KR20180046433A - 스마트폰 과의존 예측 장치 및 방법 - Google Patents
스마트폰 과의존 예측 장치 및 방법 Download PDFInfo
- Publication number
- KR20180046433A KR20180046433A KR1020160141293A KR20160141293A KR20180046433A KR 20180046433 A KR20180046433 A KR 20180046433A KR 1020160141293 A KR1020160141293 A KR 1020160141293A KR 20160141293 A KR20160141293 A KR 20160141293A KR 20180046433 A KR20180046433 A KR 20180046433A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- terminal
- user
- categories
- users
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 64
- 206010012335 Dependence Diseases 0.000 title description 17
- 239000013598 vector Substances 0.000 claims description 47
- 230000001419 dependent effect Effects 0.000 claims description 20
- 238000004891 communication Methods 0.000 claims description 12
- 230000036541 health Effects 0.000 claims description 5
- 238000005034 decoration Methods 0.000 claims description 4
- 239000000284 extract Substances 0.000 claims description 3
- 230000006870 function Effects 0.000 description 13
- 230000000694 effects Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 10
- 238000013145 classification model Methods 0.000 description 9
- 238000007477 logistic regression Methods 0.000 description 8
- 238000012706 support-vector machine Methods 0.000 description 8
- 238000010295 mobile communication Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000005236 sound signal Effects 0.000 description 6
- 238000012545 processing Methods 0.000 description 4
- 230000009467 reduction Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 230000008859 change Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 239000004973 liquid crystal related substance Substances 0.000 description 3
- 238000007781 pre-processing Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 206010010144 Completed suicide Diseases 0.000 description 2
- 230000002411 adverse Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 2
- 230000003542 behavioural effect Effects 0.000 description 2
- 230000003920 cognitive function Effects 0.000 description 2
- 230000000295 complement effect Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 230000035807 sensation Effects 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 239000013256 coordination polymer Substances 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 206010013663 drug dependence Diseases 0.000 description 1
- 230000005684 electric field Effects 0.000 description 1
- 230000005672 electromagnetic field Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000010408 film Substances 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003387 muscular Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000010355 oscillation Effects 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 230000037361 pathway Effects 0.000 description 1
- 230000015541 sensory perception of touch Effects 0.000 description 1
- 238000005507 spraying Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 208000011117 substance-related disease Diseases 0.000 description 1
- 239000000725 suspension Substances 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/16—Devices for psychotechnics; Testing reaction times ; Devices for evaluating the psychological state
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F11/00—Error detection; Error correction; Monitoring
- G06F11/30—Monitoring
- G06F11/34—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment
- G06F11/3438—Recording or statistical evaluation of computer activity, e.g. of down time, of input/output operation ; Recording or statistical evaluation of user activity, e.g. usability assessment monitoring of user actions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Analysis (AREA)
- General Business, Economics & Management (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Child & Adolescent Psychology (AREA)
- Economics (AREA)
- Computational Mathematics (AREA)
- Marketing (AREA)
- Human Resources & Organizations (AREA)
- Computer Hardware Design (AREA)
- Psychology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Pathology (AREA)
- Biophysics (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Social Psychology (AREA)
- Biomedical Technology (AREA)
- Evolutionary Biology (AREA)
Abstract
본 발명은 스마트폰을 이용하는 성인 군들의 주요 사용 패턴을 추출 및 분석하고, 이를 이용하여 개인별 과의존 위험 예측하는 방법 및 장치에 대한 것이다. 본 발명의 일 양상인 단말 과의존 예측 방법은, 단말에서 이용되는 복수의 어플리케이션을 미리 설정된 기준에 따라 복수의 카테고리로 분류하는 제 1 단계; 복수의 사용자의 상기 단말 사용과 관련된 복수의 데이터를 수집하는 제 2 단계; 상기 복수의 데이터를 상기 복수의 어플리케이션 각각의 단위로 구분하여 제 1 데이터를 생성하는 제 3 단계; 상기 제 1 데이터를 상기 복수의 카테고리 각각의 단위로 축소하여 제 2 데이터를 생성하는 제 4 단계; 상기 제 2 데이터를 이용하여 상기 복수의 사용자의 상기 단말 사용과 관련된 패턴을 추출하는 제 5 단계; 상기 제 1 단계 내지 제 5 단계를 반복하여 복수의 패턴을 추출함으로써, 상기 복수의 사용자의 단말 과의존 여부를 판단하기 위한 모델(model)을 생성하는 제 6 단계; 상기 복수의 사용자 중 제 1 사용자와 관련된 제 3 데이터를 수집하는 제 7 단계; 상기 모델 및 상기 제 3 데이터를 이용하여 상기 제 1 사용자의 상기 단말 과의존 여부를 판단하는 제 8 단계;를 포함할 수 있다.
Description
본 발명은 스마트폰을 이용하는 성인 군들의 주요 사용 패턴을 추출 및 분석하고, 이를 이용하여 개인별 과의존 위험 예측하는 방법 및 장치에 대한 것이다. 구체적으로 본 발명은 사용 패턴 분석을 위하여 Tensor factorization 기술을 이용하고, 스마트폰 과의존 예측을 위해 Support vector machine이나 Logistic regression과 같은 Classification Model을 이용하는 프로세스 및 장치에 관한 것이다.
최근 중독에 대한 개념은 약물중독 혹은 화학적 중독의 개념을 넘어 인터넷, 게임, 스마트폰에 이르기까지 소위 행위중독(behavioral addiction) 개념으로 확산되고 있다.
또한, 첨단 IT산업 등과 관련되어 빠르게 발전하는 인터넷, 스마트폰 등의 매체와 관련된 새로운 행위중독에 전 세계적인 관심이 집중되고 있다.
한국은 이미 전 세계 무선광대역 사용국 1위로 명실상부 IT 강국이며 컴퓨터 환경의 발달에 따라 게임 산업도 선도하고 있고, 이러한 IT분야의 발전은 눈부시게 이루어져왔고 인터넷, 게임분야는 국가 산업진흥의 큰 역할을 담당해왔다.
하지만, 세계적으로 인터넷, 게임 보급에 따른 부작용이 속출하고 있으며, 한국의 인터넷에 대한 높은 접근성 및 스마트폰의 급속한 보급은 청소년을 포함한 취약계층에서 행위중독에 대한 심각한 문제를 더욱 크게 야기하고 있다.
우리나라는 스마트폰 중독이 심각한 나라로 유명 학술지 및 CNN 방송에 소개된 바 있다.
구체적으로, 전체 인터넷 이용인구 중 약 8%, 전체 인구 중 2백만 명 정도가 인터넷 중독으로 조사되었으며, 최근 스마트폰과 관련한 실태조사에서도 10% 이상에서 과다 사용이 보고되었다.
과도한 스마트폰 및 인터넷 사용의 부정적 결과들은 개인의 심리, 사회적 문제, 학업이나 업무에서의 수행능력 감소를 포함하며, 이러한 부정적 결과들을 경험한 사람들은 종종 인터넷 사용을 조절하는데 실패하고, 학업이나 업무수행의 어려움을 보고하고 있다.
약 80%이상의 중독군은 스마트폰 및 인터넷 사용으로 인한 주관적 인지기능의 저하를 보고하였는데, 인터넷/게임 중독은 폭력성 및 자살 등과 관련된 다양한 종류의 사건들이 언론에 보도되어 사회적인 관심을 받고 있다.
또한, 이와 관련한 학업의 중단 등의 문제가 급증하고 있어 국가적인 관심 및 개입의 노력이 필요하다.
스마트폰 및 인터넷 중독으로 인한 소득 손실, 시간 손실 및 생산성 저하 등으로 발생하는 사회경제적 비용은 연간 7조 8,000억 원에서 10조 1,000억 원으로 평가된다(안전행정부, 2010).
이에, 스마트폰 중독 및 인터넷 게임 중독을 해결하기 위하여 뇌영상 데이터를 이용한 원인 규명과 심리 척도를 이용한 선별도구들이 개발되고 있다.
그러나 스마트폰 중독 및 인터넷 게임 중독 환자들이 병원에 방문하는 시점에는 이미 중증으로 발전한 이후여서 복잡한 심리 검사를 보완할 수 있는 조기 대응을 위한 선별 도구들이 필요한 실정이다.
본 발명은 스마트폰을 이용하는 성인 군들의 주요 사용 패턴을 추출 및 분석하고, 이를 이용하여 개인별 과의존 위험 예측하는 방법 및 장치를 사용자에게 제공하고자 한다.
구체적으로 본 발명은 사용 패턴 분석을 위하여 Tensor factorization 기술을 이용하고, 스마트폰 과의존 예측을 위해 Support vector machine이나 Logistic regression과 같은 Classification Model을 이용하는 프로세스 및 장치를 사용자에게 제공하고자 한다.
