KR20200117582A - 생리학적 데이터와 시뮬레이션 데이터를 이용한 멀티태스크를 수행하는 사용자의 인지 부하 측정 방법 및 장치 - Google Patents

생리학적 데이터와 시뮬레이션 데이터를 이용한 멀티태스크를 수행하는 사용자의 인지 부하 측정 방법 및 장치 Download PDF

Info

Publication number
KR20200117582A
KR20200117582A KR1020190039894A KR20190039894A KR20200117582A KR 20200117582 A KR20200117582 A KR 20200117582A KR 1020190039894 A KR1020190039894 A KR 1020190039894A KR 20190039894 A KR20190039894 A KR 20190039894A KR 20200117582 A KR20200117582 A KR 20200117582A
Authority
KR
South Korea
Prior art keywords
user
simulation
electronic device
feature
multitask
Prior art date
Application number
KR1020190039894A
Other languages
English (en)
Other versions
KR102236437B1 (ko
Inventor
고인영
에르난 리라
Original Assignee
한국과학기술원
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 한국과학기술원 filed Critical 한국과학기술원
Priority to KR1020190039894A priority Critical patent/KR102236437B1/ko
Publication of KR20200117582A publication Critical patent/KR20200117582A/ko
Application granted granted Critical
Publication of KR102236437B1 publication Critical patent/KR102236437B1/ko

Links

Images

Classifications

    • 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
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/01—Measuring temperature of body parts ; Diagnostic temperature sensing, e.g. for malignant or inflamed tissue
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
    • A61B5/024—Detecting, measuring or recording pulse rate or heart rate
    • A61B5/0402—
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/145—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue
    • A61B5/1455—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters
    • A61B5/14551—Measuring characteristics of blood in vivo, e.g. gas concentration, pH value; Measuring characteristics of body fluids or tissues, e.g. interstitial fluid, cerebral tissue using optical sensors, e.g. spectral photometrical oximeters for measuring blood gases
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/318—Heart-related electrical modalities, e.g. electrocardiography [ECG]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2203/00—Indexing scheme relating to G06F3/00 - G06F3/048
    • G06F2203/01—Indexing scheme relating to G06F3/01
    • G06F2203/011—Emotion or mood input determined on the basis of sensed human body parameters such as pulse, heart rate or beat, temperature of skin, facial expressions, iris, voice pitch, brain activity patterns

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • Cardiology (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Physiology (AREA)
  • Spectroscopy & Molecular Physics (AREA)
  • Optics & Photonics (AREA)
  • Computer Hardware Design (AREA)
  • Evolutionary Computation (AREA)
  • Geometry (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

다양한 실시예들에 따른 생리학적 데이터와 시뮬레이션 데이터를 이용한 멀티태스크를 수행하는 사용자의 인지 부하 측정 방법 및 장치는, 사용자가 멀티태스크를 수행하는 중에 사용자와 관련된 생리학적 데이터를 수집하고, 멀티태스크에 대해 시뮬레이션을 수행하여, 시뮬레이션 데이터를 검출하고, 시뮬레이션 데이터에 기반하여, 생리학적 데이터로부터 적어도 하나의 특징을 선택하고, 특징을 이용하여, 사용자의 인지 부하를 측정하기 위한 분류 모델을 구현하도록 구성될 수 있다.

