KR20190028021A - 센서 기술을 활용한 애완동물 상태 분석 방법 및 시스템 - Google Patents

Abstract

센서 기술을 활용하여 애완동물의 행동을 분석하고 이를 토대로 애완동물의 기분이나 상태를 추론하는 방법 및 시스템이 개시된다. 애완동물 상태 분석 방법은, 애완동물에 착용된 웨어러블 센서를 포함한 복수의 센서들로부터 생성되는 센서 데이터를 받는 단계-상기 센서 데이터는 3축 가속도 데이터와 3축 각속도 데이터를 포함함-; 센서 데이터에서 애완동물의 행동을 분석하여 액션 배열을 생성하는 단계-상기 액션 배열은 복수의 시계열 센서 데이터에 대한 애완동물의 연속적인 행동들에 대한 정보를 포함함-; 및 액션 배열에 대응하는 애완동물의 기분이나 상태를 추론하는 단계를 포함한다.

Description

센서 기술을 활용한 애완동물 상태 분석 방법 및 시스템{METHOD AND SYSTEM FOR STATE ANALYSIS OF PETS USING SENSOR TECHNOLOGY}

본 발명의 실시예는 애완동물의 상태 분석 기술에 관한 것으로, 보다 상세하게는, 센서 기술을 활용하여 애완동물의 행동을 분석하고 이를 토대로 애완동물의 기분이나 상태를 추론하는 방법 및 시스템에 관한 것이다.

애완동물은 통상 인간이 주로 즐거움을 위해 사육하는 동물을 지칭한다. 최근 애완동물은 인간의 즐거움을 위한 장난감이 아니라 삶에서의 친구 혹은 반려자로서 대우하자는 의미에서 반려동물이란 표현으로 상당히 대중화되고 있다.

이러한 애완동물에 대한 케어(care)나 의사소통을 위한 다양한 연구 노력이 진행되고 있다. 일례로, 미국공개특허공보 제2010-0302004호의 "Device and method for remotely monitoring animal behavior"에서는 말(horse) 등의 동물에 센서를 부착하고, 센서 유닛을 통해 움직임 데이터를 생성하고, 원격지로 전송된 움직임 데이터를 분석하여 특정 모션 발생을 검출하고, 미리 준비된 네트워크 결정 알고리즘을 토대로 동물의 특정 행동 패턴을 식별하는 모니터링 장치와 방법을 개시한다.

상기 공보의 장치와 방법에 의하면, 관리자의 개입을 요구하는 고통 상황 등과 같은 특정 행동 패턴을 감지하여 관리자에게 전달되며, 그에 의해 동물을 효과적으로 케어가능함을 개시한다.

하지만, 전술한 종래 기술은 동물의 특정 행동 패턴을 식별하나, 특정 행동 패턴이 말이 쓰러지는 등의 특정 상황에 대한 것이므로, 행동 패턴의 식별에 있어 매우 제한적인 한계가 있다. 따라서, 전술한 종래 기술은 다양한 종류와 크기를 갖는 개, 고양이 등의 동물에 적용하기는 어렵다.

또한, 개, 고양이 등의 동물을 케어하고 이러한 동물과 의사소통하기 위한 방안으로 상기의 종래기술을 사용하기는 불가능하다. 이처럼, 개, 고양이 등의 동물을 케어하면서 이들 동물과 의사소통할 수 있는 방안이 요구되고 있으나 실제로 적용가능한 기술은 전무한 실정이다.

본 발명의 상술한 종래 기술의 문제점을 해결하기 위해 도출된 것으로, 본 발명의 목적은 센서 기술에 기초한 애완동물의 행동 분석을 통해 애완동물의 기분이나 상태를 추론하는 방법 및 시스템을 제공하는데 있다.

본 발명의 다른 목적은 애완동물의 기분이나 상태 추론에 기초하여 애완동물에게 필요한 니즈(needs)를 예측하고 애완동물과의 교감이나 애완동물 볼보기에 적극 활용할 수 있는 애완동물 상태 분석 방법 및 시스템을 제공하는데 있다.

상기 기술적 과제를 해결하기 위한 본 발명의 일 측면에 따른 애완동물 상태 분석 방법은, 애완동물에 착용된 웨어러블 센서를 포함한 복수의 센서들로부터 생성되는 센서 데이터를 받는 단계-상기 센서 데이터는 3축 가속도 데이터와 3축 각속도 데이터를 포함함-; 상기 센서 데이터에서 상기 애완동물의 행동을 분석하여 액션 배열을 생성하는 단계-상기 액션 배열은 복수의 시계열 센서 데이터에 대한 상기 애완동물의 연속적인 행동들에 대한 정보를 포함함-; 및 상기 액션 배열에 대응하는 상기 애완동물의 기분이나 상태를 추론하는 단계를 포함한다.

상기 기술적 과제를 해결하기 위한 본 발명의 다른 측면에 따른 애완동물 상태 분석 시스템은, 애완동물에 착용된 웨어러블 센서를 포함한 복수의 센서들로부터 생성되는 센서 데이터를 받는 수신부-상기 센서 데이터는 3축 가속도 데이터와 3축 각속도 데이터를 포함함-; 상기 센서 데이터에서 상기 애완동물의 행동을 분석하여 액션 배열을 생성하는 액션 배열 생성부-상기 액션 배열은 복수의 시계열 센서 데이터에 대한 상기 애완동물의 연속적인 행동들에 대한 정보를 포함함-; 및 상기 액션 배열에 대응하는 상기 애완동물의 기분이나 상태를 추론하는 상태추론부를 포함한다.

상술한 애완동물 상태 분석 방법 및 시스템을 사용하는 경우에는, 애완동물의 행동 추론에 기초하여 애완동물의 기분이나 상태를 신뢰성 있게 분석할 수 있다. 또한, 애완동물의 상태 분석에 기초하여 애완동물과의 교감을 높이고 애완동물 돌보기를 효과적으로 수행할 수 있다.

또한, 센서 기술을 활용한 애완동물의 행동 분석 결과나 애완동물의 기분이나 상태를 주인에게 알려줄 수 있고, 그에 의해 애완동물과 사람 사이의 커뮤니케이션을 도와줄 수 있는 장점이 있다.

도 1은 본 발명의 일실시예에 따른 애완동물 상태 분석 시스템을 포함한 애완동물 케어 시스템의 전체 구성에 대한 블록도이다.
도 2는 도 1의 애완동물 케어 시스템에 채용할 수 있는 웨어러블 센서에 대한 예시도이다.
도 3은 본 발명의 일실시예에 따른 애완동물 상태 분석 시스템에 대한 블록도이다.
도 4는 도 3의 애완동물 상태 분석 시스템의 액션 배열 생성부에 대한 블록도이다.
도 5는 도 3의 시스템에 채용할 수 있는 센서 데이터에 대한 예시도이다.
도 6은 도 3의 애완동물 상태 분석 시스템에서 행동 분류 과정을 설명하기 위한 도면이다.
도 7 내지 도 9는 본 발명의 다른 실시예에 따른 애완동물 상태 분석 방법을 설명하기 위한 도면들이다.
도 10은 도 7 내지 도 9의 애완동물 상태 분석 방법의 구현예를 설명하기 위한 도면이다.
도 11는 본 발명의 또 다른 실시예에 따른 애완동물 상태 분석 방법을 설명하기 위한 도면이다.
도 12는 본 발명의 또 다른 실시예에 따른 애완동물 상태 분석 시스템의 특정 작동 원리를 설명하기 위한 도면이다.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는바, 특정 실시예들을 도면에 예시하고 상세한 설명에 상세하게 설명하고자 한다. 그러나 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.