다만, 본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
상기의 기술적 과제를 달성하기 위한 본 발명의 일 양상인 단말 과의존 예측 방법은, 단말에서 이용되는 복수의 어플리케이션을 미리 설정된 기준에 따라 복수의 카테고리로 분류하는 제 1 단계; 복수의 사용자의 상기 단말 사용과 관련된 복수의 데이터를 수집하는 제 2 단계; 상기 복수의 데이터를 상기 복수의 어플리케이션 각각의 단위로 구분하여 제 1 데이터를 생성하는 제 3 단계; 상기 제 1 데이터를 상기 복수의 카테고리 각각의 단위로 축소하여 제 2 데이터를 생성하는 제 4 단계; 상기 제 2 데이터를 이용하여 상기 복수의 사용자의 상기 단말 사용과 관련된 패턴을 추출하는 제 5 단계; 상기 제 1 단계 내지 제 5 단계를 반복하여 복수의 패턴을 추출함으로써, 상기 복수의 사용자의 단말 과의존 여부를 판단하기 위한 모델(model)을 생성하는 제 6 단계; 상기 복수의 사용자 중 제 1 사용자와 관련된 제 3 데이터를 수집하는 제 7 단계; 상기 모델 및 상기 제 3 데이터를 이용하여 상기 제 1 사용자의 상기 단말 과의존 여부를 판단하는 제 8 단계;를 포함할 수 있다.
또한, 상기 복수의 카테고리는 SNS, Health/exercise, Game, Education, Transportation, Finance, Weather, Decoration, Tool/Productivity, Lifestyle, Business, Pictures, Shopping, System, Entertainment 및 Web을 포함할 수 있다.
또한, 상기 제 3 단계에서, 상기 복수의 데이터를 상기 복수의 어플리케이션 각각의 단위로 사용량 및 사용 시간 팩터(factor)로 구분하여 상기 제 1 데이터를 생성할 수 있다.
또한, 상기 제 4 단계는, 상기 복수의 어플리케이션을 상기 복수의 카테고리로 묶어서 구분하는 제 4-1 단계; 상기 복수의 카테고리 중 동일한 카테고리에 속하는 적어도 하나의 어플리케이션의 데이터를 합치는 제 4-2 단계;를 포함할 수 있다.
또한, 상기 제 5 단계에서 추출되는 패턴은, 상기 복수의 사용자의 상기 단말의 하루 총 사용량 중 상기 복수의 카테고리 각각이 사용되는 양의 비율을 나타낼 수 있다.
또한, 상기 모델이 복수인 경우, 상기 제 7 단계와 상기 제 8 단계 사이에는, 상기 제 3 데이터를 이용하여, 상기 복수의 모델 중 상기 제 1 사용자에 적용할 제 1 모델을 선택하는 제 7-5 단계를 더 포함하고, 상기 제 8 단계에서, 상기 제 1 모델 및 상기 제 3 데이터를 이용하여 상기 제 1 사용자의 상기 단말 과의존 여부를 판단할 수 있다.
또한, 상기 제 1 사용자의 상기 단말 과의존 여부를 상기 제 1 사용자에게 전송하거나 디스플레이부를 통해 표시하는 제 9 단계;를 더 포함할 수 있다.
한편, 상기의 기술적 과제를 달성하기 위한 본 발명의 다른 양상인 단말 과의존 예측 장치는, 단말에서 이용되는 복수의 어플리케이션을 미리 설정된 기준에 따라 복수의 카테고리로 분류하고, 복수의 사용자의 상기 단말 사용과 관련된 복수의 데이터를 수집하며, 상기 복수의 데이터를 상기 복수의 어플리케이션 각각의 단위로 구분하여 제 1 데이터를 생성하고, 상기 제 1 데이터를 상기 복수의 카테고리 각각의 단위로 축소하여 제 2 데이터를 생성하며, 상기 제 2 데이터를 이용하여 상기 복수의 사용자의 상기 단말 사용과 관련된 패턴을 추출하는 패턴 추출부; 상기 패턴 추출부의 동작을 반복하도록 제어하여 복수의 패턴을 추출함으로써, 상기 복수의 사용자의 단말 과의존 여부를 판단하기 위한 모델(model)을 생성하는 벡터 생성부; 및 상기 복수의 사용자 중 제 1 사용자와 관련된 제 3 데이터를 수집하고, 상기 모델 및 상기 제 3 데이터를 이용하여 상기 제 1 사용자의 상기 단말 과의존 여부를 판단하는 예측부;를 포함할 수 있다.
또한, 상기 복수의 카테고리는 SNS, Health/exercise, Game, Education, Transportation, Finance, Weather, Decoration, Tool/Productivity, Lifestyle, Business, Pictures, Shopping, System, Entertainment 및 Web을 포함할 수 있다.
또한, 상기 패턴 추출부는, 상기 복수의 데이터를 상기 복수의 어플리케이션 각각의 단위로 사용량 및 사용 시간 팩터(factor)로 구분하여 상기 제 1 데이터를 생성할 수 있다.
또한, 상기 패턴 추출부는, 상기 복수의 어플리케이션을 상기 복수의 카테고리로 묶어서 구분하고, 상기 복수의 카테고리 중 동일한 카테고리에 속하는 적어도 하나의 어플리케이션의 데이터를 합칠 수 있다.
또한, 상기 추출되는 패턴은, 상기 복수의 사용자의 상기 단말의 하루 총 사용량 중 상기 복수의 카테고리 각각이 사용되는 양의 비율을 나타낼 수 있다.
또한, 상기 모델이 복수인 경우, 상기 벡터 생성부는, 상기 제 3 데이터를 이용하여, 상기 복수의 모델 중 상기 제 1 사용자에 적용할 제 1 모델을 선택하고, 상기 제 1 모델 및 상기 제 3 데이터를 이용하여 상기 제 1 사용자의 상기 단말 과의존 여부를 판단할 수 있다.
또한, 상기 제 1 사용자의 상기 단말 과의존 여부를 상기 제 1 사용자에게 전송하는 무선통신부; 및 상기 단말 과의존 여부를 표시하는 디스플레이부; 중 적어도 하나를 더 포함할 수 있다.
본 발명은 스마트폰을 이용하는 성인 군들의 주요 사용 패턴을 추출 및 분석하고, 이를 이용하여 개인별 과의존 위험 예측하는 방법 및 장치를 사용자에게 제공할 수 있다.
구체적으로 본 발명은 사용 패턴 분석을 위하여 Tensor factorization 기술을 이용하고, 스마트폰 과의존 예측을 위해 Support vector machine이나 Logistic regression과 같은 Classification Model을 이용하는 프로세스 및 장치를 사용자에게 제공할 수 있다.
다만, 본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
도 1은 본 발명이 제안하는 스마트폰 과의존 예측 장치의 블록 구성도이다.
도 2는 도 1에서의 서마트폰 과의존 예측부의 구체적인 구조에 대한 블록 구성도이다.
도 3은 본 발명이 제안하는 스마트폰을 이용하는 성인 군들의 주요 사용 패턴을 추출 및 분석하고, 이를 이용하여 개인별 과의존 위험 예측하는 방법을 설명하는 순서도이다.
도 4a 및 도 4b는 본 발명의 패턴 추출부에 따른 카테고리별 APP 개수와 데이터 전처리 관련 전과 후를 도시한 것이다.
도 5는 본 발명의 패턴 추출부와 관련하여, 스마트폰 사용자 주요 사용 패턴 추출의 일례를 도시한 것이다.
도 6a 내지 도 6j는 도 5에서의 실제 스마트폰 사용 패턴의 일례들을 도시한 것이다.
도 7은 본 발명의 패턴 추출부와 관련하여, 스마트폰 사용 패턴별 앱 사용 확률을 정리한 테이블이다.
도 8a 및 도8b는 본 발명의 벡터 생성부와 관련하여, 스마트폰 과의존군의 normalized membership vector와 스마트폰 정상군의 normalized membership vector를 비교 도시한 것이다.
도 9는 본 발명의 벡터 생성부와 관련하여, 그룹별 사용 패턴에 따른 평균 사용시간의 구체적인 일례를 도시한 것이다.
도 10은 본 발명의 벡터 생성부와 관련하여, 사용자 별 사용 패턴 시간 분포의 구체적인 일례를 도시한 것이다.
도 11은 도 8a 도 10에서 사용 패턴별 유용성 확인 결과의 구체적인 내용을 도시한 것이다.
도 12는 본 발명에 따른 새로운 사용자 Membership vector 생성 과정의 일례를 도시한 것이다.
도 13은 본 발명의 예측부와 관련하여, 사용 패턴 유형 개수에 따른 AUC 결과의 일례를 도시한 것이다.
도 14는 본 발명의 예측부와 관련하여, 스마트폰 과의존 위험 예측을 위한 방법론에 따른 분석결과의 일례를 도시한 것이다.
도 2는 도 1에서의 서마트폰 과의존 예측부의 구체적인 구조에 대한 블록 구성도이다.
도 3은 본 발명이 제안하는 스마트폰을 이용하는 성인 군들의 주요 사용 패턴을 추출 및 분석하고, 이를 이용하여 개인별 과의존 위험 예측하는 방법을 설명하는 순서도이다.
도 4a 및 도 4b는 본 발명의 패턴 추출부에 따른 카테고리별 APP 개수와 데이터 전처리 관련 전과 후를 도시한 것이다.
도 5는 본 발명의 패턴 추출부와 관련하여, 스마트폰 사용자 주요 사용 패턴 추출의 일례를 도시한 것이다.
