KR20210089782A

KR20210089782A - 수면 유도 장치

Info

Publication number: KR20210089782A
Application number: KR1020217019871A
Authority: KR
Inventors: 신강수; 윤희남
Original assignee: 엘지전자 주식회사
Priority date: 2019-01-03
Filing date: 2019-01-03
Publication date: 2021-07-16
Also published as: WO2020141641A1; US20220088346A1; KR102573023B1

Abstract

수면 유도 장치가 개시된다. 본 발명의 실시 예에 따른 수면 유도 장치는, 음향을 출력하는 음향 출력부, 사용자의 호흡 신호를 획득하는 센싱부, 및, 상기 호흡 신호에 기초하여 상기 사용자의 호흡 주파수를 획득하고, 상기 호흡 주파수에 기초하여 호흡 동조 사운드의 특성 주파수를 결정하고, 상기 특성 주파수에 따라 상기 호흡 동조 사운드를 출력하는 프로세서를 포함한다.

Description

수면 유도 장치

본 발명은 사용자의 호흡 주파수에 기초하여 특성 주파수를 결정하고, 특성 주파수에 따라 호흡 동조 사운드를 출력함으로써 사용자의 수면을 유도하는 수면 유도 장치에 관한 것이다.

인공 지능(artificial intelligence)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.

한편 최근에는 노이즈 마스킹 사운드를 이용하여 주변 소음을 저감함으로써 사용자의 편안한 수면을 유도하는 기술이 등장하고 있다.

다만 이러한 기술은 사용자의 수면을 방해하는 요소를 제거하는 것에 그칠 뿐으로, 능동적으로 사용자의 수면을 유도할 수 없다는 한계를 지니고 있다.

본 발명은 상술한 문제점을 해결하기 위한 것으로, 본 발명의 목적은 사용자의 호흡 주파수에 기초하여 특성 주파수를 결정하고, 특성 주파수에 따라 호흡 동조 사운드를 출력함으로써 사용자의 수면을 유도하는 수면 유도 장치를 제공하기 위함이다.

본 발명의 실시 예에 따른 수면 유도 장치는, 음향을 출력하는 음향 출력부, 사용자의 호흡 신호를 획득하는 센싱부, 및, 상기 호흡 신호에 기초하여 상기 사용자의 호흡 주파수를 획득하고, 상기 호흡 주파수에 기초하여 호흡 동조 사운드의 특성 주파수를 결정하고, 상기 특성 주파수에 따라 상기 호흡 동조 사운드를 출력하는 프로세서를 포함하고, 상기 특성 주파수는, 상기 호흡 동조 사운드의 크기 및 주파수 중 적어도 하나의 싸이클이 단위 시간 동안 반복되는 횟수이다.

본 발명의 실시 예에 따른 수면 유도 장치의 동작 방법은, 사용자의 호흡 신호를 획득하는 단계, 상기 호흡 신호에 기초하여 상기 사용자의 호흡 주파수를 획득하는 단계, 상기 호흡 주파수에 기초하여 호흡 동조 사운드의 특성 주파수를 결정하는 단계, 및, 상기 특성 주파수에 따라 상기 호흡 동조 사운드를 출력하는 단계를 포함하고, 상기 특성 주파수는, 상기 호흡 동조 사운드의 크기 및 주파수 중 적어도 하나의 싸이클이 단위 시간 동안 반복되는 횟수이다.

본 발명은 특성 주파수를 가지는 소리를 이용하여 사용자의 호흡이 점점 느려지도록 유도함으로써, 사용자가 수면 상태에 빨리 진입하는 것을 도울 수 있다.

또한 본 발명은 특성 주파수를 단계적으로 줄이거나, 호흡 주파수와 기 설정된 값을 유지하도록 하면서 줄임으로써, 사용자의 실제 호흡의 주파수와 호흡 동조 사운드의 주파수 사이에 큰 차이가 발생하는 것을 방지하고, 자연스럽게 호흡 동조 사운드에 따라 숨을 쉬도록 유도할 수 있다.

또한 본 발명은 특성 주파수를 가지는 호흡 유도 신호를 노이즈 마스킹 사운드에 입힘으로써, 사용자의 호흡 유도와 함께 주변 소음 저감의 효과까지 달성할 수 있어 사용자가 수면 상태에 돌입하는 시간을 더욱 줄일 수 있는 장점이 있다.

또한 본 발명은 강화 학습을 이용함으로써, 특성 주파수를 변경하는 시점, 특성 주파수의 변경 량, 호흡 동조 사운드의 최대 크기, 호흡 동조 사운드의 종류 등의 최적 값을 찾아낼 수 있는 장점이 있다.

도 1은 본 발명과 관련된 수면 유도 장치를 설명하기 위한 블록도이다.
도 2는 본 발명의 실시 예에 따른 수면 유도 장치의 동작 방법을 설명하기 위한 도면이다.
도 3은 본 발명의 실시 예에 따른 호흡 신호 및 호흡 동조 사운드를 설명하기 위한 도면이다.
도 4는 본 발명의 실시 예에 따른 호흡 동조 사운드를 구체적으로 설명하기 위한 도면이다.
도 5는 본 발명의 실시 예에 따른, 호흡 동조 사운드의 크기, 주파수 및 특성 주파수를 설명하기 위한 도면이다.
도 6은 본 발명의 실시 예에 따른 강화 학습 모델을 이용한 특성 주파수의 설정을 설명하기 위한 도면이다.
도 7 및 도 8은 본 발명에 따른 실험 결과를 도시한 도면이다.

이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.

본 명세서에서 설명되는 수면 유도 장치에는 휴대폰, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 슬레이트 PC(slate PC), 태블릿 PC(tablet PC), 울트라북(ultrabook), 웨어러블 디바이스(wearable device, 예를 들어, 워치형 단말기 (smartwatch), 글래스형 단말기 (smart glass), HMD(head mounted display)) 등이 포함될 수 있다.

도 1은 본 발명과 관련된 수면 유도 장치를 설명하기 위한 블록도이다.

본 명세서에 기재된 실시 예에 따른 수면 유도 장치(100)는 스마트 TV, 데스크탑 컴퓨터, 디지털사이니지 등과 같은 고정 단말기에도 적용될 수도 있다.

또한, 본 발명의 실시 예에 따른 수면 유도 장치(100)는 고정 또는 이동 가능한 로봇에도 적용될 수 있다.

또한, 본 발명의 실시 예에 따른 수면 유도 장치(100)는 음성 에이전트의 기능을 수행할 수 있다. 음성 에이전트는 사용자의 음성을 인식하고, 인식된 사용자의 음성에 적합한 응답을 음성으로 출력하는 프로그램일 수 있다.

수면 유도 장치(100)는 무선 통신부(110), 입력부(120), 러닝 프로세서(130), 센싱부(140), 출력부(150), 인터페이스부(160), 메모리(170), 프로세서(180) 및 전원 공급부(190)를 포함할 수 있다.

무선 통신부(110)는, 방송 수신 모듈(111), 이동통신 모듈(112), 무선 인터넷 모듈(113), 근거리 통신 모듈(114), 위치정보 모듈(115) 중 적어도 하나를 포함할 수 있다.

방송 수신 모듈(111)은 방송 채널을 통하여 외부의 방송 관리 서버로부터 방송 신호 및/또는 방송 관련된 정보를 수신한다.

이동통신 모듈(112)은, 이동통신을 위한 기술표준들 또는 통신방식(예를 들어, GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), CDMA2000(Code Division Multi Access 2000), EV-DO(Enhanced Voice-Data Optimized or Enhanced Voice-Data Only), WCDMA(Wideband CDMA), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등)에 따라 구축된 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다.

무선 인터넷 모듈(113)은 무선 인터넷 접속을 위한 모듈을 말하는 것으로, 수면 유도 장치(100)에 내장되거나 외장될 수 있다. 무선 인터넷 모듈(113)은 무선 인터넷 기술들에 따른 통신망에서 무선 신호를 송수신하도록 이루어진다.

무선 인터넷 기술로는, 예를 들어 WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), Wi-Fi(Wireless Fidelity) Direct, DLNA(Digital Living Network Alliance), WiBro(Wireless Broadband), WiMAX(World Interoperability for Microwave Access), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등이 있다.

근거리 통신 모듈(114)은 근거리 통신(Short range communication)을 위한 것으로서, 블루투스(Bluetooth™), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), UWB(Ultra Wideband), ZigBee, NFC(Near Field Communication), Wi-Fi(Wireless-Fidelity), Wi-Fi Direct, Wireless USB(Wireless Universal Serial Bus) 기술 중 적어도 하나를 이용하여, 근거리 통신을 지원할 수 있다.

위치정보 모듈(115)은 이동 단말기의 위치(또는 현재 위치)를 획득하기 위한 모듈로서, 그의 대표적인 예로는 GPS(Global Positioning System) 모듈 또는 WiFi(Wireless Fidelity) 모듈이 있다. 예를 들어, 단말기는 GPS모듈을 활용하면, GPS 위성에서 보내는 신호를 이용하여 이동 단말기의 위치를 획득할 수 있다.

입력부(120)는 영상 신호 입력을 위한 카메라(121), 오디오 신호를 수신하기 위한 마이크로폰(122), 사용자로부터 정보를 입력 받기 위한 사용자 입력부(123)를 포함할 수 있다.

입력부(120)에서 수집한 음성 데이터나 이미지 데이터는 분석되어 사용자의 제어명령으로 처리될 수 있다.

