의 범위는, 다음의 하나 또는 그 이상을 포함하여 이용할 수 있다:

● 사용자 인터페이스를 통해 특정의 피드백을 제공하기 위한 규칙.

● 사용자 인터페이스를 통해 특정의 피드백 중 선택된 하나를 제공하기 위한 규칙(어느 것이 선택적으로 다른 인자, 예컨대 사용자 이력 데이터에 기초하였는지에 대한 2차적인 결정과 함께).

● 사용자 인터페이스를 통해 특정의 설명을 제공하기 위한 규칙.

● 사용자 인터페이스를 통해 특정 설명 중 선택된 하나를 제공하기 위한 규칙(어느 것이 선택적으로 다른 인자, 예컨대 사용자 이력 데이터에 기초하였는지에 대한 2차적인 결정과 함께).

● 기능 또는 활동에 대하여 규정된 발전 경로에서 다른 단계로 나아가기 위한 규칙.

● 규정된 발전 경로에서 다른 단계 중 선택된 하나로 나아가기 위한 규칙(어느 것이 선택적으로 다른 인자, 예컨대 사용자 이력 데이터에 기초하였는지에 대한 2차적인 결정과 함께).

● POD 장치에 특정의 내용을 다운로드하는 것을 제안하기 위한 규칙.

이들은 단지 예시적인 것이며, 실시예는, 능력을 규정하는 유연하고 잠재적인 복잡한 배열을 선택적으로 수행할 수 있다는 것을 이해할 수 있을 것이다.

일 실시예에서, 규칙들은 동적인 발전 경로에 통합되며, 이는 사용자의 특성에 기초하여 적용된다. 이하 실시예들이 더 설명될 것이다. 문맥상, 관찰과 피드백은 일대일 관계로 연결되어 있지 않다; 주어진 성능 관찰(즉 관찰된 증상 모델 값의 세트)은, 사용자 특성에 따라, 복수의 가능한 효과와 연관될 수 있다. 중요한 예가 "실망 완화"인데, 이는 사용자가 실수를 반복하고 동일한 피드백을 받는 과정을 반복하는 것을 방지한다. 그 대신, 지시된 방식으로 수행하여 실패한 시도가 한계치를 넘어선 후에는, 대안의 접근법이 실행된다(예를 들어, 다른 피드백, 사용자가 좀 더 성공할 것 같은 다른 업무의 시작).

일 실시예에서, 사용자 인터페이스에 의해 제공되는 피드백은, 다음 사용자 특성의 하나 또는 양쪽에 기초하여 적용되도록 구성된다. 일 실시예에서 이러한 사용자 특성은, 다음의 하나 또는 그 이상을 포함한다:

● 이전의 사용자 성능. 만일 사용자가 수회 기능을 시도하여 성공하지 못했다면, 사용자 인터페이스는, 다른 피드백, 다른 기능(또는 서브 기능)의 시도 등을 공급하는 것을 적용한다. 이는, 사용자의 실망을 감소시켜, 특정의 결과를 달성함에 있어서, 반복적으로 실패하는 상황을 방지하도록 하는 것이 바람직하다.

● 사용자 학습 스타일. 어떤 경우에서는 예를 들어, 사용자가 선호하는 것으로 확인된 학습 스타일에 기초하여, 사용자에게 다른 피드백/설명 스타일이 제공된다. 어떤 경우에 있어서, 바람직한 학습 스타일은 알고리즘에 의해 결정되는 것이 바람직하고, 어떤 경우에 있어서는, 선호하는 인터페이스의 선택에 의해 사용자에 의해 결정된다.

● 사용자 능력 레벨. 일 실시예에서, 피드백 경로는 사용자의 능력 레벨(여기에서는 사용자-결정 선호)을 설명한다. 이러한 방식에서, 사용자에게 제공된 첫번째 피드백은, 다른 능력 레벨에서 사용자에게 공급된 피드백과 다를 수 있다. 이는 예를 들어, 아마추어 운동선수에게, 엘리트 레벨의 운동선수와 비교하여, 다른 훈련 레벨을 제공하는 데 사용된다.

어떤 실시예는, 그러한 적용가능한 피드백 원칙을 이용하여, 내용을 생성하는 것을 가능하게 하는 기술적 구조를 제공한다.

도 16은, 일 실시예에 따른 커리큘럼 작동/실행의 예를 제공한다. 사용자는 기능을 시도하도록 지시되고, 그것이 어떻게 수행되어야 하는 지를 볼 수 있도록 한다. 사용자의 시도된 성능은 성능 센서 유닛에 의해 캡쳐되고, 관찰가능한 데이터 상태를 사용하여 진단된다. 그리고 피드백 결정을 위해 엔진이 구성되며, 이는 메인 기능을 쉽게 학습할 수 있도록 하는 서브 기능을 확인하는 것을 포함한다. 이어서 피드백이 공급되고, 프로세스가 루프(loop)를 형성한다. 다양한 실시예에서, "시도", "표시", "관찰", "진단", "우선 순위"와 같은 루프가, 커리큘럼에 사용된다.

<다운로드 가능한 내용 데이터 구조의 예>

기능 분석 및 커리큘럼 구축에 이어서, 최종 사용자 장치에 다운로드가 가능하도록 하는 내용이 제작된다. 이는 하나 또는 그 이상의 온라인 장터를 통해 사용할 수 있도록 제작되는 것이 바람직하고, 웹-구동 장치의 사용자가 이용가능한 내용을 검색하고, 그들의 각각의 장치에 그 내용을 다운로드할 수 있도록 한다.

바람직한 실시예에서, 다운로드 가능한 내용은 다음의 3가지 데이터 타입을 포함한다:

(ⅰ) 센서 구조 설명의 데이터 대표. 이를 "센서 구조 데이터"라 칭한다. 이 데이터는, 하나 또는 그 이상의 성능 센서 유닛의 세트를 구성하여, 특정한 특성을 갖는 센서 데이터를 공급한다. 예를 들어, 센서 구조 데이터는, 주어진 모션 센서 유닛이: 활성/비활성 상태를 적용하고(및/또는 규정된 프롬프트에 대응하여 이 상태 사이에서 진행하고); 규정된 프로토콜(예컨대 샘플링 비율 및/또는 해상도)에 기초하여, 하나 또는 그 이상의 센서 구성부품으로부터 센서 데이터를 공급하도록 하는 설명을 포함한다. 주어진 훈련 프로그램은 센서 구조 데이터의 복수의 세트를 포함할 수 있으며, 이는 각각의 훈련에 대해 적용된다(또는 관찰가능한 데이터 상태 모니터링에서 특별한 형태를 유발하는, 내부-프로그램 이벤트에 대한 반응으로). 어떤 실시예에서, 복수 세트의 센서 데이터 구조는, 최종 사용자 하드웨어의 다른 배치에 있어, 특정의 관찰가능한 데이터 상태의 확인이 최적화되도록 규정된다. 예를 들어, 최종 사용자 하드웨어의 어떤 배치는, 추가적인 성능 센서 유닛 및/또는 더 발전된 성능 센서 유닛을 가질 수 있다. 바람직한 실시예에서, 센서 구조 데이터는, 관찰가능한 데이터 상태의 모니터링을 할 때의 데이터 처리 과정에서, 효율을 증가시키기 위해, 성능 센서 유닛에 의해 공급된 데이터를 최적화하도록 규정된다. 즉 특정의 관찰가능한 데이터 상태에 대하여, 내용의 특별한 요소가 있는 경우, 상기 센서 구조 데이터는, 이러한 관찰가능한 데이터 상태의 확인에 불필요한 센서 데이터를 제거하도록 규정된다.

(ⅱ) 하나 또는 그 이상의 연결된 센서의 세트로부터 얻어진 입력 데이터를 처리하여, 하나 또는 그 이상의 연결된 센서에 의해 감지된 신체적 성능을 분석하도록 하기 위한 성능 분석 장치(예컨대 POD 장치)를 형성하는 상태 엔진 데이터. 특히 이는, 공급된 내용과 관련된 하나 또는 그 이상의 관찰가능한 데이터 상태의 세트를 모니터링하는 것을 포함한다. 예를 들어 내용은, 성능 센서 유닛에 의해 공급된 데이터에서, 특정의 관찰가능한 데이터 상태를 관찰하는 것에 기초한 로직(logic)에 의해 구동된다.

(ⅲ) 신체적 성능의 분석에 대응하여, 사용자에게 피드백 및 설명을 제공하기 위한(예컨대 훈련 프로그램 데이터를 포함하는 커리큘럼의 공급) 성능 분석 장치를 형성하는 사용자 인터페이스 데이터. 어떤 실시예에서, 상기 사용자 인터페이스 데이터는, 적어도 부분적으로 웹 서버로부터 주기적으로 다운로드된다.

다운로드 가능한 내용이 최종 사용자 장치에 공급되는 방식은, 실시예에 따라 변화하며, 예컨대 최종 사용자 장치의 속성, 클라우드 기반(cloud-based) 데이터의 조직적 구조 등에 기초할 수 있다. 다양한 예가 아래에 기술되어 있다.

센서 구조 데이터와 관련하여, 내용 데이터는 컴퓨터 가독 코드를 포함하는데, 이는 POD 장치(또는 다른 장치)가, 그 특정의 기능(또는 기능의 세트)에 대해 최적화된 방식으로 규정된 데이터를 제공하기 위해, 성능 센서 유닛의 세트를 구성하도록 한다. 이는 상기 POD 장치에서 수행되는 처리의 양을 감소시키는 것과 관련이 있다; 상기 센서에 의해 제공되는 데이터의 양은, 훈련되는 특정의 기능 또는 기능들의 증상을 확인하기 위해 무엇이 실제로 요구되는지에 기초하여 감소된다. 이는, 예를 들어 다음을 포함할 수 있다:

● 하나 또는 그 이상의 센서를 선택적으로(어떤 경우에는 활동적으로) 활성화/비활성화

● 개별적 센서에 대한 샘플링 비율의 세팅(setting)

● 개별적 센서에 대한 데이터 전송 비율 및/또는 데이터 배치(batch) 배열의 세팅

● 수집하는 데이터의 서브세트(subset)만을 공급하기 위한 센서의 구성

상기 POD 장치는, 훈련될 기능에 기초하여 센서에 대한 구성 설명을 제공하고, 성능 센서 유닛 구동의 훈련 프로그램을 공급하기 위해, 적용된 구성(예컨대 도 11A에서의 기능 블록 1101 및 1102)에 기초하여, 상기 센서 또는 센서들로부터 데이터를 수신한다.

어떤 경우에 있어서 상기 센서 구조 데이터는, 다른 시간에 상기 POD 장치에 구비된 다양한 부분을 포함한다. 예를 들어, 상기 POD 장치는, 모든 센서 구조에 걸쳐 포괄적인 제1세트의 코드(예컨대 그 펌웨어(firmware) 내에)를 포함할 수 있고, 이는 센서 구조가 실행되는 것에 의해 등급을 매기는 방식으로 특이성을 증가시키는, 하나 또는 그 이상의 부가적인 코드(이는 동시에, 또는 다른 시간에 다운로드될 수 있다)의 세트에 의해 추가될 수 있다. 예를 들어 하나의 접근법은, 베이스-레벨의 설명, 모션 센서 유닛의 특정 세트에 대한 설명, 그리고 훈련되고 있는 특정의 기능에 대한 이러한 모션 센서 유닛의 특정 구조에 대한 설명을 가질 수 있다.

센서들은, 훈련 내용의 공급된 기능에 대한, 특정의 모니터링 요구조건에 기초하여 구성되는 것이 바람직하다. 이는 어떤 경우에 있어서, 훈련되고 있는 특정의 동작-기반 기능, 또는 훈련되고 있는 동작-기반 기능의 특정한 특성에 대해 특별한 의미를 갖는다.

일 실시예에서, 상태 엔진 데이터는, 훈련되고 있는 주어진 기능에 기초하여, 연결된 센서들(즉 성능 센서 유닛)로부터 획득된 데이터를 어떻게 처리하는지에 대한 POD 장치를 구성한다. 일 실시예에서, 각 기능은, 관찰가능한 데이터 상태(선택적으로 각 증상의 대표)와 연관되어 있고, 상기 상태 엔진 데이터는, 센서 데이터를 처리하기 위한 POD 장치를 구성하고, 특정의 관찰가능한 데이터 상태의 관찰에 기초하여, 사용자 성능의 객관적인 결정을 가능하게 만든다. 다른 실시예에서, 이는 특정의 관찰가능한 데이터 상태의 존재를 확인하는 것을 포함하고, 관련된 증상이 존재하는지를 결정한다. 어떤 경우에 있어서 이는, 그 증상과 관련된 원인 세트의 하나를 대표하는 관찰가능한 데이터 상태를 확인하기 위해, 제2의 분석을 추가적으로 유발하게 한다. 다른 실시예에서 상기 분석은, 다음 사이의 변화에 기초하는 결정을 포함한다: (ⅰ) 사용자의 성능에 기초하여 센서 데이터로부터 결정된 증상 모델 데이터, 그리고 (ⅱ) 기 규정된 기본 증상 모델 데이터 값. 이는 예를 들어, 각 증상에 대한 사용자의 성능을, 기 규정되어 있는 특성과 비교하는 것을 가능하게 한다.

일 실시예에서, 사용자 인터페이스 데이터는 부여된 데이터를 포함하여, 사용자 인터페이스를 통해, 부여된 그래픽(graphic) 내용을 제공한다. 일 실시예에서, 이러한 데이터는 POD 장치(예컨대 스마트폰 또는 다른 디스플레이 등과 같이, 비디오 데이터가 상기 POD 장치로부터 사용자 인터페이스 장치로 전달된다)상에 저장된다. 다른 실시예에서, 사용자 인터페이스를 통해 전달되도록 하기 위한 데이터 규정 그래픽 내용은, 다른 곳에 저장되고, 이는 (ⅰ) 스마트폰 상에; 또는 (ⅱ) 클라우드-기반 위치에 저장된다.

사용자 인터페이스 데이터는, 적용된 훈련 프로그램이 실행되도록 구성된 데이터를 추가적으로 포함한다. 이는, 성능 센서 유닛(예컨대 모션 센서 데이터로부터 획득된 관찰가능한 데이터 상태) 및 다른 인자(예컨대, 능력 레벨, 학습 스타일 및 정신적/육체적 상태와 같은 사용자 특성)를 포함하는 입력에 대응하는 로직/규칙을 포함한다. 다른 실시예에서, 그러한 데이터의 다운로드는, 오프라인(offline) 모드에서의 작동을 가능하게 하여, 사용자가 훈련 프로그램에 참여하기 위해, 능동적인 인터넷 연결을 필요로 하지 않도록 한다.

<전문가 지식 내용의 공급>

일 실시예에서, 기능 훈련 내용은, 사용자가 (ⅰ) 원하는 기능과; 그리고 (ⅱ) 그 기능과 관련한 "전문가 지식"의 원하는 세트; 모두를 선택하는 것이 가능하도록 구축된다(적어도 어떤 기능에 대하여).

높은 레벨에 있어서 "전문가 지식"은, 사용자가 그 기능의 특정한 전문가 해석에 기초하여, 특정의 기능을 학습하기 위해 훈련을 받도록 하는 것을 가능하게 한다. 이점에 있어서, 개인적인 기능은, 복수의 다른 전문가 지식 내용을 가질 수 있다. 특정한 실시예에서, 축구의 칩 킥(chip kick)은, 최선의 칩 킥 폼(form)에 대한 플레이어 X의 해석에 기초한 제1의 전문가 지식 내용을 가질 수 있고, 최선의 칩 킥 폼에 대한 플레이어 Y의 해석에 기초한 제2의 전문가 지식 내용을 가질 수 있다. 이는 사용자에게, 원하는 기능의 훈련을 받도록 할 뿐만 아니라, 그 원하는 기능에 대해 선택된 전문가 지식에 기초하여 훈련을 받도록 하는 것을 가능하게 한다(이는 어떤 실시예에서, 그 선택된 전문가에 의해 훈련을 받는 것과 유사한 경험을 사용자에게 제공한다).

기술적인 관점에서 보면, 전문가 지식은 다음의 하나 또는 그 이상에 의해 공급된다:

(ⅰ) 전문가-특정의 관찰가능한 데이터 상태 규정. 즉, 특정의 트리거(trigger) 데이터(증상 및/또는 원인 같은)가 확인되는 방법은, 주어진 전문가에게 특정된다. 예를 들어, 주어진 전문가는, 특정의 증상이 어떻게 관찰 및/또는 확인되는지에 대한 합의된 견해와 다른 견해를 가질 수 있다. 부가적으로, 증상 및/또는 원인은, 전문가-특정 기반으로 규정될 수 있다(즉 특정의 전문가는 통상적인 합의 부분이 아닌 증상을 확인한다).

(ⅱ) 전문가-특정의 증상에 대한 원인의 매핑(mapping) 규정. 예를 들어, 주어진 증상에 대해 책임이 있는 원인 세트에 대하여 일치된 견해가 있을 수 있고, 하나 또는 그 이상의 전문가-특정 원인이 있을 수 있다. 이는 예를 들어, 특정의 전문가가, 증상의 기본적 원인이 되는 합의된 교훈을 벗어나 다른 것을 찾는 경우에, 전문가 지식이 실행될 수 있도록 한다.

(ⅲ) 피드백 및 훈련 프로그램 로직과 같은 전문가-특정 훈련 데이터의 규정. 예를 들어, 특정의 증상/원인을 나타내기 위해 특정의 전문가에 의해 주어진 어드바이스는, 그 전문가에게 특별할 수 있고, 그리고/또는 전문가-특정의 교정 훈련 활동이 규정될 수 있다.

이러한 방식에서, 전문가 지식은 기술을 통해 실행될 수 있고, 전문가-특정의 적용가능한 훈련 프로그램을 제공할 수 있다.

전문가 지식은, 다음의 하나 또는 그 이상에 기초하여, 전문가-특정의 맞춤이 가능하도록 하기 위한 실시예에 의해 실행될 수 있다:

● 전문가 스타일. 예를 들어, 매핑(mapping) 및/또는 피드백은, 사용자가, 주어진 전문가와 관련된 스타일로 활동으로 학습하는 것을 돕기 위해서 규정된다. 이는 예를 들어, 특정의 동작이 다른 운동선수들에 의해 아주 다른 시각적 스타일로 수행되는 액션 스포츠에서, 하나의 특정 스타일이 사용자에 의해 바람직한 것으로 보여지는 경우와 관련이 있다.

● 전문가 코칭(coaching) 지식. 예를 들어, 매핑 및/또는 피드백이 규정되어, 사용자가 전문가 특유의 코칭 지식에 접근하도록 한다. 예를 들어 이는, 어떠한 특정의 전문가 견해가 중대 및/또는 중요한 것인지에 기초한다.

● 전문가 코칭 스타일. 예를 들어, 매핑 및/또는 피드백은, 그 특정의 전문가 특유의 코칭 스타일을 모사하는 훈련 프로그램을 공급하도록 규정된다.

주어진 전문가에게 특정된 데이터를 포함하는 훈련 데이터 세트는(예컨대 관찰가능한 데이터 상태, 매핑 및/또는 피드백 데이터), "전문가 지식 내용"으로 지칭된다. 어떤 경우에 있어서, 특정의 기능은, 다운로드 할 수 있는 복수의 전문가 지식 내용의 세트를 가지고 있다.

다른 실시예에서 전문가 지식은, 최선의 성능에 대한 전문가-특정의 기본 증상 모델 데이터 값을 통해 실행된다(또한 선택적으로 기본 증상 모델 데이터 값에 의해 실행되고, 예상되는 부정확한 성능에 대한 값을 포함한다). 이는, 측정된 증상을 전문가-특정의 기본 증상 모델 데이터 값과 비교하는 것을 가능하게 하고, 이에 의해 사용자가 실제로 수행한 방법과, 특정의 전문가가 최선의 성능으로 간주한 것 사이의 편차를 객관적으로 평가할 수 있도록 한다. 특정의 실시예에서, 축구의 칩 킥(chip kick)은, 칩 킥의 최선의 폼(form)에 대한 플레이어 X의 해석에 기초한 제1의 전문가 지식 내용을 가질 수 있고, 칩 킥의 최선의 폼에 대한 플레이어 Y의 해석에 기초한 제2의 전문가 지식 내용을 가질 수 있다. 이는 사용자에게, 원하는 기능의 훈련을 받도록 할 뿐만 아니라, 그 원하는 기능에 대해 선택된 전문가 지식에 기초하여 훈련을 받도록 하는 것을 가능하게 한다.

일 실시예의 카테고리는, 사용자가, 부분 성능 모니터링 하드웨어 장치의 작동을 형성하도록 하는 컴퓨터 실행 방법을 제공한다. 상기 방법은 다음을 포함한다: (ⅰ) 고객 장치의 사용자가, 하나 또는 그 이상의 기능과 관련된 다운로드 가능한 내용의 세트를 선정할 수 있도록 형성된 인터페이스의 제공; 그리고 (ⅱ) 사용자가, 선택된 다운로드 가능한 내용의 적어도 일부의 데이터 대표를, 그 사용자와 관련된 부분 성능 모니터링 하드웨어에 다운로드 할 수 있도록 하는 방법. 예를 들어, 서버 장치는 인터페이스(웹 브라우저(browser) 적용 또는 소유 소프트웨어를 통해 고객 터미널에 의해 평가된 인터페이스)를 제공하고, 고객 터미널의 사용자는 그 인터페이스를 평가한다. 이는 어떤 경우에 있어서, 이용가능한 내용의 검색을 가능하게 하고, 그리고/또는 하이퍼링크(hyperlink)(제3자의 웹 페이지 상의 하이퍼링크 포함)를 통해 이용 가능하도록 구비된, 내용 기술 페이지에의 접근을 가능하게 한다. 이점에 있어서 어떤 경우에, 상기 인터페이스는, 고객이 내용 장터(marketplace)에 접근하는 것을 제공하는 인터페이스가 된다.