도 6a 내지 도 6j는 도 5에서의 실제 스마트폰 사용 패턴의 일례들을 도시한 것이다.
도 7은 본 발명의 패턴 추출부와 관련하여, 스마트폰 사용 패턴별 앱 사용 확률을 정리한 테이블이다.
도 8a 및 도8b는 본 발명의 벡터 생성부와 관련하여, 스마트폰 과의존군의 normalized membership vector와 스마트폰 정상군의 normalized membership vector를 비교 도시한 것이다.
도 9는 본 발명의 벡터 생성부와 관련하여, 그룹별 사용 패턴에 따른 평균 사용시간의 구체적인 일례를 도시한 것이다.
도 10은 본 발명의 벡터 생성부와 관련하여, 사용자 별 사용 패턴 시간 분포의 구체적인 일례를 도시한 것이다.
도 11은 도 8a 도 10에서 사용 패턴별 유용성 확인 결과의 구체적인 내용을 도시한 것이다.
도 12는 본 발명에 따른 새로운 사용자 Membership vector 생성 과정의 일례를 도시한 것이다.
도 13은 본 발명의 예측부와 관련하여, 사용 패턴 유형 개수에 따른 AUC 결과의 일례를 도시한 것이다.
도 14는 본 발명의 예측부와 관련하여, 스마트폰 과의존 위험 예측을 위한 방법론에 따른 분석결과의 일례를 도시한 것이다.
세계적으로 인터넷, 게임 보급에 따른 부작용이 속출하고 있으며, 한국의 인터넷에 대한 높은 접근성 및 스마트폰의 급속한 보급은 청소년을 포함한 취약계층에서 행위중독에 대한 심각한 문제를 더욱 크게 야기하고 있다.
우리나라는 전체 인터넷 이용인구 중 약 8%, 전체 인구 중 2백만 명 정도가 인터넷 중독으로 조사되었으며, 최근 스마트폰과 관련한 실태조사에서도 10% 이상에서 과다 사용이 보고되었다.
과도한 스마트폰 및 인터넷 사용의 부정적 결과들은 개인의 심리, 사회적 문제, 학업이나 업무에서의 수행능력 감소를 포함하며, 이러한 부정적 결과들을 경험한 사람들은 종종 인터넷 사용을 조절하는데 실패하고, 학업이나 업무수행의 어려움을 보고하고 있다.
약 80%이상의 중독군은 스마트폰 및 인터넷 사용으로 인한 주관적 인지기능의 저하를 보고하였는데, 스마트폰/인터넷/게임 중독은 폭력성 및 자살 등과 관련된 다양한 종류의 사건들이 언론에 보도되어 사회적인 관심을 받고 있고, 스마트폰/인터넷 중독으로 인한 소득/시간손실 및 생산성 저하 등으로 발생하는 사회경제적 비용은 연간 7조 8,000억 원에서 10조 1,000억 원으로 평가된다(안전행정부, 2010).
따라서 스마트폰, 인터넷 게임 중독 환자들이 병원에 방문하는 시점에는 이미 중증으로 발전한 이후여서 복잡한 심리 검사를 보완할 수 있는 조기 대응을 위한 선별 도구들이 필요한 실정이다.
본 명세서에서는 상기한 문제점을 해소하기 위해, 스마트폰을 이용하는 성인 군들의 주요 사용 패턴을 추출 및 분석하고, 이를 이용하여 개인별 과의존 위험 예측하는 방법 및 장치를 사용자에게 제공하고자 한다.
구체적으로 본 발명은 사용 패턴 분석을 위하여 Tensor factorization 기술을 이용하고, 스마트폰 과의존 예측을 위해 Support vector machine이나 Logistic regression과 같은 Classification Model을 이용하는 프로세스 및 장치를 사용자에게 제공하고자 한다.
본 발명의 구체적인 설명에 앞서, 본 발명에 적용될 수 있는 스마트폰 과의존 예측 장치의 기본 구성에 대해 설명한다.
도 1은 본 발명이 제안하는 스마트폰 과의존 예측 장치의 블록 구성도이다.
도 1을 참조하면, 스마트폰 과의존 예측 장치(100)는 무선 통신부(110), A/V(Audio/Video) 입력부(120), 사용자 입력부(130), 센싱부(140), 출력부(150), 메모리(160), 인터페이스부(170), 제어부(180) 및 전원 공급부(190) 등을 포함할 수 있다.
단, 도 1에 도시된 구성요소들이 필수적인 것은 아니어서, 그보다 많은 구성요소들을 갖거나 그보다 적은 구성요소들을 갖는 스마트폰 과의존 예측 장치가 구현될 수도 있다.
이하, 상기 구성요소들에 대해 차례로 살펴본다.
무선 통신부(110)는 스마트폰 과의존 예측 장치와 무선 통신 시스템 사이 또는 기기와 기기가 위치한 네트워크 사이의 무선 통신을 가능하게 하는 하나 이상의 모듈을 포함할 수 있다.
예를 들어, 무선 통신부(110)는 방송 수신 모듈(111), 이동통신 모듈(112), 무선 인터넷 모듈(113), 근거리 통신 모듈(114) 및 위치정보 모듈(115) 등을 포함할 수 있다.
방송 수신 모듈(111)은 방송 채널을 통하여 외부의 방송 관리 서버로부터 방송 신호 및/또는 방송 관련된 정보를 수신한다.
상기 방송 채널은 위성 채널, 지상파 채널을 포함할 수 있다. 상기 방송 관리 서버는, 방송 신호 및/또는 방송 관련 정보를 생성하여 송신하는 서버 또는 기 생성된 방송 신호 및/또는 방송 관련 정보를 제공받아 스마트폰 과의존 예측 장치에 송신하는 서버를 의미할 수 있다. 상기 방송 신호는, TV 방송 신호, 라디오 방송 신호, 데이터 방송 신호를 포함할 뿐만 아니라, TV 방송 신호 또는 라디오 방송 신호에 데이터 방송 신호가 결합한 형태의 방송 신호도 포함할 수 있다.
상기 방송 관련 정보는, 방송 채널, 방송 프로그램 또는 방송 서비스 제공자에 관련한 정보를 의미할 수 있다. 상기 방송 관련 정보는, 이동통신망을 통하여도 제공될 수 있다. 이러한 경우에는 상기 이동통신 모듈(112)에 의해 수신될 수 있다.
상기 방송 관련 정보는 다양한 형태로 존재할 수 있다. 예를 들어, DMB(Digital Multimedia Broadcasting)의 EPG(Electronic Program Guide) 또는 DVB-H(Digital Video Broadcast-Handheld)의 ESG(Electronic Service Guide) 등의 형태로 존재할 수 있다.
상기 방송 수신 모듈(111)은, 예를 들어, DMB-T(Digital Multimedia Broadcasting-Terrestrial), DMB-S(Digital Multimedia Broadcasting-Satellite), MediaFLO(Media Forward Link Only), DVB-H(Digital Video Broadcast-Handheld), ISDB-T(Integrated Services Digital Broadcast-Terrestrial) 등의 디지털 방송 시스템을 이용하여 디지털 방송 신호를 수신할 수 있다. 물론, 상기 방송 수신 모듈(111)은, 상술한 디지털 방송 시스템뿐만 아니라 다른 방송 시스템에 적합하도록 구성될 수도 있다.
방송 수신 모듈(111)을 통해 수신된 방송 신호 및/또는 방송 관련 정보는 메모리(160)에 저장될 수 있다.
이동통신 모듈(112)은, 이동 통신망 상에서 기지국, 외부의 기기, 서버 중 적어도 하나와 무선 신호를 송수신한다.
문자/멀티미디어 메시지 송수신에 따른 다양한 형태의 데이터를 포함할 수 있다.
무선 인터넷 모듈(113)은 무선 인터넷 접속을 위한 모듈을 말하는 것으로, 스마트폰 과의존 예측 장치에 내장되거나 외장될 수 있다. 무선 인터넷 기술로는 WLAN(Wireless LAN)(Wi-Fi), Wibro(Wireless broadband), Wimax(World Interoperability for Microwave Access), HSDPA(High Speed Downlink Packet Access) 등이 이용될 수 있다.
근거리 통신 모듈(114)은 근거리 통신을 위한 모듈을 말한다. 근거리 통신(short range communication) 기술로 블루투스(Bluetooth), RFID(Radio Frequency Identification), 적외선 통신(IrDA, infrared Data Association), UWB(Ultra Wideband), ZigBee, 와이파이(Wireless Fidelity, Wi-Fi) 등이 이용될 수 있다.
위치정보 모듈(115)은 스마트폰 과의존 예측 장치의 위치를 획득하기 위한 모듈로서, 그의 대표적인 예로는 GPS(Global Position System) 모듈이 있다.
도 1을 참조하면, A/V(Audio/Video) 입력부(120)는 오디오 신호 또는 비디오 신호 입력을 위한 것으로, 이에는 카메라(121)와 마이크(122) 등이 포함될 수 있다. 카메라(121)는 촬영 모드에서 이미지 센서에 의해 얻어지는 정지영상 또는 동영상 등의 화상 프레임을 처리한다. 처리된 화상 프레임은 디스플레이부(151)에 표시될 수 있다.