입력부(120)는 영상 정보(또는 신호), 오디오 정보(또는 신호), 데이터, 또는 사용자로부터 입력되는 정보의 입력을 위한 것으로서, 영상 정보의 입력을 위하여, 수면 유도 장치(100)는 하나 또는 복수의 카메라(121)들을 구비할 수 있다.

카메라(121)는 화상 통화모드 또는 촬영 모드에서 이미지 센서에 의해 얻어지는 정지영상 또는 동영상 등의 화상 프레임을 처리한다. 처리된 화상 프레임은 디스플레이부(151)에 표시되거나 메모리(170)에 저장될 수 있다.

마이크로폰(122)은 외부의 음향 신호를 전기적인 음성 데이터로 처리한다. 처리된 음성 데이터는 수면 유도 장치(100)에서 수행 중인 기능(또는 실행 중인 응용 프로그램)에 따라 다양하게 활용될 수 있다. 한편, 마이크로폰(122)에는 외부의 음향 신호를 입력 받는 과정에서 발생되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘이 구현될 수 있다.

사용자 입력부(123)는 사용자로부터 정보를 입력 받기 위한 것으로서, 사용자 입력부(123)를 통해 정보가 입력되면,

프로세서(180)는 입력된 정보에 대응되도록 수면 유도 장치(100)의 동작을 제어할 수 있다.

사용자 입력부(123)는 기계식 (mechanical) 입력수단(또는, 메커니컬 키, 예를 들어, 수면 유도 장치(100)의 전?후면 또는 측면에 위치하는 버튼, 돔 스위치 (dome switch), 조그 휠, 조그 스위치 등) 및 터치식 입력수단을 포함할 수 있다. 일 예로서, 터치식 입력수단은, 소프트웨어적인 처리를 통해 터치스크린에 표시되는 가상 키(virtual key), 소프트 키(soft key) 또는 비주얼 키(visual key)로 이루어지거나, 상기 터치스크린 이외의 부분에 배치되는 터치 키(touch key)로 이루어질 수 있다.

러닝 프로세서(130)는 데이터 마이닝, 데이터 분석, 지능형 의사 결정, 및 기계 학습 알고리즘 및 기술을 위해 이용될 정보를 수신, 분류, 저장 및 출력하도록 구성 될 수 있다.

러닝 프로세서(130)는 단말기에 의해 수신, 검출, 감지, 생성, 사전 정의 또는 다른 방식으로 출력되거나 수신, 검출, 감지, 생성, 사전 정의 또는 다른 방식으로 다른 컴포넌트, 디바이스, 단말기 또는 단말기와 통신하는 장치에 의해 출력되는 데이터를 저장하도록 구성된 하나 이상의 메모리 유닛을 포함 할 수 있다.

러닝 프로세서(130)는 단말기에 통합되거나 구현된 메모리를 포함 할 수 있다. 일부 실시 예에서, 러닝 프로세서(130)는 메모리(170)를 사용하여 구현 될 수 있다.

선택적으로 또는 부가 적으로, 러닝 프로세서(130)는 단말기에 직접 결합된 외부 메모리 또는 단말기와 통신하는 서버에서 유지되는 메모리와 같이 단말기와 관련된 메모리를 사용하여 구현 될 수 있다.

다른 실시 예에서, 러닝 프로세서(130)는 클라우드 컴퓨팅 환경에서 유지되는 메모리, 또는 네트워크와 같은 통신 방식을 통해 단말기에 의해 액세스 가능한 다른 원격 메모리 위치를 이용하여 구현 될 수 있다.

러닝 프로세서(130)는 일반적으로 감독 또는 감독되지 않은 학습, 데이터 마이닝, 예측 분석 또는 다른 머신에서 사용하기 위해 데이터를 식별, 색인화, 카테고리화, 조작, 저장, 검색 및 출력하기 위해 데이터를 하나 이상의 데이터베이스에 저장하도록 구성될 수 있다.

러닝 프로세서(130)에 저장된 정보는 다양한 상이한 유형의 데이터 분석 알고리즘 및 기계 학습 알고리즘 중 임의의 것을 사용하여 프로세서(180) 또는 단말기의 하나 이상의 다른 제어기에 의해 이용될 수 있다.

이러한, 알고리즘의 예로는, k-최근 인접 시스템, 퍼지 논리 (예: 가능성 이론), 신경 회로망, 볼츠만 기계, 벡터 양자화, 펄스 신경망, 지원 벡터 기계, 최대 마진 분류기, 힐 클라이밍, 유도 논리 시스템 베이지안 네트워크, 페리트넷 (예: 유한 상태 머신, 밀리 머신, 무어 유한 상태 머신), 분류기 트리 (예: 퍼셉트론 트리, 지원 벡터 트리, 마코프 트리, 의사 결정 트리 포리스트, 임의의 포리스트), 판돈 모델 및 시스템, 인공 융합, 센서 융합, 이미지 융합, 보강 학습, 증강 현실, 패턴 인식, 자동화 된 계획 등을 포함한다.

프로세서(180)는 데이터 분석 및 기계 학습 알고리즘을 사용하여 결정되거나, 생성된 정보에 기초하여 단말기의 적어도 하나의 실행 가능한 동작을 결정 또는 예측할 수 있다. 이를 위해, 프로세서(180)는 러닝 프로세서(130)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 상기 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 상기 단말기를 제어할 수 있다.

프로세서(180)는 지능적 에뮬레이션(즉, 지식 기반 시스템, 추론 시스템 및 지식 획득 시스템)을 구현하는 다양한 기능을 수행 할 수 있다. 이는 적응 시스템, 기계 학습 시스템, 인공 신경망 등을 포함하는, 다양한 유형의 시스템(예컨대, 퍼지 논리 시스템)에 적용될 수 있다.

프로세서(180)는, 또한 I/O 처리 모듈, 환경 조건 모듈, 음성 - 텍스트 (STT) 처리 모듈, 자연어 처리 모듈, 작업 흐름 처리 모듈 및 서비스 처리 모듈과 같이, 음성 및 자연 언어 음성 처리를 수반하는 연산을 가능하게 하는 서브 모듈을 포함할 수 있다.

이들 서브 모듈들 각각은, 단말기에서의 하나 이상의 시스템 또는 데이터 및 모델, 또는 이들의 서브셋 또는 수퍼 셋에 대한 액세스를 가질 수 있다. 또한, 이들 서브 모듈들 각각은, 어휘 색인, 사용자 데이터, 작업 흐름 모델, 서비스 모델 및 자동 음성 인식 (ASR) 시스템을 비롯한 다양한 기능을 제공할 수 있다.

다른 실시 예에서, 프로세서(180) 또는 단말기의 다른 양태는 상기 서브 모듈, 시스템, 또는 데이터 및 모델로 구현 될 수 있다.

일부 예에서, 러닝 프로세서(130)의 데이터에 기초하여, 프로세서(180)는 사용자 입력 또는 자연 언어 입력으로 표현된 문맥 조건 또는 사용자의 의도에 기초하여 요구 사항을 검출하고 감지하도록 구성 될 수 있다.

프로세서(180)는 문맥 조건 또는 사용자의 의도에 기초하여 요구 사항을 완전히 결정하는데 필요한 정보를 능동적으로 이끌어 내고, 획득할 수 있다. 예를 들어, 프로세서(180)는 역사적 입력 및 출력, 패턴 매칭, 모호하지 않은 단어, 입력 의도 등을 포함하는 과거 데이터를 분석함으로써 요구 사항을 결정하는데, 필요한 정보를 능동적으로 이끌어낼 수 있다.

프로세서(180)는 문맥 조건 또는 사용자의 의도에 기초하여 요구 사항에 응답하는 기능을 실행하기 위한 태스크 흐름을 결정할 수 있다.

프로세서(180)는 러닝 프로세서(130)에서 프로세싱 및 저장을 위한 정보를 수집하기 위해, 단말기에서 하나 이상의 감지 컴포넌트를 통해 데이터 분석 및 기계 학습 작업에 사용되는 신호 또는 데이터를 수집, 감지, 추출, 검출 및/또는 수신하도록 구성 될 수 있다.

정보 수집은 센서를 통해 정보를 감지하는 것, 메모리(170)에 저장된 정보를 추출하는 것 또는 통신 수단을 통해 다른 단말기, 엔티티 또는 외부 저장 장치로부터 정보를 수신하는 것을 포함 할 수 있다.

프로세서(180)는 단말기에서 사용 히스토리 정보를 수집하여, 저장할 수 있다.

프로세서(180)는 저장된 사용 히스토리 정보 및 예측 모델링을 사용하여 특정 기능을 실행하기 위한 최상의 매치를 결정할 수 있다.

프로세서(180)는 센싱부(140)를 통해 주변 환경 정보 또는 기타 정보를 수신하거나 감지 할 수 있다.

프로세서(180)는 무선 통신부(110)을 통해 방송 신호 및/또는 방송 관련 정보, 무선 신호, 무선 데이터를 수신할 수 있다.

프로세서(180)는 입력부(120)로부터 이미지 정보 (또는 해당 신호), 오디오 정보 (또는 해당 신호), 데이터 또는 사용자 입력 정보를 수신 할 수 있다.

프로세서(180)는 정보를 실시간으로 수집하고, 정보 (예를 들어, 지식 그래프, 명령 정책, 개인화 데이터베이스, 대화 엔진 등)를 처리 또는 분류하고, 처리 된 정보를 메모리(170) 또는 러닝 프로세서(130)에 저장할 수 있다.

