KR20210046373A

KR20210046373A - 개인화된 체중 관리

Info

Publication number: KR20210046373A
Application number: KR1020190130013A
Authority: KR
Inventors: 장서정
Original assignee: 엘지전자 주식회사
Priority date: 2019-10-18
Filing date: 2019-10-18
Publication date: 2021-04-28
Also published as: US11804147B2; US20210118328A1

Abstract

본 발명은 5G 통신 네트워크를 통한 사물 인터넷 환경에서도 동작할 수 있으며, 구체적으로 개인의 체중을 효과적으로 관리할 수 있는 개인의 체중 관리가 가능한 장치 및 이를 이용한 개인화된 체중 관리 방법에 관한 것이다. 본 발명은 현재일에 수신한 개인의 체중, 개인이 섭취한 음식의 종류, 양 및 개인이 실행한 운동 정보를 기초로 산출한 개인의 예상 체중을 학습하고, 학습한 개인의 예상 체중을 기초로 개인이 수신한 목표 체중에 대한 섭취할 음식 정보 및 실행할 운동 정보를 예측할 수 있도록 하는데 있다.

Description

개인화된 체중 관리{PERSONALIZED WEIGT MANAGEMENT}

본 발명은 개인의 체중을 효과적으로 관리할 수 있는 개인의 체중 관리가 가능한 장치 및 이를 이용한 개인화된 체중 관리 방법에 관한 것이다.

이하에서 기술되는 내용은 본 발명의 실시예와 관련되는 배경 정보를 제공할 목적으로 기재된 것일 뿐이고, 기술되는 내용들이 당연하게 종래기술을 구성하는 것은 아니다.

비만은 체내 체지방의 과도한 축적을 말하며, 섭취 에너지가 소비 에너지를 초과하는 에너지 불균형이 오랜 기간 유발됨으로써 발생한다. 특히 비만은 동물성 식품 섭취 증가와 운동의 부족, 스트레스 등으로 인하여 최근 30년간 비만의 유병률이 현저히 증가하고 있다. 체내에 지방조직이 과다하게 축적된 상태를 이르는 비만은, 세계보건기구에서 장기적인 투병이 필요한 질병이라고 경고할 만큼 전세계적 문제로 대두되고 있다.

더욱이, 비만은 단순히 미관상의 문제로 그치는 것이 아닌, 대사 증후군의 직접적인 원인으로 작용하여 암, 심장 질환, 당뇨, 고혈압, 뇌졸중, 골 관절염 등 각종 질병을 초래하고 있다. 실제로 비만에 해당되는 사람은 정상상 태의 사람보다 사망률이 28% 높고, 당뇨는 2,9배, 고혈압은 5.6배나 발병 위험이 큰 것으로 보고되고 있다.

이처럼, 비만 자체가 치명적인 질병이라는 인식이 확대됨에 따라, 사회 전반에 걸쳐 체중관리에 대한 관심과 노력이 고조되고 있는 추세이며, 그 방안으로 식이요법 및 운동을 통한 자가관리, 다이어트 식품 섭취, 지방 분해 및 흡입 시술 등이 있다.

한편, 체중계를 통하여 지속적으로 체중을 측정하고 체중의 변화를 파악 및 기록해야 하는 자가관리의 경우, 현 대인들의 바쁜 생활 패턴 상 용이하지 못하고 번거로우며, 체중관리 전문가로부터 체계적인 카운슬링(counseling)을 받을 수 없다는 문제점이 있었으며, 때문에 의지나 의욕이 감퇴되고, 관리에 소홀해져 실패로 이어지는 경우가 대부분이었다.

또한, 다이어트 식품 섭취의 경우에는, 그 종류가 무수히 많고 각기 다른 약용작물을 원료로 하고 있어, 본인의 체질특성에 적합한 식품을 분별하여 섭취하는 것에 어려움이 따르고, 안전성이 검증되지 않은 식품을 섭취할 경우 심각한 부작용이 발생되는 문제점을 안고 있었으며, 약물 투여 및 시술은 비교적 고가로 진행되어 비용적 부 담이 따르게 된다는 문제점이 있었다.

이에 따라 개인의 체중을 효과적으로 관리할 수 있도록 현재일에 대해 개인의 체중, 개인이 섭취한 음식 정보, 개인이 실행한 운동 정보를 학습하고, 다음날의 체중 증감을 미리 예측할 수 있는 기술이 요구되고 있다. 특히, 개인이 섭취한 음식의 종류, 양에 따라 개인의 체중이 어떻게 변화하는지 분석하는 기술이 요구되고 있다.

이와 관련되어 비만에 대해 개인의 체중을 관리할 수 있는 기술이 선행기술 1 및 선행기술 2에 의해 개시되어 있다.

구체적으로 국내등록특허 제10-1987620호(선행기술 1) '초기 체중 및 체중 감량을 이용한 최종 체중 감량 예측 방법 및 컴퓨터 판독 가능 저장 매체'에는 비만 치료용 한약 복용과 같은 특정 비만 치료를 받은 환자들의 결과 데이터를 이용하여, 비만 치료의 중간 단계에서의 체중 감량 및 최종 체중 감량에 영향을 주는 요인들을 보다 과학적이고 객관적인 분석할 수 있는 기술이 개시되어 있다.

특히, 체중 감량 결과에 영향을 주는 요인들이 발견되었다면, 이 요인들과 체중 감량과의 관계를 과학적이고 객관적으로 분석하여, 그 분석 결과에 기초하여 비만 치료 환자들에게 신뢰할 수 있을 만한 비만 치료의 다음 단계 또는 최종 단계에서의 체중 감량의 예측 값을 제공하여, 환자로 하여금 알맞은 감량 목표와 치료 기간을 설정할 수 있도록 함으로써 효과적인 비만 치료를 실시할 수 있는 기술이 기재되어 있다.

그러나, 상기의 '초기 체중 및 체중 감량을 이용한 최종 체중 감량 예측 방법 및 컴퓨터 판독 가능 저장 매체'는 한양 복용 치료를 받는 환자들의 결과 데이터를 이용하여 환자로 하여금 알맞은 감량이 이루어질 수 있는 있는 기술이 기재될 뿐, 현재일에 대해 개인의 체중, 개인이 섭취한 음식 정보, 개인이 실행한 운동 정보를 학습하고, 다음날의 체중 증감을 미리 예측할 수 있는 기술은 개시되어 있지 않다.

또한, 국내등록특허 제10-1740516호(선행기술 2)의 '체중 관리 방법'은 하루에 개인에 의해 소모되는 에너지를 획득하고, 획득한 소모되는 에너지를 통해 도달 가능한 목표 체중을 예측할 수 있는 기술이 개시되어 있다.

그러나, 상기의 선행기술 2에는 개인이 섭취한 음식의 종류, 양에 따라 개인의 체중이 어떻게 변화하는지 분석하는 기술이 기재되어 있지 않으며, 더욱이 개인이 섭취한 음식의 종류, 양에 따라 개인의 체중이 어떻게 변화하는지 일정 시간 동안 학습 및 분석하여 체중 감량을 위해 섭취할 음식 및 실행할 운동을 예측하는 기술은 기재되어 있지 않다.

따라서, 개인화된 체중 감량 장치 및 체중 감량 방법에 대한 기술이 필요하다.

전술한 배경기술은 발명자가 본 발명의 도출을 위해 보유하고 있었거나, 본 발명의 도출 과정에서 습득한 기술 정보로서, 반드시 본 발명의 출원 전에 일반 공중에게 공개된 공지기술이라 할 수는 없다.

[선행기술문헌]

[특허문헌]

선행기술 1: 한국 등록특허 10-1987620 (2019.6.04. 등록)

선행기술 2: 한국 등록특허 10-1740516 (2017.05.22. 등록)

본 발명의 일 과제는, 개인의 체중을 효과적으로 관리할 수 있도록 하는데 있다.

또한, 본 발명의 다른 과제는 현재일의 체중, 섭취한 음식 정보 및 실행한 운동 정보를 학습하고, 학습된 음식 정보 및 운동 정보를 예상되는 개인의 예상 체중을 산출할 수 있다. 이와 같이 산출된 예상 체중은 개인이 설정한 목표 체중에 대하여 섭취할 음식, 섭취할 음식의 양, 실행할 운동 및 운동의 횟수나 조건 등의 정보를 생성할 수 있도록 하는데 있다.

또한 본 발명의 또 다른 과제는 개인의 체중, 개인이 섭취한 음식 정보 및 개인이 실행한 운동 정보를 누적하여 일정 시간이 지난 후 음식 및 운동에 따라 체중이 어떻게 변화하는지 분석할 수 있도록 하고, 개인에게 맞춤화된 음식 및 운동을 예측하도록 하여 보다 정확하게 개인의 체중 관리가 이루어질 수 있도록 하는데 있다.

본 발명의 목적은 이상에서 언급한 과제에 한정되지 않으며, 언급되지 않은 본 발명의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 발명의 실시예에 의해 보다 분명하게 이해될 것이다. 또한, 본 발명의 목적 및 장점들은 청구범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 알 수 있을 것이다.

과제들을 달성하기 위해 개인화된 체중 관리 방법이 개시된다. 구체적으로, 현재일에 대한 개인의 체중 정보, 개인이 섭취한 음식 정보 및 운동 정보를 수신하고, 섭취한 음식 정보 및 운동 정보에 따라 체중 증감을 예상하도록 미리 생성된 예측 모델을 섭취한 음식 정보 및 운동 정보에 적용하여 개인의 다음날 예상 체중을 산출하고, 다음날 실제 체중 정보를 수신하면 다음날 예상 체중과 다음날 실제 체중 사이의 차이를 계산할 수 있다. 이후, 일정 기간 동안의 다음날 예상 체중과 다음날 실제 체중 사이의 차이값에 따라 예측 모델을 개인용 예측 모델로 업데이트할 수 있다. 개인용 예측 모델이 업데이트되면 개인으로부터 수신한 목표 체중을 위해 섭취할 음식 정보 및 실행할 운동 정보를 생성하여 개인화된 체중 관리가 이루어질 수 있다.

이때, 섭취한 음식 정보는 섭취한 음식의 종류 또는 섭취한 음식의 양 중 적어도 어느 하나의 정보를 포함하고, 운동 정보는 실행한 운동의 종류 또는 실행한 운동의 시간 중 적어도 어느 하나의 정보를 포함할 수 있다.

특히 개인의 다음날 예상 체중은 개인이 섭취한 음식의 종류 및 음식의 양에 평균적인 음식 칼로리 정보를 적용하여 개인이 취득한 칼로리를 계산하고, 개인이 실행한 운동의 종류 및 운동의 시간에 평균적인 운동 칼로리 정보를 적용하여 개인이 소모한 칼로리를 계산한 뒤, 개인이 취득한 칼로리 및 개인이 소모한 칼로리에 기초하여 개인의 다음날 체중을 예상하는 과정으로 산출될 수 있다.