제1, 제2, A, B 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.

어떤 구성요소가 다른 구성요소에 '연결된다' 혹은 '접속된다'라고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되거나 또는 접속되는 것어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 '직접 연결된다' 혹은 '직접 접속된다' 라고 언급된 때에는, 중간에 다른 구성요소가 존재하지 아니하는 것으로 이해되어야 할 것이다.

본 명세서에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, '포함한다', '가진다' 등과 관련된 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

이하, 본 발명에 따른 바람직한 실시예를 첨부된 도면을 참조하여 상세하게 설명한다.

도 1은 본 발명의 일실시예에 따른 애완동물 상태 분석 시스템을 포함한 애완동물 케어 시스템의 전체 구성에 대한 블록도이다. 도 2는 도 1의 애완동물 케어 시스템에 채용할 수 있는 웨어러블 센서에 대한 예시도이다.

도 1 및 도 2를 참조하면, 본 실시예에 따른 애완동물 케어 시스템은, 디바이스(10), 게이트웨이(30), 모바일 단말(50) 및 서비스 제공 시스템(100)을 포함한다. 서비스 제공 시스템(100)은 모니터링 시스템, 호스트 시스템 등으로 지칭될 수 있다.

각 구성요소를 좀더 구체적으로 설명하면, 디바이스(10)는 웨어러블 디바이스를 지칭할 수 있고, 애완동물(2)이나 반려동물에 착용되는 센서를 포함할 수 있다. 센서는 가속도 센서(3), 자이로(gyro) 센서(5), 증폭형 압력 센서, 소리 센서, 카메라 등을 포함할 수 있다. 자이로 센서(5)는 각속도 센서로 지칭될 수 있다.

디바이스(10)는 반려동물의 소리를 녹음할 수 있는 마이크로폰(7)을 구비할 수 있다. 이러한 디바이스(10)는 강아지 등의 반려동물의 목에 착용되는 목걸이 형태를 구비할 수 있으나, 이에 한정되지는 않는다. 구현에 따라서 개(dog)에게 정해진 시간에 먹이를 배출하는 피더(feeder)에 마이크로폰(7), 카메라(미도시) 등이 설치되는 것을 포함할 수 있다.

또한, 디바이스(10)는 블루투스 모듈(도 12의 10a 참조)을 탑재하고 무선 통신 방식으로 게이트웨이(30)이나 모바일 단말(50)에 연결되어 신호 및 데이터를 송수신할 수 있다. 전술한 디바이스(10)는 센서를 탑재하므로 센서 디바이스로 지칭될 수 있고, 센서를 탑재하고 반려동물(2)에 착용되는 형태인 경우 웨어러블 장치로 지칭될 수 있다.

게이트웨이(30)는 여러 웨어러블 장치들이나 서로 다른 종류의 센서들과 서비스 제공 시스템(100) 사이를 연결한다. 게이트웨이(30)는 서로 다른 통신 네트워크나 서로 다른 프로토콜을 사용하는 네트워크 사이의 통신을 지원한다. 서로 다른 프로토콜을 적절하게 변환할 수 있다. 게이트웨이(30)는 OSI(open system interconnecion reference model) 참조 모델의 전계층을 인식하여 전송 방식의 다른 통신망을 흡수하고, 서로 다른 기종들도 서로 접속 가능하게 지원하도록 설치될 수 있다.

본 실시예에서, 게이트웨이(30)는 블루투스(bluetooth) 무선 통신 방식으로 디바이스(10)와 연결될 수 있다. 블루투스 무선 통신 방식은 BLE(bluetooth low energy)를 포함할 수 있다. 물론, 게이트웨이(30)는 구현에 따라서 비콘, WiFi 등의 다른 근거리 무선 네트워크(wireless local area network) 방식을 지원할 수 있다. 또한, 게이트웨이(30)는 유선 네트워크, 무선 네트워크 또는 이들의 조합 네트워크를 지원할 수 있다. 유선 네트워크는 직렬 통신, 이더넷 등을 포함할 수 있고, 무선 네트워크는 WiFi, bluetooth 등의 근거리 무선 통신 네트워크나 와이브로(Wibro), 코드분할다중접속(CDMA), 직교주파수다중접속(FDMA), LTE(long term evolution), LTE-A(LET-advanced), WiMAX2 등의 광대역 무선 네트워크를 포함할 수 있다.

가정 또는 구내 게이트웨어의 경우, 반려동물 사용자는 게이트웨이(30)에 접속 가능한 사용자 단말을 통해 센서 데이터의 적어도 일부 예컨대, 영상 데이터나 소리 데이터 등을 획득하고, 이를 통해 반려동물의 상태를 실시간 확인할 수 있다(도 12의 S98 참조).

모바일 단말(50)은 웨어러블 센서를 포함한 디바이스(10)에 연결될 수 있다. 모바일 단말(50)은 디바이스(10)와 서비스 제공 시스템(100) 사이의 신호 및 데이터 송수신을 중계할 수 있다. 또한, 모바일 단말(50)은 센서 데이터의 일부를 처리하거나 표시하거나 출력할 수 있다. 모바일 단말(50)은 연결 기능, 중계 기능, 데이터 처리 기능 등을 위한 애플리케이션을 탑재할 수 있다. 애플리케이션은 '펫버디(pet buddy)' 등의 이름으로 지칭될 수 있다. 전술한 모바일 단말(50)은 특정 반려동물이 착용하고 있는 디바이스 측면에서 해당 반려동물의 소유주의 사용자 단말일 수 있다.

디바이스(10)의 센서에서 측정되는 데이터는 센서 데이터 또는 활동 데이터를 포함한다. 센서 데이터는 체온, 가속도, 각속도, 소리, 영상 등의 신호 및 데이터를 포함할 수 있다. 특히, 센서 데이터는 적어도 가속도 데이터 및 각속도 데이터를 포함할 수 있다. 이하의 설명에서는 광의적으로 또한 설명의 편의상 센서 데이터가 활동 데이터를 포함하는 것으로 가정한다.

서비스 제공 시스템(100)은, 시스템 환경(110), 애플리케이션 프로그래밍 인터페이스(application programming interface, API)(130), 분석서버(150) 및 SNS서버(170)를 포함할 수 있다. 서비스 제공 시스템(100)은 애완동물 상태 분석 방법을 이용하고 애완동물의 기분이나 상태와 관련된 정보를 온라인이나 커뮤니티를 통해 공유하는 경우, 온라인 서비스 제공 시스템, 커뮤니티 서비스 제공 시스템, 케어 서비스 서버 시스템 등으로 지칭될 수 있다.

서비스 제공 시스템(100)은 클라우드 계층 구조를 구비할 수 있다. 일례로, 서비스 제공 시스템(100)은 SaaS(software as a service), PaaS(platform as a service), IaaS(Infrastructure as a service) 또는 이들의 조합을 제공할 수 있다.