단말기의 동작이 데이터 분석 및 기계 학습 알고리즘 및 기술에 기초하여 결정될 때, 프로세서(180)는 결정된 동작을 실행하기 위해 단말기의 구성 요소를 제어 할 수 있다. 그리고 프로세서(180)는 제어 명령에 따라 단말을 제어하여 결정된 동작을 수행 할 수 있다.

프로세서(180)는 특정 동작이 수행되는 경우, 데이터 분석 및 기계 학습 알고리즘 및 기법을 통해 특정 동작의 실행을 나타내는 이력 정보를 분석하고, 분석된 정보에 기초하여 이전에 학습 한 정보의 업데이트를 수행 할 수 있다.

따라서, 프로세서(180)는 러닝 프로세서(130)과 함께, 업데이트 된 정보에 기초하여 데이터 분석 및 기계 학습 알고리즘 및 기법의 미래 성능의 정확성을 향상시킬 수 있다.

센싱부(140)는 이동 단말기 내 정보, 이동 단말기를 둘러싼 주변 환경 정보 및 사용자 정보 중 적어도 하나를 센싱 하기 위한 하나 이상의 센서를 포함할 수 있다.

예를 들어, 센싱부(140)는 근접센서(141, proximity sensor), 조도 센서(142, illumination sensor), 터치 센서(touch sensor), 가속도 센서(acceleration sensor), 자기 센서(magnetic sensor), 중력 센서(G-sensor), 자이로스코프 센서(gyroscope sensor), 모션 센서(motion sensor), RGB 센서, 적외선 센서(IR 센서: infrared sensor), 지문인식 센서(finger scan sensor), 초음파 센서(ultrasonic sensor), 광 센서(optical sensor, 예를 들어, 카메라(121 참조)), 마이크로폰(microphone, 122 참조), 배터리 게이지(battery gauge), 환경 센서(예를 들어, 기압계, 습도계, 온도계, 방사능 감지 센서, 열 감지 센서, 가스 감지 센서 등), 화학 센서(예를 들어, 전자 코, 헬스케어 센서, 생체 인식 센서 등) 중 적어도 하나를 포함할 수 있다. 한편, 본 명세서에 개시된 이동 단말기는, 이러한 센서들 중 적어도 둘 이상의 센서에서 센싱되는 정보들을 조합하여 활용할 수 있다.

출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시키기 위한 것으로, 디스플레이부(151), 음향 출력부(152), 햅팁 모듈(153), 광 출력부(154) 중 적어도 하나를 포함할 수 있다.

디스플레이부(151)는 수면 유도 장치(100)에서 처리되는 정보를 표시(출력)한다. 예를 들어, 디스플레이부(151)는 수면 유도 장치(100)에서 구동되는 응용 프로그램의 실행화면 정보, 또는 이러한 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다.

디스플레이부(151)는 터치 센서와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린을 구현할 수 있다. 이러한 터치 스크린은, 수면 유도 장치(100)와 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부(123)로써 기능함과 동시에, 수면 유도 장치(100)와 사용자 사이의 출력 인터페이스를 제공할 수 있다.

음향 출력부(152)는 호신호 수신, 통화모드 또는 녹음 모드, 음성인식 모드, 방송수신 모드 등에서 무선 통신부(110)로부터 수신되거나 메모리(170)에 저장된 오디오 데이터를 출력할 수 있다.

음향 출력부(152)는 리시버(receiver), 스피커(speaker), 버저(buzzer) 중 적어도 하나 이상을 포함할 수 있다.

햅틱 모듈(haptic module)(153)은 사용자가 느낄 수 있는 다양한 촉각 효과를 발생시킨다. 햅틱 모듈(153)이 발생시키는 촉각 효과의 대표적인 예로는 진동이 될 수 있다.

광출력부(154)는 수면 유도 장치(100)의 광원의 빛을 이용하여 이벤트 발생을 알리기 위한 신호를 출력한다. 수면 유도 장치(100)에서 발생 되는 이벤트의 예로는 메시지 수신, 호 신호 수신, 부재중 전화, 알람, 일정 알림, 이메일 수신, 애플리케이션을 통한 정보 수신 등이 될 수 있다.

인터페이스부(160)는 수면 유도 장치(100)에 연결되는 다양한 종류의 외부 기기와의 통로 역할을 수행한다. 이러한 인터페이스부(160)는, 유/무선 헤드셋 포트(port), 외부 충전기 포트(port), 유/무선 데이터 포트(port), 메모리 카드(memory card) 포트, 식별 모듈이 구비된 장치를 연결하는 포트(port), 오디오 I/O(Input/Output) 포트(port), 비디오 I/O(Input/Output) 포트(port), 이어폰 포트(port)중 적어도 하나를 포함할 수 있다. 수면 유도 장치(100)에서는, 상기 인터페이스부(160)에 외부 기기가 연결되는 것에 대응하여, 연결된 외부 기기와 관련된 적절할 제어를 수행할 수 있다.

한편, 식별 모듈은 수면 유도 장치(100)의 사용 권한을 인증하기 위한 각종 정보를 저장한 칩으로서, 사용자 인증 모듈(user identify module; UIM), 가입자 인증 모듈(subscriber identity module; SIM), 범용 사용자 인증 모듈(universal subscriber identity module; USIM) 등을 포함할 수 있다. 식별 모듈이 구비된 장치(이하 '식별 장치')는, 스마트 카드(smart card) 형식으로 제작될 수 있다. 따라서 식별 장치는 상기 인터페이스부(160)를 통하여 수면 유도 장치(100)와 연결될 수 있다.

메모리(170)는 수면 유도 장치(100)의 다양한 기능을 지원하는 데이터를 저장한다.

메모리(170)는 수면 유도 장치(100)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 수면 유도 장치(100)의 동작을 위한 데이터들, 명령어들을, 러닝 프로세서(130)의 동작을 위한 데이터들(예를 들어, 머신 러닝을 위한 적어도 하나의 알고리즘 정보 등)을 저장할 수 있다.

프로세서(180)는 상기 응용 프로그램과 관련된 동작 외에도, 통상적으로 수면 유도 장치(100)의 전반적인 동작을 제어한다. 프로세서(180)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(170)에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.

또한, 프로세서(180)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, 도 1와 함께 살펴본 구성요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(180)는 상기 응용프로그램의 구동을 위하여, 수면 유도 장치(100)에 포함된 구성요소들 중 적어도 둘 이상을 서로 조합하여 동작시킬 수 있다.

전원공급부(190)는 프로세서(180)의 제어 하에서, 외부의 전원, 내부의 전원을 인가 받아 수면 유도 장치(100)에 포함된 각 구성요소들에 전원을 공급한다. 이러한 전원공급부(190)는 배터리를 포함하며, 상기 배터리는 내장형 배터리 또는 교체 가능한 형태의 배터리가 될 수 있다.

한편, 앞서 살펴본 것과 같이, 프로세서(180)는 응용 프로그램과 관련된 동작과, 통상적으로 수면 유도 장치(100)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(180)는 상기 수면 유도 장치의 상태가 설정된 조건을 만족하면, 애플리케이션들에 대한 사용자의 제어 명령의 입력을 제한하는 잠금 상태를 실행하거나, 해제할 수 있다.

한편 센서부(140)는 무선 통신부(110)를 포함할 수 있다.

도 2는 본 발명의 실시 예에 따른 수면 유도 장치의 동작 방법을 설명하기 위한 도면이다.

본 발명의 실시 예에 따른 수면 유도 장치(100)의 동작 방법은, 사용자의 호흡 신호를 획득하는 단계(S210), 사용자의 호흡 신호에 기초하여 사용자의 호흡 주파수를 획득하는 단계(S230), 호흡 주파수에 기초하여 호흡 동조 사운드의 특성 주파수를 결정하는 단계(S250) 및 특성 주파수에 따라 호흡 동조 사운드를 출력하는 단계(S270)를 포함할 수 있다.

도 3은 본 발명의 실시 예에 따른 호흡 신호 및 호흡 동조 사운드를 설명하기 위한 도면이다.

프로세서(180)는 센싱부(140)를 통하여 사용자의 호흡과 관련된 데이터를 획득할 수 있다. 여기서 사용자의 호흡과 관련된 데이터는 사용자의 호흡 신호를 측정하는데 사용되는 데이터일 수 있다.

일 례로, 사용자의 호흡과 관련된 데이터는, 압전 센서의 감지값일 수 있다. 이 경우 압전 센서는 침대에 설치될 수 있으며, 프로세서(180)는 압전 센서와 통신하여 압전 센서로부터 감지값을 수신할 수 있다. 이 경우 감지값은 사용자의 호흡 신호에 따라 달라질 수 있다.

다른 예로, 사용자의 호흡과 관련된 데이터는 벨트의 감지값일 수 있다. 이 경우 벨트는 사용자의 신체(흉부)에 착용될 수 있으며, 프로세서(180)는 벨트와 통신하여 벨트로부터 감지값을 수신할 수 있다. 이 경우 감지값은 사용자의 호흡 신호에 따라 달라질 수 있다.

다른 예로, 사용자의 호흡과 관련된 데이터는 사용자의 호흡을 감지하는 레이더 센서의 측정 값일 수 있다. 이 경우 프로세서(180)는 레이더 센서와 통신하여 레이더 센서로부터 측정 값을 수신할 수 있다. 이 경우 측정 값은 사용자의 호흡 신호에 따라 달라질 수 있다.