카메라(121)에서 처리된 화상 프레임은 메모리(160)에 저장되거나 무선 통신부(110)를 통하여 외부로 전송될 수 있다. 카메라(121)는 사용 환경에 따라 2개 이상이 구비될 수도 있다.
마이크(122)는 녹음모드, 음성인식 모드 등에서 마이크로폰(Microphone)에 의해 외부의 음향 신호를 입력받아 전기적인 음성 데이터로 처리한다. 처리된 음성 데이터는 이동통신 모듈(112)을 통하여 이동통신 기지국으로 송신 가능한 형태로 변환되어 출력될 수 있다. 마이크(122)에는 외부의 음향 신호를 입력받는 과정에서 발생되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘이 구현될 수 있다.
사용자 입력부(130)는 사용자가 스마트폰 과의존 예측 장치의 동작 제어를 위한 입력 데이터를 발생시킨다. 사용자 입력부(130)는 키 패드(key pad) 돔 스위치 (dome switch), 터치 패드(정압/정전), 조그 휠, 조그 스위치 등으로 구성될 수 있다.
센싱부(140)는 스마트폰 과의존 예측 장치의 개폐 상태, 스마트폰 과의존 예측 장치의 위치, 사용자 접촉 유무, 스마트폰 과의존 예측 장치의 방위, 스마트폰 과의존 예측 장치의 가속/감속 등과 같이 스마트폰 과의존 예측 장치의 현 상태를 감지하여 스마트폰 과의존 예측 장치의 동작을 제어하기 위한 센싱 신호를 발생시킨다.
센싱부(140)는 전원 공급부(190)의 전원 공급 여부, 인터페이스부(170)의 외부 기기 결합 여부 등을 센싱할 수도 있다.
한편, 상기 센싱부(140)는 근접 센서(141)를 포함할 수 있다.
출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시키기 위한 것으로, 이에는 디스플레이부(151), 음향 출력 모듈(152), 알람부(153), 햅틱 모듈(154) 및 프로젝터 모듈(155) 등이 포함될 수 있다.
디스플레이부(151)는 스마트폰 과의존 예측 장치에서 처리되는 정보를 표시(출력)한다.
디스플레이부(151)는 액정 디스플레이(liquid crystal display, LCD), 박막 트랜지스터 액정 디스플레이(thin film transistor-liquid crystal display, TFT LCD), 유기 발광 다이오드(organic light-emitting diode, OLED), 플렉시블 디스플레이(flexible display), 3차원 디스플레이(3D display) 중에서 적어도 하나를 포함할 수 있다.
이들 중 일부 디스플레이는 그를 통해 외부를 볼 수 있도록 투명형 또는 광투과형으로 구성될 수 있다. 이는 투명 디스플레이라 호칭될 수 있는데, 상기 투명 디스플레이의 대표적인 예로는 TOLED(Transparant OLED) 등이 있다. 디스플레이부(151)의 후방 구조 또한 광 투과형 구조로 구성될 수 있다. 이러한 구조에 의하여, 사용자는 스마트폰 과의존 예측 장치 바디의 디스플레이부(151)가 차지하는 영역을 통해 스마트폰 과의존 예측 장치 바디의 후방에 위치한 사물을 볼 수 있다.
스마트폰 과의존 예측 장치의 구현 형태에 따라 디스플레이부(151)이 2개 이상 존재할 수 있다. 예를 들어, 스마트폰 과의존 예측 장치에는 복수의 디스플레이부들이 하나의 면에 이격되거나 일체로 배치될 수 있고, 또한 서로 다른 면에 각각 배치될 수도 있다.
디스플레이부(151)와 터치 동작을 감지하는 센서(이하, '터치 센서'라 함)가 상호 레이어 구조를 이루는 경우(이하, '터치 스크린'이라 함)에, 디스플레이부(151)는 출력 장치 이외에 입력 장치로도 사용될 수 있다. 터치 센서는, 예를 들어, 터치 필름, 터치 시트, 터치 패드 등의 형태를 가질 수 있다.
터치 센서는 디스플레이부(151)의 특정 부위에 가해진 압력 또는 디스플레이부(151)의 특정 부위에 발생하는 정전 용량 등의 변화를 전기적인 입력신호로 변환하도록 구성될 수 있다. 터치 센서는 터치 되는 위치 및 면적뿐만 아니라, 터치 시의 압력까지도 검출할 수 있도록 구성될 수 있다.
터치 센서에 대한 터치 입력이 있는 경우, 그에 대응하는 신호(들)는 터치 제어기로 보내진다. 터치 제어기는 그 신호(들)를 처리한 다음 대응하는 데이터를 제어부(180)로 전송한다. 이로써, 제어부(180)는 디스플레이부(151)의 어느 영역이 터치 되었는지 여부 등을 알 수 있게 된다.
상기 근접 센서(141)는 상기 터치스크린에 의해 감싸지는 스마트폰 과의존 예측 장치의 내부 영역 또는 상기 터치 스크린의 근처에 배치될 수 있다. 상기 근접 센서는 소정의 검출면에 접근하는 물체, 혹은 근방에 존재하는 물체의 유무를 전자계의 힘 또는 적외선을 이용하여 기계적 접촉이 없이 검출하는 센서를 말한다. 근접 센서는 접촉식 센서보다는 그 수명이 길며 그 활용도 또한 높다.
상기 근접 센서의 예로는 투과형 광전 센서, 직접 반사형 광전 센서, 미러 반사형 광전 센서, 고주파 발진형 근접 센서, 정전용량형 근접 센서, 자기형 근접 센서, 적외선 근접 센서 등이 있다. 상기 터치스크린이 정전식인 경우에는 상기 포인터의 근접에 따른 전계의 변화로 상기 포인터의 근접을 검출하도록 구성된다. 이 경우 상기 터치 스크린(터치 센서)은 근접 센서로 분류될 수도 있다.
이하에서는 설명의 편의를 위해, 상기 터치스크린 상에 포인터가 접촉되지 않으면서 근접되어 상기 포인터가 상기 터치스크린 상에 위치함이 인식되도록 하는 행위를 "근접 터치(proximity touch)"라고 칭하고, 상기 터치스크린 상에 포인터가 실제로 접촉되는 행위를 "접촉 터치(contact touch)"라고 칭한다. 상기 터치스크린 상에서 포인터로 근접 터치가 되는 위치라 함은, 상기 포인터가 근접 터치될 때 상기 포인터가 상기 터치스크린에 대해 수직으로 대응되는 위치를 의미한다.
상기 근접센서는, 근접 터치와, 근접 터치 패턴(예를 들어, 근접 터치 거리, 근접 터치 방향, 근접 터치 속도, 근접 터치 시간, 근접 터치 위치, 근접 터치 이동 상태 등)을 감지한다. 상기 감지된 근접 터치 동작 및 근접 터치 패턴에 상응하는 정보는 터치 스크린상에 출력될 수 있다.
음향 출력 모듈(152)은 녹음 모드, 음성인식 모드, 방송수신 모드 등에서 무선 통신부(110)로부터 수신되거나 메모리(160)에 저장된 오디오 데이터를 출력할 수 있다. 음향 출력 모듈(152)은 스마트폰 과의존 예측 장치에서 수행되는 기능과 관련된 음향 신호를 출력하기도 한다. 이러한 음향 출력 모듈(152)에는 리시버(Receiver), 스피커(speaker), 버저(Buzzer) 등이 포함될 수 있다.
알람부(153)는 스마트폰 과의존 예측 장치의 이벤트 발생을 알리기 위한 신호를 출력한다.
알람부(153)는 비디오 신호나 오디오 신호 이외에 다른 형태, 예를 들어 진동으로 이벤트 발생을 알리기 위한 신호를 출력할 수도 있다.
상기 비디오 신호나 오디오 신호는 디스플레이부(151)나 음성 출력 모듈(152)을 통해서도 출력될 수 있어서, 그들(151,152)은 알람부(153)의 일부로 분류될 수도 있다.
햅틱 모듈(haptic module)(154)은 사용자가 느낄 수 있는 다양한 촉각 효과를 발생시킨다. 햅틱 모듈(154)이 발생시키는 촉각 효과의 대표적인 예로는 진동이 있다. 햅택 모듈(154)이 발생하는 진동의 세기와 패턴 등은 제어 가능하다.
예를 들어, 서로 다른 진동을 합성하여 출력하거나 순차적으로 출력할 수도 있다.
햅틱 모듈(154)은, 진동 외에도, 접촉 피부면에 대해 수직 운동하는 핀 배열, 분사구나 흡입구를 통한 공기의 분사력이나 흡입력, 피부 표면에 대한 스침, 전극(eletrode)의 접촉, 정전기력 등의 자극에 의한 효과와, 흡열이나 발열 가능한 소자를 이용한 냉온감 재현에 의한 효과 등 다양한 촉각 효과를 발생시킬 수 있다.
햅틱 모듈(154)은 직접적인 접촉을 통해 촉각 효과의 전달할 수 있을 뿐만 아니라, 사용자가 손가락이나 팔 등의 근 감각을 통해 촉각 효과를 느낄 수 있도록 구현할 수도 있다. 햅틱 모듈(154)은 스마트폰 과의존 예측 장치의 구성 태양에 따라 2개 이상이 구비될 수 있다.
