KR20180047534A - 패턴 인식 모델에 기반한 캘리브레이션이 가능한 후각 정보 생성 장치 및 생성 방법 - Google Patents

패턴 인식 모델에 기반한 캘리브레이션이 가능한 후각 정보 생성 장치 및 생성 방법 Download PDF

Info

Publication number
KR20180047534A
KR20180047534A KR1020160143696A KR20160143696A KR20180047534A KR 20180047534 A KR20180047534 A KR 20180047534A KR 1020160143696 A KR1020160143696 A KR 1020160143696A KR 20160143696 A KR20160143696 A KR 20160143696A KR 20180047534 A KR20180047534 A KR 20180047534A
Authority
KR
South Korea
Prior art keywords
gas sensors
calibration
smell
recognition model
olfactory
Prior art date
Application number
KR1020160143696A
Other languages
English (en)
Inventor
장성준
박준석
이해룡
최종우
Original Assignee
한국전자통신연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국전자통신연구원 filed Critical 한국전자통신연구원
Priority to KR1020160143696A priority Critical patent/KR20180047534A/ko
Priority to US15/426,328 priority patent/US20180120277A1/en
Publication of KR20180047534A publication Critical patent/KR20180047534A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/0027—General constructional details of gas analysers, e.g. portable test equipment concerning the detector
    • G01N33/0031—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array
    • G01N33/0034—General constructional details of gas analysers, e.g. portable test equipment concerning the detector comprising two or more sensors, e.g. a sensor array comprising neural networks or related mathematical techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • G06N7/06—Simulation on general purpose computers
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01N—INVESTIGATING OR ANALYSING MATERIALS BY DETERMINING THEIR CHEMICAL OR PHYSICAL PROPERTIES
    • G01N33/00—Investigating or analysing materials by specific methods not covered by groups G01N1/00 - G01N31/00
    • G01N33/0004—Gaseous mixtures, e.g. polluted air
    • G01N33/0009—General constructional details of gas analysers, e.g. portable test equipment
    • G01N33/007—Arrangements to check the analyser
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
    • G06N7/04—Physical realisation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/14—Digital output to display device ; Cooperation and interconnection of the display device with other functional units
    • G06F3/147—Digital output to display device ; Cooperation and interconnection of the display device with other functional units using display panels

Abstract

가상현실 시스템에서 전자 코 장비의 능력 표현과 인식된 냄새의 전달을 위한 표현 방법에 관한 것으로 후각정보 생성 장치 및 생성 방법이 제공된다. 본원 발명의 일 실시예는 전자코(Electronic Nose)에서 감지되는 화학물질의 농도(Gas Density)를 측정하여 디지털화하는 구성이다.
본원 발명의 일 실시예는 현실 세계의 냄새를 인식하고, 현실 세계의 냄새를 감지한 결과의 원본 데이터를 획득하는 복수의 가스 센서들; 및 복수의 가스 센서들 각각마다 할당된 캘리브레이션 모델을 복수의 가스 센서들 각각의 측정 데이터에 적용하여 복수의 가스 센서들 각각의 캘리브레이션 모델 판별 결과를 생성하고, 복수의 가스 센서들 각각의 캘리브레이션 모델 판별 결과를 비교하고, 캘리브레이션 모델 판별 결과의 비교 결과에 기반하여 현실 세계의 냄새를 인식하는 후각인식 모델의 보정 여부를 결정하는 프로세서를 포함한다.