SaaS는 주문형 소프트웨어로서 지칭될 수 있다. 중앙 서버 또는 SaaS(software as a service)로서 소프트웨어 및 관련 데이터를 호스팅하도록 구성될 수 있다. 그리고 사용자 단말은 응용 프로그램(application), 웹 브라우저 등의 클라이언트를 통해 중앙 서버나 SaaS에 접속할 수 있다.

PaaS는 인터넷 기반 컴퓨팅의 일종인 클라우딩 컴퓨팅을 지원하는 클라우드 컴퓨팅 서비스로서 지칭될 수 있다. 여기에서 중앙 서버는 구성 가능한 컴퓨터 자원-일례로, 컴퓨터 네트워크, 서버, 스토리지, 애플리케이션, 서비스 등을 포함함-에 대해 사용자 단말이 어디서나 접근(주문형 접근) 가능하도록 설치될 수 있다. PaaS는 고객이나 프로그래머가 애플리케이션을 개발, 실행 및 관리할 수 있게 하는 플랫폼을 제공하며, 개발자가 필요로 하는 개발 요소들을 웹에서 쉽게 빌려쓸 수 있도록 구성될 수 있다. 인터넷 사이트 등에서 제공되는 공개 API는 PaaS의 일종이다.

IssS는 서버, 스토리지, 네트워크를 가상화 환경으로 만들어 필요에 따라 인프라 자원을 사용할 수 있도록 서비스한다. IaaS는 서버 가상화, 게이트웨이 가상화, 사용자 단말 가상화 등의 기술이 선택적으로 적용될 수 있다.

전술한 서비스 제공 시스템(100)에 있어서, 시스템 환경(110)은, 하드웨어적으로 컨트롤러를 구비하거나 프로세서 및 메모리를 구비하고, 소프트웨어적으로 소정의 서버와, 서버에 포함되는 멀티코어, 가상머신, 소트웨어 기반 비디오/오디오 캡쳐, 인코딩부, 스트리밍부 등에서 선택되는 적어도 일부의 기능부 혹은 구성부를 구비할 수 있다. 시스템 환경(110)은 클라우드 컴퓨팅 서버를 포함할 수 있다.

API(130)는 센서 데이터 수집과 실시간 스트리밍을 지원할 수 있다. 또한, API(130)는 원격관리; 데이터베이스 설정관리; 원격관리, 설정변경, 에러 처리 등을 위한 로깅, 데이터의 송수신 주기, 카메라 온/오프, 해상도 조정, 로그 검색 등을 위한 상태 모니터링을 수행하도록 설치될 수 있다.

즉, API(130)는 시스템 환경(110)에 연결되어 게이트웨이(30) 또는 모바일 단말(50)과 신호 및 데이터를 송수신할 수 있다. API(130)는 게이트웨이(30) 및 모바일 단말(50)과 연결되는 센서 네트워크의 센서 유닛들에서 검출되는 검출 신호나 데이터를 수집할 수 있다. 이 경우, API(130)는 정보획득부로서 기능할 수 있다.

또한, API(130)는 게이트웨이(30)를 통한 사용자 단말이나 모바일 단말의 접속을 허용하여 이들과 연동하는 수단이나 이러한 수단에 대응하는 구성부일 수 있다. 즉, API(130)는 디바이스(10)의 센서와 게이트웨이(30)를 포함하는 센서 네트워크의 관리 서버의 적어도 일부 기능부나 이러한 기능부에 대응하는 기능을 수행하는 일부 구성부를 포함할 수 있다.

분석서버(150)는, 협의의 의미에서 하드웨어적인 애완동물 상태 분석 시스템이나 애완동물 상태 분석 방법을 구현하는 시스템(소프트웨어적 측면)으로 구현될 수 있다. 이 경우, 분석서버(150)는 액션 배열 생성부와 상태 추론부를 구비할 수 있다.

또한, 분석서버(150)는 실시간 분석 하부구조(real-time analytics infrastructure)를 구비할 수 있다. 실시간 분석 하부구조는 실시간 분석 엔진(real-time analytics engine)과 데이터 스트림 관리 시스템(data stream management system)을 구비한다. 그리고 실시간 분석 엔진은 행동 인식 모델(behavior recognition model), 활동량 모델(calorie model) 등을 포함할 수 있다.

전술한 경우, 분석서버(150)는 디바이스(10)의 센서 데이터를 획득하여 특징을 분류하는 특징분류부 또는 이러한 특징분류부를 포함하는 액션 배열 생성부와, 분류된 특징에 기초하여 반려동물의 행위를 판별하는 행위판별부 또는 이러한 행위판별부에 기초하여 애완동물의 기분이나 상태를 식별하는 상태 추론부를 구비할 수 있다. 이러한 특징분류부, 액션 배열 생성부, 행위판별부, 상태 추론부의 구성부는 소프트웨어 모듈 형태로 상기의 메모리에 저장되고, 메모리에 연결되는 프로세서에 의해 수행되어 해당 기능을 수행하도록 구현될 수 있으나, 이에 한정되지는 않는다.

또한, 분석서버(150)는 디바이스(10)의 센서와 게이트웨이(30)를 포함하는 센서 네트워크의 관리 서버의 적어도 일부 기능부나 이러한 기능부에 대응하는 기능을 수행하는 일부 구성부를 포함할 수 있다. 분석서버(150)는 데이터 스트림 관리 시스템을 구비할 수 있다.

일례로, 분석서버(150)는 관리 서버로서 센서 데이터를 시계열 데이터로 변환하여 실시간 분석 엔진에 전달할 수 있다. 그 경우, 실시간 분석 엔진은 행동 인식 모델에 기초하여 시계열 데이터를 분석하고 그 결과를 API(130)를 통해 반려동물 사용자나 다른 사용자(의사 등)에게 제공할 수 있다. 여기서, 분석 결과는 시간 흐름에 따른 반려동물의 상태들이 나열된 정보 또는 데이터를 지칭할 수 있다.

분석서버(150)의 데이터 스트림 관리 시스템은 시계열 데이터를 행동 인식 모델에 기초하여 분석된 반려동물의 일련의 상태들과 매칭시켜 저장할 수 있다.

또한, 분석서버(150)는 시나리오 기반 컴퓨팅을 수행할 수 있다. 시나리오 기반 컴퓨팅은 이상상태(Urgency) 알람, 건강상태 알람(healthcare alert) 등을 위한 스트림 처리(stream processing)를 포함하는 실시간 컴퓨팅(real-time computing); 매시간, 3시간마다, 6시간마다 등의 데이터 생성을 위한 백그라운드 처리(background processing)를 포함하는 일괄 컴퓨팅(batch computing); 및 클라이언트/서버 처리(client/server processing)를 포함하는 주문형 컴퓨팅(on-demand computing)을 포함할 수 있다.

실시간 컴퓨팅에서는, 애완동물 측으로부터의 센서 데이터를 행동 인식 모델을 통해 분석하고 분석 결과를 사용자 단말에 제공하면서 이와 함께 행동 인식 모델을 통해 분석된 데이터를 데이터베이스에 저장하고 해당 데이터 및 관련 정보를 사용자 단말에 검색할 수 있도록 서비스할 수 있다. 그 경우, 사용자 단말(혹은 사용자 단말에 탑재된 애플리케이션)은 상기의 센서 데이터의 제공 주체인 애완동물이 지금 바로 무엇을 하고 있는지 혹은 어떤 상태인지를 확인할 수 있도록, 그리고 사용자가 직관적으로 이해할 수 있도록 미리 정해진 그래픽, 텍스트, 동영상 또는 이들의 조합 형태로 해당 정보를 검색, 질의 또는 출력할 수 있다.