이 외에도 사용자의 호흡과 관련된 데이터를 획득할 수 있는 모든 장치가 사용될 수 있다.

한편 압전 센서, 벨트, 레이더 센서 등의 외부 기기로부터 호흡과 관련된 데이터를 획득한다고 설명하였으나 이에 한정되지 않는다. 구체적으로 압전 센서, 벨트, 레이더 센서 등의 외부 기기는 호흡과 관련된 데이터를 이용하여 호흡 신호(310)를 획득할 수 있으며, 호흡 신호(310)를 수면 유도 장치(100)로 전송할 수 있다. 이 경우 센싱부(140)는 외부 기기로부터 호흡 신호(310)를 수신할 수 있다.

한편 압전 센서, 벨트, 레이더 센서, 기타 호흡과 관련된 데이터를 획득할 수 있는 장치는 수면 유도 장치(100)의 센싱부(140)의 일 구성일 수 있다. 이 경우 센싱부(140)는 사용자의 호흡 신호(310)를 직접 획득할 수 있다.

한편 프로세서(180)는 사용자의 호흡 신호(310)에 기초하여 사용자의 호흡 주파수를 획득할 수 있다. 여기서 호흡 주파수란, 단위 시간 당 호흡 횟수를 의미할 수 있다.

한편 사용자의 호흡 신호의 호흡 주파수는 기 설정된 시간 구간의 호흡 신호에 기초하여 획득될 수 있다. 예를 들어 현 시점에서 5분 이전의 시점으로부터 현 시점까지의 호흡 횟수에 기초하여 호흡 주파수가 획득될 수 있다.

또한 프로세서는 사용자의 호흡 주파수에 따라 호흡 동조 사운드의 특성 주파수를 결정할 수 있다. 그리고 프로세서는 특성 주파수에 따라 호흡 동조 사운드(320)를 출력할 수 있다.

도 4는 본 발명의 실시 예에 따른 호흡 동조 사운드를 구체적으로 설명하기 위한 도면이다.

호흡 동조 사운드(320)는 노이즈 마스킹 사운드(321)에 호흡 유도 신호(322)를 결합한 사운드 일 수 있다.

여기서 노이즈 마스킹 사운드(321)는 주변 소음(410)을 저감하기 위한 사운드일 수 있다. 예를 들어 노이즈 마스킹 사운드(321)는 백색 소음, 핑크 소음, 브라운 소음 등을 포함할 수 있다.

호흡 유도 신호(322)는 사용자의 수면을 유도하기 위하여, 사용자의 호흡을 유도하는 신호일 수 있다.

한편 호흡 동조 사운드(320)는 노이즈 마스킹 사운드(321)를 포함하기 때문에, 호흡 동조 사운드(320)가 주변 소음(410)과 결합되는 경우 주변 소음 감쇄 효과(420)가 발생할 수 있다.

또한 호흡 동조 사운드(320)는 호흡 유도 신호(322)를 포함하기 때문에, 호흡 동조 사운드(320)는 주변 소음 감쇄 효과(420)를 발생시키는 것과 동시에 호흡 유도 효과(430)를 발생시킬 수 있다.

도 5는 본 발명의 실시 예에 따른, 호흡 동조 사운드의 크기, 주파수 및 특성 주파수를 설명하기 위한 도면이다.

특성 주파수는 호흡 동조 사운드의 크기 및 주파수 중 적어도 하나의 싸이클이 단위 시간 동안 반복되는 횟수일 수 있다.

또한 특성 주파수는 호흡 동조 사운드에 포함되는 호흡 유도 신호의 주파수를 의미할 수 있다.

도 5a는 호흡 동조 사운드의 크기의 싸이클을 도시한 도면이다.

호흡 동조 사운드(510)는 호흡 유도 신호에 따라 노이즈 마스킹 사운드의 크기를 변경한 사운드일 수 있다. 즉 호흡 동조 사운드(510)의 크기는 호흡 유도 신호에 따라 변경될 수 있다.

한편 호흡 유도 신호의 크기가 싸인파의 형태로 변경되기 때문에, 호흡 동조 사운드(510)의 크기는 최대값(Amax)과 최소값(Amin) 사이에서 변경될 수 있다.

한편 호흡 동조 사운드(510)의 크기의 최대값(Amax)으로부터 다음 최대값(Amax)까지의 구간(c)이 하나의 싸이클을 구성할 수 있다.

다른 예로, 호흡 동조 사운드(510)의 크기의 최소값(Amin)으로부터 다음 최소값(Amin)까지의 구간이 하나의 싸이클을 구성할 수 있다.

한편 특성 주파수는 호흡 동조 사운드(510)의 크기의 싸이클이 단위 시간 동안 반복되는 횟수일 수 있다.

예를 들어 호흡 동조 사운드(510)의 크기의 싸이클이 1분 동안 24회 반복되는 경우, 특성 주파수는 24회/min 이 될 수 있다. 이 경우 호흡 동조 사운드(510)의 크기는 1분 동안 최대 값(Amax) 또는 최소값(Amin)에 24회 도달할 수 있다.

또한 호흡 동조 사운드(510)의 크기의 싸이클은 호흡 유도 신호의 싸이클과 동일할 수 있다. 따라서 호흡 유도 신호의 주파수는 호흡 동조 사운드(510)의 특성 주파수와 동일할 수 있다.

한편 도 5a의 실시 예에서 호흡 동조 사운드(510)의 주파수는 동일하고, 호흡 동조 사운드(510)의 크기만 변경될 수 있다.

도 5b는 호흡 동조 사운드의 주파수의 싸이클을 도시한 도면이다.

호흡 동조 사운드(520)는 호흡 유도 신호에 따라 노이즈 마스킹 사운드의 주파수를 변경한 사운드일 수 있다. 즉 호흡 동조 사운드(520)의 주파수는 호흡 유도 신호에 따라 변경될 수 있다.

한편 호흡 유도 신호에 따라, 호흡 동조 사운드(520)의 주파수는 최대값과 최소값 사이에서 변경될 수 있다.

한편 호흡 동조 사운드(520)의 주파수의 최소 값으로부터 다음 최소 값까지의 구간(d)이 하나의 싸이클을 구성할 수 있다.

다른 예로, 호흡 동조 사운드(520)의 주파수의 최대 값으로부터 다음 최대 값까지의 구간이 하나의 싸이클을 구성할 수 있다.

한편 특성 주파수는 호흡 동조 사운드(520)의 주파수의 싸이클이 단위 시간 동안 반복되는 횟수일 수 있다.

예를 들어 호흡 동조 사운드(520)의 주파수의 싸이클이 1분 동안 24회 반복되는 경우, 특성 주파수는 24회/min 이 될 수 있다. 이 경우 호흡 동조 사운드(510)의 주파수는 1분 동안 최대 값 또는 최소값에 24회 도달할 수 있다.

또한 호흡 동조 사운드(520)의 주파수의 싸이클은 호흡 유도 신호의 싸이클과 동일할 수 있다. 따라서 호흡 유도 신호의 주파수는 특성 주파수와 동일할 수 있다.

한편 도 5b의 실시 예에서는 호흡 동조 사운드(520)의 크기는 일정하고 호흡 동조 사운드(520)의 주파수만 변경될 수 있다. 즉 노이즈 마스킹 사운드의 크기는 일정하고 호흡 유도 신호에 따라 주파수만 변경되기 때문에, 호흡 동조 사운드(520)의 크기는 일정할 수 있다.

한편 도 5a에서는 호흡 유도 신호에 따라 호흡 동조 사운드의 크기를, 도 5b에서는 호흡 유도 신호에 따라 호흡 동조 사운드의 주파수를 변경한다고 설명하였으나 이에 한정되지 않으며, 호흡 유도 신호에 따라 호흡 동조 사운드의 크기 및 주파수가 변경될 수 있다.

이 경우 특성 주파수는 호흡 동조 사운드의 크기 및 주파수의 싸이클이 단위 시간 동안 반복되는 횟수를 의미할 수 있다.

한편 프로세서는 호흡 동조 사운드의 특성 주파수를 변경할 수 있다.

구체적으로 호흡 동조 사운드는 특성 주파수에 따라 하나의 싸이클의 구간이 변경될 수 있다. 즉 특성 주파수가 커지면 하나의 싸이클이 완성되는데 소요되는 시간이 줄어들 수 있다(즉 주기가 짧아질 수 있다.). 반대로 특성 주파수가 작아지면 하나의 싸이클이 완성되는데 소요되는 시간이 늘어들 수 있다(즉 주기가 길어질 수 있다.).

따라서 프로세서가 호흡 동조 사운드의 특성 주파수를 변경함으로써, 호흡 동조 사운드의 크기 및 주파수 중 적어도 하나의 싸이클이 완성되는데 소요되는 시간(즉 주기)이 변경될 수 있다.

한편 프로세서는 호흡 주파수에 기초하여 호흡 동조 사운드의 특성 주파수를 결정할 수 있다.

이 경우 호흡 동조 사운드의 특성 주파수는 호흡 주파수보다 작을 수 있다.

구체적으로 사람의 수면 시 호흡 주파수는 평상시(졸리지 않은 경우)의 호흡 주파수보다 작을 수 있다.

또한 사람이 평상시(졸리지 않은 경우)로부터 수면으로 진입하면서 사람의 호흡 주파수는 점점 작아질 수 있다.