Description

패턴 인식 모델에 기반한 캘리브레이션이 가능한 후각 정보 생성 장치 및 생성 방법 {APPARATUS AND METHOD FOR GENERATION OF OLFACTORY INFORMATION CAPABLE OF CALIBRATION BASED ON PATTERN RECOGNITION MODEL}
본 발명은 MPEG-V를 기반으로 하는 가상현실 시스템에서 전자 코 장비의 능력 표현과 인식된 냄새의 전달을 위한 표현 방법에 관한 것으로, 특히 가상현실 시스템에서 가상세계와 현실세계상의 상호 호환성을 제공하기 위한 MPEG-V(Media Context and Control) 기술에 관한 것이다.
본 발명은 MPEG-V를 기반으로 하는 가상현실 시스템에서 전자 코 장비의 능력 표현과 인식된 냄새의 전달을 위한 표현 방법에 관한 것으로, 특히 가상현실 시스템에서 가상세계와 현실세계상의 상호 호환성을 제공하기 위한 MPEG-V(Media Context and Control)기술에 관한 것이다.
현실세계에서 냄새를 유발하는 입자 또는 가스를 감지하는 센서로서 전자 코(Electronic Nose, E-Nose)라는 개념이 이용되고 있다. 현실세계에서 냄새는 물리적, 화학적 또는 생물학적 방법으로 가스의 농도 또는 냄새를 유발하는 입자의 농도에 기반하여 감지된다.
이러한 전자 코 센서에서 감지된 후각 정보를 가상 세계 또는 다른 현실 세계 상에서 재현하고자 표현하는 방법에 관한 시도가 MPEG-V 표준화 회의를 통하여 이루어져 왔다.
이처럼 MPEG-V 표준화 회의를 통하여 고도화되고 표준화되는 가상 세계와 현실 세계 간의 후각 정보 공유를 위한 데이터 타입의 개발이 요구되고 있는 시점이다.
본 발명은, MPEG-V 의 범위 내에서 현실 세계에 존재하는 냄새를 인식하여, 상기 현실 세계의 냄새를 가상 세계에 전달함으로써 가상 세계와 현실 세계와의 상호 호환성을 제공하는 것을 목적으로 한다.
본 발명은 현실 세계의 냄새를 가상 세계에 전달하는 과정에서 상세한(detailed) 정보를 생성하고 전달하는 것을 목적으로 한다. 일반적으로 전자코(E-Nose)에 이용되는 반도체 타입의 가스 센서는 가격이 싸고 성능이 안정적인 장점이 있으나 특정 가스에만 선택적으로 반응하는 선택성(selectivity)에는 단점이 있어 여러 개의 센서를 모듈화하여 동시에 사용함으로써 정보량을 높이는 것이 일반적이다. 이때 가스 센서의 열화(degradation)가 생기더라도 가스 센서의 열화가 발생했음을 쉽게 파악하지 못하는 문제점이 있었다. 즉, 반도체 타입의 가스 센서는 가스 센서의 측정값만으로는 진정한(true) 판별 결과를 정확히 알기 어려웠다.
본 발명은 가스 센서의 측정값을 입력으로 받아들여 진정한 판별 결과를 추정해 내는 가스 판별용 패턴인식 모델을 생성하여 정확한 가스 판별 결과를 탐색하는 것을 목적으로 한다.
반도체 타입의 가스 센서는 시간이 경과하면 에이징(aging)에 의한 열화가 발생하여 센서값의 원하지 않는 변화가 생길 가능성이 있는데 종래 기술에서는 언제 에이징(aging)에 의한 열화가 발생할 지 모르는 문제점이 있었다. 따라서 종래 기술에서는 언제 에이징에 의한 열화가 발생할 지 모르므로 오프라인에서 가스 센서를 일일이 수거하여 주기적으로 점검 및 보정(calibration)을 해야 하는 불편함이 있었다.
본 발명은 가스 센서를 오프라인에서 일일이 수거할 필요 없이 가스 센서에 부가된 프로세서가 패턴인식 모델을 이용하여 보정할 필요가 있는 가스 센서를 식별하고, 가스 센서를 보정할 시기를 결정하며, 복수개의 가스 센서들 간의 연관성을 이용하여 가스 센서를 보정할 수 있다. 즉, 본 발명은 가스 센서가 스스로 학습에 의하여 보정의 필요성, 및 보정의 시기를 결정하고 측정값을 보정할 수 있는 후각 정보 생성 장치를 제공하는 것을 목적으로 한다.
상기와 같은 목적을 달성하기 위하여, 본 발명의 일 실시 예에 따른 후각 정보 생성 방법은 전자코(Electronic Nose)에서 감지되는 화학물질의 농도 대비 인간이 인지하는 강도를 병행하여 기록하는 경우를 가정하는데 인간의 후각에 의하여 느끼는 정량적 수치로 판정된 정보를 XML 등의 포맷을 가진 정보로 생성한다.
현실 세계와 적어도 하나 이상의 가상 세계 간에 공유될 수 있는 후각 정보를 생성하는 후각 정보 생성 방법에 있어서, 상기 현실 세계의 냄새를 인식하는 센서 장치(가스 센서 모듈들을 종합한 전체 센서 장치를 의미함)에 포함되는 복수의 가스 센서들 각각마다 할당된 캘리브레이션 모델(데이터 캘리브레이션용 패턴인식 모델)을 상기 복수의 가스 센서들 각각의 측정 데이터에 적용하여 상기 복수의 가스 센서들 각각의 캘리브레이션 모델 판별 결과를 생성하는 단계; 상기 복수의 가스 센서들 각각의 상기 캘리브레이션 모델 판별 결과를 비교하는(캘리브레이션 모델 판별 결과 간의 유사도를 정량화하여 산출하는) 단계; 및 상기 캘리브레이션 모델 판별 결과의 비교 결과에 기반하여 상기 현실 세계의 냄새를 인식하는 후각인식 모델(가스 판별용 패턴인식 모델)의 보정(calibration) 여부를 결정하는 단계를 포함한다.
본 발명의 일 실시예에 따른 후각 정보 생성 장치는 상기 현실 세계의 냄새를 인식하고, 상기 현실 세계의 냄새를 감지한 결과의 원본 데이터를 획득하는 복수의 가스 센서들; 및 상기 복수의 가스 센서들 각각마다 할당된 캘리브레이션 모델을 상기 복수의 가스 센서들 각각의 측정 데이터에 적용하여 상기 복수의 가스 센서들 각각의 캘리브레이션 모델 판별 결과를 생성하고, 상기 복수의 가스 센서들 각각의 상기 캘리브레이션 모델 판별 결과를 비교하고, 상기 캘리브레이션 모델 판별 결과의 비교 결과에 기반하여 상기 현실 세계의 냄새를 인식하는 후각인식 모델의 보정 여부를 결정하는 프로세서를 포함한다.
본 발명의 일 실시예에 따른 후각 정보 생성 장치는 반도체 타입의 가스 센서로서 다수 개의 센서들을 모듈화하여 구현할 수 있다. 이때 다수의 센서들을 분할하여 도출된 측정 데이터를 이용하여 다수의 센서들 각각 또는 다수의 센서들의 그룹 각각에 대하여 데이터 보정용 패턴인식 모델을 생성할 수 있다.
본 발명의 일 실시예에 따른 후각 정보 생성 장치는 온라인(on-line) 또는 온사이트(on-site)에서 가스 센서의 실시간 데이터를 복수의 분할된 데이터 보정용 패턴인식 모델에 적용할 수 있다. 이때 동일한 시점을 기준으로 하여 가스 센서들의 실시간 측정 데이터를 데이터 보정용 패턴인식 모델에 적용하면 데이터 보정용 패턴인식 모델 별로 판별 결과를 얻을 수 있다.
본 발명의 일 실시예에 따른 후각 정보 생성 장치는 복수의 분할된 데이터 보정용 패턴인식 모델에 의하여 도출된 판별 결과를 활용하여 각 센서들 중 보정이 필요한 센서와 보정할 시점을 결정할 수 있다. 즉, 동일 시점에 도출된 복수의 분할된 데이터 보정용 패턴인식 모델의 판별 결과 간 일치도를 수치화하여 그 수치가 기준값을 넘을 경우 현재를 보정이 필요한 시점, 또는 보정이 가능한 시점으로 판단할 수 있다.