일괄 컴퓨팅에서는, 애완동물 측으로부터의 센서 데이터를 데이터베이스에 저장하고, 데이터베이스에 저장된 센서 데이터를 감정 인식 모델을 통해 분석하고 센서 데이터와 매칭시켜 다시 데이터베이스에 저장하고, 사용자 단말의 애플리케이션의 검색/질의에 따라 대응 센서 데이터의 분석 결과를 사용자 단말에 제공할 수 있다. 그 경우, 사용자는 오늘 집에 혼자 있는 반려동물이 매시간 또는 소정 기간의 시간동안 무엇을 느끼는지 확인할 수 있다.

주문형 컴퓨팅에서는, 애완동물 측으로부터의 센서 데이터를 데이터베이스에 저장하고, 일정 시간 또는 일정 기간 동안의 센서 데이터에 대한 사용자 단말로부터의 실행 요청 신호에 따라 해당 센서 데이터를 검색하고 검색한 센서 데이터를 활동량 모델을 통해 분석한 후, 분석 결과를 사용자 단말에 제공할 수 있다. 전술한 경우, 사용자 단말은 해당 시간이나 기간 동안의 활동량을 칼로리 수치로 출력할 수 있고, 사용자는 칼로리 수치를 확인하고 이를 토대로 오늘 자신의 반려동물에게 운동이 더 필요한지를 판단할 수 있다.

SNS서버(170)는 모바일 단말(50), 애완동물 주인의 사용자 단말, 관련 의사 등의 다른 사용자의 사용자 단말에 애완동물 상태 분석 등과 관련된 온라인 서비스, 커뮤니티 서비스, 소셜 네트워크 서비스 등을 제공할 수 있다. SNS서버(170)는 사용자들 간의 정보 공유를 위해 리더 영역과 슬레이브 영역으로 구분하거나, 팔로워와 팔로우로 구분하도록 설치될 수 있다.

또한, SNS서버(170)는 기존의 소셜 네트워크 서비스(social network service or social networking service; SNS)와 연동할 수 있다. 기존의 소셜 네트워크 서비스는 페이스북(Facebook.com), 트위터(Twitter.com), 카카오톡(Kakaotalk; kakao.com), 밴드(Band; band.us) 등을 포함한다.

전술한 구성에 의하면, 애완동물의 주인이나 다른 사용자의 사용자 단말은 서비스 제공 시스템의 데이터베이스, 또는 센서 네트워크의 관리 서버에 접속하여 서비스 제공 시스템에서 제공하는 센서 데이터에 기초한 시계열 데이터, 애완동물의 행동 분석 결과, 애완동물의 기준이나 상태 정보를 획득하고, 이를 이용하여 애완동물을 케어하거나 반려동물과 의사소통할 수 있다.

또한, 전술한 구성에 의하면, 사물인터넷(internet of things)과 같은 접속 환경을 가지는 클라우드 기반의 펫버디 인프라스트럭쳐를 제공할 수 있다. 또한, 웨어러블 장치를 포함하는 사물인터넷 장치에서 생성된 다량의 데이터에서 반려동물의 행동, 감정, 운동 효과 등을 분석하고, 분석 결과를 다양한 서비스에 활용할 수 있다. 또한, 분석 결과는 반려동물 주인의 사용자 데이터 또는 수의사의 전문가 데이터로 확장되거나 비교될 수 있다. 전술한 수집 데이터, 분석 데이터, 사용자 데이터, 전문가 데이터, 또는 이들의 조합은 빅데이터(big data)로 지칭될 수 있다.

도 3은 본 발명의 일실시예에 따른 애완동물 상태 분석 시스템에 대한 블록도이다. 도 4는 도 3의 애완동물 상태 분석 시스템의 액션 배열 생성부에 대한 블록도이다. 그리고 도 5는 도 3의 시스템에 채용할 수 있는 센서 데이터에 대한 예시도이다.

도 3을 참조하면, 본 실시예에 따른 애완동물 상태 분석 시스템은 액션 배열 생성부(152) 및 상태 추론부(154)를 구비하여 이루어질 수 있다. 이 경우, 애완동물 상태 분석 시스템은 분석 서버(150)에 대응될 수 있고, 액션 배열 생성부(152) 및 상태 추론부(154)는 소프트웨어 모듈 형태 또는 프로그램 형태를 구비할 수 있다. 즉, 본 실시예에 따른 애완동물 상태 분석 시스템은 액션 배열 생성부(152) 및 상태 추론부(154)를 구비하고 다양한 형태의 제어장치나 컴퓨팅 장치에서 탑재되어 사용될 수 있다. 그 경우, 제어장치나 컴퓨팅 장치는 애완동물 상태 분석 시스템이거나 적어도 그 기능을 수행하는 시스템이 될 수 있다.

액션 배열 생성부(152)는 수신부 또는 API를 통해 획득되는 센서 데이터에서 애완동물의 행동을 분석하고 분석한 행동/액션을 시계열적으로 배열한 액션 배열을 생성한다. 액션 배열은 복수의 시계열 센서 데이터에 대한 애완동물의 연속적인 행동들에 대한 정보를 포함할 수 있다. 연속적인 행동들에 대한 정보는 중단없는 시간의 연속이 아닌 시간 흐름에 따른 일련의 행동들에 대한 정보 또는 그 집합일 수 있다.

센서 데이터는 도 4에 도시한 바와 같이 3축 가속도 데이터(ACC_X, ACC_Y, ACC_Z)와 3축 각속도 데이터(GYR_X, GYR_Y, GYR_Z)를 포함할 수 있다. 3축 가속도 데이터는 애완동물에 착용된 웨어러블 센서에서 획득될 수 있다. 이 웨어러블 센서는 가속도 센서와 자이로 센서를 포함할 수 있다. 자이로 센서를 6축 자이로 센서일 수 있으나, 이에 한정되지는 않는다.

또한, 액션 배열 생성부(152)는 시계열 상의 센서 데이터에 대히 미리 설정된 윈도우 사이즈에서 각각 나타나는 가속도 성분과 각속도 성분에 의해 결정되거나 라벨(label)되는 분석 결과를 애완동물의 행동으로 선택, 추출 혹은 결정할 수 있다. 즉, 도 4에서 특정 시점(t1)이나 특정 시점을 포함하는 단위 윈도우 구간에서 3축 가속도 데이터와 3축 각속도 데이터 각각은 특정한 파형 패턴들을 나타내며 이들의 조합은 애완동물의 특정 행동과 매칭되도록 설정될 수 있다.

일례로, 도 5에 도시한 바와 같이, 애완동물이 개(a dog)인 경우, 애완동물이 서 있는 상태는 (a)에 도시된 FFT 특징에 대응하고, 애완동물이 걷고 있는 행동은 (b)에 도시된 FFT 특징에 대응하며, 애완동물이 달리고 있는 행동은 (c)에 도시된 FFT 특징에 대응할 수 있다.