어떤 경우에 있어서, 상기 다운로드는 사용자 설명에 기초하여 이루어진다. 예를 들어, 사용자는 내용이 선택된(그리고 구매한/획득한) 최초의 프로세스를 수행하고, 후속의 프로세스에서 상기 내용(또는 그 일부)이 사용자 하드웨어에 실제로 다운로드된다. 예컨대 어떤 경우에 있어서 사용자는, 클라우드-기반 배치로 유지되는 구매 내용의 라이브러리(library)를 가지고 있고, 로컬 저장소에 필요한 방식으로 다운로드될 특정의 내용을 선택한다. 실제적인 내용으로서 사용자는, 축구와 골프 모두에 대한 훈련 프로그램을 구매할 수 있고, 주어진 날에 골프 내용을 전용으로 이용할 수 있다(그리고 상기 골프 내용의 실행에 필요한 관련 코드의 부분을 다운로드한다).

상기 다운로드는 다음을 포함한다: (ⅰ) 규정된 방식에 의해 작동되도록 하는 하나 또는 그 이상의 성능 센서 유닛의 세트를 형성하여, 특정 기능에 대해 시도되는 성능의 데이터 대표를 제공하는 센서 구성 데이터, (ⅱ) 하나 또는 그 이상의 성능 센서 유닛에 의해 제공되는 데이터에 기초하여, 처리 장치가, 특정 기능에 대해 시도되는 성능의 특성을 확인하도록 형성되는 데이터를 포함하는 상태 엔진 데이터, 그리고 (ⅲ) 특정 기능에 대해 시도되는 성능의 확인된 특성에 기초하여, 사용자 인터페이스가 작동하도록 형성되는 데이터를 포함하는 사용자 인터페이스 데이터.

특정 훈련 프로그램을 규정하는 모든 데이터는 한 번에 다운로드 될 필요가 없다는 것을 이해할수 있을 것이다. 예를 들어, 사용자 하드웨어가 인터넷 연결이 유지되고 있는 경우, 내용의 추가적인 부분이, 요구되는 방식에 기반을 두고 다운로드될 수 있다. 그렇지만 어떤 경우에 있어서, 사용자 하드웨어는 오프라인 모드로 작동되도록 구성될 수 있고, 그러한 경우 내용의 실행을 가능하도록 요구되는 모든 데이터는 로컬(local) 하드웨어로 다운로드 된다. 이는 특히, 사용자 인터페이스 데이터의 내용이, 설명형식의 비디오 형태인 경우와 관련이 있다. 어떤 경우에 있어서, 다운로드된 사용자 인터페이스 데이터는, 설명형식의 비디오가 요구되는 방식에 의해 접근이 된 경우에(예컨대 스트리밍(streaming)에 의해), 웹 위치의 대표가 되지만, 다른 경우에 있어서는, 다운로드된 사용자 인터페이스 데이터가 상기 비디오 데이터를 포함한다. 일 실시예에 있어서, 풍부한 내용(예컨대 스트리밍 비디오)은 단지 온라인 사용에서만 가능하고, 사용자가 오프라인 모드에서 로컬 하드웨어를 작동시키는 경우, 풍부한 내용의 일부는 보이지 않는다.

상기 방법은, 사용자가, 선택된 하나 또는 그 이상의 기능에 대하여 전문가 지식 내용에 의해 규정된, 다운로드 가능한 내용을 선택하는 것을 가능하게 하며, 상기 하나 또는 그 이상 기능의 세트에 대해서는, 이용가능한 복수의 전문가 지식 내용이 존재한다. 예를 들어, 실제적인 레벨에 있어서, 온라인 장터는, 특정의 전문가와 관련되지 않은 "표준" 레벨의 내용과, 특정의 전문가와 관련된(예컨대 상표가 붙은 내용) 하나 또는 그 이상의 "고급" 레벨의 내용을 제공할 수 있다.

각 전문가 지식 내용은, 동일한 기능에 대한 다른 내용의 제공과 기능적으로 상이하며, 예컨대 주어진 시도의 기능이 분석되는 방법은, 전문가 지식의 개성에 기초하여 변화하게 된다.

어떤 경우에 있어서, 제1의 전문가 지식 내용은 제1의 상태 엔진 데이터의 세트와 연관되고, 제2의 전문가 지식 내용은 제2의 상태 엔진 데이터의 세트와 연관된다. 상기 제2의 다른 상태 엔진 데이터의 세트는, 상기 제1의 상태 엔진 데이터의 세트를 사용하여 확인되지 않은 성능에 대하여, 하나 또는 그 이상의 전문가 특유의 특성을 확인할 수 있도록 구성된다. 상기 전문가 특유의 특성은 다음의 하나 또는 모두와 연관된다:

● 전문가와 관련된 성능의 스타일. 예를 들어, 성능의 스타일은, 하나 또는 그 이상의 모션 센서로부터 획득된 데이터를 사용하여 관찰할 수 있는 신체 동작의 규정된 특성에 의해 표시된다. 이는, 스케이트보드 분야의 실제적인 예에서, "맥트위스트(McTwist)를 어떻게 수행할 수 있는지", "프로 스케이터 A의 스타일에서 맥트위스트를 어떻게 수행할 수 있는지", "프로 스케이터 B의 스타일에서 맥트위스트를 어떻게 수행할 수 있는지"에 대한 내용을 제공하는 것을 가능하게 한다.

● 전문가와 관련된 코칭 지식. 예를 들어, 상기 전문가 특유의 특성은, 코칭 개성(예컨대 상기 예에 기재된 바와 같이, 전문가 지식이 공통의 견해와 분리되어 있는 경우)을 객관적으로 규정하기 위해 구성된 프로세스에 기초를 두고 규정된다. 이는, 스케이트보드 분야의 실제적인 예에서, "맥트위스트(McTwist)를 어떻게 수행할 수 있는지", "프로 스케이터 A의 폼에서 맥트위스트를 어떻게 수행할 수 있는지", "프로 스케이터 B의 폼에서 맥트위스트를 어떻게 수행할 수 있는지"에 대한 내용을 제공하는 것을 가능하게 한다.

전문가 지식 내용이 코칭 스타일을 고려하는 경우도 있는데, 예컨대 동일한 증상에 대해 동일한 어드바이스가 제공될 수 있지만, 상기 어드바이스는 다른 방식으로 공급될 수 있다.

어떤 경우에 있어서, 제1의 선택가능한 전문가 지식 내용과 제2의 선택가능한 전문가 지식 내용이 존재하며, (ⅰ) 상기 제1의 선택가능한 전문가 지식 내용에 대해서는, 상기 다운로드 가능한 데이터가, 성능 센서 유닛의 세트로부터 얻어진 데이터에서, 주어진 기능과 연관된 관찰가능한 데이터 상태의 제1세트를 확인하도록 고객 장치를 형성하고, (ⅱ) 상기 제2의 선택가능한 전문가 지식 내용에 대해서는, 상기 다운로드 가능한 데이터가, 성능 센서 유닛의 세트로부터 얻어진 데이터에서, 주어진 기능과 연관된 관찰가능한 데이터 상태의 다른 제2세트를 확인하도록 고객 장치를 형성한다. 다시 말해서, 이는 하나 또는 그 이상의 스타일 내용, 코칭 지식 내용 및/또는 코칭 스타일 내용을 선택적으로 실행가능하도록 하기 위해 사용된다.

어떤 경우에 있어서, 제1의 선택가능한 전문가 지식 내용과 제2의 선택가능한 전문가 지식 내용이 존재하며, (ⅰ) 상기 제1의 선택가능한 전문가 지식 내용에 대해서는, 주어진 기능과 연관된 관찰가능한 데이터 상태를 관찰하는 것에 대응하여, 사용자에게 제1의 피드백 데이터를 제공하도록 고객 장치를 형성하고, (ⅱ) 상기 제2의 선택가능한 전문가 지식 내용에 대해서는, 주어진 기능과 연관된 관찰가능한 데이터 상태를 관찰하는 것에 대응하여, 사용자에게 다른 제2의 피드백 데이터를 제공하도록 고객 장치를 형성한다. 다시 말해서, 이는 하나 또는 그 이상의 스타일 내용, 코칭 지식 내용 및/또는 코칭 스타일 내용을 선택적으로 실행가능하도록 하기 위해 사용된다. 어떤 실시예에서, 상기 제1의 피드백 데이터와 제2의 피드백 데이터의 차이는, 각각의 전문가 지식과 관련된 인간 전문가의 음성을 나타내는 다른 오디오 데이터를 포함한다.

다른 실시예는, 주어진 기능에 대한 기능 훈련 내용의 공급이 가능하도록 하는 데이터를 생성하는 컴퓨터 실행 방법을 제공하며, 상기 방법은 다음을 포함한다: (ⅰ) 제1세트의 관찰가능한 데이터 상태의 생성, 여기서 상기 제1세트의 관찰가능한 데이터 상태는, 하나 또는 그 이상의 성능 센서 유닛으로부터 획득된 입력 데이터의 처리가 가능하도록 형성되고, 상기 입력 데이터는 사용자에 의해 규정된 기능의 신체적 성능을 대표하여, 상기 성능의 하나 또는 그 이상의 특성을 확인할 수 있도록 한다. 그리고 (ⅱ) 제2세트의 관찰가능한 데이터 상태의 생성, 여기서 상기 제2세트의 관찰가능한 데이터 상태는, 동일한 하나 또는 그 이상의 성능 센서 유닛으로부터 획득된 입력 데이터의 처리가 가능하도록 형성되고, 상기 입력 데이터는 사용자에 의해 규정된 기능의 신체적 성능을 대표하여, 상기 성능의 하나 또는 그 이상의 특성을 확인할 수 있도록 한다. 본 실시예에서, 상기 제2세트의 관찰가능한 데이터 상태는, 제1세트의 관찰가능한 데이터 상태에 없는 하나 또는 그 이상의 전문가 특유의 관찰가능한 데이터 상태를 포함한다; 상기 하나 또는 그 이상의 전문가 특유의 관찰가능한 데이터 상태는, 제1세트의 관찰가능한 데이터 상태만을 사용하여 생성된 기능 훈련 내용의 기능에 대해, 전문가 지식 내용의 기능 훈련 내용으로 통합된다. 상기 기능 훈련 내용의 전문가 지식 내용은, 다음의 하나 또는 그 이상을 설명한다: (ⅰ) 기본 기능 수행 스타일에 대한, 특정의 인간 전문가와 관련한 스타일 내용, (ⅱ) 기본 코칭 지식에 대한, 특정의 인간 전문가와 관련한 코칭 지식 내용, 그리고 (ⅲ) 기본 코칭 스타일에 대한, 특정의 인간 전문가와 관련한 코칭 스타일 내용.

일 실시예는, 주어진 기능에 대한 기능 훈련 내용의 공급이 가능하도록 하는 데이터를 생성하는 컴퓨터 실행 방법을 제공하며, 상기 방법은 다음을 포함한다: (ⅰ) 제1세트의 기능 훈련 내용의 생성, 여기서 상기 제1세트의 기능 훈련 내용은, 하나 또는 그 이상의 성능 센서 유닛으로부터 획득된 입력 데이터의 처리에 기초하여, 주어진 기능에 대해 기능 훈련 프로그램의 공급이 가능하도록 형성되고, 상기 입력 데이터는, 사용자에 의해 규정된 기능의 신체적 성능을 대표하여, 상기 성능의 하나 또는 그 이상의 특성을 확인할 수 있도록 한다. 그리고 (ⅱ) 제2세트의 기능 훈련 내용의 생성, 여기서 상기 제1세트의 기능 훈련 내용은, 동일한 하나 또는 그 이상의 성능 센서 유닛으로부터 획득된 입력 데이터의 처리에 기초하여, 주어진 기능에 대해 기능 훈련 프로그램의 공급이 가능하도록 형성되고, 상기 입력 데이터는, 사용자에 의해 규정된 기능의 신체적 성능을 대표하여, 상기 성능의 하나 또는 그 이상의 특성을 확인할 수 있도록 한다. 본 실시예에서, 상기 제2세트의 기능 훈련 내용은, 주어진 입력 데이터에 대응하여, 동일한 세트의 입력 데이터에 대한 제1세트의 기능 훈련 내용과 비교하여 다른 기능 훈련 효과를 제공하도록 구성되어, 상기 제2세트의 기능 훈련 내용이 전문가 지식 내용의 기능 훈련 내용을 제공하도록 한다. 다시 말해서, 상기 기능 훈련 내용의 전문가 지식 내용은, 다음의 하나 또는 그 이상을 설명한다: (ⅰ) 기본 기능 수행 스타일에 대한, 특정의 인간 전문가와 관련한 스타일 내용, (ⅱ) 기본 코칭 지식에 대한, 특정의 인간 전문가와 관련한 코칭 지식 내용, 그리고 (ⅲ) 기본 코칭 스타일에 대한, 특정의 인간 전문가와 관련한 코칭 스타일 내용.

<훈련 프로세스 흐름의 예>

도 16은, 예시적인 실시예에서, 여기에 개시된 기술이 어떻게 일대일 전문가 코칭을 모사하고 비교하는지를 나타낸 것이다.

올바른 교사는, 학습 프로세스를 가이드하고 가속화하는 것에 의해 놀라운 차이를 만들수 있다. 그렇지만, 성공적인 교습은 직접적인 2방향의 소통을 필요로 하고, 교사와 코치는, 그들의 기능을 얼마나 많은 학생들에게 의미있게 가르칠 수 있느냐 하는 면에서 시간에 구속된다. 따라서, 최고의 코치는 가끔 일반 대중이 아닌 프로선수와만 일을 한다.

전문가 코치와 교사의 지식을 이용하는 것에 의해, 상기 기술은, 훌륭한 코치의 능력을 다음을 통해 모사한다:

● 관찰 및 분석. 사용자가 그 기능 또는 활동을 시도함에 따라, 모션 센서 또는 사운드 센서에 의해 데이터가 캡쳐된다. POD 장치는, 학생들의 능력 레벨을 확인하여 적정한 레벨의 커리큘럼에 위치시키고, 적절한 분석을 제공한다.

● 진단 및 우선순위 결정. POD 장치에 의해 실행된 각 엔진 데이터 세트는, 특정의 기능 또는 활동의 최적의 수행에 대하여, 전문가의 지식에 의해 프로그램된다. 상기 엔진은, 사용자의 테크닉과, 그 기능(높은 정확도를 갖는)의 최적의 테크닉에 대한 기능을 비교하고, 에러 검출 알고리즘을 이용하여 편차를 결정하고 분석한다. 엔진은, 근본 원인에 의한 실수와, 다른 톱 플레이어(top player)의 "가벼운" 실수를 차별화하는 것이 바람직하다. 이는 상기 엔진이 캡쳐된 데이터를 분석하고, 이를 최적의 테크닉과 비교하여, 에러의 근본 원인을 결정하는 것을 가능하게 한다.

● 응답. 상기 기술은, 실제 교사 또는 코치가 그 또는 그녀의 학생을 가르치는 것과 같이, 실수의 근본 원인에 대한 개인적인 실시간 설명 및 교정을 제공하여, 사용자가 앞으로 나아갈 수 있도록 한다. 필요한 경우, 상기 설명은 실시간의 청각적 및 시각적 설명일 수 있다. 햅틱(haptic)(진동) 및 빛(의복을 위한 조명 노드(node))을 포함하는 추가적인 설명 인터페이스가, 현재 개발중에 있다.

● 표시. 설명은, 게임화, 비디오 지도, 그리고 훈련에 의해 공급될 수 있는데, 이는 상기 기능을 각 구성요소로 나누고, 사용자가 그 기능을 마스터하기 위해 다음 레벨로 진행하는 것을 억제하고 있는 주요 분야에 집중된다. 지도 내용은, 와이파이 또는 블루투스 장착 스크린, 태블릿 또는 스마트폰에 표시될 수 있다.

여기에 개시된 상기 기술은, 전통적인 코칭과 달리, 배우고자 하는 학생들이언제든지 이용할 수 있고, 전문가 개인 코칭에, 능률적으로, 적절하게, 효과적으로 접근할 수 있는 시스템을 제공한다.

<도움받은 내용 선택>

일 실시예에서, 상기 기술은 사용자에게 개인적인 커리큘럼을 제공한다. 사용자들은, 개별적으로 맞추어진 기능, 활동, 훈련도구 및 관련된 내용에 대한 쌍방향의 "목록"을 구축할 수 있다. 상기 시스템이 사용자 데이터를 수집할 때, 사용자의 선호도 및 능력에 기초하여, 기능, 활동 및 도전에 대해 자동적인 제안이 이루이루어지도록 한다. 이는, 도움받은 커리큘럼의 구축이, 사용자가 바라는 결과를 달성하는데 도움을 주는 것을 가능하게 한다.

일 실시예에서, 도움받은 내용의 선택은, 제3자의 제품/서비스의 광고까지 확장되며, 여기에는 예컨대, 장비의 제안, 프로 토너먼트(pro tournament), 토너먼트에서의 숙박만 아니라 훈련 스케쥴 및 골프 필름 등과 같은 다른 보완적 활동이 포함된다. 이러한 방식에 의해, 상기 기술은, 제3자 광고 및 배치의 목표로부터 광범위한 수입의 기회를 제공한다.

<내용 공급 방법의 예>

일 실시예에서, 내용(content)은 온라인 장터(예컨대 클라우드 기반 플랫폼에 의해 제공된 온라인 장터)를 통해 사용자가 이용하도록 한다. 사용자는 상기 장터에 접속하여(예컨대 개인 컴퓨터 또는 모바일 장치에서 실행되는 웹 브라우저 적용에 의해) 원하는 훈련 내용을 얻는다. 획득된 내용에 기초하여 사용자는, 원하는 활동 및/또는 기능에 대해 훈련의 공급과 관련된 기능을 수행하도록, POD 장치를 구성한다(예컨대 서버가, POD 장치의 인터넷 연결을 통해, 상기 POD 장치로 코드를 직접 다운로드하도록 한다). 이러한 구성에 기초하여, 훈련 프로그램의 규칙의 세트는, 쌍방향의 훈련 프로세스를 제공하기 위해, 상기 POD 장치에서(또는 다른 실시예에서, 상기 POD 장치와 연결된 제2의 장치에서) 실행될 수 있다. 상기 쌍방향의 훈련 프로세스는, 사용자 기능의 입력 대표에 대응하여, 사용자에게 피드백/설명을 제공한다. 상기 입력은, 성능 센서 유닛으로부터 획득되어 POD 장치에 의해 처리된다. 어떤 실시예에서 상기 쌍방향의 훈련 프로세스는, 다음을 고려한 복잡한 규칙의 세트에 기초하여 작동된다:(ⅰ) 기 규정된 성능 특성과 관련하여 관찰된 사용자 성능 특성, (ⅱ) 전통적 성능 데이터를 포함하는 사용자 특성 데이터, (ⅲ) 기능 훈련 발전 경로(이는 동적인 변수일 수 있다), 그리고 (ⅵ) 다른 인자들.

본 발명은 주로, 모션 센서 세트(예컨대 의복에 결합된 착용가능한 모센 센서로, 이는 3차원에서 사용자 신체 위치의 변위를 분석하도록 구성된다)로부터 획득된 사용자 성능 데이터를 수용하는 POD 장치의 예에 집중되어 있다. 이는 예를 들어, 스포츠 또는 인간의 동작과 관련된 다른 활동과 같은 신체적 활동에 특별히 적용될 수 있다. 그렇지만, 상기 기술은 다른 형태의 센서로부터 획득된 데이터에도 동일하게 적용된다. 이 센서의 예로, 오디오, 비디오, 위치, 습도, 온도, 압력 및 기타 사항을 모니터하는 센서가 있다. 상기 센서들로부터의 데이터는, 넓은 범위의 활동 타입에 걸쳐 기능을 훈련하는데 유용하다는 것을 이해할 수 있을 것이다. 예를 들어 오디오 센서는, 언어 기능, 노래, 그리고 악기를 연주하는 훈련 활동에 대해 특히 유용하다.

일 실시예에서, 여기에 개시된 기술은, 일반적인 레벨에 있어서, 전문가의 지식을 캡쳐할 수 있고, 이로부터 코치와 학생 간의 일대일 대화를 모사할 수 있다. 이점과 관련하여, 어떤 실시예에서 상기 특징은 다음을 포함한다;

● 쌍방향 교환. 디지털 기술은, 다기능이고 높은 등급이며, 실질적으로 어떤 기능 또는 활동에도 적용될 수 있다. 센서 및 관련된 기술을 이용하여, 쌍방향 소통으로 잘 가르칠 수 있고, 실시간 코칭 경험에서, 개별적인 사용자의 스타일 및 생리에 적응시킬 수 있다.

● 실시간 설명. 센서들은, 동작 및 테크닉에서의 실수를 진단하고, 개인화된 촉각 및/또는 시청각의 피드백 및/또는 설명의 자동화된 공급을 가능하게 한다.

● 발전된 성능. 사용자들은, 단지 추적하는 것 이상으로 지속적으로 코치를 받는다. 성능에서의 측정 가능한 향상은, 사용자가, 기록을 깨고 그 목표에 곧 높은 확신을 가지고 도달하는 것을 돕는다.