프로젝터 모듈(155)은, 스마트폰 과의존 예측 장치를 이용하여 이미지 프로젝트(project) 기능을 수행하기 위한 구성요소로서, 제어부(180)의 제어 신호에 따라 디스플레이부(151)상에 디스플레이되는 영상과 동일하거나 적어도 일부가 다른 영상을 외부 스크린 또는 벽에 디스플레이할 수 있다.
구체적으로, 프로젝터 모듈(155)은, 영상을 외부로 출력하기 위한 빛(일 예로서, 레이저 광)을 발생시키는 광원(미도시), 광원에 의해 발생한 빛을 이용하여 외부로 출력할 영상을 생성하기 위한 영상 생성 수단 (미도시), 및 영상을 일정 초점 거리에서 외부로 확대 출력하기 위한 렌즈(미도시)를 포함할 수 있다. 또한, 프로젝터 모듈(155)은, 렌즈 또는 모듈 전체를 기계적으로 움직여 영상 투사 방향을 조절할 수 있는 장치(미도시)를 포함할 수 있다.
프로젝터 모듈(155)은 디스플레이 수단의 소자 종류에 따라 CRT(Cathode Ray Tube) 모듈, LCD(Liquid Crystal Display) 모듈 및 DLP(Digital Light Processing) 모듈 등으로 나뉠 수 있다. 특히, DLP 모듈은, 광원에서 발생한 빛이 DMD(Digital Micromirror Device) 칩에 반사됨으로써 생성된 영상을 확대 투사하는 방식으로 프로젝터 모듈(151)의 소형화에 유리할 수 있다.
바람직하게, 프로젝터 모듈(155)은, 스마트폰 과의존 예측 장치의 측면, 정면 또는 배면에 길이 방향으로 구비될 수 있다. 물론, 프로젝터 모듈(155)은, 필요에 따라 스마트폰 과의존 예측 장치의 어느 위치에라도 구비될 수 있음은 당연하다.
메모리부(160)는 제어부(180)의 처리 및 제어를 위한 프로그램이 저장될 수도 있고, 입/출력되는 데이터들(예를 들어, 메시지, 오디오, 정지영상, 동영상 등)의 임시 저장을 위한 기능을 수행할 수도 있다. 상기 메모리부(160)에는 상기 데이터들 각각에 대한 사용 빈도도 함께 저장될 수 있다. 또한, 상기 메모리부(160)에는 상기 터치스크린 상의 터치 입력시 출력되는 다양한 패턴의 진동 및 음향에 관한 데이터를 저장할 수 있다.
메모리(160)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 스마트폰 과의존 예측 장치는 인터넷(internet)상에서 상기 메모리(160)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다.
인터페이스부(170)는 스마트폰 과의존 예측 장치에 연결되는 모든 외부기기와의 통로 역할을 한다. 인터페이스부(170)는 외부 기기로부터 데이터를 전송받거나, 전원을 공급받아 스마트폰 과의존 예측 장치 내부의 각 구성 요소에 전달하거나, 스마트폰 과의존 예측 장치 내부의 데이터가 외부 기기로 전송되도록 한다. 예를 들어, 유/무선 헤드셋 포트, 외부 충전기 포트, 유/무선 데이터 포트, 메모리 카드(memory card) 포트, 식별 모듈이 구비된 장치를 연결하는 포트, 오디오 I/O(Input/Output) 포트, 비디오 I/O(Input/Output) 포트, 이어폰 포트 등이 인터페이스부(170)에 포함될 수 있다.
식별 모듈은 스마트폰 과의존 예측 장치의 사용 권한을 인증하기 위한 각종 정보를 저장한 칩으로서, 사용자 인증 모듈(User Identify Module, UIM), 가입자 인증 모듈(Subscriber Identify Module, SIM), 범용 사용자 인증 모듈(Universal Subscriber Identity Module, USIM) 등을 포함할 수 있다. 식별 모듈이 구비된 장치(이하 '식별 장치')는, 스마트 카드(smart card) 형식으로 제작될 수 있다. 따라서 식별 장치는 포트를 통하여 스마트폰 과의존 예측 장치와 연결될 수 있다.
상기 인터페이스부는 스마트폰 과의존 예측 장치가 외부 크래들(cradle)과 연결될 때 상기 크래들로부터의 전원이 상기 스마트폰 과의존 예측 장치에 공급되는 통로가 되거나, 사용자에 의해 상기 크래들에서 입력되는 각종 명령 신호가 상기 이동기기로 전달되는 통로가 될 수 있다. 상기 크래들로부터 입력되는 각종 명령 신호 또는 상기 전원은 상기 이동기기가 상기 크래들에 정확히 장착되었음을 인지하기 위한 신호로 동작될 수도 있다.
제어부(controller, 180)는 통상적으로 스마트폰 과의존 예측 장치의 전반적인 동작을 제어한다.
제어부(180)는 스마트폰 과의존 예측부(200)를 더 포함할 수 있다.
스마트폰 과의존 예측부(200)는 스마트폰을 이용하는 성인 군들의 주요 사용 패턴을 추출 및 분석하고, 이를 이용하여 개인별 과의존 위험을 예측할 수 있다.
본 발명에 따른 스마트폰 과의존 예측부(200)는 사용 패턴 분석을 위하여 Tensor factorization 기술을 이용할 수 있고, 스마트폰 과의존 예측을 위해 Support vector machine이나 Logistic regression과 같은 Classification Model을 이용할 수 있다.
인터넷 게임 중독 분류 예측부(200)에 대한 구체적인 설명은 도 2를 참조하여 후술한다.
전원 공급부(190)는 제어부(180)의 제어에 의해 외부의 전원, 내부의 전원을 인가 받아 각 구성요소들의 동작에 필요한 전원을 공급한다.
여기에 설명되는 다양한 실시예는 예를 들어, 소프트웨어, 하드웨어 또는 이들의 조합된 것을 이용하여 컴퓨터 또는 이와 유사한 장치로 읽을 수 있는 기록매체 내에서 구현될 수 있다.
하드웨어적인 구현에 의하면, 여기에 설명되는 실시예는 ASICs (application specific integrated circuits), DSPs (digital signal processors), DSPDs (digital signal processing devices), PLDs (programmable logic devices), FPGAs (field programmable gate arrays, 프로세서(processors), 제어기(controllers), 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors), 기타 기능 수행을 위한 전기적인 유닛 중 적어도 하나를 이용하여 구현될 수 있다. 일부의 경우에 본 명세서에서 설명되는 실시예들이 제어부(180) 자체로 구현될 수 있다.
소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능과 같은 실시예들은 별도의 소프트웨어 모듈들로 구현될 수 있다. 상기 소프트웨어 모듈들 각각은 본 명세서에서 설명되는 하나 이상의 기능 및 작동을 수행할 수 있다. 적절한 프로그램 언어로 쓰여진 소프트웨어 어플리케이션으로 소프트웨어 코드가 구현될 수 있다. 상기 소프트웨어 코드는 메모리(160)에 저장되고, 제어부(180)에 의해 실행될 수 있다.
다음으로, 도 2는 도 1에서의 스마트폰 과의존 예측부의 구체적인 구조에 대한 블록 구성도이다.
도 2를 참조하면, 본 발명에 따른 스마트폰 과의존 예측(200)는 패턴추출부(211), 벡터 생성부(212) 및 예측부(213)으로 구성될 수 있다.
패턴추출부(211)는 스마트폰 이용자의 사용패턴을 알기 위하여 차원 축소(Dimensionality reduction) 기술 중 하나인 Tensor factorization 기술을 이용할 수 있다.
즉, 패턴추출부(211)는 데이터를 Tensor로 만드는 기능을 제공한다.
다음으로, 벡터 생성부(212)는 가공되지 않은 데이터(high dimensional data)를 low dimensional vector에 해당하는 Membership vector로 표현하기 위해 Projection method를 적용한다.
즉, 벡터 생성부(212)는 주요 사용 패턴이 추출되면, Membership vector를 만드는 기능을 제공한다.
마지막으로, 예측부(213)는 membership vector를 이용하여 개인별 스마트폰 과의존 위험을 예측하게 된다.
패턴추출부(211), 벡터 생성부(212) 및 예측부(213)의 구체적인 기능은 도 3의 단계를 설명하면서 도면을 참조하여 구체적으로 후술한다.
도 3은 본 발명이 제안하는 스마트폰을 이용하는 성인 군들의 주요 사용 패턴을 추출 및 분석하고, 이를 이용하여 개인별 과의존 위험 예측하는 방법을 설명하는 순서도이다.
본 발명은 스마트폰을 이용하는 성인 군들의 주요 사용 패턴을 추출 및 분석하고, 이를 이용하여 개인별 과의존 위험 예측을 목표로 한다.
즉, 사용 패턴 분석을 위하여 Tensor factorization 기술을 이용하였으며, 스마트폰 과의존 예측을 위해 Support vector machine이나 Logistic regression과 같은 Classification Model을 이용할 수 있다.