이때 본 발명의 일 실시예에 따른 후각 정보 생성 장치는 복수의 분할된 데이터 보정용 패턴인식 모델에 의하여 도출된 판별 결과를 이용하여 보정 데이터 그룹을 수집할 수 있다. 동일 시점에 도출된 복수의 분할된 데이터 보정용 패턴인식 모델의 판별 결과 간 일치도가 높으나 그 중 다른 판별 결과들과 완전히 일치하지는 않는 경우 해당 데이터를 수집하여 보정 데이터 그룹을 생성할 수 있다. 보정 데이터 그룹에 의하여 구분되는 센서들의 그룹 중 판별 결과 간 유사도가 기준치보다 낮은 센서들은 보정될 대상 센서로 간주된다.
본 발명의 일 실시예에 따른 후각 정보 생성 장치는 보정 데이터 그룹을 이용하여 1개의 가스 판별용 패턴인식 모델을 생성하여 기존의 캘리브레이션이 필요하다고 판단된 가스 판별용 패턴인식 모델을 대체할 수 있다. 온라인 또는 온사이트로 생성된 보정 데이터 그룹을 이용하여 새로운 가스 판별용 패턴인식 모델을 생성하고 기존의 가스 판별용 패턴인식 모델을 캘리브레이션하여 대체할 수 있다.
본 발명에 따르면, MPEG-V 의 범위 내에서 현실 세계에 존재하는 냄새를 인식하여, 상기 현실 세계의 냄새를 가상 세계에 전달함으로써 가상 세계와 현실 세계와의 상호 호환성을 제공할 수 있다.
본 발명은 실제 후각으로 감지하는 냄새의 종류, 감지하는데 필요한 시간 및 신체의 후각기관의 피로도 등을 디지털화 하여 실제 인체 후각기관의 작용에 대응하도록 디지털화하여 표현하는 구성이다. 이를 통해 가상현실(Virtual Reality), Scent Display 등의 사람의 오감을 디지털화하는 연구의 상용화에 기여할 수 있다.
본 발명에 따르면 현실 세계의 냄새를 가상 세계에 전달하는 과정에서 상세한(detailed) 정보를 생성하고 전달할 수 있다. 본 발명에 따르면 가스 센서의 측정값을 입력으로 받아들여 진정한(true) 판별 결과를 추정해 내는 가스 판별용 패턴인식 모델을 생성할 수 있고, 가스 판별용 패턴인식 모델을 보정하여 정확한 가스 판별 결과를 탐색할 수 있다.
본 발명에 따르면 가스 센서를 오프라인에서 일일이 수거할 필요 없이 가스 센서에 부가된 프로세서가 패턴인식 모델을 이용하여 보정할 필요가 있는 가스 센서를 식별하고, 가스 센서를 보정할 시기를 결정하며, 복수개의 가스 센서들 간의 연관성을 이용하여 가스 센서를 보정할 수 있다. 즉, 본 발명에 따르면 가스 센서가 스스로 학습에 의하여 보정의 필요성, 및 보정의 시기를 결정하고 측정값을 보정할 수 있는 후각 정보 생성 장치를 제공할 수 있다.
도 1은 본 발명의 일 실시예에 따른 후각 정보 생성 장치를 나타내는 도면이다.
도 2와 도 3은 도 1의 센서(110)의 상세한 구성의 실시예들을 나타내는 도면이다.
도 4와 도 5는 본 발명의 일 실시예에 따른 후각 정보 생성 방법의 동작 흐름도이다.
도 6은 본 발명의 일 실시예에 따른 복수의 가스 센서들이 대응하는 가스의 농도 영역을 도시하는 도면이다.
도 7은 본 발명의 일 실시예에 따른 복수의 가스 센서들이 판별 결과 간의 유사도에 따라 제1 그룹과 제2 그룹을 형성하여 제2 그룹의 판별 결과를 보정하는 과정을 도시하는 도면이다.
도 8은 본 발명의 일 실시예에 따른 Enose Sensor Type의 Semantics의 Semantics of the EnoseSensorType을 제안하는 도면이다.
상기 목적 외에 본 발명의 다른 목적 및 특징들은 첨부 도면을 참조한 실시 예에 대한 설명을 통하여 명백히 드러나게 될 것이다.
본 발명의 바람직한 실시예를 첨부된 도면들을 참조하여 상세히 설명한다. 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다. 또한 설명의 편의를 위하여 도면에 도시된 실시예들은 일부가 과장된 채로 도시되었을 수 있다.
그러나, 본 발명이 실시예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
본 발명의 구성의 일부로서 포함되는 일반적인 가상 세계 처리 시스템은 엔진, 가상세계, 및 현실세계에 대응할 수 있다. 현실 세계에서는 현실 세계에 대한 정보를 감지하는 전자 코 장비 또는 가상세계에 대한 정보를 현실 세계에서 구현하는 발향장치를 포함한다. 또한, 가상 세계는 프로그램에 의해서 구현되는 가상 세계 그 자체 또는 현실 세계에서 구현될 수 있는 발향 정보를 포함하는 컨텐츠를 재생하는 발향 미디어 재생 장치를 포함할 수 있다.
예를 들어 전자 코 장비는 현실 세계의 냄새, 상기 전자 코 장비의 능력 및 제원 등에 관한 정보를 감지하여 엔진으로 전송할 수 있다. 또는 전자 코 장비는 상기 전자 코 장비의 능력과 제원을 엔진에게 전달하는 부분인 이노우즈 캐퍼빌리티 타입(Enose Capability Type), 상기 이노우즈 캐퍼빌리티 타입의 정의를 위해 필요한 센서의 종류를 기술하는 부분인 향기센서 기술 씨에스(Odor Sensor Technology CS), 상기 전자 코 장비에 의해 인식된 정보를 엔진에게 전달하는 부분인 이노우즈 센스드 인포 타입(Enose Sensed Info Type)을 포함할 수 있다.
엔진은 Sensed Information을 가상 세계로 전송할 수 있다. 이 때, 상기 Sensed Information 가상 세계가 적용되어 상기 현실의 세계의 냄새에 해당하는 상기 이노우즈 센스드 인포 타입에 대응하는 효과가 가상 세계에서 구현 될 수 있다.
가상 세계에서 발생한 효과 이벤트가 현실 세계의 발향장치에 의해서 구동될 수 있다. 가상 세계에서 발생한 효과 이벤트에 대한 정보인 가상 정보(Sensory Effect)를 엔진에 전송할 수 있다. 또한, 가상 세계 특성(VW Object Characteristics)은 가상 세계와 엔진에서 상호 전송 할 수 있다.
MPEG-V 의 범위 내에서 현실 세계에 존재하는 발향장치와 사용자의 선호도 제공에 대하여 살핀다. 발향장치는 현실 세계에 존재하며, 사용자에게 향을 발향함으로써, 가상세계의 콘텐츠와 동기화하고 실감을 느끼는 것이 가능하도록 하는 역할을 한다. 이를 위해 상기 발향장치의 능력과 제원을 엔진에게 전달하는 부분을 Scent Capability Type로 정의한다. 또한, 상기 발향장치에 의해 제공된 향의 특성과 사용자가 느끼는 향의 특성 차이를 보완하기 위하여 사용자의 선호도를 제공하는 부분을 Scent Preference Type으로 정의한다. 또한, 상기 발향장치가 향을 발향하게 하기 위한 명령 부분을 Scent Effect라고 정의한다.