여기에 기재된 내용에 기초하여, 이러한 특징들이 다양한 실시예에 의해 어떻게 달성되는 지를 알 수 있을 것이다.

기능 훈련의 내용은, 사용자 인터페이스(예컨대 그래픽 및/또는 오디오 형태)를 통해 제공된다. 상기한 바와 같이, 이것이 달성되는 다양한 기술적 배치가 있다. 바람직한 접근법은, 훈련 내용이, POD 장치(150)으로 직접 다운로드되도록 하고, 제공된 내용을 사용자가 경험할 수 있도록 하는 비디어 및/또는 오디오 출력을 포함하는 별도의 장치를 통해 제공되도록 하는 것이다. 상기한 별도의 장치는, 스마트폰(일 실시예에서, POD 장치(150)에 의해 공급된 내용을 제공하도록 구성된 애플리케이션을 실행한다), 헤드셋(headset), 집적된 디스플레이를 구비한 안경 세트, 망막 디스플레이 장치 및 다른 사용자 인터페이스 장치와 같은, 하나 또는 그 이상의 모바일 장치를 포함한다.

모바일 장치(스마트폰과 같은)가 사용되는 일 실시예에서, 상기 POD 장치는, 상기 모바일 장치에 내용을 공급하도록 구성된 로컬 웹 서버를 제공한다. 상기 모바일 장치는, 로컬 웹 서버로서 상기 POD 장치로부터 어떤 코드가 획득되는지에 대한 웹 어드레스를 찾도록 하는 웹 브라우저 애플리케이션(또는 어떤 경우에 있어서 소유 앱)을 실행한다.

바람직한 실시예에서, 기능 훈련 내용은 온라인 장터에서 획득된다. 바람직하게 상기 장터는, 사용자가 다양한 기능 훈련 패키지(package)를 선택 및 구매할 수 있도록 하고, 상기 내용을 사용자의 POD 장치(또는 POD 장치들)로 다운로드하는 것을 관리한다. 상기한 "기능 훈련 패키지" 용어는 획득 가능한 기능 훈련 내용의 세트를 가리킨다. 이는 단일의 기능, 일반적 활동에 관련된 다양한 기능들, 또는 다른 다양한 배열과 관련이 있을 수 있다. 본 발명은, 기능 훈련 데이터가 어떻게 조직되고, 어떻게 구입 가능하고 현금화되는지 등을 구성하기 위한, 어떠한 특정의 실행 옵션에 제한되지 아니한다.

<내용 공급 구조의 예>

다음 섹션은, 성능 센서 데이터(모션 센서 데이터와 같은)의 처리에 의해 구동되는 적용 기능 훈련 내용을 최종 사용자 장치에 공급하는 것과 같이, 내용의 공급을 위한 다양하고 예시적인 기술적 구조를 기술한 것이다.

전체적으로, 다음의 하나 또는 그 이상의 접근법 또는 그 조합이 사용될 수 있다:

● 후속 내용의 다운로드가 제2의 웹 구동 장치에 의해 이루어지도록 하면서, 제1의 웹 구동 장치에 의해 다운로드 가능한 내용을 검색하여 선택하는 것. 예를 들어, 스마트폰을 통해 내용을 다운로드하고, 웹 소스로부터 POD 장치로 직접 다운로드 되게 한다.

● 후속 내용의 다운로드가 제1의 웹 구동 장치에 의해 이루어지도록 하면서, 제1의 웹 구동 장치에 의해 다운로드 가능한 내용을 검색하여 선택하는 것. 그리고 상기 제1의 웹 구동 장치로부터 POD 장치와 같은 제2의 장치로, 상기 내용의 일부 또는 전부가 2차적으로 다운로드 되도록 한다(예컨대, 센서 구조 데이터와 상태 엔진 데이터가, 모바일 장치로 먼저 다운로드 되고, 이어서 POD 장치로 공급된다).

● 사용자 인터페이스 장치와 분리된 POD 장치의 사용. 예를 들어, 모바일 장치가 사용자 인터페이스로 공급하기 위해 사용되고, POD 장치는 모션 센서 유닛 구동 의복에 장착된 처리 유닛이다.

● 사용자 인터페이스 장치와 통합된 POD 장치의 사용. 예를 들어, 일 실시예에서 스마트폰이 POD 장치의 역할을 한다.

● 존재하는 최종 사용자 모바일 장치에 물리적으로 연결된 POD 장치의 사용. 예를 들어, POD 장치는, 스마트폰에 크레이들(cradle) 타입 장착을 통해 연결된 처리장치로 규정된다.

도 9A는, 일 실시예에 따른 컴퓨터 실행 구조의 예를 보여주고 있다. 다양한 대안적인 실시예가 도 9B에서 9D에 도시되어 있으며, 유사한 특징은 대응되는 참조 번호로 표시되어 있다.

도시된 각 구조는, 복수의 컴퓨터 장치("기계" 또는 "터미널"로도 지칭된다 )를 포함하며, 이들 각각은, 하나 또는 그 이상의 마이크로프로세서(단순히 "프로세서"로도 지칭된다)를 통해, 컴퓨터 실행가능 코드(이는 컴퓨터 가독 캐리어 매체에 저장될 수 있다)를 실행하는 것에 의해, 그 기능(예컨대 "컴퓨터 실행 방법의 기능)을 공급하도록 구성된다. 다양한 컴퓨터 장치가, 여기에 특별히 설명되지 않은 다른 하드웨어 장치의 범위를 포함할 수 있다는 것을 이해할 수 있을 것이다.

도 9A의 예는, 중앙 경영 및 내용 관리 플랫폼(900)을 나타낸 것이다. 이 플랫폼은, 단일의 컴퓨터 장치(예컨대 서버 장치) 또는 바람직하게 복수의 네트워크로 연결된 컴퓨터 장치에 의해 규정될 수 있다. 서버의 각 구성부품은, 특별한 참조 없이, 관련된 기능을 개별적 또는 집합적으로 제공하도록 다양하게 형성된 컴퓨터 장치에 대해, 기능적으로 기재되어 있다. 이러한 사항들은 설계 선택의 문제로서, 광범위한 네트워크 및 서버 구조가 해당 기술분야에 잘 알려져 있다는 것을 이해할 수 있을 것이다. 더욱이, 어떤 실시예에서는, 병렬로 작동되는 복수의 플랫폼(900)이 존재한다.

플랫폼(900)은, 그 사용자에 의해 구동되는 컴퓨터 장치를 통해, 복수의 사용자가 접근하는 기능을 제공하도록 구성된다. 도 9A는, 예시적인 사용자와 관련하여 작동되는 사용자측 장비(920)의 세트를 보여주고 있다. 실제적으로, 복수의 사용자 각각은, 유사한 장비(920)의 각각의 세트(도시 생략)를 작동시킨다.

장비(920)는 모바일 장치(930)을 포함한다. 예를 들어, 본 실시예에서 모바일 장치(930)은 스마트폰의 형태를 갖는다. 그렇지만, 다른 실시예에서는, 태블릿, PDA, 휴대용 게임 장치 등과 같은 다른 모바일 장치가 사용될 수 있다. 어떤 실시에에서, 모바일 장치(930)는, 특히 기술된 전체 구조와 관련한 기능을 제공하기 위한 목적-구성 하드웨어에 의해 규정된다. 전체적으로, 모바일 장치(930)의 주요한 기능은, 플랫폼(900)으로부터 획득한 내용을 사용자 인터페이스를 통해 공급하는 것이다. 이 내용은, "요구되는 대로" 기준에 의해 다운로드 되거나(온 라인 모드에서), 미리 다운로드 되거나(오프라인 모드에서 작동되도록 하기 위해), 또는 양쪽에 의해 다운로드될 수 있다.

모바일 장치(930)는, 외부 헤드폰, 마이크로폰, 그래픽 디스플레이(예컨대, 증강 현실을 제공하기 위해 구성된 안경, 망막 투사 디스플레이)를 제공하는 웨어러블(wearable) 장치 등과 같은, 하나 또는 그 이상의 외부 사용자 쌍방향 하드웨어에 연결될 수 있다.

도 9A의 예에서, 모바일 장치(930)는 모바일 앱(app)(예컨대 iOS 또는 안드로이드 앱)을 통해 플랫폼(900)과 상호작용하도록 형성되며, 이는 앱 다운로드 서버(971)로부터 다운로드 된다(본 실시예에서 서버(971)는 제3자 구동 서버이며, 다른 실시예는 제1 당사자 서버를 이용한다). 상기한 모바일 앱은 메모리 장치(934)에 저장되어 있고, 프로세서(933)를 통해 실행된다. 상기 모바일 앱은, 이용가능한 인터넷 연결을 통해 앱 상호작용 서버와 통신하도록 하기 위한 모바일 장치(930)를 형성하며, 앱 상호작용 서버(972)는, 플랫폼(900)을 통해 이용 가능한 데이터의 통로를 제공한다.

도 9B의 예에서, 모바일 장치(900)는, 웹 브라우저 애플리케이션을 통해 플랫폼(900)과 상호작용하도록 형성되며, 기 규정된 웹 주소의 검색은, 이용가능한 인터넷 연결을 통해 모바일 장치 웹 서버(974)와 통신하도록 하기 위한 모바일 장치(930)를 형성하게 한다. 다음으로 웹 서버(974)는, 플랫폼(900)을 통해 이용 가능한 데이터의 통로를 제공한다. 상기 웹 브라우저 애플리케이션은, 모바일 장치(930)의 메모리(934)에 저장된 코드에 기초하여 실행되고, 서버(974)를 통해 모바일 장치(930)로 다운로드된 브라우저-제공 사용자 인터페이스 코드를 통해, 플랫폼(900)에 특정된 사용자 인터페이스를 제공한다.

장비(920)는 추가적으로 퍼스널 컴퓨터(PC)(940)를 포함한다. 본질적으로, 다른 하드웨어 장치가 POD 장치(950)의 형태로서, 플랫폼(900)과 통신하도록 정확하고 적합하게 형성된 어떠한 컴퓨터 장치일 수 있다. 예를 들어 일 실시예에서, 상기 POD 장치는, 유선 연결(USB 연결과 같은) 또는 무선 연결(와이파이 또는 불루투스 연결과 같은)을 통해 퍼스널 컴퓨터(940)에 연결된다. 기능적으로 이는, 플랫폼(900)으로부터 POD 장치(950)로 데이터가 다운로드 되도록 한다. 다른 배열 및 연결이 실행되어 POD 장치(950) 간에 통신이 가능하도록 할 수 있는데, 다음은 그 예이다:

● POD 장치(950)가 모바일 서비스(930)와 웹 서버(973)를 통해 플랫폼(900)에 접속(도 9C 참조). 이는 POD 장치(950)의 작동과 관련한 모바일 장치(930)의 특정 기능에의 접속을 포함하고, 또는 다른 실시예에서, 단순히 모바일 장치(930)를 통해 공급된 인터넷 연결에 접속.

● POD 장치(950)가 웹 서버(973)를 통해 플랫폼(900)과 접속(도 8D 참조).

어떤 경우에 있어서, POD 장치(950)가 본질적으로 사용자 인터페이스를 제공하지 않을 때에는, 사용자가 사용자 인터페이스(예컨대 모바일 앱 또는 웹 페이지를 통해)에 접속하기 위해, 모바일 장치(930)(또는 적절히 구성된 다른 컴퓨터 장치)를 작동시켜, 플랫폼(900)이 그 사용자와 관련된 POD 장치(950)로 특정의 데이터를 공급하도록 지시한다. 이러한 실시예에 있어서, 상기 데이터는, 이용할 수 있는 인터넷 연결을 통해, POD 장치(950)로 직접 다운로드된다.

어떤 실시예에 있어서, 모바일 장치(930)에 제공될 기능 훈련 내용은, POD 장치(950)에 먼저 다운로드된다. 이는, 모바일 장치(930)가, 오프라인 모드에서(인터넷 연결이 없이) 기능 훈련 데이터를 공급하는 것을 가능하게 하고, 필요한 내용은 POD 장치(950)에 의해 공급된다. 이는 특히, 모바일 장치(930)가 없고, 사용자 인터페이스가 단지 POD 장치(950)와만 통신하는 사용자 인터페이스 공급장치(990)(예컨대 헤드셋, 고유 디스플레이를 갖는 안경 세트, 망막 프로젝션 장치 등)를 통해 공급되는 경우와 관련이 있다.

도 17은, 다른 구조를 그 구조와 관련된 프로세스 흐름의 예와 함께 개략적으로 나타낸 것이다.

<POD 장치와 센서 배열의 예>

POD 장치(950)는, 하나 또는 그 이상의 성능 센서 유닛(960)으로부터 수집된 데이터의 처리를 수행하도록 구성된다. 이러한 성능 센서 유닛들은, 유선 및/또는 무선 연결을 통해 POD 장치(950)와 연결된다. 예를 들어 일 실시예에서, POD 장치는 직접 연결되는 커플링(coupling)을 통해 성능 센서 유닛의 제1세트와 연결되고, 연결 부품에 대한 RF-링크에 의해 성능 센서 유닛의 제2세트와 연결되며, 상기 연결 부품은, 직접 연결되는 커플링을 통해 성능 센서 유닛의 제2세트와 연결된다.

성능 센서 유닛의 범위는, 수집되는 데이터의 속성에 기초하여 다양한 실시예에서 사용된다. 다음으로, 수집되는 데이터의 속성은, 사용자가 수행하는 기능 또는 활동에 의존하게 된다. 예를 들어, 다음의 사용자 경우가, 여기에서 고려된 많은 예 및 실시예와 관련된다:

● 착용가능한 모센 센서 유닛. 모션 센서 유닛은, 주체가 입을 수 있도록 구성된 의복 제품(모션 센서 유닛 장착 의복)으로 통합된다. 그러한 의복 제품의 예는, 압축 타입 의복(셔츠 또는 바지와 같은)을 포함하는데, 이들 각각은 정해진 위치에 서로 이격되어 배치된 복수의 모션 센서 유닛을 포함한다. 어떤 경우에 있어서 상기 의복은 미리 형성된 장착 위치를 포함하는데, 이는 가능한 장착 위치 사이에서, 모션 센서 유닛의 운동을 가능하게 하도록, 각 모션 센서 유닛을 해제 가능하게 수용한다. 일 실시예에서 압축 셔츠는, 복수의 모션 센서 유닛을 지지하고, POD 장치를 상호보완적으로 해제 가능하게 수용하여, 상기 장착이, 셔츠에 감싸지고 연장된 와이어 연결을 통해, 상기 POD 장치를 모션 센서 유닛에 결합되도록 한다. 상기 셔츠는, 압축 바지의 보완적 세트와 결합될 수 있는데, 이는 통상의 RF 통신 모듈에 연결된 복수의 모션 센서 유닛을 더 포함한다. 상기 RF 통신 모듈은, 셔츠에 구비된 다른 RF 모듈과, 또는 POD 장치에 의해 모션 센더 데이터를 전달하여, 상기 POD 장치가, 상기 셔츠 또는 바지상에 있는 모든 센서 유닛으로부터 데이터를 수신할 수 있도록 한다.

● 오디오 센서 유닛. 다른 실시예에서는 다른 오디오 센서가 사용된다. 이용가능한 예는 마이크로폰-기반의 센서를 포함하며, 이는 오디오 입력 포트에 끼워져 예컨대 2.5mm 또는 3.5mm의 잭 커넥터), 이에 의해 오디오 신호, MIDI 신호를 생성하는 픽업(pickup) 등을 수신한다.

POD 장치(950)는, 소프트웨어를 통해, 상기 POD 장치를 통해 수신된 출력 신호(예컨대 디지털 출력 신호)를 제공하는 어떤 형태의 성능 센서 유닛으로부터의 데이터를 처리할 수 있도록 구성될 수 있다는 것을 이해할 수 있을 것이다.

어떤 실시예는 복수의 다른 POD 장치의 하드웨어 구조를 제공하는데, 이는 특정의 성능 센서 유닛과 상호작용하도록 제작된다. 예를 들어 POD 장치의 예는 다음을 포함할 수 있다:

● 복수의 모션 센서 유닛에 물리적으로 결합되고, 그 의복에 의해 운반되도록 구성된 POD 장치(어떤 경우에 있어서는, 하나 또는 그 이상의 추가 모션 센서 유닛에, 직접적 또는 간접적으로, 무선으로 결합된다).

● 마이크로폰을 포함하는 POD 장치.

● 오디오 입력 포트(3.5mm 헤드폰 잭과 같은)를 포함하는 POD 장치.

성능 센서 유닛의 다양한 형태가, 넓은 범위의 기능에 걸쳐 훈련을 가능하게 한다는 것을 추가적으로 이해할 수 있을 것이다. 예를 들어 어떤 경우에 있어서는, 하나 또는 그 이상의 오디오 센서 유닛과 연결된 POD 장치가, 다양한 음악 기능(예컨대 노래, 악기 연주 등)의 훈련을 제공하는데 사용된다.

<사용자 인터페이스 제공을 위한 배열 예>

사용자 인터페이스가 피드백 및/또는 설명을 제공하는 방식은, 하드웨어 구조에 기초하여 변화하게 된다. 어떤 실시예에서 상기 사용자 인터페이스는, 오디오만으로 이루어질 수 있는데(예컨대 헤드폰의 사용), 이는 설명 및 피드백이 오디오에 기반을 두고 있다. 다른 실시예에서 상기 사용자 인터페이스는, 디스플레이 스크린(예컨대 스마트폰에 의해 제공된 디스플레이 스크린, 적절한 안경 및/또는 망막 디스플레이 장치 등)을 필요로 하는 시각적 정보를 포함한다.

도 9A에서 사용자측 장비의 배치는, 도 10A에 도시된 바와 같이 기능하도록 구성될 수 있다. 좀더 특별하게, 장터 플랫폼이, POD/엔진 데이터를 POD 장치로 공급하기 위해 기술적으로 구성되어, 상기 POD 장치의 구성이, 특정의 기능(또는 기능의 세트)에 대해 훈련 내용을 공급하도록 할 수 있다. 상기 POD 장치는, 장터로 부터 기 다운로드된 POD/엔진 데이터에 기초하여, 상기 센서들로부터 수신한 데이터를 처리하도록 구성된다. 이러한 처리에 기초하여 상기 POD 장치는, 모바일 장치에, 그 사용자 인터페이스를 통해 플랫폼 내용을 표시하도록 하는 지시를 제공한다(예컨대 이에 의해 피드백을 제공하고, 사용자가 특정의 과제를 수행하도록 지시하는 등). 상기 모바일 장치는, 관련이 있는 경우 상기 플랫폼으로부터 플랫폼 내용을 다운로드한다.

다른 실시예에서는 다른 피드백 장치가 사용되며(예컨대 오디오 장치, 디지털 디스플레이 안경 등), 도 10A는 이것이 상기 POD 장치에 직접 연결된 것을 나타내고 있다.

도 10B는, 모바일 장치가 오프라인 모드에서 작동하는 다른 배치를 나타낸 것이다. 이 실시예에서, 사용자 인터페이스 데이터는 POD 장치로 다운로드되고, POD 장치를 통해 상기 모바일 장치로 제공된다. 다른 배치가 도 10C에 도시되어 있는데, 이는 모바일 장치가 없고, 상기 POD 장치가, 피드백 장치(예컨대 헤드폰, 스크린 구비 안경, 망막 프로젝션 장치 또는 다른 피드백 장치)를 통해 피드백/설명을 직접 제공하고 있다.

주어진 기능에 대하여 최종 사용자의 시도된 성능의 모니터링을 가능하게 하는, 실시예에 실행된 다양한 하드웨어 구성이 아래에 기재되어 있는데, 이는 그 시도된 성능 동안에 수집된 센서 데이터에서, 기 규정된 관찰가능한 데이터 상태(예를 들어, 상기한 방법에 의해 규정된 관찰가능한 데이터 상태)를 확인하는 것을 포함한다.

(ⅰ) 이들은 단지 예시적인 것이고, 여기에 개시된 기술은 다른 하드웨어 배치를 통해 실행될 수 있으며; (ⅱ) 제공된 도표는 개략적인 것이고, 치수를 표시한 것이 아니며; (ⅲ) 상기 도표는 주요 부품을 보여주는 기능적인 표현을 제공한 것이고, PCB 설계의 관점, 센서 유닛의 위치, 연결 와이어링 등의 관점을 나타낸 것이 아니라는 것을 이해하여야 한다.

다양한 실시예는 착용가능한 의복을 제공한다. 예를 들어, 이들은 하나 또는 그 이상의 바디수트(bodysuit), 셔츠(짧은 또는 긴 소매), 바지(짧은 또는 긴), 글러브, 신발류, 모자 등을 포함할 수 있다. 어떤 경우에 있어서 착용가능한 의복은, 복수의 분리가능한 의복 아이템(예컨대 셔츠 및 바지)에 의해 규정되어, 서로 소통이 가능하도록 구성된다(예컨대 유선 연결 또는 무선 통신을 통해). 상기 의복은, 예컨대 압축 의복과 같이, 튼튼한 재질로 제조되는 것이 바람직하다. 이는 센서 부품이 착용자의 신체에 대해 고정된 상태를 유지하도록 한다. 상기 의복은, 예컨대 유지보수 등을 위해, 전기적 부품(예컨대 센서 유닛 또는POD 장치)을 제거할 수 있도록 제조되는 것이 바람직하다.