Description

생리학적 데이터와 시뮬레이션 데이터를 이용한 멀티태스크를 수행하는 사용자의 인지 부하 측정 방법 및 장치{METHOD AND APPARATUS FOR MENTAL WORKLOAD ASSESSMENT OF MULTITASKING USER USING PHYSIOLOGICAL DATA AND SIMULATED DATA}
다양한 실시예들은 생리학적 데이터와 시뮬레이션 데이터를 이용한 멀티태스크를 수행하는 사용자의 인지 부하 측정 방법 및 장치에 관한 것이다.
일반적으로, 전자 기기는 사용자에 멀티태스킹(multitasking)을 제공한다. 즉 전자 기기의 사용자는 전자 기기를 이용하여 멀티태스크(multitask)를 수행할 수 있다. 멀티태스크를 수행하기 위해, 사용자는 여러 가지 인지 자원(mental resource)들, 예컨대 주의집중, 인식, 기억, 운동 조절 등을 동시에 사용해야 한다. 이로 인하여, 멀티태스크를 수행하는 중에, 사용자에 인지 부하가 발생될 수 있다. 예를 들면, 인지 부하는, 사용자에 산만함을 유발하고, 수행 오류를 증가시키며, 문제 해결 및 의사결정 등의 능력을 감소시킬 수 있다.
따라서, 전자 기기는, 사용자의 인지 부하를 고려하여, 사용자에 멀티태스킹을 제공할 필요가 있다. 이러한 이유로, 멀티태스크를 수행하는 사용자의 인지 부하를 측정하는 방안이 요구된다.
다양한 실시예들은 멀티태스크를 수행하는 사용자의 생리학적 데이터와 멀티태스크에 대한 시뮬레이션 데이터를 이용하여, 사용자의 인지 부하를 측정하는 방법 및 장치를 제공한다.
다양한 실시예들에 따른 전자 장치의 동작 방법은 멀티태스크를 수행하는 사용자의 인지 부하 측정을 위한 것으로, 사용자가 멀티태스크를 수행하는 중에 상기 사용자와 관련된 생리학적 데이터를 수집하면서, 상기 멀티태스크에 대해 시뮬레이션을 수행하여, 시뮬레이션 데이터를 검출하는 동작, 상기 시뮬레이션 데이터에 기반하여, 상기 생리학적 데이터로부터 적어도 하나의 특징을 선택하는 동작, 및 상기 특징을 이용하여, 상기 사용자의 인지 부하를 측정하기 위한 분류 모델을 구현하는 동작을 포함할 수 있다.
다양한 실시예들에 따른 전자 장치는 멀티태스크를 수행하는 사용자의 인지 부하 측정을 위한 것으로, 사용자가 멀티태스크를 수행하는 중에 상기 사용자와 관련된 생리학적 데이터를 수집하도록 구성되는 수집 모듈, 상기 멀티태스크에 대해 시뮬레이션을 수행하여, 시뮬레이션 데이터를 검출하도록 구성되는 시뮬레이터, 및 상기 시뮬레이션 데이터에 기반하여, 상기 생리학적 데이터로부터 적어도 하나의 특징을 선택하고, 상기 특징을 이용하여, 상기 사용자의 인지 부하를 측정하기 위한 분류 모델을 구현하도록 구성되는 프로세서를 포함할 수 있다.
다양한 실시예들에 따른 컴퓨터-판독 가능 저장 매체는, 사용자가 멀티태스크를 수행하는 중에 상기 사용자와 관련된 생리학적 데이터를 수집하면서, 상기 멀티태스크에 대해 시뮬레이션을 수행하여, 시뮬레이션 데이터를 검출하는 동작, 상기 시뮬레이션 데이터에 기반하여, 상기 생리학적 데이터로부터 적어도 하나의 특징을 선택하는 동작, 및 상기 특징을 이용하여, 상기 사용자의 인지 부하를 측정하기 위한 분류 모델을 구현하는 동작을 실행하기 위한 하나 이상의 프로그램들을 저장할 수 있다.
다양한 실시예들에 따르면, 전자 장치가 멀티태스크를 수행하는 사용자의 인지 부하를 측정할 수 있다. 전자 장치는 멀티태스크를 수행하는 사용자의 생리학적 데이터와 멀티태스크에 대한 시뮬레이션 데이터를 이용하여, 사용자의 인지 부하를 측정하기 위한 분류 모델을 구현할 수 있다. 이는, 전자 기기가 사용자의 인지 부하를 고려하여, 사용자에 멀티태스킹을 제공하는 데, 이용될 수 있다. 이에 따라, 사용자에 대한 멀티태스킹의 부정적인 영향이 방지될 수 있다.
도 1은 다양한 실시예들에 따른 전자 장치를 도시하는 도면이다.
도 2는 다양한 실시예들에 따른 전자 장치의 내부 구성을 도시하는 도면이다.
도 3은 다양한 실시예들에 따른 전자 장치의 동작 방법을 도시하는 도면이다.
도 4는 도 3의 인지 부하 분류 모델 구현 동작을 설명하기 위한 도면이다.
이하, 본 문서의 다양한 실시예들이 첨부된 도면을 참조하여 설명된다.
일반적으로, 멀티태스크(multitask)를 수행하는 사용자의 인지 부하(mental workload)를 측정하는 데 있어서, 경험적 기법(empirical method)과 분석적 기법(analytical method)이 있을 수 있다. 경험적 기법은, 인지 활동(mental effort)과 관련되는 다양한 유형의 데이터를 기반으로, 사용자의 인지 부하를 측정할 수 있다. 일 예로, 경험적 기법은, 사용자의 생리학적 데이터(physiological data)를 기반으로, 사용자의 인지 부하를 측정할 수 있다. 분석적 기법은, 미리 정의된 인지 아키텍처-프레임워크를 이용하여, 멀티태스크에 대한 시뮬레이션을 수행함으로써, 사용자의 인지 부하를 추정할 수 있다. 일 예로, 분석적 기법은, 멀티태스크에 대해 실패나 저하가 발생될 가능성이 있는 요소를 예측할 수 있다.
다양한 실시예들에 따른 전자 장치는, 경험적 기법과 분석적 기법을 이용하여, 멀티태스크를 수행하는 사용자의 인지 부하를 측정할 수 있다. 이를 통해, 전자 장치는 멀티태스크에 대한 시뮬레이션 데이터와 사용자의 생리학적 데이터를 비교할 수 있다. 그 결과, 전자 장치는 사용자의 인지 부하를 측정하기 위한 분류 모델(classification model)을 구현할 수 있다.
도 1은 다양한 실시예들에 따른 전자 장치(100)를 도시하는 도면이다.
도 1을 참조하면, 다양한 실시예들에 따른 전자 장치(100)는 전자 기기(101)를 이용하여, 멀티태스크를 수행하는 사용자(103)의 인지 부하를 측정할 수 있다. 이를 위해, 전자 장치(100)는 전자 기기(101)와 사용자(103)를 모니터링할 수 있다. 일 실시예에 따르면, 전자 장치(100)는 전자 기기(101)의 외부에서, 전자 기기(101)에 연결될 수 있다. 다른 실시예에 따르면, 전자 장치(100)는 전자 기기(101)의 내부에 내장되어, 전자 기기(101)에 연결될 수 있다. 이 때 전자 장치(100)는 전자 기기(101)로부터 멀티태스크를 검출할 수 있다. 그리고 전자 장치(100)는 사용자(103)와 관련된 생리학적 데이터를 수집할 수 있다. 전자 장치(100)는 멀티태스크에 대해 시뮬레이션(simulation)을 수행하여, 시뮬레이션 데이터(simulated data)를 검출할 수 있다. 이를 통해, 전자 장치(100)는 시뮬레이션 데이터에 기반하여, 생리학적 데이터로부터 적어도 하나의 특징(feature)을 선택할 수 있다. 아울러, 전자 장치(100)는 특징을 이용하여, 사용자의 인지 부하를 측정하기 위한 분류 모델을 구현할 수 있다.