본 발명의 구성의 일부로서 포함되는 일반화된 가상 세계 처리 방법은 가상 세계와 현실 세계 또는 상기 가상 세계와 다른 가상 세계 간에 상기 가상 세계, 상기 현실 세계 및 상기 다른 가상 세계에 관한 후각 정보를 상호 전송하여, 발향 장치를 통한 상기 후각 정보를 표현함으로써 이루어질 수 있다. 일반화된 가상 세계 처리 방법은 가상 세계의 후각 정보인 가상 정보를 획득하고, 냄새를 인식하는 장치인 현실 인식부를 통하여 상기 현실 세계의 후각 정보인 현실 정보를 획득하고, 가상 정보를 현실 세계 또는 다른 가상 세계에 제공하고, 현실 정보를 가상 세계 또는 다른 가상 세계에 제공하고, 가상 정보 및 현실 정보를 기반으로 발향 장치를 통하여 사용자에게 발향할 수 있다.
상기 현실 정보는 상기 현실 인식부인 전자 코 장비의 능력, 제원을 엔진에게 전달하는 부분인 이노우즈 캐퍼빌리티 타입 및 상기 이노우즈 캐퍼빌리티 타입의 정의를 위해 필요한 센서의 종류, 향기센서기술씨에스, 상기 전자 코에 의해
인식된 정보 및 상기 전자코에 의해 인식된 정보를 전달하는 부분인 이노우즈 센스드 인포 타입을 포함한다.
또한, 냄새를 발향하는 발향 장치의 능력과 제원을 엔진에게 전달하는 부분인 Scent Capability Type 을 정의하는 단계, 발향장치에 의해 제공된 향의 특성과 사용자가 느끼는 향의 특성 차이를 보완하기 위하여 사용자의 선호도를 제공하는 부분인 Scent Preference Type 을 정의하는 단계 및 발향장치가 향을 발향하게 하기 위한 명령 부분인 Scent Effect 정의하는 단계가 포함된다.
도 1은 본 발명의 일 실시예에 따른 후각 정보 생성 장치를 나타내는 도면이다.
도 1의 후각 정보 생성 장치(100)는 전자코(Electronical Nose)의 형태로 구현될 수도 있으나 가스 센서와 연동되어 설치될 수도 있다. 후각 정보 생성 장치(100)는 센서(110), 프로세서(120), 데이터베이스(131, 132), 통신모듈(140)을 포함한다. 이때 데이터베이스(131, 132)는 후각 정보 생성 장치(100) 내부에 모든 데이터를 저장할 수도 있으나, 최신의 데이터 및 모델 정보만이 장치(100) 내부에 저장되고, 과거의 정보는 외부의 서버 등에 백업되어 필요할 때 호출될 수도 있다.
도 1에 명백히 도시되지는 않았지만 외부에서 전원의 ON/OFF 명령을 입력할 수 있는 버튼 또는 스위치 등의 사용자 인터페이스가 추가로 포함될 수 있으며, 이 외에도 간단한 동작 명령을 입력받을 수 있는 키패드, 터치 스크린, 마이크 등의 사용자 인터페이스가 추가될 수 있다.
센서(110)는 현실 세계의 냄새를 인식한다. 현실 세계의 냄새를 구성하는 가스 입자들의 흐름이 센서(110)에 의하여 감지된다. 이때 센서(110)는 특정 종류의 가스에 감지하는 가스 센서의 복수개의 조합으로 구현될 수 있다. 복수개의 가스 센서는 서로 다른 종류의 가스를 감지할 수 있고, 동일한 종류에 대해서도 서로 다른 농도 범위에 대응하는 복수개의 가스 센서가 포함될 수 있다.
센서(110)는 현실 세계의 냄새를 감지한 결과를 원본 데이터로서 획득한다. 원본 데이터는 실제 검출된 가스에 대한 정량적 정보 및 정성적 정보를 포함한다. 정량적 정보는 가스의 농도 또는 시간의 경과에 따른 가스의 농도이고, 정성적 정보는 가스의 종류, 가스가 감지된 상황에 대한 정보를 포함할 수 있다.
프로세서(120)는 현실 세계의 냄새에 대한 원본 데이터를 현실 세계의 냄새의 정량적 수치에 대한 평가를 포함하는 표현형 데이터로 변환할 수 있다. 이때 정량적 평가는 현실 세계의 냄새에 대하여 인간이 느끼는 관능 평가의 정보에 기초하여 수행될 수 있다. 각 가스에 대한 관능 평가의 정보는 데이터베이스(131)에 저장될 수 있다.
프로세서(120)는 원본 데이터와 표현형 데이터를 함께 포함하는 현실 세계의 후각 정보를 생성한다. 표현형 데이터에는 특정 가스에 대하여 인간이 느낄 수 있는 임계치에 대한 정보가 포함된다. 바꾸어 말하면 표현형 데이터에는 인간이 느낄 수 없는(imperceptible) 가스 농도 구간에 대한 정보가 포함될 수 있다.
센서(110)는 시간의 경과에 다른 가스 농도를 추적하여 타임스탬프와 함께 데이터베이스(131)에 저장할 수 있다. 센서(110)에서 생성된, 시간의 경과에 따른 원본 데이터는 데이터베이스(131)를 경유하여 프로세서(120)로 전달될 수 있다. 프로세서(120)는 시간의 경과에 따른 원본 데이터를 가스 농도 구간에 따라 정량적 평가 정보로 변환할 수 있다. 프로세서(120)는 시간의 경과에 따른 정량적 평가 정보를 표현형 데이터로 생성할 수 있다.
통신모듈(140)은 프로세서(120)에서 생성된 표현형 데이터와 센서(110)에서 생성된 원본 데이터를 함께 외부의 서버 또는 중계장치로 전달할 수 있다. 프로세서(120)는 원본 데이터와 표현형 데이터를 함께 포함하는 xml 형태의 후각 정보를 생성할 수 있다. 통신모듈(140)은 xml 형태의 후각 정보를 전달함으로써 원본 데이터와 표현형 데이터의 전달에 갈음할 수 있다.
통신모듈(140)은 실시간으로 생성되는 후각 정보를 외부로 전달할 수도 있지만, 후각 정보는 생성되는 대로 데이터베이스(131)에 저장되었다가 일정한 시간 간격으로 통신모듈(140)에 의하여 외부로 전달될 수도 있다.
센서(110)가 감지한 원본 데이터는 후각센서 데이터 DB에 저장된다. 후각센서 데이터 DB에서 프로세서(120) 내부의 후각인식 모델 수행부로 후각센서 원본 데이터가 전달되어 후각인식 모델을 통하여 판별값을 만들어 내는 데에 이용될 수 있다.
후각 인식 데이터 DB는 프로세서(120) 내부의 후각인식 모델 생성부 및 캘리브레이션 모델 생성부에 데이터를 제공한다. 즉, 캘리브레이션 모델 및 후각인식 모델의 생성 과정에 관여할 수 있다.
후각인식 모델 생성부에 의하여 생성된 후각인식 모델은 후각인식 모델구조 DB에 저장된다. 캘리브레이션 모델 생성부에 의하여 생성된 캘리브레이션 모델은 캘리브레이션 모델구조 DB에 저장될 수 있다.
프로세서(120) 내의 캘리브레이션 필요성 평가부는 캘리브레이션 모델구조 DB에 저장된 캘리브레이션 모델로부터 센서 모듈 각각의 캘리브레이션 모델 판별 값을 수신하고, 캘리브레이션 모델 판별 값 간의 연관도를 산출하여 캘리브레이션의 필요성 및 캘리브레이션이 가능한 지 여부를 결정할 수 있다.
캘리브레이션 데이터 생성부는 캘리브레이션 모델 판별 값의 연관도에 기반하여 캘리브레이션 모델 판별 값들을 연관도가 높은 제1 그룹과 연관도가 낮은 제2 그룹으로 구분할 수 있다. 캘리브레이션 모델 판별 값들은 결국 각 센서 모듈에 대응하므로 제1 그룹과 제2 그룹은 센서 모듈들을 구분한 것으로도 간주할 수 있다.
연관도가 높은 제1 그룹에 속하는 센서 모듈들은 캘리브레이션 과정에서 기준 정보를 제공하며, 연관도가 낮은 제2 그룹에 속하는 센서 모듈들은 캘리브레이션의 대상이 된다.