상기 의복은 복수의 센서 스트랜드(strand)를 포함하며, 각 센서 스트랜드는 하나 또는 그 이상의 센서 유닛을 포함한다. 상기 각 센서 스트랜드는, 복수의 센서 스트랜드를 중앙 처리 장치에 연결하도록 구성된 센서 스트랜드 연결 포트(1208)에서 시작되고, 이는 어느 의미에서 상기한 개시와 일치되도록 POD 장치로 지칭된다. 상기 센서 스트랜드는, 단일의 센서 유닛 또는 복수의 센서 유닛을 포함할 수 있다.

센서 스트랜드가 복수의 센서 유닛을 포함할 경우, 이는 직렬로 연결되는 것이 바람직하다. 즉 스트랜드가 n 센서 유닛 SU₁ ...SU_n을 포함할 경우, 센서 유닛 SU_i 로 보내진 통신은, SU₁ ...SU_{n -1} 에 의해 각각 수신되고, 다시 전송된다. 다양한 어드레싱 프로토콜이 사용될 수 있지만, 이들은 센서 유닛이 장착 위치에 기초하여, 통신이 가능하도록 구성된다. 이는, 주어진 특정의 센서 유닛이 확실하게 특정의 장착 위치에 설치되도록 할 필요가 없이(이는 센서 유닛이 의복 세탁을 위해 제거될 때 특히 유용하다), 센서 유닛이 설치될 수 있도록 하고, 또한 센서 유닛의 교환을 가능하게 한다(예컨대 고장의 경우).

어떤 경우에 있어서 어드레싱 프로토콜(adressing protocol)은, 개별적 센서 유닛과 관련된 식별자(identifier)에 부분적으로 기초를 두고 있고, 상기 POD 장치는, 센서 유닛을 확인하는 자동-구성 단계를 수행하여, 센서 유닛이 설치된 장착 위치를 확인하고, 상기 센서 식별자를 그 장착 위치에 관련시킨다. 일 실시예에 있어서 상기 어드레싱은, 메시지에 있어서 재전송 값을 포함하는 것과 같이, 센서 식별자의 지식을 요구하지 않는 기법에 의해 달성된다(예컨대 메시지는, 각 전송시마다 감소되고, POD 장치에 의해 설정된 결정된 재전송 값을 포함하며, 상기 메시지는 감소값이 0에 도달하는 경우에 센서 유닛에 의해 수신되고 처리된다). 후자의 접근법은, 센서 유닛이, POD 장치에서 후속의 어드레싱 파라미터를 다시 변경할 필요가 없이 교환/교체되는 것을 가능하게 한다는 점에서 잇점이 있다.

바람직한 실시예에서, 각 센서 유닛은, 밀봉된 용기 내에 장착된 회로기판 부품을 포함한다. 상기 밀봉된 용기는 2개의 연결 포트(port)를 포함한다; 하나는 센서 스트랜드를 따라 상방향 통신을 하기 위한 것이고, 하나는 센서 스트랜드를 따라 하방향 통신을 하기 위한 것이다. 어떤 실시예에서 상기 센서 유닛은 설치된 방향을 확인하고, 설치 방향에 기초하여, 어느 포트가 상방향 포트이고 하방향 포트인지를 결정한다. 다른 실시예에서는, 기 규정된 설치 방향이 존재하여, 상기 센서가 역으로 설치되지 않도록 한다. 바람직하게 상기 연결 포트는, 센서 스트랜드에서, 보완 연결 포트에 스냅-록킹(snap-locking)에 의해 장착되도록 구성되어, 물리적으로 관찰가능한 연결이 전기적/통신적 연결을 제공하도록 한다.

상기 센서 스트랜드는, 통신을 위한 하나 또는 그 이상의 라인과, 전원공급(POD 장치에 의해 제공되는 센서 유닛을 위한 전원과 함께)을 위한 하나 또는 그 이상의 라인을 포함하는 연결 라인을 포함한다. 상기 연결 라인은 밀봉되어, 의복이 물에 잠기더라도 라인에 손상을 야기하지 않는다. 바람직하게, 상기 POD 장치와 센서 유닛을 연결 라인에 연결하는 커넥터 모듈은, 방수 밀봉을 제공한다. 더욱이 바람직한 실시예에서, 상기 POD 장치와 센서 유닛이 의복에 설치될 경우, 모든 전기부품은 방수 또는 내수 구조로 제공된다(예컨대 POD의 스냅-록킹 배치와, 센서 스트랜드 연결 포트에 대한 센서 유닛 연결 포트는, 방수 또는 내수 씰링을 제공한다).

근거리 센서 유닛과 하나 또는 그 이상의 다운스트림(downstream) 센서 유닛을 포함하는 센서 스트랜드에서, 상기 근거리 센서 유닛은 다음을 위해 구성된다: (ⅰ) 다운스트림 방향에서, 중앙 처리 유닛에 의해 공급되고 하나 또는 그 이상의 다운스트림 센서 유닛으로 전송되는 센서 설명을 중계; 그리고 (ⅱ) 업스트림(upstream) 방향에서, 상기 중앙 처리 유닛에 대해 상기 다운스트림 센서 유닛의 하나에 의해 공급되는 센서 데이터의 중계. 상기 센서 설명은, 센서 유닛이 정해진 방식에 의해 센서 데이터를 제공하도록 형성되는 센서 구조 데이터를 포함한다. 어떤 경우에 있어서 상기 센서 구조 데이터는, 샘플링 비율을 참조하여 규정되며, 이는 센서 부품에 의해 관찰될 수 있는 정보의 감소, 그리고 POD 장치에 의해 관찰된 기능에 대해 특별히 규정된 다른 구성 특징을 모니터링 한다.

각 센서 유닛은 다음을 포함한다: (ⅰ) 마이크로프로세서; (ⅱ) 메모리 모듈; 그리고 (ⅲ) 하나 또는 그 이상의 모션 센서 부품의 세트. 좀 더 상세한 센서 하드웨어의 예가 아래에 기재되어 있다. 이러한 기본적인 부품들은, 센서 부품이 POD 장치로부터 통신을 수신하고, 정해진 방식(예컨대 해상도, 샘플 비율 등에 의해 규정된 방식)에 의해, 상기 센서 부품으로부터 관찰된 데이터를 제공한다. 어떤 실시예에서 각 센서 유닛은 로컬 전원 공급을 포함하지만, 전원은, 센서 유닛 배터리 등의 개별적인 충전을 필요로 하는 것보다, 상기 POD 장치(또는 다른 중앙 전원공급 장치)로부터 센서 스트랜드를 따라 공급되도록 하는 것이 바람직하다.

센서 유닛의 예로서, 하나 또는 그 이상의 센서 부품은 다음의 하나 또는 그 이상을 포함한다: (ⅰ) 자이로스코프(gyroscope); (ⅱ) 자력계; 그리고 (ⅲ) 가속도계.

아래의 바람직한 실시예에는, 상기한 각 부품들의 하나를 구비하고, 그 각각은 3축 민감도를 제공하도록 구성된다. 다른 실시예는, 상기 하나 또는 그 이상의 부품 타입 중, 예컨대 2개의 가속도계와 같이, 복수의 부품을 구비한다. 이는 예를 들어, 하나는 주어진 해상도에서 코스 동작을 관찰하도록 구성되고, 다른 하나는 높은 해상도에서 특정의 미세한 동작을 관찰하도록 구성된다.

상기 중앙 처리 장치(POD 장치)는 다음을 포함한다: (ⅰ) 전원 공급장치; (ⅱ) 마이크로프로세서, 그리고 (ⅲ) 메모리 모듈. 상기 메모리 모듈은, 처리장치가 다양한 기능을 수행하도록 하는 마이크로프로세서에 의해 실행가능한 소프트웨어 설명과, 정해진 방식으로 센서 데이터를 전송하고, 센서 데이터에 기 규정되어 있는 하나 또는 그 이상의 관찰가능한 데이터 상태의 세트를 확인하기 위한 센서 유닛의 구조를 포함하고, 복수의 연결 센서 유닛으로부터 중앙 처리장치에 의해 수신된 센서 데이터를 저장하도록 구성된다. 바람직한 실시예에서 상기 POD 장치는, 센서 부품(예컨대 센서 유닛으로서 동일한 센서 부품)을 포함하여, POD 장치의 위치에서 동작의 관찰이 가능하도록 한다. 어떤 실시예에서 상기 POD 장치는 의복의 파우치(pouch)에 장착되는데, 이는 사용시 사용자의 등 상부의 중앙 위치에 위치한다(예컨대 어깨뼈 사이).

도 12A는, 일 실시예에 따른 착용가능한 의복의 하드웨어 부품을 선택적으로나타낸 것이다. 이는 의복 자체의 구조로부터 초래하는 기하학적/공간적 구성을 참조하지 않고 나타낸 것임을 이해할 수 있을 것이다.

도 12A의 POD 장치(1200)는 메모리 모듈(1202)에 연결되어 있으며, 상기 메모리 모듈은 소프트웨어 설명을 저장하도록 구성되어, 여기에 기술된 기능을 제공한다. 이들은 다음을 포함한다:

● 훈련 프로그램(또는 복수의 훈련 프로그램들)의 데이터 대표. 이는 상기 훈련 프로그램을 처리하기 위한 로직(logic)과, 다른 부품(헤드셋, 디스플레이 장치 등)에 의해 제공된 POD 장치와 외부적으로 통신하는 사용자 인터페이스 데이터를 포함한다.

● 훈련 프로그램(또는 각 훈련 프로그램)에 대하여 훈련될 복수의 기능. 상기 각 기능은, 센서 구조 설명을 포함하는 데이터, 센서 데이터에서 관찰가능한 데이터 상태를 확인하기 위한 규칙, 그리고 특정의 관찰가능한 데이터 상태가 확인될 때의 피드백(및/또는 다른 액션)과 관련된 규칙에 의해 규정된다. 예를 들어 이들은, 도 5A의 501-503 단계와 같은 프로세스에 의해 규정된다.

또한 소프트웨어 설명(instruction)의 다른 관점이 제공될 수 있다는 것을 이해할 수 있을 것이다.

재충전이 가능한 전원 공급장치(1203)는, POD 장치(1200)와, 하나 또는 그 이상의 연결 장치(센서 유닛, 제공된 하나 또는 그 이상의 컨트롤 유닛 포함)에 전원을 공급한다. 로컬 센서 부품(1205)(예컨대 3축 자력계, 3축 가속도계, 3축 자이로스코프)는, 상기 POD 장치가 센서 유닛으로 작동하도록 한다. 또한 입력/출력부(1206)도 제공되는데, 이들은 다음과 같은 것을 포함할 수 있다: 전원/리셋 버튼; 작동 특성을 나타내도록 구성된 빛; 그리고 어떤 경우에 있어서 디스플레이 스크린. 그렇지만 본 실시예에서는, 상기 POD 장치와 사용자간의 주요 통신 모드가, 외부(그리로 자체 구동) 사용자 인터페이스 장치이다.

POD 장치(1200)는 하나 또는 그 이상의 무선 통신 모듈(1204)을 포함하여, 하나 또는 그 이상의 원격장치와 통신/상호작용이 가능하도록 한다. 예를 들어 상기 통신 모듈은, 다음의 어느 하나 또는 그 이상을 포함할 수 있다:

● 와이파이(WiFi). 어떤 실시예에서 와이파이는, 사용자 인터페이스 내용(이미지, 텍스트, 오디오 및 비디오 데이터 포함)을 UI 디스플레이 장치(1231)에 제공하기 위해 사용된다. 이는 스마트폰, 태블릿, 헤드-업-디스플레이 장치(증강현실 헤드셋 또는 아이웨어(eyewear)) 등), 그리고 다른 장치를 포함할 수 있다. 상기 UI 디스플레이 장치는, 상기 POD 장치를 통해 공급될 수 있는 훈련 내용을 선택 및/또는 검색하는데 사용된다.

● 불루투스(Bluetooth). 어떤 실시예에 있어 불루투스는, 불루투스 헤드셋 등에 제공가능한 오디오 데이터를 공급하여, 사용자에게 청각적 설명/피드백을 제공하기 위해 사용된다.

● 심장박동 모니터 등과 같이, 모니터링 장치와 상호작용이 가능하도록 구성된 ANT+(또는 다른 그러한 통신 모듈).

● RF 통신 모듈. 어떤 실시예에서 하나 또는 그 이상의 상기 모듈이 제공되어, 예컨대 장비(스케이트 보드, 골프 클럽 등)에 부착되도록 구성된 무선 센서 유닛과 통신이 가능하도록 한다. 어떤 실시예에서 이는, POD 장치와 무선으로 통신하는 공통의 허브(hub)에 연결되어 있는 복수의 유선 센서 유닛에 의해 규정된, 무선 센서 스트랜드를 포함한다.

다양한 다른 외부 장치(1233)에 대해, 다양한 다른 무선 통신 모듈이 있을 수 있다.

상기 POD 장치는, 회로기판을 포함하고, 밀봉된 또는 밀봉가능한 용기(방수 또는 내수)에 선택적으로 제공되는 추가적인 하드웨어 부품을 포함한다. 이 용기는 의복(예컨대 특별히 형성된 파우치)에 장착될 수 있고, 그러한 장착은 하나 또는 그 이상의 커플링(coupling)의 연결을 포함한다. 바람직하게, 단일의 커플링은 상기 POD 장치를 모든 가능한 센서 스트랜드에 연결한다. 이는, 본질적으로 물리적 및 전기적 연결을 동시에 제공하는 스냅-록 커플링(방수 또는 내수)일 수 있다.

도 12A는, 센서 연결 포트(1208)에 연결된 복수의 센서 스트랜드(스트랜드 1...스트랜드 n)를 나타낸 것이다. 각 센서 스트랜드는 복수의 센서 유닛을 포함하지만(센서 유닛 1...센서 유닛 n), 어떤 경우에 있어서 주어진 스트랜드는, 단지 단일의 센서 유닛을 포함한다는 것을 이해하여야 한다.

도 12B는 센서 스트랜드의 다른 배치를 나타낸 것이다. 어떤 실시예는 하나 또는 그 이상의 "부분" 센서 스트랜드로 구성된 의복을 제공한다. 각 부분 센서 스트랜드는 다음을 포함한다: (ⅰ) 하나 또는 그 이상의 센서 유닛; 그리고 (ⅱ) 제2의 의복에 의해 제공된 보완 커넥터 모듈에 연결하도록 구성된 커넥터 모듈. 상기 "하나 또는 그 이상"이라는 문구는, 어떤 경우에 있어서, 부분 센서 스트랜드가, 다른 센서 유닛의 개입 없이, 상기 POD 장치를 커넥터 모듈에 연결하는 하나의 센서 스트랜드 라인에 의해 규정되고, 다른 경우에 있어서, 부분 센서 스트랜드가, 하나 또는 그 이상의 센서 유닛이 제공되고, 그 스트랜드가 커넥커 모듈에서 끝나는 센서 스트랜드 라인에 의해 규정된다는 것을 의미한다.

상기 커넥터 모듈을 제2의 의복에 의해 제공된 보완 커넥터 모듈에 연결하는 것은, 하나 또는 그 이상의 상기 부분 센서 스트랜드를, 이에 대응하는 하나 또는 그 이상의 제2의 의복 부분 센서 스트랜드에 기능적으로 연결하는 것이며, 이에 의해 다음 사이에서 통신을 가능하게 한다: (ⅰ) 하나 또는 그 이상의 제2의 의복 부분 센서 스트랜드에 제공된 하나 또는 그 이상의 센서 유닛과; 그리고 (ⅱ) 중앙 처리 장치.

도 12B의 예에서, 의복은 셔츠와 바지를 포함한다. 4개의 셔츠 센서 스트랜드와 2개의 바지 센서 스트랜드가 도시되어 있다. 커넥터 장치(1209)는, 부분 바지 스트랜드를 연결하여, 바지에 제공된 센서 유닛과 상기 POD 장치(그리고 POD 장치에 의한 센서 유닛의 전원공급)간에 통신이 가능하도록 한다. 다른 실시예에서 이러한 종류의 장치는, 풋웨어(footwear), 핸드웨어(handwear), 헤드웨어(headwear) 등에 구비된 센서 유닛에의 연결을 가능하도록 하기 위해 사용된다. 예를 들어 어떤 실시예에서는, 커넥터 포트가 가까운 팔, 목 및 다리 개구에 구비되어, 다른 의복 아이템 또는 장치에 장착된 하나 또는 그 이상의 센서 유닛에 의해, 제공된 센서 스트랜드를 늘일 수 있도록 한다.

어떤 실시예에서, 핸드웨어 또는 풋웨어와 같은 제2의 의복에 의해 장착된 센서는, 동작이 아닌 특징을 측정하는 특별한 센서 부품을 포함한다. 예를 들어, 압력 센서 부품이 사용될 수 있다(예컨대 골프 클럽에서의 그립 강도를 측정하고, 지면 또는 다른 대상에 작용하는 힘을 측정하는 등). 상기 POD 장치는, 주어진 훈련 프로그램에서, 구비되어 있는 센서 장치를 파악할 수 있도록 구성된다. 예를 들어, 사용자는 상기 센서 유닛이 연결되어야 하는지에 대한 설명을 제공받고, 상기 POD 장치는, 센서가 작동하는지, 그리고 기대한 센서 데이터가 제공되고 있는지를 확실하게 체크하는 과정을 수행한다.

도 12B는, 센서 유닛(1240)에 장착가능한 장비를 나타낸 것이다. 이 유닛은, 본질적으로 센서 유닛(1220)과 같은 방식에 의해, 프로세서(1241)와, 메모리(1242)와 센서 부품(1245)를 포함한다. 그렇지만 이는, 무선 통신 모듈(1246)을 더 포함하여, POD 장치(1200) 및 로컬 전원 공급부(1243)과의 무선 통신(예컨대 RF 통신)을 가능하게 한다. 또한 입력부/출력부(빛, 전원/리셋 버튼 등)도 구비되어 있다.

도 12C는, 컨트롤 유닛(1230)을 제공하는 것에 의해 도 12B를 확장한 것이다. 이 컨트롤 유닛은, 예컨대 손목-장착 컨트롤 유닛과 같이, 하나의 셔츠 스트랜드의 원거리 단부에 물리적으로 연결된다. 어떤 실시예에서 상기 컨트롤 유닛은 센서 유닛과 통합된다. 컨트롤 유닛은, 하나 또는 그 이상의 버튼과 같은 입력장치(1231), 하나 또는 그 이상의 빛 및/또는 디스플레이 스크린(바람직하게 저전력 스크린)과 같은 출력장치(1232)를 포함한다. 컨트롤 유닛(1230)은, 사용자에게, POD 장치를 통해 훈련 내용의 규정을 컨트롤하기 위한 기본적 명령을 제공하는 것을 돕도록 제공된다. 예를 들어 명령은, 훈련 커리큘럼에서 이전의 청각적 설명을 반복하거나, 다음 단계로 넘어가도록 하기 위해, "이전" 및 "다음" 명령을 포함할 수 있다. 어떤 실시예에서 청각적 내용은, 예컨대 선택가능한 메뉴 아이템을 청각적으로 제공하는 것과 같이, 사용자가 입력 장치를 작동시키는 것을 돕도록 구비된다.

도 12D의 실시예에서 컨트롤 유닛(1230)은, 센서 유닛(1240)에 장착가능한 장비에 의해 공급되는 무선 신호를 수신하도록 구성되는 무선 통신 모듈(예컨대 RF)을 부가적으로 포함한다. 이러한 방식에 의해, 무선 센서 유닛 데이터는, 상기 POD 장치에서 직접(모듈 1204를 통해) 및 간접(모듈 1234를 통해, 컨트롤 유닛(1230) 및 센서 스트랜드를 통해, 여기서는 셔츠 센서 스트랜드(4)를 통해) 모두의 방식에 의해 수신될 수 있다. 이는 무선 통신에 대한 여분을 제공한다; 신호가 신체(주로 물로 구성된)를 통과할 경우에, 무선 통신을 신뢰성 있게 수신하는 데에 문제가 있을 수 있다. 두 장소를 서로 이격시키는 것에 의해(도 12D 또는 다른 배치에 의해), 장치(1240)로부터 모든 센서 데이터를 수신하여 분석할 수 있는 가능성을 현저히 증가시킬 수가 있다. 상기 POD 장치는 데이터 통합 프로토콜을 실행하여, 이에 의해 두 경로에서 각각 공급되는 데이터를 어떻게 결합/선택할 것인지를 결정한다. 어떤 실시예에서, 외부 센서 유닛에 많이 의존하는 경우에는, 의복의 다양한 장소에 위치한, 복수의 여분 무선 통신 유닛이 존재할 수 있다.

어떤 실시예에서 장치(1230)는, 센서-장착 핸드웨어 부품의 부착을 위해 터미널 커넥터를 포함하는 센서 스트랜드에 구비되는 것보다, 그 자신의 스트랜드에 구비된다.

도 12E는, 일 실시예에 따른 투-피스 의복의 개략적인 표현(치수화한 것이 아니다)을 제공한다. 이는 이전 도면에 대응되는 도면부호로 표시되어 있다. 도시된 의복은 투-피스 의복으로서, 셔츠 부품상에 3개의 센서 스트랜드가 있고, 바지 부품상에 센서 유닛을 제공하는 2개의 센서 스트랜드가 있다(의복 사이의 센서 스트랜드를 연결하는 커넥터(1209)와 함께).

