KR20190134584A - 강화학습을 이용한 수면 환경 조절 장치 - Google Patents

Abstract

본 개시의 일 실시예에서, 강화학습을 이용한 수면 환경 조절 장치가 개시된다. 강화학습을 이용한 수면 환경 조절 장치는 사용자가 위치할 수 있는 메인 바디; 상기 사용자의 생체 신호를 측정하여 현재 상태 정보 및 동작 후 상태 정보를 생성하는 센서부; 프로세어의 제어 신호에 기초하여 상기 사용자의 수면 상태를 변화시키기 위하여 상기 메인 바디의 온도 및 습도 중 적어도 하나를 조절하는 동작부; 하나 이상의 코어를 포함하는 프로세서; 및 상기 프로세서에서 실행가능한 프로그램 코드들을 저장하는 메모리; 를 포함하고, 상기 프로세서는, 상기 현재 상태 정보에 기초하여 상기 사용자의 현재 수면 적정성 정보를 생성하고, 상기 동작 후 상태 정보에 기초하여 상기 사용자의 동작 후 수면 적정성 정보를 생성하는 수면 적정성 정보 생성 모듈, 상기 현재 수면 적정성 정보에 기초하여 동작 결정 알고리즘에 기초하여 상기 동작부의 동작을 제어하는 동작 정보를 결정하는 동작 정보 결정 모듈, 그리고 상기 동작 후 수면 적정성 정보와 기준 수면 적정성 정보를 비교하여 상기 동작에 대한 적정성을 판단하여 상기 동작 결정 알고리즘을 업데이트 하는 동작 적정성 판단 모듈을 포함한다.

Description

강화학습을 이용한 수면 환경 조절 장치{DEVICE FOR CONTROLLING SLEEPING ENVIRONMENT USING REINFORCEMENT LEARNING}

본 개시는 수면 환경 조절 장치에 관한 것으로서, 보다 상세하게는, 사용자의 수면 효율을 높일 수 있도록 수면 환경을 조절해주는 장치에 관한 것이다.

최근 삶의 질이 향상되고 건강에 대한 관심이 급속히 진행됨에 따라 수면에 대한 관심이 증가하고 있다. 건강을 유지하고 개선시키는 방법에는 운동, 식이요법 등 다양한 방법이 있지만, 하루 중 약 30%의 시간을 차지하는 수면을 잘 관리하는 것이 무엇보다 중요하다. 하지만, 현대인들은 스트레스로 인해 숙면을 취하지 못하고 불면증, 과다수면, 기면증 및 수면무호흡증 등의 수면 이상과 악몽, 야경증 및 몽유병 등의 수면 장애로 고통받고 있다.

이러한 수면 이상과 수면 장애를 극복하기 위해 사용자가 수면을 취할 시 사용자의 생체 신호 측정하고, 측정 정보를 통해 사용자의 수면 상태를 모니터링하고 모니터링한 정보를 분석하여 수면 효율을 높이려는 기술들이 존재한다. 하지만, 종래의 기술들은 각기 다른 사용자 개개인마다 수면 패턴이 다르고, 수면환경에 영향을 받는 정도가 달라 높은 수면 환경을 제공하기 위한 방법에 한계가 있다. 따라서 당 업계에서 사용자 개개인의 실시간 수면 패턴에 대응하여 수면 효율을 증진시킬 수 있는 수면 관리 솔루션에 대한 수요가 존재한다.

KR 10-0791371

본 개시는 전술한 배경 기술에 대응하여 안출된 것으로, 사용자의 수면 효율을 높이기 위한 강화학습을 이용한 수면 환경 조절 장치를 제공하기 위한 것이다.

전술한 과제를 해결하기 위한 본 개시의 일 실시예에서, 강화학습을 이용한 수면 환경 조절 장치는 사용자가 위치할 수 있는 메인 바디; 상기 사용자의 생체 신호를 측정하여 현재 상태 정보 및 동작 후 상태 정보를 생성하는 센서부; 프로세어의 제어 신호에 기초하여 상기 사용자의 수면 상태를 변화시키기 위하여 상기 메인 바디의 온도 및 습도 중 적어도 하나를 조절하는 동작부; 하나 이상의 코어를 포함하는 프로세서; 및 상기 프로세서에서 실행가능한 프로그램 코드들을 저장하는 메모리; 를 포함하고, 상기 프로세서는, 상기 현재 상태 정보에 기초하여 상기 사용자의 현재 수면 적정성 정보를 생성하고, 상기 동작 후 상태 정보에 기초하여 상기 사용자의 동작 후 수면 적정성 정보를 생성하는 수면 적정성 정보 생성 모듈, 상기 현재 수면 적정성 정보에 기초하여 동작 결정 알고리즘에 기초하여 상기 동작부의 동작을 제어하는 동작 정보를 결정하는 동작 정보 결정 모듈, 그리고 상기 동작 후 수면 적정성 정보와 기준 수면 적정성 정보를 비교하여 상기 동작에 대한 적정성을 판단하여 상기 동작 결정 알고리즘을 업데이트 하는 동작 적정성 판단 모듈을 포함한다.

대안적으로, 상기 센서부는 사용자의 심박수, 호흡수, 움직임 및 뇌파 중 적어도 하나를 접촉 또는 비접촉 방식으로 측정하는 사용자 상태 측정 센서, 사용자가 수면을 취하는 실내의 온도 및 상기 사용자의 체온 중 적어도 하나를 측정하는 온도 센서 및 사용자가 수면을 취하는 실내의 습도를 측정하는 습도 센서 중 적어도 하나의 센서를 포함하며, 상기 센서 중 적어도 하나의 센서를 통해, 상기 현재 상태 정보, 실내 온도 정보 및 실내 습도 정보 중 적어도 하나를 획득할 수 있다.

대안적으로, 상기 동작부는 상기 메인 바디에 구비되며, 상기 사용자의 체온을 제어하기 위하여 상기 메인 바디에 열풍 및 냉풍 중 적어도 하나를 공급할 수 있다.

대안적으로, 상기 현재 상태 정보는 상기 센서부에서 측정된 상기 사용자의 호흡 상태 정보, 심박 상태 정보, 뇌파 정보 및 움직임 상태 정보 중 적어도 하나를 포함하며, 상기 사용자의 수면 수면주기 리듬의 한 주기동안의 측정 결과를 포함할 수 있다.

대안적으로, 상기 현재 수면 적정성 정보는 수면주기 리듬의 한 주기동안 측정된 상기 현재 상태 정보에 기초하여 생성될 수 있다.

대안적으로, 상기 동작 후 상태 정보는 상기 프로세서의 제어 신호에 의해 상기 동작부가 동작을 수행하는 수면주기 리듬의 한 주기동안의 생체 신호에 기초하여 생성될 수 있다.

대안적으로, 상기 동작 후 수면 적정성 정보는 수면주기 리듬의 한 주기동안 측정된 상기 동작 후 상태 정보에 기초하여 생성될 수 있다.

대안적으로, 상기 기준 수면 적정성 정보는 수면주기 리듬의 한 주기동안 사용자의 수면 효율을 최대로 하는 생체 신호를 기초하여 생성되며, 상기 동작 후 수면 적정성 정보의 목표가 되는 것을 특징으로 할 수 있다.

대안적으로, 상기 동작 결정 알고리즘은 인공 신경망으로 구성되며, 상기 현재 수면 적정성 정보를 입력으로 하여 적어도 하나 이상의 후보 동작 정보 각각에 관한 스코어를 출력하고, 그리고 상기 후보 동작 정보 각각에 관한 스코어에 기초하여 상기 동작 정보를 결정할 수 있다.

대안적으로, 상기 동작 적정성 판단 모듈은 수면주기 리듬의 한 주기동안의 동작 후 수면 적정성 정보와 기준 수면 적정성 정보를 비교하여 유사도를 판단하여 상기 동작에 대한 적정성을 판단하고, 상기 유사도가 높은 경우 상기 동작 결정 알고리즘이 상기 현재 수면 적정성 정보에 기초하여 상기 동작 정보를 결정할 확률이 증가하도록 상기 동작 결정 알고리즘을 업데이트하거나, 또는 상기 유사도가 낮은 경우, 상기 동작 결정 알고리즘이 상기 현재 수면 적정성 정보에 기초하여 상기 동작 정보를 결정할 확률이 감소하도록 상기 동작 결정 알고리즘을 업데이트 할 수 있다.

본 개시의 다른 일 실시예에서, 강화학습을 이용하여 수면 환경을 조절하는 방법이 개시된다. 상기 방법은 생체 신호를 측정하여 현재 상태 정보를 생성하는 단계; 상기 현재 상태 정보에 기초하여 현재 수면 적정성 정보를 생성하는 단계; 상기 현재 수면 적정성 정보에 기초하여 동작 결정 알고리즘을 이용하여 동작 정보를 결정하는 단계; 상기 환경 조절 동작을 수행한 후 생체 신호를 측정하여 동작 후 상태 정보를 생성하는 단계; 상기 동작 후 상태 정보에 기초하여 동작 후 수면 적정성 정보를 생성하는 단계; 상기 동작 후 수면 적정성 정보와 기준 수면 적정성 정보를 비교하여 상기 환경 조절 동작에 대한 적정성을 판단하는 단계; 및 상기 환경 조절 동작에 대한 적정성 판단에 기초하여 동작 결정 알고리즘을 업데이트하는 단계;를 포함할 수 있다.

본 개시의 다른 일 실시예에서, 하나 이상의 프로세서들에 의해 실행 가능한, 컴퓨터 판독가능 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 상기 하나 이상의 프로세서로 하여금 이하의 동작들을 수행하도록 하며, 상기 동작들은:

생체 신호를 측정하여 현재 상태 정보를 생성하는 동작; 상기 현재 상태 정보에 기초하여 현재 수면 적정성 정보를 생성하는 동작; 상기 현재 수면 적정성 정보에 기초하여 동작 결정 알고리즘을 이용하여 동작 정보를 결정하는 동작; 상기 동작 정보에 기초하여 매트리스 메인 바디의 환경 조절 동작을 수행하는 동작; 상기 환경 조절 동작을 수행한 후 생체 신호를 측정하여 동작 후 상태 정보를 생성하는 동작; 상기 동작 후 상태 정보에 기초하여 동작 후 수면 적정성 정보를 생성하는 동작; 상기 동작 후 수면 적정성 정보와 기준 수면 적정성 정보를 비교하여 상기 환경 조절 동작에 대한 적정성을 판단하는 동작; 및 상기 환경 조절 동작에 대한 적정성 판단에 기초하여 동작 결정 알고리즘을 업데이트 하는 동작;을 포함할 수 있다.

본 개시는 사용자의 수면 효율을 높이기 위한 강화학습을 이용한 수면 환경 조절 장치를 제공할 수 있다.