도 3을 참조하면, 스마트폰 이용자의 사용패턴 알기 위하여 차원 축소(Dimensionality reduction) 기술 중 하나인 Tensor factorization 기술을 이용한다.
또한, 가공되지 않은 데이터(high dimensional data)를 low dimensional vector에 해당하는 Membership vector로 표현하기 위해 Projection method를 이용하고, membership vector를 이용하여 개인별 스마트폰 과의존 위험을 예측한다.
도 3을 참조하면, 전술한 목표를 위한 본 발명의 절차는 데이터를 Tensor로 만드는 단계(S100), 주요 사용 패턴 추출 단계(S200), Membership vector를 만드는 단계(S300)와 예측 모델을 생성하는 단계(S400) 및 스마트폰 과의존을 예측하는 단계(S500)로 구현될 수 있다.
이하에서는 상기 S100 단계 내지 S500 단계 각각에 대해 구체적으로 설명하면서, 패턴추출부(211), 벡터 생성부(212) 및 예측부(213)의 구체적인 기능도 함께 설명한다.
먼저, 데이터를 Tensor로 만드는 단계(S100) 및 주요 사용 패턴 추출 단계(S200)에 대해 설명한다.
S100 단계 및 S200 단계에서는 패턴추출부(211)가 이용될 수 있다.
도 4a 및 도 4b는 본 발명의 패턴 추출부에 따른 카테고리별 APP 개수와 데이터 전처리 관련 전과 후를 도시한 것이다.
먼저, 도 4a는 본 발명에 따른 데이터 수집의 일례를 도시한 것이다.
도 4a를 참조하면, 서울 경기도 권에 거주하는 20-30대 성인 48명으로부터 SASS를 이용하여 스마트폰 사용 log 데이터를 수집한 결과를 도시하고 있다.
피험자는 25명의 과의존군(SUD)과 23명의 정상군으로 구성되어 있으며, 데이터는 10분 동안 특정 앱 사용량을 정보를 포함하고 있다.
도 4a의 데이터 수집 기간은 2015.03.08. ~ 2016.01.08. 이며 각 피험자는 평균 15.8일 동안 수집되었다.
또한, 수집된 로그 데이터 총 개수는 41,683이며 886개의 앱으로 구성되어 있고, 어플리케이션(APP, 앱)은 도 4a와 같이 16개의 상위 카테고리로 분류된다.
한편, 도 4b는 본 발명에 따른 데이터 전처리(Tensor construction)와 관련된 것이다.
먼저 Tensor factorization이라는 불리는 차원 축소(Dimensionality reduction) 기술을 이용하기 위해 raw 데이터를 Tensor로 만든다.
이후, Tensor를 생성하기 위하여, 피험자로부터 여러 날 동안 수집된 log 데이터를 하루 단위로 전처리하였으며, 하루 사용량 데이터는 서로 다른 독립된 사용자가 사용한 데이터로 가정한다.
따라서 총 760명의 하루 단위 스마트폰 사용 데이터를 얻을 수 있다.
또한, 760명의 사용자는 과의존군(SUD) 381명과 정상군 379명으로 구성되어 있고, 10분 간격으로 어떤 카테고리에 속하는 앱들을 몇 분간 사용하였는지 계산하였으며, 추가적으로 하루 1440분 중 사용되지 않은 시간을 나타내지기 않기 위해 dummy category를 추가할 수 있다.
dummy category에 해당하는 사용량은 1440분에서 하루 스마트폰 사용시간을 뺀 값을 가지게 된다.
도 4b에 도시된 것과 같이, 특정 시간대에 6개의 log가 수집되었을 때, 각 카테고리별 사용시간은 카테고리고에 속하는 앱들의 사용시간을 합산하여 구하게 된다.
그리고 Dummy category에 사용시간은 600초 중 총 사용시간을 빼어 구하게 된다.
최종적으로, 어떤 스마트폰 사용자가 어떤 시간대에 어떤 종류의 앱을 주로 사용하는지를 나타내는 3차원의 Tensor를 생성하게 된다.
따라서 Tensor는 user dimension(760), time zone dimension(144), application's category dimension(17), 총 3개의 dimension으로 구성 되어 있으며, Tensor의 각 element는 어떤 user가 특정 시간대에 어떤 카테고리 속하는 앱들의 총 사용량을 나타낸다.
또한, 도 5는 본 발명의 패턴 추출부와 관련하여, 스마트폰 사용자 주요 사용 패턴 추출의 일례를 도시한 것이다.
도 5는 주요 사용 패턴 추출과 관련된 것으로, 스마트폰 사용자들의 주요 사용 패턴을 알아내기 위해 Tensor factorization이라는 기술을 사용하였다.
Tensor factorization 기술은 기존의 Tensor를 분해하여 그와 유사한 Tensor를 복원 시킬 수 있는 latent factor matrix들을 구하는 기술이다.
이를 이용하면 여러 dimension 사이에 관계를 유지하면서 high dimension을 가지는 원래 데이터를 low dimension으로 나타낼 수 있다.
Tensor factorization에는 여러 기술이 있는데, 수집된 데이터가 Count 데이터기 때문에 Nonnegative CP alternating Poisson regression (CP-APR) model을 이용할 수 있다.
따라서 이를 통해, 스마트폰 사용자들이 언제, 어떤 앱을 주로 사용하는지 분석을 할 수 있다.
도 6a 내지 도 6j는 도 5에서의 실제 스마트폰 사용 패턴의 일례들을 도시한 것이다.
도 6a 내지 도 6j는 스마트폰 사용 패턴 유형 분석에 관한 것으로, 760명의 스마트폰 사용 데이터로부터 추출한 사용 패턴 유형을 분석한 결과 이다.
도 6a 내지 도 6j는 언제 주로 스마트폰이 사용되며, 어떤 카테고리에 속하는 앱이 주로 사용되는지 정보를 보여준다.
또한, 도 6a 내지 도 6j는얼마나 많은 과의존군과 정상군이 각 패턴과 관련하여 스마트폰을 이용하는지도 나타낸다.
한편, 도 6a 내지 도 6j에서 SUD는 the addiction group 을 의미하고, SUC는 the control group을 의미하며, Prob.는 the probability를 의미한다.
또한, 도 7은 본 발명의 패턴 추출부와 관련하여, 스마트폰 사용 패턴별 앱 사용 확률을 정리한 테이블이다.
다음으로, Membership vector를 만드는 단계(S300)와 예측 모델을 생성하는 단계(S400)에 대해 설명한다.
S300 단계 및 S400 단계에서는 패턴추출부(211)가 이용될 수 있다.
Tensor factorization 기술을 이용하여 스마트폰 사용 패턴 유형 10가지를 도출하면, 각 사용자의 하루 사용량 데이터는 low dimension vector인 membership vector로 표현 될 수 있다.
membership vector의 각 요소는 각 사용패턴과 관련된 대략적인 시간을 나타내게 된다.
또한, 이 membership vector를 표준화하게 되면, 어떤 사용자가 하루 중 어느 사용 패턴으로 주로 스마트폰을 사용하는지 쉽게 알 수 있다.
도 8a 및 도8b는 본 발명의 벡터 생성부와 관련하여, 스마트폰 과의존군의 normalized membership vector와 스마트폰 정상군의 normalized membership vector를 비교 도시한 것이다.
도 8a 및 도8b에서 NMB는 Normalized membership vector를 의미한다.
즉, 도 8a 및 도8b는 어떤 사용자의 하루 사용량 데이터와 normalized membership vector를 나타낸 것으로, 스마트폰 과의존군의 normalized membership vector와 스마트폰 정상군의 normalized membership vector를 비교 도시한 것이다.
한편, 각 그룹별 평균 사용 패턴 시간과 분포와 관련하여, 과의존군과 정상군 사이 사용 패턴 별로 어떤 차이가 존재하는지 알아보기 위하여, 각 패턴별 평균 사용시간을 구하였다.
도 9는 본 발명의 벡터 생성부와 관련하여, 그룹별 사용 패턴에 따른 평균 사용시간의 구체적인 일례를 도시한 것이고, 도 10은 본 발명의 벡터 생성부와 관련하여, 사용자 별 사용 패턴 시간 분포의 구체적인 일례를 도시한 것이다.
도 9 및 도 10을 참조하면, 결과 사용 패턴 유형 3과 7을 제외하고 압도적으로 과의존군의 평균 사용시간이 높았다.
또한, 시스템 카테고리 속하는 앱을 주로 이용하는 사용 패턴 유형 3의 경우, 과의존군과 정상군의 평균 사용시간이 비슷하였다.
그리고 금융 카테고리에 속하는 앱들을 주로 이용하는 사용 패턴 유형 7의 경우 오히려 정상군의 평균 사용시간이 높았다.
도 11은 도 8a 도 10에서 사용 패턴별 유용성 확인 결과의 구체적인 내용을 도시한 것이다.
사용 패턴의 유용성과 관련하여, 도 11을 참조하면, 10개의 사용 패턴들에 대하여, 어떤 사용 패턴들이 스마트폰 과의존을 예측하기에 유용한지 확인할 수 있다.