도시된 센서 유닛의 위치는 한정적인 것으로 의도된 것이 전혀 아니며, 그 수의 센서 유닛을 갖는 의복에 대해, 잠정적인 센서 유닛 위치와 관련하여 개략적인 가이드를 제공한 것이다. 도 12E에 도시된 일반적인 원칙은, 센서들을 조인트(joint)로부터 이격시켜 제공하는 것이다. 상기 각각의 센서 유닛의 자이로스코프, 가속도계 및 자력계로부터 수집된 데이터는, 이를 처리하여 복수의 축에 걸쳐(3축 센서의 제공은, 사실상 각 센서 유닛에 대해 9개 등급의 민감도를 제공한다), 상대적 센서 위치, 각도, 움직임 등을 결정하는 것을 가능하게 한다. 따라서 신체 운동에 관련한 풍부한 데이터가 결정될 수 있다. 더욱이, 상기 POD 장치에 의해 공급되는 구조 데이터에 의해, 각 센서의 민감도/작동은, 예컨대 각 개별적 센서 부품의 레벨을 설정하고 단지 특정의 모션 인공물에만 보고될 수 있도록 하는 등, 특정의 기능에 맞게 선택적으로 조율될 수 있다. 이는 시각적 범위로부터 유용하며, 센서 유닛에서의 전력소모를 감소시키고, POD 장치에서의 처리비용을 감소시키며, 특정의 결정적 모션 인공물에 대한 민감도를 증가시키는 것을 포함한다(예컨대 특별히 규정된 특성을 갖는 동작만을 모니터하는 운동 모델을 적용하고, 로잉 머신을 향해 걷는 사람의 동작에 대립하여 로잉 액션에서의 동작을 고 해상도로 모니터링).

도 12F는, 원격 장비의 일부를 도시하는 것에 의해 도 12E를 확장한 것으로서, 이 경우에는 무선 센서 유닛(1240)을 구비한 스케이트보드이다. 상기한 바와 같이, 센서 유닛(1240)은, 복수의 통신 경로를 통해 POD 장치(1200)와 무선으로 통신하고, 무선 통신과 관련된 한계를 관리하는 것이 바람직하다. 예를 들어 도시된 실시예에서, 센서 유닛(1240)에 의해 전송된 신호는, POD 장치(120)에 의해 제공된 무선 통신 모듈과, 손목 컨트롤 유닛(1230)에 의해 제공된 무선 통신 모듈에 의해 수신될 수 있도록 형성된다(이는, 연결된 센서 스트랜드를 통해 수신된 센서 데이터를 전송한다).

도 12G는, 모바일 장치(1281)과 무선 헤드셋(1282)을 나타내는 것에 의해 도 12F를 확장한 것이다.

POD 장치(1200)는 모바일 장치(1281)(예컨대 iOS, 안드로이드, 윈도우 등을 포함하는 어느 범위의 작동 시스템도 작동시킬 수 있는 스마트폰 또는 태블릿)와 통신하고, 이에 의해 사용자 인터페이스 디스플레이에서 내용의 공급이 가능하도록 형성된 모바일 장치 데이터를 제공하는데, 상기 내용은, 기능 훈련 프로그램을 통해 사용자를 가이드하는 것을 돕는다. 예를 들어, 상기 내용은, 비디오 데이터, 텍스트 데이터, 이미지 등을 포함할 수 있다. 어떤 실시예에서 POD 장치(1200)는, 그러한 내용의 공급을 위한 로컬 웹 서버(local web server)로 작동한다(즉 상기 모바일 장치는, POD 장치에 의해, 광고된 무선 네트워크에 연결한다).

헤드셋(1282)(도시된 디자인 구조의 헤드셋일 필요는 없다)은, 모바일 장치(1281)를 휴대하거나 참조할 필요 없이, 사용자가 상기 POD 장치로부터 청각적 피드백 및/또는 설명을 수신하는 것을 가능하게 한다. 이는 예를 들어, 모바일 장치를 참조하는 것이 실행하기 어렵거나 또는 일반적으로 불편한 기능의 내용, 예컨대 로잉(rowing), 조깅(jogging), 수영, 스노우보딩(snowboarding) 등을 하는 경우와 관련이 있다. 어떤 실시예에서는, 예컨대 의복에 의해 제공된 3.5mm 헤드폰과 같이, 유선 헤드셋이 사용될 수 있는데, 이는 상기 POD 장치에 유선으로 연결된다.

도 12H는, 일 실시예에 따른 센서 스트랜드를 나타낸 것이다. 이는 복수의 센서 유닛(1220)을 포함한다. 각 센서 유닛은 메모리(1222)에 연결된 프로세서(1221)을 포함한다. 업스트림 데이터(upstream) 데이터 연결부(1223)와, 다운스트림(downstream) 데이터 연결부(1224)도 구비되어 있다(이들은 어떤 실시예에서, 설치 방향에 기초하여 기능적으로 구별될 수 있다). 빛 및/또는 전원/리셋(reset) 버튼과 같은 입력부/출력부(1225)가 구비될 수 있다. 도시된 실시예는 햅틱(haptic) 피드백 유닛(1226)을 포함하는데, 이는 사용자에게 피드백을 제공하는 것을 돕기 위하여 사용될 수 있다(예컨대, 사용자의 오른쪽 팔로 무엇을 하라는 것에 대응하여, 오른팔 센서 유닛에 햅틱 피드백을 활성화시킨다). 도시된 센서 부품(1227)은, 3축 자력계(1227a), 3축 가속도계(1227b), 그리고 3축 자이로스코프(1227c)이다.

도 12I는, 센서 유닛(1220)의 예를 나타낸 것으로서, 일 실시예에 따른 하우징(1296)을 보여주고 있다. 이 하우징은 플라스틱 재질로 형성되고, 방수 방식으로 회로기판(1297)을 수용하는데, 이는 도 12H에 도시되어 있는 부품을 제공한다. 커넥터(1298)는, 의복에 의해 제공되는 센서 스트랜드에의 연결을 가능하게 한다.

도 17은 모션 센서 유닛 장착 의복의 다른 모습을 제공하며, 센서 스트랜드와 모션 센서 유닛 장착 위치를 제공하는 스트레치(stretch)/압축 직물을 보여주고 있다.

<모션 센서 유닛과 모션 센서 유닛 장착 의복의 구조: 개관>

어떤 경우에 있어서, 최종 사용자 장비에서의 관찰가능한 데이터 상태의 확인은 다음을 필요로 한다: (ⅰ) 주어진 사용자에서 모션 센서 유닛의 실제 위치에 대한 지식; 그리고 (ⅱ) 상기 모션 센서 유닛의 상대적 위치에 대한 지식. 각 모션 센서 유닛은, 통상적으로 그들 자신의 참조 프레임에 대하여 모션 데이터를 제공하므로, 복수의 모션 센서 데이터로부터의 데이터를 의미 있게 조합하기에는 문제가 있다.

상기한 다양한 실시예들은, 센서 유닛의 세트로부터 획득된 데이터를 이용하고, 이에 의해 신체적 성능의 분석을 가능하게 한다. 이러한 센서들은 사용자의 신체에 장착되며, 예컨대 복수의 센서 유닛을 휴대할 수 있도록 구성된 착용가능한 의복에 장착된다. 본 섹션과 후술하는 섹션에는, 일 실시예에서 센서 유닛 구조를 위한 예시적인 방법이 기술되어 있는데, 이에 의해 상기 센서들로부터 획득된 데이터에 기초하여, 인간 신체의 동작 등과 같은 동작의 분석을 가능하게 할 수 있다.

신체적 성능의 데이터 대표를 수집하는, 기초적이고 공지되어 있으며 인기있는 접근법은, 광학적 모션 캡쳐 기술을 이용하는 것이다. 예를 들어, 상기 기술은, 사용자의 신체의 다양한 위치에 광학적으로 관찰가능한 표시를 하고, 비디오 캡쳐 기술을 이용하여, 상기 표시의 위치 및 이동에 대한 데이터 대표를 획득한다. 상기 분석은, 가상적으로 구축된 신체 모델(예컨대 전체적 골격, 안면 대표 등)을 사용하고, 표시의 위치 및 이동을 가상적으로 구축된 신체 모델로 변환시킨다.

종래 기술의 예에서, 컴퓨터 시스템은, 컴퓨터 시스템에 규정되어 있는 가상 신체 모델을 통해, 인간 사용자의 정확한 신체적 동작을, 본질적으로 실시간으로 재현할 수 있다. 예를 들어 그러한 기술은, 비콘(Vicon) 모션 캡쳐 기술 조직에 의해 제공된다.

모션 캡쳐 기술은, 일반적으로 다음의 양쪽 모두를 필요로 한다는 점을 고려하면, 그 유용성이 제한되어 있다: (ⅰ) 사용자는 그 자신의 신체의 다양한 위치에 표시를 하여야 한다; 그리고 (ⅱ) 하나 또는 그 이상의 카메라 장치를 사용하여 사용자 성능을 캡쳐하여야 한다. 어떤 기술(예컨대 깊이 센싱 카메라를 이용하는 것)은 시각적 표시의 필요성에 대한 의존을 감소시킬 수 있지만, 그럼에도 불구하고 모션 캡쳐 기술은, 하나 또는 그 이상의 카메라 장치에 의해 캡쳐될 수 있는 장소에서 그 성능이 나타난다는 요구에 의해, 본질적으로 제한을 받는다.

여기에 기재된 실시예는, 모션 센서 유닛을 이용하고, 이에 의해 모션 캡쳐 기술과 연관된 한계를 극복할 수 있다. 하나 또는 그 이상의 가속도계, 하나 또는 그 이상의 자이로스코프, 그리고 하나 또는 그 이상의 자력계를 포함하는 모션 센서 유닛(관성 측정장치 또는 IMU로도 불리운다)은, 본질적으로 그들 자신 동작의 데이터 대표를 제공할 수 있다. 그러한 센서 유닛은, 속도, 방향, 그리고 중력을 포함하는 파라미터들을 측정하고 보고한다.

모션 센서 유닛의 사용은, 모션 캡쳐 기술과 비교할 때 일정 범위의 문제를 제시한다. 예를 들어 기술적인 문제는, 복수의 모션 센서를 사용할 때, 적어도 다음의 이유에 의해 발생한다:

● 각 센서 유닛은, 그 자신의 로컬 참조 프레임에 기초하여 데이터를 제공한다. 이점에 있어서 각 센서는, 본질적으로 자신이 세계의 중심을 규정하는 것처럼 데이터를 제공한다. 이는, 본질적으로, 공통의 참조 프레임과 관련된 각 표시의 분석을 가능하게 하는 모션 캡쳐 장치와 차이가 있다.

● 각 센서 유닛은, 어디에 팔다리가 위치하고 있는지를 정확하게 알 수가 없다. 비록 센서 의복이 개략적인 위치를 규정할 수는 있지만, 각 사용자는 다른 신체적 특성을 가지고 있고, 이는 정확한 위치에 영향을 미치게 된다. 이는 표시가 전형적으로 높은 정확도에 의해 위치되는 모션 캡쳐 기술과 차이가 있다.

● 모든 센서가, 그들을 연결하는 뼈/팔다리가 없이 전기적 "수프 그릇(bowl of soup)"에 위치된 것처럼, 완전히 독립적으로 작동한다. 즉 상기 센서의 각 데이터 출력은, 모션 캡쳐에 사용되는 표시와 달리, 어느 형태의 가상 신체상에서의 상대적 위치와 독립적이다.

아래에 기재된 기술 및 방법은, 센서 유닛 데이터의 처리를 가능하게 하여, 신체적으로 광범위한 공통의 참조 프레임을 제공한다. 예를 들어 이는 다음의 하나 또는 모두에 의해 달성될 수 있다: (ⅰ) 센서 유닛 SU₁ 에서 SU_n에 대하여, 모션 데이터를 공통의 참조 프레임으로 변환시키도록 구성된 변환을 규정하는 것; 그리고 (ⅱ) 센서 유닛 SU₁ 에서 SU_n 사이의 골격 관계를 결정하는 것. 많은 경우에 있어서 이들은 밀접하게 연결되어 있다는 것을 이해할 수 있을 것이다: 공통의 참조 프레임으로의 변환은, 골격 관계의 결정을 가능하게 하는 것이다.

어떤 실시예에서, 센서 데이터를 처리하는 것은, 가상 골격 신체 모델의 데이터 대표를 규정하는 것이 된다. 이는 요컨대, 모션 센서 데이터 의복 장치로부터 수집된 데이터가, 통상적인 모션 캡쳐를 통해 적용하는 것과 유사한 분석의 형태를 제공한다(또한 가상 골격 신체 모델의 데이터 대표를 제공한다).

아래에 기술된 처리 기술은, 적어도 다음의 내용에 적용될 수 있다:

● 규정된 모션 캡쳐 기술을 통해 제공되는 모델과 비교하기에 적합한 골격 모델의 조립. 예를 들어, 분석 단계 동안에, 모션 캡쳐 데이터와 센서에서 획득된 데이터 모두가 수집될 수 있고, 모션 센서 데이터의 처리로부터 획득된 골격 모델 데이터가, 모션 캡쳐 기술로부터 획득된 대응 골격 모델 데이터와 매치되는지를 확인한다. 이는, 객관적으로 규정된 기능(상기한 바와 같이)에 대한 프로세스에 대해 또는 좀 더 일반적인 테스트, 그리고 데이터 센서 처리방법을 확인하는 경우에 적용될 수 있다.

● 착용된 센서 장착 의복의 자동화된 "논-포즈(non-pose) 특정" 구조. 즉 사용자에게, 센서 구성을 위해 하나 또는 그 이상의 기 규정된 구성의 포즈를 적용하도록 요구하는 대신, 아래에 기재된 처리 기술은, 본질적으로 어떤 동작에서 비롯된 센서 데이터를 가공하는 것에 의해, 각 개별적인 센서의 데이터를 공통의 참조 프레임으로 변환하는 것을 가능하게 한다(예컨대 골격 모델을 조립하는 것에 의해). 즉 아래의 접근법은, 하나의 센서의 동작을 관련된 다른 것과 비교하기 위한 목적으로, 상당히 일반적인 "동작"을 필요로 한다. 상기 동작의 정확한 특성은 제한된 중요성을 갖는다.

● 기능의 신체적 성능의 정확한 모니터링 수행. 예를 들어 이는, 센서 데이터에서 관찰가능한 데이터 상태를 모니터링하는 것을 포함할 수 있다(상기한 바와 같이, 이는 성능 영향 인자의 대표이다).

아래에 많은 접근법이 기재되어 있다. 이들은 독립적으로, 또는 결합되어 적용될 수 있다(예컨대 겹쳐지거나 그리고/또는 혼합된 배치에 의해).

아래에서 고려된 예는, 관성 측정 유닛(IMU)을 포함하는 2개의 센서 유닛을 고려한 것으로, 이는 그 자신의 참조 프레임에 의해 표현된 가속도와 각속도 샘플을 제공한다. 이들 관성 측정 유닛을 각각 S₁과 S₂라 하고, 그 로컬 프레임을 각각 F₁과 F₂라 부르기로 한다(즉, 관성 측정 유닛은 "S"로 표시되고, 하나 또는 그 이상의 관성 측정 유닛 그리고 다른 센서 하드웨어를 포함할 수 있는 센서 유닛은 "SU"로 표시된다.

관례에 의해, 프레임 F1에 표현되는 벡터 v는, 왼쪽 표기 기호를 사용하여 표시된다:

시간의 각 순간에 있어서, 상기 2개의 센서 프레임 F₁과 F₂는 변환 매트릭스에 의해 링크된다. 벡터 ² v를 F₁ 에 표현되는

으로 변환시키는 매트릭스는, 다음과 같이 표시된다:

<센서 유닛의 구성: 조인트 구속>

예시적인 실시예는 조인트 성능 지식을 이용한다. 즉 제1 센서 유닛 S₁과 제2 센서 유닛 S₂ 는, 공지된 조인트의 맞은편에서 링크 부재에 장착된다; 아래에 기술된 방법은, 조인트 타입에 대한 지식을 사용하여, 각각의 센서 유닛의 데이터를 공통의 참조 프레임으로 변환하는 처리를 가능하게 한다. 즉 상기 방법은, 규정된 조인트 구속의 세트에 기초하여, 모션 데이터 SU₁과 SU₂ 사이의 관계를 결정한다. 예를 들어 이는, SU₁과 SU₂에 의해 규정된 각각의 참조 프레임에 기초하여, SU₁과 SU₂ 사이 조인트의 위치와 모션을 확인하는 것을 포함한다.

실제적인 예가 인간의 신체이다: 상기 링크 부재는, 인간 신체의 부분이 된다. 예를 들어 센서 유닛은, 그 사이에 팔꿈치(힌지 조인트)를 갖는 상완(상부 팔)과 전완(하부 팔)에 장착된다. 이들 센서로부터의 모션 데이터의 분석은, 팔꿈치 조인트 힌지에 대해 규정된 조인트 구속과 함께, 각 모션 데이터를 공통의 참조 프레임으로 변환시키는 것을 가능하게 한다. 이는, 공지된 복수의 신체 조인트의 맞은 편에서 신체 위치에 장착되어 있는, 센서 유닛의 복수의 쌍에 대해 수행되어(예컨대 공지의 조인트 타입으로는, 힌지, 스피리컬(spherical), 유니버설(universal)이 있다), 각 센서 유닛으로부터의 모션 데이터를, 인간 신체의 공통된 참조 프레임으로 변환하도록 구성되는 변환을 규정한다. 이는, 규정된 변환을 복수의 모션 센서 유닛으로부터 수신한 모션 데이터에 적용하는 것에 기초하여, 인간 신체에 대하여, 골격 모션 모델을 선택적으로 유지할 수 있도록 한다.

구체적으로,

과

를, 각각의 IMU 센서에 의해 보고된 각속도라 부르기로 한다. 이들 센서들은, 하나의 힌지 구속(즉 하나의 자유도 각도)에 의해 결합된 2개의 링크에 부착되어 있는 것으로 한다. 이들 센서는 미리 규정된 속도에서(예컨대 50Hz) 샘플을 제공하기 때문에, 각각의 각속도 벡터에 대한 파라미터로서 시간을 더하는 것이 필요하다. 이는 샘플들을 구별하는데 도움을 준다. 더욱이 이 샘플들은 다른 로컬 프레임으로, 즉 그들을 측정하는 센서 프레임으로 표시된다. 따라서 어떤 시점에 있어서, 다음의 양을 알 수 있다: ¹g₁(t) and ²g₂(t).

만일 시공간에서,

이 힌지 조인트의 단위 축일 경우, 어느 시점 t에서는 다음의 식이 성립한다.

그 근거로서, 힌지 구속을 활용하고, 각속도 벡터 사이의 관계를 정립하는 것이 가능하다. 일반적으로, 상기 힌지 조인트가 전혀 회전하지 않는다면, 2개의 자이로스코프는, 동일한 크기를 갖고, 일정한 회전 매트릭스에 의해 각각 변환될 수 있는 각속도를 보고하여야 한다. 만일 상기 힌지 조인트가 회전하면, 다음의 각 이송 속도의 등가물을 갖는다:

여기서

는

힌지축에 대한 회전에 의해 발생하는 각속도이고,

는, 상기 조인트 각이

일 때, 시간 t에서 2개의 센서 프레임을 연결하는 변환의 회전이다.

상기 수학식 2의 양측을

로 곱하여 다음을 얻는다:

이는

와 등가이며, 또는 다음과 같이 나타낼 수 있다:

상기 축

는 양쪽 프레임에서 표시될 수 있고, 단지 그 방향에만 관심이 있으므로 다음과 같이 나타낼 수 있다:

방정식 3과 4를, 회전 매트릭스 대 외적(cross product) 양

로 결합하면 다음을 얻는다:

이는 다음의 기존 구속과 등가물이 된다:

힌지 조인트 각속도와 관련하여, 어느 순간에도

힌지 조인트에 대한 각속도는 다음 식을 통해 주어진다는 것을 이해하여야 한다.

그 근거를 다음에 설명한다. 한편 제2 자이로스코프의 각속도는, 방정식 2에 표시된 바와 같이, 제1 센서의 프레임에 표시될 수 있고, 다음과 같이, 변환 매트릭스의 회전부분을 사용하여 직접 표시될 수도 있다:

방정식 8과 2의 양쪽에서,

에 의해 내적(dot product)를 계산하면 다음 식이 된다:

방정식 4와 내적

에 의해 다음 식을 얻을 수 있다:

이를 다음과 같이 더 간단히 할 수 있다:

이에 의해 방정식 7에서, 청구범위를 제공할 수 있다.

어떤 구속 함수(constraint function)

을 감안하면, 이는 시간 t에서 보고된 센서 샘플에 의존하고, 이 구속과 관련한 에러는

로 표시할 수 있다. 대수학적으로, 이는 다음의 등가물이다.

여기서

는 시간 샘플의 N-차원 벡터이고, v(t _k) 는 상기 구속함수 f에 대한 독립변수로 제공한 m-차원 샘플 벡터이며, x는 에러를 최소화하기 위해 필요한 메인 n-차원 벡터 독립변수이다. 이 벡터 값(vector-valued)의 에러 함수는, 입력의 스칼라(scalar-valued) 값 함수로 다음과 같이 표현할 수 있는데, 이는 최소화할 필요가 있다.

힌지 조인트의 예를 사용하는 경우, 상기 방정식 1에 의해 표현된 힌지 조인트 구속 함수에 대응되는 구속 함수는 다음과 같다:

여기서

이고,

이며, 이는 단순화를 위해 연결 로우 벡터(row vector)로 표현하였다.

방정식 12에서 구속 함수의 값은 항상 0이 되어야 하는 것이 이상적이며, 이에 따라 에러에 대한 벡터 및 스칼라 함수 표현은 모두 0과 동등한 최소치를 달성하여야 한다. 상기 조인트 벡터는 단위 기준을 가져야 하므로, 추가적인 구속은 다음과 같이 표현한다.