다양한 양상들이 이제 도면들을 참조로 기재되며, 여기서 유사한 참조 번호들은 총괄적으로 유사한 구성요소들을 지칭하는데 이용된다. 이하의 실시예에서, 설명 목적을 위해, 다수의 특정 세부사항들이 하나 이상의 양상들의 총체적 이해를 제공하기 위해 제시된다. 그러나, 그러한 양상(들)이 이러한 구체적인 세부사항들 없이 실시될 수 있음은 명백할 것이다.
도 1은 본 개시의 일 실시예와 관련된 강화학습을 이용한 수면 환경 조절 장치의 시스템을 나타낸 개념도를 도시한다.
도 2는 본 개시의 일 실시예와 관련된 강화학습을 이용한 수면 환경 조절 장치의 블록 구성도를 도시한다.
도 3은 본 개시의 일 실시예와 관련된 강화학습을 이용한 수면 환경 조절 장치의 예시도를 도시한다.
도 4는 본 개시의 일 실시예와 관련된 강화학습을 이용한 수면 환경 조절 방법에 대한 순서도를 도시한다.
도 5는 본 개시의 일 실시예와 관련된 수면을 취하는 일반 성인의 수면 시간에 따른 수면 단계를 도시한 예시도이다.
도 6은 본 개시의 일 실시예와 관련된 강화학습을 이용한 수면 환경 조절 장치의 온도 조절 변화에 따른 사용자의 수면 단계 변화를 나타낸 예시도를 도시한다.
도 7은 본 개시의 일 실시예와 관련된 동작 후 수면 적정성 정보에 따른 수면 단계와 기준 수면 적정성 정보에 따른 수면 단계를 나타낸 예시도를 도시한다.
도 8은 본 개시의 일 실시예와 관련된 동작 결정 알고리즘을 구성하는 인공신경망의 구성도를 도시한다.
도 9는 본 개시의 일 실시예와 관련된 동작 결정 알고리즘을 통한 스코어(score)를 도출하는 예시도를 도시한다.
도 10은 본 개시의 일 실시예와 관련된 강화학습을 이용한 수면 환경 조절 방법을 구현하기 위한 수단을 도시한 블록 구성도이다.
도 11은 본 개시의 일 실시예와 관련된 강화학습을 이용한 수면 환경 조절 방법을 구현하기 위한 모듈을 도시한 블록 구성도이다.
도 12는 본 개시의 일 실시예와 관련된 강화학습을 이용한 수면 환경 조절 방법을 구현하기 위한 로직을 도시한 블록 구성도이다.
도 13은 본 개시의 일 실시예와 관련된 강화학습을 이용한 수면 환경 조절 방법을 구현하기 위한 회로를 도시한 블록 구성도이다.
도 14는 본 개시의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.

다양한 실시예들이 이제 도면을 참조하여 설명되며, 전체 도면에서 걸쳐 유사한 도면번호는 유사한 구성요소를 나타내기 위해서 사용된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다. 다른 예들에서, 공지된 구조 및 장치들은 실시예들의 설명을 용이하게 하기 위해서 블록 다이어그램 형태로 제공된다.

본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정, 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있고, 일 컴포넌트는 하나의 컴퓨터 내에 로컬화될 수 있고, 또는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통한 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.

제시된 실시예들에 대한 설명은 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

도 1은 본 개시의 일 실시예와 관련된 강화학습을 이용한 수면 환경 조절 장치(100)의 시스템을 나타낸 개념도를 도시한다.

본 개시의 일 실시예에 따르면, 강화학습을 이용한 수면 환경 조절 장치(100), 서버(10) 및 사용자 단말(20)은 무선 및/또는 유선을 통한 상호 연결을 통해 정보를 전송할 수 있고, 그리고 수신 받을 수 있다.

본 개시의 일 실시예에 따르면, 강화학습을 이용한 수면 환경 조절 장치(100)는 사용자의 수면 상태를 측정 및 판단하고 그에 대응하여 사용자의 수면 환경을 제어할 수 있다. 보다 구체적으로, 강화학습을 이용한 수면 환경 조절 장치(100)는 사용자의 수면 상태를 측정할 수 있다. 또한 강화학습을 이용한 수면 환경 조절 장치(100)는 사용자의 측정된 정보를 통해 수면 상태에 대한 정보를 생성하여 수면의 질을 판단할 수 있다. 상기 사용자의 수면의 질에 대한 판단을 통해 강화학습을 이용한 수면 환경 조절 장치(100)는 사용자에게 수면 효율을 증진시키는 수면 환경을 제공할 수 있다.

본 개시의 일 실시예에 따르면, 강화학습을 이용한 수면 환경 조절 장치(100)는 수면 환경 조절 동작에 대해 강화학습을 할 수 있다. 구체적으로, 강화학습을 이용한 수면 환경 조절 장치(100)는 사용자의 수면 환경에서 사용자의 현재 수면 상태를 인식할 수 있다. 또한, 강화학습을 이용한 수면 환경 조절 장치(100)는 인식한 사용자의 수면 상태에 따라, 선택 가능한 동작들 중 보상을 최대화하는 동작 또는 동작 순서를 선택하여 학습할 수 있다. 따라서, 강화학습을 이용한 수면 환경 조절 장치(100)는 상기 학습을 통해 동작부(120)의 동작 방식을 결정할 수 있고, 그리고 상기 동작부(120)를 통한 수면 환경 조절을 통해 사용자의 수면 환경을 변화시켜 사용자의 수면 효율을 증진시킬 수 있다.

본 개시의 일 실시예에 따르면, 강화학습을 이용한 수면 환경 조절 장치(100)는 사용자의 수면 상태에 대한 분석 및 판단에 대한 전문적 지식이나 교육없이 수면 패턴 및 수면의 질을 측정 및 판단할 수 있다. 강화학습을 이용한 수면 환경 조절 장치(100)는 사용자의 생체 신호를 측정하며, 피드백 루프를 통해 사용자의 수면 상태를 모니터링하여 수면의 질을 판단할 수 있다. 또한, 상기 사용자의 수면의 질에 대한 판단을 통해 수면 환경을 개선하여 사용자의 수면 효율을 증진시킬 수 있다. 따라서, 강화학습을 이용한 수면 환경 조절 장치(100)는 사용자 개개인의 수면 상태에 대한 최적의 수면 환경을 제공할 수 있다.

본 개시의 다른 일 실시예에 따르면, 서버(10)는 강화학습을 수행하여 강화학습을 이용한 수면 환경 조절 장치(100)의 수면 환경 조절 동작을 제어할 수 있다. 구체적으로, 서버(10)는 강화학습을 이용한 수면 환경 조절 장치(100)로부터 사용자의 수면에 관련한 데이터를 수신하여 강화학습을 수행할 수 있다. 자세히 설명하면, 서버(10)는 사용자의 수면 상태를 측정하고, 상기 측정 정보에 기초하여 사용자의 수면 상태를 판단할 수 있다. 또한, 서버(10)는 사용자의 수면 상태 판단을 통해 강화학습을 이용한 수면 환경 조절 장치(100) 및 사용자 단말(20) 중 적어도 하나에게 수면 환경을 조절하기 위한 제어 신호를 전송함으로써 사용자의 수면 환경을 개선하여 사용자의 수면 효율을 증진시킬 수 있다. 즉, 서버(10)는 사용자 개개인의 수면 상태에 대한 최적의 수면 환경을 제공하기 위해 강화학습을 수행할 수 있다.

본 개시의 일 실시예에 따르면, 사용자 단말(20)은 강화학습을 이용한 수면 환경 조절 장치(100) 및 서버(10) 중 적어도 하나에 사용자 정보를 전송할 수 있다.

본 개시의 일 실시예에 따르면, 사용자 단말(20)은 강화학습을 이용한 수면 환경 조절 장치(100)의 환경 조절 동작을 제어할 수 있다. 구체적으로, 사용자 단말(20)은 강화학습을 이용한 수면 환경 조절 장치(100)에 제어 정보를 전송할 수 있다. 이때, 상기 제어 정보는 사용자 입력에 기초되어 생성되거나 또는, 서버(10)가 수행한 강화학습의 기초하여 생성될 수 있다. 또한 상기 제어 정보는 강화학습을 이용한 수면 환경 조절 장치(100)가 수면 환경 조절을 하기 위해 가동하는 온도 및 습도의 가동 범위를 포함할 수 있다. 즉, 사용자 단말(20)은 사용자의 입력 및 서버(10)가 수행한 강화학습 중 적어도 하나에 기초하여 강화학습을 이용한 수면 환경 조절 장치(100)에 제어 정보를 전송할 수 있다.

도 2는 본 개시의 일 실시예와 관련된 강화학습을 이용한 수면 환경 조절 장치(100)의 블록 구성도를 도시한다.

도 2에 도시된 강화학습을 이용한 수면 환경 조절 장치(100)의 컴포넌트들은 예시적인 것이다. 상기 컴포넌트 중 일부만이 강화학습을 이용한 수면 환경 조절 장치(100)를 구성할 수도 있다. 또한, 상기 컴포넌트 이외에 추가적인 컴포넌트(들)가 상기 강화학습을 이용한 수면 환경 조절 장치(100)에 포함될 수 있다.

본 개시의 일 실시예에 따른 강화학습을 이용한 수면 환경 조절 장치(100)에서 사용자의 수면 효율을 상승시키는 수면 환경을 조절하는 방법에 대하여 설명한다.

본 개시의 일 실시예에 따르면, 강화학습을 이용한 수면 환경 조절 장치(100)는 사용자의 수면 효율을 극대화할 수 있다. 구체적으로, 강화학습을 이용한 수면 환경 조절 장치(100)는 사용자의 수면 상태를 판단하여 수면 환경을 조절함으로써 사용자의 수면 효율을 증진시킬 수 있다. 자세히 설명하면, 강화학습을 이용한 수면 환경 조절 장치(100)는 프로세서(150)와 수면 환경 조절 동작에 대해 강화학습 방식으로 학습할 수 있다. 강화학습을 이용한 수면 환경 조절 장치(100)는 상기 학습을 통해 동작부(120)의 동작 방식을 결정할 수 있다. 학습을 통해 동작하는 동작부(120)는 사용자의 수면 상태를 변화시키기 위하여 메인바디(110)의 온도 및 습도를 조절하도록 동작할 수 있다. 따라서, 강화학습을 이용한 수면 환경 조절 장치(100)는 동작부(120)의 수면 환경 조절 동작을 통해 사용자에게 최적의 수면 환경을 제공할 수 있다.

도 2에 도시된 바와 같이 강화학습을 이용한 수면 환경 조절 장치(100)는 메인바디(110), 동작부(120), 메모리(130), 센서부(140) 프로세서(150), 입력부(160) 및 네트워크 연결부(170)를 포함할 수 있다.

본 개시의 일 실시예에 따르면, 강화학습을 이용한 수면 환경 조절 장치(100)는 사용자가 수면을 취할 수 있는 임의의 장치로 구성될 수 있으며, 예를 들어, 침대, 흙침대, 돌침대, 전기 매트, 온수 매트 및 냉수 매트 등의 형태로 구성되어 사용자의 수면 환경을 조절할 수 있다. 전술한 수면 환경 조절 장치(100)의 구체적인 기재는 예시일 뿐이며, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따르면, 메인바디(110)는 사용자의 신체가 안치되고, 사용자의 신체와 실질적으로 접촉하며 사용자의 신체를 지지하여 수면 장소를 제공하는 부재로서, 사용자가 안락함을 느끼며 눕거나 기댈 수 있는 임의의 구성을 포함할 수 있다. 상기 메인바디(110)는 침대 매트리스, 토퍼, 패드, 장판 및 이불 등 침구류 중 하나일 수 있으며, 이에 한정되지 않는다.

본 개시의 일 실시예에 따르면, 메인바디(110)의 내측에는 내측 통로(111)가 구비될 수 있다. 상기 내측 통로(111)는 동작부(120)에서 공급하는 열풍 및 냉풍이 이동하는 공간일 수 있다. 상기 동작부(120)에서 공급된 열풍 및 냉풍은 상기 내측 통로(111)의 상단을 통과하여 메인바디(110)에 온도를 조절할 수 있다. 또한, 상기 내측 통로(111)의 상단으로 통과한 열풍 및 냉풍은 침구류(112)(예를 들어, 이불 등)에 의해 온도가 보존될 수 있다. 즉, 강화학습을 이용한 수면 환경 조절 장치(100)는 최소의 동작으로 높은 효율의 수면 환경 변화를 가져올 수 있다.