또한 호흡 동조 사운드를 듣는 사용자는 자연스럽게 호흡 동조 사운드의 특성 주파수에 동조하여 호흡을 할 수 있다. 예를 들어 사용자가 현재 졸리지 않은 상태여서 호흡 주파수가 24회/min인 경우, 22회/min인 특성 주파수에 따라 호흡 동조 사운드를 출력하면, 사용자의 호흡은 자연스럽게 22회/min의 주파수로 유도될 수 있다.

따라서 본 발명에서는 특성 주파수를 호흡 주파수보다 작게 함으로써, 사용자의 호흡이 느려지도록 유할 수 있다. 그리고 사용자의 호흡이 느려짐에 따라 사용자가 수면에 진입하는 시간이 단축될 수 있다.

한편 특성 주파수가 호흡 주파수보다 작다고 설명하였으나 경우에 따라서 일부 시점이나 일부 구간에서는 특성 주파수와 호흡 주파수가 같을 수도 있다.

한편 특성 주파수의 최대 값은 사용자의 평상시의 호흡 주파수일 수 있다. 또한 특성 주파수의 최소 값은 사용자의 수면 시의 호흡 주파수일 수 있다.

여기서 특성 주파수의 최대 값이 사용자의 평상시의 호흡 주파수인 이유는, 호흡 동조 사운드를 출력하는 목적이 사용자의 호흡을 느리게 유도하는 것이기 때문이다.

또한 특성 주파수의 최소 값이 사용자의 수면 시의 호흡 주파수인 이유는, 사용자의 호흡을 사용자의 수면 시의 호흡 주파수로 유도하는 것이 호흡 동조 사운드를 출력하는 최종 목적이기 때문이다.

한편 메모리에는 사용자의 호흡 정보가 저장되어 있을 수 있다.

구체적으로 사용자의 호흡 정보는 사용자의 과거의 호흡 신호에 기초하여 획득되어, 메모리에 미리 저장되어 있을 수 있다.

여기서 사용자의 호흡 정보는, 사용자의 평상시(졸리지 않은 경우)의 호흡 주파수 및 사용자의 수면 시 호흡 주파수를 포함할 수 있다.

이하에서는 수면 유도 장치가 동작을 시작한 다음으로부터 사용자가 수면 상태에 진입하기까지의 과정을 구체적으로 설명한다.

사용자로부터 동작 시작의 입력이 수신되는 경우 또는 센싱부에 의해 사용자가 잠자리에 들려는 것이 감지된 경우(침대에 누운 경우), 프로세서는 수면 유도 장치의 동작을 시작할 수 있다.

이 경우 프로세서는 제1 주파수에 따라 호흡 동조 사운드를 출력할 수 있다.

여기서 제1 주파수는, 메모리에 기 저장된 사용자의 평상시(졸리지 않은 경우)의 호흡 주파수와 동일하거나 작을 수 있다.

한편 프로세서는 호흡 동조 사운드의 특성 주파수를 감소시킬 수 있다.

아래에서는 사용자의 호흡 주파수에 연동하여 특성 주파수를 변경하는 제1 실시 예 및 사용자의 호흡 주파수에 기초하여 단계적으로 특성 주파수를 변경하는 제2 실시 예에 대하여 설명한다.

제1 실시 예에서, 프로세서는 특성 주파수와 호흡 주파수의 차가 기 설정된 값을 유지하도록 특성 주파수를 결정할 수 있다.

구체적으로 프로세서는 특성 주파수와 호흡 주파수의 차가 기 설정된 값을 유지하도록 특성 주파수를 감소시킬 수 있다.

예를 들어 사용자의 호흡 신호의 호흡 주파수가 24회/min인 경우, 프로세서는 호흡 주파수와 특성 주파수의 차가 2회/min를 유지하도록 호흡 동조 사운드를 22회/min의 특성 주파수로 출력할 수 있다. 또한 사용자의 호흡 신호의 호흡 주파수가 22회/min로 줄어든 경우, 프로세서는 호흡 주파수와 특성 주파수의 차가 2회/min를 유지하도록 호흡 동조 사운드를 20회/min의 특성 주파수로 출력할 수 있다.

제2 실시 예에서, 프로세서는 호흡 주파수에 기초하여 호흡 동조 사운드의 특성 주파수를 단계적으로 감소시킬 수 있다.

구체적으로 프로세서는 호흡 주파수에 기초하여 호흡 동조 사운드의 특성 주파수를 제1 주파수로부터 제1 주파수보다 더 작은 제2 주파수로 변경하고, 제2 주파수에 따라 호흡 동조 사운드를 출력할 수 있다.

이 경우 프로세서는 제1 주파수에 따라 호흡 동조 사운드가 출력되는 동안 획득되는 호흡 주파수에 기초하여 특성 주파수를 제1 주파수로부터 제2 주파수로 변경하는 시점을 결정할 수 있다.

예를 들어 제1 주파수에 따라 호흡 동조 사운드가 출력되는 동안 사용자에게 졸음이 와서, 사용자의 호흡 주파수가 줄어들었다고 가정한다. 이 경우 프로세서는 특성 주파수를 제1 주파수로부터 제2 주파수로 변경하는 것으로 결정할 수 있다.

다른 예를 들어, 제1 주파수에 따라 호흡 동조 사운드가 출력되었으나, 사용자에게 졸음이 오지 않아서, 사용자의 호흡 주파수가 줄어들지 않았다고 가정한다. 이 경우에도 특성 주파수를 줄이게 되면, 사용자의 현재 호흡의 주파수와 특성 주파수의 차가 너무 커지게 되어, 사용자의 호흡을 유도하기 힘들다.

따라서 이 경우, 프로세서는 특성 주파수를 제1 주파수로 계속 유지할 수 있다. 그리고 이후에 사용자에게 졸음이 와서 사용자의 호흡 주파수가 줄어들면, 프로세서는 특성 주파수를 제1 주파수로부터 제2 주파수로 변경할 수 있다.

한편 프로세서는 제1 주파수에 따라 호흡 동조 사운드를 출력하고, 사용자의 호흡 주파수와 제1 주파수의 차가 일정 크기 이내로 작아지면 제2 주파수에 따라 호흡 동조 사운드를 출력할 수 있다.

예를 들어 일정 크기가 1회/min 이라고 가정한다. 그리고 제1 주파수가 22회/min, 수면 유도 장치의 최초 동작 시 사용자의 호흡 주파수가 24회/min인 것으로 가정한다.

프로세서는 22회/min의 주파수에 따라 호흡 동조 사운드를 출력할 수 있다. 그리고 사용자의 호흡 주파수가 23회/min로 줄어들면, 프로세서는 제1 주파수를 제2 주파수(예를 들어 20회/min)로 변경할 수 있다.

마찬가지로, 프로세서는 제2 주파수에 따라 호흡 동조 사운드를 출력하고, 사용자의 호흡 주파수와 제2 주파수의 차가 일정 크기 이내로 작아지면 제2 주파수보다 작은 제3 주파수에 따라 호흡 동조 사운드를 출력할 수 있다.

예를 들어 프로세서는 20회/min의 주파수에 따라 호흡 동조 사운드를 출력하고 있다. 그리고 사용자의 호흡 주파수가 21회/min로 줄어들면, 프로세서는 제2 주파수를 제3 주파수(예를 들어 18회/min)로 변경할 수 있다.

한편 프로세서는 제1 주파수에 따라 호흡 동조 사운드를 출력하고, 사용자의 호흡 주파수와 제1 주파수가 동일해지면 제2 주파수에 따라 호흡 동조 사운드를 출력할 수 있다.

예를 들어 제1 주파수가 22회/min, 수면 유도 장치의 최초 동작 시 사용자의 호흡 주파수가 24회/min인 것으로 가정한다.

프로세서는 22회/min의 주파수에 따라 호흡 동조 사운드를 출력할 수 있다. 그리고 사용자의 호흡 주파수가 22회/min로 줄어들면, 프로세서는 제1 주파수를 제2 주파수(예를 들어 20회/min)로 변경할 수 있다.

마찬가지로, 프로세서는 제2 주파수에 따라 호흡 동조 사운드를 출력하고, 사용자의 호흡 주파수와 제2 주파수가 동일해지면 제2 주파수보다 작은 제3 주파수에 따라 호흡 동조 사운드를 출력할 수 있다.

예를 들어 프로세서는 20회/min의 주파수에 따라 호흡 동조 사운드를 출력하고 있다. 그리고 사용자의 호흡 주파수가 20회/min로 줄어들면, 프로세서는 제2 주파수를 제3 주파수(예를 들어 18회/min)로 변경할 수 있다.

한편 제3 실시 예로써, 프로세서는 호흡 동조 사운드가 출력되는 동안의 호흡 주파수에 관계 없이, 기 설정된 시간 단위로 호흡 동조 사운드의 특성 주파수를 변경할 수 있다.

구체적으로 프로세서는 메모리에 저장된 사용자의 호흡 주파수에 기초하여 특성 주파수를 제1 주파수로 결정하고, 제1 주파수에 따라 호흡 동조 사운드를 출력할 수 있다.

그리고 제1 주파수에 따라 호흡 동조 사운드가 출력되기 시작한 후 기 설정된 시간이 경과하면, 프로세서는 제1 주파수보다 작은 제2 주파수에 따라 호흡 동조 사운드를 출력할 수 있다.