이러한 부가적인 구속은 목표에 포함되지 않았기 때문에, 식 10 또는 11을 최소화하는 것을 복잡하게 한다. 하나의 접근법은, 구면 좌표에 다음과 같이

에 대해 표시하는 것이다:

상기한 해결책은 벡터 에러 표현인 식 10을 포함하며, 여기서

는 미지수이고, 자이로스코프 각속도가 상기 계수를 제공한다. 상기한 같이 귀결되는 시스템은 과잉결정이고(보통 N > 6), 비선형적이므로, 가우스-뉴톤(Gauss-Newton) 방법을 사용하여, 반복적으로 e(t, x) = 0 을 푸는 것을 제안한다. 간단화를 위해, 어떤 벡터 성분을 나타내기 위해 첨자 k를 사용하여, 시간 샘플 벡터 t를 생략할 것이다. 함수행렬식(Jacobian)

이 계산될 필요가 있다. 만일 구면좌표가 사용되면, x는 다음과 같이 된다:

이러한 좌표의 변환은 상기 함수행렬식의 계산을 좀 더 지루하게 만들지만, 비선형적 최소화 문제에서 구속되는 비선형적인 평형을 직접적으로 피할 수가 있다(즉 비선형적 목표 함수만 최소화하면 된다).

만일 평형 구속식 14를 사용하여 문제를 해결하고자 한다면, 라그랑주(Lagrange) 승수에 기초한 다음의 식을 사용하는 것이 가능하다:

중요한 관찰로서, 힌지 조인트 설치에 대하여 다음의 가능성을 고려한다:

제1링크는 움직이지 않고, 즉

이고, 제2링크는 상기 조인트의 운동을 통해 회전한다. 예로서, 각속도가 로컬 z축과 일치되는 것으로, 즉

로 가정한다.

반복적인 알고리즘은

및

로 추측하여 시작될 필요가 있다.

로 세팅을 하면 수렴에 실패하는 문제가 발생한다. 이 상황에서, g는 목표 함수에서 작용하는 단 하나의 속도이다. 목표 함수의 등위면(isosurface)은, 그 축이 각속도와 일치된 실린더의 종류이다(즉 이 경우에서의 z축). 한편 조인트 벡터에 대한 평형 함수는 그 유닛의 영역을 나타낸다. 만일 그 유닛 영역의 북극-남극 축인 각속도와 함께 라그랑주 승수를 사용하고, 조인트 벡터 추측이 적도 상의 어느 곳에 있는 것으로 시작하는 경우, 반복적인 프로세스는, 상기 조인트 벡터 측을 수정하는 것에 실패하게 된다. 이는 복수의 이유에 기인하여 발생한다: 상기 실린더와 구면의 기울기는 일치되지만, 목표 함수는 최소화되지 않는다. 일반적으로, 상기 목표 함수의 기울기는 상기 추측을 변경하고, 이를 반대 기울기 방향에서 당기게 된다. 그리고 상기 수정된 추측은 평형 구속 매니폴드(manifold)상으로 (단위 구면)로 다시 투영된다. 만일 상기 단위 구면의 적도로부터 시작하지 않을 경우, 상기 알고리즘은 수렴되어, 상기 북극-남극 축이 해결책이 되도록 한다(즉 각속도 벡터에 대해 동일선상이 되도록).

힌지 조인트의 단순화 관점에서, 힌지 조인트 구속에서 조인트 축의 검색을 좀 더 단순화하기 위해, IMU 센서 프레임이 팔다리에 부착되어, 도 7B에 나타낸 바와 같이, 그 로컬

축이 그 지지 팔다리의 뼈와 완전히 일치되는 것을 가정할 수 있다. 이 가정은, 어느 로컬 프레임에서 다음과 같은 기하학적 관찰로 표시할 수 있도록 한다:

방정식 17은, 단위 구면으로부터, 각 프레임의 로컬 xOz 평면에서의 단일 단위 원까지, 힌지 축의 공간을 검색하는 것을 더 제한한다. 이는, 각 로컬 프레임에서 조인트 유닛 벡터를 기술하는데 필요한 2개의 구면 각 대신에, 단지 하나의 각만 필요로 한다는 것을 의미하며, 이는 다음과 같이 나타낼 수 있다:

여기서

는 도 7B에 표시된 각도이다. 이러한 상황에서, 상기 각속도와 조인트 축 사이의 외적의 기준은 다음과 같이 된다:

방정식 10에서 에러를 최소화하기 위한 개략적인 해결책을 찾기 위해 함수 행렬식을 계산하기 위해서는, N 차원의 함수 행렬식(Jacobian), 두 각도 파라미터

과

에 관한 벡터 값 에러 함수

를 계산하여야 한다. 상기 함수행렬식 매트릭스의 요소는 다음과 같다:

상기 로컬 y축을 팔다리 뼈에 일치시킴으로써, 검색 공간을, 즉

각을 4로부터 2로 감소시켰다. 일반적인 경우에 있어서 해결책을 찾기 위해 가우스-뉴톤 (Gauss-Newton)반복을 사용할 수 있으며, 이 전략은 감소된 문제에 대해 명백히 적용될 수 있다. 동기화되고, 노이즈가 없는 센서 데이터가 없는 경우에는, 단순화된 팔 구조 및 방정식 2를 활용함으로써 인공적으로 생성되는 데이터를 사용하였다. 결과적으로, 마틀랩 스크립트(Matlab script)를 얻을 수 있었으며, 이는 Levenberg-Marquardt 비선형 최소 제곱 알고리즘을 사용하고, 함수행렬식 방정식 20을 제공하는 것에 의해 문제를 해결한 것이다. 더욱 상세하게는, 제1 센서에 대해 일정한 각속도를 설정하고, 회전이 로컬 z축에 대해 발생하는 것으로 가정함으로써, 회전 매트릭스의 계산이 사소한 것이 되었다. 이는 다음과 같이 표현할 수 있다:

<센서 유닛의 구성: 일반적인 세계 방향의 확인>

두 개의 링크 사이의 각도 뿐만 아니라 그들의 상대적 방향 매트릭스 모두의 문제를 해결하는 다른 접근법은, 센서 유닛에서, IMU(가속도계)와 자력계(예컨대 전술한 다양한 실시예에서와 같이)를 결합하는 것이다.

전체적으로, 어떤 실시예는 다음의 방법을 제공한다: 제1 센서 유닛 SU₁으로부터 데이터를 수신하는 방법, 여기서 상기 SU₁으로부터의 데이터는, SU₁ 에 의해 규정된 참조 프레임에 기초한다; 제2 센서 유닛SU₂로부터 데이터를 수신하는 방법, 여기서 상기 SU₂로부터의 데이터는, SU₂ 에 의해 규정된 참조 프레임에 기초한다; SU₁과 SU₂는 공지된 조인트의 맞은편 측에서 링크 부재에 장착된다; 센서 유닛 SU₁과 SU₂ 로부터 수신된 데이터를 가공하여, 센서 유닛 SU₁과 SU₂ 로 부터 각각의 센서 데이터에서, 두개 또는 그 이상의 일반적인 세계 방향을 결정한다; 그리고 상기 두개의 일반적인 세계 방향의 결정에 기초하여, 센서 유닛 SU₁과 SU₂ 사이에서 골격 관계를 결정한다. 예들 들어 이는, 두개의 일반적인 세계 방향의 결정에 기초하여, 가상의 신체 모델의 데이터 대표를 결정하는 것을 포함한다.

어떤 실시예에서, 상기 적어도 두개의 일반적 세계 방향은, 다음에 의해 규정된다: (ⅰ) 자기장 방향, 그리고 (ⅱ) 중력 가속 방향. 이점에 있어서, 각 센서 유닛은 다음을 포함한다: (ⅰ) 자기장 방향의 데이터 대표를 제공하는 자력계; 그리고 (ⅱ) 중력 가속 방향의 데이터 대표를 제공하는 가속도계.

상세하게 설명하면, 예시적인 접근법은, 움직임이 없는 개략적인 기간을 확인하고, 다음의 양을 측정한다:

● 중력 가속도: 프레임

에서, 상기 가속도계의 값

은 중력 가속도 벡터의 추정치를 나타낸다.

● 자북(magnetic North): 동일한 시점에서, 자기장 방향 벡터인

을 측정한다.

이 시점 이후 계속해서, 센서 유닛 연합 출력에 의해 공급된 중간의 4개의 방향 값은,

와

모두에 대한 로컬 표현을 계속적으로 계산하기 위해 사용될 수 있다.

어떤 실시예에서, 상대적 방향 매트릭스를 회복하기 위해 3조 방법이 적용된다. 다음에서 3개의 팔다리가 구면 조인트를 통해 연결된 것으로 가정한다. 간결화를 위해, 제1 및 제2 팔다리 센서의 프레임을 각각

과

로 표시할 것이다. 현재의 목적은, 두개의 프레임을 일치시키는 회전 매트릭스

를 얻는 것이다. 자연적으로, 다음의 항등식이 성립한다:

상기 회전 매트릭스

를 회복하기 위해, 다음의 간단한 단계를 구성하는 3조 방법을 사용한다.

1. 표준화:

and

2. 정규직교의 기반 구축:

방정식 22를 매트릭스 형태로 배치하면 다음과 같다:

이는 다음의 해결책에 이르게 한다:

이는, 센서 유닛에 대해, 골격 모델의 변환 및/또는 구축을 규정하는 것을 가능하게 한다. 즉 상기한 바와 같이, 이 접근법은, 두 센서의 참조 프레임 사이에서, 상대적 변환을 직접 회복할 수 있도록 한다. 이는 상기 센서들이, 팔다리에 상당히 견고하게 장착되었다고 가정한 것이다(즉 이들은, 팔다리와 함께 회전하고, 무시할 수 있는 롤(roll)/피치(pitch)/요(yaw)의 편차(offset), 최소의 히브(heave) 및 서지(surge) 환산인 것으로 가정한다).

어떤 실시예에서, 각 센서 유닛(또는 센서 유닛의 서브셋(subset) 각각)은 복수의 가속도계를 포함한다. 예를 들어 센서 유닛은 다음을 포함한다: (ⅰ) 제1 민감도 범위에 맞추어져, 동작에 영향을 받는 한계 포화점 이하에서 데이터를 제공하는 제1 자력계; 그리고 (ⅱ) 제2 민감도 범위에 맞추어져, 상기 동작에 영향을 받는 한계 포화점 이상의 데이터를 공급하여, 적어도 하나의 센서 유닛이, 동작이 상기 한계 포화점 이상임에도 불구하고, 자기장 방향의 연속적인 데이터 대표를 제공할 수 있도록 하는 제2 가속도계. 이는 하나의 가속도계가 센서 구성에 적합한 데이터를 제공하고, 다른 것이, 기능 모니터링을 위한 목적으로 특정의 동작 가속 범위에서 좀더 상세한/정확한 데이터를 제공하는 것을 가능하게 한다. 예를 들어 그 범위는, 관련된 관찰가능한 데이터 상태 특성에 기초하여, 기능-특정 기반에서 설정될 수 있다.

<센서 유닛의 구성: 역 운동학 자세 평가>

어떤 실시예는 역 운동학 교정 모델을 이용한다. 전체적으로 그 일반적인 원칙은, 최종 작동체(손 또는 발과 같은)가 기준 관점(어깨 또는 엉덩이와 같은)으로부터 관찰된 것처럼, 최종 작동체를 추적하는 것이다. 이 처리 기법은, 상기 기준관점이 어떤 위치에서 최종 작동체를 관찰하는 경우, 가속도 및 방향을 이용하여, 상기 기준 관점과 최종 작동체 사이의 팔다리가 어떻게 연결되었는지를 추정할수 있다.

실제적인 예로서, 사용자가 아이템을 쥐고 단지 그 손만을 관찰하는 것도 가능하다. 이는, 잠재적 레벨에서의 역 운동학을 포함한다. 사용자는 아이템을 향해 손을 뻗을 때 그 팔꿈치가 어떻게 구부려지는지를 정확히 알 수 없지만, 두뇌는 그 손 및 아이템을 볼 수 있고, 팔 근육에게 팔꿈치를 구부리도록 하여, 손이 그 아이템에 가깝게 도달하도록 한다. 현재의 기술적 내용에서는 손과 어깨에 있는 두개의 센서를 고려하는데, 이와 동일한 프로세스가 가능하다. 그렇지만 복잡성이 더해진 레벨에서는, 상기 아이템에 손을 위치시키는 여러 방법이 있고, 전체 팔이 복수의 구성을 가질 수 있다. 중간 센서(예컨대 전완과 상완 각각에 있는 센서)는, 실제 포즈와 다른 가능성를 구별하는 프로세스를 가능하게 한다.

일 실시예는, 복수의 센서 유닛 SU₁ 에서 SU₂ 에 대한 모션 데이터를 수신하는 방법을 제공하는데, 여기서 각 센서 유닛에 대한 상기 모션 데이터는, 각각의 로컬 참조 프레임에 기초하고, 각 센서는 착용자 신체의 각 신체 링크에 장착되며, 센서 유닛 SU₁ 에서 SU_n 는 다음을 포함한다: (ⅰ) 베이스 센서 유닛; 그리고 (ⅱ) 최종 작동체 센서 유닛.

상기 방법은, 관련된 베이스 센서에 대한 최종 작동체 센서의 동작을 결정하는 것을 포함하고, 운동학 모델에 기초하여, 하나 또는 그 이상의 조인트 중간 베이스 센서 유닛과 최종 작동체 센서 유닛에 대해, 위치와 모션 데이터를 추정한다. 예를 들어 이는, 하나 또는 그 이상의 조인트 중간 베이스 센서 유닛과 최종 작동체 센서 유닛에 대한 위치 및 모션 데이터를 추정하는 것에 기초하여, 가상의 골격 신체 모델의 데이터 대표를 규정한다. 상기 복수의 센서 유닛은, 하나 또는 그 이상의 중간 센서 유닛을 포함하는 것이 바람직하며, 상기 하나 또는 그 이상의 중간 센서 유닛은, 중간 베이스 센서 유닛과 최종 작동체 센서 유닛의 신체 링크에 배치되어 있다. 이들은, 운동학 평가 프로세스에 대한 복수의 가능한 해결책에서, "정확한" 하나를 확인하는데 사용된다. 일 실시예에서, 상기 베이스 센서는 어깨 근거리에 위치하고, 상기 최종 작동체 센서는 손 근거리에 위치하며, 하나 또는 그 이상의 중간 센서 유닛은 전완 및/또는 상완에 장착된다. 다른 예는 엉덩이, 다리 및 발과 함께 작동된다.

이를 상세히 설명하면, 인접하는 링크 프레임 사이의 상대적 변환이, 어떤 에러에 도달하는 것으로 알려진, 최초의 포즈(pose)를 가정할 수 있다. 이는, 각 센서 w, r,t 와 그 링크의 위치가 알려져 있기 때문에(셔츠의 디자인 프린트를 통해) 가능하다. 이에 따라, 도 7D에 도시된 팔 조인트를 관찰하고, 잠재적으로 Denavit-Hartenberg 규칙을 이용하여, 역 운동학 문제를 형성하는 것이 가능하다.

각 팔에 대하여, 모든 계산이 수행되는 베이스 참조 시스템이, 어깨

의 것으로 가정한다. 상기 최종 작동체는 손이다. 초기화 단계에서, 핸드 프레임

의 포즈는,

프레임에 대하여 w, r, t로 알려질 필요가 있다. 이는 상기 팔 링크의 해부학 비율에 의존하며, 다음과 같이 요약된다:

● 성인의 키는 H로 가정된다.

● 팔 링크(어깨와 팔꿈치 조인트 사이)의 길이는 약 0.16H

● 전완 링크(팔꿈치와 손목 조인트 사이)의 길이는 약 0.14H

● 손(손목과 중간 손가락 끝 사이)의 길이는 약 0.11H

● 휴식 자세에서 팔꿈치 조인트에서의 각도는

로 가정될 수 있다.

초기화 시점 이후의 손의 포즈를 평가하기 위하여, IMU로부터 얻어진 데이터에 의존할 수 있다. 기본적으로, 각속도는, IMU 프레임의 최초 포즈와 관련하여, 시간에 걸쳐 방향 평가를 통합하고 최종적으로 회복하기 위한 방법을 제공한다. 그렇지만 상기 가속은, 이론상으로 번역 오프셋(offset)을 측정하는 것을 가능하게 한다. 두개의 연속적인 시간

및

사이에서, 무엇이 알려지지 않았고, 무엇이 알려질 것으로 예측되는지를 잘 이해하기 위해, 원하는 접근법에서 입력과 출력을 형성하는 성분을 열거한다:

● 입력:

IMU 샘플이

로 읽힐 때,

시점에서의 최초 포즈에 대한 손 및 어깨의 회전 매트릭스. 상기 첨자 G는, 상기 최초 포즈가, 다른 프레임 사이에서 변환하기 위해 사용하는 전체적인 참조라는 것을 가정하게 한다. 또한 ^H a _H 및 ^S a _S 는, 시간

에서 그 각각의 IMU에 의해 읽혀지는 가속도이고, 그 로컬 프레임에 표현된다. 또한

는,

로 표현된 손 프레임의 벡터 오프셋이다. 마지막으로, 각 조인트(총 7개가 있다)에 대하여, 각 오프셋(angle offset)

은,

시점에서

. 이다.

● 출력: 상기 조인트 각 오프셋은

이다.

설명

은, 시점

에 있어서 번역 오프셋을 회복하는 데 유용하다.

에서 측정된 각속도는, 어떻게 어깨 프레임이 짧은 기간에 걸쳐 회전되었는지를 설명하는 상대적 변형, 즉 매트릭스

를 보여준다. 따라서

는, 단지 회전만이 발생하였다고 가정할 때, 시점

의 어깨 프레임에서 손에 대한 어깨의 벡터가 보여지는 지를 알게 한다. 많은 경우에 있어서, 어깨에 대한 손의 이동 가속은, 손에 대한 어깨 벡터의 길이를 수정하게 된다.

오일러 (Euler) 통합을 사용하여, 이동 선형 벡터를 업데이트 할 수 있고, 이어서 교정된 오프셋 벡터(offset vector)를 다음과 같이 회복할 수 있다.

방향 매트릭스는 얻기가 좀 더 사소하다:

방정식 27과 28로부터, 역 운동학 공식의 모든 필요조건이 구해짐을 알 수 있다. 하나의 가능한 접근법은, 주기적 좌표 강하(CCD)를 사용하는 것으로, 이는 센서로부터 데이터를 읽고, 어떤 조인트가 먼저 수정되어야 하는지에 대하여 추측을 한다. 이것이 무엇을 의미하는지를 이해하기 위해서, 외전 운동(사과를 잡고 입으로 옮기는 동작) 동안에, 팔꿈치 각이 감소되는 것으로 가정한다. 주기적 좌표 강하(CCD)는, 통상적으로 근원에서 시작하여 최종 작동체에 이르는 각도를 조절한다. 이 경우에, 팔과 전완의 자이로스코프는, 팔꿈치 조인트에 기인하여, 좀더 격렬한 운동을 나타낼 것이다. 따라서 이는, 먼저 최적화하기 위해 가장 유망한 축이 되어야 한다. 어떤 의미에서 상기 센서는, 주기적 좌표 강하의 반복을 각각의 조인트에 적용하기 위한 고유의 명령을 제공한다.

일단 상기 각도

가 회복되면, 그 방향은 IMU 센서가 수정되었는지를 평가한다.

이들은 모션 센서 유닛의 구조에 대하여 예시적인 기법으로 제공되었고, 어떤 형태로 제한하도록 의도된 것이 아니라는 것을 이해할 수 있을 것이다. 더욱이 어떤 실시예에서 관찰가능한 데이터 상태는, 복수의 모션 센서 유닛으로부터 공통의 참조 프레임으로 변환하는 것을 요구하지 않는 방식으로 규정될 수 있고, 그 대신 모션 센서 유닛 특정 데이터의 자기 지시 관점에 의존할 수 있다(예를 들어 그 자신의 참조 프레임에 따라, 주어진 모션 센서 유닛이 가속되는 경로에 기초하여, 그 자신의 참조 프레임에서 제2의 모션 센서 유닛이 가속되는 경로와 선택적으로 결합된다).

<결론 및 해석>

상기한 기술은 그 기재된 관점의 범위에 걸쳐 발전을 제공하고, 다음을 포함하지만 이에 한정되지는 아니한다: (ⅰ) 기능을 분석하고 이에 의해 그것이 규정하는 특성을 이해; (ⅱ) 프로토콜을 규정하고, 하나 또는 그 이상의 성능 센서 유닛을 사용하여 기능을 자동적으로 분석; (ⅲ) 자동화된 분석을 이용하는 내용을 규정 및 제공하고, 이에 의해 기능 훈련과 같이, 쌍방향의 최종 사용자 내용을 제공; (ⅳ) 기능 훈련 프로그램의 적용 실행; (ⅴ) 내용을 최종 사용자에게 용이하게 공급할 수 있는 하드웨어 및 소프트웨어; (ⅵ) 최종 사용자가 내용을 용이하게 경험할 수 있는 하드웨어 및 소프트웨어; 그리고 (ⅶ) 인간 활동의 모니터링을 위해, 복수 모션 센서의 구성 및 실행을 용이하게 하도록 개발된 기술 및 방법.