캘리브레이션 데이터 생성부는 제1 그룹과 제2 그룹의 캘리브레이션 모델 판별 값들을 조합하여 캘리브레이션 대상인 후각인식 모델의 보정 데이터 그룹을 생성할 수 있다. 보정 데이터 그룹은 캘리브레이션 데이터 DB에 저장될 수 있다.
후각인식 모델 보완부는 보정 데이터 그룹을 이용하여 후각인식 모델을 캘리브레이션할 수 있다. 후각인식 모델 보완부는 캘리브레이션 및 업데이트된 새로운 후각인식 모델구조를 후각인식 모델구조 DB에 저장할 수 있다.
후각인식 모델 수행부는 후각센서 데이터 DB로부터 후각센서 데이터의 원본 데이터를 수신하여 캘리브레이션된 후각인식 모델구조를 적용하고, 그 적용의 결과로 얻어진 판별 값들을 후각센서의 최종 데이터로 생성할 수 있다. 생성된 최종 후각 감지 정보는 통신모듈(140)을 경유하여 외부로 전달될 수 있다.
도 2와 도 3은 도 1의 센서(110)의 상세한 구성의 실시예들을 나타내는 도면이다. 도 2에서는 센서(110) 내에 4개의 센서 모듈(110a, 110b, 110c, 110d)이 포함되는 실시예가 도시되고, 도 3에서는 센서(110) 내에 4개의 센서 모듈(110a, 110b, 110c, 110d)과 함께 내부 메모리 디바이스(111)가 포함되는 실시예가 도시된다. 내부 메모리 디바이스(111)는 센서(110) 외부의 데이터베이스(131, 132)와는 구별되는 별개의 모듈이다.
다시 도 1 내지 도 3을 참조하면, 센서(110) 내의 센서 모듈들(110a, 110b, 110c, 110d)은 현실 세계의 냄새를 인식하고 현실 세계의 냄새를 감지한 결과의 원본 데이터를 획득한다.
프로세서(120)는 센서(110) 내의 센서 모듈들(110a, 110b, 110c, 110d)마다 할당된 캘리브레이션 모델(데이터 보정(calibration)용 패턴인식 모델)을 각 센서 모듈들(110a, 110b, 110c, 110d)의 측정 데이터에 적용하여 각 센서 모듈들(110a, 110b, 110c, 110d)의 캘리브레이션 모델 판별 결과를 생성한다. 프로세서(120)는 각 센서 모듈들(110a, 110b, 110c, 110d)의 캘리브레이션 모델 판별 결과를 비교하고, 캘리브레이션 모델 판별 결과의 비교 결과에 기반하여 현실 세계의 냄새를 인식하는 후각인식 모델(가스 판별용 패턴인식 모델)의 보정 여부를 결정한다.
패턴인식 모델은 지식 베이스(knowledge base)의 데이터 마이닝(data mining), 신경망 알고리즘(neural network), 시계열 분석 기법인 다중 선형 회귀 분석(multiple linear regression) 등의 기법을 이용하여 구현될 수 있다. 또한 필요에 따라 다변수 패턴인식 모델의 입력 변수를 정규화(normalization) 및 이진화(binarization)함으로써 성능을 개선하는 모델이 한국등록특허 KR 10-1638368호 등에 공지되어 있다.
프로세서(120)는 각 센서 모듈들(110a, 110b, 110c, 110d)의 캘리브레이션 모델 판별 결과 간의 유사한 정도를 나타내는 연관도(판별 결과 간 일치하는 정도를 수치/계량화)를 산출할 수 있다. 프로세서(120)는 후각인식 모델의 보정 여부를 결정하기 위하여 연관도가 기준치 이상인 지 여부를 판정할 수 있다. 이때 각 센서 모듈들(110a, 110b, 110c, 110d)의 캘리브레이션 모델 판별 결과 간의 연관도가 기준치 이상으로 도출되었을 때 비로소 프로세서(120)는 후각인식 모델의 보정이 가능한 상황으로 판정할 수 있다.
프로세서(120)는 각 센서 모듈들(110a, 110b, 110c, 110d) 중 연관도가 기준치보다 높거나 같은 적어도 둘 이상의 가스 센서 모듈을 포함하는 제1 그룹과 연관도가 기준치보다 낮은 적어도 하나 이상의 가스 센서를 포함하는 제2 그룹을 선별할 수 있다. 동일 시점에 도출된 분할된 캘리브레이션 모델의 판별 결과들 사이의 일치도가 기준치 이상으로 높으나 완전히 일치하지는 않는 경우, 이 데이터를 수집하여 보정 데이터 그룹이 형성될 수 있다.
프로세서(120)는 제1 그룹과 제2 그룹 각각에 포함되는 가스 센서의 측정 데이터 및 캘리브레이션 모델 판별 결과를 이용하여 후각인식 모델을 보정하기 위한 보정 데이터 그룹을 생성할 수 있다. 이때 제1 그룹은 판별 결과 간 연관도가 기준치 이상으로 높은 그룹이고 보정의 기준이 되는 센서들의 그룹이며, 제2 그룹은 판별 결과 간 연관도가 기준치 미만으로 낮아 보정의 대상이 되는 센서들의 그룹일 수 있다.
프로세서(120)는 제1 그룹의 캘리브레이션 모델 판별 결과와 제2 그룹의 캘리브레이션 모델 판별 결과 간의 차이를 이용하여 제2 그룹의 캘리브레이션 모델 판별 결과를 보정하는 패턴을 포함하는 보정 데이터 그룹을 생성할 수 있다.
후각인식 모델을 보정하도록 결정된 경우, 프로세서(120)는 보정 데이터 그룹을 이용하여 1개의 새로운 후각인식 모델을 생성하여 기존의 후각인식 모델을 대체할 수 있다. 즉, 프로세서(120)는 각 센서 모듈들(110a, 110b, 110c, 110d)의 측정 데이터 및 캘리브레이션 모델 판별 결과를 이용하여 후각인식 모델의 보정 데이터 그룹을 생성할 수 있다. 프로세서(120)는 보정 데이터 그룹을 이용하여 후각인식 모델을 캘리브레이션함으로써 후각인식 모델을 업데이트할 수 있다.
이때 비교 대상인 캘리브레이션 모델 판별 결과는 동일한 제1 기준 시간 구간 동안 각 센서 모듈들(110a, 110b, 110c, 110d)의 측정 데이터에 각 센서 모듈들(110a, 110b, 110c, 110d)에 할당된 캘리브레이션 모델을 적용하여 도출된 것으로, 일정한 캘리브레이션 시간 구간 동안의 복수의 일련의 값들을 포함할 수 있다. 비교 대상이 동일한 시점(캘리브레이션 시간 구간)에 측정된 데이터일 때 판별 결과 간 연관도가 정확하게 산출될 수 있다.
각 센서 모듈들(110a, 110b, 110c, 110d)은 서로 다른 감지 특성을 가지도록 설계될 수 있다. 예를 들어 각 센서 모듈들(110a, 110b, 110c, 110d)은 동일한 가스의 서로 다른 농도 범위에 대응할 수도 있고, 서로 다른 가스 물질을 검출 가능하도록 설계될 수도 있다. 또한 유효하게 측정 가능한 시간 구간이 각 센서 모듈들(110a, 110b, 110c, 110d)마다 서로 다르게 설정되어 있을 수 있다.
프로세서(120)는 현실 세계의 냄새를 인식하는 센서(110)를 기술하는 센서 특성 기술 데이터를 생성할 수 있다. 센서 특성 기술 데이터는 센서(110)의 기본적인 스펙, 기능에 대한 정보를 포함할 수 있다. 프로세서(120)는 센서(110)에 대하여 에이징(aging)에 기인한 열화(degradation)에 대응하는 온라인 또는 온사이트의 자체 보정(self-calibration)이 가능한 지에 대한 정보를 포함하는 캘리브레이션 특성 기술 데이터를 생성할 수 있다. 센서(110)의 특성을 기술하는 표현형 데이터는 센서 특성 기술 데이터 및 캘리브레이션 특성 기술 데이터를 포함할 수 있다.