또한 제2 주파수에 따라 호흡 동조 사운드가 출력되기 시작한 후 기 설정된 시간이 경과하면, 프로세서는 제2 주파수보다 작은 제3 주파수에 따라 호흡 동조 사운드를 출력할 수 있다.

한편 주파수의 변경량은 항상 동일할 수도 있으며 상이할 수도 있다. 예를 들어 제1 주파수는 20회/min, 제2 주파수는 18회/min, 제3 주파수는 16회/min일 수 있다. 다른 예를 들어 제1 주파수는 20회/min, 제2 주파수는 18회/min, 제3 주파수는 15회/min일 수 있다.

한편 특성 주파수를 변경하는 시점 및 특성 주파수의 변경 량 중 적어도 하나는 강화 학습 모델에 의하여 결정될 수도 있다.

이와 관련해서는 도 6을 참고하여 설명한다.

강화학습 모델을 이용한 특성 주파수의 변경을 설명하기에 앞서, 먼저 인공 지능(artificial intelligence, AI)에 대하여 간략히 설명한다.

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.

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(support vector machine, SVM), 그리고 인공신경망(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.

인공신경망(Artificial Neural Network, ANN)은 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 신경망(Artificial Neural Network, ANN)은 기계 학습에서 사용되는 모델로써, 기계학습과 인지과학에서 생물학의 신경망(동물의 중추신경계중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘이다.

구체적으로 인공신경망(Artificial Neural Network, ANN)은 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다.

용어 인공신경망(Artificial Neural Network, ANN)은 용어 뉴럴 네트워크(Neural Network)와 혼용되어 사용될 수 있다.

인공신경망(Artificial Neural Network, ANN)은 복수의 레이어(layer)를 포함할 수 있고, 레이어들 각각은 복수의 뉴런(neuron)을 포함할 수 있다. 또한 인공신경망(Artificial Neural Network, ANN)은 뉴런(neuron)과 뉴런(neuron)을 연결하는 시냅스(synapse)를 포함할 수 있다.

인공 신경망(Artificial Neural Network, ANN)은 일반적으로 다음의 세가지 인자, 즉 (1) 다른 레이어(layer)의 뉴런들 사이의 연결 패턴 (2) 연결의 가중치를 갱신하는 학습 과정 (3) 이전 레이어(layer)로부터 수신되는 입력에 대하여 가중 합을 취하여 출력값을 생성하는 활성화 함수에 의해 정의될 수 있다.

인공 신경망(Artificial Neural Network, ANN)은, 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.

인공신경망(Artificial Neural Network, ANN)은 계층(layer) 수에 따라 단층 신경망(Single Layer Neural Networks)과 다층 신경망(Multi Layer Neural Networks)으로 구분된다.

일반적인 단층 신경망(Single Layer Neural Networks)은, 입력층과 출력층으로 구성된다.

또한 일반적인 다층신경망(Multi Layer Neural Networks)은 입력층과 은닉층, 출력층으로 구성된다.

입력층(input layer)은 외부의 자료들을 받아들이는 층으로서, 입력층의 뉴런 수는 입력되는 변수의 수와 동일하며, 은닉층(hidden layer)은 입력층과 출력층 사이에 위치하며 입력층으로부터 신호를 받아 특성을 추출하여 출력층으로 전달한다. 출력층(output layer)은 은닉층으로부터 신호를 받아 외부로 출력한다. 뉴런간의 입력신호는 0에서 1 사이의 값을 갖는 각각의 연결강도와 곱해진 후 합산되며 이 합이 뉴런의 임계치보다 크면 뉴런이 활성화되어 활성화 함수를 통하여 출력값으로 구현된다.

한편 입력층(input layer)과 출력 층(output layer) 사이에 복수의 은닉층(hidden layer)을 포함하는 심층 신경망(Deep Neural Network, DNN)은, 기계 학습(machine learning) 기술의 한 종류인 딥 러닝(deep learning)을 구현하는 대표적인 인공 신경망일 수 있다.

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

인공 신경망(Artificial Neural Network, ANN)은 훈련 데이터(training data)를 이용하여 학습(training)될 수 있다. 여기서 학습(training)이란, 입력 데이터를 분류(classification)하거나 회귀분석(regression)하거나 군집화(clustering)하는 등의 목적을 달성하기 위하여, 학습 데이터를 이용하여 인공 신경망(Artificial Neural Network, ANN)의 파라미터(parameter)를 결정하는 과정을 의미할 수 있다.

인공 신경망(Artificial Neural Network, ANN)의 파라미터의 대표적인 예시로써, 시냅스에 부여되는 가중치(weight)나 뉴런에 적용되는 편향(bias)을 들 수 있다. 이러한 파라미터는 내부 파라미터로써, 인공 신경망(Artificial Neural Network, ANN)의 트레이닝을 통하여 결정되거나 업데이트 될 수 있다.

인공 신경망(Artificial Neural Network, ANN)의 파라미터의 또 다른 예시로써, 레이어의 개수, 뉴런의 개수, 다른 레이어(layer)의 뉴런들 사이의 연결 패턴, 이전 레이어(layer)로부터 수신되는 입력에 대하여 가중 합을 취하여 출력값을 생성하는 활성화 함수를 들 수 있다. 이러한 파라미터는 외부 파라미터로써, 사용자에 의하여 설정될 수 있다.

훈련 데이터에 의하여 학습된 인공 신경망은, 입력 데이터를 입력 데이터가 가지는 패턴에 따라 분류(classification)하거나 군집화 (clustering)할 수 있다.

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

다음은 인공 신경망(Artificial Neural Network, ANN)의 학습 방식에 대하여 설명한다.

인공 신경망(Artificial Neural Network, ANN)의 학습 방식은 크게, 지도 학습(Supervised Learning), 비 지도 학습(Unsupervised Learning), 준 지도 학습(semi-supervised learning), 강화 학습(Reinforcement learning)으로 분류될 수 있다.

지도 학습(Supervised Learning)은 훈련 데이터(Training Data)로부터 하나의 함수를 유추해내기 위한 기계 학습(Machine Learning)의 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 데이터(training data)에 대한 레이블(label)이 주어진 상태에서 인공 신경망(Artificial Neural Network, ANN)을 학습시킨다.

여기서 레이블(label)이란, 훈련 데이터(training data)가 인공 신경망(Artificial Neural Network, ANN)에 입력되는 경우 인공 신경망(Artificial Neural Network, ANN)이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다.

본 명세서에서는 훈련 데이터(training data)가 입력되는 경우 인공 신경망(Artificial Neural Network, ANN)이 추론해 내야 하는 정답(또는 결과값)을 레이블(label) 또는 레이블링 데이터(labeling data)이라 명칭 한다.

또한 본 명세서에서는, 인공 신경망(Artificial Neural Network, ANN)의 학습을 위하여 훈련 데이터(training data)에 레이블(label)을 다는 것을, 훈련 데이터(training data)에 레이블링 데이터(labeling data)를 레이블링 한다(labeling)라고 명칭 한다.

이 경우 훈련 데이터(training data)와 훈련 데이터에 대응하는 레이블(label)은 하나의 트레이닝 셋(training set)을 구성하고, 인공 신경망(Artificial Neural Network, ANN)에는 트레이닝 셋(training set)의 형태로 입력될 수 있다.

한편 훈련 데이터(training data)는 복수의 특징(feature)을 나타내고, 훈련 데이터에 레이블(label)이 레이블링(labeling)된다는 것은 훈련 데이터(training data)가 나타내는 특징에 레이블(label)이 달린다는 것을 의미할 수 있다. 이 경우 훈련 데이터(training data)는 입력 객체의 특징을 벡터 형태로 나타낼 수 있다.

인공 신경망(Artificial Neural Network, ANN)은 훈련 데이터와 레이블링 데이터(labeling data)를 이용하여, 훈련 데이터와 레이블링 데이터(labeling data)의 연관 관계에 대한 함수를 유추할 수 있다. 또한 인공 신경망(Artificial Neural Network, ANN)은 유추된 함수에 대한 평가를 통해 인공 신경망(Artificial Neural Network, ANN)의 파라미터를 결정(최적화) 할 수 있다.

비 지도 학습(Unsupervised Learning)은 기계 학습의 일종으로, 훈련 데이터에 대한 레이블(label)이 주어지지 않는다.

구체적으로, 비 지도 학습(Unsupervised Learning)은, 훈련 데이터 및 훈련 데이터에 대응하는 레이블(label)의 연관 관계 보다는, 훈련 데이터 자체에서 패턴을 찾아 분류하도록 인공 신경망을 학습시키는 학습 방법일 수 있다.

비 지도 학습(Unsupervised Learning)의 예로는, 군집화(Clustering) 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(Generative Adversarial Network, GAN), 오토 인코더(Autoencoder, AE)를 들 수 있다.

생성적 적대 신경망(Generative Adversarial Network, GAN)이란, 생성기(generator)와 판별기(discriminator), 두 개의 서로 다른 인공지능이 경쟁하며 성능을 개선하는 머신러닝 방법이다.

이 경우 생성기(generator)는 새로운 데이터를 창조하는 모형으로, 원본 데이터를 기반으로 새로운 데이터를 생성할 수 있다.

또한 판별기(discriminator)는 데이터의 패턴을 인식하는 모형으로, 원본데이터를 기반으로 생성기(generator)에서 생성한 새로운 데이터에 대한 진위 여부를 감별하는 역할을 수행할 수 있다.