특별히 다르게 규정하지 않는 한, 아래의 기재에서 명백한 바와 같이, 본 명세서에 걸쳐 사용된, "프로세싱", "연산", "계산", "결정", "분석" 등과 같은 용어는, 컴퓨터 또는 컴퓨팅 시스템의 동작 및/또는 프로세스, 또는 유사한 전자 컴퓨팅 장치를 가리키며, 이는 전기와 같이 물리적 양으로 표시된 데이터를, 물리적 양으로 표시된 것과 유사하게, 다른 데이터로 조작 및/또는 변환하는 장치라는 것을 이해할 수 있을 것이다.

유사한 방식으로, "프로세서"라는 용어는, 전기적 데이터를 처리하는 어느 장치 또는 그 장치의 부분을 가리키며, 이는 레지스터 및/또는 메모리로부터, 그 전기적 데이터를 다른 전기적 데이터, 즉 레지스터 및/또는 메모리에 저장될 수 있는 데이터로 변환한다. "컴퓨터" 또는 "컴퓨팅 기계" 또는 "컴퓨팅 플랫폼"은, 하나 또는 그 이상의 프로세서를 포함할 수 있다.

일 실시예에서 여기에 포함된 방법은, 컴퓨터-가독(computer-readable)(기계 가독으로도 불린다) 코드를 수용하는 하나 또는 그 이상의 프로세서에 의해 수행될 수 있으며, 상기 코드는, 하나 또는 이상의 프로세서에 의해 실행될 때, 여기에 기재된 방법의 적어도 하나 이상을 수행하도록 하는 설명의 세트를 포함하고 있다. 특정의 동작이 취해지도록 규정한 설명의 세트를 실행할 수 있는 것이면(순차적 또는 다른 방식으로), 어떠한 프로세서도 여기에 포함된다. 따라서 하나의 예는, 하나 또는 그 이상의 프로세서를 포함하는 전형적인 처리 시스템이다. 각 프로세서는 하나 또는 그 이상의 CPU, 그래픽 처리 유닛, 그리고 프로그램 가능한 DSP 유닛을 포함할 수 있다. 상기 처리 시스템은, 메인 RAM 및/또는 정적인 RAM 및/또는 ROM을 포함하는 메모리 서브시스템을 더 포함할 수 있다. 버스(bus) 시스템이 부품 사이의 통신을 위해 포함될 수도 있다. 상기 처리 시스템은, 네트워크에 의해 연결된 프로세서를 포함하는 분산 처리 시스템일 수 있다. 만일 상기 처리 시스템이 디스플레이를 요구한다면, 액정 디스플레이(LCD) 또는 음극선 튜브(CRT) 디스플레이와 같은 디스플레이가 포함될 수 있다. 만일 매뉴얼 데이터 입력이 요구될 경우에, 상기 처리 시스템은, 키보드와 같은 하나 또는 그 이상의 숫자식 입력 유닛과 같은 입력장치, 마우스 등과 같은 포인팅 컨트롤 장치를 포함한다. 여기에 사용된 메모리 유닛이라는 용어는, 문맥상 명확하고 달리 명확히 규정하지 않는 한, 디스크 구동 유닛과 같은 저장 시스템을 포함한다. 상기 처리 시스템은, 어떤 구조에 있어서 음성 출력 장치, 그리고 네트워크 인터페이스 장치를 포함할 수 있다. 상기 메모리 서브시스템은, 하나 또는 그 이상의 프로세서에 의해, 여기에 기재된 하나 또는 그 이상의 방법에 의해 실행될 때, 컴퓨터-가독 캐리어 매체(carrier medium)를 포함하는데, 이는 실행을 야기하는 설명(instruction)의 세트를 포함하는 컴퓨터-가독 코드(즉 소프트웨어)를 구비한다. 상기 방법이 복수의 요소를 포함할 때, 즉 여러 단계일 때, 달리 규정되지 않는한, 그러한 요소의 순서가 암시되어 있지 않음을 유의하여야 한다. 상기 소프트웨어는, 컴퓨터 시스템에 의한 실행 동안, 하드 디스크에 위치할 수 있고, 또는 상기 RAM 및/또는 프로세서 내부에, 완전히 또는 적어도 부분적으로 위치할 수 있다. 따라서 상기 메모리와 프로세서는, 컴퓨터-가독 코드를 구비하는 컴퓨터-가독 캐리어 매체를 형성할 수 있다.

더욱이, 컴퓨터-가독 캐리어 매체는, 컴퓨터 프로그램 제품 내에 형성될 수 있고, 또는 여기에 포함될 수도 있다.

다른 실시예에서, 하나 또는 그 이상의 프로세서는, 독립된 장치로 작동할 수 있고, 네트워크된 다른 프로세서에 연결될 수도 있으며, 상기 하나 또는 그 이상의 프로세서는, 서버-사용자 네트워크 환경에서, 서버 또는 사용자 기계의 기능을 갖고 작동하거나, 또는 P2P 방식(peer-to-peer) 또는 분산된 네트워크 환경에서, 동료 기계로서 작동할 수 있다. 상기 하나 또는 그 이상의 프로세서는, 개인 컴퓨터(PC), 태블릿 PC, 셋톱 박스(STB), 개인 단말기(PDA), 셀룰러 텔레폰, 웹 장치, 네트워크 라우터(router), 스위치 또는 브리지, 또는 그 기계에 의해 수행될 동작을 규정하는 설명(instruction)의 세트(순차적 또는 다른 방식)를 실행할 수 있는 다른 기계를 형성할 수 있다. 도표는, 컴퓨터-가독 코드를 구비한 단지 하나의 프로세서 또는 메모리를 표시하고 있지만, 이 분야의 통상의 기술자라면, 여기에 많은 부품들이 포함되고, 본 발명의 관점을 흐리지 않도록 하기 위해서, 명시적으로 표시하거나 기재하지 않았음을 이해할 것이다. 예를 들어 단일의 기계가 표시되어 있지만, 상기 "기계"라는 용어는, 여기에 기재된 하나 또는 그 이상의 방법을 수행하기 위해, 개별적 또는 집합적으로 설명의 세트(또는 복수의 세트)를 실행할 수 있는 모든 기계의 집합을 포함한다.

따라서, 여기에 기술된 각 방법의 일 실시예는, 설명의 세트를 구비하는 컴퓨터-가독 캐리어 매체의 형태이며, 설명의 세트는, 웹 서버 배치의 일부인 하나 또는 그 이상의 프로세서상에서 실행시키기 위한 컴퓨터 프로그램이다. 따라서 본 기술분야의 통상의 기술자가 이해할 수 있듯이, 본 발명의 실시예는 방법 및 장치에 의해 구체화되며, 상기 장치로는, 특수 목적 장치와 같은 장치, 데이터 처리 장치와 같은 장치, 컴퓨터-가독 캐리어 매체, 즉 컴퓨터 프로그램 제품이 있다. 상기 컴퓨터-가독 캐리어 매체는, 설명의 세트를 포함하는 컴퓨터 가독 코드를 구비하며, 상기 설명의 세트는, 하나 또는 이상의 프로세서상에서 실행될 때, 방법을 실행할 하나 또는 그 이상의 프로세서가 실행되도록 한다. 따라서 본 발명의 관점은, 방법, 전적으로 하드웨어 실시예, 전적으로 소프트웨어 실시예 또는 소프트웨어와 하드웨어를 조합하는 실시예의 형태를 가질 수 있다. 더욱이 본 발명은, 매체에 구체화된 컴퓨터-가독 프로그램 코드를 구비한 캐리어 매체(즉 컴퓨터-가독 저장 매체상의 컴퓨터 프로그램 제품)의 형태를 가질 수 있다.

상기 소프트웨어는, 네트워크 인터페이스 장치를 통해, 네트워크에서 전송 및 수신될 수 있다. 상기 캐리어 매체가, 예시적 실시예에서 단일의 매체로 표시되어 있지만, 상기 "캐리어 매체(carrier medium)"란 용어는, 하나 또는 그 이상의 설명의 세트를 저장하는 단일 또는 복수의 미디어(즉 집중 또는 분산된 데이터베이스 및/또는 관련된 캐시(cashe) 및 서버)를 포함하는 것으로 이해되어야 한다. 또한 상기 용어 "캐리어 매체"는, 하나 또는 그 이상의 프로세서에 의해 실행되는 설명의 세트를 저장하고, 부호화하고 또는 운반할 수 있는 어떠한 매체를 포함하며, 하나 또는 하나 이상의 프로세서가 본 발명의 하나 또는 그 이상의 방법을 수행하도록 하는 것으로 이해되어야 한다. 캐리어 매체는 다양한 형태를 가질 수 있고, 비휘발성 매체, 휘발성 매체 및 전송 미디어를 포함하나 이에 한정되지 아니한다. 비휘발성 매체는, 예를 들어 광학, 자기 디스크 및 광자기 디스크를 포함한다. 휘발성 매체는, 메인 메모리와 같은 다이나믹 메모리를 포함한다. 전송 미디어는, 동축 케이블, 구리 와이어 그리고 버스(bus) 서브시스템을 포함하는 광섬유를 포함한다. 또한 전송 미디어는, 라디오파 및 적외선 데이터 통신과 같은, 음파 또는 광파의 형태를 가질 수 있다. 예를 들어 "캐리어 매체"라는 용어는 다음을 포함할 수 있으나 이에 한정되지 아니한다: 고체상태의 메모리, 광학 및 자기 미디어에 구체화된 컴퓨터 제품; 적어도 하나 또는 그 이상의 프로세서에 의해 검출가능한 증식된 데이터를 구비하고, 설명의 세트를 표시하며, 실행될 때 방법을 수행하는 매체; 적어도 하나 또는 그 이상의 프로세서 중 적어도 하나에 의해 검출가능한 증식된 데이터를 구비하고, 설명의 세트를 표시하는 전송 매체.

상기한 방법의 단계는, 일실시예에서, 저장소에 저장된 설명(컴퓨터-가독 코드)을 실행하는 처리 시스템(즉 컴퓨터)의 적절한 프로세서(또는 프로세서들)에 의해 수행된다는 것을 이해하여야 한다. 또한 본 발명은, 특정의 실행 또는 프로그래밍 기법에 한정되지 않고, 여기에 기재된 기능의 수행을 위한 다른 적절한 기법을 이용하여 수행될 수 있다는 것을 이해하여야 한다. 본 발명은, 어떠한 특정의 프로그래밍 언어 또는 운영 시스템에 한정되지 아니한다.

본 발명의 예시적인 실시예에서, 본 발명의 다양한 특징은, 개시를 간소화하고 다양한 발명의 관점의 하나 또는 그 이상의 이해를 돕기 위한 목적으로, 가끔 단일의 실시예, 도면 도는 기재로 같이 묶어졌다는 것을 이해하여야 한다. 이 개시된 방법은, 본 발명이 각 청구범위에 명백히 기재된 것보다 더 많은 특징을 요구한다는 의도를 반영하는 것으로 해석되지는 않는다. 그보다는, 후술하는 청구범위에 반영된 바와 같이, 발명의 관점은, 전술한 단일의 실시예의 모든 특징보다도 적다. 따라서 발명의 상세한 설명에 뒤따르는 청구범위는, 이 발명의 상세한 설명에 명백하게 통합되고, 각 청구범위는 분리된 실시예로서 스스로 그 위치를 갖는다.

더욱이 해당 기술 분야의 통상의 기술자에 의해 이해되는 바와 같이, 여기에 개시된 어떤 실시예에서는 특징이 포함되고, 다른 실시예에는 특징이 포함되지 않았지만, 다른 실시예의 특징의 조합은, 본 발명의 범위 내에 있고, 다른 실시예를 형성하는 것을 의미한다. 예를 들어 다음의 청구범위에서 청구된 실시예는 어떠한 조합에도 사용될 수 있다.

더욱이 여기에 기재된 어떤 실시예는, 컴퓨터 시스템의 프로세서에 의하거나 또는 그 기능을 수행하는 다른 수단에 의해 실행될 수 있는 방법으로, 또는 그 방법 요소의 조합으로 기재되었다. 따라서 그러한 방법 또는 그 방법의 요소를 실행하기 위해 필요한 설명을 구비한 프로세서는, 그 방법 또는 그 방법의 요소를 실행하기 위한 수단을 형성한다. 더욱이 여기에 기재된 장치 실시예의 구성요소는, 본 발명을 실행하기 위한 목적으로, 그 구성요소에 의해 수행되는 기능을 실행하기 위한 수단의 일예이다.

본 명세서에 제공된 설명에서, 많은 특정한 세부사항이 설명되었다. 그렇지만 본 발명의 실시예는 이러한 특정한 세부사항 없이도 실행될 수 있다는 것을 이해할 수 있을 것이다. 다른 경우에 있어서, 잘 알려져 있는 방법, 구조 및 기법은, 설명의 이해를 흐리지 않도록 하기 위해, 상세히 설명하지 않았다.

마찬가지로, 결합이란 용어는, 청구범위에 사용될 때, 직접 연결하는 것만으로 제한되어 해석되어서는 아니된다. "결합된" 그리고 "연결된" 이라는 용어는, 그 파생물과 함께 사용될 수 있다. 이들 용어들은 서로 동의어로 의도되지 않았다는 것을 이해하여야 한다. 따라서 장치 A가 장치 B에 결합되었다는 표현의 범위는, 장치 A의 출력부가 장치 B의 입력부에 직접 연결된 장치 또는 시스템에 한정되어서는 아니된다. 이는, A의 출력부와 B의 입력부 사이에, 다른 장치 또는 수단을 포함하는 경로가 존재한다는 것을 의미한다. "결합된" 이라는 표현은, 둘 또는 그 이상의 구성요소가 직접 물리적 또는 전기적으로 접촉하거나, 둘 또는 그 이상의 구성요소가 서로 직접 접촉하지는 않으면서, 서로 같이 작동되거나 또는 상호작용을 하는 것을 의미한다.

본 발명의 바람직한 실시예로 생각되는 것이 기재되었지만, 해당 기술분야의 통상의 기술자라면, 본 발명의 사상을 벗어남이 없이 그로부터 다른 수정이 있을 수 있고, 그러한 모든 변형 및 수정이 본 발명의 범위 내에 있는 것으로 의도되었다는 것을 인식할 수 있을 것이다. 예를 들어 상기한 어떠한 공식은, 단지 그것이 사용될 수 있는 과정의 대표를 나타낸 것이다. 블록 도표에 기능이 추가되거나 삭제될 수 있고, 기능 블록 사이에서 활동이 교환될 수도 있다. 여기에 기재된 방법에, 본 발명의 범위 내에서, 단계가 더해지거나 삭제될 수도 있다.

Claims (54)