본 개시의 일 실시예에 따르면, 동작부(120)는 메인바디(110)에 온도 및 습도 중 적어도 하나를 조절할 수 있다. 예를 들어, 동작부(120)는 사용자를 지지하는 메인바디(110)에 사용자의 체온을 제어하기 위하여 열풍 및 냉풍 중 적어도 하나를 공급할 수 있다. 또한 동작부(120)는 사용자를 지지하는 메인바디(110)에 습도를 제어하도록 제습 동작 및 가습 동작 중 적어도 하나의 동작을 수행할 수 있다. 따라서, 동작부(120)는 사용자의 체온 및 습도를 조절하여 수면 효율을 증진시킬 수 있다.

본 개시의 일 실시예에 따르면, 동작부(120)는 냉풍기, 온풍기, 가습기 및 제습기 중 적어도 하나를 포함하여 구성될 수 있다. 또한, 동작부(120)는 전기 또는 온수 등을 이용한 장치일 수 있다. 예를 들어, 전기 매트, 온수 매트 및 냉수 매트 등을 포함할 수 있다. 상기 전기 매트의 경우 소정의 매트리스 상부의 적어도 일 면에 전기가 통전함으로써 열을 생성하도록 발열선을 갖는 발열천을 포함할 수 있다. 상기 온수 매트 또는 냉수 매트의 경우 온수 또는 냉수가 순환하도록 소정의 온수 또는 냉수 순환 장치를 가짐으로써 소정의 온도를 제공할 수 있다. 즉, 동작부(120)는 온도 및 습도를 제어하여 사용자의 수면에 적합한 환경을 제공하는 장치면 어떠한 것도 적용될 수 있다. 상기 동작부(120)에 구비되는 구성들은 예시일 뿐, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따르면, 동작부(120)의 환경 조절 동작은 프로세서(150)로부터 수신하는 제어 정보에 기초할 수 있다. 구체적으로, 동작부(120)는 프로세서(150)로부터 제어 신호를 수신할 수 있다. 여기서 제어 신호는 동작 정보 결정 모듈(152)에 의해 결정된 신호일 수 있다. 그리고, 상기 제어 신호는 동작부(120)가 가동할 온도 및 습도 조절 동작 중 적어도 하나의 동작과 각각의 동작의 동작 시간을 포함할 수 있다.

다른 실시예에 따르면, 동작부(120)의 환경 조절 동작은 서버(10) 및 사용자 단말(20) 중 적어도 하나로부터 수신하는 제어 정보에 기초할 수 있다. 보다 구체적으로, 동작부(120)는 서버(10) 및 사용자 단말(20) 중 적어도 하나로부터 제어 정보를 수신할 수 있다. 여기서 제어 정보는 사용자 입력에 기초하여 생성되거나 또는, 서버(10)가 수행한 강화학습의 기초하여 생성될 수 있다. 또한, 상기 제어 정보는 동작부(120)가 가동할 온도 및 습도 조절 동작 중 적어도 하나의 동작과 각각의 동작의 동작 시간을 포함할 수 있다. 즉, 강화학습을 이용한 수면 환경 조절 장치(100)는 사용자의 입력에 기초하여 동작부(120)의 수면 환경 조절 동작을 제어할 수 있다.

즉, 동작부(120)는 프로세서(150)의 제어 신호 외에도, 서버 및 사용자 단말로부터 생성된 제어 정보를 통해 수면 환경 조절 동작을 수행 할 수 있다.

본 개시의 일 실시예에 따르면, 센서부(140)는 사용자의 심박수, 호흡수, 움직임 및 뇌파 중 적어도 하나를 접촉 또는 비접촉 방식으로 측정하는 사용자 상태 측정 센서를 포함할 수 있다. 상기 센서부(140)는 사용자 상태 측정 센서를 이용하여 사용자의 생체 신호를 측정할 수 있다. 센서부(140)는 사용자에 의해 가해지는 압력에 크기 및 빈도를 측정하는 사용자 상태 측정 센서를 통해 상기 사용자의 호흡에 대한 호흡 신호, 상기 사용자의 심박에 대한 심박 신호 및 상기 사용자의 움직임에 대한 움직임 신호 중 적어도 하나의 신호를 측정할 수 있다.

또한, 센서부(140)는 사용자가 수면을 취하는 실내의 온도 및 상기 사용자의 체온 중 적어도 하나를 측정하는 온도 센서 및 사용자가 수면을 취하는 실내의 습도를 측정하는 습도 센서 중 적어도 하나를 포함할 수 있다.

본 개시의 일 실시예에 따르면 센서부(140)는 추가적으로 수면 분석에 유용한 다양한 센서들을 포함할 수 있다. 예를 들어, 음향 센서, 뇌파 측정 센서, 혈압계, 공기 품질 센서 등의 센서들이 사용될 수 있으며, 본개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따르면, 센서부(140)가 구비되는 위치는 사용자의 생체 신호를 측정할 수 있는 곳 어디든 위치할 수 있으며, 강화학습을 이용한 수면 환경 조절 장치(100)와 분리되어 위치할 수도 있다.

본 개시의 일 실시예에 따르면, 프로세서(150)는 사용자의 수면 상태를 변화시키기 위해 수면 환경을 조절하는 동작부(120)를 제어할 수 있다. 구체적으로, 프로세서(150)는 동작부(120)에 제어 신호를 송신할 수 있다. 자세히 설명하면, 상기 제어 신호는 동작부(120)가 열풍, 냉풍, 제습 및 가습 동작 중 적어도 하나의 동작을 수행하게 하는 신호일 수 있다. 예를 들어, 사용자의 체온을 내리고 사용자가 위치한 공간의 습도를 올리고자 하는 경우 상기 제어 신호는 동작부(120)가 냉풍 공급 및 가습 동작을 수행하도록 하는 신호일 수 있고, 상기 동작부(120)는 냉풍 및 가습 동작을 수행하여 사용자의 체온을 내리고 사용자가 위치한 공간의 습도를 올릴 수 있다. 즉, 상기 제어 신호는 수면 환경의 다양한 조건을 변화시키도록 동작부를 제어하여 사용자의 수면의 질에 영향을 주고 개선된 환경에서 수면을 취하도록 할 수 있다. 상기 동작부(120)의 동작을 제어하는 제어 신호를 생성하는 프로세서(150)는 수면 적정성 정보 생성 모듈(151), 동작 정보 결정 모듈(152) 및 동작 적정성 판단 모듈(153)을 포함할 수 있다. 상기의 모듈들은 하기의 방법으로 동작부(120)의 동작을 제어하는 제어 신호를 생성할 수 있다.

본 개시의 일 실시예에 따르면, 상기 수면 적정성 정보 생성 모듈(151)은 현재 상태 정보에 기초하여 사용자의 현재 수면 적정성 정보를 생성할 수 있다. 자세히 설명하면, 수면 적정성 정보 생성 모듈(151)은 센서부(140)를 통해 측정한 측정 정보에 기초하여 생성된 현재 상태 정보를 기초하여 현재 수면 적정성 정보를 생성할 수 있다. 이때, 현재 수면 적정성 정보는 수면주기 리듬의 한 주기동안 측정된 현재 상태 정보에 대응하여 생성될 수 있다. 따라서, 현재 수면 적정성 정보는 수면주기 리듬의 한 주기동안 사용자 수면 상태에 관한 정보로 구성될 수 있다. 예를 들어, 현재 수면 적정성 정보는 한 주기동안 각 수면 단계 비율을 나타낸 비율 정보를 포함할 수 있다. 이때, 상기 각 수면 단계는 얕은 수면 단계, 보통 수면 단계, 깊은 수면 단계 및 REM 수면 단계로 구성될 수 있다. 예를 들어, 도 5는 본 개시의 일 실시예와 관련된 수면을 취하는 일반 성인의 수면 시간에 따른 수면 단계를 도시한 예시도이다. 강화학습을 이용한 수면 환경 조절 장치(100)는 상기 수면 단계에 따라 사용자의 수면주기 리듬의 한 주기를 판단할 수 있으며, 상기 수면주기 리듬의 한 주기동안의 정보에 기초하여 정보들을 생성할 수 있다. 상기 수면주기 리듬의 한 주기동안의 정보에 기초하여 생성된 정보는 현재 수면 적정성 정보, 동작 후 수면 적정성 정보 및 기준 수면 적정성 정보를 포함할 수 있다.

도 5에 도시된 바와 같이, 일반적으로 하루 밤에 성인의 수면 주기는 4~5회 정도 반복될 수 있다. 또한 도 5에 도시된 <표 1>과 같이, 수면 초기에는 깊은 수면의 비율이 높고, 수면 후기로 갈수록 REM 수면의 비율이 높은 것을 알 수 있다.

본 개시의 일 실시예에 따르면, 참조 번호 410, 420, 430, 440은 수면주기 리듬의 한 주기를 나타낼 수 있다. 구체적으로, 참조 번호 410은 사용자의 수면주기 리듬의 첫번째 주기, 참조번호 420은 두번째 주기, 참조번호 430은 세번째 주기, 참조번호 440은 네번째 주기가 될 수 있다.

도 5에 도시된 바와 같이, 한 주기동안 수면 단계는 각 주기 별로 비율이 다를 수 있다. 자세히 설명하면, 제 1 주기(410)는 참조번호 411, 412, 413, 414, 415를 포함하는 5개 구간일 수 있다. 상기 참조번호 411, 412, 413, 414, 415는 한 주기동안 시간에 따른 수면 단계의 변화를 나타낼 수 있다. 또한 제 2 주기(420)는 참조번호 421, 422, 423, 424를 포함하는 4개의 구간일 수 있다. 상기 참조번호 421, 422, 423, 424는 한 주기동안 시간에 따른 수면 단계의 변화를 나타낼 수 있다. 또한 세번째 한 주기(430)는 참조번호 431, 432, 433, 434를 포함하는 4개의 구간일 수 있다. 상기 참조번호 431, 432, 433, 434는 한 주기동안 시간에 따른 수면 단계의 변화를 나타낼 수 있다. 또한 네번째 한 주기(440)는 441, 442를 포함하는 2개의 구간일 수 있다. 상기 참조번호 441, 442는 한 주기동안 시간에 따른 수면 단계의 변화를 나타낼 수 있다. 즉, 각 주기에 대한 수면 단계의 변화 정도가 다르며 비율 또한 다를 수 있다. 예를 들어, 도 5에 도시된 <표 1>을 보면, 제 1 주기(410)와 참조번호 제 2 주기(420)의 얕은 수면, 보통 수면, 깊은 수면, REM 수면의 비율을 각각 다를 수 있다.