실험결과 사용 패턴 유형 2, 4, 5, 7, 8, 10 이 스마트폰 과의존을 예측할 때 통계적으로 중요함을 알 수 있었으며, 사용 패턴 유형 2, 4, 5, 6, 8, 9, 10 의 사용시간이 늘어날수록 스마트폰 과의존군일 확률이 높음을 알 수 있었다.
마지막으로 스마트폰 과의존을 예측하는 단계(S500)에 대해 설명한다.
S500 단계에서는 예측부(213)가 이용될 수 있다.
S500 단계에서는 새로운 사용자를 위한 Membership vector가 생성될 수 있다.
즉, 새로운 사용자의 하루 사용량 데이터가 주어진 경우, 이를 membership vector로 나타내기 위해 별도의 방법이 필요하다.
이를 위하여 본 발명에서는 MM approach를 기반으로 한 Projection method를 고안하였다.
도 12는 본 발명에 따른 새로운 사용자 Membership vector 생성 과정의 일례를 도시한 것이다.
도 12를 참조하면, Projection method는 새로운 사용량 데이터와 기존에 추출한 사용 패턴 유형들이 주어졌을 때, 새로운 사용량 데이터를 membership vector로 변환하는 역할을 하게 된다.
개인별 스마트폰 과의존 위험 예측과 관련하여, Tensor factorization으로 추출한 사용 패턴 유형들과 각 사용자를 나타내는 membership vector를 이용하였을 때 실제로 얼마나 스마트폰 과의존 위험 예측에 도움이 되는지 확인하기 위하여, 5-fold cross validation방식으로 예측 성능을 평가할 수 있다.
예측 성능을 위한 metric으로는 Accuracy, Recall Precision 그리고 Area under the classification Receiver Operating Characteristic curve (AUC)를 이용할 수 있다.
전술한 것과 같이, training 데이터(Observed tensor)에 대해서만 Tensor factorization을 수행하여 사용 패턴 유형을 추출하였으며, traning 데이터와 test 데이터에 있는 모든 사용자들에 대하여 Projection method를 이용해 membership vector들을 구할 수 있다.
그리고 training 데이터에 속하는 membership vector들로만 classification model을 학습하였으며, test 데이터에 속하는 membership vector들로 예측 성능을 평가할 수 있다.
Classification model로는 Support vector machine과 Logistic regression을 이용할 수 있다.
최적의 사용 패턴 유형 개수와 관련하여, 성능 평가를 수행하기 전, 최적의 사용 패턴 유형 개수를 정할 수 있다.
도 13은 본 발명의 예측부와 관련하여, 사용 패턴 유형 개수에 따른 AUC 결과의 일례를 도시한 것이다.
도 13을 참조하면, 추출할 사용 패턴 유형 개수를 5~50까지 다양하게 변경해가며 AUC를 구할 수 있다.
실험결과 사용 패턴 유형 개수가 10개 이후로는 AUC의 성능이 크게 변경되지 않았으며 사용 패턴 유형 개수가 늘어난다고 반드시 AUC의 성능이 향상되지는 않았다.
따라서 사용 패턴 유형 개수가 많지 않으며 좋은 예측 성능을 보여준 10을 최적의 사용 패턴 유형 개수로 결정할 수 있다.
스마트폰 과의존 위험 예측 결과와 관련하여, 추출된 사용 패턴 유형들과 membership vector들을 이용할 경우, 스마트폰 과의존을 예측할 때 얼마나 유용한지 평가하기 위해서, 각 사용자의 하루 사용량 데이터를 144*17 vector로 나타낸 raw 데이터와 비교할 수 있다.
도 14는 본 발명의 예측부와 관련하여, 스마트폰 과의존 위험 예측을 위한 방법론에 따른 분석결과의 일례를 도시한 것이다.
도 14를 참조하면, membership vector를 이용하는 경우 그렇지 않은 경우보다 훨씬 더 많이 예측 성능이 향상 되는 것을 확인할 수 있다.
따라서 본 발명은 스마트폰을 이용하는 성인 군들의 주요 사용 패턴을 추출 및 분석하고, 이를 이용하여 개인별 과의존 위험 예측하는 방법 및 장치를 사용자에게 제공할 수 있다.
구체적으로 본 발명은 사용 패턴 분석을 위하여 Tensor factorization 기술을 이용하고, 스마트폰 과의존 예측을 위해 Support vector machine이나 Logistic regression과 같은 Classification Model을 이용하는 프로세스 및 장치를 사용자에게 제공할 수 있다.
상술한 본 발명의 실시예들은 다양한 수단을 통해 구현될 수 있다. 예를 들어, 본 발명의 실시예들은 하드웨어, 펌웨어(firmware), 소프트웨어 또는 그것들의 결합 등에 의해 구현될 수 있다.
하드웨어에 의한 구현의 경우, 본 발명의 실시예들에 따른 방법은 하나 또는 그 이상의 ASICs(Application Specific Integrated Circuits), DSPs(Digital Signal Processors), DSPDs(Digital Signal Processing Devices), PLDs(Programmable Logic Devices), FPGAs(Field Programmable Gate Arrays), 프로세서, 컨트롤러, 마이크로 컨트롤러, 마이크로 프로세서 등에 의해 구현될 수 있다.
펌웨어나 소프트웨어에 의한 구현의 경우, 본 발명의 실시예들에 따른 방법은 이상에서 설명된 기능 또는 동작들을 수행하는 모듈, 절차 또는 함수 등의 형태로 구현될 수 있다. 소프트웨어 코드는 메모리 유닛에 저장되어 프로세서에 의해 구동될 수 있다. 상기 메모리 유닛은 상기 프로세서 내부 또는 외부에 위치하여, 이미 공지된 다양한 수단에 의해 상기 프로세서와 데이터를 주고 받을 수 있다.
상술한 바와 같이 개시된 본 발명의 바람직한 실시예들에 대한 상세한 설명은 당업자가 본 발명을 구현하고 실시할 수 있도록 제공되었다. 상기에서는 본 발명의 바람직한 실시예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 본 발명의 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다. 예를 들어, 당업자는 상술한 실시예들에 기재된 각 구성을 서로 조합하는 방식으로 이용할 수 있다. 따라서, 본 발명은 여기에 나타난 실시형태들에 제한되려는 것이 아니라, 여기서 개시된 원리들 및 신규한 특징들과 일치하는 최광의 범위를 부여하려는 것이다.
본 발명은 본 발명의 정신 및 필수적 특징을 벗어나지 않는 범위에서 다른 특정한 형태로 구체화될 수 있다. 따라서, 상기의 상세한 설명은 모든 면에서 제한적으로 해석되어서는 아니 되고 예시적인 것으로 고려되어야 한다. 본 발명의 범위는 첨부된 청구항의 합리적 해석에 의해 결정되어야 하고, 본 발명의 등가적 범위 내에서의 모든 변경은 본 발명의 범위에 포함된다. 본 발명은 여기에 나타난 실시형태들에 제한되려는 것이 아니라, 여기서 개시된 원리들 및 신규한 특징들과 일치하는 최광의 범위를 부여하려는 것이다. 또한, 특허청구범위에서 명시적인 인용 관계가 있지 않은 청구항들을 결합하여 실시예를 구성하거나 출원 후의 보정에 의해 새로운 청구항으로 포함할 수 있다.