1. 사용자가 부분 성능 모니터링 하드웨어 장치의 작동을 설정하는 것을 가능하게 하는 컴퓨터 실행 방법으로서, 상기 방법은,
   고객 장치의 사용자가, 하나 이상의 기능과 연관된 내용의 다운로드가 가능한 세트를 선택할 수 있도록 구비된 인터페이스를 제공하는 단계와,
   사용자가, 다운로드 가능한 내용의 선택된 세트 중 적어도 일부의 데이터 대표를, 사용자와 연관된 부분 성능 모니터링 하드웨어에 다운로드 가능하게 하는 단계를 포함하고,
   상기 다운로드 하는 단계는,
   (ⅰ) 하나 또는 그 이상의 성능 센서 유닛의 세트가 정해진 방식에 의해 작동되도록 하여, 특정 기능으로 시도된 성능의 데이터 대표를 제공하는 데이터를 포함하는 센서 구성 데이터;
   (ⅱ) 처리장치가, 상기 하나 또는 그 이상의 성능 센서로부터 제공된 데이터에 기초하여, 특정 기능으로 시도된 성능의 특성을 파악하도록 하는 데이터를 포함하는 상태 엔진 데이터;
   (ⅲ) 특정 기능으로 시도된 성능의 특성 파악에 기초하여, 사용자 인터페이스의 작동을 가능하도록 구성된 데이터를 포함하는 사용자 인터페이스 데이터;를 다운로드 하고,
   사용자가, 하나 또는 그 이상의 기능에 대한 다수의 전문 지식 내용에서 다운로드 가능한 내용을 선택하도록 하는 단계를 포함하는 것을 특징으로 하는 컴퓨터 실행 방법.
2. 제1항에 있어서,
   상태 엔진 데이터의 제1세트와 관련된 제1 전문가 지식 내용과, 상태 엔진 데이터의 다른 제2세트와 관련된 제2의 전문가 지식 내용을 포함하고, 상기 상태 엔진 데이터의 다른 제2세트는, 상기 상태 엔진 데이터의 제1세트를 사용하여 확인되지 않은 하나 또는 그 이상의 전문가 특유의 성능 특성을 확인할 수 있도록 구성되는 것을 특징으로 하는 컴퓨터 실행 방법.
3. 제2항에 있어서,
   상기 전문가 특유의 성능 특성이, 전문가와 관련된 성능 스타일과 연관되는 것을 특징으로 하는 컴퓨터 실행 방법.
4. 제2항에 있어서,
   상기 성능 스타일이, 하나 또는 그 이상이 모션 센서 유닛으로부터 얻어진 데이터를 사용하여 관찰할 수 있는 정해진 몸 동작에 의해 나타나는 것을 특징으로 하는 컴퓨터 실행 방법.
5. 제1항에 있어서,
   상기 전문가 특유의 특성이, 전문가와 관련된 코칭 지식과 연관되는 것을 특징으로 하는 컴퓨터 실행 방법.
6. 제5항에 있어서,
   하나 또는 그 이상의 전문가 특유의 특성이, 객관적으로 코칭 특성을 형성할 수 있도록 구성된 프로세스를 기초로 하여 결정되는 것을 특징으로 하는 컴퓨터 실행 방법.
7. 제1항에 있어서,
   선택된 하나 또는 그 이상의 기능에 대하여, 제1의 선택가능한 전문가 지식 내용과, 제2의 선택가능한 전문가 지식 내용을 포함하는 컴퓨터 실행방법을 제공하며,
   상기 제1의 선택가능한 전문가 지식 내용에 대해서는, 다운로드 가능한 데이터가, 성능 센서 유닛의 세트로부터 얻어진 데이터에서, 주어진 기능과 관련된 관찰가능한 데이터 상태의 제1세트를 확인하는 고객 장치를 형성하고,
   제2의 선택가능한 전문가 지식 내용에 대해서는, 다운로드 가능한 데이터가, 성능 센서 유닛의 세트로부터 얻어진 데이터에서, 주어진 기능과 관련된 관찰가능한 데이터 상태의 다른 제2세트를 확인하는 고객 장치를 형성하는 것을 특징으로 하는 컴퓨터 실행 방법.
8. 제7항에 있어서,
   상기 제1세트의 관찰가능한 데이터 상태와 상기 제2세트의 관찰가능한 데이터 상태의 차이가, 각각의 전문가 지식 내용과 관련된 인간 전문가의 스타일 내용을 설명하는 것을 것을 특징으로 하는 컴퓨터 실행 방법.
9. 제7항에 있어서,
   상기 제1세트의 관찰가능한 데이터 상태와 상기 제2세트의 관찰가능한 데이터 상태의 차이가, 각각의 전문가 지식 내용과 관련된 인간 전문가로부터 얻어진 코칭 어드바이스를 설명하는 것을 특징으로 하는 컴퓨터 실행 방법.
10. 제1항에 있어서,
    선택된 하나 또는 그 이상의 기능에 대하여, 제1의 선택가능한 전문가 지식 내용과, 제2의 선택가능한 전문가 지식 내용을 포함하는 컴퓨터 실행방법을 제공하며,
    상기 제1의 선택가능한 전문가 지식 내용에 대해서는, 다운로드 가능한 데이터가, 주어진 기능과 관련된 관찰 가능한 데이터 상태를 관찰하는 것에 대응하여, 사용자에게 제1의 피드백 데이터를 제공하고,
    상기 제2의 선택가능한 전문가 지식 내용에 대해서는, 다운로드 가능한 데이터가, 주어진 기능과 관련된 관찰 가능한 데이터 상태를 관찰하는 것에 대응하여, 제2의 피드백 데이터를 제공하는 것을 특징으로 하는 컴퓨터 실행 방법.
11. 제10항에 있어서,
    상기 제1세트의 피드백 데이터와 상기 제2세트의 피드백 데이터의 차이가, 각각의 전문가 지식 내용과 관련된 인간 전문가로부터 얻어진 코칭 어드바이스를 설명하는 것을 특징으로 하는 컴퓨터 실행 방법.
12. 제10항에 있어서,
    상기 제1세트의 피드백 데이터와 상기 제2세트의 피드백 데이터의 차이가, 각간의 전문가 지식 내용과 관련된 인간 전문가의 음성을 대표하는 다른 오디오 데이터인 것을 특징으로 하는 컴퓨터 실행 방법.
13. 제1항 내지 제13항 중 어느 한 항에 있어서,
    상기 성능 센서 유닛이 복수의 모션 센서 유닛을 포함하는 것을 특징으로 하는 컴퓨터 실행 방법.
14. 제13항에 있어서,
    상기 고객장치가, 복수의 모션 센서 유닛으로부터 얻어진 모션 센서 데이터를 가공하도록 구비된 POD 장치를 포함하고, 착용가능한 의복은, 모션 센서 데이터의 POD 장치에 전송이 용이하도록 구성되는 것을 특징으로 하는 컴퓨터 실행 방법.
15. 제14항에 있어서,
    복수의 센서 유닛 각각이, 가속도계, 자력계, 자이로스코프를 포함하는 것을 특징으로 하는 컴퓨터 실행 방법.
16. 정해진 기능에 대해 기능 훈련 내용의 공급이 가능하도록 데이터를 생성하는 컴퓨터 실행방법으로서,
    상기 실행방법은, 관찰가능한 데이터 상태의 제1세트와 관찰가능한 데이터 상태의 제2세트를 생성하고,
    상기 제1세트는, 하나 또는 그 이상의 성능 센서 유닛으로부터 얻어진 입력 데이터의 처리가 가능하도록 구성된 관찰가능한 데이터 상태를 포함하고, 상기 입력 데이터는, 사용자에 의해 정해진 기능의 신체 성능을 표시하여, 그 성능의 하나 또는 그 이상의 특성을 확인하며,
    상기 제2세트는, 하나 또는 그 이상의 성능 센서 유닛으로부터 얻어진 입력 데이터의 처리가 가능하도록 구성된 관찰가능한 데이터 상태를 포함하고, 상기 입력 데이터는, 사용자에 의해 정해진 기능의 신체 성능을 표시하여, 이에 의해 그 성능의 하나 또는 그 이상의 특성을 확인하며,
    상기 관찰가능한 데이터 상태의 제2세트는, 상기 관찰가능한 데이터 상태의 제1세트가 없는 상태에서, 하나 또는 그 이상의 전문가 특유의 관찰가능한 데이터 상태를 포함하고,
    상기 하나 또는 그 이상의 전문가 특유의 관찰가능한 데이터 상태는, 관찰가능한 데이터 상태의 제1세트만을 사용하여 생성된 기능 훈련 내용에 관련되어 정해진 기능에 대해, 기능 훈련 내용의 전문가 지식 내용에 통합되는 것을 특징으로 하는 컴퓨터 실행 방법.
17. 제16항에 있어서,
    기능 훈련 내용의 상기 전문가 지식 내용이, 베이스라인 기능 수행 스타일에 관하여 특정의 인간 전문가와 관련된 스타일 내용을 설명하는 것을 특징으로 하는 컴퓨터 실행 방법.
18. 제16항에 있어서,
    기능 훈련 내용의 상기 전문가 지식 내용이, 베이스라인 코칭 지식에 관하여 특정의 인간 전문가와 관련된 코칭 지식 내용을 설명하는 컴퓨터 실행방법을 제공하는 것을 특징으로 하는 컴퓨터 실행 방법.
19. 제16항에 있어서,
    기능 훈련 내용의 상기 전문가 지식 내용이, 센서 형성 데이터와, 상태 엔진 데이터와, 사용자 인터페이스 데이터를 포함하는 컴퓨터 실행방법을 제공하고,
    상기 센서 형성 데이터는, 정해진 방식대로 작동되도록 하는 하나 또는 그 이상의 성능 센서 유닛을 형성하여, 특정 기능으로 시도되는 성능의 데이터 대표를 제공하는 데이터를 포함하고,
    상기 상태 엔진 데이터는, 처리장치가, 상기 하나 또는 그 이상의 성능 센서 유닛으로부터 제공되는 데이터에 기초하여, 특정 기능으로 시도되는 성능의 특징을 확인하는 데이터를 포함하고,
    상기 사용자 인터페이스 데이터는, 상기 특정 기능으로 시도되는 성능의 확인된 특징에 기초하여, 사용자 인터페이스의 작동을 가능하게 하는 데이터를 포함하는 것을 특징으로 하는 컴퓨터 실행 방법.
20. 제16항에 있어서,
    상기 성능 센서 유닛은 복수의 모션 센서 유닛을 포함하는 것을 특징으로 하는 컴퓨터 실행 방법.
21. 제20항에 있어서,
    기능 훈련 내용의 상기 전문가 지식 내용이, 적어도 부분적으로, 복수의 모션 센서 유닛으로부터 얻어지는 모션 센서 데이터를 처리하기 위해 형성된 POD 장치를 포함하는 사용자 하드웨어 상에서 실행되는 컴퓨터 실행방법을 제공하고, 착용가능한 의복은, 모션 센서 데이터의 POD 장치에 전송이 용이하도록 구성된 복수의 센서 스트랜드를 제공하는 것을 특징으로 하는 컴퓨터 실행 방법.
22. 제21항에 있어서,
    복수의 센서 유닛 각각이, 가속도계, 자력계, 자이로스코프를 포함하는 것을 것을 특징으로 하는 컴퓨터 실행 방법.
23. 제16항에 있어서,
    정해진 기능에 대하여, 하나 또는 그 이상의 사용자가 (ⅰ) 기능 훈련 내용의 표준 버전과, (ⅱ) 기능 훈련 내용의 전문가 지식 내용을 구매할 수 있도록 클라우드 방식의 장터가 형성되는 것을 것을 특징으로 하는 컴퓨터 실행 방법.
24. 정해진 기능에 대한 기능 훈련 내용의 공급을 가능하도록 형성되는 데이터를 생성하기 위한 컴퓨터 실행방법으로서,
    상기 실행방법은, 제1세트의 기능 훈련 내용을 생성하는 단계와, 제2세트의 기능 훈련 내용을 생성하는 단계를 포함하고,
    상기 제1세트의 기능 훈련 내용은, 하나 또는 그 이상의 성능 센서 유닛으로부터 얻어진 입력 데이터의 처리에 기초하여, 정해진 기능에 대해 기능 훈련 프로그램의 공급을 가능하도록 형성되고, 상기 입력 데이터는 사용자에 의해 정해진 기능의 신체 성능을 표시하여, 이에 의해 그 성능의 하나 또는 그 이상의 특성을 확인하며,
    상기 제2세트의 기능 훈련 내용은, 동일한 하나 또는 그 이상의 성능 센서 유닛으로부터 얻어진 입력 데이터의 처리가 가능하도록 형성된 관찰 가능한 데이터 상태를 포함하고, 상기 입력 데이터는 사용자에 의해 정해진 기능의 신체 성능을 표시하여, 이에 의해 그 성능의 하나 또는 그 이상의 특성을 확인하며,
    상기 제2세트의 기능 훈련 내용은, 주어진 입력 데이터의 세트에 대응하여, 동일한 입력 데이터의 세트에 대응되는 기능 훈련 내용의 제1세트와 비교할 때, 다른 훈련 효과를 제공할 수 있도록 하여, 상기 제2세트의 기능 훈련 내용이, 기능 전문가 지식 내용의 기능 훈련 내용을 제공하도록 하는 것을 특징으로 하는 컴퓨터 실행 방법.
25. 제24항에 있어서,
    기능 훈련 내용의 상기 전문가 지식 내용이, 베이스라인 기능 수행 스타일에 관한 특정의 인간 전문가와 관련된 스타일 내용을 설명하는 것을 특징으로 하는 컴퓨터 실행 방법.
26. 제24항에 있어서,
    기능 훈련 내용의 상기 전문가 지식 내용이, 베이스라인 코칭 지식에 관한 특정의 인간 전문가와 관련된 코칭 지식 내용을 설명하는 것을 특징으로 하는 컴퓨터 실행 방법.
27. 제24항에 있어서,
    기능 훈련 내용의 상기 전문가 지식 내용이, 센서 형성 데이터와, 상태 엔진 데이터와, 사용자 인터페이스 데이터를 포함하는 컴퓨터 실행방법을 제공하고,
    상기 센서 형성 데이터는, 정해진 방식대로 작동되도록 하는 하나 또는 그 이상의 성능 센서 유닛을 형성하여, 특정 기능으로 시도되는 성능의 데이터 대표를 제공하는 데이터를 포함하고,
    상기 상태 엔진 데이터는, 처리장치가, 상기 하나 또는 그 이상의 성능 센서 유닛으로부터 제공되는 데이터에 기초하여, 특정 기능으로 시도되는 성능의 특징을 확인하는 데이터를 포함하고,
    상기 사용자 인터페이스 데이터는, 상기 특정 기능으로 시도되는 성능의 확인된 특징에 기초하여 사용자 인터페이스의 작동을 가능하게 하는 데이터를 포함하는 것을 특징으로 하는 컴퓨터 실행 방법.
28. 제24항에 있어서,
    상기 성능 센서 유닛은 복수의 모션 센서 유닛을 포함하는 것을 특징으로 하는 컴퓨터 실행 방법.
29. 제28항에 있어서,
    기능 훈련 내용의 상기 전문가 지식 내용이, 적어도 부분적으로, 복수의 모션 센서 유닛으로부터 얻어지는 모션 센서 데이터를 처리하기 위해 형성된 POD 장치를 포함하는 사용자 하드웨어 상에서 실행되는 컴퓨터 실행방법을 제공하고, 착용가능한 의복은, 모션 센서 데이터의 POD 장치에 전송이 용이하도록 구성된 복수의 센서 스트랜드를 제공하는 것을 특징으로 하는 컴퓨터 실행 방법.
30. 제29항에 있어서,
    복수의 센서 유닛 각각이, 가속도계, 자력계, 자이로스코프를 포함하는 것을 것을 특징으로 하는 컴퓨터 실행 방법.
31. 제24항에 있어서,
    정해진 기능에 대하여, 하나 또는 그 이상의 사용자가 (ⅰ) 기능 훈련 내용의 표준 버전과, (ⅱ) 기능 훈련 내용의 전문가 지식 내용을 구매할 수 있도록 클라우드 방식의 장터가 형성되는 컴퓨터 실행방법을 제공하는 것을 특징으로 하는 컴퓨터 실행 방법.
32. 제24항에 있어서,
    훈련 내용 데이터의 제1세트가 관찰가능한 데이터 상태의 제1세트과 관련되고, 훈련 내용 데이터의 제2세트가 관찰가능한 데이터 상태의 제2세트와 관련되는 컴퓨터 실행방법을 제공하며, 상기 훈련 내용 데이터의 제2세트는, 상기 훈련 내용 데이터의 제1세트에 의해 확인되지 않은 하나 또는 그 이상의 성능 특성을 확인하도록 구성되는 것을 특징으로 하는 컴퓨터 실행 방법.
33. 제24항에 있어서,
    훈련 내용 데이터의 제1세트가 원인과 증상을 매핑하는 제1프로토콜과 관련되고, 훈련 내용 데이터의 제2세트가 원인과 증상을 매핑하는 제2프로토콜과 관련되는 컴퓨터 실행방법을 제공하고, 상기 훈련 내용 데이터의 제2세트는, 증상과 원인 사이의 관계에서 적어도 하나의 전문가 특유의 관계를 제공하는 것을 특징으로 하는 컴퓨터 실행 방법.
34. 제24항에 있어서,
    훈련 내용 데이터의 제1세트가 미디어 내용의 제1세트과 관련되고, 훈련 내용 데이터의 제2세트가 미디어 내용의 제2세트와 관련되며, 상기 훈련 내용 데이터의 제2세트가, 특정 전문가 이름의 미디어 내용을 제공하도록 구성되는 것을 특징으로 하는 컴퓨터 실행 방법.
35. 사용자에게, 선택된 복수의 전문가 중 하나와 관련된 훈련 데이터를 제공하는 부분 성능 모니터링 하드웨어 장치를 형성하도록 하기 위한 컴퓨퓨터 실행방법으로서,
    상기 실행방법은,
    고객 장치의 사용자가, 훈련될 하나 또는 그 이상의 세트를 선택하도록 형성된 인터페이스를 제공하는 단계와;
    사용자에게, 훈련될 하나 또는 그 이상의 기능에 대해 전문가 지식 내용을 선택하도록 하고, 훈련될 하나 또는 그 이상의 기능 세트에 복수의 전문가 지식 내용을 제공하는 단계와;
    사용자가 훈련될 하나 또는 그 이상의 기능 세트와, 훈련될 하나 또는 그 이상의 기능 세트에 대한 전문가 지식 내용을 선택하도록 한 후, 사용자와 관련된 고객 장치에 다운로드 가능한 데이터를 제공하는 다운로드 처리가 가능하게 하는 단계를 포함하고,
    상기 다운로드 가능한 데이터는, 고객 장치가,
    (ⅰ) 성능-모니터링 센서 세트로부터 얻어진 처리 데이터를 제공하여, 사용자에 의한 기능 중 하나의 신체 성능을 분석하도록 하는 처리 데이터와,
    (ⅱ) 상기 분석에 기초하여, 사용자 인터페이스 장치에 의해, 선택된 전문가 지식 내용에 특정된 훈련 데이터를 구성하는 것을 특징으로 하는 컴퓨터 실행 방법.
36. 제35항에 있어서,
    선택된 하나 또는 그 이상의 기능에 대하여, 제1의 선택가능한 전문가 지식 내용과, 제2의 선택가능한 전문가 지식 내용을 포함하는 컴퓨터 실행방법을 제공하며,
    상기 제1의 선택가능한 전문가 지식 내용에 대해서는, 다운로드 가능한 데이터가, 성능 분석 센서의 세트로부터 얻어진 데이터에서, 주어진 기능과 관련된 관찰가능한 데이터 상태의 제1세트를 확인하는 고객 장치를 형성하고,
    제2의 선택가능한 전문가 지식 내용에 대해서는, 다운로드 가능한 데이터가, 성능 분석 센서의 세트로부터 얻어진 데이터에서, 주어진 기능과 관련된 관찰가능한 데이터 상태의 다른 제2세트를 확인하는 고객 장치를 형성하는 것을 특징으로 하는 컴퓨터 실행 방법.
37. 제36항에 있어서,
    상기 제1세트의 관찰가능한 데이터 상태와 상기 제2세트의 관찰가능한 데이터 상태의 차이가, 각각의 전문가 지식 내용과 관련된 인간 전문가의 스타일 내용을 설명하는 것을 특징으로 하는 컴퓨터 실행 방법.
38. 제36항에 있어서,
    상기 제1세트의 관찰가능한 데이터 상태와 상기 제2세트의 관찰가능한 데이터 상태의 차이가, 각각의 전문가 지식 내용과 관련된 인간 전문가로부터 얻어진 코칭 어드바이스를 설명하는 것을 특징으로 하는 컴퓨터 실행 방법.
39. 제35항에 있어서,
    선택된 하나 또는 그 이상의 기능에 대하여, 제1의 선택가능한 전문가 지식 내용과, 제2의 선택가능한 전문가 지식 내용을 포함하는 컴퓨터 실행방법을 제공하며,
    상기 제1의 선택가능한 전문가 지식 내용에 대해서는, 다운로드 가능한 데이터가, 주어진 기능과 관련된 관찰 가능한 데이터 상태를 관찰하는 것에 대응하여, 사용자에게 제1의 피드백 데이터를 제공하고,
    상기 제2의 선택가능한 전문가 지식 내용에 대해서는, 다운로드 가능한 데이터가, 주어진 기능과 관련된 관찰 가능한 데이터 상태를 관찰하는 것에 대응하여, 제2의 피드팩 데이터를 제공하는 컴퓨터 실행방법을 제공하는 것을 특징으로 하는 컴퓨터 실행 방법.
40. 제39항에 있어서,
    상기 제1세트의 피드백 데이터와 상기 제2세트의 피드백 데이터의 차이가, 각각의 전문가 지식 내용과 관련된 인간 전문가로부터 얻어진 코칭 어드바이스를 설명하는 것을 특징으로 하는 컴퓨터 실행 방법.
41. 제39항에 있어서,
    상기 제1세트의 피드백 데이터와 상기 제2세트의 피드백 데이터의 차이가, 각간의 전문가 지식 내용과 관련된 인간 전문가의 음성을 대표하는 다른 오디오 데이터인 것을 특징으로 하는 컴퓨터 실행 방법.
42. 제35항에 있어서,
    상기 성능 센서 유닛이 복수의 모션 센서 유닛을 포함하는 것을 특징으로 하는 컴퓨터 실행 방법.
43. 제35항에 있어서,
    상기 고객장치가, 착용가능한 의복에 의해 수행되도록 하는 POD 장치를 포함하고, 상기 착용가능한 의복은, 착용가능한 의복에 의해 수행된 복수의 센서 유닛으로부터 얻어진 데이터를 POD 장치에 공급하도록 구성된 복수의 센서 스트랜드를 제공하는 것을 특징으로 하는 컴퓨터 실행 방법.
44. 제43항에 있어서,
    복수의 센서 유닛 각각이, 가속도계, 자력계, 자이로스코프를 포함하는 것을 특징으로 하는 컴퓨터 실행 방법.
45. 사용자에게, 선택된 복수의 전문가 중 하나와 관련된 훈련 데이터를 제공하는 부분 성능 모니터링 하드웨어 장치를 형성하도록 하기 위한 시스템으로서,
    상기 시스템은, 고객 사용자 인터페이스 장치가, 고객 장치의 사용자가 훈련될 하나 또는 그 이상의 기능을 선택할 수 있도록 구성된 인터페이스와 소통할 수 있도록 구성된 서버를 포함하고,
    상기 인터페이스는, 사용자가 훈련될 하나 또는 그 이상의 선택된 기능에 대해 전문가 지식 내용을 선택할수 있도록 하기 위해 부가적으로 구성되고, 훈련될 하나 또는 그 이상의 세트에 대해 복수의 전문가 지식 내용이 제공되며,
    상기 시스템은, 사용자가 훈련될 하나 또는 그 이상의 기능 세트와, 훈련될 하나 또는 그 이상의 기능 세트에 대한 전문가 지식 내용을 선택하도록 한 후, 사용자와 관련된 고객 장치에 다운로드 가능한 데이터를 제공하는 다운로드 처리가 가능하도록 형성된 다운로드 관리자 요소를 포함하고,
    상기 다운로드 가능한 데이터는, 고객 장치가,
    (ⅰ) 성능-모니터링 센서 세트로부터 얻어진 처리 데이터를 제공하여, 사용자에 의한 기능 중 하나의 신체 성능을 분석하도록 하는 처리 데이터와,
    (ⅱ) 상기 분석에 기초한 사용자 인터페이스 장치에 의해, 선택된 전문가 지식 내용에 특정된 훈련 데이터를 구성하도록 하는 것을 특징으로 하는 시스템.
46. 제45항에 있어서,
    선택된 하나 또는 그 이상의 기능에 대하여, 제1의 선택가능한 전문가 지식 내용과, 제2의 선택가능한 전문가 지식 내용을 포함하는 컴퓨터 실행방법을 제공하며,
    상기 제1의 선택가능한 전문가 지식 내용에 대해서는, 다운로드 가능한 데이터가, 성능 분석 센서 세트로부터 얻어진 데이터에서, 주어진 기능과 관련된 관찰가능한 제1의 데이터 상태를 확인하는 고객 장치를 구성하고,
    제2의 선택가능한 전문가 지식 내용에 대해서는, 다운로드 가능한 데이터가, 성능 분석 센서 세트로부터 얻어진 데이터에서, 주어진 기능과 관련된 관찰가능한 제2의 다른 데이터 상태를 확인하는 고객 장치를 구성하는 것을 특징으로 하는 시스템.
47. 제46항에 있어서,
    상기 제1세트의 관찰가능한 데이터 상태와 상기 제2세트의 관찰가능한 데이터 상태의 차이가, 각각의 전문가 지식 내용과 관련된 인간 전문가의 스타일 내용을 설명하는 것을 특징으로 하는 시스템.
48. 제46항에 있어서,
    상기 제1세트의 관찰가능한 데이터 상태와 상기 제2세트의 관찰가능한 데이터 상태의 차이가, 각각의 전문가 지식 내용과 관련된 인간 전문가로부터 얻어진 코칭 어드바이스를 설명하는 것을 특징으로 하는 시스템.
49. 제45항에 있어서,
    선택된 하나 또는 그 이상의 기능에 대하여, 제1의 선택가능한 전문가 지식 내용과, 제2의 선택가능한 전문가 지식 내용을 포함하는 컴퓨터 실행방법을 제공하며,
    상기 제1의 선택가능한 전문가 지식 내용에 대해서는, 다운로드 가능한 데이터가, 주어진 기능과 관련된 관찰 가능한 데이터 상태를 관찰하는 것에 대응하여, 사용자에게 제1의 피드백 데이터를 제공하고,
    상기 제2의 선택가능한 전문가 지식 내용에 대해서는, 다운로드 가능한 데이터가, 주어진 기능과 관련된 관찰 가능한 데이터 상태를 관찰하는 것에 대응하여, 제2의 피드팩 데이터를 제공하는 컴퓨터 실행방법을 제공하는 것을 특징으로 하는 시스템.
50. 제49항에 있어서,
    상기 제1세트의 피드백 데이터와 상기 제2세트의 피드백 데이터의 차이가, 각각의 전문가 지식 내용과 관련된 인간 전문가로부터 얻어진 코칭 어드바이스를 설명하는 것을 특징으로 하는 시스템.
51. 제49항에 있어서,
    상기 제1세트의 피드백 데이터와 상기 제2세트의 피드백 데이터의 차이가, 각간의 전문가 지식 내용과 관련된 인간 전문가의 음성을 대표하는 다른 오디오 데이터인 것을 특징으로 하는 시스템.
52. 제45항에 있어서,
    상기 성능 센서 유닛이 복수의 모션 센서 유닛을 포함하는 것을 특징으로 하는 시스템.
53. 제45항에 있어서,
    상기 고객장치가, 착용가능한 의복에 의해 수행되도록 하는 POD 장치를 포함하고, 상기 착용가능한 의복은, 착용가능한 의복에 의해 수행된 복수의 센서 유닛으로부터 얻어진 데이터를 POD 장치에 공급하도록 구성된 복수의 센서 스트랜드를 제공하는 것을 특징으로 하는 시스템.
54. 제53항에 있어서,
    복수의 센서 유닛 각각이, 가속도계, 자력계, 자이로스코프를 포함하는 것을 특징으로 하는 시스템.

Images