본 개시의 일 실시예에 따르면, 상기 동작 정보 결정 모듈(152)은 현재 수면 적정성 정보에 기초한 동작 결정 알고리즘을 이용하여 상기 동작부(120)의 동작을 제어하는 제어 신호를 생성하는 동작 정보를 결정할 수 있다. 상기 동작 결정 알고리즘은 인공 신경망으로 구성되며, 현재 수면 적정성 정보를 입력으로 하여 적어도 하나 이상의 후보 동작 정보 각각에 스코어를 출력할 수 있다. 또한, 동작 정보 결정 모듈(152)은 상기 후보 동작 정보들 각각에 관한 스코어에 기초하여 동작 정보를 결정할 수 있다. 구체적으로, 동작 결정 알고리즘은 수면주기 리듬의 한 주기동안의 사용자에 수면 상태에 대한 현재 수면 적정성 정보에 기초하여 그에 대응하는 후보 동작 정보들에 스코어를 출력하고, 후보 동작 정보들 중 스코어가 최대가 되는 동작 정보를 결정할 수 있다. 여기서 상기 후보 동작 정보는 제어 신호가 될 수 있는 가능성이 있는 동작 정보로서, 동작 정보 결정 모듈(152)이 특정한 동작을 수행하도록 하는 하나 이상의 옵션들(선택지들)일 수 있다. 예를 들어, 도 9에 도시된 바와 같이, 후보 동작 정보들 각각에 관한 스코어는 인공 신경망(800)을 통해 산출될 수 있다(참조번호 910). 이때 인공 신경망(800)을 통해 산출된 3개의 후보 동작 정보는 각각 제 1 후보 동작 정보, 제 2 후보 동작 정보, 제 3 후보 동작 정보일 수 있다. 상기 후보 동작 정보에는 1~2시간까지 온도를 34.6도로, 2~3시간까지 온도를 34.3도로, 3~4시간까지 온도를 34도로 감소하도록 동작시키는 제 1 후보 동작 정보(참조번호 920), 1~2시간까지 온도를 35도로, 2~3시간까지 온도를 34.8도로, 3~4시간까지 온도를 34.7도로 감소하도록 동작시키는 제 2 후보 동작 정보(참조번호 930) 및 1~2시간까지 온도를 34.8도로, 2~3시간까지 온도를 34.6도로, 3~4시간까지 온도를 34.3도로 감소하도록 동작시키는 제 3 후보 동작 정보(참조번호 940) 등이 포함될 수 있다. 이때 동작 결정 알고리즘은 수면 적정성 정보를 인공 신경망(800)으로 처리하여 제 1 후보 동작 정보의 스코어가 1점(참조번호 921), 제 2 후보 동작 정보의 스코어가 13점(참조번호 931), 제 3 후보 동작 정보의 스코어가 8점(참조번호 941) 임을 도출할 수 있다. 즉, 동작 결정 알고리즘은 스코어에 기초하여 제 2 후보 동작 정보를 동작 정보로 결정할 수 있다. 또한, 상기 후보 동작들 중 제 2 후보 동작 정보를 통해 환경 조절 동작을 수행 하였을 때, 사용자의 수면 효율이 가장 좋을 수 있다. 도 9에 도시된 후보 동작 정보들, 후보 동작 정보들의 수, 노드의 수, 그래프 및 스코어(score)는 예시일 뿐, 사용자의 수면 환경에 따라 후보 동작 정보의 개수 및 스코어 점수는 변할 수 있다.

본 개시의 일 실시예에 따르면, 동작 결정 알고리즘은 인공 신경망으로 구성될 수 있다. 상기 인공 신경망(800)은 일반적으로 “노드”라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 “노드”들은 “뉴런(neuroun)”들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망(800)들을 구성하는 노드(또는 뉴런)들은 하나 이상의 “링크”에 의해 상호 연결될 수 있다.

신경망(800) 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 전술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망(800)이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 업데이트될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

전술한 바와 같이, 신경망(800)은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망(800)내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망(800)의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망(800)이 존재하는 경우, 두 개의 신경망(800)들은 서로 상이한 것으로 인식될 수 있다.

본 개시의 일 실시예에 따르면, 상기 수면 적정성 정보 생성 모듈(151)은 동작 후 상태 정보에 기초하여 사용자의 동작 후 수면 적정성 정보를 생성할 수 있다. 자세히 설명하면, 수면 적정성 정보 생성 모듈(151)은 동작부(120)가 동작을 수행하는 동안 센서부(140)를 통해 측정한 측정 정보에 기초하여 생성된 동작 후 상태 정보를 기초하여 동작 후 수면 적정성 정보를 생성할 수 있다. 이때, 동작 후 수면 적정성 정보는 수면주기 리듬의 한 주기동안 측정된 상기 동작 후 상태 정보에 대응하여 생성될 수 있다. 따라서, 동작 후 수면 적정성 정보는 수면주기 리듬의 한 주기동안의 사용자 수면 상태에 관한 정보로 구성될 수 있다. 예를 들어, 도 5에 도시된 바와 같이, 동작 후 수면 적정성 정보는 수면주기 리듬의 각 주기에 관한 정보를 포함할 수 있다. 또한 동작 후 수면 적정성 정보는 도 5의 <표 1>에 도시된 바와 같이, 각 주기별 사용자의 수면 단계 별 비율을 나타낸 정보를 포함할 수 있다.

본 개시의 일 실시예에 따르면, 수면 적정성 정보 생성 모듈(151)은 기준 수면 적정성 정보를 생성할 수 있다. 구체적으로, 수면 적정성 정보 생성 모듈(151)은 동작 후 수면 적정성 정보의 목표가 되는 기준 수면 적정성 정보를 생성할 수 있다. 즉, 기준 수면 적정성 정보는 얕은 수면이 최소가 되는 수면주기 리듬에 관한 정보일 수 있다. 예를 들어, 기준 수면 적정성 정보는 깊은 수면이 70%, 램 수면이 30% 인 상태를 의미할 수 있다. 또한 예를 들어, 기준 수면 적정성 정보는 얕은 수면이 0% 인 상태를 의미할 수도 있다. 전술한 기준 수면 적정성 정보는 예시일 뿐이며 본 개시는 이에 제한되지 않는다. 또한, 수면 적정성 정보 생성 모듈(151)은 사전 결정된 정보에 기초하여 기준 수면 적정성 정보를 생성할 수 있고, 그리고 사용자의 수면 패턴에 따른 사용자 맞춤형으로 기준 수면 적정성 정보를 생성할 수도 있다. 예를 들어, 수면 적정성 정보 생성 모듈(151)이 사전 결정된 정보에 기초하여 기준 수면 적정성 정보를 생성할 경우, 미리 결정된 기준 수면 적정성 정보를 사용자가 선택할 수 있다. 자세히 설명하면, 상기 사용자는 연령, 성별, 지역 등 다양하게 분류된 기준 수면 적정성 정보를 선택할 수 있다. 다른 예를 들어, 수면 적정성 정보 생성 모듈(151)이 사용자 맞춤형으로 기준 수면 적정성 정보를 생성할 경우, 사용자의 수면 효율을 최대로 하는 생체 신호에 기초하여 기준 수면 적정성 정보를 생성할 수 있다. 즉, 기준 수면 적정성 정보는, 깊은 수면이 증가하고, 수면 도중 깨어나는 비율이 현저히 감소하며, REM수면이 증가하는 등 사용자의 전체적인 수면 효율이 최대가 되는 정보일 수 있다.본 개시의 일 실시예에 따르면, 상기 동작 적정성 판단 모듈(153)은 동작 후 수면 적정성 정보와 기준 수면 적정성 정보를 비교하여 동작에 대한 적정성을 판단할 수 있다. 구체적으로, 상기 동작 적정성 판단 모듈(153)은 수면주기 리듬의 한 주기동안의 동작 후 수면 적정성 정보와 기준 수면 적정성 정보를 비교하여 유사도를 판단할 수 있다. 자세히 설명하면, 동작 후 수면 적정성 정보의 수면 단계와 기준 수면 적정성 정보의 수면 단계를 각 단계에 따른 비율을 비교하여 유사도를 판단할 수 있다. 여기서 상기 수면 단계는 얕은 수면 단계, 보통 수면 단계, 깊은 수면 단계 및 REM수면 단계를 포함할 수 있다. 예를 들어, 환경 조절 동작 후 사용자의 수면주기 리듬의 한 주기동안의 정보를 포함하는 동작 후 수면 적정성 정보의 얕은 수면, 보통 수면, 깊은 수면, REM 수면을 기준 수면 적정성 정보의 얕은 수면, 보통 수면, 깊은 수면 및 REM 수면의 비율과 각각 비교하여 유사도를 판단할 수 있다. 상기 유사도를 판단하는 방법은 구체적으로, 한 주기동안의 시간의 흐름에 따른 유사도를 측정하는 시계열 유사도 판단 방법, 한 주기동안의 각 수면 단계의 비율에 대한 비교를 통해 유사도를 판단하는 방법 및 상기 동작 후 수면 적정성 정보의 수면주기 리듬 그래프와 상기 기준 적정성 정보의 수면주기 리듬 그래프에서 각각 대응하는 지점의 거리를 계산하여 유사도를 판단하는 그래프 유사도 측정 방법 중 적어도 하나의 방법일 수 있다. 즉, 동작 적정성 판단 모듈(153)은 동작부의 동작에 따른 사용자의 수면 적정성 정보가 기준 수면 적정성 정보(즉, 이상적인 수면 상태)와 가까워 지는지 여부를 판단할 하여 동작 정보 결정 모듈이 결정한 동작이 사용자의 수면의 질을 향상시켰는지 여부(즉, 리워드)를 판단할 수 있다. 전술한 유사도를 판단하는 방법의 기재는 예시일 뿐, 본 개시는 이에 한정되지 않는다.

본 개시의 일 실시예에 따르면, 상기 동작 적정성 판단 모듈(153)은 상기 동작에 대한 적정성 판단을 통해 동작 결정 알고리즘을 업데이트 할 수 있다. 동작 적정성 판단 모듈(153)은 동작 결정 알고리즘을 업데이트 할 수 있다. 구체적으로, 상기 유사도에 따른 판단에 기초하여 상기 유사도가 높은 경우, 동작 적정성 판단 모듈(153)은 동작 결정 알고리즘이 현재 수면 적정성 정보에 기초하여 해당 동작 정보를 결정할 확률이 증가하도록 상기 동작 결정 알고리즘을 업데이트 할 수 있다. 또한, 상기 유사도가 낮은 경우, 동작 적정성 판단 모듈(153)은 상기 동작 결정 알고리즘이 현재 수면 적정성 정보에 기초하여 동작 정보를 결정할 확률이 감소하도록 동작 결정 알고리즘을 업데이트 할 수 있다. 동작 적정성 판단 모듈(153)은 동작 결정 알고리즘의 인공 신경망의 가중치를 업데이트 하여 동작 결정 알고리즘을 업데이트 할 수 있다. 예를 들어, 수면주기 리듬의 한 주기동안의 동작 후 수면 적정성 정보와 기준 수면 적정성 정보를 비교한 유사도가 98%인 경우, 해당 동작 정보를 수행함으로 인하여 사용자의 수면의 질이 향상되었으므로, 동작 적정성 판단 모듈(153)은 해당 동작 정보가 선택될 확률이 증가하도록 동작 결정 알고리즘을 업데이트 할 수 있다. 또한, 수면주기 리듬의 한 주기동안의 동작 후 수면 적정성 정보와 기준 수면 적정성 정보를 비교한 유사도가 14%인 경우, 동작 적정성 판단 모듈(153)은 해당 동작 정보가 선택될 확률이 감소하도록 동작 결정 알고리즘을 업데이트 할 수 있다. 동작 적정성 판단 모듈(153)은 유사도가 높을수록 해당 동작 정보가 선택될 확률을 증가시키며, 유사도가 낮을수록 해당 동작 정보가 선택될 확률을 감소시킬 수 있다. 예를 들어, 이전 수면주기 리듬 동안 사용자가 뒤척인 시간이 많았고 깊은 수면 시간이 상대적으로 적었던 경우, 이전 수면주기 동안의 동작 정보는 사용자의 수면의 질을 떨어트리는 동작 정보이므로 동작 적정성 판단 모듈(153)은 이전 수면주기 동안의 동작 정보가 선택되지 않도록 동작 결정 알고리즘을 업데이트 할 수 있다. 이 경우, 동작 정보 결정 모듈은 업데이트된 동작 결정 알고리즘에 따라 사용자가 뒤척이는 시간이 줄어들도록 상대적으로 수면주기 리듬의 한 주기가 시작되는 시점부터 초반 일정 부분 동안 온도를 높이는 동작을 수행할 것을 결정할 수 있다. 한주기가 시작되는 시점부터 초반 일정 부분 동안 온도를 높이는 동작을 수행한 후 센서부의 센싱 결과에 따라 사용자가 뒤척이는 시간이 감소한 경우, 동작 적정성 판단 모듈은 해당 동작이 적정한 것으로 판단하고 사용자가 뒤척임이 많은 경우에(즉, 유사한 환경에서) 초반 일정 부분 동안 온도를 높이는 동작을 수행할 확률이 높아지도록(즉, 유사한 환경에서 바람직한 결과를 도출하였던 이전의 동작과 유사한 동작을 수행하도록) 동작 결정 알고리즘을 업데이트 할 수 있다.