도 2는 다양한 실시예들에 따른 전자 장치(100)의 내부 구성을 도시하는 도면이다.
도 2를 참조하면, 다양한 실시예들에 따른 전자 장치(100)는 메모리(210), 수집 모듈(220), 인터페이스 모듈(230), 시뮬레이터(simulator)(240) 또는 프로세서(250) 중 적어도 어느 하나를 포함할 수 있다. 어떤 실시예에서는, 전자 장치(100)의 구성 요소들 중 적어도 어느 하나가 생략되거나, 전자 장치(100)에 하나 이상의 다른 구성 요소가 추가될 수 있다.
메모리(210)는 전자 장치(100)의 구성 요소에 의해 사용되는 데이터를 저장할 수 있다. 데이터는 프로그램 또는 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 예를 들면, 메모리(210)는 휘발성 메모리 또는 비휘발성 메모리 중 적어도 어느 하나를 포함할 수 있다.
수집 모듈(220)은 사용자(103)와 관련된 생리학적 데이터를 수집할 수 있다. 수집 모듈(220)은 사용자(103)의 상태를 감지하고, 사용자(103)의 상태에 대응하는 생리학적 데이터를 생성할 수 있다. 생리학적 데이터는, 예컨대 심박수(heart rate; HR), 산소포화도(oxygen saturation; SpO2), 체온(temperature; TMP), 동공 확장(pupil dilation; PD), 심전도(electrocardiogram; ECG) 또는 심박 변이(heart rate variability; HRV) 중 적어도 어느 하나를 포함할 수 있다.
인터페이스 모듈(230)은 전자 장치(100)에서 전자 기기(101)와 연결을 위해 제공될 수 있다. 인터페이스 모듈(230)은 전자 장치(100)와 전자 기기(101)의 통신을 위한 적어도 하나의 지정된 프로토콜을 지원할 수 있다. 예를 들면, 인터페이스 모듈(230)은 HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD(secure digital) 카드 인터페이스, 또는 오디오 인터페이스 중 적어도 어느 하나를 포함할 수 있다.
시뮬레이터(240)는 멀티태스크에 대해 시뮬레이션을 수행할 수 있다. 이 때 시뮬레이터(240)는 사고의 적응적 제어-합리적(adaptive control of thought - rational; ACT-R) 아키텍처에 기반하여, 시뮬레이션을 수행할 수 있다. 예를 들면, 시뮬레이터(240)는 멀티태스크의 태스크들을 복수 개의 단위 태스크들로 분해하고, 단위 태스크들을 이용하여, 시뮬레이션을 수행할 수 있다. 이를 통해, 시뮬레이터(240)는 시뮬레이션 결과로부터 시뮬레이션 데이터를 검출할 수 있다. 예를 들면, 시뮬레이터(240)는 시뮬레이션의 결과를 표준화하고, 표준화된 결과에 대해 통계적 분석을 수행하여, 시뮬레이션 데이터를 검출할 수 있다.
프로세서(250)는 메모리(210)의 프로그램을 실행하여, 전자 장치(100)의 구성 요소들 중 적어도 어느 하나를 제어할 수 있고, 데이터 처리 또는 연산을 수행할 수 있다. 프로세서(250)는 시뮬레이션 데이터에 기반하여, 생리학적 데이터로부터 적어도 하나의 특징을 선택할 수 있다. 이 때 선택되는 특징은 비용 민감 특징(cost-sensitive feature)일 수 있다. 이를 위해, 프로세서(250)는 사용자가 멀티태스크를 수행하는 중에, 생리학적 데이터로부터 적어도 하나의 특징을 추출할 수 있다. 특징은, 예컨대 평균(mean), 분산(variance), 최대값(maximum; max), 최소값(minimum; min), 도함수(derivative), 편차(deviation) 또는 파형 요소(wavelet) 중 적어도 어느 하나를 포함할 수 있다. 그리고 프로세서(250)는 비용 민감 접근(cost-sensitive approach) 방식에 기반하여, 추출된 특징 중 적어도 어느 하나를 선택할 수 있다. 아울러, 프로세서(250)는 특징을 이용하여, 사용자(103)의 인지 부하를 측정하기 위한 분류 모델을 구현할 수 있다. 분류 모델은, 예컨대 반복적 특징 제거 서포트 벡터 머신(recursive feature elimination - support vector machine; RFE-SVM) 또는 상관 관계 기반 특징 선택 서포트 벡터 머신(correlation-based feature selection - support vector machine; CFS-SVM) 중 적어도 어느 하나를 포함할 수 있다.
다양한 실시예들에 따른 전자 장치(100)는 멀티태스크를 수행하는 사용자(103)의 인지 부하 측정을 위한 것으로, 사용자(103)가 멀티태스크를 수행하는 중에 사용자(103)와 관련된 생리학적 데이터를 수집하도록 구성되는 수집 모듈(220), 멀티태스크에 대해 시뮬레이션을 수행하여, 시뮬레이션 데이터를 검출하도록 구성되는 시뮬레이터(240), 시뮬레이션 데이터에 기반하여, 생리학적 데이터로부터 적어도 하나의 특징을 선택하고, 특징을 이용하여, 사용자(103)의 인지 부하를 측정하기 위한 분류 모델을 구현하도록 구성되는 프로세서(250)를 포함할 수 있다.
다양한 실시예들에 따르면, 프로세서(250)는, 생리학적 데이터로부터 적어도 하나의 특징을 추출하고, 비용 민감 접근 방식에 기반하여, 추출된 특징 중 적어도 어느 하나를 선택하도록 구성될 수 있다.
다양한 실시예들에 따르면, 생리학적 데이터는 심박수(HR), 산소포화도(SpO2), 체온(TMP), 동공 확장(PD), 심전도(ECG) 또는 심박 변이(HRV) 중 적어도 어느 하나를 포함할 수 있다.
다양한 실시예들에 따르면, 특징은 평균, 분산, 최대값, 최소값, 도함수, 편차 또는 파형 요소 중 적어도 어느 하나를 포함할 수 있다.
다양한 실시예들에 따르면, 분류 모델은 반복적 특징 제거 서포트 벡터 머신(RFE-SVM) 또는 상관 관계 기반 특징 선택 서포트 벡터 머신(CFS-SVM) 중 적어도 어느 하나를 포함할 수 있다.
다양한 실시예들에 따르면, 시뮬레이터(240)는, 사고의 적응적 제어-합리적(ACT-R) 아키텍처에 기반하여, 시뮬레이션을 수행하도록 구성될 수 있다.