프로세서(120)는 캘리브레이션 특성 기술 데이터에 캘리브레이션의 타입, 캘리브레이션의 방법을 식별할 수 있는 코드화된 정보를 포함시킬 수 있다. 예를 들어 본 발명의 일 실시예에서와 같이 센서(110)에 대하여 캘리브레이션 모델을 이용한 캘리브레이션 모델 판별 결과의 비교 결과에 기반하여 현실 세계의 냄새를 인식하는 후각인식 모델을 보정하는 기능이 구비됨을 나타내는 식별 코드를 캘리브레이션 특성 기술 데이터에 포함시킬 수 있다.
센서 특성 기술 데이터와 캘리브레이션 특성 기술 데이터 각각은 XML 등의 포맷을 가진, 이종의 플랫폼에서 호환 가능한 표준화된 방식으로 기술된다.
도 4와 도 5는 본 발명의 일 실시예에 따른 후각 정보 생성 방법의 동작 흐름도이다. 도 4와 도 5에 도시된 후각 정보 생성 방법은 도 1의 프로세서(120)에 의하여 실행될 수 있다. 특히 컴퓨터 프로그램 인스트럭션의 형태로 기술되어 도 1의 프로세서(120)에 로드되어 프로세서(120)에서 프로그램 인스트럭션이 실행됨으로써 본 방법이 실행될 수 있다.
도 4를 참조하면, 현실 세계와 적어도 하나 이상의 가상 세계 간에 공유될 수 있는 후각 정보를 생성하는 후각 정보 생성 방법에 있어서, 분할된 복수의 센서들 각각마다 별도의 데이터 보정용 캘리브레이션 모델이 생성된다(S410).
가스 센서 각각의 실시간 데이터에 캘리브레이션 모델이 적용되어 가스 센서 각각마다 캘리브레이션 시간 구간에 대한 캘리브레이션 모델 판별 결과가 생성된다(S420).
캘리브레이션 시간 구간에 대한 캘리브레이션 모델 판별 결과 간 연관도를 정량화하여 비교 결과가 생성된다(S430).
비교 결과에 기반하여 가스 판별을 위한 후각인식 모델의 보정(캘리브레이션) 여부가 결정된다(S440).
도 5를 참조하면, 캘리브레이션 모델 판별 결과 연관도가 기준치 이상인 경우에 후각인식 모델을 보정(캘리브레이션)하기로 결정될 수 있다(S450).
캘리브레이션 시간 구간에 도출된 복수의 센서들 각각마다 캘리브레이션 모델 판별 결과들 사이의 연관도가 기준치 이상인 제1 그룹과, 기준치 미만인 제2 그룹이 구분된다(S460).
제1 그룹과 제2 그룹의 캘리브레이션 모델 판별 결과를 모아 보정 데이터 그룹이 생성된다(S470).
보정 데이터 그룹에 기반하여 후각인식 모델이 캘리브레이션되고 업데이트된다(S480).
도 6은 본 발명의 일 실시예에 따른 복수의 가스 센서들이 대응하는 가스의 농도 영역을 도시하는 도면이다.
제1 농도 구간(610)은 센서 모듈 1(110a)에 의하여 검출 가능한 농도 구간이고, 제2 농도 구간(620)은 센서 모듈 2(110b)에 의하여 검출 가능한 농도 구간이다. 제3 농도 구간(630)은 센서 모듈 3(110c)에 의하여 검출 가능한 농도 구간이며, 제4 농도 구간(640)은 센서 모듈 4(110d)에 의하여 검출 가능한 농도 구간이다. 이때 제1 농도 구간(610)과 제2 농도 구간(620) 사이에 오버랩되는 구간은 센서 모듈 1(110a)과 센서 모듈 2(110b) 사이의 캘리브레이션 모델 간의 연관도에 영향을 미칠 수 있다. 즉, 일정 수준 이상으로 오버랩되는 구간이 존재할 때 양 센서 모듈 간의 연관도를 용이하게 산출할 수 있다.
도 6에서는 서로 다른 가스 센서 모듈들이 서로 다른 농도 구간에 대응하는 경우가 도시되었으나, 본 발명의 사상은 이에 국한되지 않는다. 가스 센서 모듈들은 서로 다른 가스 물질을 감지하도록 구현될 수도 있고, 이 경우에는 서로 중첩되는 영역은 거의 존재하지 않을 것이다. 연관도는 서로 다른 가스 센서 모듈들 간의 일관된 측정 경향이다. 즉, 동일한 시간 구간에 측정된 측정 데이터가 동일한 경향을 보이는 지를 패턴 분석함으로써 이질적인 경향을 나타내는 센서를 걸러 낼 수 있고, 이러한 센서는 보정이 필요한 센서로 인식될 수 있다.
다만 보정이 필요한 센서가 나타난다고 하여 항상 보정이 가능한 것은 아니다. 보정 대상 센서 외에 다른 센서들이 적어도 둘 이상 일정한 경향을 유지하여 서로 연관도가 기준치 이상인 경우에 보정에 필요한 데이터의 요건을 충족시켰다고 볼 수 있다.
도 7은 본 발명의 일 실시예에 따른 복수의 가스 센서들이 판별 결과 간의 유사도에 따라 제1 그룹과 제2 그룹을 형성하여 제2 그룹의 판별 결과를 보정하는 과정을 도시하는 도면이다.
센서(700) 내의 4개의 센서 모듈들(711, 712, 713, 720)은 캘리브레이션 모델 판별 결과의 비교 결과 연관도가 기준치 이상인 제1 그룹(710)과 제2 그룹으로 구분된다. 제2 그룹은 센서 모듈 4(720) 단독으로 구성되므로 별도로 도시하지 않는다.
제1 그룹(710) 내에는 3개의 센서 모듈들(711, 712, 713)이 포함된다. 이들 간의 연관도는 기준치 이상으로, 이들은 일정한 경향을 나타내는 기준 데이터를 생성할 수 있다.
제2 그룹 내의 유일한 센서 모듈 4(720)은 기준치 미만의 유사도를 가지므로 보정 대상으로 선택된다. 센서 모듈 4(720)를 보정하기 위한 보정 데이터 그룹은 제1 그룹(710) 내의 3개의 센서 모듈들(711, 712, 713)의 일정한 경향을 가지는 판별 결과를 이용하여 센서 모듈 4(720)의 판별 결과를 보정하도록 도출될 수 있다.
도 8은 본 발명의 일 실시예에 따른 Enose Sensor Type의 Semantics의 Semantics of the EnoseSensorType을 제안하는 도면이다. 도 8에서는 본 발명의 일 실시예에 따른 Enose Sensor Type의 새롭게 제안되는 하위 항목들의 Definition이 도시된다. EnoseSensorType는 전자코의 물리적인 센서 타입을 정의할 수도 있지만, 감지된 정보를 포함하는 전자코에 관한 모든 정보를 포함할 수 있다. 도 8에서는 chemicalGasDensity, chemicalGasDensityUnit 등의 항목과 함께 chemicalGasDensityCalibration, chemicalGasDensityCalibrationType 등의 항목들이 소개된다. 즉, 측정된 가스 농도에 대한 캘리브레이션 기능을 보유하고 있는지, 측정된 가스 농도에 대한 캘리브레이션 기능을 보유하고 있다면 어떤 타입의 캘리브레이션 기능인지에 대한 코드화된 정보가 표현될 수 있다.
본 발명의 실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 프로그램 인스트럭션, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
100 : 후각 정보 생성 장치
110 : 센서 120: 프로세서
130 : 메모리 140 : 통신모듈