본 개시의 일 실시예에 따르면, 메모리(130)는 프로세서(150)에서 실행가능한 프로그램 코드 및 사용자 데이터를 저장할 수 있다. 예를 들어, 메모리(130)는 사용자와 관련된 환경으로부터 대응하는 환경 데이터와 사용자의 수면으로부터 이력 정보에 관련한 사용자 데이터를 저장할 수 있다.

본 개시의 일 실시예에 따르면, 입력부(160)는 강화학습을 이용한 수면 환경 조절 장치(100)에 구비되며, 입력 버튼, 터치 스크린, 또는 이들의 조합으로 구성할 수 있다. 입력부(160)는 사용자의 정보를 입력 받을 수 있다. 예를 들어, 입력부(160)는 사용자로부터 사용자의 연령, 성별, 지역 및 설문 조사 결과 중 적어도 하나의 사용자 정보를 입력 받을 수 있다. 여기서 상기 설문 조사 결과는 사용자의 수면주기 리듬을 파악하기 위한 설문 조사에 대한 결과 정보일 수 있다. 또한, 수면 패턴에 관한 정보, 취침 시간 및 기상 시간 중 적어도 하나를 입력 받을 수 있다. 상기 입력부(160)를 통해 입력 받는 정보는 예시일 뿐, 본 개시는 이에 한정되지 않는다.

또한, 입력부(160)는 강화학습을 이용한 수면 환경 조절 장치(100)에 입력 버튼 형태 및 터치스크린 형태로 구비될 수 있다. 상기 입력부(160)가 구비되는 위치는 사용자가 용이하게 사용자 정보를 입력할 수 있는 강화학습을 이용한 수면 환경 조절 장치(100)의 일 측면일 수 있으며, 본 개시는 이에 제한되지 않는다.

본 개시의 일 실시예에 따르면, 네트워크 연결부(170)는 강화학습을 이용한 수면 환경 조절 장치(100)가 아닌 외부 기기 또는 어플리케이션에서 입력된 사용자 정보를 수신 받을 수 있다. 외부 기기의 예시로는, PC, 휴대 단말기, 웨어러블 장치 등이 있을 수 있다. 또한 네트워크 연결부(170)는 센서부(140), 동작부(120), 프로세서(150), 입력부(160) 간의 데이터 통신을 위한 채널을 형성할 수 있다.

본 개시의 일 실시예에 따르면, 네트워크 연결부(170)는 서버(10) 및 사용자 단말(20) 중 적어도 하나로부터 제어 정보를 수신할 수 있다. 보다 구체적으로, 네트워크 연결부(170)는 네트워크 접속을 위한 유/무선 인터넷 모듈을 포함할 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. 유선 인터넷 기술로는 XDSL(Digital SubscriberLine), FTTH(Fibers to the home), PLC(Power Line Communication) 등이 이용될 수 있다.

또한, 네트워크 연결부(170)는 근거리 통신 모듈을 포함하여, 사용자 단말(20)과 비교적 근거리에 위치하고 근거리 통신 모듈을 포함한 전자 장치와 데이터를 송수신할 수 있다. 근거리 통신(short range communication) 기술로 블루투스(Bluetooth), RFID(Radio Frequency Identification), 적외선 통신(IrDA, infrared Data Association), UWB(Ultra Wideband), ZigBee 등이 이용될 수 있다.

도 3은 본 개시의 일 실시예와 관련된 강화학습을 이용한 수면 환경 조절 장치(100)의 예시도를 도시한다.

본 개시의 일 실시예에 따르면, 강화학습을 이용한 수면 환경 조절 장치(100)는 사용자의 수면 상태를 변화시키기 위해 메인바디(110)의 온도 및 습도를 제어할 수 있다.

도 3에 도시된 바와 같이, 메인바디(110)의 내측에는 내측 통로(111)가 구비될 수 있다. 상기 내측 통로(111)는 동작부(120)에서 공급하는 열풍 및 냉풍이 이동하는 공간일 수 있다. 상기 동작부(120)에서 공급된 열풍 및 냉풍은 상기 내측 통로(111)의 상단을 통과하여 메인바디(110)에 온도를 조절할 수 있다. 또한, 상기 내측 통로(111)의 상단으로 통과한 열풍 및 냉풍은 침구류(112)에 의해 온도가 보존 될 수 있다. 즉, 강화학습을 이용한 수면 환경 조절 장치(100)는 최소의 동작으로 높은 효율의 수면 환경 변화를 가져올 수 있다.

본 개시의 일 실시예에 따르면, 동작부(120)는 메인바디(110)에 구비될 수 있다. 상기 동작부(120)가 구비되는 위치는 메인바디와 분리되거나 메인바디(110)의 하단 부분일 수 있다. 예를 들어, 도 3에 도시된 바와 같이, 메인바디(110)에 사용자가 누웠을 경우, 사용자의 발이 위치하게 되는 메인바디(110)의 하단 부분일 수 있다. 전술한 동작부(120)가 구비되는 위치는 예시일뿐, 본개시는 이에 한정되지 않는다.

또한, 동작부(120)는 메인바디(110)에 온도 및 습도 중 적어도 하나를 조절할 수 있다. 예를 들어, 동작부(120)는 사용자를 지지하는 메인바디(110)에 사용자의 체온을 제어하기 위하여 열풍 및 냉풍 중 적어도 하나를 공급할 수 있다. 또한 동작부(120)는 사용자를 지지하는 메인바디(110)에 습도를 제어하도록 제습 동작 및 가습 동작 중 적어도 하나의 동작을 수행할 수 있다. 따라서, 동작부(120)는 사용자의 체온 및 습도를 제어하여 수면 효율을 증진시킬 수 있다.

도 4는 본 개시의 일 실시예와 관련된 강화학습을 이용한 수면 환경 조절 방법에 대한 순서도를 도시한다.

강화학습을 이용한 수면 환경 조절 장치(100)는 사용자의 수면 상태를 측정 및 판단하고 그에 대응하여 사용자의 수면 환경을 제어할 수 있다. 강화학습을 이용한 수면 환경 조절 장치(100)는 사용자의 수면 상태를 측정할 수 있다. 또한 강화학습을 이용한 수면 환경 조절 장치(100)는 사용자의 측정된 정보를 통해 수면 상태에 대한 정보를 생성하여 수면의 질을 판단할 수 있다. 상기 사용자의 수면의 질에 대한 판단을 통해 강화학습을 이용한 수면 환경 조절 장치(100)는 사용자에게 수면 효율을 증진시키는 수면 환경을 제공할 수 있다.

본 개시의 일 실시예에 따르면, 강화학습을 이용한 수면 환경 조절 장치(100)는 사용자의 생체 신호를 측정할 수 있다(210). 구체적으로, 강화학습을 이용한 수면 환경 조절 장치(100)는 사용자가 수면을 취할 경우, 사용자의 심박신호, 뇌파신호, 호흡신호 및 움직임 신호 중 적어도 하나를 측정할 수 있다. 또한 강화학습을 이용한 수면 환경 조절 장치(100)는 사용자의 체온 및 사용자가 수면을 취하는 실내의 온도 및 습도를 측정할 수 있다. 강화학습을 이용한 수면 환경 조절 장치(100)는 상기의 측정 정보에 기초하여 현재 상태 정보를 생성할 수 있다.

본 개시의 일 실시예에 따르면, 강화학습을 이용한 수면 환경 조절 장치(100)는 현재 수면 적정성 정보를 생성할 수 있다(220). 자세히 설명하면, 강화학습을 이용한 수면 환경 조절 장치(100)는 센서부(140)를 통해 측정한 측정 정보에 기초하여 생성된 현재 상태 정보를 기초하여 현재 수면 적정성 정보를 생성할 수 있다. 이때, 현재 수면 적정성 정보는 수면주기 리듬의 한 주기동안 측정된 상기 현재 상태 정보에 대응하여 생성될 수 있다. 따라서, 현재 수면 적정성 정보는 수면주기 리듬의 한 주기동안의 사용자 수면 상태에 관한 정보를 포함할 수 있다. 예를 들어, 현재 수면 적정성 정보는 한 주기동안의 사용자 수면 단계의 비율을 포함하는 정보일 수 있다.

본 개시의 일 실시예에 따르면, 강화학습을 이용한 수면 환경 조절 장치(100)는 동작 결정 알고리즘을 이용하여 동작 정보를 결정할 수 있다(230). 상기 동작 결정 알고리즘은 인공 신경망으로 구성되며, 현재 수면 적정성 정보를 입력으로 하여 적어도 하나 이상의 후보 동작 정보 각각에 스코어를 출력할 수 있다. 또한, 동작 결정 알고리즘은 상기 후보 동작 정보 각각에 관한 스코어에 기초하여 동작 정보를 결정할 수 있다. 구체적으로, 동작 결정 알고리즘은 수면주기 리듬의 한 주기동안의 사용자에 수면 상태에 대한 현재 수면 적정성 정보를 기초하여 그에 대응하는 여러 동작 정보들에 스코어를 출력하고, 동작 정보 중 스코어가 최대가 되는 동작 정보를 결정할 수 있다. 예를 들어, 동작 결정 알고리즘이 현재 수면 적정성 정보를 기초로 하여 출력한 동작 정보에 대한 스코어가 10, 8, 18, 2, 3, 6 인 경우, 상기 동작 결정 알고리즘은 동작 정보 중 스코어가 가장 높은 18을 선택하여 동작 정보를 결정할 수 있다. 전술한 동작 정보에 대한 스코어 수치의 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다. 즉, 동작 결정 알고리즘은 사용자의 현재 상태에 따른 복수의 동작 옵션들을 가질 수 있으며, 인공 신경망의 연산을 이용하여 복수의 동작 옵션 중 가장 적정한 동작을 동작 정보로 선택할 수 있다.

본 개시의 일 실시예에 따르면, 강화학습을 이용한 수면 환경 조절 장치(100)는 환경 조절 동작을 수행할 수 있다(240). 강화학습을 이용한 수면 환경 조절 장치(100)는 동작부(120)를 통해 환경 조절 동작을 수행할 수 있다. 상기 동작부(120)는 메인바디(110)에 구비되어 사용자의 체온 및 습도를 제어하기 위해 열풍, 냉풍, 제습 및 가습 동작 중 적어도 하나의 동작을 수행할 수 있다. 동작부(120)는 동작 결정 알고리즘에 의해 결정된 동작 정보를 기초하여 상기와 같은 동작을 수행할 수 있다. 예를 들어, 동작 결정 알고리즘에서 결정한 동작 정보가 사용자의 체온을 상승시키는 정보라면, 상기 동작부(120)는 열풍을 공급하여 사용자의 체온을 상승시킬 수 있다. 다른 예를 들어, 동작 결정 알고리즘에서 결정한 동작 정보가 사용자의 체온을 내리고 사용자가 위치한 공간의 습도를 올리는 정보라면, 상기 동작부(120)는 냉풍 및 제습 동작을 수행하여 사용자의 체온을 내리고 사용자가 위치한 공간의 습도를 올릴 수 있다.