또한 개인용 예측 모델로 업데이트 시, 일정 기간 동안의 다음날 예상 체중과 다음날 실제 체중 사이의 차이값에 따라 개인의 음식 칼로리 테이블 및 개인의 운동 칼로리 테이블을 생성할 수 있다.

이때, 개인의 음식 칼로리 테이블은 음식의 종류 및 음식의 양에 따라 개인이 취득하는 것으로 추정되는 칼로리 정보와 개인의 운동 칼로리 테이블은 운동의 종류 및 운동의 양에 따라 개인이 소모하는 것으로 추정되는 칼로리 정보를 포함할 수 있다.

한편, 섭취할 음식 정보 및 실행할 운동 정보를 생성할 때, 개인이 실행한 운동의 종류와 실행한 운동의 시간과 개인이 섭취한 음식의 종류 및 섭취한 음식의 양을 수신할 수 있다.

이때, 실행한 운동의 종류 및 실행한 운동의 시간, 섭취한 음식의 종류 및 섭취한 음식의 양에 기초하여 개인용 예측 모델에 따라 목표 체중을 달성하기 위해 추가 실행할 운동 또는 추가 섭취할 음식을 제안할 수 있도록 한다.

개인의 체중을 관리할 때, 일정 기간 이내에는 개인의 연령 및 성별에 대해 섭취해야 하는 평균 섭취 칼로리 및 평균 소모에 기초하여 개인으로부터 수신한 목표 체중에 대한 실행할 운동 정보를 생성할 수 있도록 한다.

한편, 개인이 섭취한 음식이 섭취한 음식 정보와 실행한 운동 정보를 수신할 때, 개인의 음식의 섭취 시간과 운동 실행 시간을 수신할 수 있다.

개인의 음식의 섭취 시간과 운동 실행 시간을 토대로 섭취할 음식 정보 및 실행할 실행한 운동 정보를 생성할 때, 개인의 음식을 섭취할 시간과 운동을 실행할 시간을 생성할 수 있다.

한편, 과제들을 달성하기 위해 개시되는 개인화된 체중 관리 장치는, 현재일에 대한 개인의 체중 정보, 개인이 섭취한 음식 정보 및 운동 정보를 수신하는 제1 데이터 수집기와 섭취한 음식 정보 및 운동 정보에 따라 체중 증감을 예상하도록 미리 생성된 예측 모델을 섭취한 음식 정보 및 운동 정보에 적용하여 개인의 다음날 예상 체중을 산출하는 제1 데이터 생성기를 포함할 수 있다.

또한, 본 발명의 실시예에 따른 개인화된 체중 관리 장치는, 다음날 실제 체중 정보를 수신하는 제2 데이터 수집기와 다음날 예상 체중과 다음날 실제 체중 사이의 차이를 계산하는 제2 데이터 생성기를 포함할 수 있다.

더불어, 일정 기간 동안의 다음날 예상 체중과 다음날 실제 체중 사이의 차이값에 따라 예측 모델을 개인용 예측 모델로 업데이트하고, 개인용 예측 모델을 이용하여 개인으로부터 수신한 목표 체중을 위해 섭취할 음식 정보 및 실행할 운동 정보를 생성하는 프로세서를 포함할 수 있다.

이러한 개인화된 체중 관리 장치에 의하여 개인의 체중, 개인이 섭취한 음식 정보 및 개인이 실행한 운동 정보를 누적하여 일정 시간이 지난 후 음식 및 운동에 따라 체중이 어떻게 변화하는지 분석할 수 있도록 하고, 개인에게 맞춤화된 음식 및 운동을 예측하도록 하여 보다 정확하게 개인의 체중 관리가 이루어질 수 있게 된다.

한편, 과제들을 달성하기 위해 개시되는 개인화된 체중 관리 장치는, 하나 이상의 프로세서 및 프로세서에 연결되는 메모리를 포함할 수 있다.

이때, 메모리는 현재일에 대한 개인의 체중 정보, 개인이 섭취한 음식 정보 및 운동 정보를 수신하고, 섭취한 음식 정보 및 운동 정보에 따라 체중 증감을 예상하도록 미리 생성된 예측 모델을 섭취한 음식 정보 및 운동 정보에 적용하여 개인의 다음날 예상 체중을 산출하고, 다음날 실제 체중 정보를 수신한 뒤, 다음날 예상 체중과 다음날 실제 체중 사이의 차이를 계산한 후, 일정 기간 동안의 다음날 예상 체중과 다음날 실제 체중 사이의 차이값에 따라 예측 모델을 개인용 예측 모델로 업데이트한 뒤, 개인용 예측 모델을 이용하여 개인으로부터 수신한 목표 체중을 위해 섭취할 음식 정보 및 실행할 운동 정보를 생성하는 명령이 저장되어 있을 수 있다.

전술한 것 외의 다른 측면, 특징, 이점이 이하의 도면, 청구범위 및 발명의 상세한 설명으로부터 명확해질 것이다.

본 발명에 의하면, 개인의 체중을 효과적으로 관리할 수 있도록 현재일의 체중, 섭취한 음식 정보 및 실행한 운동 정보를 학습하고, 학습된 음식 정보 및 운동 정보를 예상되는 개인의 예상 체중을 산출할 수 있다. 이와 같이 산출된 예상 체중은 개인이 설정한 목표 체중에 대하여 섭취할 음식, 섭취할 음식의 양, 실행할 운동 및 운동의 횟수나 조건 등의 정보를 생성할 수 있다.

또한, 본 발명은 개인의 체중, 개인이 섭취한 음식 정보 및 개인이 실행한 운동 정보를 누적하여 일정 시간이 지난 후 음식 및 운동에 따라 체중이 어떻게 변화하는지 분석할 수 있도록 하고, 개인에게 맞춤화된 음식 및 운동을 예측하도록 하여 보다 정확하게 개인의 체중 관리가 이루어질 수 있다.

본 발명의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 발명의 실시예에 따른 개인의 체중 관리 장치를 설명하기 위한 예시도이다.
도 2A 및 도 2B는 도 1의 개인의 체중 관리 장치를 통해 데이터 수집, 수집된 데이터를 통해 개인의 예상 체중 예측을 설명하기 위한 예시도이다.
도 3은 본 발명의 실시예에 따른 개인의 체중 관리 장치를 통해 개인의 예상 체중 예측을 예시적으로 설명하기 위한 흐름도이다.
도 4는 본 발명의 실시예에 따른 개인의 체중 관리 장치의 개략적인 구성을 도시한 블록도이다.
도 5는 도 4의 프로세서를 구체적으로 도시한 블록도이다.
도 6은 본 발명의 실시예에 따른 개인화된 체중 관리 방법을 개략적으로 도시한 흐름도이다.
도 7은 본 발명의 다른 실시예에 따른 개인화된 체중 관리 방법을 개략적으로 도시한 흐름도이다.
도 8은 본 발명의 실시예에 따른 개인의 체중 관리를 위한 심층 신경망 모델을 설명하기 위한 도면이다.

이하에서는 도면을 참조하여 본 발명을 보다 상세하게 설명한다. 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 여기에서 설명하는 실시예들에 한정되지 않는다. 이하 실시예에서는 본 발명을 명확하게 설명하기 위해서 설명과 직접적인 관계가 없는 부분을 생략하지만, 본 발명의 사상이 적용된 장치 또는 시스템을 구현함에 있어서, 이와 같이 생략된 구성이 불필요함을 의미하는 것은 아니다. 아울러, 명세서 전체를 통하여 동일 또는 유사한 구성요소에 대해서는 동일한 참조번호를 사용한다.

이하의 설명에서 제1, 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 구성요소들은 용어들에 의해 한정되어서는 안 되며, 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 또한, 이하의 설명에서 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.

이하의 설명에서, "포함하다" 또는 "가지다" 등의 용어는 명세서 상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

도 1은 본 발명의 실시예에 따른 개인의 체중 관리 장치를 설명하기 위한 예시도이고, 도 2A 및 도 2B는 도 1의 개인의 체중 관리 장치를 통해 데이터 수집, 수집된 데이터를 통해 개인의 예상 체중 예측을 설명하기 위한 예시도이며, 도 3은 본 발명의 실시예에 따른 개인의 체중 관리 장치를 통해 개인의 예상 체중 예측을 예시적으로 설명하기 위한 흐름도이다.

도 1을 참조하면, 본 발명의 실시예에 따른 개인의 체중 관리 장치(1000)는 개인의 체중을 관리하는 개인(100), 장치(1000)를 이용하는 개인(100)의 정보가 저장된 전자기기(200), 전자기기(200)가 접속되고, 접속된 전자기기(200)를 제어하는 중앙 컨트롤러(300) 및 이들을 서로 연결시키는 네트워크(400)를 포함한다.

전자기기(200)는 체중 관리 장치(1000)를 이용하는 정보가 저장될 수 있다. 개인 정보란, 개인의 체중, 개인이 섭취한 음식의 종류, 음식의 양 등에 대한 정보, 개인이 실행한 운동의 종류, 운동의 종류에 따라 실행한 시간 등에 대한 정보 등이 저장되어 있다.

이러한 전자기기(200)는 예를 들어 개인 모바일 통신장치, 태블릿 PC, PC 등 중 어느 하나일 수 있으며, 전자기기(200)는 5G 통신을 통해 IoT 환경이 구현된 각종 전자기기들이 서로 통신하도록 구성될 수 있다.

또한, 전자기기(200)는 유선 및 무선 통신을 이용하여 후술할 중앙 컨트롤러(300)에 접속해서, 웹 또는 애플리케이션을 통해 중앙 컨트롤러(300)가 제공하는 개인의 체중 관리 서비스가 실행되도록 한다. 즉, 전자기기(200)는 실내 공간과 떨어진 원격지에서 중앙 컨트롤러(300)를 통해 전자기기(200)에 설치된 개인의 체중 관리 장치(1000)가 구동 및 제어되도록 개인에 대한 정보를 제공할 수 있다.

이때, 전자기기(200)에 설치된 개인의 체중 관리 장치(1000)는 어플리케이션(App)으로 구현될 수 있다.