다양한 실시예들에 따르면, 시뮬레이터(240)는, 멀티태스크의 태스크들을 복수 개의 단위 태스크들로 분해하고, 단위 태스크들을 이용하여, 시뮬레이션을 수행하도록 구성될 수 있다.
다양한 실시예들에 따르면, 시뮬레이터(240)는, 시뮬레이션의 결과를 표준화하고, 표준화된 결과에 대해 통계적 분석을 수행하여, 시뮬레이션 데이터를 검출하도록 구성될 수 있다.
다양한 실시예들에 따르면, 전자 장치(100)는 사용자(103)에 의해 멀티태스크가 수행되는 전자 기기(101)에 연결되거나, 내장되고, 전자 기기(101)와 인터페이스를 수행하도록 구성되는 인터페이스 모듈(230)을 더 포함할 수 있다.
도 3은 다양한 실시예들에 따른 전자 장치(100)의 동작 방법을 도시하는 도면이다. 도 4는 도 3의 인지 부하 분류 모델 구현 동작을 설명하기 위한 도면이다.
도 3을 참조하면, 전자 장치(100)는 310 동작에서 전자 기기(101)를 이용하여, 멀티태스크를 수행 중인 사용자(103)를 모니터링할 수 있다. 이 때 전자 장치(100)는 사용자(103) 뿐 아니라 전자 기기(101)를 모니터링할 수 있다. 이를 위해, 전자 장치(100)가 수집 모듈(220)을 통하여 사용자(103)의 인체와 접촉하고, 인터페이스 모듈(230)을 통하여 전자 기기(101)와 전기적으로 연결될 수 있다. 일 실시예에 따르면, 전자 장치(100)는 전자 기기(101)의 외부에서, 전자 기기(101)에 연결될 수 있다. 다른 실시예에 따르면, 전자 장치(100)는 전자 기기(101)의 내부에 내장되어, 전자 기기(101)에 연결될 수 있다.
예를 들면, 전자 장치(100)는 다수, 예컨대 50 명의 사용자(103)들을 모니터링할 수 있다. 이 때 사용자(103)들의 인지 부하를 조절하기 위해, 모든 사용자(103)들이 다수, 예컨대 6 가지의 멀티태스크(T1, T2, T3, T4, T5, T6)들을 각각 수행하도록 할 수 있다. 여기서, 제 1 멀티태스크(T1)는 간단한 전자우편(e-mail) 읽기(read)이고, 제 2 멀티태스크(T2)는 간단한 전자우편에 대해 회신하기(reply)이고, 제 3 멀티태스크(T3)는 정보 요청(request) 읽기이고, 제 4 멀티태스크(T4)는 웹에서 정보 검색하기(search)이고, 제 5 멀티태스크(T5)는 결과 암기하기(memorize)이고, 제 6 멀티태스크(T6)는 요청에 회신하기일 수 있다. 첫 번째 처리(treatment 1)에서, 사용자(103)들은 외부의 자극 없이, 멀티태스크(T1, T2, T3, T4, T5, T6)들을 각각 수행하고, 두 번째 처리(treatment 2)에서, 사용자(103)들은 외부의 질문에 답하면서, 멀티태스크(T1, T2, T3, T4, T5, T6)들을 각각 수행하도록 할 수 있다.
전자 장치(100)는 320 동작에서 사용자(103)와 관련된 생리학적 데이터를 수집할 수 있다. 프로세서(250)는 수집 모듈(220)을 통하여 사용자(103)로부터 생리학적 데이터를 수집할 수 있다. 이 때 수집 모듈(220)이 사용자(103)의 상태를 감지하고, 사용자(103)의 상태에 대응하는 생리학적 데이터를 생성할 수 있다. 생리학적 데이터는, 예컨대 심박수(heart rate; HR), 산소포화도(oxygen saturation; SpO2), 체온(temperature; TMP), 동공 확장(pupil dilation; PD), 심전도(electrocardiogram; ECG) 또는 심박 변이(heart rate variability; HRV) 중 적어도 어느 하나를 포함할 수 있다.
예를 들면, 수집 모듈(220)은 생리학적 데이터를 무인공물(artifact-free) 데이터로 생성하기 위해, 생리학적 데이터를 각각의 특성에 따라 처리할 수 있다. 일 예로, 수집 모듈(220)은 아이 트래커(eye tracker)를 포함하고, 아이 트래커가 전자 기기(101)에 대한 동공 확장(PD)을 감지하고, 안구 운동(saccade)과 눈 깜박임을 보간(interpolation) 및 블랙맨 필터(blackman filter)를 사용하여 처리할 수 있다. 다른 예로, 수집 모듈(220)은 심전도(ECG)를 감지하고, 고속 푸리에 변환(fast fourier transform; FFT), 심전도(ECG)를 로우 패스 필터(low pass filter) 또는 역 푸리에 변환(inverse fourier transform) 중 적어도 어느 하나를 사용하여 처리할 수 있다. 또 다른 예로, 수집 모듈(220)은 이산 웨이블릿 변환(discrete wavelet transform)을 적용하여, 심전도(ECG)로부터 심박 변이(HRV)를 획득할 수 있다.
전자 장치(100)는 330 동작에서 생리학적 데이터로부터 적어도 하나의 특징을 추출할 수 있다. 특징은, 예컨대 평균(mean), 분산(variance), 최대값(maximum; max), 최소값(minimum; min), 도함수(derivative), 편차(deviation) 또는 파형 요소(wavelet) 중 적어도 어느 하나를 포함할 수 있다. 예를 들면, 프로세서(250)는 하기 [표 1]과 같이 생리학적 데이터에 따라, 적어도 하나의 특징을 추출할 수 있다.
Figure pat00001
전자 장치(100)는 340 동작에서 멀티태스크에 대해 시뮬레이션을 수행할 수 있다. 일 실시예에 따르면, 시뮬레이터(240)는 사고의 적응적 제어-합리적(ACT-R) 아키텍처에 기반하여, 시뮬레이션을 수행할 수 있다. 시뮬레이터(240)는 멀티태스크의 태스크(task)들 각각의 목표를 모델링하는 것으로 목적으로 하여, 시뮬레이션을 수행할 수 있다. 이 때 시뮬레이터(240)는 멀티태스크의 태스크들을 복수 개의 단위 태스크(unit-task)들로 분해할 수 있다. 그리고 시뮬레이터(240)는 단위 태스크들을 이용하여, 시뮬레이션을 수행할 수 있다. 여기서, 시뮬레이터(240)는 단위 태스크들을 순차적으로 모델링할 수 있다. 일 예로, 시뮬레이터(240)는 화면을 가로지르는 주의집중(attention)의 이동 시퀀스, 화면의 정보 인코딩, 원하는 위치로의 손가락 이동, 화면 상에서 손가락 누름 등과 같은 다수 개의 키스트로크 레벨(keystroke-level) 목표들로 구성되는 다수 개의 기능 레벨(functional-level) 목표들을 기반으로, 각각의 단위 태스크를 더 분해하고, 기능 레벨 목표들을 기반으로 모델링할 수 있다.