본 개시의 일 실시예에 따르면, 강화학습을 이용한 수면 환경 조절 장치(100)는 동작 후 수면 적정성 정보를 생성할 수 있다(250). 자세히 설명하면, 강화학습을 이용한 수면 환경 조절 장치(100)는 동작부(120)가 동작을 수행하는 동안 센서부(140)를 통해 측정한 측정 정보에 기초하여 생성된 동작 후 상태 정보를 기초하여 동작 후 수면 적정성 정보를 생성할 수 있다. 이때, 동작 후 수면 적정성 정보는 수면주기 리듬의 한 주기동안 측정된 상기 동작 후 상태 정보에 대응하여 생성될 수 있고 하루를 기준으로 할 수도 있다. 따라서, 동작 후 수면 적정성 정보는 수면주기 리듬의 한 주기동안의 사용자 수면 상태에 관한 정보를 포함할 수 있다. 예를 들어, 동작 후 수면 적정성 정보는 한 주기동안의 사용자의 각각의 수면 단계의 비율을 포함하는 정보일 수 있다.

본 개시의 일 실시예에 따르면, 강화학습을 이용한 수면 환경 조절 장치(100)는 기준 수면 적정성 정보를 생성할 수 있다. 구체적으로, 강화학습을 이용한 수면 환경 조절 장치(100)는 동작 후 수면 적정성 정보의 목표가 되는 기준 수면 적정성 정보를 생성할 수 있다. 자세히 설명하면, 강화학습을 이용한 수면 환경 조절 장치(100)는 수면주기 리듬의 한 주기동안 사용자의 수면 효율을 최대로 하는 생체 신호 및 사용자 입력 정보에 기초하여 기준 수면 적정성 정보를 생성할 수 있다. 예를 들어, 상기 기준 수면 적정성 정보는 깊은 수면이 증가하고, 수면 도중 깨어나는 비율이 현저히 감소하며, REM 수면 증가하는 등 전체적인 수면 효율이 최대가 되는 정보일 수 있다.

본 개시의 일 실시예에 따르면, 강화학습을 이용한 수면 환경 조절 장치(100)는 동작 후 수면 적정성 정보와 기준 수면 적정성 정보를 비교하여 상기 환경 조절 동작에 대한 적정성을 판단할 수 있다(260). 강화학습을 이용한 수면 환경 조절 장치(100)는 동작 적정성 판단 모듈(153)을 통해 환경 조절 동작에 적정성을 판단할 수 있다. 구체적으로, 상기 동작 적정성 판단 모듈(153)은 수면주기 리듬의 한 주기동안의 동작 후 수면 적정성 정보와 기준 수면 적정성 정보를 비교하여 유사도를 판단할 수 있다. 자세히 설명하면, 동작 후 수면 적정성 정보의 수면 단계와 기준 수면 적정성 정보의 수면 단계를 각 단계에 따른 비율을 비교하여 유사도를 판단할 수 있다. 여기서 상기 수면 단계는 얕은 수면 단계, 보통 수면 단계, 깊은 수면 단계 및 REM수면 단계를 포함할 수 있다. 예를 들어, 도 7에 도시된 바와 같이, 사용자의 수면 상태를 측정하여 생성된 동작 후 수면 적정성 정보의 수면주기 리듬은 참조번호 610, 참조번호 620, 참조번호 630, 참조번호 640으로 나타날 수 있다. 또한, 사용자의 수면 효율을 최대로 하며, 동작 후 수면 적정성 정보의 목표가 되는 기준 수면 적정성 정보의 수면주기 리듬은 참조번호 710, 참조번호 720, 참조번호 730, 참조번호 740으로 나타날 수 있다.

본 개시의 일 실시예에 따르면, 도 7에 도시한 바와 같이, 동작 후 수면 적정성 정보에 따른 얕은 수면, 보통 수면, 깊은 수면, REM 수면과 기준 수면 적정성 정보에 따른 얕은 수면, 보통 수면, 깊은 수면, REM 수면의 그래프 형태를 비교할 수 있다. 예를 들어, 참조번호 610과 참조번호 710을 비교하면, 얕은 수면 및 보통 수면의 비율이 상대적으로 적으며, 깊은 수면 및 REM 수면의 비율이 크다는 것을 알 수 있다. 또한, 상기 서술한 비율은 참조번호 610 및 참조번호 710의 비교뿐만 아니라, 참조번호 620 및 참조번호 720, 참조번호 630 및 참조번호 730, 참조번호 640 및 참조번호 740의 비교에서 또한 비율 양상이 유사하게 나타남을 확인할 수 있다. 즉, 기준 수면 적정성 정보는 동작 후 수면 적정성 정보의 목표가 되며, 사용자의 수면 효율을 최대로 하는 수면 단계에 관한 정보일 수 있다.

본 개시의 일 실시예에 따르면, 강화학습을 이용한 수면 환경 조절 장치(100)는 동작 후 수면 적정성 정보와 기준 수면 적정성 정보를 비교하여 동작에 대한 적정성을 판단할 수 있다. 구체적으로, 강화학습을 이용한 수면 환경 조절 장치(100)는 수면주기 리듬의 한 주기동안의 동작 후 수면 적정성 정보와 기준 수면 적정성 정보를 비교하여 유사도를 판단할 수 있다. 자세히 설명하면, 강화학습을 이용한 수면 환경 조절 장치(100)는 동작 후 수면 적정성 정보의 제 1주기(610)와 기준 수면 적정성 정보의 제 1주기(710)의 각각의 수면 단계의 비율을 각각 비교할 수 있다. 예를 들어, 참조번호 610에서의 얕은 수면, 보통 수면, 깊은 수면, REM 수면의 비율과 참조번호 710에서의 얕은 수면, 보통 수면, 깊은 수면, REM 수면의 비율을 각각 비교하여 유사도를 판단할 수 있다. 상기 유사도를 판단하는 방법은 구체적으로, 한 주기동안의 시간의 흐름에 따른 유사도를 측정하는 시계열 유사도 판단 방법, 한 주기동안의 각 수면 단계의 비율에 대한 비교를 통해 유사도를 판단하는 방법 및 상기 동작 후 수면 적정성 정보의 수면주기 리듬 그래프와 상기 기준 적정성 정보의 수면주기 리듬 그래프에서 각각 대응하는 지점의 거리를 계산하여 유사도를 판단하는 그래프 유사도 측정 방법 중 적어도 하나의 방법일 수 있다. 전술한 유사도를 판단하는 방법의 기재는 예시일 뿐, 본 개시는 이에 한정되지 않는다.

따라서, 강화학습을 이용한 수면 환경 조절 장치(100)는 상기의 방법을 통해 동작 후 수면 적정성 정보와 기준 수면 적정성 정보를 비교하여 사용자의 수면에 대한 적정성을 판단할 수 있다. 예를 들어, 동작 후 수면 적정성 정보와 기준 수면 적정성 정보의 유사도가 높을수록 이상적인 수면 상태와 가까운 것이므로 강화학습을 이용한 수면 환경 조절 장치(100)의 환경 조절 동작이 적절했다고 판단할 수 있다. 전술한 동작 후 수면 적정성 정보 및 기준 수면 적정성 정보는 예시일 뿐, 본 개시는 이에 제한 되지 않는다.

본 개시의 일 실시예에 따르면, 강화학습을 이용한 수면 환경 조절 장치(100)는 환경 조절 동작에 대한 적정성 판단에 기초하여 동작 결정 알고리즘을 업데이트할 수 있다(270). 강화학습을 이용한 수면 환경 조절 장치(100)는 동작 적정성 판단 모듈(153)을 통해 동작 결정 알고리즘을 업데이트 할 수 있다. 구체적으로, 상기 유사도에 따른 판단에 기초하여 상기 유사도가 높은 경우, 상기 동작 결정 알고리즘이 상기 현재 수면 적정성 정보에 기초하여 상기 동작 정보를 결정할 확률이 증가하도록 상기 동작 결정 알고리즘을 업데이트 할 수 있다. 또한, 상기 유사도가 낮은 경우, 상기 동작 결정 알고리즘이 상기 현재 수면 적정성 정보에 기초하여 상기 동작 정보를 결정할 확률이 감소하도록 상기 동작 결정 알고리즘을 업데이트 할 수 있다. 예를 들어, 수면주기 리듬의 한 주기동안의 동작 후 수면 적정성 정보와 기준 수면 적정성 정보를 비교한 유사도가 98%인 경우, 해당 동작 정보가 선택될 확률이 증가하도록 동작 결정 알고리즘을 업데이트 할 수 있다. 또한, 수면주기 리듬의 한 주기동안의 동작 후 수면 적정성 정보와 기준 수면 적정성 정보를 비교한 유사도가 14%인 경우, 해당 동작 정보가 선택될 확률이 감소하도록 동작 결정 알고리즘을 업데이트 할 수 있다. 전술한 유사도 수치의 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.

도 6은 본 개시의 일 실시예와 관련된 강화학습을 이용한 수면 환경 조절 장치(100)의 온도 조절 변화에 따른 사용자의 수면 단계 변화를 나타낸 예시도를 도시한다.

본 개시의 일 실시예에 따르면, 강화학습을 이용한 수면 환경 조절 장치(100)는 사용자의 피부 온도를 변화시킬 수 있다. 구체적으로, 강화학습을 이용한 수면 환경 조절 장치(100)는 수면 환경 변화 동작을 수행하여 사용자의 피부 온도를 미세하게 변화시킬 수 있다. 예를 들어, 강화학습을 이용한 수면 환경 조절 장치(100)는 사용자에게 열풍 및 냉풍 적어도 하나를 공급하여 사용자의 피부 온도를 변화시킬 수 있다. 상기 사용자 피부 온도가 0.4도 정도 미세하게 상승하는 경우, 사용자의 체온의 감소에 도움을 줄 수 있다. 통상 일주기 리듬에 의해 야간 수면 시 체온이 감소하는데 피부온도 증가를 통해 사용자의 체온감소를 가속 시키므로 수면의 효율이 증가 된다. 따라서, 강화학습을 이용한 수면 환경 조절 장치(100)는 사용자의 피부 온도를 상승시킴으로써 체온의 감소를 촉진 시켜 사용자의 수면 효율을 증진시킬 수 있다.

본 개시의 일 실시예에 따르면, 도 6의 (a)에 도시된 바와 같이, 강화학습을 이용한 수면 환경 조절 장치(100)는 일정 주기 동안 사용자의 피부 온도를 상승시킬 수 있다. 또한, 도 6에 도시된 바와 같이, 상기 상승된 온도 변화에 대응하여 사용자의 수면 비율이 변화할 수 있다.

도 6은 본 개시의 일 실시예와 관련된 강화학습을 이용한 수면 환경 조절 장치(100)의 온도 조절 변화에 따른 사용자의 수면 단계 변화를 나타낸 예시도를 도시한다.

도 6의 (a)는 시간에 따라 강화학습을 이용한 수면 환경 조절 장치(100)가 온도 조절 동작을 수행하여 온도를 조절하는 그래프이다. 또한, 도 6의 (b)는 강화학습을 이용한 수면 환경 조절 장치(100)가 (a)와 같이 온도 조절을 수행했을 때, 센싱을 통해 획득할 수 있는 수면 적정성 정보에 관한 그래프일 수 있다. 도 6에 도시된 <표 2>는 상기 (b)에 각 주기별 나타난 수면 비율에 기초하여 도출된 비율일 수 있다.

본 개시의 일 실시예에 따르면, 도 6의 참조번호 550에 도시된 바와 같이 강화학습을 이용한 수면 환경 조절 장치(100)는 온도 조절 동작을 수행하지 않을 수 있다. 구체적으로, 강화학습을 이용한 수면 환경 조절 장치(100)는 센싱을 통해 수면주기 리듬의 첫 번째 1주기동안 사용자의 수면 적정성 정보를 획득할 수 있다. 상기 강화학습을 이용한 수면 환경 조절 장치(100)가 획득한 사용자의 1주기에 대한 수면 적정성 정보는 참조번호 510영역과 같을 수 있으며, 해당 영역에서의 수면 비율은 도 6의 <표 2>의 제 1주기와 같을 수 있다. 수면주기 리듬의 1주기동안 사용자의 수면 적정성 정보를 획득한 뒤, 강화학습을 이용한 수면 환경 조절 장치(100)는 상기 1주기의 수면 적정성 정보(510)에 기초하여 동작 결정 알고리즘을 통해 수행할 환경 조절 동작을 결정할 수 있다. 상기 결정된 동작을 통해 강화학습을 이용한 수면 환경 조절 장치(100)는 2주기동안 수면 환경 조절 동작을 수행할 수 있다. 도 6의 (a)에 도시된 바와 같이, 강화학습을 이용한 수면 환경 조절 장치(100)는 2주기에 참조번호 560과 같이 수면 환경 조절 동작을 수행할 수 있다. 이에 따른 사용자의 2주기 수면 적정성 정보(520)는 도 6의 (b)에 도시된 바와 같으며, 도 6의 <표 2>에 도시된 바와 같이 사용자의 깊은 수면의 비율이 1주기에 비해 증가할 수 있다. 따라서, 강화학습을 이용한 수면 환경 조절 장치(100)는 해당 수면 환경 조절 동작이 적정했다고 판단할 수 있다. 강화학습을 이용한 수면 환경 조절 장치(100)는 상기 수면 2 주기에 대한 환경 조절 동작이 적정했다는 판단 결과에 기초하여 비슷한 상황에 비슷한 동작을 선택하도록 인공 신경망(800)의 가중치를 조절 할 수 있다. 따라서, 도 6의 (a)에 도시된 바와 같이, 강화학습을 이용한 수면 환경 조절 장치(100)는 3주기에 참조번호 570과 같이 2주기와 유사한 수면 환경 조절 동작을 수행할 수 있다. 이에 따라, 3주기 수면 적정성 정보는 도 6의 (b)의 참조번호 530과 같을 수 있다. 또한, 사용자의 수면 단계 비율은 도 6의 <표 2>에 도시된 바와 같이 제 3주기에서 사용자의 깊은 수면은 감소했으나 REM 수면의 비율은 더욱 증가 한 것으로 나타날 수 있다. 강화학습을 이용한 수면 환경 조절 장치(100)는 제 3 주기에서 REM 수면의 비율이 극적으로 증가 하였고, 깊은 수면의 비율은 감소하였으므로 해당 수면 환경 조절 동작에서 깊은 수면의 비율을 감소시킨 부분은 부적정 한 것으로, REM 수면의 비율을 증가시킨 부분은 적정한 것으로 판단할 수 있다. 강화학습을 이용한 수면 환경 조절 장치(100)는 3 주기의 온도 조절 동작(570)에서 온도의 최대치가 2 주기의 온도 조절 동작(560)의 온도의 최대치 보다 높은 것이 시간상 깊은 수면의 감소와 관련이 있을 가능성이 있는 것으로 판단하여, 4주기의 온도 조절 동작(570)의 온도의 최대치를 2 주기의 온도 조절 동작(560)의 온도 최대치와 유사하게 결정할 수 있다. 즉, 본 개시의 강화학습을 이용한 수면 환경 조절 장치(100)의 최종 목표는 깊은 수면과 REM 수면의 비율을 모두 증가 시키는 것이므로 강화학습을 이용한 수면 환경 조절 장치(100)는 깊은 수면과 REM 수면의 비율을 모두 증가 시키도록 환경 조절 동작의 동작 결정 알고리즘을 업데이트 할 수 있다. 이에 따른 4주기의 수면 적정성 정보는 참조번호 540과 같을 수 있다. 도 6의 <표 2>에 도시된 바와 같이 제 3주기에 비해 제 4주기의 깊은 수면 및 REM수면이 줄어들 수 있다. 따라서, 강화학습을 이용한 수면 환경 조절 장치(100)는 해당 동작이 부적정했다고 판단할 수 있다. 상기 부적정했다는 판단 결과에 기초하여 유사한 상황에 유사한 동작을 선택하지 않도록 인공 신경망(800)의 가중치 조절 할 수 있다.

즉, 강화학습을 이용한 수면 환경 조절 장치(100)는 상기와 같은 강화학습의 반복에 기초하여 사용자의 수면 환경을 조절할 수 있다. 이 경우, 수면주기 리듬에서 깊은 수면 및 REM 수면의 양이 늘어나는 것이 강화학습의 목표(goal)일 수 있다. 또한, 강화학습을 이용한 수면 환경 조절 장치(100)의 수면 환경 조절 동작에 의하여 깊은 수면 및 REM 수면 중 적어도 하나의 양이 늘어나는 것이 보상(reward)일 수 있다. 따라서, 강화학습을 이용한 수면 환경 조절 장치(100)는 반복된 강화학습을 통하여 사용자에 최적의 수면 환경을 제공할 수 있다. 전술한 사용자의 수면 비율은 예시일 뿐, 본 개시는 이에 한정되지 않는다.

도 8은 본 개시의 일 실시예와 관련된 동작 결정 알고리즘을 구성하는 인공 신경망(800)의 구성도를 도시한다.

신경망(800)은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 “링크”에 의해 상호 연결될 수 있다.

신경망(800) 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 전술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.

하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망(800)이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.

전술한 바와 같이, 신경망(800)은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호연결 되어 신경망(800) 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망(800) 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망(800)의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망(800)이 존재하는 경우, 두 개의 신경망(800)들은 서로 상이한 것으로 인식될 수 있다.

도 8에 도시된 바와 같이, 신경망(800)은 하나 이상의 노드들을 포함하여, 구성될 수 있다. 신경망(800)을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다, 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망(800) 내에서 레이어의 차수는 전술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.

최초 입력 노드는 신경망(800) 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망(800) 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망(800) 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망(800)을 구성하는 노드들을 의미할 수 있다.

본 개시의 일 실시예에 따른 신경망(800)은 입력 레이어의 노드가 출력 레이어에 가까운 히든 레이어의 노드보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다.

본 개시의 일 실시예에서 데이터의 처리가 가능하도록 신경망(800)은 MLP(multilayer Perceptron), RNN(recurrent neural network), CNN(Convolutional Neural Network) 등을 포함할 수 있다. 또한 본 개시의 일 실시예에서 이벤트의 길이가 길어짐에 따라 발생할 수 있는 장기 기억 문제(long range dependency vanishing gradient)에 의한 성능 하락을 방지할 수 있도록 본 개시의 신경망(800)은 LSTM(long short-term memory)을 포함할 수 있다. 또한, 본 개시의 일 실시예에서 인공신경망 방법의 최적화 기법으로 확률적 경사하강법(SGD), 모멘텀(Momentum), Adam, AdaGrad, RMSprop 등을 사용할 수 있다. 또한, 학습 데이터 D를 한 번만 학습할 수도 있으면 여러 번 반복적인 에폭(epoch)을 통하여 오차함수를 최소화시킨 파라미터들을 구할 수도 있으며, 충분한 최적화가 이루어졌는지 검사한 후에 학습 단계를 마칠지 여부를 결정할 수 있다.

RNN은 일반적인 피드포워드 신경망과 달리 히든 레이어의 출력이 다시 같은 히든 레이어의 입력이 될 수 있다. RNN은 현재 입력된 입력 데이터와 과거에 입력 받았던 데이터를 동시에 고려하여 연산하며, 피드백 구조를 가짐으로써 기억 능력을 가지는 신경망이다. 따라서, RNN은 데이터에서 이전 데이터의 의미에 따라 현재 데이터를 해석할 수 있도록 훈련될 수 있다. RNN 중 하나인 LSTM은 장기 기억 네트워크(long short term memory network)라고도 불리며 장기 의존성을 학습할 수 있다. 본 개시의 일 실시예에서 신경망은 RNN 중 하나인 LSTM 뿐 아니라, 심 게이트 순환 신경망(depth gated RNN), 시계 장치 순환 신경망(clockwork RNN) 등과 같이 데이터를 처리할 수 있는 임의의 신경망을 포함할 수 있다.

도 8 의 신경망(800)은 하나 이상의 히든 레이어를 포함할 수 있다. 히든 레이어의 히든 노드는 이전의 레이어의 출력과 주변 히든 노드의 출력을 입력으로 할 수 있다. 각 히든 레이어 별 히든 노드의 수는 동일할 수도 있고 상이할 수도 있다. 입력 레이어의 노드의 수는 입력 데이터의 데이터 필드의 수에 기초하여 결정될 수 있으며 히든 노드의 수와 동일할 수도 있고 상이할 수도 있다. 입력 레이어에 입력된 입력 데이터는 히든 레이어의 히든 노드에 의하여 연산될 수 있고 출력 레이어인 완전 연결 레이어(FCL: fullyconnected layer)에 의해 출력될 수 있다.

본 개시의 일 실시예에 따르면, 동작 결정 알고리즘은 현재 수면 적정성 정보를 입력으로 하여 적어도 하나 이상의 후보 동작 정보 각각에 스코어를 출력할 수 있다. 또한, 동작 결정 알고리즘은 상기 후보 동작 정보 각각에 관한 스코어에 기초하여 동작 정보를 결정할 수 있다. 구체적으로, 동작 결정 알고리즘은 수면주기 리듬의 한 주기동안의 사용자에 수면 상태에 대한 현재 수면 적정성 정보를 기초하여 그에 대응하는 여러 동작 정보들에 스코어를 출력하고, 동작 정보 중 스코어가 최대가 되는 동작 정보를 결정할 수 있다. 예를 들어, 도 8에 도시된 바와 같이, 동작 결정 알고리즘이 현재 수면 적정성 정보를 기초로 하여 출력한 동작 정보가 4개이고, 그리고 출력 동작에 대한 스코어가 각각 7, 18, 9, 12인 경우, 상기 동작 결정 알고리즘은 동작 정보 중 스코어가 가장 높은 18을 선택하여 동작 정보를 결정할 수 있다. 전술한 동작 정보에 대한 스코어 수치의 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다. 즉, 동작 결정 알고리즘은 사용자의 현재 상태에 따른 복수의 동작 옵션들을 가질 수 있으며, 인공 신경망의 연산을 이용하여 복수의 동작 옵션 중 가장 적정한 동작을 동작 정보로 선택할 수 있다.

도 10은 본 개시의 일 실시예와 관련된 강화학습을 이용한 수면 환경 조절 방법을 구현하기 위한 수단을 도시한 블록 구성도이다.

본 개시의 일 실시예에 따르면, 강화학습을 이용한 수면 환경 조절 장치(100)는 생체 신호를 측정하여 현재 상태 정보 및 동작 후 상태 정보를 생성하기 위한 수단(51); 상기 현재 상태 정보에 기초하여 현재 수면 적정성 정보를 생성하기 위한 수단(52); 동작 결정 알고리즘을 이용하여 동작 정보를 결정하기 위한 수단(53); 상기 동작 정보에 기초하여 환경 조절 동작을 수행하기 위한 수단(54); 상기 환경 조절 동작을 수행한 후 생체 신호를 측정하여 동작 후 상태 정보를 생성하기 위한 수단(55); 상기 동작 후 상태 정보에 기초하여 동작 후 수면 적정성 정보를 생성하기 위한 수단(56); 상기 동작 후 수면 적정성 정보와 기준 수면 적정성 정보를 비교하여 상기 환경 조절 동작에 대한 적정성을 판단하기 위한 수단(57); 및 상기 환경 조절 동작에 대한 적정성 판단에 기초하여 동작 결정 알고리즘을 업데이트하기 위한 수단(58);에 의하여 구현될 수 있다.

대안적으로, 상기 현재 상태 정보 및 동작 후 상태 정보를 생성하기 위한 수단은, 사용자의 심박수, 호흡수, 움직임 및 뇌파 중 적어도 하나를 접촉 또는 비접촉 방식으로 측정하는 사용자 상태 측정 센서, 사용자가 수면을 취하는 실내의 온도 및 상기 사용자의 체온 중 적어도 하나를 측정하는 온도 센서 및 사용자가 수면을 취하는 실내의 습도를 측정하는 습도 센서 중 적어도 하나의 센서를 포함하며, 상기 센서 중 적어도 하나의 센서를 통해, 상기 현재 상태 정보, 실내 온도 정보 및 실내 습도 정보 중 적어도 하나를 획득할 수 있다.

대안적으로, 상기 동작 정보에 기초하여 환경 조절 동작을 수행하기 위한 수단은, 상기 메인 바디에 구비되며, 상기 사용자의 체온을 제어하기 위하여 상기 메인 바디에 열풍 및 냉풍 중 적어도 하나를 공급할 수 있다.

대안적으로, 상기 현재 상태 정보에 기초하여 현재 수면 적정성 정보를 생성하기 위한 수단은, 상기 현재 상태 정보 및 동작 후 상태 정보를 생성하기 위한 수단에서 측정된 상기 사용자의 호흡 상태 정보, 심박 상태 정보, 뇌파 정보 및 움직임 상태 정보 중 적어도 하나를 포함하며, 상기 사용자의 수면 수면주기 리듬의 한 주기동안의 측정 결과를 포함할 수 있다.

대안적으로, 상기 현재 상태 정보에 기초하여 현재 수면 적정성 정보를 생성하기 위한 수단은, 수면주기 리듬의 한 주기동안 측정된 상기 현재 상태 정보에 기초하여 생성될 수 있다.

대안적으로, 상기 환경 조절 동작을 수행한 후 생체 신호를 측정하여 상기 동작 후 상태 정보를 생성하기 위한 수단은, 프로세서(150)의 제어 신호에 의해 환경 조절 동작을 수행하기 위한 수단이 동작을 수행하는 수면주기 리듬의 한 주기동안의 생체 신호에 기초하여 생성될 수 있다.

대안적으로, 상기 환경 조절 동작을 수행한 후 생체 신호를 측정하여 동작 후 상태 정보를 생성하기 위한 수단은, 수면주기 리듬의 한 주기동안 측정된 상기 동작 후 상태 정보에 기초하여 생성될 수 있다.

대안적으로, 상기 기준 수면 적정성 정보는, 수면주기 리듬의 한 주기동안 사용자의 수면 효율을 최대로 하는 생체 신호를 기초하여 생성되며, 상기 동작 후 수면 적정성 정보의 목표가 되는 것을 특징으로 할 수 있다.

대안적으로, 상기 동작 결정 알고리즘은, 인공 신경망으로 구성되며, 상기 현재 수면 적정성 정보를 입력으로 하여 적어도 하나 이상의 후보 동작 정보 각각에 관한 스코어를 출력하고, 그리고 상기 후보 동작 정보 각각에 관한 스코어에 기초하여 상기 동작 정보를 결정할 수 있다.

대안적으로, 상기 환경 조절 동작에 대한 적정성을 판단하기 위한 수단은, 수면주기 리듬의 한 주기동안의 동작 후 수면 적정성 정보와 기준 수면 적정성 정보를 비교하여 유사도를 판단하여 상기 동작에 대한 적정성을 판단할 수 있다.

대안적으로, 상기 환경 조절 동작에 대한 적정성 판단에 기초하여 동작 결정 알고리즘을 업데이트하기 위한 수단은, 상기 유사도가 높은 경우 상기 동작 결정 알고리즘이 상기 현재 수면 적정성 정보에 기초하여 상기 동작 정보를 결정할 확률이 증가하도록 상기 동작 결정 알고리즘을 업데이트하거나, 또는 상기 유사도가 낮은 경우, 상기 동작 결정 알고리즘이 상기 현재 수면 적정성 정보에 기초하여 상기 동작 정보를 결정할 확률이 감소하도록 상기 동작 결정 알고리즘을 업데이트 할 수 있다.

도 11은 본 개시의 일 실시예와 관련된 강화학습을 이용한 수면 환경 조절 방법을 구현하기 위한 모듈을 도시한 블록 구성도이다.

본 개시의 일 실시예에 따라 강화학습을 이용한 수면 환경 조절 방법은 다음과 같은 모듈에 의해 구현될 수 있다.

본 개시의 일 실시예에 따르면, 강화학습을 이용한 수면 환경 조절 장치(100)는 생체 신호를 측정하여 현재 상태 정보 및 동작 후 상태 정보를 생성하기 위한 모듈(61); 상기 현재 상태 정보에 기초하여 현재 수면 적정성 정보를 생성하기 위한 모듈(62); 동작 결정 알고리즘을 이용하여 동작 정보를 결정하기 위한 모듈(63); 상기 동작 정보에 기초하여 환경 조절 동작을 수행하기 위한 모듈(64); 상기 환경 조절 동작을 수행한 후 생체 신호를 측정하여 동작 후 상태 정보를 생성하기 위한 모듈(65); 상기 동작 후 상태 정보에 기초하여 동작 후 수면 적정성 정보를 생성하기 위한 모듈(66); 상기 동작 후 수면 적정성 정보와 기준 수면 적정성 정보를 비교하여 상기 환경 조절 동작에 대한 적정성을 판단하기 위한 모듈(67); 및 상기 환경 조절 동작에 대한 적정성 판단에 기초하여 동작 결정 알고리즘을 업데이트하기 위한 모듈(68);에 의하여 구현될 수 있다.

도 12는 본 개시의 일 실시예와 관련된 강화학습을 이용한 수면 환경 조절 방법을 구현하기 위한 로직을 도시한 블록 구성도이다.

본 개시의 일 실시예에 따라 강화학습을 이용한 수면 환경 조절 방법은 다음과 같은 로직에 의해 구현될 수 있다.

본 개시의 일 실시예에 따르면, 강화학습을 이용한 수면 환경 조절 장치(100)는 생체 신호를 측정하여 현재 상태 정보를 및 동작 후 상태 정보를 생성하기 위한 로직(71); 상기 현재 상태 정보에 기초하여 현재 수면 적정성 정보를 생성하기 위한 로직(72); 동작 결정 알고리즘을 이용하여 동작 정보를 결정하기 위한 로직(73); 상기 동작 정보에 기초하여 환경 조절 동작을 수행하기 위한 로직(74); 상기 환경 조절 동작을 수행한 후 생체 신호를 측정하여 동작 후 상태 정보를 생성하기 위한 로직(75); 상기 동작 후 상태 정보에 기초하여 동작 후 수면 적정성 정보를 생성하기 위한 로직(76); 상기 동작 후 수면 적정성 정보와 기준 수면 적정성 정보를 비교하여 상기 환경 조절 동작에 대한 적정성을 판단하기 위한 로직(77); 및 상기 환경 조절 동작에 대한 적정성 판단에 기초하여 동작 결정 알고리즘을 업데이트하기 위한 로직(78);에 의하여 구현될 수 있다.

도 13은 본 개시의 일 실시예와 관련된 강화학습을 이용한 수면 환경 조절 방법을 구현하기 위한 회로를 도시한 블록 구성도이다.

본 개시의 일 실시예에 따라 강화학습을 이용한 수면 환경 조절 방법은 다음과 같은 회로에 의해 구현될 수 있다.

본 개시의 일 실시예에 따르면, 강화학습을 이용한 수면 환경 조절 장치(100)는 생체 신호를 측정하여 현재 상태 정보 및 동작 후 상태 정보를 생성하기 위한 회로(81); 상기 현재 상태 정보에 기초하여 현재 수면 적정성 정보를 생성하기 위한 회로(82); 동작 결정 알고리즘을 이용하여 동작 정보를 결정하기 위한 회로(83); 상기 동작 정보에 기초하여 환경 조절 동작을 수행하기 위한 회로(84); 상기 환경 조절 동작을 수행한 후 생체 신호를 측정하여 동작 후 상태 정보를 생성하기 위한 회로(85); 상기 동작 후 상태 정보에 기초하여 동작 후 수면 적정성 정보를 생성하기 위한 회로(86); 상기 동작 후 수면 적정성 정보와 기준 수면 적정성 정보를 비교하여 상기 환경 조절 동작에 대한 적정성을 판단하기 위한 회로(87); 및 상기 환경 조절 동작에 대한 적정성 판단에 기초하여 동작 결정 알고리즘을 업데이트하기 위한 회로(88);에 의하여 구현될 수 있다.

당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있으나, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다

도 14는 본 개시내용의 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.

본 발명이 일반적으로 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어와 관련하여 전술되었지만, 당업자라면 본 발명이 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로서 구현될 수 있다는 것을 잘 알 것이다.

일반적으로, 본 명세서에서의 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로시져, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 발명의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.

본 발명의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘다에 위치할 수 있다.

컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 이러한 컴퓨터 판독가능 매체는 휘발성 및 비휘발성 매체, 일시적(transitory) 및 비일시적(non-transitory) 매체, 이동식 및 비-이동식 매체를 포함한다. 제한이 아닌 예로서, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다.

컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 일시적 및 비-일시적 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.

컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터등을 구현하고 모든 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.

컴퓨터(1102)를 포함하는 본 발명의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.

시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.

컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)―이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음―, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 예를 들어, USB(Universal Serial Bus)및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘다를 포함한다.

이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 저장 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 저장 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 발명의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.

운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 발명이 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.

사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.

모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.

컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 서버 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.

LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 서버에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.

컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.

Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성 있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a,b,g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5 GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.

본 발명의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 "소프트웨어"로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 발명의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 발명의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.

여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 "제조 물품"은 임의의 컴퓨터-판독가능 장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 저장 매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 용어 "기계-판독가능 매체"는 명령(들) 및/또는 데이터를 저장, 보유, 및/또는 전달할 수 있는 무선 채널 및 다양한 다른 매체를 포함하지만, 이들로 제한되는 것은 아니다.

제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 발명의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.

제시된 실시예들에 대한 설명은 임의의 본 발명의 기술 분야에서 통상의 지식을 가진 자가 본 발명을 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 발명의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 발명의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 발명은 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (1)

1. 강화학습을 이용한 수면 환경 조절 장치.

Images