중앙 컨트롤러(300)는 전자기기(200)와 연결되어 그 동작을 제어 및 모니터링할 수 있다. 또한, 중앙 컨트롤러(300)는 전자기기(200)에 저장된 개인 정보에 따라 개인의 체중 관리 스케줄을 설정할 수 있으며, 설정된 체중 관리 스케줄에 따라 개인의 체중 관리가 이루어지고 있는지를 확인할 수도 있다. 더불어, 중앙 컨트롤러(300)는 단일 장치 또는 복수의 장치로 구성될 수 있으며, 복수의 장치로 구성되는 경우 허브, 중앙식 전력량계 ACP (advance control platform) 및 관리 프로그램이 탑재된 관리 서버 등을 포함할 수 있다.

네트워크(400)는 중앙 제어 및 외부 접속에 의한 제어를 위해 전자기기(200), 중앙 컨트롤러(300) 및 전자기기(200)를 연결하는 역할을 한다.

구체적으로 네트워크(400)는 LANs(local area networks), WANs(wide area networks), MANs(metropolitan area networks), ISDNs(integrated service digital networks) 등의 유선 네트워크나, 무선 LANs, CDMA, 블루투스, 위성 통신 등의 무선 네트워크를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.

또한 네트워크(400)는 근거리 통신 및/또는 원거리 통신을 이용하여 정보를 송수신할 수 있다. 여기서 근거리 통신은 블루투스(bluetooth), RFID(radio frequency identification), 적외선 통신(IrDA, infrared data association), UWB(ultra-wideband), ZigBee, Wi-Fi (wireless fidelity) 기술을 포함할 수 있고, 원거리 통신은 CDMA(code division multiple access), FDMA(frequency division multiple access), TDMA(time division multiple access), OFDMA(orthogonal frequency division multiple access), SC-FDMA(single carrier frequency division multiple access) 기술을 포함할 수 있다.

더불어, 네트워크(400)는 허브, 브리지, 라우터, 스위치 및 게이트웨이와 같은 네트워크 요소들의 연결을 포함할 수 있다. 네트워크(400)는 인터넷과 같은 공용 네트워크 및 안전한 기업 사설 네트워크와 같은 사설 네트워크를 비롯한 하나 이상의 연결된 네트워크들, 예컨대 다중 네트워크 환경을 포함할 수 있다. 네트워크(400)에의 액세스는 하나 이상의 유선 또는 무선 액세스 네트워크들을 통해 제공될 수 있다. 더 나아가 네트워크(400)는 사물 등 분산된 구성 요소들 간에 정보를 주고 받아 처리하는 IoT(Internet of Things, 사물인터넷) 망 및/또는 5G 통신을 지원할 수 있다.

또한 중앙 컨트롤러(300)와 전자기기(200) 사이는 BACnet(Building Automation Control Networks) 등의 네트워크(400)를 통해 연결될 수 있다. 이 경우 게이트웨이 등이 더 구비될 수 있다.

한편 도 2A 및 도 2B에는 개인의 데이터 수집, 수집된 데이터를 통해 개인의 예상 체중을 예측할 수 있는 개인의 체중 관리 장치(1000)가 묘사되어 있다.

예를 들어, 개인의 체중 관리 장치(1000)는 학습기(102)와 예측기(104)를 포함할 수 있다. 구체적으로 학습기(102)는 개인이 일정 기간 동안 섭취한 음식의 종류와 섭취한 음식의 양 등에 대한 정보와 개인이 일정 기간 동안 실행한 운동의 종류 및 실행한 시간 등에 대한 정보를 수신할 수 있다.

이와 같이 수신된 섭취한 음식의 정보와 실행한 운동의 정보는 예측기(104)를 통해 일정 기간 동안 학습할 수 있다. 개인으로부터 수신한 개인 정보를 학습하기 위해 인공지능이 활용될 수 있다. 인공지능에 대해서는 구체적으로 후술하기로 하지만, 간략히 설명하면 개인으로부터 수신한 개인의 정보는 학습 데이터로서 활용하고, 이에 기초하여 개인의 체중 증감을 예상할 수 있는 예측 모델을 만들어 학습시킬 수 있다.

이와 같이 인공지능을 통해 개인의 체중 증감을 예측할 수 있는 예측 모델을 통해 예측한 결과를 기초로 개인에게 섭취할 음식의 종류, 음식의 양, 실행할 운동의 종류 및 실행한 시간 등을 개인에 노출시켜 개인이 실행할 수 있도록 한다.

이러한 학습기(102) 및 예측기(104)는 개인(100)의 체중을 관리하기 위해 전자기기(200)에 설치된 어플리케이션 등에 저장되어 실행 가능한 프로세서들이 될 수 있다. 여기서, '프로세서(processor)'는, 예를 들어 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다.

한편 도 3을 참고하면, 개인으로부터 전자기기(200)에 현재일에 대한 개인의 체중 정보, 개인이 섭취한 음식 정보 및 운동 정보를 수신할 수 있다. 수신된 정보에 따라 개인의 체중 증감을 예상할 수 있는 개인용 예측 모델에 기초하여 현재일에 대한 다음날 예상 체중을 산출할 수 있다.

구체적으로, 현재일에 대한 개인의 체중 정보, 개인이 섭취한 음식 정보 및 실행한 운동 정보를 수신한 상태에서 다음날 개인의 체중을 수신한다. 이후, 다음날 예상 체중이 산출된 상태에서, 다음날 개인으로부터 개인의 체중을 수신하고, 수신된 다음날 개인의 체중과 이전의 현재일에서 수신한 개인의 체중 차이를 계산할 수 있다.

계산된 현재일에 대한 다음날 실제 체중 정보 차이값에 따라 개인의 체중 증감을 예측할 수 있다. 예측되는 개인의 체중 증감에 따라 개인용 예측 모델을 업데이트 할 수 있다. 예를 들어 현재일에 대한 다음날 개인의 체중이 줄면 예상 체중이 감소될 수 있으며, 현재일에 대한 다음날 개인의 체중이 늘면 예상 체중이 증가될 수 있기 때문이다.

한편, 개인의 체중 증감 정보는 일정 기간 동안 수집, 저장될 수 있으며, 개인의 체중 증감에 따른 개인용 예측 모델은 개인의 체중 증감 정보가 수집, 저장되는 동안 학습될 수 있다. 예컨대, 개인의 체중 관리 장치(1000)는 개인이 지정한 기간 동안 예상 체중을 학습하거나, 기 수신된 기간 동안 예상 체중을 학습하게 되는 것이다.

이와 같이, 일정 기간 동안 개인의 예상 체중을 학습하면, 개인이 입력한 목표 체중에 대해 개인이 섭취해야 하는 음식의 종류, 음식의 양, 운동의 종류 및 운동 종류에 따라 실행할 운동 시간 등이 예측될 수 있다.

결과적으로 본 발명의 체중 관리 장치를 통해 개인이 일정 기간 동안 섭취한 음식과 섭취한 종류 및 양과 개인이 실행한 운동의 종류와 시간 등에 대한 정보를 수신한다. 수신된 정보를 통해 어느 음식을 얼마만큼 섭취하고, 어떤 운동을 얼마나 실행하였을 때, 효과적으로 체중을 관리(증가 또는 감소)할 수 있는지를 예측할 수 있게 된다. 이러한 예측된 결과를 개인에 알림으로써, 이를 개인이 실행할 수 있도록 하여 개인의 체중 관리가 이루어질 수 있도록 한다.

도 4는 본 발명의 실시예에 따른 개인의 체중 관리 장치의 개략적인 구성을 도시한 블록도이고, 도 5는 도 4의 프로세서를 구체적으로 도시한 블록도이다. 이하의 설명에서 도 1 내지 도 3에 대한 설명과 중복되는 부분의 그 설명은 생략하기로 한다.

본 발명의 실시예에 따라 개인의 체중 관리 장치(1000)는 제1 데이터 수집기(110), 제1 데이터 생성기(120), 제2 데이터 수집기(130), 제2 데이터 생성기(140) 및 프로세서(150) 등을 포함하여 구성될 수 있다.

제1 데이터 수집기(110)는 현재일에 대한 개인의 체중 정보, 개인이 섭취한 음식 정보 및 운동 정보를 수신할 수 있다. 구체적으로, 개인의 체중 관리 장치(1000)를 실행한 첫날을 현재일이라 가정하는 경우 현재일에 대한 개인 정보를 획득할 수 있다.

여기서, 개인이 섭취한 음식 정보는 섭취한 음식의 종류, 섭취한 음식의 양 등에 대한 정보가 될 수 있으며, 운동 정보란, 개인이 실시한 운동종류, 실시한 운동 시간 등에 대한 정보가 될 수 있다.

제1 데이터 수집기(110)를 통해 수신된 개인 정보는 제1 데이터 생성기(120)를 통해 현재일에 대한 다음날 예상 체중을 산출할 수 있다.

구체적으로 제1 데이터 생성기(120)는 섭취한 음식 정보 및 실행한 운동 정보에 따라 체중 증감을 예상하도록 미리 생성된 예측 모델에 기초하여 계산된 섭취한 음식 정보 및 운동 정보를 기초로 개인의 현재일에 대한 다음날 예상 체중을 산출할 수 있다.

즉, 현재일에 개인이 먹은 음식에 따른 칼로리와, 실행한 운동 정보의 칼로리를 계산하여 현재일에 측정한 개인의 체중에서 계산한 칼로리를 더하거나 빼내어 개인의 체중에서 증감을 산출하는 것이다.

여기서, 현재일에 개인이 먹은 음식과 실행한 운동 정보의 칼로리를 계산하는 방법은 일반적으로 음식에 대해 정해진 칼로리와 실행한 운동을 통해 소모한 칼로리의 차이를 계산하는 것으로 산출할 수 있다.

한편, 후술할 프로세서(150)는 제1 데이터 수집기(110)를 통해 수집한 개인이 섭취한 음식의 종류 및 음식의 양에 평균적인 음식 칼로리 정보를 적용할 수 있다.

이후, 개인의 음식 정보에 평균적인 음식 칼로리 정보를 적용하면 개인이 취득한 칼로리 및 개인이 실행한 운동의 종류 및 운동의 시간에 평균적인 운동 칼로리 정보를 적용하여 개인이 소모한 칼로리와 개인이 취득한 칼로리 및 개인이 소모한 칼로리에 기초하여 개인의 다음날 체중을 예상하도록 한다.

이와 같이 현재일에 대한 다음날 예상 체중을 산출하면, 제2 데이터 수집기(130)를 통해 현재일에 대한 개인의 다음날 실제 체중 정보를 수신할 수 있다.

제2 데이터 수집기(130)를 통해 현재일에 대한 개인의 다음날 실제 체중 정보를 수신한 뒤, 제2 데이터 생성기(140)를 통해 현재일에 대한 개인의 체중 정보 및 현재일에 대한 다음날 실제 체중 정보의 차이를 계산할 수 있다.