그리고 생성기(generator)는 판별기(discriminator)를 속이지 못한 데이터를 입력 받아 학습하며, 판별기(discriminator)는 생성기(generator)로부터 속은 데이터를 입력 받아 학습할 수 있다. 이에 따라 생성기(generator)는 판별기(discriminator)를 최대한 잘 속이도록 진화할 수 있고, 판별기(discriminator) 원본 데이터와 생성기(generator)에 의해 생성된 데이터를 잘 구분하도록 진화할 수 있다.

오토 인코더(Autoencoder, AE)는 입력 자체를 출력으로 재현하는 것을 목표로 하는 신경망이다.

오토 인코더(Autoencoder, AE)는 입력층, 은닉층 및 출력층을 포함하며, 입력 데이터는 입력 데이터가 입력 계층을 통과하여 은닉 계층으로 들어간다.

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 인코더(Autoencoder, AE)는 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 학습(Semi-Supervised Learning)은 기계 학습의 일종으로, 레이블(label)이 주어진 훈련 데이터와 레이블(label)이 주어지지 않은 훈련 데이터를 모드 사용하는 학습 방법을 의미할 수 있다.

준지도 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.

한편 강화 학습을 통하여 학습을 수행함으로써, 파라미터를 결정되거나 지속적으로 업데이트 하는 인공 신경망을, 본 명세서에서는 강화 학습 모델)이라 명칭할 수 있다.

한편 강화 학습 모델은 수면 유도 장치(100)에 탑재될 수 있다.

한편 강화 학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있으며, 강화 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 강화 학습 모델을 구성하는 하나 이상의 명령어는 메모리에 저장될 수 있다.

그리고 프로세서는 사용자의 호흡 주파수를 환경(environment)으로써 강화 학습 모델에 제공하고, 강화 학습 모델이 추천하는 ‘상기 특성 주파수를 변경하는 시점 및 상기 특성 주파수의 변경 량 중 적어도 하나’에 기초하여 호흡 동조 사운드를 출력하고, 사용자의 반응을 이용하여 상기 강화 학습 모델을 트레이닝 할 수 있다.

강화 학습(Reinforcement learning)은, 에이전트(Agent)가 매순간 어떤 행동을 해야 좋을지 판단할 수 있는 환경이 주어진다면, 데이터 없이 경험으로 가장 좋을 길을 찾을 수 있다는 이론이다.

강화 학습(Reinforcement Learning)은 주로 마르코프 결정 과정(Markov Decision Process, MDP)에 의하여 수행될 수 있다.

마르코프 결정 과정(Markov Decision Process, MDP)을 설명하면, 첫번째로 에이전트가 다음 행동을 하기 위해 필요한 정보들이 구성된 환경(environment) 이 주어지며, 두번째로 그 환경에서 에이전트가 어떻게 행동(action)할지 정의하고, 세번째로 에이전트가 무엇을 잘하면 보상(reward)를 주고 무엇을 못하면 벌점(penalty)을 줄지 정의하며, 네번째로 미래의 보상이 최고점에 이를 때까지 반복 경험하여 최적의 정책(policy)을 도출하게 된다.

마르코프 결정 과정을 본 발명에 적용하면, 에이전트는 수면 유도 장치, 더욱 구체적으로는 강화 학습 모델을 의미할 수 있다.

또한 첫번째로, 본 발명에서는 에이전트(강화 학습 모델)가 다음 행동을 하기 위해 필요한 정보들이 구성된 환경, 즉 사용자의 호흡 주파수가 에이전트(강화 학습 모델)에게 주어질 수 있다.

또한 두번째로, 본 발명에서는 에이전트(강화 학습 모델)이 주어진 호흡 주파수를 이용하여 어떻게 행동할 것인지, 즉 특성 주파수를 변경하는 시점 및 특성 주파수의 변경 량 중 적어도 하나를 어떻게 추천할 것인지 결정할 수 있다.

또한 세번째로 프로세서는, 에이전트(강화 학습 모델)가 추천한 특성 주파수를 변경하는 시점 및 특성 주파수의 변경량 중 적어도 하나에 따라, 호흡 동조 사운드를 출력할 수 있다. 그리고 프로세서는 출력된 호흡 동조 사운드에 대응하는 사용자의 반응을 획득할 수 있다. 그리고 프로세서는, 사용자의 반응이 긍정적으로 되는 경우 강화 학습 모델에 보상(reward)을 부여하고, 사용자의 반응이 부정적으로 되는 경우 강화 학습 모델에 벌점(penalty)을 부여할 수 있다. 이 경우 에이전트(강화 학습 모델)은 보상(reward) 및 벌점(penalty)에 기초하여 뉴럴 네트워크의 파라미터를 업데이트 할 수 있다.

또한 네번째로, 에이전트(강화 학습 모델)은 미래의 보상이 최고점에 이를 때까지 반복 경험하여, 최적의 정책(policy), 즉 사용자의 반응이 가장 긍정적으로 되는, ‘특성 주파수를 변경하는 시점 및 특성 주파수의 변경 량 중 적어도 하나’를 획득할 수 있다.

여기서 사용자의 반응은 사용자의 호흡 주파수의 변경, 사용자의 움직임 및 사용자가 수면 상태에 진입하기 까지의 소요 시간 중 적어도 하나를 포함할 수 있다.

그리고 사용자의 반응이 긍정적으로 된다는 것은, 사용자의 호흡 주파수의 변경, 사용자의 움직임 및 사용자가 수면 상태에 진입하기 까지의 소요 시간 중 적어도 하나가 사용자가 수면 상태에 빨리 진입하는 방향으로 변경되는 것을 의미할 수 있다.

예를 들어 긍정적인 사용자의 반응은, 사용자의 호흡 주파수가 줄어들거나, 더욱 빠르게 줄어들거나, 사용자의 뒤척임이 줄어들거나, 사용자가 수면 상태에 진입하기까지의 소요 시간이 줄어드는 것 등을 포함할 수 있다.

또한 사용자의 반응이 부정적으로 된다는 것은, 사용자의 호흡 주파수의 변경, 사용자의 움직임 및 사용자가 수면 상태에 진입하기까지의 소요 시간 중 적어도 하나가 사용자가 수면 상태에 늦게 진입하는 방향으로 변경되는 것을 의미할 수 있다.

예를 들어 부정적인 사용자의 반응은, 사용자의 호흡 주파수가 커지거나, 호흡 주파수가 줄어드는 폭이 작아지거나, 사용자의 뒤척임이 늘어나거나, 사용자가 수면 상태에 진입하기까지의 소요 시간이 늘어나는 것 등을 포함할 수 있다.

한편 앞선 실시 예에서는, 호흡 주파수에 따라 특성 주파수를 변경하는 것을 설명하였다. 즉 지금까지는 노이즈 마스킹 사운드는 항상 동일하다는 가정하에, 호흡 유도 신호를 변경하는 내용에 대하여 설명하였다.

이하에서는 호흡 유도 신호와 함께 노이즈 마스킹 사운드를 변경하는 내용에 대하여 설명한다.

프로세서는 호흡 동조 사운드의 최대 크기를 조절할 수 있다. 구체적으로 프로세서는 노이즈 마스킹 사운드의 크기를 변경함으로써 호흡 동조 사운드의 최대 크기를 조절할 수 있다.

이 경우 프로세서는 환경 정보에 기초하여 호흡 동조 사운드의 최대 크기를 조절할 수 있다.

여기서 환경 정보란 주변 소음의 크기를 포함할 수 있다. 이 경우 프로세서는 주변 소음의 크기에 기초하여 노이즈 마스킹 사운드의 크기, 즉 호흡 동조 사운드의 최대 크기를 조절할 수 있다.

예를 들어 낮에는 밤에 비해 주변 소음의 크기가 클 수 있다. 다른 예를 들어 음악이나 텔레비전이 켜져 있는 상태에서는 주변 소음의 크기가 커질 수 있다. 이와 같은 경우 프로세서는 노이즈 마스킹 사운드의 크기를 조절함으로써, 주변 소음의 크기가 달라지더라도 노이즈 마스킹 효과를 최대화 할 수 있다.

한편 앞서 강화 학습 모델에게 호흡 주파수가 환경으로써 제공되고, 강화 학습 모델은 특성 주파수를 변경하는 시점 및 특성 주파수의 변경 량 중 적어도 하나를 추천한다고 설명한 바 있다.

그리고 또 다른 실시 예로써, 강화 학습 모델은 환경 정보까지 추가적으로 고려하여, 특성 주파수를 변경하는 시점, 특성 주파수의 변경 량, 호흡 동조 사운드의 최대 크기 및 호흡 동조 사운드의 종류(예를 들어 백색 소음, 핑크 소음, 브라운 소음 등) 중 적어도 하나를 결정할 수 있다.

구체적으로 프로세서는 사용자의 호흡 주파수 및 환경 정보를 환경(environment)으로써 강화 학습 모델에 제공하고, 강화 학습 모델이 추천하는 ‘특성 주파수를 변경하는 시점, 특성 주파수의 변경 량, 호흡 동조 사운드의 최대 크기 및 호흡 동조 사운드의 종류 중 적어도 하나’에 기초하여 호흡 동조 사운드를 출력하고, 사용자의 반응을 이용하여 강화 학습 모델을 트레이닝 할 수 있다.

마르코프 결정 과정을 본 실시 예에 적용하면, 첫번째로, 본 발명에서는 에이전트(강화 학습 모델)가 다음 행동을 하기 위해 필요한 정보들이 구성된 환경, 즉 사용자의 호흡 주파수 및 환경 정보(주변 소음의 크기, 주변 소음의 종류 등)가 에이전트(강화 학습 모델)에게 주어질 수 있다.