Claims (14)

  1. 현실 세계와 적어도 하나 이상의 가상 세계 간에 공유될 수 있는 후각 정보를 생성하는 후각 정보 생성 방법에 있어서,
    상기 현실 세계의 냄새를 인식하는 센서 장치에 포함되는 복수의 가스 센서들 각각마다 할당된 캘리브레이션 모델을 상기 복수의 가스 센서들 각각의 측정 데이터에 적용하여 상기 복수의 가스 센서들 각각의 캘리브레이션 모델 판별 결과를 생성하는 단계;
    상기 복수의 가스 센서들 각각의 상기 캘리브레이션 모델 판별 결과를 비교하는 단계; 및
    상기 캘리브레이션 모델 판별 결과의 비교 결과에 기반하여 상기 현실 세계의 냄새를 인식하는 후각인식 모델의 보정 여부를 결정하는 단계;를 포함하는 후각 정보 생성 방법.
  2. 제1항에 있어서,
    상기 복수의 가스 센서들 각각의 캘리브레이션 모델 판별 결과를 비교하는 단계는
    상기 복수의 가스 센서들 각각의 캘리브레이션 모델 판별 결과 간의 유사한 정도를 나타내는 연관도를 산출하고,
    상기 후각인식 모델의 보정 여부를 결정하는 단계는
    상기 연관도가 기준치 이상인 경우 상기 후각인식 모델을 보정하도록 결정하는 후각 정보 생성 방법.
  3. 제2항에 있어서,
    상기 복수의 가스 센서들 중 상기 연관도가 상기 기준치 이상인 적어도 둘 이상의 가스 센서를 포함하는 제1 그룹과, 상기 연관도가 상기 기준치보다 낮은 적어도 하나 이상의 가스 센서를 포함하는 제2 그룹을 결정하는 단계; 를 더 포함하고,
    상기 후각인식 모델의 보정 여부를 결정하는 단계는
    상기 제1 그룹과 상기 제2 그룹 각각에 포함된 가스 센서의 측정 데이터 및 캘리브레이션 모델 판별 결과를 이용하여 상기 후각인식 모델의 보정 데이터 그룹을 생성하는 단계;
    를 포함하는 후각 정보 생성 방법.
  4. 제3항에 있어서, 상기 후각인식 모델의 보정 데이터 그룹을 생성하는 단계는
    상기 제1 그룹의 캘리브레이션 모델 판별 결과와 상기 제2 그룹의 캘리브레이션 모델 판별 결과 간의 차이를 이용하여 상기 제2 그룹의 캘리브레이션 모델 판별 결과를 보정하는 패턴을 포함하는 상기 보정 데이터 그룹을 생성하는 후각 정보 생성 방법.
  5. 제1항에 있어서,
    상기 후각인식 모델을 보정하도록 결정된 경우, 상기 복수의 가스 센서들 각각의 상기 측정 데이터 및 상기 캘리브레이션 모델 판별 결과를 이용하여 상기 후각인식 모델의 보정 데이터 그룹을 생성하는 단계; 및
    상기 보정 데이터 그룹을 이용하여 상기 후각인식 모델을 캘리브레이션함으로써 상기 후각인식 모델을 업데이트하는 단계;
    를 더 포함하는 후각 정보 생성 방법.
  6. 제1항에 있어서,
    상기 복수의 가스 센서들 각각의 캘리브레이션 모델 판별 결과를 생성하는 단계는
    제1 기준 시간 구간 동안의 상기 복수의 가스 센서들 각각의 일련의 측정 데이터에 상기 복수의 가스 센서들 각각에 할당된 상기 캘리브레이션 모델을 적용하여 복수의 일련의 값들을 포함하는 상기 복수의 가스 센서들 각각의 상기 캘리브레이션 모델 판별 결과를 생성하는 후각 정보 생성 방법.
  7. 제1항에 있어서,
    상기 복수의 가스 센서들 각각은 서로 다른 감지 특성 - 상기 감지 특성은 농도 범위, 검출 가능한 가스 물질의 종류, 유효하게 측정 가능한 시간 구간 중 적어도 하나 이상을 포함함 - 을 가지는 후각 정보 생성 방법.
  8. 제1항에 있어서,
    상기 현실 세계의 냄새를 인식하는 센서 장치를 기술하는 센서 특성 기술 데이터를 생성하는 단계;
    상기 센서 장치에 대하여 상기 측정 데이터에 기반하여 상기 현실 세계의 냄새에 대한 판별 결과에 대한 보정이 가능함을 나타내는 캘리브레이션 특성 기술 데이터를 생성하는 단계; 및
    상기 센서 특성 기술 데이터 및 상기 캘리브레이션 특성 기술 데이터를 포함하는 상기 센서 장치의 특성을 기술하는 표현형 데이터를 생성하는 단계;
    를 더 포함하는 후각 정보 생성 방법.
  9. 제8항에 있어서,
    상기 캘리브레이션 특성 기술 데이터는 상기 센서 장치에 대하여 상기 캘리브레이션 모델 판별 결과의 비교 결과에 기반하여 상기 현실 세계의 냄새를 인식하는 후각인식 모델의 보정이 가능함을 나타내는 필드를 포함하는 후각 정보 생성 방법.
  10. 현실 세계와 적어도 하나 이상의 가상 세계 간에 공유될 수 있는 후각 정보를 생성하는 후각 정보 생성 장치에 있어서,
    상기 현실 세계의 냄새를 인식하고, 상기 현실 세계의 냄새를 감지한 결과의 원본 데이터를 획득하는 복수의 가스 센서들; 및
    상기 복수의 가스 센서들 각각마다 할당된 캘리브레이션 모델을 상기 복수의 가스 센서들 각각의 측정 데이터에 적용하여 상기 복수의 가스 센서들 각각의 캘리브레이션 모델 판별 결과를 생성하고, 상기 복수의 가스 센서들 각각의 상기 캘리브레이션 모델 판별 결과를 비교하고, 상기 캘리브레이션 모델 판별 결과의 비교 결과에 기반하여 상기 현실 세계의 냄새를 인식하는 후각인식 모델의 보정 여부를 결정하는 프로세서;
    를 포함하는 후각 정보 생성 장치.
  11. 제10항에 있어서,
    상기 프로세서는 상기 복수의 가스 센서들 각각의 캘리브레이션 모델 판별 결과 간의 유사한 정도를 나타내는 연관도를 산출하고, 상기 연관도가 기준치 이상인 경우 상기 후각인식 모델을 보정하도록 결정하는 후각 정보 생성 장치.
  12. 제10항에 있어서,
    상기 프로세서는, 상기 후각인식 모델을 보정하도록 결정된 경우, 상기 복수의 가스 센서들 각각의 상기 측정 데이터 및 상기 캘리브레이션 모델 판별 결과를 이용하여 상기 후각인식 모델의 보정 데이터 그룹을 생성하고, 상기 보정 데이터 그룹을 이용하여 상기 후각인식 모델을 캘리브레이션함으로써 상기 후각인식 모델을 업데이트하는 후각 정보 생성 장치.
  13. 제10항에 있어서,
    상기 프로세서는 제1 기준 시간 구간 동안의 상기 복수의 가스 센서들 각각의 일련의 측정 데이터에 상기 복수의 가스 센서들 각각에 할당된 상기 캘리브레이션 모델을 적용하여 복수의 일련의 값들을 포함하는 상기 복수의 가스 센서들 각각의 상기 캘리브레이션 모델 판별 결과를 생성하는 후각 정보 생성 장치.
  14. 제1항 내지 제9항 중 어느 한 항의 방법을 실행하기 위한 프로그램이 기록되어 있는 것을 특징으로 하는 컴퓨터에서 판독 가능한 기록매체.
KR1020160143696A 2016-10-31 2016-10-31 패턴 인식 모델에 기반한 캘리브레이션이 가능한 후각 정보 생성 장치 및 생성 방법 KR20180047534A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020160143696A KR20180047534A (ko) 2016-10-31 2016-10-31 패턴 인식 모델에 기반한 캘리브레이션이 가능한 후각 정보 생성 장치 및 생성 방법
US15/426,328 US20180120277A1 (en) 2016-10-31 2017-02-07 Apparatus and method for generation of olfactory information capable of calibration based on pattern recognition model