예를 들면, 모든 사용자(103)들이 멀티태스크(T1, T2, T3, T4, T5, T6)들을 수행하는 데 있어서, 동일한 순서로 동일한 동작을 수행한다는 가정이 있을 수 있다. 이를 통해, 멀티태스크(T1, T2, T3, T4, T5, T6)들에 대한 전체 흐름이 단순화될 수 있다. 여기서, 시뮬레이터(240)는 제 4 멀티태스크(T4)를 제외하고, 멀티태스크(T1, T2, T3, T5, T6)들을 순차적으로 수행하는 시나리오에 대해 시뮬레이션을 수행할 수 있다.
이를 통해, 전자 장치(100)는 시뮬레이션 결과로부터 시뮬레이션 데이터를 검출할 수 있다. 시뮬레이터(240)는 시뮬레이션의 결과를 표준화하고, 표준화된 결과에 대해 통계적 분석을 수행하여, 시뮬레이션 데이터를 검출할 수 있다.
예를 들면, 시뮬레이터(240)는 멀티태스크(T1, T2, T3, T5, T6)들에 대한 모든 사용자(103)들의 시뮬레이션 결과를 Z-스코어(score)를 사용하여 표준화하고 평균을 낼 수 있다. 시뮬레이터(240)는 시뮬레이션 결과를 0과 1 사이에서 표준화하고 평균을 낼 수 있다. 그리고 시뮬레이터(240)는 표준화된 결과에 대해 p < 0.05의 통계적 유의도(statistical significance; p-value)를 분석할 수 있다. 여기서, 시뮬레이션 데이터는 하기 [표 2]와 같이 시뮬레이션 결과에 대한 표준화된 결과(R2), 평균(root mean square; RMS) 또는 통계적 유의도(p-value) 중 적어도 어느 하나로 표현될 수 있다. 시뮬레이션 데이터는 첫 번째 처리(treatment 1)와 두 번째 처리(treatment 2)로 구분되어 검출될 수 있다. 아울러, 시뮬레이션 데이터는 하기 [표 3]과 같이, 예컨대 동공 확장(PD)과 관련된 생리학적 데이터와 긍정적이고 중요한 상관 관계를 가질 수 있다.
Figure pat00002
Figure pat00003
전자 장치(100)는 350 동작에서 시뮬레이션 데이터에 기반하여, 생리학적 데이터의 특징으로부터 적어도 하나의 비용 민감 특징을 선택할 수 있다. 이를 위해, 프로세서(250)는 비용 민감 접근(cost-sensitive approach) 방식에 기반하여, 생리학적 데이터의 특징 중 적어도 어느 하나를 선택할 수 있다. 이를 통해, 프로세서(250)는 사용자(103)의 인지 부하를 측정하는 데 있어서 발생될 수 있는 에러를 최소화하고, 총 특징 비용을 최소화할 수 있는 특징 서브셋을 획득할 수 있다.
예를 들면, 프로세서(250)는 랜덤 포레스트(random forest) 알고리즘을 이용하여, 비용 민감 특징을 선택할 수 있다. 랜덤 포레스트 알고리즘은 하기 [수학식 1]과 같이 다수 개의 파라미터들을 기반으로 할 수 있다. 여기서, 랜덤 포레스트 알고리즘에 따르면, 복수 개의 특징 서브셋들이 제작되고, 각각의 특징 서브셋에서 선택된 특징에 따라 각 노드의 분할이 결정되는 의사결정 트리가 구성될 수 있다.
Figure pat00004
여기서, T는 생리학적 데이터를 나타내고, F는 생리학적 데이터의 특징을 나타내고, V는 변수(variable)을 나타내고, Ui는 각각의 특징과 관련된 값의 집합을 나타내고, Ii는 각각의 특징과 관련된 정보 함수를 나타내고, c는 특징 비용 함수를 나타낼 수 있다.
예를 들면, 프로세서(250)는 시뮬레이션 데이터를 사용하여 이진 함수 ci를 생성할 수 있다. 여기서, Bt가 작업 t에 대한 시뮬레이션 데이터 구간이라고 할 때, ui
Figure pat00005
Bt이면 ci = 1이고, ui∈Bt이면 ci = 0일 수 있다. 그렇다면, 총 특징 비용 Ci는
Figure pat00006
일 수 있다.
전자 장치(100)는 360 동작에서 비용 민감 특징을 이용하여, 인지 부하 분류 모델을 구현할 수 있다. 분류 모델은, 예컨대 반복적 특징 제거 서포트 벡터 머신(RFE-SVM) 또는 상관 관계 기반 특징 선택 서포트 벡터 머신(CFS-SVM) 중 적어도 어느 하나를 포함할 수 있다. 일 실시예에 따르면, 분류 모델은 상관 관계 기반 특징 선택 서포트 벡터 머신(CFS-SVM)에 따른 분류 모델로 구현될 수 있다. 다른 실시예에 따르면, 분류 모델은 반복적 특징 제거 서포트 벡터 머신(RFE-SVM)에 따른 분류 모델이 적용된 후에, 상관 관계 기반 특징 선택 서포트 벡터 머신(CFS-SVM)에 따른 분류 모델이 적용되도록 구현될 수 있다.
도 4에 도시된 바와 같이, 정확도(accuracy) 측면에서, 상관 관계 기반 특징 선택 서포트 벡터 머신(CFS-SVM)에 따른 분류 모델이 반복적 특징 제거 서포트 벡터 머신(RFE-SVM)에 따른 분류 모델 보다 우수할 수 있으며, 비용(cost) 측면에서, 상관 관계 기반 특징 선택 서포트 벡터 머신(CFS-SVM)에 따른 분류 모델이 반복적 특징 제거 서포트 벡터 머신(RFE-SVM)에 따른 분류 모델과 비교하여, 특징 비용을 최소화할 수 있다. 한편, 동공 확장(PD) 및 심박 변이(HRV)와 관련되는 생리학적 데이터를 기반으로, 상관 관계 기반 특징 선택 서포트 벡터 머신(CFS-SVM)에 따른 분류 모델과 반복적 특징 제거 서포트 벡터 머신(RFE-SVM)에 따른 분류 모델의 정확도(accuracy), 정밀도(precision) 및 카파 통계치(kappa statistic)가 하기 [표 4]와 같이 계산될 수 있다. 즉 상관 관계 기반 특징 선택 서포트 벡터 머신(CFS-SVM)에 따른 분류 모델이 반복적 특징 제거 서포트 벡터 머신(RFE-SVM)에 따른 분류 모델과 비교하여, 우수한 성능을 가질 수 있다.
Figure pat00007
다양한 실시예들에 따른 전자 장치(100)의 동작 방법은 멀티태스크를 수행하는 사용자(103)의 인지 부하 측정을 위한 것으로, 사용자(103)가 멀티태스크를 수행하는 중에 사용자(103)와 관련된 생리학적 데이터를 수집하면서, 멀티태스크에 대해 시뮬레이션을 수행하여, 시뮬레이션 데이터를 검출하는 동작, 시뮬레이션 데이터에 기반하여, 생리학적 데이터로부터 적어도 하나의 특징을 선택하는 동작, 및 특징을 이용하여, 사용자(103)의 인지 부하를 측정하기 위한 분류 모델을 구현하는 동작을 포함할 수 있다.
다양한 실시예들에 따르면, 특징 선택 동작은, 생리학적 데이터로부터 적어도 하나의 특징을 추출하는 동작, 및 비용 민감 접근 방식에 기반하여, 추출된 특징 중 적어도 어느 하나를 선택하는 동작을 포함할 수 있다.