도 5의 (b)는 도 5의 (a)와 대비할 대, 점선 E1으로 표시된 부분과 같이 일정 이상 레벨의 이벤트가 일정 시간 동안 일정 횟수(예컨대, 1회 이하)인 경우에 대응될 수 있다. 그리고 도 5의 (c)는 일정 시간 동안 일정 이상 레벨의 이벤트가 점선 E2 및 E3으로 표시된 부분들과 같이 일정 횟수(예컨대, 2회 이상)인 경우에 대응될 수 있다. 도 5의 (b) 및 (c)에서의 일정 이상 레벨은 각 그래프에서 볼 수 있듯이 그 기준값이 서로 상이할 수 있다.

전술한 실시예에 의하면, 애완동물의 행동들은 각 행동별 혹은 미리 설정된 클래스별 특정 FFT 특징으로 구분할 수 있다. 여기서, FFT 특징은 FFT 주기성을 포함할 수 있다. 이러한 분류 기준을 이용하면, 애완동물의 다양한 상태나 동적 동작을 구분하는 것이 가능하다.

다시 도 3을 참조하면, 상태 추론부(154)는 액션 배열 생성부(152)에서 생성된 액션 배열에 대응하는 애완동물의 기분이나 상태를 추론한다. 상태 추론부(154)는 미리 설정된 액션-상태 테이블(도 8의 80 참조)을 이용하여 애완동물의 기분이나 상태를 추론할 수 있다.

액션-상태 테이블은 미리 설정된 애완동물의 기분이나 상태를 가로열 또는 세로열 항목으로 구비하고, 미리 설정된 애완동물의 행동을 세로열 또는 가로열 항목으로 구비할 수 있다.

애완동물의 행동은 눕기(lying; lie down), 앉기(sitting), 서기(standing), 떨기(오한, 전율; shievering), 짖기(barking), 먹기(eating), 마시기(drinking), 점프하기(jumping), 걷기(walking), 빨리 걷기(fast walking), 달리기(running), 흔들기(shaking), 씹기(chewing), 배설하기(excreting), 앞발로 차거나 긁기(pawing), 털기(shakeoff), 냄새맡기(sniffing), 세게 때리기(licking), 헐떡거리기(panting), 웅크리기(crouch) 등을 포함할 수 있다.

애완동물의 행동은 FFT 적용부에 의해 적용가능한 행동들에 대하여 선택적으로 설정될 수 있다. 본 실시예에서는 기본적으로 눕기(lying), 앉기(sitting), 서기(standing), 떨림(오한, 전율), 짖기(barking), 먹기(eating), 마시기(drinking), 점프하기(jumping), 걷기(walking), 빨리 걷기(fast walking), 달리기(running) 및 흔들어 털기(shaking)를 기본 행동들로 설정하나, 이에 한정되지는 않는다.

애완동물의 기분이나 상태는 고통(pain), 배고픔(hunger), 공포(fear), 외로움(loneliness), 즐거움(enjoy), 편안함(comfort), 위안(fright) 또는 이들의 조합을 포함할 수 있다.

전술한 액션-상태 테이블은 수의사, 동물학자 등의 전문가가 실제 애완동물의 기분이나 상태를 판단한 자료와 대조하여 그 신뢰도를 향상시킨 것일 수 있다.

본 실시예에 의하면, 액션 배열 생성부(152)에서 생성되는 액션 배열에 따라 액션-상태 테이블을 통해 신속하고 정확하게 애완동물의 기분이나 상태를 분석할 수 있다.

도 6은 도 3의 애완동물 상태 분석 시스템에서 행동 분류 과정을 설명하기 위한 도면이다.

도 6을 참조하면, 본 실시예에 따른 애완동물 상태 분석 시스템의 액션 배열 생성부(152)는 주파수 분석부(1521), FFT(fast fourier transform) 적용부(1523), 3축 합산부(1525) 및 구간 합산부(1527)를 포함할 수 있다.

주파수 분석부(1521)는 가속도 센서 및 각속도 센서의 데이터에 포함된 주파수 정보를 분석한다. 주파수 정보 내 주파수들은 미리 설정된 반려동물의 상태나 행동들에 따라 복수의 구간으로 구분될 수 있다.

FFT(fast fourier transform) 적용부(1523)는 직각좌표계의 3축 각각에 대한 센싱 값들에 대해 고속 푸리에 변환을 적용할 수 있다. 또한, FFT 적용부(1523)는 센서 데이터의 가속도 및 각속도 센싱 값들에 포함된 직각좌표계의 3축 각각에 대응하는 센싱 값들에 대해 고속 푸리에 변환을 수행할 수 있다.

3축 합산부(1525)는 FFT 적용부(1523)에서 고속 푸리에 변환이 적용된 3축 가속도 데이터 및 3축 각속도 데이터를 각각 합산한다. 그리고, 구간 합산부(1527)는 FFT 적용부(1523)에서 고속 푸리에 변환이 적용된 3축 가속도 데이터 및 3축 각속도 데이터를 복수의 구간으로 각각 나누어 FFT 결과를 합산한다. 3축 합산부(1525) 및 구간 합산부(1527)는 단일 합산부로 통합될 수 있으며, 각 합산부는 가속도 데이터 합산부와 각속도 데이터 합산부를 구비할 수 있다.

일례로, 단일 합산부는 4개의 구간으로 나눈 3축 가속도 데이터를 합산하여 4개의 특징 값을 추출하고, 4개의 구간으로 나눈 3축 각속도 데이터를 합산하여 또 다른 4개의 특징 값을 추출할 수 있다. 구간은 애완동물의 행위에 대응하는 주요 주파수 대역으로 설정될 수 있다.

예를 들어, 눕거나 앉거나 서있기 구간(자세, posture 구간이라 함)은 0 내지 1 구간으로 0.8㎐ 이하의 주파수 대역에 대응하고, 걷기(walking) 구간은 2 내지 4 구간으로 0.8㎐ 초과에서 3.1㎐ 이하의 주파수 대역에 대응하고, 빨리 걷기(fast walking) 또는 마시기(drinking) 구간은 5 내지 8 구간으로 3.1㎐ 초과에서 6.4㎐ 이하의 주파수 대역에 대응하고, 흔들기(shaking) 또는 달리기(running) 구간은 9 내지 13 구간으로 6.4㎐ 초과에서 10.1㎐ 이하의 주파수 대역에 대응할 수 있다. 이러한 구간의 갯수나 구간 사이즈는 클래스에 따라 다를 수 있다. 클래스는 미리 설정된 애완동물의 적어도 하나의 특정 행위에 대응될 수 있다.

위와 같은 구간의 분할(segmentation)에 의하면, 애완동물의 행동 구분에 대한 정확성을 향상시킬 수 있다. 더욱이, 애완동물의 동작이나 행위들에 대하여 미리 구분된 주요 행위나 동작을 제1 세그멘테이션하고, 주요 행위나 동작의 변형 행위나 동작을 제2 세그멘테이션하여 적용하면, 애완동물의 특정 행동에 대한 구분 정확도는 약간 떨어질 수 있으나, 전체적인 행동 분석의 신뢰도는 크게 향상시킬 수 있다. 그것은 주요 행위나 동작에 대하여만 분석하지 않고, 실질적으로 그리고 상대적으로 애완동물의 행위나 동작 전체에 대하여 분석하고자 하는 것으로 누락되는 분석 데이터를 차단하여 분석 신뢰도를 높일 수 있다. 이 경우, 센서 데이터량, 데이터 처리량 및 데이터 처리 시간이 증가하므로, 고속 데이터 처리 환경에 적용하는 것이 바람직하다.

전술한 실시예에서, 소정의 시간 동안의 제1 및 제2 세그멘테이션들의 정확도 및 센서 데이터 중 태깅한 데이터의 백분율을 곱으로 행동 분류의 예측정확도 지수를 계산할 수 있다. 그 경우, 애완동물의 행동 분류 또는 행동 분석에 대한 예측정확도 지수는 SNS 서버나 앱 서버를 통해 게이트웨이나 모바일 단말 혹은 사용자 단말에 제공될 수 있다.

도 7 내지 도 9는 도 3의 애완동물 상태 분석 시스템에서 채용할 수 있는 애완동물 상태 분석 방법을 설명하기 위한 도면들이다. 도 10은 도 7 내지 도 9의 애완동물 상태 분석 방법의 구현예를 설명하기 위한 도면이다.

본 실시예에 따른 애완동물 상태 분석 방법은, 센서 데이터에서 애완동물의 행동(action)을 분석하고 분석된 행동에 따라 애완동물의 기분이나 상태를 행동-상태 매트릭스를 통해 추론한다. 여기서, 연속된 애완동물의 행동들로부터 상태를 구하기 위해 일정한 개수의 행동들을 가지고 액션 배열을 만든다.

행동-상태 매트릭스(action to state table)를 참조하여 액션 배열에 대한 포인팅 작업을 수행하면, 상태 포인트를 만들 수 있다. 생성된 상태 포인트는 현재 애완동물의 기분 상태를 나타내므로 이를 이용하면 애완동물의 기분이나 상태를 추론할 수 있다.

구체적으로 설명하면, 도 7에 도시한 바와 같이, 시계열적으로 입력되는 센서 데이터(sensor data)에서 윈도우 구간들(w1 ~ w6)에서 주파수를 분석하여 각 윈도우 구간에 대응하는 행동(action)을 선택한다. 윈도우 구간들 간의 시간 길이(p1, p2)는 서로 동일하거나 다를 수 있다. 행동(70)은 애완동물의 행동으로서 서기(standing, S), 걷기(walking, W), 눕기(lying, L) 등을 포함할 수 있다.

다음, 선택된 행동들에 의한 액션 배열을 도 8에 도시한 행동-상태 매트릭스(80)를 참조하여 포인팅 작업을 수행한다. 포인팅 작업은 가로, 세로, 대각선 등의 방향이나 배열에서 액션 배열 내 FFT 값들의 배열과 가장 유사한 상태 포인트를 만드는 것을 포함할 수 있다.

다시 말하면, 도 9에 도시한 바와 같이, 걷기 구간에 대응하는 제1 행동(A1) 구간에서의 1회 타임의 걷기 행위(W)와, 눕기 구간에 대응하는 제2 행동(A2) 구간에서의 2회 타임의 눕기 행위(L, L)와, 서기 구간에 대응하는 제3 행동(A3) 구간에서의 3회 타임의 서기 행위(S, S, S)의 그룹으로 정의되는 특정한 일련의 행동에 기초하여 애완동물의 기분이 상태를 추론할 수 있다.

예를 들면, 도 10에 도시한 바와 같이, 먼저 제1 단계에서, 액션 배열을 생성할 수 있다(S101). 액션 배열, Action[6]은 {walking, lying, lying, standing, standing, standing}의 집합으로 생성될 수 있다.

다음, 액션-상태 매트릭스(도 8의 80 참조)을 참조하여 액션 배열에 대한 포인팅 작업을 수행하여 상태 포인트를 만들 수 있다(S102). 상태 포인트, StatePoint[6]는 {23, -2, -4, 10, 1, 14}의 집합으로 생성될 수 있다.

다음, 상태 포인트 내 각 특징 값이 가리키는 최고 상태를 추론한다(S103). 상기 상태 포인트에 대한 최고 상태, MaxState(StatePoint[])는 특정 상태 인덱스인 "0"을 가질 수 있다. 상태 인덱스는 애완동물의 기분이나 상태를 숫자로 표시한 것으로, 0은 고통(pain), 1은 배고픔(hunger), 2는 공포(fear), 3은 외로움(loneliness), 4는 즐거움(enjoy) 그리고 5는 편안함(comfort)에 각각 대응할 수 있다.

상기의 일련의 과정들에 의하면, 본 실시예에 따른 애완동물 상태 분석 방법은 현재 애완동물의 기분이나 상태를 "고통(Pain)"으로 분석할 수 있다(S104). 이러한 분석 결과는 시스템의 설정이나 사용자 계정 내 메뉴/항목의 설정에 따라 사용자의 모바일 단말로 실시간 전달되어 사용자가 자신의 애완동물을 케어하도록 알림 서비스를 제공할 수 있다.

본 실시예에 의하면, 모바일 디바이스에 적용중인 다양한 센서 기술을 활용하여 애완동물의 행동(action)과 상태(state)를 간편하고 정확하게 추론할 수 있다. 또한, 추론한 애완동물의 행동과 상태에 기초하여 애완동물의 기분을 파악하고, 이러한 파악 정보나 애완동물의 니즈 예측 정보를 애완동물의 주인 등에게 제공하여 주인을 통해 애완동물에게 필요한 니즈를 제공하도록 할 수 있고, 그에 의해 애완동물의 케어나 복지를 향상시킬 수 있다. 게다가, 애완동물의 기분이나 상태를 애완동물의 소유자에게 제공함으로써 애완동물과 사람 사이의 커뮤니케이션을 도와줄 수 있다.

도 11는 본 발명의 또 다른 실시예에 따른 애완동물 상태 분석 방법을 설명하기 위한 도면이다.

본 실시예에 따른 애완동물 상태 분석 방법은, 센서 데이터에 포함된 소리 데이터를 더 이용하도록 구현될 수 있다. 소리 데이터는 애완동물에 착용되는 웨어리블 센서나 마이크로폰(도 2의 참조부호 7 참조) 혹은 애완동물 주변에 설치되는 다른 마이크로폰에 의해 수집될 수 있다.

소리 데이터를 FFT 변환하면, 애완동물의 행동이나 상태를 반영하는 소리 데이터에서는 일정 패턴를 나타낸다. 예를 들면, 짖기(barking)에 대응하는 소리 데이터는 도 11의 (a) 또는 (b)에 도시한 바와 같은 주파수 형태를 나타내고, 으르렁거리기(growling)에 대응하는 소리 데이터는 도 11의 (c) 또는 (d)에 도시한 바와 같은 주파수 형태를 나타낸다. 독특한 주파수 형태의 소리 데이터는 짖기 또는 으르렁거리기 외에 울부짖기(howling), 징징거리기(whining) 등에서도 나타난다. 도 11에서 각 소리 데이터는 윈도우 사이즈 0.5초 구간에서 추출한 데이터에 대응된다.