Claims (14)
- 단말에서 이용되는 복수의 어플리케이션을 미리 설정된 기준에 따라 복수의 카테고리로 분류하는 제 1 단계;
복수의 사용자의 상기 단말 사용과 관련된 복수의 데이터를 수집하는 제 2 단계;
상기 복수의 데이터를 상기 복수의 어플리케이션 각각의 단위로 구분하여 제 1 데이터를 생성하는 제 3 단계;
상기 제 1 데이터를 상기 복수의 카테고리 각각의 단위로 축소하여 제 2 데이터를 생성하는 제 4 단계;
상기 제 2 데이터를 이용하여 상기 복수의 사용자의 상기 단말 사용과 관련된 패턴을 추출하는 제 5 단계;
상기 제 1 단계 내지 제 5 단계를 반복하여 복수의 패턴을 추출함으로써, 상기 복수의 사용자의 단말 과의존 여부를 판단하기 위한 모델(model)을 생성하는 제 6 단계;
상기 복수의 사용자 중 제 1 사용자와 관련된 제 3 데이터를 수집하는 제 7 단계;
상기 모델 및 상기 제 3 데이터를 이용하여 상기 제 1 사용자의 상기 단말 과의존 여부를 판단하는 제 8 단계;를 포함하는 단말 과의존 예측 방법. - 제 1항에 있어서,
상기 복수의 카테고리는 SNS, Health/exercise, Game, Education, Transportation, Finance, Weather, Decoration, Tool/Productivity, Lifestyle, Business, Pictures, Shopping, System, Entertainment 및 Web을 포함하는 것을 특징으로 하는 단말 과의존 예측 방법. - 제 1항에 있어서,
상기 제 3 단계에서,
상기 복수의 데이터를 상기 복수의 어플리케이션 각각의 단위로 사용량 및 사용 시간 팩터(factor)로 구분하여 상기 제 1 데이터를 생성하는 것을 특징으로 하는 단말 과의존 예측 방법. - 제 1항에 있어서,
상기 제 4 단계는,
상기 복수의 어플리케이션을 상기 복수의 카테고리로 묶어서 구분하는 제 4-1 단계;
상기 복수의 카테고리 중 동일한 카테고리에 속하는 적어도 하나의 어플리케이션의 데이터를 합치는 제 4-2 단계;를 포함하는 것을 특징으로 하는 단말 과의존 예측 방법. - 제 1항에 있어서,
상기 제 5 단계에서 추출되는 패턴은,
상기 복수의 사용자의 상기 단말의 하루 총 사용량 중 상기 복수의 카테고리 각각이 사용되는 양의 비율을 나타내는 것을 특징으로 하는 단말 과의존 예측 방법. - 제 1항에 있어서,
상기 모델이 복수인 경우,
상기 제 7 단계와 상기 제 8 단계 사이에는,
상기 제 3 데이터를 이용하여, 상기 복수의 모델 중 상기 제 1 사용자에 적용할 제 1 모델을 선택하는 제 7-5 단계를 더 포함하고,
상기 제 8 단계에서,
상기 제 1 모델 및 상기 제 3 데이터를 이용하여 상기 제 1 사용자의 상기 단말 과의존 여부를 판단하는 것을 특징으로 하는 단말 과의존 예측 방법. - 제 1항에 있어서,
상기 제 1 사용자의 상기 단말 과의존 여부를 상기 제 1 사용자에게 전송하거나 디스플레이부를 통해 표시하는 제 9 단계;를 더 포함하는 것을 특징으로 하는 단말 과의존 예측 방법. - 단말에서 이용되는 복수의 어플리케이션을 미리 설정된 기준에 따라 복수의 카테고리로 분류하고, 복수의 사용자의 상기 단말 사용과 관련된 복수의 데이터를 수집하며, 상기 복수의 데이터를 상기 복수의 어플리케이션 각각의 단위로 구분하여 제 1 데이터를 생성하고, 상기 제 1 데이터를 상기 복수의 카테고리 각각의 단위로 축소하여 제 2 데이터를 생성하며, 상기 제 2 데이터를 이용하여 상기 복수의 사용자의 상기 단말 사용과 관련된 패턴을 추출하는 패턴 추출부;
상기 패턴 추출부의 동작을 반복하도록 제어하여 복수의 패턴을 추출함으로써, 상기 복수의 사용자의 단말 과의존 여부를 판단하기 위한 모델(model)을 생성하는 벡터 생성부; 및
상기 복수의 사용자 중 제 1 사용자와 관련된 제 3 데이터를 수집하고, 상기 모델 및 상기 제 3 데이터를 이용하여 상기 제 1 사용자의 상기 단말 과의존 여부를 판단하는 예측부;를 포함하는 단말 과의존 예측 장치. - 제 8항에 있어서,
상기 복수의 카테고리는 SNS, Health/exercise, Game, Education, Transportation, Finance, Weather, Decoration, Tool/Productivity, Lifestyle, Business, Pictures, Shopping, System, Entertainment 및 Web을 포함하는 것을 특징으로 하는 단말 과의존 예측 장치. - 제 8항에 있어서,
상기 패턴 추출부는,
상기 복수의 데이터를 상기 복수의 어플리케이션 각각의 단위로 사용량 및 사용 시간 팩터(factor)로 구분하여 상기 제 1 데이터를 생성하는 것을 특징으로 하는 단말 과의존 예측 장치. - 제 8항에 있어서,
상기 패턴 추출부는,
상기 복수의 어플리케이션을 상기 복수의 카테고리로 묶어서 구분하고, 상기 복수의 카테고리 중 동일한 카테고리에 속하는 적어도 하나의 어플리케이션의 데이터를 합치는 것을 특징으로 하는 단말 과의존 예측 장치. - 제 8항에 있어서,
상기 추출되는 패턴은,
상기 복수의 사용자의 상기 단말의 하루 총 사용량 중 상기 복수의 카테고리 각각이 사용되는 양의 비율을 나타내는 것을 특징으로 하는 단말 과의존 예측 장치. - 제 8항에 있어서,
상기 모델이 복수인 경우,
상기 벡터 생성부는,
상기 제 3 데이터를 이용하여, 상기 복수의 모델 중 상기 제 1 사용자에 적용할 제 1 모델을 선택하고, 상기 제 1 모델 및 상기 제 3 데이터를 이용하여 상기 제 1 사용자의 상기 단말 과의존 여부를 판단하는 것을 특징으로 하는 단말 과의존 예측 장치. - 제 8항에 있어서,
상기 제 1 사용자의 상기 단말 과의존 여부를 상기 제 1 사용자에게 전송하는 무선통신부; 및 상기 단말 과의존 여부를 표시하는 디스플레이부; 중 적어도 하나를 더 포함하는 것을 특징으로 하는 단말 과의존 예측 장치.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020160141293A KR20180046433A (ko) | 2016-10-27 | 2016-10-27 | 스마트폰 과의존 예측 장치 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020160141293A KR20180046433A (ko) | 2016-10-27 | 2016-10-27 | 스마트폰 과의존 예측 장치 및 방법 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20180046433A true KR20180046433A (ko) | 2018-05-09 |
Family
ID=62201003
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020160141293A KR20180046433A (ko) | 2016-10-27 | 2016-10-27 | 스마트폰 과의존 예측 장치 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20180046433A (ko) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110009127A (zh) * | 2019-01-24 | 2019-07-12 | 平安科技（深圳）有限公司 | 沉迷游戏风险识别方法、装置、计算机设备和存储介质 |
| KR20200078872A (ko) | 2018-12-24 | 2020-07-02 | 가톨릭대학교 산학협력단 | 공존 정신과 증상 기반 스마트폰 과의존 예측 방법 |
| KR20220021226A (ko) * | 2020-08-13 | 2022-02-22 | 주식회사 포휴먼테크 | 챗봇 기반의 언컨택트 스마트폰 중독 치유 방법 |
-
2016
- 2016-10-27 KR KR1020160141293A patent/KR20180046433A/ko active Search and Examination
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200078872A (ko) | 2018-12-24 | 2020-07-02 | 가톨릭대학교 산학협력단 | 공존 정신과 증상 기반 스마트폰 과의존 예측 방법 |
| CN110009127A (zh) * | 2019-01-24 | 2019-07-12 | 平安科技（深圳）有限公司 | 沉迷游戏风险识别方法、装置、计算机设备和存储介质 |
| KR20220021226A (ko) * | 2020-08-13 | 2022-02-22 | 주식회사 포휴먼테크 | 챗봇 기반의 언컨택트 스마트폰 중독 치유 방법 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110209952B (zh) | 信息推荐方法、装置、设备及存储介质 | |
| US20220188840A1 (en) | Target account detection method and apparatus, electronic device, and storage medium | |
| EP3886004A1 (en) | Method for training classification model, classification method and device, and storage medium | |
| KR101917070B1 (ko) | 이동 단말기, 서버, 시스템, 이동 단말기 및 서버의 제어 방법 | |
| CN111311554A (zh) | 图文内容的内容质量确定方法、装置、设备及存储介质 | |
| KR20130038660A (ko) | 휴대 단말기 및 그 제어 방법 | |
| CN112069414A (zh) | 推荐模型训练方法、装置、计算机设备及存储介质 | |
| CN104160734A (zh) | 测量与移动装置关联的体验质量 | |
| CN111104980B (zh) | 确定分类结果的方法、装置、设备及存储介质 | |
| CN111737573A (zh) | 资源推荐方法、装置、设备及存储介质 | |
| EP2824540A1 (en) | Mobile terminal and control method thereof | |
| CN112989229B (zh) | 出行路线的推荐方法、装置、计算机设备及存储介质 | |
| CN113515942A (zh) | 文本处理方法、装置、计算机设备及存储介质 | |
| KR20180046433A (ko) | 스마트폰 과의존 예측 장치 및 방법 | |
| CN112116391A (zh) | 多媒体资源投放方法、装置、计算机设备及存储介质 | |
| CN113392180A (zh) | 文本处理方法、装置、设备及存储介质 | |
| CN111209377A (zh) | 基于深度学习的文本处理方法、装置、设备及介质 | |
| KR20180046431A (ko) | 성인의 인터넷중독 스크리닝을 위한 의사결정나무를 활용한 인터넷 과의존 분류 예측 장치 및 방법 | |
| CN111931075B (zh) | 一种内容推荐方法、装置、计算机设备及存储介质 | |
| KR20200078155A (ko) | 사용자 리뷰 기반 여행지 추천 방법 및 시스템 | |
| CN116912478A (zh) | 目标检测模型构建、图像分类方法、电子设备 | |
| KR101743999B1 (ko) | 컨텐츠 검증 단말기, 시스템 및 그 것들의 제어방법 | |
| CN113762585B (zh) | 数据的处理方法、账号类型的识别方法及装置 | |
| CN108021669B (zh) | 图像分类方法和装置、电子设备、计算机可读存储介质 | |
| CN112765470B (zh) | 内容推荐模型的训练方法、内容推荐方法、装置及设备 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| AMND | Amendment | ||
| E601 | Decision to refuse application | ||
| AMND | Amendment |