개인의 체중 정보 및 현재일에 대한 다음날 실제 체중 정보의 차이값을 계산하면, 프로세서(150)를 통해 계산된 차이값에 따라 예측 모델을 개인용 예측 모델로 업데이트할 수 있다. 이때, 개인용 예측 모델은 개인으로부터 수신한 개인의 정보에 기초하여 개인의 체중 증감을 예측할 수 있는 인공지능일 수 있다.

즉, 현재일에 대한 다음날 실제 체중 정보의 차이값은 매일 변경된다. 일반적으로 현재일은 오늘이 될 수 있으며, 다음날은 오늘의 다음날이 되므로, 현재일에 대한 다음날 실제 체중 정보의 차이값은 매일 변경되고, 계산되는 차이값에 따라 개인용 예측 모델은 업데이트 될 수 있다. 특히, 개인에게 섭취할 음식의 종류, 음식의 양, 실행할 운동의 종류 및 실행한 시간 등은 날짜마다 변경될 수 있으므로, 변경되는 음식 정보 및 운동 정보를 기초로 기초로 개인의 체중 증감을 예상할 수 있는 것이다.

또한, 프로세서(150)는 변경되는 예상 체중을 일정 기간 동안 학습할 수 있다. 구체적으로, 개인이 섭취한 음식의 종류, 음식의 양, 실행한 운동의 종류 및 실행한 시간 등의 정보를 수집하여 학습한다.

학습한 정보를 기초로 프로세서(150)는 현재일에 대한 다음날 예상 체중과 다음날 실제 체중 사이의 차이값에 따라 개인의 음식 칼로리 테이블 및 개인의 운동 칼로리 테이블을 생성할 수 있다(101_도 5 참고).

여기서 개인의 음식 칼로리 테이블 및 개인의 운동 칼로리 테이블은 테이블은 음식의 종류 및 음식의 양에 따라 개인이 취득하는 것으로 추정되는 칼로리 정보 및 개인의 운동 칼로리 테이블은 운동의 종류 및 운동의 양에 따라 개인이 소모하는 것으로 추정되는 칼로리 정보를 포함하는 테이블일 수 있다(103_도 5 참고).

구체적으로, 일자별로 개인이 섭취한 음식의 종류와 양, 이에 따른 칼로리와 개인이 실행한 운동의 종류와 시간에 대한 소모된 칼로리 등이 계산된 테이블로 생성될 수 있다.

이와 같이 생성된 개인의 음식 칼로리 테이블 및 개인의 운동 칼로리 테이블은 업데이트되는 개인용 예측 모델을 통해 개인이 설정한 목표 체중을 위해 섭취할 음식 정보 및 실행할 운동정보를 생성하는 정보로 사용될 수 있다.

즉, 개인의 칼로리 테이블이 생성되면, 생성된 테이블을 기초하여 개인으로부터 수신한 목표 체중에 대한 섭취할 음식 정보 및 실행할 운동 정보를 예측할 수 있다. 예시적으로 일정 기간 동안 개인이 섭취한 음식의 종류와 양 및 실시한 운동과 실행한 시간 등에 따른 섭취한 음식 대비 소모한 칼로리가 계산될 수 있다(105_도 5 참고).

계산된 섭취한 음식 대비 소모한 칼로리 정보를 기초로 개인용 예측 모델에 따라 목표 체중을 달성하기 위해 체중을 감량하기 위해서 추가로 실행할 운동이나 체중을 증가시키기 위해서 추가로 섭취해야 하는 음식에 대한 정보를 제안하게 된다.

구체적으로, 현재일에 개인이 지난 기간 보다 많은 양의 칼로리를 섭취하였다고 가정하고, 목표 체중이 현재 체중보다 낮은 경우, 목표 체중에 도달하기 위해서 높은 칼로리를 소모해야 한다. 따라서, 프로세서(150)는 이미 섭취한 음식 정보를 기초로 실행할 운동량이 높도록 설정할 수 있다(107_도 5 참고).

예를 들어, 평소에는 요가와 같은 정적인 운동을 실행하였다고 가정하면, 많은 양의 칼로리를 섭취한 경우, 동적인 운동이 가능한 운동을 실행하도록 설정할 수 있다(예: 달리기 등의 유산소 운동). 이와 다르게, 동일한 지난 기간 동안 실행한 운동과 동일한 운동을 실행하고자 하는 경우, 실행할 운동 시간을 길게 설정하여 목표 체중에 도달할 수 있도록 안내할 수 있다.

이와 다르게, 개인의 칼로리 테이블에 수신된 현재일에 개인이 실행한 운동 정보에 대한 운동 완료량에 의해 소모된 칼로리가 소모할 칼로리보다 높을 수 있다. 이 경우, 목표 체중에 대해 섭취할 음식 정보를 업데이트할 수 있다(107_도 5 참고).

구체적으로, 소모한 칼로리가 소모되어야 할 칼로리보다 높은 경우, 음식 섭취를 통해 소모된 칼로리를 보충하도록 함으로써, 개인으로부터 수신한 목표 체중이 현재일에 수신한 체중보다 높은 경우 체중의 증가가 이루어질 수 있도록 한다.

이때, 일정 기간은 개인의 체중 관리 장치(1000)에 기 저장된 일자 이상을 의미할 수 있으며, 예를 들어 30일을 예를 들어 설명할 수 있다. 이하 본 발명의 실시예에서 일정 기간이라 함은 30일을 기준인 것을 예를 들지만, 기준된 기간에 의해 본 발명이 제한되는 것은 아니다.

한편, 개인화된 체중 관리 장치(1000)는 개인의 예상 체중을 일정 기간 이내로 수집, 저장할 수도 있다. 이 경우, 개인의 연령 및 성별에 따라 음식별로 섭취되는 평균 섭취 칼로리 및 운동별로 소모되는 평균 소모 칼로리에 기초하여 개인으로부터 수신한 목표 체중을 달성하기 위해 섭취할 음식 정보 및 실행할 실행한 운동 정보를 생성하도록 한다.

예를 들어, 각 연령대 및 성별에 따라 섭취해야 하는 평균 섭취 칼로리 및 소모해야 하는 평균 소모 칼로리 정보가 개인의 체중 관리 장치(1000)의 후술할 메모리(160), 외부 서버 등에 기 저장될 수 있고, 저장된 평균 섭취 칼로리 및 평균 소모 칼로리에 따라 개인이 섭취해야 하는 칼로리 및 소모해야 하는 칼로리를 예측하는 것이다.

한편 프로세서(150)에서 학습한 예상 체중에 대한 데이터는 정보 데이터베이스(115)에 저장할 수 있다. 그리고 정보 데이터베이스(115)에는 음식의 종류, 음식 종류에 대한 칼로리, 운동의 종류, 각각의 운동을 실행한 시간에 따라 소모되는 칼로리 등에 대한 정보도 저장될 수 있다.

또한, 본 발명의 실시예에서 설명되는 제1 데이터 수집기(110), 제1 데이터 생성기(120), 제2 데이터 수집기(130), 제2 데이터 생성기(140)은 개인(100)의 체중을 관리하기 위해 전자기기(200)에 설치된 어플리케이션 등에 저장되어 실행 가능한 프로세서들이 될 수 있다. 이러한 구성은 데이터를 처리할 수 있는 모든 종류의 장치, 예를 들어 MCU를 포함할 수 있다. 여기서, '프로세서(processor)'는, 예를 들어 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다.

이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이크로프로세서(microprocessor), 중앙처리장치(central processing unit: CPU), 프로세서 코어(processor core), 멀티프로세서(multiprocessor), ASIC(application-specific integrated circuit), FPGA(field programmable gate array) 등의 처리 장치를 망라할 수 있으나, 본 개시의 범위가 이에 한정되는 것은 아니다.

한편 본 발명의 실시예에서는 개인으로부터 수신한 섭취한 음식 정보 및 실행한 운동 정보를 기초로 개인의 예상 체중을 예측하고, 예측한 개인의 예상 체중을 기초로 수신한 목표 체중에 대한 섭취할 음식 정보 및 실행할 운동 정보를 예측하는 예를 들어 설명하지만, 개인이 사용하는 냉장고에 저장된 음식 및 재료의 정보를 기초로 수신한 목표 체중에 대한 섭취할 음식 정보를 예측할 수도 있다.

예를 들어, 개인은 개인 모바일 통신 장치를 통해 개인이 사용하는 냉장고 내부를 촬영할 수 있다. 촬영된 영상, 이미지를 통해 개인이 냉장고에 저장된 음식 중 어느 하나의 음식을 섭취한 경우 소모해야 하는 칼로리를 즉각 계산하여 실행할 운동 정보를 예측하도록 할 수 있다.

또한, 촬영한 냉장고 내부에 저장된 음식 재료 정보를 저장하고, 저장된 음식 재료 정보를 기초로 개인이 섭취 가능한 음식을 예측하거나, 섭취할 수 있는 음식을 개인에게 알려주어 개인이 보다 효과적으로 체중 관리를 할 수 있도록 한다.

더불어, 개인이 섭취할 음식 및 운동 정보를 예측하기 위하여, 프로세서(150)는 개인의 음식 섭취 시간과 상기 개인의 운동 실행 시간을 수신할 수도 있다.

구체적으로, 하루 동안 개인이 음식을 섭취한 시간 및 개인이 운동을 실행한 시간을 수신할 수 있다. 일정 기간 동안 음식을 섭취한 시간과 운동을 실행한 시간을 수신하면 개인이 음식을 섭취할 시간과 운동을 실행할 시간이 예측될 수 있다. 예측된 개인의 음식 섭취 시간과 상기 개인의 운동 실행 시간은 개인에게 알려 개인의 스케줄에 맞도록 체중 관리가 이루어질 수 있도록 할 수 있다.

한편, 개인의 체중을 효과적으로 관리하기 위해서, 개인으로부터 수신하는 개인의 운동 정보, 개인이 섭취한 음식 정보, 각 연령대 및 성별에 따라 섭취해야 하는 평균 칼로리 및 소모해야 하는 평균 칼로리 정보 등은 메모리(160)에 저장될 수 있다.

구체적으로 메모리(160)는 하나 이상의 프로세서(150)와 연결될 수 있으며, 하나 이상의 프로세서(150)가 실행될 때, 일정 기간 동안 수신된 현재일에 대해 개인의 체중 정보, 개인이 섭취한 음식 정보 및 운동 정보를 기초로 효과적으로 체중을 관리할 수 있는지에 대해 섭취할 음식 정보 및 실행할 운동 정보를 예측할 수 있는 명령이 저장될 수 있다.

즉, 개인이 섭취한 음식 정보 및 실행한 운동 정보를 기초로 개인의 예상 체중을 일정 기간 동안 학습하고, 학습한 개인의 예상 체중을 기초로 개인으로부터 수신한 목표 체중에 대한 섭취할 음식 정보 및 실행할 운동 정보를 안내하는 것이다.