이와 같이, 소리 데이터를 소정 구간의 윈도우 사이즈에서 추출하고, 추출한 소리 데이터에 기초하여 애완동물의 기분이나 상태를 식별할 수 있다. 특히, 본 실시예에서는 전술한 센서 데이터와 소리 데이터를 조합하여 애완동물의 행동을 좀더 정확하게 식별하거나 분석할 수 있다. 일례로, 시계열적으로 입력되거나 배열되는 3축 가속도 데이터와 3축 각속도 데이터의 특정 시점을 포함한 윈도우 사이즈(구간)에서 애완동물의 행동을 추론할 때, 해당 특정 시점을 포함한 윈도우 사이즈 범위에 대응하는 소리 데이터에 기초하여 애완동물의 특정 구간에서의 행동 추론을 보정하거나, 행동 추론에 대한 가중치의 적용 여부를 결정하거나, 행동 추론에 대한 가중치를 세기/수준을 조정할 수 있다.

전술한 소리 데이터는 복수의 소리 데이터가 혼합된 매시업 데이터(mash up data)일 수 있으며, 그 경우, 분석서버에는 데이터 변환 및 정규화 과정을 위한 수단이나 이러한 수단에 상응하는 기능을 수행하는 구성부가 추가로 구비될 수 있다. 또한, 소리 데이터는 FFT, MFCC(mel-frequency cepstral coefficient) 등을 통한 분석이나 사운드 카드(sound card) 등을 통한 자동 인식에 의해 획득될 수 있다. 전술한 소리 데이터는 윈도우 사이즈나 분석 시점 등에 따라 인식 기준이 달라질 수 있으므로, 센서 데이터의 추출/분석 시점에 대응하여 추출하여 이용하는 것이 바람직하다.

또한, 전술한 소리 데이터는 기본적인 틀로서 패턴 인식 방법들 중 하나인 k-최근접 이웃 알고리즘(fast k nearest neighbor, KNN 또는 k-NN)을 사용하는 분류기를 통해 인식될 수 있다. KNN 분류기는 소리 데이터의 윈도우 구간에서 특징을 추출하는 특징 추출부, 특징 추출부에서 추출된 데이터 셋(training set이라고도 함)을 KNN을 통해 학습하는 학습부, 학습부에서 인식된 KNN 클래스를 다시 결합하여 결과 셋(result set)을 생성하는 결과셋 생성부, 결과셋 생성부에서 생성된 결과 셋 데이터에서 애완동물의 특정 기분이나 상태에 대한 최대 확률을 인식하는 확률 인식부를 구비할 수 있다. 특징 추출부에서 소리 데이터는 MFCC를 통해 분할될 수 있다. 최대 확률은 가장 높은 빈도의 클래스에 대응될 수 있다. 여기서 클래스는 미리 설정된 애완동물의 기분이나 상태에 대응될 수 있다.

전술한 KNN 분류기는 KNN을 통해 도출된 예측 클래스에 대한 확률 추가로 가장 높은 빈도의 클래스를 추출함으로써 애완동물의 기분이나 상태에 대한 최종 인식의 정확도를 크게 향상시킬 수 있다.

도 12는 본 발명의 또 다른 실시예에 따른 애완동물 상태 분석 시스템의 특정 작동 원리를 설명하기 위한 도면이다.

도 12를 참조하면, 본 실시예에 따른 애완동물 상태 분석 시스템은, 분석 서버(150)를 포함하고, 블루투스 장치(BLE Device, 10a)를 통해 수집되는 센서 데이터를 사용자 단말의 애플리케이션(user terminal application, UT App., 50a)을 통해 수신할 수 있다. 애완동물 상태 분석 시스템은 분석 서버(150)에 연결되는 앱 서버(190)를 더 포함하거나 별도의 앱 서버(190)와 연동할 수 있다. 블루투스 장치(10a)는 애완동물에 착용되는 웨어러블 장치일 수 있다. 사용자 단말 애플리케이션(50a)은 간략히 유저 앱으로 지칭될 수 있다.

애완동물 상태 분석 시스템의 작동 원리를 좀더 구체적으로 설명하면, 먼저 블루투스 장치(10a)는 주기적으로 활성화(wake up)되어 수집되는 데이터를 무선 송출(broadcast)할 수 있다(S121). 데이터의 식별을 위해 송출되는 데이터는 UUID(universally unique identifier)와 같은 식별자를 포함할 수 있다.

다음, 유저 앱(50a)은 식별자를 통해 블루투스 장치(10a)를 인식하고 소정의 접속 절차에 따라 블루투스 장치(10a)와 연결되고 센서 데이터를 요청(request sensor data)할 수 있다(S122). 센서 데이터는 3축 가속도 데이터와 3축 각속도 데이터를 포함할 수 있고, 구현에 따라서 소리 데이터를 포함할 수 있다. 블루투스 장치(10a)는 유저 앱(50a)의 요청에 따라 센서 데이터를 유저 앱(50a)에 제공(response sensor data)할 수 있다(S123).

다음, 유저 앱(50a)은 분석이 필요한 데이터(이하, sensor raw data)를 주기적으로 분석 서버(150)에 전송할 수 있다(S124). 이때, 센서 로 데이터(sensor raw data)는 데이터 종류 및 전송 정책에 따라 데이터량에 상당한 차이가 있다. 따라서, 분석 서버(150)는 유저 앱(50a) 및/또는 분석 서버(150) 사이에는 데이터 종류 및 전송 정책의 미리 결정되어 있을 수 있다. 물론, 데이터 종류 및 전송 정책은 실시간 조정 가능하게 사용자 인터페이스와 결합된 형태로 유저 앱(50a) 및/또는 분석 서버(150)에 설정될 수 있다.

다음, 분석 서버(150)는 분석 완료 패턴 정보를 주기적으로 앱 서버(190) 등에 제공할 수 있다(S125). 분석 완료 패턴 정보는 애완동물의 기분이나 상태에 관한 정보를 포함할 수 있으며, 이러한 정보는 앱 서버(190) 등을 통해 사용자 단말이나 소셜 네트워크 서비스 등에 제공될 수 있다.

한편, 유저 앱(50a)은 분석이 불필요한 데이터를 주기적으로 혹은 간헐적으로 앱 서버(190)에 전솔할 수 있다(S126). 분석이 불필요한 데이터는 영상 데이터, 소리 데이터 등을 포함할 수 있고, 분석이 필요한 데이터와 부분적으로 중복될 수 있다. 이러한 분석이 불필요한 데이터는 앱 서버(190)를 통해 사용자 단말에서 직접 이용할 수 있도록 중계되거나 제공될 수 있다.

또한, 유저 앱(50a)은 앱 서버(190)에 애완동물의 패턴 데이터를 요청할 수 있다(S127). 그 경우, 앱 서버(50a)는 사용자의 요청에 따라 애완동물의 패턴 데이터를 유저 앱(50a)에 제공할 수 있다(S128).

본 실시예에 의하면, 분석 서버(150) 또는 앱 서버(190)는 유저 앱(50a)의 중계를 통해 디바이스에서 전송되는 센서 데이터를 수신할 수 있다. 이때, 유저 앱(50a)은 미리 설정된 기준에 따라 분석이 필요한 데이터를 분석 서버(150)에 전송하고 분석이 필요하지 않은 데이터를 앱 서버(190)에 전송할 수 있다. 그리고, 유저 앱(50a)은 애완동물의 기분이나 상태를 표현하는 최종 패턴 데이터를 앱 서버(190)에 요청하여 획득하고 사용자 단말의 화면에 표시하거나 사용자 단말에서 출력할 수 있다.

전술한 본 실시예에 의하면, 애완동물 상태 분석 시스템은 사용자 단말과 연동하여 애완동물에 인접하게 위치하는 모바일 디바이스의 센서 데이터를 획득하고, 센서 데이터의 일부를 처리하여 애완동물의 기분이나 상태에 대한 분석 결과를 사용자 단말에 제공할 수 있다.

상기에서는 본 발명의 바람직한 실시예를 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.

Claims (18)

1. 애완동물에 착용된 웨어러블 센서를 포함한 복수의 센서들로부터 생성되는 센서 데이터를 받는 단계-상기 센서 데이터는 3축 가속도 데이터와 3축 각속도 데이터를 포함함-;
   상기 센서 데이터에서 상기 애완동물의 행동을 분석하여 액션 배열을 생성하는 단계-상기 액션 배열은 복수의 시계열 센서 데이터에 대한 상기 애완동물의 연속적인 행동들에 대한 정보를 포함함-; 및
   상기 액션 배열에 대응하는 상기 애완동물의 기분이나 상태를 추론하는 단계를 포함하는, 애완동물 상태 분석 방법.
2. 청구항 1에 있어서,
   상기 애완동물의 행동은 눕기(lying), 앉기(sitting), 서기(standing), 떨림(오한, 전율), 짖기(barking), 먹기(eating), 마시기(drinking), 점프하기(jumping), 걷기(walking), 빨리 걷기(fast walking), 달리기(running) 및 흔들어 털기(shaking)를 포함하는, 애완동물 상태 분석 방법.
3. 청구항 2에 있어서,
   상기 애완동물의 기분이나 상태는 고통, 배고픔, 공포, 외로움, 즐거움 및 편안함을 포함하는, 애완동물 상태 분석 방법.
4. 청구항 3에 있어서,
   상기 추론하는 단계는 미리 설정된 액션-상태 테이블을 참조하여 수행되며,
   상기 액션-상태 테이블은 상기 애완동물의 기분이나 상태 및 상기 애완동물의 행동을 가로열 항목들과 세로열 항목들로 포함하는, 애완동물 상태 분석 방법.
5. 청구항 1에 있어서,
   상기 3축 각속도 데이터 중 적어도 하나 이상의 각속도 데이터는 미리 설정된 행동들 중 적어도 일부에 정해진 가중치가 적용되는, 애완동물 상태 분석 방법.
6. 청구항 1에 있어서,
   상기 센서 데이터는 소리 데이터를 더 포함하고,
   상기 소리 데이터는 상기 3축 가속도 데이터 또는 상기 3축 각속도 데이터에 대한 시계열 시점을 포함하는 시계열 상에서 분할된 부분(segmentation)을 포함하는, 애완동물 상태 분석 방법.
7. 청구항 6에 있어서,
   상기 액션 배열을 생성하는 단계 후에, 상기 3축 가속도 데이터 및 상기 3축 각속도 데이터에 기초한 상기 애완동물의 행동 배열을 상기 소리 데이터에 기초하여 보정하는 단계를 더 포함하는, 애완동물 상태 분석 방법.
8. 청구항 1에 있어서,
   상기 액션 배열을 생성하는 단계에서 상기 애완동물의 행동 분석은 시계열 상의 센서 데이터에 대해 미리 설정된 윈도우 사이즈에서 각각 나타나는 가속도 성분과 각속도 성분에 의해 결정(label)되는, 애완동물 상태 분석 방법.
9. 청구항 1에 있어서,
   상기 액션 배열을 생성하는 단계는,
   상기 센서 데이터에서 시계열로 나열된 특징 데이터를 추출하는 단계;
   상기 특징 데이터에서 액션 윈도우 구간에 대응하며 미리 설정된 액션에 대한 일련의 액션 큐 데이터를 추출하는 단계; 및
   상기 일련의 액션 큐 데이터 각각에 대응하는 행동 큐(behavior queue)를 생성하는 단계를 포함하며,
   상기 상기 행동 큐에 따라 상기 애완동물의 기분이나 상태를 추론하는, 애완동물 상태 분석 방법.
10. 청구항 9에 있어서,
    상기 일련의 액션 큐 데이터를 추출하는 단계는, 인접한 액션 큐 데이터의 액션 윈도우 구간들이 서로 중첩되는 부분을 포함하는, 애완동물 상태 분석 방법.
11. 청구항 9에 있어서,
    상기 센서 데이터의 주기는 수십 헤르즈(㎐)이고, 상기 액션 윈도우 구간은 타이밍과 관계없이 미리 설정된 감지 이벤트의 발생 순서에 따라 설정되는, 애완동물 상태 분석 방법.
12. 애완동물에 착용된 웨어러블 센서를 포함한 복수의 센서들로부터 생성되는 센서 데이터를 받는 수신부-상기 센서 데이터는 3축 가속도 데이터와 3축 각속도 데이터를 포함함-;
    상기 센서 데이터에서 상기 애완동물의 행동을 분석하여 액션 배열을 생성하는 액션 배열 생성부-상기 액션 배열은 복수의 시계열 센서 데이터에 대한 상기 애완동물의 연속적인 행동들에 대한 정보를 포함함-; 및
    상기 액션 배열에 대응하는 상기 애완동물의 기분이나 상태를 추론하는 상태추론부를 포함하는, 애완동물 상태 분석 시스템.
13. 청구항 12에 있어서,
    상기 액션 배열 생성부는,
    상기 3축 가속도 센서 및 상기 3축 각속도 센서의 데이터에 포함된 주파수 정보를 분석하는 주파수 분석부;
    상기 주파수 정보가 분석된 센싱 값들에 대해 고속 푸리에 변환을 적용하는 FFT(fast fourier trasform) 적용부; 및
    상기 고속 푸리에 변환이 적용된 3축 가속도 데이터 및 3축 각속도 데이터를 각각 합산하는 합산부를 포함하는, 애완동물 상태 분석 시스템.
14. 청구항 13에 있어서,
    상기 애완동물의 행동은 상기 FFT 적용부에서 FFT의 주기성 특징을 구분하여 추출되는, 애완동물 상태 분석 시스템.
15. 청구항 12에 있어서,
    상기 수신부를 구비하는 애플리이션 프로그래밍 인터페이스(application programming interface, API)를 더 포함하는, 애완동물 상태 분석 시스템.
16. 청구항 15에 있어서,
    상기 API와의 사이에 배치되어 상기 API와의 연동이나, 신호 및 데이터 송수신을 제어하는 시스템환경 또는 중앙컨트롤러를 더 포함하는, 애완동물 상태 분석 시스템.
17. 청구항 16에 있어서,
    상기 API에 연결되어 상기 상태 추론부의 분석 결과를 공유하는 SNS(social network service) 서버를 더 포함하는, 애완동물 상태 분석 시스템.
18. 청구항 17에 있어서,
    상기 시스템환경이나 중앙컨트롤러, 상기 SNS 서버 또는 이들 중 어느 하나에 연결되는 앱 서버는 상기 분석 결과를 미리 지정되거나 관련된 사용자 단말이나 사용자 단말의 애플리케이션에 제공하거나, 혹은 상기 사용자 단말로부터의 데이터 요청 신호에 따라 상기 애완동물 관련 패턴 데이터를 상기 사용자 단말에 제공하는, 애완동물 상태 분석 시스템.

Images