다양한 실시예들에 따르면, 생리학적 데이터는 심박수(HR), 산소포화도(SpO2), 체온(TMP), 동공 확장(PD), 심전도(ECG) 또는 심박 변이(HRV) 중 적어도 어느 하나를 포함할 수 있다.
다양한 실시예들에 따르면, 특징은 평균, 분산, 최대값, 최소값, 도함수, 편차 또는 파형 요소 중 적어도 어느 하나를 포함할 수 있다.
다양한 실시예들에 따르면, 분류 모델은 반복적 특징 제거 서포트 벡터 머신(RFE-SVM) 또는 상관 관계 기반 특징 선택 서포트 벡터 머신(CFS-SVM) 중 적어도 어느 하나를 포함할 수 있다.
다양한 실시예들에 따르면, 시뮬레이션 데이터 검출 동작은, 사고의 적응적 제어-합리적(ACT-R) 아키텍처에 기반하여, 시뮬레이션을 수행하는 동작을 포함할 수 있다.
다야한 실시예들에 따르면, 시뮬레이션 데이터 검출 동작은, 멀티태스크의 태스크들을 복수 개의 단위 태스크들로 분해하는 동작, 및 단위 태스크들을 이용하여, 시뮬레이션을 수행하는 동작을 포함할 수 있다.
다양한 실시예들에 따르면, 시뮬레이션 데이터 검출 동작은, 시뮬레이션의 결과를 표준화하는 동작, 및 표준화된 결과에 대해 통계적 분석을 수행하여, 시뮬레이션 데이터를 검출하는 동작을 포함할 수 있다.
다양한 실시예들에 따르면, 전자 장치(100)는 사용자(103)에 의해 멀티태스크가 수행되는 전자 기기(101)에 연결되거나, 내장될 수 있다.
다양한 실시예들에 따르면, 전자 장치(100)가 멀티태스크를 수행하는 사용자(103)의 인지 부하를 측정할 수 있다. 전자 장치(100)는 멀티태스크를 수행하는 사용자(103)의 생리학적 데이터와 멀티태스크에 대한 시뮬레이션 데이터를 이용하여, 사용자(103)의 인지 부하를 측정하기 위한 분류 모델을 구현할 수 있다. 이는, 전자 기기(101)가 사용자(103)의 인지 부하를 고려하여, 사용자에 멀티태스킹을 제공하는 데, 이용될 수 있다. 이에 따라, 사용자(103)에 대한 멀티태스킹의 부정적인 영향이 방지될 수 있다.
본 문서의 다양한 실시예들 및 이에 사용된 용어들은 본 문서에 기재된 기술을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 해당 실시 예의 다양한 변경, 균등물, 및/또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함할 수 있다. 본 문서에서, "A 또는 B", "A 및/또는 B 중 적어도 하나", "A, B 또는 C" 또는 "A, B 및/또는 C 중 적어도 하나" 등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. "제 1", "제 2", "첫째" 또는 "둘째" 등의 표현들은 해당 구성요소들을, 순서 또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다. 어떤(예: 제 1) 구성요소가 다른(예: 제 2) 구성요소에 "(기능적으로 또는 통신적으로) 연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제 3 구성요소)를 통하여 연결될 수 있다.
본 문서에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구성된 유닛을 포함하며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로 등의 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 모듈은 ASIC(application-specific integrated circuit)으로 구성될 수 있다.
본 문서의 다양한 실시예들은 기기(machine)(예: 전자 장치(100))에 의해 읽을 수 있는 저장 매체(storage medium)(예: 메모리(210))에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어로서 구현될 수 있다. 예를 들면, 기기의 프로세서(예: 프로세서(250))는, 저장 매체로부터 저장된 하나 이상의 명령어들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 호출된 적어도 하나의 명령어에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 하나 이상의 명령어들은 컴파일러에 의해 생성된 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장매체 는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, ‘비일시적’은 저장매체가 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다.
다양한 실시예들에 따른 컴퓨터-판독 가능 저장 매체는, 사용자(103)가 멀티태스크를 수행하는 중에 사용자(103)와 관련된 생리학적 데이터를 수집하면서, 멀티태스크에 대해 시뮬레이션을 수행하여, 시뮬레이션 데이터를 검출하는 동작, 시뮬레이션 데이터에 기반하여, 생리학적 데이터로부터 적어도 하나의 특징을 선택하는 동작, 및 특징을 이용하여, 사용자의 인지 부하를 측정하기 위한 분류 모델을 구현하는 동작을 실행하기 위한 하나 이상의 프로그램들을 저장할 수 있다.
다양한 실시예들에 따르면, 특징 선택 동작은, 생리학적 데이터로부터 적어도 하나의 특징을 추출하는 동작, 및 비용 민감 접근(cost-sensitive approach) 방식에 기반하여, 추출된 특징 중 적어도 어느 하나를 선택하는 동작을 포함할 수 있다.
다양한 실시예들에 따르면, 기술한 구성요소들의 각각의 구성요소(예: 모듈 또는 프로그램)는 단수 또는 복수의 개체를 포함할 수 있다. 다양한 실시예들에 따르면, 전술한 해당 구성요소들 중 하나 이상의 구성요소들 또는 동작들이 생략되거나, 또는 하나 이상의 다른 구성요소들 또는 동작들이 추가될 수 있다. 대체적으로 또는 추가적으로, 복수의 구성요소들(예: 모듈 또는 프로그램)은 하나의 구성요소로 통합될 수 있다. 이런 경우, 통합된 구성요소는 복수의 구성요소들 각각의 구성요소의 하나 이상의 기능들을 통합 이전에 복수의 구성요소들 중 해당 구성요소에 의해 수행되는 것과 동일 또는 유사하게 수행할 수 있다. 다양한 실시예들에 따르면, 모듈, 프로그램 또는 다른 구성요소에 의해 수행되는 동작들은 순차적으로, 병렬적으로, 반복적으로, 또는 휴리스틱하게 실행되거나, 동작들 중 하나 이상이 다른 순서로 실행되거나, 생략되거나, 또는 하나 이상의 다른 동작들이 추가될 수 있다.