이러한 학습은 개인의 체중 관리가 가능한 장치 자체에서 이루어질 수 있지만 개인의 체중 관리가 가능한 장치가 아닌 외부에서 수행할 수도 있으며, 학습 결과로 도출된 개인으로부터 수신한 목표 체중에 대한 섭취할 음식 정보 및 실행할 운동 정보를 예측하는 정보만이 개인의 체중 관리가 가능한 시스템과 연결된 중앙 컨트롤러(300)에 저장되어 저장될 수도 있다.

또한, 메모리(160)는 개인으로부터 수신한 목표 체중에 대한 섭취할 음식 정보 및 실행할 운동 정보를 예측하기 위해 필요한 각종 정보들을 기록하는 것으로 휘발성 또는 비휘발성 기록 매체를 포함할 수 있다. 기록 매체는 프로세서(150)에 의해 읽힐 수 있는 데이터를 저장한 것으로, HDD(hard disk drive), SSD(solid state disk), SDD(silicon disk drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등을 포함할 수 있다. 본 실시 예에서 메모리(160)에 저장되는 정보는 문맥에 맞게 상황 별로 기재하기로 한다.

본 발명의 실시예에서는 메모리(160)에 저장된 개인으로부터 수신한 목표 체중에 대한 섭취할 음식 정보 및 실행할 운동 정보를 예측하기 위한 정보는 외부 서버(미도시)로부터 제공받는 예를 들어 설명하기로 한다. 이러한 서버는 각종 인공지능 알고리즘을 적용하는데 필요한 빅데이터 및 음성 인식에 관한 데이터를 제공하는 데이터베이스 서버일 수 있다.

한편, 본 발명의 실시예에 따라 개인으로부터 수신한 목표 체중에 대한 섭취할 음식 정보 및 실행할 운동 정보를 예측할 수 있는 프로세서(150)는, 데이터를 처리할 수 있는 모든 종류의 장치를 포함할 수 있다. 여기서, '프로세서(processor)'는, 예를 들어 프로그램 내에 포함된 코드 또는 명령으로 표현된 기능을 수행하기 위해 물리적으로 구조화된 회로를 갖는, 하드웨어에 내장된 데이터 처리 장치를 의미할 수 있다. 이와 같이 하드웨어에 내장된 데이터 처리 장치의 일 예로써, 마이크로프로세서(microprocessor), 중앙처리장치(central processing unit: CPU), 프로세서 코어(processor core), 멀티프로세서(multiprocessor), ASIC(application-specific integrated circuit), FPGA(field programmable gate array) 등의 처리 장치를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.

도 6은 본 발명의 실시예에 따른 개인화된 체중 관리 방법을 개략적으로 도시한 흐름도이고, 도 7은 본 발명의 다른 실시예에 따른 개인화된 체중 관리 방법을 개략적으로 도시한 흐름도이다. 이하의 설명에서 도 1 내지 도 6에 대한 설명과 중복되는 부분의 그 설명은 생략하기로 한다.

우선 도 6을 참고하면, 우선 전자기기(200)에 설치된 개인의 체중 관리 장치(1000)에서 개인의 현재일에 대한 개인의 체중 정보, 개인이 섭취한 음식 정보 및 운동 정보를 수신할 수 있다(S100). 구체적으로, 개인의 체중 관리 장치(1000)를 실행한 첫날을 현재일이라 가정하는 경우 현재일에 대한 개인 정보를 획득하는 것이다.

현재일에 대한 개인의 체중 정보, 개인이 섭취한 음식 정보 및 운동 정보를 수신한 뒤, 수신된 정보에 따라 섭취한 음식 정보 및 운동 정보에 따라 체중 증감을 예상하도록 미리 생성된 예측 모델에 기초하여 계산된 섭취한 음식 정보 및 운동 정보를 기초로 개인의 현재일에 대한 다음날 예상 체중을 산출할 수 있다(S200).

구체적으로, 섭취한 음식 정보 및 실행한 운동 정보에 따라 체중 증감을 예상하도록 미리 생성된 예측 모델에 기초하여 계산된 섭취한 음식 정보 및 운동 정보를 기초로 개인의 현재일에 대한 다음날 예상 체중을 산출하도록 한다.

구체적으로, 현재일에 대한 개인의 다음날 실제 체중 정보를 수신하고, 현재일에 대한 개인의 체중 정보 및 현재일에 대한 다음날 실제 체중 정보의 차이를 계산하여 다음날 체중을 예상하는 것이다(S300, S400).

이와 같이, 현재일에 대한 다음날 예상 체중을 산출하면, 현재일에 대한 다음날 실제 체중 정보를 수신하고, 수신된 다음날 개인의 체중과 이전의 현재일에서 수신한 개인의 체중 차이를 계산할 수 있다.

개인의 체중 정보 및 현재일에 대한 다음날 실제 체중 정보의 차이값을 계산하면, 프로세서(150)를 통해 계산된 차이값에 따라 개인용 예측 모델을 업데이트할 수 있다(S500).

이러한 개인용 예측 모델은 개인 정보에 따라 개인의 체중 증감을 예상할 수 있는 학습 모델일 수 있다. 구체적으로 학습 모델은 개인이 섭취한 음식 정보 및 실행한 운동 정보에 따라 다음날 예상되는 체중에 대한 증감을 예상할 수 있도록 업데이트 될 수 있다.

구체적으로 현재일에 대한 다음날 실제 체중 정보의 차이값은 매일 변경된다. 일반적으로 현재일은 오늘이 될 수 있으며, 다음날은 오늘의 다음날이 되므로, 현재일에 대한 다음날 실제 체중 정보의 차이값은 매일 변경되고, 계산되는 차이값에 따라 개인용 예측 모델이 업데이트되는 것이다.

이후, 개인의 예상 체중을 일정 기간 동안 학습할 수 있다. 개인이 섭취한 음식의 종류, 음식의 양, 실행한 운동의 종류 및 실행한 시간 등의 정보를 학습하는 것을 의미한다.

학습한 정보를 기초로 프로세서(150)는 현재일에 대한 다음날 예상 체중과 다음날 실제 체중 사이의 차이값에 따라 개인으로부터 수신한 목표 체중에 대한 섭취할 음식 정보 및 실행할 운동 정보를 예측할 수 있다(S600).

개인으로부터 수신한 목표 체중에 대한 섭취할 음식 정보 및 실행할 운동 정보를 예측하는 과정을 자세히 살펴보면, 일정 기간 동안 개인이 섭취한 음식의 종류와 양 및 실시한 운동과 실행한 시간 등에 따른 섭취한 음식 대비 소모한 칼로리가 계산되어야 한다. 계산된 섭취한 음식 대비 소모한 칼로리 정보를 기초로 개인용 예측 모델에 따라 목표 체중을 달성하기 위해 체중을 감량하기 위해서 추가로 실행할 운동이나 체중을 증가시키기 위해서 추가로 섭취해야 하는 음식에 대한 정보를 제안하게 된다.

구체적으로, 현재일에 개인이 지난 기간 보다 많은 양의 칼로리를 섭취하였다고 가정하고, 목표 체중이 현재 체중보다 낮은 경우, 목표 체중에 도달하기 위해서 높은 칼로리를 소모해야 한다. 따라서, 이미 섭취한 음식 정보를 기초로 실행할 운동량이 높도록 설정하게 된다.

이와 다르게, 개인의 칼로리 테이블에 수신된 현재일에 개인이 실행한 운동 정보에 대한 운동 완료량에 의해 소모된 칼로리가 소모할 칼로리보다 높을 수 있다. 이 경우, 목표 체중에 대해 섭취할 음식 정보를 업데이트할 수 있다.

한편, 개인의 다음날 예상 체중을 산출하고(S200), 다음날 실제 체중 정보를 수신한 뒤(S300), 현재일에 대한 개인의 체중 정보 및 현재일에 대한 다음날 실제 체중 정보의 차이를 계산하여 다음날 체중을 예상하여 일정 기간 동안의 다음날 예상 체중과 다음날 실제 체중 사이의 차이값에 따라 상기 예측 모델을 개인용 예측 모델로 업데이트하는 과정(S400, S500)에서 개인의 예상 체중을 일정 기간 이내로 수집, 저장할 수도 있다.

이 경우, 개인의 연령 및 성별에 따라 음식별로 섭취되는 평균 섭취 칼로리 및 운동별로 소모되는 평균 소모 칼로리에 기초하여 개인으로부터 수신한 목표 체중을 달성하기 위해 섭취할 음식 정보 및 실행할 실행한 운동 정보를 생성하도록 한다.

예를 들어, 각 연령대 및 성별에 따라 섭취해야 하는 평균 섭취 칼로리 및 소모해야 하는 평균 소모 칼로리 정보가 개인의 체중 관리 장치(1000)의 메모리(160), 외부 서버 등에 기 저장될 수 있고, 저장된 평균 섭취 칼로리 및 평균 소모 칼로리에 따라 개인이 섭취해야 하는 칼로리 및 소모해야 하는 칼로리를 예측하도록 할 수 있다.

이와 다르게, 하루 동안 개인이 음식을 섭취한 시간 및 개인이 운동을 실행한 시간을 수신하면, 개인으로부터 수신한 목표 체중에 대해 실행할 운동 정보 및 섭취할 음식 정보를 예측할 수 있다.

예컨대, 개인화된 체중 관리 장치(1000)에서 하루 동안 개인이 섭취한 음식 정보를 수신하면, 수신된 음식 정보를 기초로 실행할 운동 정보를 예측할 수 있다. 다르게는 개인화된 체중 관리 장치(1000)에서 하루 동안 개인이 실행한 운동 정보를 수신하는 경우, 실행한 운동 정보를 통해 손실된 칼로리가 계산되어 섭취할 음식 정보를 예측할 수도 있다. 또한, 섭취한 음식 정보 및 실행한 운동 정보를 실시간으로 수신할 수 있다. 이때, 수신된 음식 정보 및 운동 정보를 기초로 섭취한 음식 대비 실행한 운동 정보가 개인이 입력한 목표 체중에 대해 적은 것으로 판단되면 소모된 칼로리가 낮은 것으로 판단할 수 있다. 이 경우, 실행할 운동 시간을 길게 설정하거나 운동량이 높은 운동을 실행하도록 안내하여 개인이 입력한 목표 체중에 도달할 수 있도록 할 수 있다.

한편, 도 7을 참고하면 전자기기(200)에 설치된 개인의 체중 관리 장치(1000)에서 개인의 현재일에 대한 개인의 체중 정보, 개인이 섭취한 음식 정보 및 운동 정보를 수신할 수 있다(S1100).