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160143696A KR20180047534A (ko) 2016-10-31 2016-10-31 패턴 인식 모델에 기반한 캘리브레이션이 가능한 후각 정보 생성 장치 및 생성 방법

Publications (1)

Publication Number Publication Date
KR20180047534A true KR20180047534A (ko) 2018-05-10

Family

ID=62022248

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160143696A KR20180047534A (ko) 2016-10-31 2016-10-31 패턴 인식 모델에 기반한 캘리브레이션이 가능한 후각 정보 생성 장치 및 생성 방법

Country Status (2)

Country Link
US (1) US20180120277A1 (ko)
KR (1) KR20180047534A (ko)

Families Citing this family (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170343521A1 (en) * 2016-05-26 2017-11-30 Electronics And Telecommunications Research Institute Apparatus and method for generating olfactory information
JP7205548B2 (ja) * 2018-10-30 2023-01-17 日本電気株式会社 臭気センサ検査装置、臭気センサ検査方法、及びプログラム
JP7205549B2 (ja) * 2018-10-30 2023-01-17 日本電気株式会社 臭気センサデータ補正装置、臭気センサデータ補正方法、及びプログラム
KR20200076178A (ko) 2018-12-19 2020-06-29 한국전자통신연구원 가상증강현실 제공 방법, 이를 이용하는 가상증강현실 제공 장치 및 향기 프로젝터
US11836594B2 (en) 2019-05-15 2023-12-05 International Business Machines Corporation Creation of detailed perceptual description ratings from general perception ratings
CN111426801B (zh) * 2020-05-09 2022-08-02 上海宁和环境科技发展有限公司 电子鼻学习驯化方法及其设备
US11760169B2 (en) 2020-08-20 2023-09-19 Denso International America, Inc. Particulate control systems and methods for olfaction sensors
US11813926B2 (en) 2020-08-20 2023-11-14 Denso International America, Inc. Binding agent and olfaction sensor
US11760170B2 (en) 2020-08-20 2023-09-19 Denso International America, Inc. Olfaction sensor preservation systems and methods
US11828210B2 (en) 2020-08-20 2023-11-28 Denso International America, Inc. Diagnostic systems and methods of vehicles using olfaction
US11932080B2 (en) 2020-08-20 2024-03-19 Denso International America, Inc. Diagnostic and recirculation control systems and methods
US11636870B2 (en) 2020-08-20 2023-04-25 Denso International America, Inc. Smoking cessation systems and methods
US11881093B2 (en) 2020-08-20 2024-01-23 Denso International America, Inc. Systems and methods for identifying smoking in vehicles
KR102575032B1 (ko) * 2020-12-02 2023-09-07 한국전자통신연구원 가스 탐지 지능 학습 시스템 및 그의 동작 방법

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6325475B1 (en) * 1996-09-06 2001-12-04 Microfab Technologies Inc. Devices for presenting airborne materials to the nose
AU1367199A (en) * 1997-10-29 1999-05-17 Jentek Sensors, Inc. Absolute property measurement with air calibration
JP2002526769A (ja) * 1998-10-02 2002-08-20 カリフォルニア インスティチュート オブ テクノロジー 導電性有機センサー、アレイおよび使用方法
US6890715B1 (en) * 1999-08-18 2005-05-10 The California Institute Of Technology Sensors of conducting and insulating composites
US6702767B1 (en) * 2001-09-25 2004-03-09 Nelson R. Douglas Multisensory stimulation system and method
KR101844787B1 (ko) * 2011-12-19 2018-05-21 한국전자통신연구원 콘텐츠와 냄새인식장치 간의 상호협력 장치 및 방법
US9364609B2 (en) * 2012-08-30 2016-06-14 Medtronic Minimed, Inc. Insulin on board compensation for a closed-loop insulin infusion system
US9662445B2 (en) * 2012-08-30 2017-05-30 Medtronic Minimed, Inc. Regulating entry into a closed-loop operating mode of an insulin infusion system
EP3016352B1 (en) * 2014-11-03 2019-02-06 Fujitsu Limited Method of managing sensor network
US20180153451A1 (en) * 2015-06-05 2018-06-07 Eccrine Systems, Inc. Sweat indication of physiological states
US10690641B2 (en) * 2015-06-17 2020-06-23 Trane International Inc. Sensor calibration systems and methods
US20170156594A1 (en) * 2015-12-07 2017-06-08 Bodymedia, Inc. Systems, methods, and devices to determine and predict physilogical states of individuals and to administer therapy, reports, notifications, and the like therefor

Also Published As

Publication number Publication date
US20180120277A1 (en) 2018-05-03

Similar Documents

Publication Publication Date Title
KR20180047534A (ko) 패턴 인식 모델에 기반한 캘리브레이션이 가능한 후각 정보 생성 장치 및 생성 방법
US10982869B2 (en) Intelligent sensing system for indoor air quality analytics
US9529777B2 (en) User behavior analyzer
US20170343521A1 (en) Apparatus and method for generating olfactory information
US20040221171A1 (en) Intrusion detector based on mouse dynamics analysis
Oliva et al. Next-generation of instrumental odour monitoring system (IOMS) for the gaseous emissions control in complex industrial plants
CN109655532A (zh) 一种对卷烟分类鉴别的方法
Liguori et al. Outlier detection for the evaluation of the measurement uncertainty of environmental acoustic noise
EP1933281A3 (en) Authentication system managing method
WO2018069950A1 (ja) ログ分析方法、システムおよびプログラム
CN111766337A (zh) 基于多组分气体检测仪传感器阵列的臭气浓度ou值算法
CN108804332B (zh) 一种基于机器学习的c程序内存泄漏智能化检测方法
Bax et al. Real-time monitoring of odour concentration at a landfill fenceline: performance verification in the field
JP5964016B2 (ja) 異常事象検知ルール自動抽出方法、異常事象検知ルール自動抽出装置
CN116909257A (zh) 工业控制系统的故障检测方法、系统、设备及存储介质
KR20230067651A (ko) 유체 샘플을 식별하기 위한 센서 및 그러한 센서에 품질 테스트를 적용하기 위한 방법
CN117407661A (zh) 一种用于设备状态检测的数据增强方法
KR20200023882A (ko) 스마트 공장의 공정 데이터의 가공방법
KR101260728B1 (ko) 전자 코 시스템에서 특징 되먹임을 이용하는 시간 구간 선택 방법
CN109979601B (zh) 一种具有自动学习功能的流感预测摄像机
CN116049664A (zh) 一种基于深度学习的电子烟种类识别方法、系统及可读介质
KR20170134178A (ko) 후각 정보 생성 장치 및 생성 방법
JP6637370B2 (ja) 質量分析装置および画像生成方法
JP6361035B2 (ja) ガス検出方法およびガス検出装置
Bax et al. Application and performance verification of electronic noses for landfill odour monitoring