Claims (20)

  1. 전자 장치의 멀티태스크를 수행하는 사용자의 인지 부하 측정 방법에 있어서,
    사용자가 멀티태스크를 수행하는 중에 상기 사용자와 관련된 생리학적 데이터를 수집하면서, 상기 멀티태스크에 대해 시뮬레이션을 수행하여, 시뮬레이션 데이터를 검출하는 동작;
    상기 시뮬레이션 데이터에 기반하여, 상기 생리학적 데이터로부터 적어도 하나의 특징을 선택하는 동작; 및
    상기 특징을 이용하여, 상기 사용자의 인지 부하를 측정하기 위한 분류 모델을 구현하는 동작을 포함하는 방법.
  2. 제 1 항에 있어서, 상기 특징 선택 동작은,
    상기 생리학적 데이터로부터 적어도 하나의 특징을 추출하는 동작; 및
    비용 민감 접근(cost-sensitive approach) 방식에 기반하여, 상기 추출된 특징 중 적어도 어느 하나를 선택하는 동작을 포함하는 방법.
  3. 제 1 항에 있어서,
    상기 생리학적 데이터는 심박수(heart rate), 산소포화도(oxygen saturation), 체온(temperature), 동공 확장(pupil dilation), 심전도(electrocardiogram) 또는 심박 변이(heart rate variability) 중 적어도 어느 하나를 포함하는 방법.
  4. 제 1 항에 있어서,
    상기 특징은 평균, 분산, 최대값, 최소값, 도함수, 편차 또는 파형 요소 중 적어도 어느 하나를 포함하는 방법.
  5. 제 1 항에 있어서,
    상기 분류 모델은 반복적 특징 제거 서포트 벡터 머신(RFE-SVM) 또는 상관 관계 기반 특징 선택 서포트 벡터 머신(CFS-SVM) 중 적어도 어느 하나를 포함하는 방법.
  6. 제 1 항에 있어서, 상기 시뮬레이션 데이터 검출 동작은,
    사고의 적응적 제어-합리적(ACT-R) 아키텍처에 기반하여, 상기 시뮬레이션을 수행하는 동작을 포함하는 방법.
  7. 제 1 항에 있어서, 상기 시뮬레이션 데이터 검출 동작은,
    상기 멀티태스크의 태스크들을 복수 개의 단위 태스크들로 분해하는 동작; 및
    상기 단위 태스크들을 이용하여, 상기 시뮬레이션을 수행하는 동작을 포함하는 방법.
  8. 제 1 항에 있어서, 상기 시뮬레이션 데이터 검출 동작은,
    상기 시뮬레이션의 결과를 표준화하는 동작; 및
    상기 표준화된 결과에 대해 통계적 분석을 수행하여, 상기 시뮬레이션 데이터를 검출하는 동작을 포함하는 방법.
  9. 제 1 항에 있어서,
    상기 전자 장치는 상기 사용자에 의해 상기 멀티태스크가 수행되는 전자 기기에 연결되거나, 내장되는 방법.
  10. 멀티태스크를 수행하는 사용자의 인지 부하 측정을 위한 전자 장치에 있어서,
    사용자가 멀티태스크를 수행하는 중에 상기 사용자와 관련된 생리학적 데이터를 수집하도록 구성되는 수집 모듈;
    상기 멀티태스크에 대해 시뮬레이션을 수행하여, 시뮬레이션 데이터를 검출하도록 구성되는 시뮬레이터; 및
    상기 시뮬레이션 데이터에 기반하여, 상기 생리학적 데이터로부터 적어도 하나의 특징을 선택하고, 상기 특징을 이용하여, 상기 사용자의 인지 부하를 측정하기 위한 분류 모델을 구현하도록 구성되는 프로세서를 포함하는 전자 장치.
  11. 제 10 항에 있어서, 상기 프로세서는,
    상기 생리학적 데이터로부터 적어도 하나의 특징을 추출하고,
    비용 민감 접근(cost-sensitive approach) 방식에 기반하여, 상기 추출된 특징 중 적어도 어느 하나를 선택하도록 구성되는 전자 장치.
  12. 제 10 항에 있어서,
    상기 생리학적 데이터는 심박수(heart rate), 산소포화도(oxygen saturation), 체온(temperature), 동공 확장(pupil dilation), 심전도(electrocardiogram) 또는 심박 변이(heart rate variability) 중 적어도 어느 하나를 포함하는 전자 장치.
  13. 제 10 항에 있어서,
    상기 특징은 평균, 분산, 최대값, 최소값, 도함수, 편차 또는 파형 요소 중 적어도 어느 하나를 포함하는 전자 장치.
  14. 제 10 항에 있어서,
    상기 분류 모델은 반복적 특징 제거 서포트 벡터 머신(RFE-SVM) 또는 상관 관계 기반 특징 선택 서포트 벡터 머신(CFS-SVM) 중 적어도 어느 하나를 포함하는 전자 장치.
  15. 제 10 항에 있어서, 상기 시뮬레이터는,
    사고의 적응적 제어-합리적(ACT-R) 아키텍처에 기반하여, 상기 시뮬레이션을 수행하도록 구성되는 전자 장치.
  16. 제 10 항에 있어서, 상기 시뮬레이터는,
    상기 멀티태스크의 태스크들을 복수 개의 단위 태스크들로 분해하고,
    상기 단위 태스크들을 이용하여, 상기 시뮬레이션을 수행하도록 구성되는 전자 장치.
  17. 제 10 항에 있어서, 상기 시뮬레이터는,
    상기 시뮬레이션의 결과를 표준화하고,
    상기 표준화된 결과에 대해 통계적 분석을 수행하여, 상기 시뮬레이션 데이터를 검출하도록 구성되는 전자 장치.
  18. 제 10 항에 있어서,
    상기 전자 장치는 상기 사용자에 의해 상기 멀티태스크가 수행되는 전자 기기에 연결되거나, 내장되고,
    상기 전자 기기와 인터페이스를 수행하도록 구성되는 인터페이스 모듈을 더 포함하는 전자 장치.
  19. 컴퓨터-판독 가능 저장 매체에 있어서,
    사용자가 멀티태스크를 수행하는 중에 상기 사용자와 관련된 생리학적 데이터를 수집하면서, 상기 멀티태스크에 대해 시뮬레이션을 수행하여, 시뮬레이션 데이터를 검출하는 동작;
    상기 시뮬레이션 데이터에 기반하여, 상기 생리학적 데이터로부터 적어도 하나의 특징을 선택하는 동작; 및
    상기 특징을 이용하여, 상기 사용자의 인지 부하를 측정하기 위한 분류 모델을 구현하는 동작을 실행하기 위한 하나 이상의 프로그램들을 저장하기 위한 컴퓨터-판독 가능 저장 매체.
  20. 제 19 항에 있어서, 상기 특징 선택 동작은,
    상기 생리학적 데이터로부터 적어도 하나의 특징을 추출하는 동작; 및
    비용 민감 접근(cost-sensitive approach) 방식에 기반하여, 상기 추출된 특징 중 적어도 어느 하나를 선택하는 동작을 포함하는 컴퓨터-판독 가능 저장 매체.
KR1020190039894A 2019-04-05 2019-04-05 생리학적 데이터와 시뮬레이션 데이터를 이용한 멀티태스크를 수행하는 사용자의 인지 부하 측정 방법 및 장치 KR102236437B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190039894A KR102236437B1 (ko) 2019-04-05 2019-04-05 생리학적 데이터와 시뮬레이션 데이터를 이용한 멀티태스크를 수행하는 사용자의 인지 부하 측정 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190039894A KR102236437B1 (ko) 2019-04-05 2019-04-05 생리학적 데이터와 시뮬레이션 데이터를 이용한 멀티태스크를 수행하는 사용자의 인지 부하 측정 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20200117582A true KR20200117582A (ko) 2020-10-14
KR102236437B1 KR102236437B1 (ko) 2021-04-06