이후, 수신된 음식 정보 및 운동 정보를 예측 모델에 적용하여 개인의 증감 체중을 예측할 수 있다(S1200).

이후, 일정 기간 동안 개인이 섭취한 음식 정보 및 실행한 운동 정보와 일정 기간 동안의 개인의 체중 변화 정보를 기초로 개인용 예측 모델을 업데이트한다(S1300).

구체적으로, 하루 단위를 기준으로 개인이 섭취한 음식의 종류 및 양에 대한 칼로리와 개인이 하루 동안 소모한 칼로리가 매일 달라질 수 있다. 또한, 개인이 섭취한 음식의 종류 및 양에 대한 칼로리와 개인이 하루 동안 소모한 칼로리에 따라서 개인의 체중이 변화될 수 있다. 따라서, 일정 기간 동안 개인이 섭취한 음식 정보 및 실행한 운동 정보에 대한 개인의 체중 변화에 대한 정보를 업데이트하여 개인의 체중 증감을 예측할 수 있는 예측 모델을 업데이트 하는 것이다.

업데이트된 예측 모델을 기초로 개인이 입력한 목표 체중을 달성하기 위해 섭취할 음식 정보 및 실행할 운동 정보를 예측할 수 있다(S1400).

결과적으로 개인이 일정 기간 동안 섭취한 음식과 섭취한 종류 및 양과 개인이 실행한 운동의 종류와 시간 등에 대한 정보를 수신한다. 수신된 정보를 통해 어느 음식을 얼마만큼 섭취하고, 어떤 운동을 얼마나 실행하였을 때, 효과적으로 체중을 관리(증가 또는 감소)할 수 있는지를 예측할 수 있는 것이다.

도 8은 본 발명의 실시예에 따른 개인의 체중 관리를 위한 심층 신경망 모델을 설명하기 위한 도면이다.

개인의 체중 관리를 위해, 개인이 섭취하는 음식 정보, 개인이 실행하는 운동 정보를 인공지능의 머신 러닝을 이용하여 미리 훈련된 심층 신경망 모델을 사용한다.

여기서, 인공 지능(artificial intelligence, AI)은 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미한다.

또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.

머신 러닝(machine learning)은 인공지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야이다.

구체적으로 머신 러닝은, 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있다. 머신 러닝의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취한다.

용어 '머신 러닝'은 용어 '기계 학습'과 혼용되어 사용될 수 있다.

기계 학습에서 데이터를 어떻게 분류할 것인가를 놓고, 많은 기계 학습 알고리즘이 개발되었다. 의사결정나무(Decision Tree)나 베이지안 망(Bayesian network), 서포트벡터머신(SVM: support vector machine), 그리고 인공 신경망(ANN: Artificial Neural Network) 등이 대표적이다.

의사결정나무는 의사결정규칙(Decision Rule)을 나무구조로 도표화하여 분류와 예측을 수행하는 분석방법이다.

베이지안 망은 다수의 변수들 사이의 확률적 관계(조건부독립성: conditional independence)를 그래프 구조로 표현하는 모델이다. 베이지안 망은 비지도 학습(unsupervised learning)을 통한 데이터마이닝(data mining)에 적합하다.

서포트벡터머신은 패턴인식과 자료분석을 위한 지도 학습(supervised learning)의 모델이며, 주로 분류와 회귀분석을 위해 사용한다.

인공신경망은 생물학적 뉴런의 동작원리와 뉴런간의 연결 관계를 모델링한 것으로 노드(node) 또는 처리 요소(processing element)라고 하는 다수의 뉴런들이 레이어(layer) 구조의 형태로 연결된 정보처리 시스템이다.

인공 신경망은 기계 학습에서 사용되는 모델로써, 기계학습과 인지과학에서 생물학의 신경망(동물의 중추신경계 중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘이다.

구체적으로 인공신경망은 시냅스(synapse)의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다.

용어 인공신경망은 용어 뉴럴 네트워크(Neural Network)와 혼용되어 사용될 수 있다.

인공신경망은 복수의 레이어(layer)를 포함할 수 있고, 레이어들 각각은 복수의 뉴런(neuron)을 포함할 수 있다. 또한 인공신경망은 뉴런과 뉴런을 연결하는 시냅스를 포함할 수 있다.

인공 신경망은 일반적으로 다음의 세가지 인자, 즉 (1) 다른 레이어의 뉴런들 사이의 연결 패턴 (2) 연결의 가중치를 갱신하는 학습 과정 (3) 이전 레이어로부터 수신되는 입력에 대한 가중 합으로부터 출력값을 생성하는 활성화 함수에 의해 정의될 수 있다.

인공 신경망은, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network), MLP(Multilayer Perceptron), CNN(Convolutional Neural Network)와 같은 방식의 네트워크 모델들을 포함할 수 있으나, 이에 한정되지 않는다.

본 명세서에서 용어 '레이어'는 용어 '계층'과 혼용되어 사용될 수 있다.

인공신경망은 계층 수에 따라 단층 신경망(Single-Layer Neural Networks)과 다층 신경망(Multi-Layer Neural Networks)으로 구분된다.

일반적인 단층 신경망은, 입력층과 출력층으로 구성된다.

또한 일반적인 다층 신경망은 입력층(Input Layer)과 하나 이상의 은닉층(Hidden Layer), 출력층(Output Layer)으로 구성된다.

입력층은 외부의 자료들을 받아들이는 층으로서, 입력층의 뉴런 수는 입력되는 변수의 수와 동일하며, 은닉층은 입력층과 출력층 사이에 위치하며 입력층으로부터 신호를 받아 특성을 추출하여 출력층으로 전달한다. 출력층은 은닉층으로부터 신호를 받고, 수신한 신호에 기반한 출력 값을 출력한다. 뉴런간의 입력신호는 각각의 연결강도(가중치)와 곱해진 후 합산되며 이 합이 뉴런의 임계치보다 크면 뉴런이 활성화되어 활성화 함수를 통하여 획득한 출력값을 출력한다.

한편 입력층과 출력 층 사이에 복수의 은닉층을 포함하는 심층 신경망은, 기계 학습 기술의 한 종류인 딥 러닝을 구현하는 대표적인 인공 신경망일 수 있다.

한편 용어 '딥 러닝'은 용어 '심층 학습'과 혼용되어 사용될 수 있다.

인공 신경망은 훈련 데이터(training data)를 이용하여 학습(training)될 수 있다. 여기서 학습이란, 입력 데이터를 분류(classification)하거나 회귀분석(regression)하거나 군집화(clustering)하는 등의 목적을 달성하기 위하여, 학습 데이터를 이용하여 인공 신경망의 파라미터(parameter)를 결정하는 과정을 의미할 수 있다. 인공 신경망의 파라미터의 대표적인 예시로써, 시냅스에 부여되는 가중치(weight)나 뉴런에 적용되는 편향(bias)을 들 수 있다.

훈련 데이터에 의하여 학습된 인공 신경망은, 입력 데이터를 입력 데이터가 가지는 패턴에 따라 분류하거나 군집화 할 수 있다.

한편 훈련 데이터를 이용하여 학습된 인공 신경망을, 본 명세서에서는 학습 모델(a trained model)이라 명칭 할 수 있다.

다음은 인공 신경망의 학습 방식에 대하여 설명한다.

인공 신경망의 학습 방식은 크게, 지도 학습, 비 지도 학습, 준 지도 학습(Semi-Supervised Learning), 강화 학습(Reinforcement Learning)으로 분류될 수 있다.

지도 학습은 훈련 데이터로부터 하나의 함수를 유추해내기 위한 기계 학습의 한 방법이다.

그리고 이렇게 유추되는 함수 중, 연속 적인 값을 출력하는 것을 회귀분석(Regression)이라 하고, 입력 벡터의 클래스(class)를 예측하여 출력하는 것을 분류(Classification)라고 할 수 있다.

지도 학습에서는, 훈련 데이터에 대한 레이블(label)이 주어진 상태에서 인공 신경망을 학습시킨다.

여기서 레이블이란, 훈련 데이터가 인공 신경망에 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다.

본 명세서에서는 훈련 데이터가 입력되는 경우 인공 신경망이 추론해 내야 하는 정답(또는 결과값)을 레이블 또는 레이블링 데이터(labeling data)이라 명칭 한다.

또한 본 명세서에서는, 인공 신경망의 학습을 위하여 훈련 데이터에 레이블을 설정하는 것을, 훈련 데이터에 레이블링 데이터를 레이블링(labeling) 한다고 명칭 한다.

이 경우 훈련 데이터와 훈련 데이터에 대응하는 레이블)은 하나의 트레이닝 셋(training set)을 구성하고, 인공 신경망에는 트레이닝 셋의 형태로 입력될 수 있다.

한편 훈련 데이터는 복수의 특징(feature)을 나타내고, 훈련 데이터에 레이블이 레이블링 된다는 것은 훈련 데이터가 나타내는 특징에 레이블이 달린다는 것을 의미할 수 있다. 이 경우 훈련 데이터는 입력 객체의 특징을 벡터 형태로 나타낼 수 있다.

인공 신경망은 훈련 데이터와 레이블링 데이터를 이용하여, 훈련 데이터와 레이블링 데이터의 연관 관계에 대한 함수를 유추할 수 있다. 그리고, 인공 신경망에서 유추된 함수에 대한 평가를 통해 인공 신경망의 파라미터가 결정(최적화)될 수 있다.

비 지도 학습은 기계 학습의 일종으로, 훈련 데이터에 대한 레이블이 주어지지 않는다.

구체적으로, 비 지도 학습은, 훈련 데이터 및 훈련 데이터에 대응하는 레이블의 연관 관계 보다는, 훈련 데이터 자체에서 패턴을 찾아 분류하도록 인공 신경망을 학습시키는 학습 방법일 수 있다.

비 지도 학습의 예로는, 군집화 또는 독립 성분 분석(Independent Component Analysis)을 들 수 있다.

본 명세서에서 용어 '군집화'는 용어 '클러스터링'과 혼용되어 사용될 수 있다.

비지도 학습을 이용하는 인공 신경망의 일례로 생성적 적대 신경망(GAN: Generative Adversarial Network), 오토 인코더(AE: Autoencoder)를 들 수 있다.

생성적 적대 신경망이란, 생성기(generator)와 판별기(discriminator), 두 개의 서로 다른 인공지능이 경쟁하며 성능을 개선하는 머신 러닝 방법이다.

이 경우 생성기는 새로운 데이터를 창조하는 모형으로, 원본 데이터를 기반으로 새로운 데이터를 생성할 수 있다.

또한 판별기는 데이터의 패턴을 인식하는 모형으로, 입력된 데이터가 원본 데이터인지 또는 생성기에서 생성한 새로운 데이터인지 여부를 감별하는 역할을 수행할 수 있다.

그리고 생성기는 판별기를 속이지 못한 데이터를 입력 받아 학습하며, 판별기는 생성기로부터 속은 데이터를 입력 받아 학습할 수 있다. 이에 따라 생성기는 판별기를 최대한 잘 속이도록 진화할 수 있고, 판별기는 원본 데이터와 생성기에 의해 생성된 데이터를 잘 구분하도록 진화할 수 있다.

오토 인코더는 입력 자체를 출력으로 재현하는 것을 목표로 하는 신경망이다.

오토 인코더는 입력층, 적어도 하나의 은닉층 및 출력층을 포함한다.

이 경우 은닉 계층의 노드 수가 입력 계층의 노드 수보다 적으므로 데이터의 차원이 줄어들게 되며, 이에 따라 압축 또는 인코딩이 수행되게 된다.

또한 은닉 계층에서 출력한 데이터는 출력 계층으로 들어간다. 이 경우 출력 계층의 노드 수는 은닉 계층의 노드 수보다 많으므로, 데이터의 차원이 늘어나게 되며, 이에 따라 압축 해제 또는 디코딩이 수행되게 된다.

한편 오토 인코더는 학습을 통해 뉴런의 연결 강도를 조절함으로써 입력 데이터가 은닉층 데이터로 표현된다. 은닉층에서는 입력층보다 적은 수의 뉴런으로 정보를 표현하는데 입력 데이터를 출력으로 재현할 수 있다는 것은, 은닉층이 입력 데이터로부터 숨은 패턴을 발견하여 표현했다는 것을 의미할 수 있다.

준 지도 학습은 기계 학습의 일종으로, 레이블이 주어진 훈련 데이터와 레이블이 주어지지 않은 훈련 데이터를 모두 사용하는 학습 방법을 의미할 수 있다.

준 지도 학습의 기법 중 하나로, 레이블이 주어지지 않은 훈련 데이터의 레이블을 추론한 후 추론된 라벨을 이용하여 학습을 수행하는 기법이 있으며, 이러한 기법은 레이블링에 소요되는 비용이 큰 경우에 유용하게 사용될 수 있다.

강화 학습은, 에이전트(Agent)가 매 순간 어떤 행동을 해야 좋을지 판단할 수 있는 환경이 주어진다면, 데이터 없이 경험으로 가장 좋을 길을 찾을 수 있다는 이론이다.

강화 학습은 주로 마르코프 결정 과정(MDP: Markov Decision Process)에 의하여 수행될 수 있다.

마르코프 결정 과정을 설명하면, 첫 번째로 에이전트가 다음 행동을 하기 위해 필요한 정보들이 구성된 환경이 주어지며, 두 번째로 그 환경에서 에이전트가 어떻게 행동할지 정의하고, 세 번째로 에이전트가 무엇을 잘하면 보상(reward)를 주고 무엇을 못하면 벌점(penalty)을 줄지 정의하며, 네 번째로 미래의 보상이 최고점에 이를 때까지 반복 경험하여 최적의 정책(policy)을 도출하게 된다.

인공 신경망은 모델의 구성, 활성 함수(Activation Function), 손실 함수(Loss Function) 또는 비용 함수(Cost Function), 학습 알고리즘, 최적화 알고리즘 등에 의해 그 구조가 특정되며, 학습 전에 하이퍼파라미터(Hyperparameter)가 미리 설정되고, 이후에 학습을 통해 모델 파라미터(Model Parameter)가 설정되어 내용이 특정될 수 있다.

예컨대, 인공 신경망의 구조를 결정하는 요소에는 은닉층의 개수, 각 은닉층에 포함된 은닉 노드의 개수, 입력 특징 벡터(Input Feature Vector), 대상 특징 벡터(Target Feature Vector) 등이 포함될 수 있다.

하이퍼파라미터는 모델 파라미터의 초기값 등과 같이 학습을 위하여 초기에 설정하여야 하는 여러 파라미터들을 포함한다. 그리고, 모델 파라미터는 학습을 통하여 결정하고자 하는 여러 파라미터들을 포함한다.

예컨대, 하이퍼파라미터에는 노드 간 가중치 초기값, 노드 간 편향 초기값, 미니 배치(Mini-batch) 크기, 학습 반복 횟수, 학습률(Learning Rate) 등이 포함될 수 있다. 그리고, 모델 파라미터에는 노드 간 가중치, 노드 간 편향 등이 포함될 수 있다.

손실 함수는 인공 신경망의 학습 과정에서 최적의 모델 파라미터를 결정하기 위한 지표(기준)로 이용될 수 있다. 인공 신경망에서 학습은 손실 함수를 줄이기 위하여 모델 파라미터들을 조작하는 과정을 의미하며, 학습의 목적은 손실 함수를 최소화하는 모델 파라미터를 결정하는 것으로 볼 수 있다.

손실 함수는 주로 평균 제곱 오차(MSE: Mean Squared Error) 또는 교차 엔트로피 오차(CEE, Cross Entropy Error)를 사용할 수 있으며, 본 발명이 이에 한정되지는 않는다.

교차 엔트로피 오차는 정답 레이블이 원 핫 인코딩(one-hot encoding)된 경우에 사용될 수 있다. 원 핫 인코딩은 정답에 해당하는 뉴런에 대하여만 정답 레이블 값을 1로, 정답이 아닌 뉴런은 정답 레이블 값이 0으로 설정하는 인코딩 방법이다.

머신 러닝 또는 딥 러닝에서는 손실 함수를 최소화하기 위하여 학습 최적화 알고리즘을 이용할 수 있으며, 학습 최적화 알고리즘에는 경사 하강법(GD: Gradient Descent), 확률적 경사 하강법(SGD: Stochastic Gradient Descent), 모멘텀(Momentum), NAG(Nesterov Accelerate Gradient), Adagrad, AdaDelta, RMSProp, Adam, Nadam 등이 있다.

경사 하강법은 현재 상태에서 손실 함수의 기울기를 고려하여 손실 함수값을 줄이는 방향으로 모델 파라미터를 조정하는 기법이다.

모델 파라미터를 조정하는 방향은 스텝(step) 방향, 조정하는 크기는 스텝 사이즈(size)라고 칭한다.

이때, 스텝 사이즈는 학습률을 의미할 수 있다.

경사 하강법은 손실 함수를 각 모델 파라미터들로 편미분하여 기울기를 획득하고, 모델 파라미터들을 획득한 기울기 방향으로 학습률만큼 변경하여 갱신할 수 있다.

확률적 경사 하강법은 학습 데이터를 미니 배치로 나누고, 각 미니 배치마다 경사 하강법을 수행하여 경사 하강의 빈도를 높인 기법이다.

Adagrad, AdaDelta 및 RMSProp는 SGD에서 스텝 사이즈를 조절하여 최적화 정확도를 높이는 기법이다. SGD에서 모멘텀 및 NAG는 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다. Adam은 모멘텀과 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다. Nadam은 NAG와 RMSProp를 조합하여 스텝 사이즈와 스텝 방향을 조절하여 최적화 정확도를 높이는 기법이다.

인공 신경망의 학습 속도와 정확도는 인공 신경망의 구조와 학습 최적화 알고리즘의 종류뿐만 아니라, 하이퍼파라미터에 크게 좌우되는 특징이 있다. 따라서, 좋은 학습 모델을 획득하기 위하여는 적당한 인공 신경망의 구조와 학습 알고리즘을 결정하는 것뿐만 아니라, 적당한 하이퍼파라미터를 설정하는 것이 중요하다.

통상적으로 하이퍼파라미터는 실험적으로 다양한 값으로 설정해가며 인공 신경망을 학습시켜보고, 학습 결과 안정적인 학습 속도와 정확도를 제공하는 최적의 값으로 설정한다.

위와 같은 방식들을 이용하면 피가열체의 상태에 대한 추정이 더욱 정교해질 수 있다.

본 발명의 실시예에서 사용되기 위한 심층 신경망 모델을 생성하기 위해서는 다양한 방식이 존재할 수 있으나, 지도 학습의 경우에는 사전 작업으로서 아래와 같은 훈련 과정이 수행될 수 있다.

개인의 체중 관리를 위한 장치(1000)는 개인이 일정 기간 동안 섭취한 음식과 섭취한 종류 및 양과 개인이 실행한 운동의 종류와 시간 등에 대한 정보를 수신한다. 수신된 정보를 통해 어느 음식을 얼마만큼 섭취하고, 어떤 운동을 얼마나 실행하였을 때, 효과적으로 체중을 관리(증가 또는 감소)할 수 있는지를 예측할 수 있도록 학습 데이터 세트를 구성할 수도 있다.

이러한 훈련 데이터로 심층 신경망 모델을 훈련시키면, 훈련된 학습 모델은 이후 개인의 특징을 반영하여, 설정된 개인에 적합한 체중 관리가 가능해질 수 있도록 섭취할 음식 정보 및 실행할 운동 정보를 제공할 수 있도록 한다.

개인은 심층 신경망 모델의 판단 결과에 대해 지속적으로 피드백을 줌으로써, 이러한 학습 모델을 보다 정교화할 수 있다.

이상 설명된 본 발명에 따른 실시예는 컴퓨터 상에서 다양한 구성요소를 통하여 실행될 수 있는 컴퓨터 프로그램의 형태로 구현될 수 있으며, 이와 같은 컴퓨터 프로그램은 컴퓨터로 판독 가능한 매체에 기록될 수 있다. 이때, 매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치를 포함할 수 있다.

한편, 컴퓨터 프로그램은 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 프로그램의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함될 수 있다.

본 발명의 명세서(특히 특허청구범위에서)에서 "상기"의 용어 및 이와 유사한 지시 용어의 사용은 단수 및 복수 모두에 해당하는 것일 수 있다. 또한, 본 발명에서 범위(range)를 기재한 경우 범위에 속하는 개별적인 값을 적용한 발명을 포함하는 것으로서(이에 반하는 기재가 없다면), 발명의 상세한 설명에 범위를 구성하는 각 개별적인 값을 기재한 것과 같다.

본 발명에 따른 방법을 구성하는 단계들에 대하여 명백하게 순서를 기재하거나 반하는 기재가 없다면, 단계들은 적당한 순서로 행해질 수 있다. 반드시 단계들의 기재 순서에 따라 본 발명이 한정되는 것은 아니다. 또한, 본 발명에 따른 방법들에 포함된 단계들은 프로세서 또는 해당 단계의 기능을 수행하기 위한 모듈들을 통해서 수행될 수 있다. 본 발명에서 모든 예들 또는 예시적인 용어(예들 들어, 등등)의 사용은 단순히 본 발명을 상세히 설명하기 위한 것으로서 특허청구범위에 의해 한정되지 않는 이상 예들 또는 예시적인 용어로 인해 본 발명의 범위가 한정되는 것은 아니다. 또한, 당업자는 다양한 수정, 조합 및 변경이 부가된 특허청구범위 또는 그 균등물의 범주 내에서 설계 조건 및 팩터에 따라 구성될 수 있음을 알 수 있다.

따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.

Claims

개인화된 체중 관리 방법으로서,
a) 현재일에 대한 개인의 체중 정보, 개인이 섭취한 음식 정보 및 실행한 운동 정보를 수신하는 단계;
b) 섭취한 음식 정보 및 실행한 운동 정보에 따라 체중 증감을 예상하도록 미리 생성된 예측 모델을 상기 섭취한 음식 정보 및 실행한 운동 정보에 적용하여 상기 개인의 다음날 예상 체중을 산출하는 단계;
c) 다음날 실제 체중 정보를 수신하는 단계;
d) 상기 다음날 예상 체중과 상기 다음날 실제 체중 사이의 차이를 계산하는 단계;
e) 일정 기간 동안의 다음날 예상 체중과 다음날 실제 체중 사이의 차이값에 따라 상기 예측 모델을 개인용 예측 모델로 업데이트하는 단계;
f) 상기 개인용 예측 모델을 이용하여 상기 개인으로부터 수신한 목표 체중을 위해 섭취할 음식 정보 및 실행할 실행한 운동 정보를 생성하는 단계를 포함하는,
개인화된 체중 관리 방법.
제1항에 있어서,
상기 섭취한 음식 정보는 섭취한 음식의 종류 또는 섭취한 음식의 양 중 적어도 어느 하나의 정보를 포함하고,
상기 실행한 운동 정보는 실행한 운동의 종류 또는 실행한 운동의 시간 중 적어도 어느 하나의 정보를 포함하는,
개인화된 체중 관리 방법.
제2항에 있어서,
상기 개인의 다음날 예상 체중을 산출하는 단계는,
상기 개인이 섭취한 음식의 종류 및 음식의 양에 평균적인 음식 칼로리 정보를 적용하여 상기 개인이 취득한 칼로리를 계산하는 단계;
상기 개인이 실행한 운동의 종류 및 운동의 시간에 평균적인 운동 칼로리 정보를 적용하여 상기 개인이 소모한 칼로리를 계산하는 단계; 및
상기 개인이 취득한 칼로리 및 상기 개인이 소모한 칼로리에 기초하여 상기 개인의 다음날 체중을 예상하는 단계를 포함하는,
개인화된 체중 관리 방법.
제3항에 있어서,
상기 개인용 예측 모델로 업데이트하는 단계는,
일정 기간 동안의 다음날 예상 체중과 다음날 실제 체중 사이의 차이값에 따라 상기 개인의 음식 칼로리 테이블 및 개인의 운동 칼로리 테이블을 생성하는 단계를 포함하고,
상기 개인의 음식 칼로리 테이블은 음식의 종류 및 음식의 양에 따라 상기 개인이 취득하는 것으로 추정되는 칼로리 정보를 포함하고,
상기 개인의 운동 칼로리 테이블은 운동의 종류 및 운동의 양에 따라 상기 개인이 소모하는 것으로 추정되는 칼로리 정보를 포함하는,
개인화된 체중 관리 방법.
제3항에 있어서,
상기 섭취할 음식 정보 및 실행할 실행한 운동 정보를 생성하는 단계는,
개인이 실행한 운동의 종류 및 실행한 운동의 시간을 수신하는 단계;
개인이 섭취한 음식의 종류 및 섭취한 음식의 양을 수신하는 단계; 및
상기 실행한 운동의 종류 및 상기 실행한 운동의 시간, 상기 섭취한 음식의 종류 및 섭취한 음식의 양에 기초하여 상기 개인용 예측 모델에 따라 상기 목표 체중을 달성하기 위해 추가 실행할 운동 또는 추가 섭취할 음식을 제안하는 단계를 포함하는,
개인화된 체중 관리 방법.
제1항에 있어서,
상기 일정 기간 이내에는, 상기 개인의 연령 및 성별에 따라 음식별로 섭취되는 평균 섭취 칼로리 및 운동별로 소모되는 평균 소모 칼로리에 기초하여 상기 개인으로부터 수신한 목표 체중을 달성하기 위해 섭취할 음식 정보 및 실행할 실행한 운동 정보를 생성하는 단계를 더 포함하는,
개인화된 체중 관리 방법.
제1항에 있어서,
상기 개인이 섭취한 음식 정보 및 실행한 운동 정보를 수신하는 단계는,
상기 개인의 음식 섭취 시간과 상기 개인의 운동 실행 시간을 수신하는 단계를 포함하는,
개인화된 체중 관리 방법.
제7항에 있어서,
상기 섭취할 음식 정보 및 실행할 실행한 운동 정보를 생성하는 단계는,
상기 개인의 음식을 섭취할 시간과 상기 운동을 실행할 시간을 시간을 생성하는 단계를 포함하는,
개인화된 체중 관리 방법.
컴퓨터를 이용하여 제1항 내지 제8항의 방법 중 어느 한 항의 방법을 실행시키기 위한 컴퓨터 프로그램이 저장된 컴퓨터로 판독 가능한 기록매체.
개인화된 체중 관리 장치로서,
현재일에 대한 개인의 체중 정보, 개인이 섭취한 음식 정보 및 실행한 운동 정보를 수신하는 제1 데이터 수집기;
섭취한 음식 정보 및 실행한 운동 정보에 따라 체중 증감을 예상하도록 미리 생성된 예측 모델을 상기 섭취한 음식 정보 및 실행한 운동 정보에 적용하여 상기 개인의 다음날 예상 체중을 산출하는 제1 데이터 생성기;
다음날 실제 체중 정보를 수신하는 제2 데이터 수집기;
상기 다음날 예상 체중과 상기 다음날 실제 체중 사이의 차이를 계산하는 제2 데이터 생성기; 및
일정 기간 동안의 다음날 예상 체중과 다음날 실제 체중 사이의 차이값에 따라 상기 예측 모델을 개인용 예측 모델로 업데이트하고, 상기 개인용 예측 모델을 이용하여 상기 개인으로부터 수신한 목표 체중을 위해 섭취할 음식 정보 및 실행할 실행한 운동 정보를 생성하는 프로세서를 포함하는,
개인화된 체중 관리 장치.
제10항에 있어서,
상기 섭취한 음식 정보는 섭취한 음식의 종류 또는 섭취한 음식의 양 중 적어도 어느 하나의 정보를 포함하고,
상기 실행한 운동 정보는 실행한 운동의 종류 또는 실행한 운동의 시간 중 적어도 어느 하나의 정보를 포함하는,
개인화된 체중 관리 장치.
제11항에 있어서,
상기 프로세서는,
상기 개인이 섭취한 음식의 종류 및 음식의 양에 평균적인 음식 칼로리 정보를 적용하여 상기 개인이 취득한 칼로리를 계산하고,
상기 개인이 실행한 운동의 종류 및 운동의 시간에 평균적인 운동 칼로리 정보를 적용하여 상기 개인이 소모한 칼로리를 계산하며,
상기 개인이 취득한 칼로리 및 상기 개인이 소모한 칼로리에 기초하여 상기 개인의 다음날 체중을 예상하도록 추가로 구성되는,
개인화된 체중 관리 장치.
제12항에 있어서,
상기 프로세서는,
일정 기간 동안의 다음날 예상 체중과 다음날 실제 체중 사이의 차이값에 따라 상기 개인의 음식 칼로리 테이블 및 개인의 운동 칼로리 테이블을 생성하도록 추가로 구성되고,
상기 개인의 음식 칼로리 테이블은 음식의 종류 및 음식의 양에 따라 상기 개인이 취득하는 것으로 추정되는 칼로리 정보를 포함하고, 상기 개인의 운동 칼로리 테이블은 운동의 종류 및 운동의 양에 따라 상기 개인이 소모하는 것으로 추정되는 칼로리 정보를 포함하는,
개인화된 체중 관리 장치.
제12항에 있어서,
상기 프로세서는,
개인이 실행한 운동의 종류 및 실행한 운동의 시간을 수신하고, 개인이 섭취한 음식의 종류 및 섭취한 음식의 양을 수신하여 상기 섭취할 음식 정보 및 실행할 실행한 운동 정보를 생성하도록 추가로 구성되는,
개인화된 체중 관리 장치.
제10항에 있어서,
상기 프로세서는,
상기 일정 기간 이내에는, 상기 개인의 연령 및 성별에 따라 음식별로 섭취되는 평균 섭취 칼로리 및 운동별로 소모되는 평균 소모 칼로리에 기초하여 상기 개인으로부터 수신한 목표 체중을 달성하기 위해 섭취할 음식 정보 및 실행할 실행한 운동 정보를 생성하도록 추가로 구성되는,
개인화된 체중 관리 장치.
제10항에 있어서,
상기 프로세서는,
상기 개인의 음식 섭취 시간과 상기 개인의 운동 실행 시간을 수신하도록 추가로 구성되는,
개인화된 체중 관리 장치.
제16항에 있어서,
상기 프로세서는,
상기 개인의 음식을 섭취할 시간과 상기 운동을 실행할 시간을 시간을 생성하도록 추가로 구성되는,
개인화된 체중 관리 장치.
개인화된 체중 관리 장치로서,
하나 이상의 프로세서; 및
상기 프로세서에 연결되는 메모리를 포함하고,
상기 메모리는,
현재일에 대한 개인의 체중 정보, 개인이 섭취한 음식 정보 및 실행한 운동 정보를 수신하고, 섭취한 음식 정보 및 실행한 운동 정보에 따라 체중 증감을 예상하도록 미리 생성된 예측 모델을 상기 섭취한 음식 정보 및 실행한 운동 정보에 적용하여 상기 개인의 다음날 예상 체중을 산출하고, 다음날 실제 체중 정보를 수신하고, 상기 다음날 예상 체중과 상기 다음날 실제 체중 사이의 차이를 계산하고, 일정 기간 동안의 다음날 예상 체중과 다음날 실제 체중 사이의 차이값에 따라 상기 예측 모델을 개인용 예측 모델로 업데이트하고, 상기 개인용 예측 모델을 이용하여 상기 개인으로부터 수신한 목표 체중을 위해 섭취할 음식 정보 및 실행할 실행한 운동 정보를 생성하는 명령을 저장하는,
개인화된 체중 관리 장치.