또한 두번째로, 본 발명에서는 에이전트(강화 학습 모델)이 주어진 호흡 주파수 및 환경 정보를 이용하여 어떻게 행동할 것인지, 즉 특성 주파수를 변경하는 시점, 특성 주파수의 변경 량, 호흡 동조 사운드의 최대 크기 및 호흡 동조 사운드의 종류 중 적어도 하나를 어떻게 추천할 것인지 결정할 수 있다.

또한 세번째로 프로세서는, 에이전트(강화 학습 모델)가 추천한 ‘특성 주파수를 변경하는 시점, 특성 주파수의 변경 량, 호흡 동조 사운드의 최대 크기 및 호흡 동조 사운드의 종류 중 적어도 하나’에 따라, 호흡 동조 사운드를 출력할 수 있다. 그리고 프로세서는 출력된 호흡 동조 사운드에 대응하는 사용자의 반응을 획득할 수 있다. 그리고 프로세서는, 사용자의 반응이 긍정적으로 되는 경우 강화 학습 모델에 보상(reward)을 부여하고, 사용자의 반응이 부정적으로 되는 경우 강화 학습 모델에 벌점(penalty)을 부여할 수 있다. 이 경우 에이전트(강화 학습 모델)은 보상(reward) 및 벌점(penalty)에 기초하여 뉴럴 네트워크의 파라미터를 업데이트 할 수 있다.

또한 네번째로, 에이전트(강화 학습 모델)은 미래의 보상이 최고점에 이를 때까지 반복 경험하여, 최적의 정책(policy), 즉 사용자의 반응이 가장 긍정적으로 되는, ‘특성 주파수를 변경하는 시점, 특성 주파수의 변경 량, 호흡 동조 사운드의 최대 크기 및 호흡 동조 사운드의 종류 중 적어도 하나’를 결정할 수 있다.

이와 같이 본 발명은 특성 주파수를 가지는 소리를 이용하여 사용자의 호흡이 점점 느려지도록 유도함으로써, 사용자가 수면 상태에 빨리 진입하는 것을 도울 수 있다.

도 7 및 도 8은 본 발명에 따른 실험 결과를 도시한 도면이다.

도 7의 그래프에서 x축은 사용자의 호흡 주파수를 의미한다. 또한 y 축은 사용자의 호흡 주파수가 나타난 빈도수를 의미한다.

그리고 실선은 호흡 동조 사운드를 들려줬을 때의 사용자의 호흡 주파수를 의미하며, 점선은 호흡 동조 사운드를 들려주지 않았을 때의 사용자의 호흡 주파수를 의미한다.

또한 화살표(710)의 위치는 특성 주파수의 크기를 의미한다.

도 7을 참고하면, 사용자의 실제 호흡 주파수가 특성 주파수(0.2 Hz)와 유사한 빈도는, 점선보다 실선이 훨씬 높은 것을 알 수 있다.

이는 호흡 동조 사운드를 돌려줬을 때, 사용자의 실제 호흡이 호흡 동조 사운드의 특성 주파수와 유사하게 유도되었음을 나타낸다.

또한 전반적으로 낮은 주파수를 나타내는 빈도 역시, 점선보다 실선이 높은 것을 알 수 있다.

이는 호흡 동조 사운드를 들려줬을 때, 사용자의 실제 호흡의 주파수가 호흡 동조 사운드에 따라 작아졌음을 나타낸다.

도 8의 그래프의 y 축은 사용자의 호흡 주파수가 나타난 빈도수를 진폭으로 표시한 것이다.

도 8을 참고하여도, 호흡 동조 사운드를 돌려줬을 때, 사용자의 실제 호흡이 호흡 동조 사운드의 특성 주파수(720)와 유사하게 유도되고, 사용자의 실제 호흡의 주파수가 호흡 동조 사운드에 따라 작아졌음을 나타낸다.

전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 상기 컴퓨터는 단말기의 프로세서(180)를 포함할 수도 있다.

Claims

음향을 출력하는 음향 출력부;
사용자의 호흡 신호를 획득하는 센싱부; 및
상기 호흡 신호에 기초하여 상기 사용자의 호흡 주파수를 획득하고, 상기 호흡 주파수에 기초하여 호흡 동조 사운드의 특성 주파수를 결정하고, 상기 특성 주파수에 따라 상기 호흡 동조 사운드를 출력하는 프로세서;를 포함하고,
상기 특성 주파수는,
상기 호흡 동조 사운드의 크기 및 주파수 중 적어도 하나의 싸이클이 단위 시간 동안 반복되는 횟수인
수면 유도 장치.
제 1항에 있어서,
상기 특성 주파수는,
상기 호흡 주파수보다 작은
수면 유도 장치.
제 2항에 있어서,
상기 프로세서는,
상기 특성 주파수와 상기 호흡 주파수의 차가 기 설정된 값을 유지하도록 상기 특성 주파수를 결정하는
수면 유도 장치.
제 1항에 있어서,
상기 프로세서는,
제1 주파수에 따라 상기 호흡 동조 사운드를 출력하고,
상기 호흡 주파수에 기초하여 상기 호흡 동조 사운드의 특성 주파수를 상기 제1 주파수로부터 상기 제1 주파수보다 더 작은 제2 주파수로 변경하고 상기 제2 주파수에 따라 상기 호흡 동조 사운드를 출력하는
수면 유도 장치.
제 4항에 있어서,
상기 프로세서는,
상기 제1 주파수에 따라 상기 호흡 동조 사운드가 출력되는 동안 획득되는 상기 호흡 주파수에 기초하여, 상기 특성 주파수를 상기 제1 주파수로부터 상기 제2 주파수로 변경하는 시점을 결정하는
수면 유도 장치.
제 5항에 있어서,
상기 프로세서는,
상기 제1 주파수에 따라 상기 호흡 동조 사운드를 출력하고, 상기 사용자의 호흡 주파수와 상기 제1 주파수의 차가 일정 크기 이내로 작아지면, 상기 제2 주파수에 따라 상기 호흡 동조 사운드를 출력하는
수면 유도 장치.
제 5항에 있어서,
상기 프로세서는,
상기 제1 주파수에 따라 상기 호흡 동조 사운드를 출력하고 상기 사용자의 호흡 주파수가 작아져상기 제1 주파수와 동일해지면, 상기 제2 주파수에 따라 상기 호흡 동조 사운드를 출력하는
수면 유도 장치.
제 4항에 있어서,
상기 프로세서는,
상기 제1 주파수에 따라 상기 호흡 동조 사운드를 출력하고 기 설정된 시간이 경과하면, 상기 제2 주파수에 따라 상기 호흡 동조 사운드를 출력하는
수면 유도 장치.
제 1항에 있어서,
상기 프로세서는,
상기 사용자의 호흡 주파수를 환경(environment)으로써 강화 학습 모델에 제공하고, 상기 강화 학습 모델이 추천하는 ‘상기 특성 주파수를 변경하는 시점 및 상기 특성 주파수의 변경 량 중 적어도 하나’에 기초하여 상기 호흡 동조 사운드를 출력하고, 상기 사용자의 반응을 이용하여 상기 강화 학습 모델을 트레이닝 하는
수면 유도 장치.
제 9항에 있어서,
상기 사용자의 반응은,
상기 사용자의 호흡 주파수의 변경, 상기 사용자의 움직임 및 상기 사용자가 수면 상태에 진입하기까지의 소요 시간 중 적어도 하나를 포함하는
수면 유도 장치.
제 1항에 있어서,
상기 특성 주파수의 최소값은,
상기 사용자의 수면 중 호흡 주파수인
수면 유도 장치.
제 1항에 있어서,
상기 프로세서는,
환경 정보에 기초하여 상기 호흡 동조 사운드의 최대 크기를 조절하는
수면 유도 장치.
제 1항에 있어서,
상기 프로세서는,
상기 사용자의 호흡 주파수 및 환경 정보가 환경(environment)으로써 강화 학습 모델에 제공하고, 상기 강화 학습 모델이 추천하는 ‘상기 특성 주파수를 변경하는 시점, 상기 특성 주파수의 변경 량, 상기 호흡 동조 사운드의 최대 크기 및 상기 호흡 동조 사운드의 종류 중 적어도 하나’에 기초하여 상기 호흡 동조 사운드를 출력하고, 사용자의 반응을 이용하여 상기 강화 학습 모델을 트레이닝 하는
수면 유도 장치.
제 1항에 있어서,
상기 호흡 동조 사운드는,
노이즈 마스킹 사운드에 호흡 유도 신호를 결합한 사운드이고,
상기 특성 주파수는,
상기 호흡 유도 신호의 주파수인
수면 유도 장치.
사용자의 호흡 신호를 획득하는 단계;
상기 호흡 신호에 기초하여 상기 사용자의 호흡 주파수를 획득하는 단계;
상기 호흡 주파수에 기초하여 호흡 동조 사운드의 특성 주파수를 결정하는 단계; 및
상기 특성 주파수에 따라 상기 호흡 동조 사운드를 출력하는 단계를 포함하고,
상기 특성 주파수는,
상기 호흡 동조 사운드의 크기 및 주파수 중 적어도 하나의 싸이클이 단위 시간 동안 반복되는 횟수인
수면 유도 장치의 동작 방법.