Family

ID=72846858

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190039894A KR102236437B1 (ko) 2019-04-05 2019-04-05 생리학적 데이터와 시뮬레이션 데이터를 이용한 멀티태스크를 수행하는 사용자의 인지 부하 측정 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102236437B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113576481A (zh) * 2021-09-02 2021-11-02 北京航空航天大学 一种脑力负荷评估方法、装置、设备、介质

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160085577A (ko) * 2015-01-08 2016-07-18 한국과학기술연구원 생체신호를 이용한 심리상태 판단 장치 및 방법
KR20160133043A (ko) * 2015-05-11 2016-11-22 한국전자통신연구원 생체신호 기반의 심리 인지 장치

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160085577A (ko) * 2015-01-08 2016-07-18 한국과학기술연구원 생체신호를 이용한 심리상태 판단 장치 및 방법
KR20160133043A (ko) * 2015-05-11 2016-11-22 한국전자통신연구원 생체신호 기반의 심리 인지 장치

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
S.Park et. al., "Modeling of multiple sources of workload and time pressure effect with ACT-R," In the Journ. of IJIE, vol. 63, pp. 37-48, 2018.01.31. *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113576481A (zh) * 2021-09-02 2021-11-02 北京航空航天大学 一种脑力负荷评估方法、装置、设备、介质

Also Published As

Publication number Publication date
KR102236437B1 (ko) 2021-04-06

Similar Documents

Publication Publication Date Title
Bigdely-Shamlo et al. The PREP pipeline: standardized preprocessing for large-scale EEG analysis
US10824225B2 (en) Methods and apparatuses for determining head movement
Raffel et al. MIR_EVAL: A Transparent Implementation of Common MIR Metrics.
Zhou et al. A real-time atrial fibrillation detection algorithm based on the instantaneous state of heart rate
EP2829223A1 (en) Monitoring physiological parameters
Diggelmann et al. Automatic spike sorting for high-density microelectrode arrays
Cong et al. Validating rationale of group-level component analysis based on estimating number of sources in EEG through model order selection
Lopes-dos-Santos et al. Extracting information in spike time patterns with wavelets and information theory
CN111671420A (zh) 一种从静息态脑电数据中提取特征的方法及终端设备
CN112971809A (zh) 脑节律信息检测方法、装置及电子设备
Al-Qazzaz et al. Optimal EEG channel selection for vascular dementia identification using improved binary gravitation search algorithm
KR102236437B1 (ko) 생리학적 데이터와 시뮬레이션 데이터를 이용한 멀티태스크를 수행하는 사용자의 인지 부하 측정 방법 및 장치
US9467182B2 (en) Signal decomposition method and electronic apparatus using the same
CN113397563A (zh) 抑郁分类模型的训练方法、装置、终端及介质
Medeiros et al. Software code complexity assessment using EEG features
JP2020130772A (ja) 生体信号処理装置および自動解析用データ生成方法
Railis et al. Energy profile analysis of Zynq-7000 programmable SoC for embedded medical processing: Study on ECG arrhythmia detection
Abenna et al. An enhanced motor imagery EEG signals prediction system in real-time based on delta rhythm
CN115670480A (zh) 一种生物特征分析方法、装置、电子设备及存储介质
KR20230096392A (ko) 심장 박동 분류 방법 및 장치, 그리고 심장 박동 분류 모델의 학습 방법
WO2014191805A1 (en) Devices and methods for determination of cognitive load
Trigui et al. SSVEP enhancement using moving average filter controlled by phase features
Al-Hamadi et al. A framework for the verification of an ecg biosensor algorithm
Vahabi et al. Enhancing P300 wave of BCI systems via negentropy in adaptive wavelet denoising
Reed et al. Quantification of fractional dynamical stability of EEG signals as a bio-marker for cognitive motor control

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant