KR20210137817A - 수면 환경 조절 장치 - Google Patents

수면 환경 조절 장치 Download PDF

Info

Publication number
KR20210137817A
KR20210137817A KR1020200056129A KR20200056129A KR20210137817A KR 20210137817 A KR20210137817 A KR 20210137817A KR 1020200056129 A KR1020200056129 A KR 1020200056129A KR 20200056129 A KR20200056129 A KR 20200056129A KR 20210137817 A KR20210137817 A KR 20210137817A
Authority
KR
South Korea
Prior art keywords
information
environment
user
expected
processor
Prior art date
Application number
KR1020200056129A
Other languages
English (en)
Inventor
이상은
이정우
이상준
Original Assignee
(주)아이씨비에스
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 (주)아이씨비에스 filed Critical (주)아이씨비에스
Priority to KR1020200056129A priority Critical patent/KR20210137817A/ko
Priority to PCT/KR2021/005713 priority patent/WO2021230573A1/ko
Publication of KR20210137817A publication Critical patent/KR20210137817A/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
    • A61M21/02—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis for inducing sleep or relaxation, e.g. by direct nerve stimulation, hypnosis, analgesia
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47C—CHAIRS; SOFAS; BEDS
    • A47C21/00—Attachments for beds, e.g. sheet holders, bed-cover holders; Ventilating, cooling or heating means in connection with bedsteads or mattresses
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47C—CHAIRS; SOFAS; BEDS
    • A47C21/00—Attachments for beds, e.g. sheet holders, bed-cover holders; Ventilating, cooling or heating means in connection with bedsteads or mattresses
    • A47C21/006—Oscillating, balancing or vibrating mechanisms connected to the bedstead
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47C—CHAIRS; SOFAS; BEDS
    • A47C21/00—Attachments for beds, e.g. sheet holders, bed-cover holders; Ventilating, cooling or heating means in connection with bedsteads or mattresses
    • A47C21/04—Devices for ventilating, cooling or heating
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47C—CHAIRS; SOFAS; BEDS
    • A47C31/00—Details or accessories for chairs, beds, or the like, not provided for in other groups of this subclass, e.g. upholstery fasteners, mattress protectors, stretching devices for mattress nets
    • A47C31/12—Means, e.g. measuring means for adapting chairs, beds or mattresses to the shape or weight of persons
    • A—HUMAN NECESSITIES
    • A47—FURNITURE; DOMESTIC ARTICLES OR APPLIANCES; COFFEE MILLS; SPICE MILLS; SUCTION CLEANERS IN GENERAL
    • A47C—CHAIRS; SOFAS; BEDS
    • A47C31/00—Details or accessories for chairs, beds, or the like, not provided for in other groups of this subclass, e.g. upholstery fasteners, mattress protectors, stretching devices for mattress nets
    • A47C31/12—Means, e.g. measuring means for adapting chairs, beds or mattresses to the shape or weight of persons
    • A47C31/123—Means, e.g. measuring means for adapting chairs, beds or mattresses to the shape or weight of persons for beds or mattresses
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
    • A61M2021/0005—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus
    • A61M2021/0066—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus with heating or cooling
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2205/00—General characteristics of the apparatus
    • A61M2205/35—Communication
    • A61M2205/3576—Communication with non implanted data transmission devices, e.g. using external transmitter or receiver
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2230/00—Measuring parameters of the user
    • A61M2230/63—Motion, e.g. physical activity

Landscapes

  • Health & Medical Sciences (AREA)
  • Anesthesiology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Hematology (AREA)
  • Acoustics & Sound (AREA)
  • Psychology (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Veterinary Medicine (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Pain & Pain Management (AREA)
  • Air Conditioning Control Device (AREA)

Abstract

본 개시의 일 실시예에 따라, 수면 환경 조절 장치가 개시된다. 상기 수면 환경 조절 장치는, 사용자가 위치할 수 있는 메인 바디, 프로세서의 제어 신호에 기초하여 상기 메인 바디의 환경 조정 동작을 수행하는 동작부, 하나 이상의 코어를 포함하는 프로세서 및 상기 프로세서에서 실행가능한 프로그램 코드들을 저장하는 메모리를 포함하고, 그리고 상기 프로세서는, 실내 환경 정보에 기초하여 예상 평균 온열감 정보(Predicted Mean Vote)를 산출하고, 상기 사용자의 사용자 기본 정보에 기초하여 상기 예상 평균 온열감 정보를 조정하고, 상기 조정된 예상 평균 온열감 정보에 기초하여 예상 불만족도 정보(Predicted Percentage of Dissatisfied)를 산출하고, 그리고 상기 조정된 예상 평균 온열감 정보 및 상기 예상 불만족도 정보에 기초하여 상기 동작부의 수면 환경 조정 동작을 제어할 수 있다.

Description

수면 환경 조절 장치{SLEEP ENVIRONMENT CONTROL DEVICE}
본 개시는 수면 환경 조절 장치에 관한 것으로, 수면 환경에서 획득된 사용자의 정보에 기반하여 사용자에게 최적의 수면 환경을 제공하는 장치에 관한 것이다.
최근 삶의 질이 향상되고 건강에 대한 관심이 급속히 진행됨에 따라 수면에 대한 관심이 증가하고 있다. 건강을 유지하고 개선시키는 방법에는 운동, 식이요법 등 다양한 방법이 있지만, 하루 중 약 30%의 시간을 차지하는 수면을 잘 관리하는 것이 무엇보다 중요하다. 하지만, 현대인들은 스트레스로 인해 숙면을 취하지 못하고 불면증, 과다수면, 기면증 및 수면무호흡증 등의 수면 이상과 악몽, 야경증 및 몽유병 등의 수면 장애로 고통받고 있다.
이러한 수면 이상과 수면 장애를 극복하기 위해 사용자가 수면을 취할 시 사용자의 생체 신호 측정하고, 측정 정보를 통해 사용자의 수면 상태를 모니터링하고 모니터링한 정보를 분석하여 수면 효율을 높이려는 기술들이 존재한다. 하지만, 종래의 기술들은 각기 다른 사용자 개개인마다 수면 패턴이 다르고, 수면환경에 영향을 받는 정도가 달라 높은 수면 환경을 제공하기 위한 방법에 한계가 있다. 이에 따라, 당 업계에서 사용자 개개인의 실시간 수면 환경 각각에 대응하여 수면 효율을 증진시킬 수 있는 수면 관리 솔루션에 대한 수요가 존재할 수 있다.
KR 10-0791371
본 개시는 전술한 배경기술에 대응하여 안출된 것으로, 수면 환경에서 획득된 사용자의 정보에 기반하여 최적의 수면 환경을 제공하기 위한 수면 환경 조절 장치를 제공하기 위한 것이다.
전술한 바와 같은 과제를 실현하기 위한 본 개시의 일 실시예에 따라 수면 환경 조절 장치가 개시된다. 상기 수면 환경 조절 장치는, 사용자가 위치할 수 있는 메인 바디, 프로세서의 제어 신호에 기초하여 상기 메인 바디의 환경 조정 동작을 수행하는 동작부, 하나 이상의 코어를 포함하는 프로세서 및 상기 프로세서에서 실행가능한 프로그램 코드들을 저장하는 메모리를 포함하고, 그리고 상기 프로세서는, 실내 환경 정보에 기초하여 예상 평균 온열감 정보(Predicted Mean Vote)를 산출하고, 상기 사용자의 사용자 기본 정보에 기초하여 상기 예상 평균 온열감 정보를 조정하고, 상기 조정된 예상 평균 온열감 정보에 기초하여 예상 불만족도 정보(Predicted Percentage of Dissatisfied)를 산출하고, 그리고 상기 조정된 예상 평균 온열감 정보 및 상기 예상 불만족도 정보에 기초하여 상기 동작부의 수면 환경 조정 동작을 제어할 수 있다.
대안적으로, 상기 실내 환경 정보는, 실내 온도, 실내 습도, 기류 속도, 평균 복사 온도, 상기 사용자의 활동량 또는 상기 사용자의 착의량 중 적어도 하나에 관한 정보를 포함하고, 상기 수면 환경 조절 장치는, 상기 실내 환경 정보를 획득하기 위한 환경 측정부를 더 포함할 수 있다.
대안적으로, 상기 환경 측정부는, 상기 실내 온도를 측정하기 위한 온도 센서 모듈, 상기 실내 습도를 측정하기 위한 습도 센서 모듈, 상기 기류 속도를 측정하기 위한 기류 속도 센서 모듈 및 상기 평균 복사 온도를 측정하기 위한 복사 온도 센서 모듈을 포함할 수 있다.
대안적으로, 상기 사용자 기본 정보, 상기 사용자의 활동량 및 착의량에 관련한 정보를 획득하기 위한 사용자의 입력을 수신하는 입력부를 더 포함할 수 있다.
대안적으로, 상기 사용자 기본 정보는, 상기 사용자의 키, 몸무게, 나이, 성별, 체질량 지수 또는 온도 변화 민감도에 관한 정보 중 적어도 하나를 포함하며, 상기 예상 평균 온열감 정보를 조정하기 위한 기준이 될 수 있다.
대안적으로, 상기 프로세서는, 상기 사용자 기본 정보에 포함된 사용자의 나이, 성별, 체질량 지수 또는 온도 변화 민감도 중 적어도 하나에 기초하여 상기 예상 평균 온열감 정보를 조정할 수 있다.
대안적으로, 상기 동작부는, 상기 메인 바디에 구비되며, 상기 사용자의 수면 환경을 조정하기 위하여 상기 메인 바디에 냉풍 또는 열풍을 공급할 수 있다.
대안적으로, 상기 프로세서는, 상기 조정된 예상 평균 온열감 정보 및 예상 불만족도 정보와 사전 결정된 쾌적 환경 기준 정보의 비교에 기초하여 상기 동작부의 환경 조정 동작을 제어할 수 있다.
대안적으로, 상기 사전 결정된 쾌적 환경 기준 정보는, 최적의 수면 환경을 결정하기 위한 기준이 되는 정보로 사전 결정된 범위를 가지며, 상기 조정된 예상 평균 온열감 정보에 기준이 되는 예상 평균 온열감 기준 정보 및 상기 예상 불만족도 정보에 기준이 되는 예상 불만족도 기준 정보를 포함할 수 있다.
대안적으로, 상기 프로세서는, 상기 조정된 예상 평균 온열감 정보가 상기 예상 평균 온열감 기준 정보의 사전 결정된 범위를 벗어나는 경우, 상기 조정된 예상 평균 온열감 정보가 상기 예상 평균 온열감 기준 정보의 사전 결정된 범위 이내에 위치하도록 상기 동작부의 환경 조정 동작을 제어하거나, 또는 상기 예상 불만족도 정보가 상기 예상 불만족도 기준 정보의 사전 결정된 범위를 벗어나는 경우, 상기 예상 불만족도 정보가 상기 예상 불만족도 기준 정보의 사전 결정된 범위 이내에 위치하도록 상기 동작부의 환경 조정 동작을 제어할 수 있다.
대안적으로, 상기 프로세서는, 상기 실내 환경 정보에 기초하여 산출된 조정된 평균 예상 온열감 정보 및 예상 불만족도 정보에 대응하여 상기 동작부에서 수행 가능한 하나 이상의 환경 조정 동작들 중 최적의 동작을 결정하기 위한 동작 결정 알고리즘을 포함할 수 있다.
대안적으로, 상기 프로세서는, 상기 사용자의 환경 조정 피드백 정보를 수신하고, 상기 수신한 환경 조정 피드백 정보에 적어도 부분적으로 기초하여 상기 동작 결정 알고리즘을 업데이트할 수 있다.
대안적으로, 상기 실내 환경 정보는, 제 1 시점에 획득되는 현재 실내 환경 정보 및 상기 제 1 시점에서의 사용자의 수면 환경에 대응하여 상기 동작부의 환경 조정 동작이 수행된 이후 시점인 제 2 시점에 획득되는 동작 후 실내 환경 정보를 포함하며, 상기 프로세서는, 상기 동작 후 실내 환경 정보에 기초하여 산출된 조정된 평균 예상 온열감 정보 및 예상 불만족도 정보에 기초하여 상기 환경 조정 동작의 적정성 여부를 판단할 수 있다.
대안적으로, 상기 프로세서는, 상기 환경 조정 동작이 적정하다고 판단한 경우, 상기 현재 실내 환경 정보에 기초하여 상기 환경 조정 동작을 결정할 확률이 증가하도록 동작 결정 알고리즘을 업데이트하거나, 또는 상기 환경 조정 동작이 적정하지 않다고 판단한 경우, 상기 현재 실내 환경 정보에 기초하여 상기 환경 조정 동작을 결정한 확률이 감소하도록 동작 결정 알고리즘을 업데이트 할 수 있다.
본 개시의 다른 실시예에서 컴퓨팅 장치의 프로세서에서 수행되는 수면 환경을 조절하는 방법이 개시된다. 상기 방법은, 상기 컴퓨팅 장치의 프로세서가 실내 환경 정보에 기초하여 예상 평균 온열감 정보를 산출하는 단계, 상기 프로세서가 사용자의 사용자 기본 정보에 기초하여 상기 예상 평균 온열감 정보를 조정하는 단계, 상기 프로세서가 상기 조정된 예상 평균 온열감 정보에 기초하여 예상 불만족도 정보를 산출하는 단계 및 상기 프로세서가 상기 조정된 예상 평균 온열감 정보 및 예상 불만족도 정보에 기초하여 동작부의 수면 환경 조정 동작을 제어하는 단계를 포함할 수 있다.
본 개시의 또 다른 실시예에서 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램이 개시된다. 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 상기 하나 이상의 프로세서들로 하여금 수면 환경을 조절하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은: 실내 환경 정보에 기초하여 예상 평균 온열감 정보를 산출하는 동작, 사용자의 사용자 기본 정보에 기초하여 상기 예상 평균 온열감 정보를 조정하는 동작, 상기 조정된 예상 평균 온열감 정보에 기초하여 예상 불만족도 정보를 산출하는 동작 및 상기 조정된 예상 평균 온열감 정보 및 예상 불만족도 정보에 기초하여 동작부의 수면 환경 조정 동작을 제어하는 동작을 포함할 수 있다.
본 개시는 수면 환경에서 획득한 사용자의 정보에 기반하여 사용자에게 최적의 수면 환경을 제공하는 수면 환경 조절 장치를 제공할 수 있다.
다양한 양상들이 이제 도면들을 참조로 기재되며, 여기서 유사한 참조 번호들은 총괄적으로 유사한 구성요소들을 지칭하는데 이용된다. 이하의 실시예에서, 설명 목적을 위해, 다수의 특정 세부사항들이 하나 이상의 양상들의 총체적 이해를 제공하기 위해 제시된다. 그러나, 그러한 양상(들)이 이러한 구체적인 세부사항들 없이 실시될 수 있음은 명백할 것이다.
도 1은 본 개시의 일 실시예와 관련된 수면 환경 조절 장치의 블록 구성도를 도시한다.
도 2는 본 개시의 일 실시예와 관련된 수면 환경 조절 장치의 예시도를 도시한다.
도 3은 본 개시의 일 실시예와 관련된 동작 결정 알고리즘을 구성하는 인공 신경망의 예시도를 도시한다.
도 4는 본 개시의 일 실시예와 관련된 수면 환경 조절 방법에 대한 순서도를 도시한다.
도 5는 본 개시의 일 실시예와 관련된 수면 환경 조절 방법을 구현하기 위한 로직을 도시한다.
도 6은 본 개시의 일 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.
다양한 실시예들이 이제 도면을 참조하여 설명된다. 본 명세서에서, 다양한 설명들이 본 개시의 이해를 제공하기 위해서 제시된다. 그러나, 이러한 실시예들은 이러한 구체적인 설명 없이도 실행될 수 있음이 명백하다.
본 명세서에서 사용되는 용어 "컴포넌트", "모듈", "시스템" 등은 컴퓨터-관련 엔티티, 하드웨어, 펌웨어, 소프트웨어, 소프트웨어 및 하드웨어의 조합, 또는 소프트웨어의 실행을 지칭한다. 예를 들어, 컴포넌트는 프로세서상에서 실행되는 처리과정(procedure), 프로세서, 객체, 실행 스레드, 프로그램, 및/또는 컴퓨터일 수 있지만, 이들로 제한되는 것은 아니다. 예를 들어, 컴퓨팅 장치에서 실행되는 애플리케이션 및 컴퓨팅 장치 모두 컴포넌트일 수 있다. 하나 이상의 컴포넌트는 프로세서 및/또는 실행 스레드 내에 상주할 수 있다. 일 컴포넌트는 하나의 컴퓨터 내에 로컬화 될 수 있다. 일 컴포넌트는 2개 이상의 컴퓨터들 사이에 분배될 수 있다. 또한, 이러한 컴포넌트들은 그 내부에 저장된 다양한 데이터 구조들을 갖는 다양한 컴퓨터 판독가능한 매체로부터 실행할 수 있다. 컴포넌트들은 예를 들어 하나 이상의 데이터 패킷들을 갖는 신호(예를 들면, 로컬 시스템, 분산 시스템에서 다른 컴포넌트와 상호작용하는 하나의 컴포넌트로부터의 데이터 및/또는 신호를 통해 다른 시스템과 인터넷과 같은 네트워크를 통해 전송되는 데이터)에 따라 로컬 및/또는 원격 처리들을 통해 통신할 수 있다.
더불어, 용어 "또는"은 배타적 "또는"이 아니라 내포적 "또는"을 의미하는 것으로 의도된다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 명세서에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
또한, "포함한다" 및/또는 "포함하는"이라는 용어는, 해당 특징 및/또는 구성요소가 존재함을 의미하는 것으로 이해되어야 한다. 다만, "포함한다" 및/또는 "포함하는"이라는 용어는, 하나 이상의 다른 특징, 구성요소 및/또는 이들의 그룹의 존재 또는 추가를 배제하지 않는 것으로 이해되어야 한다. 또한, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우에, 본 명세서와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.
당업자들은 추가적으로 여기서 개시된 실시예들과 관련되어 설명된 다양한 예시 적 논리적 블록들, 구성들, 모듈들, 회로들, 수단들, 로직들, 및 알고리즘 단계들이 전자 하드웨어, 컴퓨터 소프트웨어, 또는 양쪽 모두의 조합들로 구현될 수 있음을 인식해야 한다. 하드웨어 및 소프트웨어의 상호교환성을 명백하게 예시하기 위해, 다양한 예시 적 컴포넌트들, 블록들, 구성들, 수단들, 로직들, 모듈들, 회로들, 및 단계들은 그들의 기능성 측면에서 일반적으로 위에서 설명되었다. 그러한 기능성이 하드웨어로 또는 소프트웨어로서 구현되는지 여부는 전반적인 시스템에 부과된 특정 어플리케이션(application) 및 설계 제한들에 달려 있다. 숙련된 기술자들은 각각의 특정 어플리케이션들을 위해 다양한 방법들로 설명된 기능성을 구현할 수 있다. 다만, 그러한 구현의 결정들이 본 개시내용의 영역을 벗어나게 하는 것으로 해석되어서는 안된다.
도 1은 본 개시의 일 실시예와 관련된 수면 환경 조절 장치(100)의 블록 구성도를 도시한다.
도 1에 도시된 바와 같이, 수면 환경 조절 장치(100)는 메인 바디(110), 동작부(120), 환경 측정부(130), 입력부(140), 메모리(150), 네트워크부(160) 및 프로세서(170)를 포함할 수 있다. 전술한 컴포넌트들은 예시적인 것으로서, 본 개시내용의 권리범위가 전술한 컴포넌트들로 제한되지 않는다. 즉, 본 개시의 실시예들에 대한 구현 양태에 따라서 추가적인 컴포넌트들이 포함되거나 또는 전술한 컴포넌트들 중 일부가 생략될 수 있다.
본 개시의 일 실시예에 따르면, 수면 환경 조절 장치(100)는 사용자가 수면을 취할 수 있는 임의의 형태의 장치로 구성될 수 있으며, 예를 들어, 침대, 돌침대, 흙침대, 전기 매트, 온수 매트 및 냉수 매트 등의 형태일 수 있다. 전술한 수면 환경 조절 장치의 구체적인 형태에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따르면, 수면 환경 조절 장치(100)는 사용자가 위치할 수 있는 메인 바디(110)를 포함할 수 있다. 메인 바디(110)는 사용자의 신체가 위치하고, 사용자의 신체와 실질적으로 접촉하며 사용자의 신체를 지지하여 수면 장소를 제공하는 부재로서, 사용자의 안락함을 느끼며 눕거나 기댈 수 있는 임의의 구성을 포함할 수 있다. 메인 바디(110)는 예를 들어, 침대 매트리스, 토퍼, 패드, 라텍스, 메모리 폼, 장판 및 이불 등 침구류 중 하나일 수 있으나 이에 제한되지 않는다. 메인 바디(110)는 내부에 하나 이상의 내측 통로를 구비할 수 있다. 내측 통로는 동작부(120)로부터 공급된 열풍 또는 냉풍이 이동하는 공간일 수 있다. 메인 바디(110)의 내부에 구비되는 하나 이상의 내측 통로는 사용자가 위치하는 메인 바디(110)의 상부면으로 열풍 또는 냉풍을 전달할 수 있다. 즉, 메인 바디(110)는 동작부(120)로부터 공급받은 풍향을 내측 통로를 통해 메인 바디(110)의 상부 방향에 위치한 사용자에게 전달함으로써, 사용자의 수면 환경을 조정할 수 있다.
본 개시의 일 실시예에 따르면, 수면 환경 조절 장치(100)는 메인 바디(110)의 환경 조정 동작을 수행하는 동작부(120)를 포함할 수 있다. 도 2에 도시된 바와 같이, 동작부(120)는 메인 바디(110)의 적어도 일부에 구비되어 메인 바디(110)에 온도, 풍향 및 습도 중 적어도 하나를 조절할 수 있다. 동작부(120)는 메인 바디(110)의 적어도 일부에 구비되어 메인 바디(110)에 위치한 하나 이상의 내측 통로로 열풍 또는 냉풍을 제공함으로써, 메인 바디(110)의 풍향 또는 온도를 조절할 수 있다. 또한, 동작부(120)는 메인 바디(110)에 습도를 제어하도록 제습 동작 및 가습 동작 중 적어도 하나의 동작을 수행할 수 있다. 따라서, 동작부(120)는 온도, 풍향 및 습도를 조절하여 수면 시, 메인 바디(110)에 위치하는 사용자의 수면 환경을 조정할 수 있다.
본 개시의 일 실시예에 따르면, 동작부(120)는 냉풍기, 온풍기, 가습기 및 제습기 중 적어도 하나를 포함하여 구성될 수 있다. 동작부(120)는 냉풍기 또는 온풍기로 구비됨에 따라 메인 바디(110)로 특정의 온도를 가지는 풍향을 제공할 수 있다. 이 경우, 동작부(120)가 제공하는 풍향의 온도 및 세기는 프로세서(170)로부터 수신하는 제어 신호에 기반한 것일 수 있다. 또한, 동작부(120)는 전기 또는 온수 등을 이용하여 메인 바디(110)의 온도를 제어하는 장치로 예를 들어, 동작부(120)는 전기 매트, 온수 매트 및 냉수 매트 등을 포함할 수 있다. 전기 매트의 경우, 매트리스 상부의 적어도 일 면에 전기가 통전함으로써 열을 생성하도록 발열선을 갖는 발열천을 포함할 수 있다. 온도 매트 또는 냉수 매트의 경우, 온수 또는 냉수가 순환하도록 소정의 온수 또는 냉수 순환 장치를 가짐으로써 수면 환경의 온도 변화를 제공할 수 있다. 즉, 동작부(120)는 온도, 풍향 및 습도를 제어하여 사용자의 수면에 적합한 환경을 제공하는 다양한 장치를 포함하여 구성될 수 있다. 일 실시예에서, 동작부(120)는 실내 전체 영역이 아닌, 사용자가 수면을 위해 접촉하는 침상 영역에 대한 환경 조정 동작을 수행함으로써 비교적 적은 전력으로 사용자에게 적합한 수면 환경을 제공할 수 있다. 즉, 수면 환경에 대한 효율적인 환경 조정 동작이 가능해질 수 있다. 전술한 동작부에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따르면, 동작부(120)의 환경 조정 동작은 프로세서(170)로부터 수신한 제어 신호에 기초한 것일 수 있다. 구체적으로, 동작부(120)는 프로세서(170)로부터 제어 신호를 수신할 수 있다. 제어 신호는 사용자가 위치한 실내 환경으로부터 측정된 정보들에 기초하여 프로세서(170)가 결정한 동작에 관련한 신호일 수 있다. 또한, 제어 신호는 입력부(140)를 통한 사용자의 입력에 기초하여 생성된 신호일 수도 있다.
즉, 동작부(120)는 사용자가 위치한 실내 환경에 기반하여 프로세서(170)가 결정하거나 또는 동작부(120)를 구동시키기 위한 사용자의 입력에 기반하여 결정된 제어 신호에 기초하여 메인 바디(110)에 대한 수면 환경 조정 동작을 수행할 수 있다.
본 개시의 일 실시예에 따르면, 수면 환경 조절 장치(100)는 실내 환경 정보를 획득하기 위한 환경 측정부(130)를 포함할 수 있다. 환경 측정부(130)는 수면 환경 조절 장치(100)의 메인 바디(110) 일부에 구비되거나, 또는 해당 수면 환경 조절 장치(100)가 위치하는 실내의 일 공간에 구비되어 사용자의 수면 환경에 관련한 실내 환경 정보를 획득할 수 있다. 실내 환경 정보는, 평균 예상 온열감 정보(Predicted Mean Vote, PMV)의 산출에 기반이 되는 정보로, 실내 온도, 실내 습도, 기류 속도, 평균 복사 온도, 사용자의 활동량 및 사용자의 착의량에 관한 정보를 포함할 수 있다. 환경 측정부(130)는 실내 환경 정보 중 적어도 일부를 획득할 수 있다. 구체적으로, 환경 측정부(130)는 실내 환경 정보 중 실내 온도, 실내 습도, 기류 속도 및 평균 복사 온도에 대한 정보를 획득할 수 있다. 이에 따라, 환경 측정부(130)는 실내 온도를 획득하기 위한 온도 센서 모듈, 실내 습도를 측정하기 위한 습도 센서 모듈, 기류 속도를 측정하기 위한 기류 속도 센서 모듈 및 평균 복사 온도를 측정하기 위한 복사 온도 센서 모듈을 포함할 수 있다.
즉, 환경 측정부(130)는 하나 이상의 모듈을 포함하여 구비됨에 따라, 사용자의 수면 환경에 관련한 실내 환경 정보를 획득할 수 있다.
본 개시의 일 실시예에 따르면, 수면 환경 조절 장치(100)는 사용자의 입력을 수신하는 입력부(140)를 포함할 수 있다. 입력부(140)는 메인 바디(110)의 적어도 일부에 구비되며, 입력 버튼, 터치 스크린, 또는 이들의 조합으로 구성할 수 있다. 입력부(140)는 사용자의 정보를 입력 받을 수 있다. 예를 들어, 입력부(140)는 사용자로부터 수면 패턴에 관한 정보, 취침 시간 및 기상 시간 중 적어도 하나를 입력 받을 수 있다. 상기 입력부(140)를 통해 입력 받는 정보는 예시일 뿐, 본 개시는 이에 한정되지 않는다.
또한, 입력부(140)는 수면 환경 조절 장치(100)에 입력 버튼 형태 및 터치스크린 형태로 구비될 수 있다. 상기 입력부(140)가 구비되는 위치는 사용자가 용이하게 사용자 정보를 입력할 수 있는 수면 환경 조절 장치(100)의 일 측면일 수 있으며, 본 개시는 이에 제한되지 않는다.
또한, 입력부(140)는 사용자 기본 정보, 사용자의 활동량 및 착의량에 관련한 정보를 획득하기 위한 사용자의 입력을 수신할 수 있다. 사용자 기본 정보는, 예상 평균 온열감 정보를 조정하기 위한 기준이 되는 정보로, 사용자의 키, 몸무게, 나이, 성별, 체질량 지수 또는 온도 변화 민감도에 관한 정보 중 적어도 하나를 포함할 수 있다. 이 경우, 온도 변화 민감도는 고온 또는 저온 환경에서의 사용자의 민감도에 대한 정보일 수 있다.
예를 들어, 사용자 기본 정보는, 사용자의 키가 175cm라는 정보, 몸무게가 73kg이라는 정보, 나이가 32세라는 정보, 성별이 남자라는 정보, 체질량 지수가 22.83 kg/m2라는 정보 및 저온에서 온도 변화에 대한 민감도가 높다(즉, 추위를 많이 탐)는 정보를 포함할 수 있다. 전술한 사용자 기본 정보에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
사용자의 활동량에 관한 정보는, 실내 공간에서의 사용자의 활동에 대응하는 활동량에 대한 정보일 수 있다. 이러한 사용자의 활동량에 대한 정보는, 하나 이상의 활동 각각에 사전 맵핑된 활동량을 기반으로 획득되는 변수일 수 있다.
구체적인 예를 들어, 사용자는 입력부(140)를 통해 실내 공간에서의 활동이 청소와 관련한다는 정보를 입력할 수 있으며, 해당 입력에 따라 사용자의 활동량에 관한 정보가 2.4(즉, 청소에 사전 맵핑된 활동량)임을 획득할 수 있다.
다른 예를 들어, 사용자는 입력부(140)를 통해 실내 공간에서의 수면에 관련한다는 정보를 입력할 수 있으며, 해당 입력에 따라 사용자의 활동량에 관한 정보가 0.7(즉, 수면에 사전 맵핑된 활동량)임을 획득할 수 있다. 전술한 사용자의 활동량에 관련한 구체적인 수치적 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 다른 실시예에 따르면, 수면 환경 조절 장치(100)가 사용자가 위치한 실내 환경에 대응하여 수행하는 환경 조정 동작은 사용자의 수면 상태에 관련한 것이므로, 입력부(140)를 통한 별도의 사용자의 입력이 없는 경우, 사용자의 활동량에 관한 정보는 수면에 관련한 활동량인 0.7로 고정되어 획득될 수 있다. 전술한 사용자의 활동량에 관한 정보의 구체적인 수치적 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
사용자의 착의량에 관한 정보는, 실내 공간에서 사용자가 착용한 의복에 따른 보온 정도에 관련한 정보일 수 있다. 이러한 사용자의 착의량에 관한 정보는, 하나 이상의 외복 각각에 사전 맵핑된 단열 계수를 기반으로 획득되는 변수일 수 있다.
구체적인 예를 들어, 사용자는 입력부(140)를 통해 실내 공간에서 사용자가 긴소매 셔츠를 착용하고 있다는 정보를 입력할 수 있으며, 해당 입력에 따라 사용자의 착의량에 관한 정보가 0.35(즉, 긴소매 셔츠에 사전 맵핑된 착의량)임을 획득할 수 있다.
다른 예를 들어, 사용자는 입력부(140)를 통해 실내 공간에서 사용자가 얇은 블라우스를 착용하고 있다는 정보를 입력할 수 있으며, 해당 입력에 따라 사용자의 착의량에 관한 정보가 0.2(즉, 블라우스에 사전 맵칭된 착의량)임을 획득할 수 있다.
또 다른 예를 들어, 사용자는 입력부(140)를 통해 실내 공간에서 사용자가 긴 속바지와 T셔츠를 착용하고 있다는 정보를 입력할 수 있으며, 해당 입력에 따라 사용자의 착의량에 관한 정보가 0.44(속바지에 사전 맵핑된 착의량 0.35와 T 셔츠에 사전 맵핑된 착의량 0.09의 합산)임을 획득할 수 있다. 전술한 사용자의 착의량에 관한 정보의 구체적인 수치적 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
즉, 입력부(140)는 실내 공간에서의 사용자가 착용한 의복에 관련한 선택 입력을 수신함으로써, 사용자의 착의량에 관련한 정보를 획득할 수 있다.
본 개시의 일 실시예에 따르면, 수면 환경 조절 장치(100)는 사용자 단말 및 서버와 데이터를 송수신하는 네트워크부(160)를 포함할 수 있다. 즉, 네트워크부(160)는 수면 환경 조절 장치(100)와 사용자 단말 및 서버 간의 통신 기능을 제공할 수 있다. 추가적으로, 네트워크부(160)는 수면 환경 조절 장치(100)로 프로시저를 호출하는 방식으로 수면 환경 조절 장치(100)와 사용자 단말 및 서버 간의 정보 전달을 허용할 수 있다.
본 개시의 일 실시예에 따르면, 네트워크부(160)는 사용자 단말 및 서버에 정보를 전달할 수 있고, 그리고 수신할 수 있다. 보다 구체적으로, 네트워크부(160)는 네트워크 접속을 위한 유/무선 인터넷 모듈을 포함할 수 있다. 무선 인터넷 기술로는 WLAN(Wireless LAN)(Wi-Fi), Wibro(Wireless broadband), Wimax(World Interoperability for Microwave Access), HSDPA(High Speed Downlink Packet Access) 등이 이용될 수 있다. 유선 인터넷 기술로는 XDSL(Digital Subscriber Line), FTTH(Fibers to the home), PLC(Power Line Communication) 등이 이용될 수 있다.
또한, 네트워크부(160)는 근거리 통신 모듈을 포함하여, 사용자 단말 및 관리자 단말과 비교적 근거리에 위치하고 근거리 통신 모듈을 포함한 전자 장치와 데이터를 송수신할 수 있다. 근거리 통신(short range communication) 기술로 블루투스(Bluetooth), RFID(Radio Frequency Identification), 적외선 통신(IrDA, infrared Data Association), UWB(Ultra Wideband), ZigBee 등이 이용될 수 있다.
본 개시의 일 실시예에 따르면, 메모리(150)는 프로세서(170)가 생성하거나 결정한 임의의 형태의 정보, 환경 측정부(130)가 획득한 임의의 형태의 정보 및 네트워크부(160)가 수신한 임의의 형태의 정보를 저장할 수 있다. 또한, 메모리(150)는 프로세서(170)에서 실행가능한 프로그램 코드 및 사용자 데이터를 저장할 수 있다. 예를 들어, 메모리(150)는 사용자와 관련된 환경으로부터 대응하는 실내 환경 정보와 사용자의 수면과 관련한 이력 정보에 관련한 사용자 데이터를 저장할 수 있다.
본 개시의 일 실시예에 따르면, 메모리(150)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(Random Access Memory, RAM), SRAM(Static Random Access Memory), 롬(Read-Only Memory, ROM), EEPROM(Electrically Erasable Programmable Read-Only Memory), PROM(Programmable Read-Only Memory), 자기 메모리, 자기 디스크, 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 수면 환경 조절 장치(100)는 인터넷(internet) 상에서 메모리(150)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작할 수도 있다. 전술한 메모리에 대한 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에 따르면, 프로세서(170)는 통상적으로 수면 환경 조절 장치(100)의 전반적인 동작을 처리할 수 있다. 프로세서(170)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(150)에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적합한 수면 환경을 제공할 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(170)는 하나 이상의 코어로 구성될 수 있으며, 컴퓨팅 장치의 중앙 처리 장치(CPU: central processing unit), 범용 그래픽 처리 장치 (GPGPU: general purpose graphics processing unit), 텐서 처리 장치(TPU: tensor processing unit) 등의 데이터 분석, 딥러닝을 위한 프로세서를 포함할 수 있다. 프로세서(170)는 메모리(150)에 저장된 컴퓨터 프로그램을 판독하여 본 개시의 일 실시예에 따른 사용자의 수면 상태에 대응하는 최적의 수면 환경을 제공할 수 있다.
본 개시의 일 실시예에 따라 프로세서(170)는 신경망의 학습을 위한 계산을 수행할 수 있다. 프로세서(170)는 딥러닝(DN: deep learning)에서 학습을 위한 입력 데이터의 처리, 입력 데이터에서의 피쳐(feature) 추출, 오차 계산, 역전파(backpropagation)를 이용한 신경망의 가중치 업데이트 등의 신경망의 학습을 위한 계산을 수행할 수 있다.
또한, 프로세서(170)의 CPU, GPGPU, 및 TPU 중 적어도 하나가 모델의 학습을 처리할 수 있다. 예를 들어, CPU 와 GPGPU가 함께 모델의 학습, 동작 결정 알고리즘을 이용하여 사용자의 수면 상태에 대응하는 환경 조정 동작을 위한 연산을 처리할 수 있다. 또한, 본 개시의 일 실시예에서 복수의 컴퓨팅 장치의 프로세서(170)를 함께 사용하여 모델의 학습, 동작 결정 알고리즘을 이용하여 사용자의 수면 상태에 대응하는 환경 조정 동작을 위한 연산을 처리할 수 있다. 또한, 본 개시의 일 실시예에 따른 컴퓨팅 장치에서 수행되는 컴퓨터 프로그램은 CPU, GPGPU 또는 TPU 실행가능 프로그램일 수 있다.
이하에서는 본 개시의 일 실시예에 따른 사용자의 수면 상태와 관련된 실내 환경 정보에 기초하여 사용자의 수면 환경을 조절하는 방법에 관하여 설명하도록 한다.
본 개시의 일 실시예에 따르면, 프로세서(170)는 실내 환경 정보에 기초하여 예상 평균 온열감 정보를 산출할 수 있다. 실내 환경 정보는, 평균 예상 온열감 정보의 산출에 기반이 되는 정보로, 실내 온도, 실내 습도, 기류 속도, 평균 복사 온도, 사용자의 활동량 및 사용자의 착의량에 관한 정보를 포함할 수 있다. 이러한 실내 환경 정보는 환경 측정부(130) 및 입력부(140)를 통해 획득될 수 있다. 예상 평균 온열감 정보는, 동일 환경에 노출된 다수의 사용자들의 온열감 척도에 대한 의사 표시(Vote)로 평균치를 예측한 정보로써, 사용자가 위치하는 실내 열환경의 온열감 및 쾌적성의 정도를 나타내는 지표일 수 있다. 프로세서(170)에 의해 산출되는 예상 평균 온열감 정보는 -3 ~ 3 정수 범위 이내의 정수일 수 있다. 예를 들어, 예상 평균 온열감 정보가 -3에 가까울수록 현재 실내 환경에 대응하여 사용자가 추위를 느끼고 있음을 의미할 수 있으며, 3에 가까울수록 현재 실내 환경에 대응하여 사용자가 더위를 느끼고 있음을 의미할 수 있다.
구체적으로, 프로세서(170)는 환경 측정부(130) 및 입력부(140)를 통해 획득된 실내 환경 정보를 이하와 같은 수식 1 내지 4에 대입함으로써 예상 평균 온열감 정보(PMV)를 산출할 수 있다.
Figure pat00001
Figure pat00002
Figure pat00003
Figure pat00004
Figure pat00005
이 경우, M은 활동량에 관한 정보, W는 외부 일(External work),
Figure pat00006
는 습도 부분압,
Figure pat00007
은 기류속도,
Figure pat00008
은 착의량에 관한 정보,
Figure pat00009
는 실내 온도,
Figure pat00010
은 복사온도,
Figure pat00011
은 착의 시 노출면적비,
Figure pat00012
은 의복의 표면 온도,
Figure pat00013
는 인체 표면의 열전달율을 의미할 수 있다.
즉, 프로세서(170)는 환경 측정부(130) 및 입력부(140)를 통해 획득한 실내 환경 정보를 상기와 같은 수식에 대입함으로써, 사용자가 수면 환경에 관련한 온열감 및 쾌적성의 정도에 대한 지표인 예상 평균 온열감 정보를 산출할 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(170)는 사용자의 사용자 기본 정보에 기초하여 예상 평균 온열감 정보를 조정할 수 있다. 사용자 기본 정보는, 예상 평균 온열감 정보를 조정하기 위한 기준이 되는 정보로, 사용자의 키, 몸무게, 나이, 성별, 체질량 지수, 또는 온도 변화 민감도에 관한 정보 중 적어도 하나를 포함할 수 있다. 온도 변화 민감도에 관한 정보는, 입력부(140)를 통해 사용자로부터 입력되는 정보로, 예를 들어, 추위에 민감한 정도 또는 더위에 민감한 정도를 수치화한 정보일 수 있다. 즉, 프로세서(170)는 사용자 기본 정보에 포함된 사용자의 나이, 성별, 체질량 또는 온도 변화 민감도 중 적어도 하나에 기초하여 예상 평균 온열감 정보를 조정할 수 있다. 일반적으로, 실내 환경 정보에 기반하여 산출되는 예상 평균 온열감 정보는 이상적인 환경에서 적합하지만, 실제 환경에서 개개인의 특성이 고려되지 않아 각각의 사용자에게 최적의 실내 환경을 제공할 수 없는 우려가 존재한다. 이에 따라, 프로세서(170)는 사용자 개개인의 특성과 관련한 사용자 개인 정보에 기반하여 예상 평균 온열감 정보를 조정하고, 그리고 조정된 예상 평균 온열감 정보를 기반으로 동작부(120)를 동작시킴으로써, 각 사용자에게 보다 적합한 침상 환경을 제공할 수 있다.
구체적인 예를 들어, 사용자의 체질량 지수는 사용자가 위치하는 실내 또는 침상 환경에 영향을 줄 수 있다. 사용자의 체질량 지수는 사용자의 신체 발열량과 상관 관계를 가질 수 있다. 사용자의 체질량 지수가 높은 경우, 사용자의 신체 발열량이 높을 수 있으며, 사용자의 체질량 지수가 낮은 경우, 사용자의 신체 발열량이 낮을 수 있다. 즉, 복수의 사용자 각각의 체질량 지수가 상이함에 따라, 동일한 실내 환경이더라도 개개인이 느끼는 온열감 또는 쾌적성은 상이할 수 있다. 이에 따라, 프로세서(170)는 사용자의 체질량 지수에 기반하여 실내 환경 정보에 기초하여 산출된 예상 평균 온열감 정보를 조정할 수 있다. 예를 들어, 사용자의 침상 환경에 관련한 실내 환경 정보를 기반으로 산출된 예상 평균 온열감 정보가 -2인 경우, 프로세서(170)는 사용자의 체질량 지수에 기반하여 일정 변수를 가감 또는 가중하여 예상 평균 온열감 정보를 조정(예컨대, 체질량 지수가 비교적 높은 35 kg/m2임에 따라, 예상 평균 온열감 정보에 1을 가중)함으로써, 조정된 예상 평균 온열감 정보를 생성할 수 있다.
다른 예를 들어, 사용자의 나이는 사용자가 위치하는 실내 또는 침상 환경과 상관 관계를 가질 수 있다. 나이가 많을수록 활동량이 줄어들고 냉온감에 대한 영향이 커짐에 따라 주위 환경 변화에 민감할 수 있다. 이에 따라, 프로세서(170)는 사용자의 나이에 기반하여 실내 환경 정보에 기초하여 산출된 예상 평균 온열감 정보를 조정할 수 있다. 예를 들어, 사용자의 침상 환경에 관련한 실내 환경 정보에 기반하여 산출된 예상 평균 온열감 정보가 1.5인 경우, 프로세서(170)는 사용자의 나이에 기반하여 일정 변수를 가감 또는 가중하여 예상 평균 온열감 정보를 조정(예컨대, 나이가 56세 임에 따라, 예상 평균 온열감 정보에 0.5를 가감)함으로써, 조정된 예상 평균 온열감 정보(즉, 1)를 생성할 수 있다.
또 다른 예를 들어, 사용자가 위치하는 실내 또는 침상 환경에 관련한 실내 환경 정보에 기반하여 산출된 평균 예상 온열감 정보가 -3이며, 사용자 기본 정보에 포함된 온도 변화 민감도 정보가 추위에 민감하다는 정보를 포함하는 경우, 프로세서(170)는 사용자가 추위에 민감도가 높음을 식별하여 평균 예상 온열감 정보에 1를 가중함으로써, 조정된 평균 예상 온열감 정보(즉, -2)를 생성할 수 있다. 이 경우, 평균 예상 온열감 정보에 가중 또는 가감 정도는, 추위에 민감도에 따른 수치에 대응하는 것으로, 온도에 대한 민감도가 큰 경우, 가중 또는 가감되는 정도가 커질 수 있으며, 온도에 대한 민감도가 작은 경우, 가중 또는 가감되는 정도가 작아질 수 있다. 전술한 사용자 기본 정보의 구체적인 기재 및 사용자 기본 정보에 기초하여 예상 평균 온열감 정보를 조정하는 정도에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
즉, 프로세서(170)는 사용자의 수면 환경과 관련한 실내 환경 정보에 기초하여 사용자의 온열감 및 쾌적도를 나타내는 예상 평균 온열감 정보를 생성할 수 있으며, 사용자의 특성이 반영된 사용자 기본 정보를 통해 예상 평균 온열감 정보를 조정함으로써, 사용자 개인에게 최적화된 수면 환경을 제공하기 위한 조정된 예상 평균 온열감 정보를 생성할 수 있다. 다시 말해, 프로세서(170)에 의해 생성된 조정된 예상 평균 온열감 정보는 사용자 개개인의 특성이 반영된 정보이므로, 실내 환경에서 각 사용자가 느끼는 온열감 및 쾌적함에 대한 지표일 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(170)는 조정된 예상 평균 온열감 정보에 기초하여 예상 불만족도 정보를 산출할 수 있다. 예상 불만족도 정보는, 동일한 실내 환경에 노출된 다수의 사용자 중 열적으로 불쾌적함을 느끼는 사람들의 비율에 관한 정보로, 불만족한 사용자들의 숫자를 정량적으로 예측하도록 하는 정보일 수 있다. 예상 불만족도 정보는, 높은 수치로 산출되는 경우, 불만족한 사용자가 많음을 의미할 수 있으며, 낮은 수치로 산출되는 경우, 불만족한 사용자가 적음을 의미할 수 있다. 다시 말해, 예상 불만족도 정보가 낮을수록 현재 실내 환경이 적정함을 의미할 수 있다.
구체적으로, 프로세서(170)는 사용자 기본 정보에 의해 조정된 예상 평균 온열감 정보(PPD)를 아래와 같은 수식 5에 대입하여 예상 불만족도 정보를 산출할 수 있다.
Figure pat00014
즉, 프로세서(170)는 사용자의 수면 환경에 관련한 실내 환경 정보에 기초하여 예상 평균 온열감 정보를 생성할 수 있으며, 산출된 예상 평균 온열감 정보를 사용자 기본 정보에 기초하여 조정할 수 있다. 또한, 프로세서(170)는 조정된 예상 평균 온열감 정보를 상기와 같은 수식 5에 대입함으로써, 실내 환경에서의 사용자의 불만족도를 예측하기 위한 정량적인 정보인 예상 불만족도 정보를 산출할 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(170)는 조정된 예상 평균 온열감 정보 및 예상 불만족도 정보에 기초하여 사용자의 수면 환경을 조절할 수 있다. 구체적으로, 프로세서(170)는 조정된 예상 평균 온열감 정보 및 예상 불만족도 정보에 기초하여 동작부(120)의 수면 환경 조정 동작을 제어함으로써, 사용자의 수면 환경을 조절할 수 있다.
프로세서(170)는 조정된 예상 평균 온열감 정보 및 예상 불만족도 정보와 사전 결정된 쾌적 환경 기준 정보의 비교에 기초하여 동작부의 환경 조정 동작을 제어할 수 있다.
사전 결정된 쾌적 환경 기준 정보는, 최적의 수면 환경을 결정하기 위한 기준이 되는 정보로, 사전 결정된 범위를 가지며, 조정된 예상 평균 온열감 정보에 기준이 되는 예상 평균 온열감 기준 정보 및 예상 불만족도 정보에 기준이 되는 예상 불만족도 기준 정보를 포함할 수 있다. 사전 결정된 쾌적 환경 기준 정보는 예를 들어, 조정된 예상 평균 온열감 정보의 범위가 -0.5 ~ 0.5라는 정보 및 예상 불만족도 정보가 10% 미만이라는 정보를 포함할 수 있다. 전술한 사전 결정된 쾌적 환경 기준 정보에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
프로세서(170)는 조정된 예상 평균 온열감 정보와 예상 평균 온열감 기준 정보와의 비교 및 예상 불만족도 정보와 예상 불만족도 기준 정보의 비교에 기초하여 동작부(120)의 환경 조정 동작을 제어하기 위한 제어 신호를 생성할 수 있다. 구체적으로, 프로세서(170)는 조정된 예상 평균 온열감 정보가 예상 평균 온열감 기준 정보의 사전 결정된 범위를 벗어나는 경우, 조정된 예상 평균 온열감 정보가 예상 평균 온열감 기준 정보의 사전 결정된 범위 이내에 위치하도록 하는 제어 신호를 생성하여 동작부의 환경 조정 동작을 제어할 수 있다. 또한, 프로세서(170)는 예상 불만족도 정보가 예상 불만족도 기준 정보의 사전 결정된 범위의 벗어나는 경우, 예상 불만족도 정보가 예상 불만적도 기준 정보의 사전 결정된 범위 이내에 위치하도록 하는 제어 신호를 생성하여 동작부의 환경 조정 동작을 제어할 수 있다.
본 개시의 일 실시예에 따르면, 프로세서(170)는 메인 바디(110)에 환경 조정 동작을 수행하는 동작부(120)의 최적의 동작을 결정하는 동작 결정 알고리즘을 포함할 수 있다. 구체적으로, 프로세서(170)는 실내 환경 정보에 기초하여 산출된 조정된 평균 예상 온열감 정보 및 예상 불만족도 정보에 대응하여 동작부(120)에서 수행 가능한 하나 이상의 환경 조정 동작들 중 최적의 동작을 결정하기 위한 동작 결정 알고리즘을 포함할 수 있다.
자세히 설명하면, 실내 환경 정보는, 제 1 시점에 획득되는 현재 실내 환경 정보 및 제 1 시점에서의 사용자의 수면 환경에 대응하여 동작부(120)의 환경 조정 동작이 수행된 이후 시점인 제 2 시점에 획득되는 동작 후 실내 환경 정보를 포함할 수 있다.
동작 결정 알고리즘은 인공 신경망으로 구성되며, 현재 실내 환경 정보에 기반하여 산출된 조정된 예상 평균 온열감 정보 및 예상 불만족도 정보를 입력으로 하여 적어도 하나 이상의 후보 동작 정보 각각에 스코어를 출력할 수 있다. 프로세서(170)는 동작 결정 알고리즘을 통해 후보 동작 각각에 대응하여 출력된 스코어에 기초하여 동작 정보를 결정할 수 있다. 구체적으로, 동작 결정 알고리즘은 제 1 시점 동안의 사용자에 수면 상태에 관련한 현재 실내 환경 정보에 대응하는 조정된 예상 평균 온열감 정보 및 예상 불만족도 정보에 기초하여 그에 대응하는 후보 동작 정보들에 스코어를 출력할 수 있으며, 프로세서(170)는 후보 동작 정보들 중 스코어가 최대가 되는 동작 정보를 결정할 수 있다. 후보 동작 정보들은, 프로세서(170)에 의해 생성 가능한 동작 정보로써, 동작부(120)가 온도, 풍향 및 습도 제어 동작을 수행하도록 하는 하나 이상의 옵션들(선택지들)일 수 있다. 또한, 프로세서(170)는 제 2 시점에 획득되는 동작 후 실내 환경 정보에 기초하여 산출된 조정된 평균 예상 온열감 정보 및 예상 불만족도 정보에 기초하여 동작부(120)의 환경 조정 동작의 적정성 여부를 판단할 수 있다. 즉, 프로세서(170)는 제 1 시점에 획득된 현재 실내 환경 정보에 대응하여 환경 조정 동작을 수행할 수 있으며, 해당 환경 조정 동작이 수행된 이후인 제 2 시점에 동작 후 실내 환경 정보에 기초하여 평균 예상 온열감 정보 및 예상 불만족도 정보를 산출할 수 있다.
또한, 프로세서(170)는 제 2 시점에 대응하는 평균 예상 온열감 정보 및 예상 불만족도에 기초하여 제 1 시점에 수행된 환경 조정 동작에 대한 적정성 여부를 판단할 수 있다. 구체적으로, 프로세서(170)는 동작 결정 알고리즘을 통해 제 1 시점에서 수행 가능한 후보 동작 정보 중 스코어가 최대가 되는 동작을 결정하여 동작부(120)의 환경 조정 동작을 결정하고, 그리고 해당 환경 조정 동작 이후 제 2 시점에 동작 후 실내 환경 정보를 획득할 수 있다. 프로세서(170)는 동작 후 실내 환경 정보를 기반으로 산출된 조정된 평균 예상 온열감 정보 및 예상 불만족도 정보와 사전 결정된 쾌적 환경 기준 정보를 비교함으로써, 제 1 시점에 수행된 환경 조정 동작에 대한 적정성 여부를 판단할 수 있다. 예를 들어, 평균 예상 온열감 정보 및 예상 불만족도 정보 각각이 사전 결정된 쾌적 환경 기준 정보에 포함된 사전 결정된 범위를 가지는 예상 평균 온열감 기준 정보 및 예상 불만족도 기준 정보 각각의 범위 이내인 경우, 제 1 시점에 수행된 환경 조정 동작을 적정한 동작으로 판단할 수 있으며, 각 정보의 범위를 벗어나는 경우, 제 1 시점에 수행된 환경 조정 동작을 부적정한 동작으로 판단할 수 있다. 즉, 프로세서(170)는 동작부(120)의 동작 이후 획득된 동작 후 실내 환경 정보에 기반하여 산출된 평균 예상 온열감 정보 및 예상 불만족도 정보가 사전 결정된 쾌적 환경 기준 정보의 범위 내에 위치하는지 여부를 판단하여 프로세서(170)가 결정한 동작이 사용자에게 쾌적한 실내 환경을 제공했는지 여부를 판단할 수 있다.
또한, 프로세서(170)는 동작부(120)의 동작에 대한 적정성 판단을 통해 동작 결정 알고리즘을 업데이트할 수 있다. 구체적으로, 제 1 시점에 수행된 환경 조정 동작이 적정하다고 판단된 경우, 프로세서(170)는 현재 실내 환경 정보에 기초하여 해당 환경 조정 동작을 결정할 확률이 증가하도록 동작 결정 알고리즘을 업데이트할 수 있다. 또한, 제 1 시점에 수행된 환경 조정 동작이 적정하지 않다고 판단된 경우, 프로세서(170)는 현재 실내 환경 정보에 기초하여 해당 환경 조정 동작을 결정할 확률이 감소하도록 동작 결정 알고리즘을 업데이트할 수 있다. 프로세서(170)는 동작 결정 알고리즘의 인공 신경망의 가중치를 업데이트하여 동작 결정 알고리즘을 업데이트할 수 있다.
즉, 프로세서(170)는 제 1 시점에 대응하는 현재 실내 환경 정보에 기반하여 평균 예상 온열감 정보 및 예상 불만족도 정보를 산출할 수 있다. 이 경우, 평균 예상 온열감 정보 및 예상 불만족도 정보는 사용자가 느끼는 수면 환경의 온열감 및 쾌적도와 관련한 정보일 수 있다. 또한, 프로세서(170)는 평균 예상 온열감 정보 및 예상 불만족도 정보에 기초하여 사용자의 수면 환경에 대응하는 환경 조정 동작을 결정하고, 해당 동작에 대한 적정성 판단에 기반하여 동작 결정 알고리즘을 업데이트할 수 있다. 이에 따라, 시간이 지날수록 동작 알고리즘을 통해 결정되는 수면 환경 조정 동작의 정확도가 향상될 수 있다. 다시 말해, 프로세서(170)는 특정 상황에서 선택 가능한 동작들을 선별하고, 선택 가능한 동작들 중 보상이 최대가 되는 동작을 결정하는 강화학습 방식으로 동작 결정 알리고즘을 학습시킬 수 있으며, 이에 따라, 다양한 수면 환경에 대한 사전 지식 없이도 사용자 맞춤형 수면 환경 조정이 가능해질 수 있다. 또한, 동작 결정 알고리즘(즉, 신경망)을 학습시키기 위한 다양한 수면 환경들에 대응하는 예측 정보를 구축하기 위한 전처리 과정이 생략될 수 있어, 학습에 대한 효율이 증가될 수 있다.
본 개시의 일 실시예에 따르면, 프로세서는, 사용자의 환경 조정 피드백 정보를 수신하고, 상기 수신한 환경 조정 피드백 정보에 적어도 부분적으로 기초하여 상기 동작 결정 알고리즘을 업데이트할 수 있다. 환경 조정 피드백 정보는, 제 1 시점에 수행된 환경 조정 동작에 대한 사용자의 피드백에 관련한 정보일 수 있다. 예를 들어, 제 1 시점에 수행된 환경 조정 동작이 온도를 2도 상승시키고, 풍향을 0.1m/s 상승시키는 동작이며, 사용자 단말로부터 수신한 환경 조정 피드백 정보가 제 1 시점에서의 실내 온도가 높았다는 정보를 포함하는 경우, 프로세서(170)는 제 1 시점에 대응하는 현재 실내 환경 정보에 기초하여 해당 환경 조정 동작을 결정할 확률이 감소하도록 동작 결정 알고리즘을 업데이트할 수 있다. 전술한 환경 조정 동작에 대한 구체적인 기재는 예시일 뿐, 본 개시는 이에 제한되지 않는다.
본 개시의 다른 실시예에 따르면, 프로세서(170)는 동작부(120)의 제어에 관련한 사용자 패턴 정보를 획득하고, 그리고 해당 사용자 패턴 정보에 기초하여 동작 결정 알고리즘을 업데이트할 수 있다. 사용자 패턴 정보는, 동작부(120)의 동작을 제어하고자 하는 사전 결정된 기간 동안의 사용자의 입력에 기초한 것으로, 입력부(140)를 통해 사용자의 입력에 기초하여 획득될 수 있다. 구체적으로, 동작부(120)의 동작은 프로세서(170)에 의해 결정(예컨대, 동작 결정 알고리즘을 통해 결정된 동작에 관련한 신호)되는 제어 신호 또는, 입력부(140)를 통한 사용자의 입력에 기초하여 결정되는 제어 신호에 기반하여 결정될 수 있다. 이 경우, 동작부(120)를 조정하기 위한 사용자의 입력은 수면 환경에 있어, 사용자의 의도가 반영된 유의미한 정보일 수 있다. 즉, 프로세서(170)는 사전 결정된 기간 동안의 사용자의 입력에 기초하여 사용자 패턴 정보를 획득하고, 해당 사용자 패턴 정보에 기반하여 수면 환경에 대응하여 수행되는 동작부(120)의 환경 조정 동작에 사용자의 의도가 반영될 확률이 높도록(즉, 유사한 환경에서 사용자가 선택한 동작과 유사한 동작을 수행하도록) 동작 결정 알고리즘을 업데이트할 수 있다. 이에 따라, 본 개시의 수면 환경 조절 장치(100)는 개개인의 의도에 부합하는 환경 조정 동작을 수행할 수 있어 보다 적합한 수면 환경을 제공할 수 있다.
도 3은 본 개시의 일 실시예와 관련된 동작 결정 알고리즘을 구성하는 인공 신경망의 예시도를 도시한다.
본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다. 신경망들을 구성하는 노드(또는 뉴런)들은 하나 이상의 링크에 의해 상호 연결될 수 있다.
신경망 내에서, 링크를 통해 연결된 하나 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 상술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호 연결하는 노드는 가중치(weight)를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
상술한 바와 같이, 신경망은 하나 이상의 노드들이 하나 이상의 링크를 통해 상호 연결되어 신경망 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망이 존재하는 경우, 두 개의 신경망들은 서로 상이한 것으로 인식될 수 있다.
신경망은 하나 이상의 노드들을 포함하여 구성될 수 있다. 신경망을 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다. 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 내에서 레이어의 차수는 상술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.
최초 입력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들이 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망을 구성하는 노드들을 의미할 수 있다. 본 개시의 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수와 동일할 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하다가 다시 증가하는 형태의 신경망일 수 있다. 또한, 본 개시의 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수 보다 적을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 감소하는 형태의 신경망일 수 있다. 또한, 본 개시의 또 다른 일 실시예에 따른 신경망은 입력 레이어의 노드의 개수가 출력 레이어의 노드의 개수보다 많을 수 있으며, 입력 레이어에서 히든 레이어로 진행됨에 따라 노드의 수가 증가하는 형태의 신경망일 수 있다. 본 개시의 또 다른 일 실시예에 따른 신경망은 상술한 신경망들의 조합된 형태의 신경망일 수 있다.
딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다. 즉, 사진, 글, 비디오, 음성, 음악의 잠재적인 구조(예를 들어, 어떤 물체가 사진에 있는지, 글의 내용과 감정이 무엇인지, 음성의 내용과 감정이 무엇인지 등)를 파악할 수 있다. 딥 뉴럴 네트워크는 컨벌루셔널 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), GAN(Generative Adversarial Networks), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시의 일 실시예에서 네트워크 함수는 오토 인코더를 포함할 수도 있다. 오토 인코더는 입력 데이터와 유사한 출력 데이터를 출력하기 위한 인공 신경망의 일종일 수 있다. 오토 인코더는 적어도 하나의 히든 레이어를 포함할 수 있으며, 홀수 개의 히든 레이어가 입출력 레이어 사이에 배치될 수 있다. 각각의 레이어의 노드의 수는 입력 레이어의 노드의 수에서 병목 레이어(인코딩)라는 중간 레이어로 축소되었다가, 병목 레이어에서 출력 레이어(입력 레이어와 대칭)로 축소와 대칭되어 확장될 수도 있다. 입력 레이어 및 출력 레이어의 수는 입력 데이터의 전처리 이후에 남은 센서들의 수와 대응될 수 있다. 오토 인코더 구조에서 인코더에 포함된 히든 레이어의 노드의 수는 입력 레이어에서 멀어질수록 감소하는 구조를 가질 수 있다. 병목 레이어(인코더와 디코더 사이에 위치하는 가장 적은 노드를 가진 레이어)의 노드의 수는 너무 작은 경우 충분한 양의 정보가 전달되지 않을 수 있으므로, 특정 수 이상(예를 들어, 입력 레이어의 절반 이상 등)으로 유지될 수도 있다.
뉴럴 네트워크는 교사 학습(supervised learning), 비교사 학습(unsupervised learning), 및 반교사학습(semi supervised learning) 중 적어도 하나의 방식으로 학습될 수 있다. 뉴럴 네트워크의 학습은 출력의 오류를 최소화하기 위한 것이다. 뉴럴 네트워크의 학습에서 반복적으로 학습 데이터를 뉴럴 네트워크에 입력시키고 학습 데이터에 대한 뉴럴 네트워크의 출력과 타겟의 에러를 계산하고, 에러를 줄이기 위한 방향으로 뉴럴 네트워크의 에러를 뉴럴 네트워크의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 뉴럴 네트워크의 각 노드의 가중치를 업데이트 하는 과정이다. 교사 학습의 경우 각각의 학습 데이터에 정답이 라벨링되어있는 학습 데이터를 사용하며(즉, 라벨링된 학습 데이터), 비교사 학습의 경우는 각각의 학습 데이터에 정답이 라벨링되어 있지 않을 수 있다. 즉, 예를 들어 데이터 분류에 관한 교사 학습의 경우의 학습 데이터는 학습 데이터 각각에 카테고리가 라벨링 된 데이터 일 수 있다. 라벨링된 학습 데이터가 뉴럴 네트워크에 입력되고, 뉴럴 네트워크의 출력(카테고리)과 학습 데이터의 라벨을 비교함으로써 오류(error)가 계산될 수 있다. 다른 예로, 데이터 분류에 관한 비교사 학습의 경우 입력인 학습 데이터가 뉴럴 네트워크 출력과 비교됨으로써 오류가 계산될 수 있다. 계산된 오류는 뉴럴 네트워크에서 역방향(즉, 출력 레이어에서 입력 레이어 방향)으로 역전파 되며, 역전파에 따라 뉴럴 네트워크의 각 레이어의 각 노드들의 연결 가중치가 업데이트 될 수 있다. 업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 뉴럴 네트워크의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 뉴럴 네트워크의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 뉴럴 네트워크의 학습 초기에는 높은 학습률을 사용하여 뉴럴 네트워크가 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.
뉴럴 네트워크의 학습에서 일반적으로 학습 데이터는 실제 데이터(즉, 학습된 뉴럴 네트워크를 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다. 예를 들어, 노란색 고양이를 보여 고양이를 학습한 뉴럴 네트워크가 노란색 이외의 고양이를 보고는 고양이임을 인식하지 못하는 현상이 과적합의 일종일 수 있다. 과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 생략하는 드롭아웃(dropout) 등의 방법이 적용될 수 있다.
본 개시의 일 실시예에 따라 데이터 구조를 저장한 컴퓨터 판독가능 매체가 개시된다.
데이터 구조는 데이터에 효율적인 접근 및 수정을 가능하게 하는 데이터의 조직, 관리, 저장을 의미할 수 있다. 데이터 구조는 특정 문제(예를 들어, 최단 시간으로 데이터 검색, 데이터 저장, 데이터 수정) 해결을 위한 데이터의 조직을 의미할 수 있다. 데이터 구조는 특정한 데이터 처리 기능을 지원하도록 설계된, 데이터 요소들 간의 물리적이거나 논리적인 관계로 정의될 수도 있다. 데이터 요소들 간의 논리적인 관계는 사용자가 생각하는 데이터 요소들 간의 연결관계를 포함할 수 있다. 데이터 요소들 간의 물리적인 관계는 컴퓨터 판독가능 저장매체(예를 들어, 하드 디스크)에 물리적으로 저장되어 있는 데이터 요소들 간의 실제 관계를 포함할 수 있다. 데이터 구조는 구체적으로 데이터의 집합, 데이터 간의 관계, 데이터에 적용할 수 있는 함수 또는 명령어를 포함할 수 있다. 효과적으로 설계된 데이터 구조를 통해 컴퓨팅 장치는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산을 수행할 수 있다. 구체적으로 컴퓨팅 장치는 효과적으로 설계된 데이터 구조를 통해 연산, 읽기, 삽입, 삭제, 비교, 교환, 검색의 효율성을 높일 수 있다.
데이터 구조는 데이터 구조의 형태에 따라 선형 데이터 구조와 비선형 데이터 구조로 구분될 수 있다. 선형 데이터 구조는 하나의 데이터 뒤에 하나의 데이터만이 연결되는 구조일 수 있다. 선형 데이터 구조는 리스트(List), 스택(Stack), 큐(Queue), 데크(Deque)를 포함할 수 있다. 리스트는 내부적으로 순서가 존재하는 일련의 데이터 집합을 의미할 수 있다. 리스트는 연결 리스트(Linked List)를 포함할 수 있다. 연결 리스트는 각각의 데이터가 포인터를 가지고 한 줄로 연결되어 있는 방식으로 데이터가 연결된 데이터 구조일 수 있다. 연결 리스트에서 포인터는 다음이나 이전 데이터와의 연결 정보를 포함할 수 있다. 연결 리스트는 형태에 따라 단일 연결 리스트, 이중 연결 리스트, 원형 연결 리스트로 표현될 수 있다. 스택은 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조일 수 있다. 스택은 데이터 구조의 한 쪽 끝에서만 데이터를 처리(예를 들어, 삽입 또는 삭제)할 수 있는 선형 데이터 구조일 수 있다. 스택에 저장된 데이터는 늦게 들어갈수록 빨리 나오는 데이터 구조(LIFO-Last in First Out)일 수 있다. 큐는 제한적으로 데이터에 접근할 수 있는 데이터 나열 구조로서, 스택과 달리 늦게 저장된 데이터일수록 늦게 나오는 데이터 구조(FIFO-First in First Out)일 수 있다. 데크는 데이터 구조의 양 쪽 끝에서 데이터를 처리할 수 있는 데이터 구조일 수 있다.
비선형 데이터 구조는 하나의 데이터 뒤에 복수개의 데이터가 연결되는 구조일 수 있다. 비선형 데이터 구조는 그래프(Graph) 데이터 구조를 포함할 수 있다. 그래프 데이터 구조는 정점(Vertex)과 간선(Edge)으로 정의될 수 있으며 간선은 서로 다른 두개의 정점을 연결하는 선을 포함할 수 있다. 그래프 데이터 구조 트리(Tree) 데이터 구조를 포함할 수 있다. 트리 데이터 구조는 트리에 포함된 복수개의 정점 중에서 서로 다른 두개의 정점을 연결시키는 경로가 하나인 데이터 구조일 수 있다. 즉 그래프 데이터 구조에서 루프(loop)를 형성하지 않는 데이터 구조일 수 있다.
본 명세서에 걸쳐, 연산 모델, 신경망, 네트워크 함수, 뉴럴 네트워크(neural network)는 동일한 의미로 사용될 수 있다. (이하에서는 신경망으로 통일하여 기술한다.) 데이터 구조는 신경망을 포함할 수 있다. 그리고 신경망을 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망을 포함한 데이터 구조는 또한 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 학습을 위한 손실 함수를 포함할 수 있다. 신경망을 포함한 데이터 구조는 상기 개시된 구성들 중 임의의 구성 요소들을 포함할 수 있다. 즉 신경망을 포함한 데이터 구조는 신경망에 입력되는 데이터, 신경망의 가중치, 신경망의 하이퍼 파라미터, 신경망으로부터 획득한 데이터, 신경망의 각 노드 또는 레이어와 연관된 활성 함수, 신경망의 트레이닝을 위한 손실 함수 등 전부 또는 이들의 임의의 조합을 포함하여 구성될 수 있다. 전술한 구성들 이외에도, 신경망을 포함한 데이터 구조는 신경망의 특성을 결정하는 임의의 다른 정보를 포함할 수 있다. 또한, 데이터 구조는 신경망의 연산 과정에 사용되거나 발생되는 모든 형태의 데이터를 포함할 수 있으며 전술한 사항에 제한되는 것은 아니다. 컴퓨터 판독가능 매체는 컴퓨터 판독가능 기록 매체 및/또는 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 신경망은 일반적으로 노드라 지칭될 수 있는 상호 연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 노드들은 뉴런(neuron)들로 지칭될 수도 있다. 신경망은 적어도 하나 이상의 노드들을 포함하여 구성된다.
데이터 구조는 신경망에 입력되는 데이터를 포함할 수 있다. 신경망에 입력되는 데이터를 포함하는 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망에 입력되는 데이터는 신경망 학습 과정에서 입력되는 학습 데이터 및/또는 학습이 완료된 신경망에 입력되는 입력 데이터를 포함할 수 있다. 신경망에 입력되는 데이터는 전처리(pre-processing)를 거친 데이터 및/또는 전처리 대상이 되는 데이터를 포함할 수 있다. 전처리는 데이터를 신경망에 입력시키기 위한 데이터 처리 과정을 포함할 수 있다. 따라서 데이터 구조는 전처리 대상이 되는 데이터 및 전처리로 발생되는 데이터를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 가중치를 포함할 수 있다. (본 명세서에서 가중치, 파라미터는 동일한 의미로 사용될 수 있다.) 그리고 신경망의 가중치를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 신경망은 복수개의 가중치를 포함할 수 있다. 가중치는 가변적일 수 있으며, 신경망이 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변 될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 파라미터에 기초하여 출력 노드 값을 결정할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
제한이 아닌 예로서, 가중치는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함할 수 있다. 신경망 학습 과정에서 가변되는 가중치는 학습 사이클이 시작되는 시점의 가중치 및/또는 학습 사이클 동안 가변되는 가중치를 포함할 수 있다. 신경망 학습이 완료된 가중치는 학습 사이클이 완료된 가중치를 포함할 수 있다. 따라서 신경망의 가중치를 포함한 데이터 구조는 신경망 학습 과정에서 가변되는 가중치 및/또는 신경망 학습이 완료된 가중치를 포함한 데이터 구조를 포함할 수 있다. 그러므로 상술한 가중치 및/또는 각 가중치의 조합은 신경망의 가중치를 포함한 데이터 구조에 포함되는 것으로 한다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
신경망의 가중치를 포함한 데이터 구조는 직렬화(serialization) 과정을 거친 후 컴퓨터 판독가능 저장 매체(예를 들어, 메모리, 하드 디스크)에 저장될 수 있다. 직렬화는 데이터 구조를 동일하거나 다른 컴퓨팅 장치에 저장하고 나중에 다시 재구성하여 사용할 수 있는 형태로 변환하는 과정일 수 있다. 컴퓨팅 장치는 데이터 구조를 직렬화하여 네트워크를 통해 데이터를 송수신할 수 있다. 직렬화된 신경망의 가중치를 포함한 데이터 구조는 역직렬화(deserialization)를 통해 동일한 컴퓨팅 장치 또는 다른 컴퓨팅 장치에서 재구성될 수 있다. 신경망의 가중치를 포함한 데이터 구조는 직렬화에 한정되는 것은 아니다. 나아가 신경망의 가중치를 포함한 데이터 구조는 컴퓨팅 장치의 자원을 최소한으로 사용하면서 연산의 효율을 높이기 위한 데이터 구조(예를 들어, 비선형 데이터 구조에서 B-Tree, Trie, m-way search tree, AVL tree, Red-Black Tree)를 포함할 수 있다. 전술한 사항은 예시일 뿐 본 개시는 이에 제한되지 않는다.
데이터 구조는 신경망의 하이퍼 파라미터(Hyper-parameter)를 포함할 수 있다. 그리고 신경망의 하이퍼 파라미터를 포함한 데이터 구조는 컴퓨터 판독가능 매체에 저장될 수 있다. 하이퍼 파라미터는 사용자에 의해 가변되는 변수일 수 있다. 하이퍼 파라미터는 예를 들어, 학습률(learning rate), 비용 함수(cost function), 학습 사이클 반복 횟수, 가중치 초기화(Weight initialization)(예를 들어, 가중치 초기화 대상이 되는 가중치 값의 범위 설정), Hidden Unit 개수(예를 들어, 히든 레이어의 개수, 히든 레이어의 노드 수)를 포함할 수 있다. 전술한 데이터 구조는 예시일 뿐 본 개시는 이에 제한되지 않는다.
도 4는 본 개시의 일 실시예와 관련된 수면 환경 조절 방법에 대한 순서도를 도시한다.
본 개시의 일 실시예에 따르면, 수면 환경 조절 장치(100)는 실내 환경 정보에 기초하여 예상 평균 온열감 정보를 산출할 수 있다(410).
본 개시의 일 실시예에 따르면, 수면 환경 조절 장치(100)는 사용자의 사용자 기본 정보에 기초하여 예상 평균 온열감 정보를 조정할 수 있다(420).
본 개시의 일 실시예에 따르면, 수면 환경 조절 장치(100)는 조정된 예상 평균 온열감 정보에 기초하여 예상 불만족도 정보를 산출할 수 있다(430).
본 개시의 일 실시예에 따르면, 수면 환경 조절 장치(100)는 조정된 예상 평균 온열감 정보 및 예상 불만족도 정보에 기초하여 동작부의 수면 환경 조정 동작을 제어할 수 있다(440).
전술한 도 4에 도시된 단계들은 필요에 의해 순서가 변경될 수 있으며, 적어도 하나 이상의 단계가 생략 또는 추가될 수 있다. 즉, 전술한 단계는 본 개시의 실시예에 불과할 뿐, 본 개시의 권리 범위는 이에 제한되지 않는다.
도 5은 본 개시의 일 실시예와 관련된 수면 환경 조절 방법을 구현하기 위한 로직을 도시한다.
본 개시의 일 실시예에 따르면, 수면 환경 조정 장치(100)는 실내 환경 정보에 기초하여 예산 평균 온열감 정보를 산출하기 위한 로직(510), 사용자의 사용자 기본 정보에 기초하여 예상 평균 온열감 정보를 조정하기 위한 로직(520), 조정된 예상 평균 온열감 정보에 기초하여 예상 불만족도 정보를 산출하기 위한 로직(530) 및 조정된 예상 평균 온열감 정보 및 예산 불만족도 정보에 기초하여 동작부의 수면 환경 조정 동작을 제어하기 위한 로직(540)을 포함할 수 있다.
대안적으로, 상기 실내 환경 정보는, 실내 온도, 실내 습도, 기류 속도, 평균 복사 온도, 상기 사용자의 활동량 또는 상기 사용자의 착의량 중 적어도 하나에 관한 정보를 포함하고, 상기 수면 환경 조절 장치는, 상기 실내 환경 정보를 획득하기 위한 환경 측정부를 더 포함할 수 있다.
대안적으로, 상기 환경 측정부는, 상기 실내 온도를 측정하기 위한 온도 센서 모듈, 상기 실내 습도를 측정하기 위한 습도 센서 모듈, 상기 기류 속도를 측정하기 위한 기류 속도 센서 모듈 및 상기 평균 복사 온도를 측정하기 위한 복사 온도 센서 모듈을 포함할 수 있다.
대안적으로, 상기 사용자 기본 정보, 상기 사용자의 활동량 및 착의량에 관련한 정보를 획득하기 위한 사용자의 입력을 수신하는 입력부를 더 포함할 수 있다.
대안적으로, 상기 사용자 기본 정보는, 상기 사용자의 키, 몸무게, 나이, 성별, 체질량 지수 또는 온도 변화 민감도에 관한 정보 중 적어도 하나를 포함하며, 상기 예상 평균 온열감 정보를 조정하기 위한 기준이 될 수 있다.
대안적으로, 상기 프로세서는, 상기 사용자 기본 정보에 포함된 사용자의 나이, 성별, 체질량 지수 또는 온도 변화 민감도 중 적어도 하나에 기초하여 상기 예상 평균 온열감 정보를 조정하기 위한 로직을 포함할 수 있다.
대안적으로, 상기 동작부는, 상기 메인 바디에 구비되며, 상기 사용자의 수면 환경을 조정하기 위하여 상기 메인 바디에 냉풍 또는 열풍을 공급할 수 있다.
대안적으로, 상기 프로세서는, 상기 조정된 예상 평균 온열감 정보 및 예상 불만족도 정보와 사전 결정된 쾌적 환경 기준 정보의 비교에 기초하여 상기 동작부의 환경 조정 동작을 제어하기 위한 로직을 포함할 수 있다.
대안적으로, 상기 사전 결정된 쾌적 환경 기준 정보는, 최적의 수면 환경을 결정하기 위한 기준이 되는 정보로 사전 결정된 범위를 가지며, 상기 조정된 예상 평균 온열감 정보에 기준이 되는 예상 평균 온열감 기준 정보 및 상기 예상 불만족도 정보에 기준이 되는 예상 불만족도 기준 정보를 포함할 수 있다.
대안적으로, 상기 프로세서는, 상기 조정된 예상 평균 온열감 정보가 상기 예상 평균 온열감 기준 정보의 사전 결정된 범위를 벗어나는 경우, 상기 조정된 예상 평균 온열감 정보가 상기 예상 평균 온열감 기준 정보의 사전 결정된 범위 이내에 위치하도록 상기 동작부의 환경 조정 동작을 제어하거나, 또는 상기 예상 불만족도 정보가 상기 예상 불만족도 기준 정보의 사전 결정된 범위를 벗어나는 경우, 상기 예상 불만족도 정보가 상기 예상 불만족도 기준 정보의 사전 결정된 범위 이내에 위치하도록 상기 동작부의 환경 조정 동작을 제어하기 위한 로직을 포함할 수 있다.
대안적으로, 상기 프로세서는, 상기 실내 환경 정보에 기초하여 산출된 조정된 평균 예상 온열감 정보 및 예상 불만족도 정보에 대응하여 상기 동작부에서 수행 가능한 하나 이상의 환경 조정 동작들 중 최적의 동작을 결정하기 위한 동작 결정 알고리즘을 포함할 수 있다.
대안적으로, 상기 프로세서는, 상기 사용자의 환경 조정 피드백 정보를 수신하고, 상기 수신한 환경 조정 피드백 정보에 적어도 부분적으로 기초하여 상기 동작 결정 알고리즘을 업데이트하기 위한 로직을 포함할 수 있다.
대안적으로, 상기 실내 환경 정보는, 제 1 시점에 획득되는 현재 실내 환경 정보 및 상기 제 1 시점에서의 사용자의 수면 환경에 대응하여 상기 동작부의 환경 조정 동작이 수행된 이후 시점인 제 2 시점에 획득되는 동작 후 실내 환경 정보를 포함하며, 상기 프로세서는, 상기 동작 후 실내 환경 정보에 기초하여 산출된 조정된 평균 예상 온열감 정보 및 예상 불만족도 정보에 기초하여 상기 환경 조정 동작의 적정성 여부를 판단하기 위한 로직을 포함할 수 있다.
대안적으로, 상기 프로세서는, 상기 환경 조정 동작이 적정하다고 판단한 경우, 상기 현재 실내 환경 정보에 기초하여 상기 환경 조정 동작을 결정할 확률이 증가하도록 동작 결정 알고리즘을 업데이트하거나, 또는 상기 환경 조정 동작이 적정하지 않다고 판단한 경우, 상기 현재 실내 환경 정보에 기초하여 상기 환경 조정 동작을 결정한 확률이 감소하도록 동작 결정 알고리즘을 업데이트 하기 위한 로직을 포함할 수 있다.
도 6은 본 개시의 일 실시예들이 구현될 수 있는 예시적인 컴퓨팅 환경에 대한 간략하고 일반적인 개략도를 도시한다.
본 개시가 일반적으로 하나 이상의 컴퓨터 상에서 실행될 수 있는 컴퓨터 실행가능 명령어와 관련하여 전술되었지만, 당업자라면 본 개시가 기타 프로그램 모듈들과 결합되어 및/또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다는 것을 잘 알 것이다.
일반적으로, 프로그램 모듈은 특정의 태스크를 수행하거나 특정의 추상 데이터 유형을 구현하는 루틴, 프로시져, 프로그램, 컴포넌트, 데이터 구조, 기타 등등을 포함한다. 또한, 당업자라면 본 개시의 방법이 단일-프로세서 또는 멀티프로세서 컴퓨터 시스템, 미니컴퓨터, 메인프레임 컴퓨터는 물론 퍼스널 컴퓨터, 핸드헬드 컴퓨팅 장치, 마이크로프로세서-기반 또는 프로그램가능 가전 제품, 기타 등등(이들 각각은 하나 이상의 연관된 장치와 연결되어 동작할 수 있음)을 비롯한 다른 컴퓨터 시스템 구성으로 실시될 수 있다는 것을 잘 알 것이다.
본 개시의 설명된 실시예들은 또한 어떤 태스크들이 통신 네트워크를 통해 연결되어 있는 원격 처리 장치들에 의해 수행되는 분산 컴퓨팅 환경에서 실시될 수 있다. 분산 컴퓨팅 환경에서, 프로그램 모듈은 로컬 및 원격 메모리 저장 장치 둘다에 위치할 수 있다.
컴퓨터는 통상적으로 다양한 컴퓨터 판독가능 매체를 포함한다. 컴퓨터에 의해 액세스 가능한 매체는 그 어떤 것이든지 컴퓨터 판독가능 매체가 될 수 있고, 컴퓨터 판독가능 매체는 컴퓨터 판독가능 저장 매체 및 컴퓨터 판독가능 전송 매체를 포함할 수 있다. 이러한 컴퓨터 판독가능 저장 매체는 휘발성 및 비휘발성 매체, 이동식 및 비-이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보를 저장하는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성 매체, 이동식 및 비이동식 매체를 포함한다. 컴퓨터 판독가능 저장 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, DVD(digital video disk) 또는 기타 광 디스크 저장 장치, 자기 카세트, 자기 테이프, 자기 디스크 저장 장치 또는 기타 자기 저장 장치, 또는 컴퓨터에 의해 액세스될 수 있고 원하는 정보를 저장하는 데 사용될 수 있는 임의의 기타 매체를 포함하지만, 이에 한정되지 않는다.
컴퓨터 판독가능 전송 매체는 통상적으로 반송파(carrier wave) 또는 기타 전송 메커니즘(transport mechanism)과 같은 피변조 데이터 신호(modulated data signal)에 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터등을 구현하는 정보 전달 매체를 포함한다. 피변조 데이터 신호라는 용어는 신호 내에 정보를 인코딩하도록 그 신호의 특성들 중 하나 이상을 설정 또는 변경시킨 신호를 의미한다. 제한이 아닌 예로서, 컴퓨터 판독가능 전송 매체는 유선 네트워크 또는 직접 배선 접속(direct-wired connection)과 같은 유선 매체, 그리고 음향, RF, 적외선, 기타 무선 매체와 같은 무선 매체를 포함한다. 상술된 매체들 중 임의의 것의 조합도 역시 컴퓨터 판독가능 전송 매체의 범위 안에 포함되는 것으로 한다.
컴퓨터(1102)를 포함하는 본 개시의 여러가지 측면들을 구현하는 예시적인 환경(1100)이 나타내어져 있으며, 컴퓨터(1102)는 처리 장치(1104), 시스템 메모리(1106) 및 시스템 버스(1108)를 포함한다. 시스템 버스(1108)는 시스템 메모리(1106)(이에 한정되지 않음)를 비롯한 시스템 컴포넌트들을 처리 장치(1104)에 연결시킨다. 처리 장치(1104)는 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 듀얼 프로세서 및 기타 멀티프로세서 아키텍처도 역시 처리 장치(1104)로서 이용될 수 있다.
시스템 버스(1108)는 메모리 버스, 주변장치 버스, 및 다양한 상용 버스 아키텍처 중 임의의 것을 사용하는 로컬 버스에 추가적으로 상호 연결될 수 있는 몇가지 유형의 버스 구조 중 임의의 것일 수 있다. 시스템 메모리(1106)는 판독 전용 메모리(ROM)(1110) 및 랜덤 액세스 메모리(RAM)(1112)를 포함한다. 기본 입/출력 시스템(BIOS)은 ROM, EPROM, EEPROM 등의 비휘발성 메모리(1110)에 저장되며, 이 BIOS는 시동 중과 같은 때에 컴퓨터(1102) 내의 구성요소들 간에 정보를 전송하는 일을 돕는 기본적인 루틴을 포함한다. RAM(1112)은 또한 데이터를 캐싱하기 위한 정적 RAM 등의 고속 RAM을 포함할 수 있다.
컴퓨터(1102)는 또한 내장형 하드 디스크 드라이브(HDD)(1114)(예를 들어, EIDE, SATA)―이 내장형 하드 디스크 드라이브(1114)는 또한 적당한 섀시(도시 생략) 내에서 외장형 용도로 구성될 수 있음―, 자기 플로피 디스크 드라이브(FDD)(1116)(예를 들어, 이동식 디스켓(1118)으로부터 판독을 하거나 그에 기록을 하기 위한 것임), 및 광 디스크 드라이브(1120)(예를 들어, CD-ROM 디스크(1122)를 판독하거나 DVD 등의 기타 고용량 광 매체로부터 판독을 하거나 그에 기록을 하기 위한 것임)를 포함한다. 하드 디스크 드라이브(1114), 자기 디스크 드라이브(1116) 및 광 디스크 드라이브(1120)는 각각 하드 디스크 드라이브 인터페이스(1124), 자기 디스크 드라이브 인터페이스(1126) 및 광 드라이브 인터페이스(1128)에 의해 시스템 버스(1108)에 연결될 수 있다. 외장형 드라이브 구현을 위한 인터페이스(1124)는 USB(Universal Serial Bus) 및 IEEE 1394 인터페이스 기술 중 적어도 하나 또는 그 둘다를 포함한다.
이들 드라이브 및 그와 연관된 컴퓨터 판독가능 매체는 데이터, 데이터 구조, 컴퓨터 실행가능 명령어, 기타 등등의 비휘발성 저장을 제공한다. 컴퓨터(1102)의 경우, 드라이브 및 매체는 임의의 데이터를 적당한 디지털 형식으로 저장하는 것에 대응한다. 상기에서의 컴퓨터 판독가능 매체에 대한 설명이 HDD, 이동식 자기 디스크, 및 CD 또는 DVD 등의 이동식 광 매체를 언급하고 있지만, 당업자라면 집 드라이브(zip drive), 자기 카세트, 플래쉬 메모리 카드, 카트리지, 기타 등등의 컴퓨터에 의해 판독가능한 다른 유형의 매체도 역시 예시적인 운영 환경에서 사용될 수 있으며 또 임의의 이러한 매체가 본 개시의 방법들을 수행하기 위한 컴퓨터 실행가능 명령어를 포함할 수 있다는 것을 잘 알 것이다.
운영 체제(1130), 하나 이상의 애플리케이션 프로그램(1132), 기타 프로그램 모듈(1134) 및 프로그램 데이터(1136)를 비롯한 다수의 프로그램 모듈이 드라이브 및 RAM(1112)에 저장될 수 있다. 운영 체제, 애플리케이션, 모듈 및/또는 데이터의 전부 또는 그 일부분이 또한 RAM(1112)에 캐싱될 수 있다. 본 개시가 여러가지 상업적으로 이용가능한 운영 체제 또는 운영 체제들의 조합에서 구현될 수 있다는 것을 잘 알 것이다.
사용자는 하나 이상의 유선/무선 입력 장치, 예를 들어, 키보드(1138) 및 마우스(1140) 등의 포인팅 장치를 통해 컴퓨터(1102)에 명령 및 정보를 입력할 수 있다. 기타 입력 장치(도시 생략)로는 마이크, IR 리모콘, 조이스틱, 게임 패드, 스타일러스 펜, 터치 스크린, 기타 등등이 있을 수 있다. 이들 및 기타 입력 장치가 종종 시스템 버스(1108)에 연결되어 있는 입력 장치 인터페이스(1142)를 통해 처리 장치(1104)에 연결되지만, 병렬 포트, IEEE 1394 직렬 포트, 게임 포트, USB 포트, IR 인터페이스, 기타 등등의 기타 인터페이스에 의해 연결될 수 있다.
모니터(1144) 또는 다른 유형의 디스플레이 장치도 역시 비디오 어댑터(1146) 등의 인터페이스를 통해 시스템 버스(1108)에 연결된다. 모니터(1144)에 부가하여, 컴퓨터는 일반적으로 스피커, 프린터, 기타 등등의 기타 주변 출력 장치(도시 생략)를 포함한다.
컴퓨터(1102)는 유선 및/또는 무선 통신을 통한 원격 컴퓨터(들)(1148) 등의 하나 이상의 원격 컴퓨터로의 논리적 연결을 사용하여 네트워크화된 환경에서 동작할 수 있다. 원격 컴퓨터(들)(1148)는 워크스테이션, 서버 컴퓨터, 라우터, 퍼스널 컴퓨터, 휴대용 컴퓨터, 마이크로프로세서-기반 오락 기기, 피어 장치 또는 기타 통상의 네트워크 노드일 수 있으며, 일반적으로 컴퓨터(1102)에 대해 기술된 구성요소들 중 다수 또는 그 전부를 포함하지만, 간략함을 위해, 메모리 저장 장치(1150)만이 도시되어 있다. 도시되어 있는 논리적 연결은 근거리 통신망(LAN)(1152) 및/또는 더 큰 네트워크, 예를 들어, 원거리 통신망(WAN)(1154)에의 유선/무선 연결을 포함한다. 이러한 LAN 및 WAN 네트워킹 환경은 사무실 및 회사에서 일반적인 것이며, 인트라넷 등의 전사적 컴퓨터 네트워크(enterprise-wide computer network)를 용이하게 해주며, 이들 모두는 전세계 컴퓨터 네트워크, 예를 들어, 인터넷에 연결될 수 있다.
LAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 유선 및/또는 무선 통신 네트워크 인터페이스 또는 어댑터(1156)를 통해 로컬 네트워크(1152)에 연결된다. 어댑터(1156)는 LAN(1152)에의 유선 또는 무선 통신을 용이하게 해줄 수 있으며, 이 LAN(1152)은 또한 무선 어댑터(1156)와 통신하기 위해 그에 설치되어 있는 무선 액세스 포인트를 포함하고 있다. WAN 네트워킹 환경에서 사용될 때, 컴퓨터(1102)는 모뎀(1158)을 포함할 수 있거나, WAN(1154) 상의 통신 서버에 연결되거나, 또는 인터넷을 통하는 등, WAN(1154)을 통해 통신을 설정하는 기타 수단을 갖는다. 내장형 또는 외장형 및 유선 또는 무선 장치일 수 있는 모뎀(1158)은 직렬 포트 인터페이스(1142)를 통해 시스템 버스(1108)에 연결된다. 네트워크화된 환경에서, 컴퓨터(1102)에 대해 설명된 프로그램 모듈들 또는 그의 일부분이 원격 메모리/저장 장치(1150)에 저장될 수 있다. 도시된 네트워크 연결이 예시적인 것이며 컴퓨터들 사이에 통신 링크를 설정하는 기타 수단이 사용될 수 있다는 것을 잘 알 것이다.
컴퓨터(1102)는 무선 통신으로 배치되어 동작하는 임의의 무선 장치 또는 개체, 예를 들어, 프린터, 스캐너, 데스크톱 및/또는 휴대용 컴퓨터, PDA(portable data assistant), 통신 위성, 무선 검출가능 태그와 연관된 임의의 장비 또는 장소, 및 전화와 통신을 하는 동작을 한다. 이것은 적어도 Wi-Fi 및 블루투스 무선 기술을 포함한다. 따라서, 통신은 종래의 네트워크에서와 같이 미리 정의된 구조이거나 단순하게 적어도 2개의 장치 사이의 애드혹 통신(ad hoc communication)일 수 있다.
Wi-Fi(Wireless Fidelity)는 유선 없이도 인터넷 등으로의 연결을 가능하게 해준다. Wi-Fi는 이러한 장치, 예를 들어, 컴퓨터가 실내에서 및 실외에서, 즉 기지국의 통화권 내의 아무 곳에서나 데이터를 전송 및 수신할 수 있게 해주는 셀 전화와 같은 무선 기술이다. Wi-Fi 네트워크는 안전하고 신뢰성있으며 고속인 무선 연결을 제공하기 위해 IEEE 802.11(a,b,g, 기타)이라고 하는 무선 기술을 사용한다. 컴퓨터를 서로에, 인터넷에 및 유선 네트워크(IEEE 802.3 또는 이더넷을 사용함)에 연결시키기 위해 Wi-Fi가 사용될 수 있다. Wi-Fi 네트워크는 비인가 2.4 및 5 GHz 무선 대역에서, 예를 들어, 11Mbps(802.11a) 또는 54 Mbps(802.11b) 데이터 레이트로 동작하거나, 양 대역(듀얼 대역)을 포함하는 제품에서 동작할 수 있다.
본 개시의 기술 분야에서 통상의 지식을 가진 자는 여기에 개시된 실시예들과 관련하여 설명된 다양한 예시적인 논리 블록들, 모듈들, 프로세서들, 수단들, 회로들 및 알고리즘 단계들이 전자 하드웨어, (편의를 위해, 여기에서 "소프트웨어"로 지칭되는) 다양한 형태들의 프로그램 또는 설계 코드 또는 이들 모두의 결합에 의해 구현될 수 있다는 것을 이해할 것이다. 하드웨어 및 소프트웨어의 이러한 상호 호환성을 명확하게 설명하기 위해, 다양한 예시적인 컴포넌트들, 블록들, 모듈들, 회로들 및 단계들이 이들의 기능과 관련하여 위에서 일반적으로 설명되었다. 이러한 기능이 하드웨어 또는 소프트웨어로서 구현되는지 여부는 특정한 애플리케이션 및 전체 시스템에 대하여 부과되는 설계 제약들에 따라 좌우된다. 본 개시의 기술 분야에서 통상의 지식을 가진 자는 각각의 특정한 애플리케이션에 대하여 다양한 방식들로 설명된 기능을 구현할 수 있으나, 이러한 구현 결정들은 본 개시의 범위를 벗어나는 것으로 해석되어서는 안 될 것이다.
여기서 제시된 다양한 실시예들은 방법, 장치, 또는 표준 프로그래밍 및/또는 엔지니어링 기술을 사용한 제조 물품(article)으로 구현될 수 있다. 용어 "제조 물품"은 임의의 컴퓨터-판독가능 장치로부터 액세스 가능한 컴퓨터 프로그램, 캐리어, 또는 매체(media)를 포함한다. 예를 들어, 컴퓨터-판독가능 매체는 자기 저장 장치(예를 들면, 하드 디스크, 플로피 디스크, 자기 스트립, 등), 광학 디스크(예를 들면, CD, DVD, 등), 스마트 카드, 및 플래쉬 메모리 장치(예를 들면, EEPROM, 카드, 스틱, 키 드라이브, 등)를 포함하지만, 이들로 제한되는 것은 아니다. 또한, 여기서 제시되는 다양한 저장 매체는 정보를 저장하기 위한 하나 이상의 장치 및/또는 다른 기계-판독가능한 매체를 포함한다. 용어 "기계-판독가능 매체"는 명령(들) 및/또는 데이터를 저장, 보유, 및/또는 전달할 수 있는 무선 채널 및 다양한 다른 매체를 포함하지만, 이들로 제한되는 것은 아니다.
제시된 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조는 예시적인 접근들의 일례임을 이해하도록 한다. 설계 우선순위들에 기반하여, 본 개시의 범위 내에서 프로세스들에 있는 단계들의 특정한 순서 또는 계층 구조가 재배열될 수 있다는 것을 이해하도록 한다. 첨부된 방법 청구항들은 샘플 순서로 다양한 단계들의 엘리먼트들을 제공하지만 제시된 특정한 순서 또는 계층 구조에 한정되는 것을 의미하지는 않는다.
제시된 실시예들에 대한 설명은 임의의 본 개시의 기술 분야에서 통상의 지식을 가진 자가 본 개시를 이용하거나 또는 실시할 수 있도록 제공된다. 이러한 실시예들에 대한 다양한 변형들은 본 개시의 기술 분야에서 통상의 지식을 가진 자에게 명백할 것이며, 여기에 정의된 일반적인 원리들은 본 개시의 범위를 벗어남이 없이 다른 실시예들에 적용될 수 있다. 그리하여, 본 개시는 여기에 제시된 실시예들로 한정되는 것이 아니라, 여기에 제시된 원리들 및 신규한 특징들과 일관되는 최광의의 범위에서 해석되어야 할 것이다.

Claims (16)

  1. 수면 환경 조절 장치에 있어서,
    사용자가 위치할 수 있는 메인 바디;
    프로세서의 제어 신호에 기초하여 상기 메인 바디의 환경 조정 동작을 수행하는 동작부;
    하나 이상의 코어를 포함하는 프로세서; 및
    상기 프로세서에서 실행가능한 프로그램 코드들을 저장하는 메모리;
    를 포함하고, 그리고
    상기 프로세서는,
    실내 환경 정보에 기초하여 예상 평균 온열감 정보(Predicted Mean Vote)를 산출하고, 상기 사용자의 사용자 기본 정보에 기초하여 상기 예상 평균 온열감 정보를 조정하고, 상기 조정된 예상 평균 온열감 정보에 기초하여 예상 불만족도 정보(Predicted Percentage of Dissatisfied)를 산출하고, 그리고 상기 조정된 예상 평균 온열감 정보 및 상기 예상 불만족도 정보에 기초하여 상기 동작부의 수면 환경 조정 동작을 제어하는,
    수면 환경 조절 장치.
  2. 제 1 항에 있어서,
    상기 실내 환경 정보는,
    실내 온도, 실내 습도, 기류 속도, 평균 복사 온도, 상기 사용자의 활동량 또는 상기 사용자의 착의량 중 적어도 하나에 관한 정보를 포함하고,
    상기 수면 환경 조절 장치는,
    상기 실내 환경 정보를 획득하기 위한 환경 측정부;
    를 더 포함하는,
    수면 환경 조절 장치.
  3. 제 2 항에 있어서,
    상기 환경 측정부는,
    상기 실내 온도를 측정하기 위한 온도 센서 모듈;
    상기 실내 습도를 측정하기 위한 습도 센서 모듈;
    상기 기류 속도를 측정하기 위한 기류 속도 센서 모듈; 및
    상기 평균 복사 온도를 측정하기 위한 복사 온도 센서 모듈;
    을 포함하는,
    수면 환경 조절 장치.
  4. 제 2 항에 있어서,
    상기 사용자 기본 정보, 상기 사용자의 활동량 및 착의량에 관련한 정보를 획득하기 위한 사용자의 입력을 수신하는 입력부;
    를 더 포함하는,
    수면 환경 조절 장치.
  5. 제 1 항에 있어서,
    상기 사용자 기본 정보는,
    상기 사용자의 키, 몸무게, 나이, 성별, 체질량 또는 온도 변화 민감도에 관한 정보 중 적어도 하나를 포함하며, 상기 예상 평균 온열감 정보를 조정하기 위한 기준이 되는,
    수면 환경 조절 장치.
  6. 제 1 항에 있어서,
    상기 프로세서는,
    상기 사용자 기본 정보에 포함된 사용자의 나이, 성별, 체질량 또는 온도 변화 민감도 중 적어도 하나에 기초하여 상기 예상 평균 온열감 정보를 조정하는,
    수면 환경 조절 장치.
  7. 제 1 항에 있어서,
    상기 동작부는,
    상기 메인 바디에 구비되며, 상기 사용자의 수면 환경을 조정하기 위하여 상기 메인 바디에 냉풍 또는 열풍을 공급하는,
    수면 환경 조절 장치.
  8. 제 1 항에 있어서,
    상기 프로세서는,
    상기 조정된 예상 평균 온열감 정보 및 예상 불만족도 정보와 사전 결정된 쾌적 환경 기준 정보의 비교에 기초하여 상기 동작부의 환경 조정 동작을 제어하는,
    수면 환경 조절 장치.
  9. 제 8 항에 있어서,
    상기 사전 결정된 쾌적 환경 기준 정보는,
    최적의 수면 환경을 결정하기 위한 기준이 되는 정보로 사전 결정된 범위를 가지며, 상기 조정된 예상 평균 온열감 정보에 기준이 되는 예상 평균 온열감 기준 정보 및 상기 예상 불만족도 정보에 기준이 되는 예상 불만족도 기준 정보를 포함하는,
    수면 환경 조절 장치.
  10. 제 9 항에 있어서,
    상기 프로세서는,
    상기 조정된 예상 평균 온열감 정보가 상기 예상 평균 온열감 기준 정보의 사전 결정된 범위를 벗어나는 경우, 상기 조정된 예상 평균 온열감 정보가 상기 예상 평균 온열감 기준 정보의 사전 결정된 범위 이내에 위치하도록 상기 동작부의 환경 조정 동작을 제어하거나, 또는
    상기 예상 불만족도 정보가 상기 예상 불만족도 기준 정보의 사전 결정된 범위를 벗어나는 경우, 상기 예상 불만족도 정보가 상기 예상 불만족도 기준 정보의 사전 결정된 범위 이내에 위치하도록 상기 동작부의 환경 조정 동작을 제어하는,
    수면 환경 조절 장치.
  11. 제 1 항에 있어서,
    상기 프로세서는,
    상기 실내 환경 정보에 기초하여 산출된 조정된 평균 예상 온열감 정보 및 예상 불만족도 정보에 대응하여 상기 동작부에서 수행 가능한 하나 이상의 환경 조정 동작들 중 최적의 동작을 결정하기 위한 동작 결정 알고리즘을 포함하는,
    수면 환경 조절 장치.
  12. 제 11 항에 있어서,
    상기 프로세서는,
    상기 사용자의 환경 조정 피드백 정보를 수신하고, 상기 수신한 환경 조정 피드백 정보에 적어도 부분적으로 기초하여 상기 동작 결정 알고리즘을 업데이트하는,
    수면 환경 조절 장치.
  13. 제 1 항에 있어서,
    상기 실내 환경 정보는,
    제 1 시점에 획득되는 현재 실내 환경 정보 및 상기 제 1 시점에서의 사용자의 수면 환경에 대응하여 상기 동작부의 환경 조정 동작이 수행된 이후 시점인 제 2 시점에 획득되는 동작 후 실내 환경 정보를 포함하며,
    상기 프로세서는,
    상기 동작 후 실내 환경 정보에 기초하여 산출된 조정된 평균 예상 온열감 정보 및 예상 불만족도 정보에 기초하여 상기 환경 조정 동작의 적정성 여부를 판단하는,
    수면 환경 조절 장치.
  14. 제 13 항에 있어서,
    상기 프로세서는,
    상기 환경 조정 동작이 적정하다고 판단한 경우, 상기 현재 실내 환경 정보에 기초하여 상기 환경 조정 동작을 결정할 확률이 증가하도록 동작 결정 알고리즘을 업데이트하거나, 또는
    상기 환경 조정 동작이 적정하지 않다고 판단한 경우, 상기 현재 실내 환경 정보에 기초하여 상기 환경 조정 동작을 결정한 확률이 감소하도록 동작 결정 알고리즘을 업데이트 하는,
    수면 환경 조절 장치.
  15. 컴퓨팅 장치의 프로세서에서 수행되는 수면 환경을 조절하는 방법에 있어서,
    상기 컴퓨팅 장치의 프로세서가 실내 환경 정보에 기초하여 예상 평균 온열감 정보를 산출하는 단계;
    상기 프로세서가 사용자의 사용자 기본 정보에 기초하여 상기 예상 평균 온열감 정보를 조정하는 단계;
    상기 프로세서가 상기 조정된 예상 평균 온열감 정보에 기초하여 예상 불만족도 정보를 산출하는 단계; 및
    상기 프로세서가 상기 조정된 예상 평균 온열감 정보 및 예상 불만족도 정보에 기초하여 동작부의 수면 환경 조정 동작을 제어하는 단계;
    를 포함하는,
    컴퓨팅 장치의 프로세서에서 수행되는 수면 환경을 조절하는 방법.
  16. 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 하나 이상의 프로세서에서 실행되는 경우, 상기 하나 이상의 프로세서들로 하여금 수면 환경을 조절하기 위한 이하의 동작들을 수행하도록 하며, 상기 동작들은:
    실내 환경 정보에 기초하여 예상 평균 온열감 정보를 산출하는 동작;
    사용자의 사용자 기본 정보에 기초하여 상기 예상 평균 온열감 정보를 조정하는 동작;
    상기 조정된 예상 평균 온열감 정보에 기초하여 예상 불만족도 정보를 산출하는 동작; 및
    상기 조정된 예상 평균 온열감 정보 및 예상 불만족도 정보에 기초하여 동작부의 수면 환경 조정 동작을 제어하는 동작;
    을 포함하는,
    컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램.



KR1020200056129A 2020-05-11 2020-05-11 수면 환경 조절 장치 KR20210137817A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020200056129A KR20210137817A (ko) 2020-05-11 2020-05-11 수면 환경 조절 장치
PCT/KR2021/005713 WO2021230573A1 (ko) 2020-05-11 2021-05-07 수면 환경 조절 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200056129A KR20210137817A (ko) 2020-05-11 2020-05-11 수면 환경 조절 장치

Publications (1)

Publication Number Publication Date
KR20210137817A true KR20210137817A (ko) 2021-11-18

Family

ID=78524476

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200056129A KR20210137817A (ko) 2020-05-11 2020-05-11 수면 환경 조절 장치

Country Status (2)

Country Link
KR (1) KR20210137817A (ko)
WO (1) WO2021230573A1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100791371B1 (ko) 2005-10-07 2008-01-07 삼성전자주식회사 숙면 및 기상 유도 장치 및 방법

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2006194540A (ja) * 2005-01-14 2006-07-27 Kansai Electric Power Co Inc:The 温冷感予測値を用いた空調制御方法、空調装置、空調装置用プログラム及びサーバ装置
JP2017000211A (ja) * 2015-06-04 2017-01-05 パナソニックＩｐマネジメント株式会社 睡眠環境制御システム
KR101757446B1 (ko) * 2016-11-10 2017-07-13 (주)아스크스토리 인공지능을 이용한 공기조화시스템 제어 장치 및 그 방법
KR102057463B1 (ko) * 2018-03-07 2019-12-19 이정우 강화학습을 이용한 수면 환경 조절 장치
KR102100120B1 (ko) * 2018-06-29 2020-04-13 링크페이스 주식회사 생체 신호를 모니터링하는 방법, 장치 및 컴퓨터 프로그램

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100791371B1 (ko) 2005-10-07 2008-01-07 삼성전자주식회사 숙면 및 기상 유도 장치 및 방법

Also Published As

Publication number Publication date
WO2021230573A1 (ko) 2021-11-18

Similar Documents

Publication Publication Date Title
JP2021516599A (ja) 強化学習を利用した睡眠環境調節装置
KR102264498B1 (ko) 유병 확률 예측을 위한 컴퓨터 프로그램
Lu et al. Data-driven simulation of a thermal comfort-based temperature set-point control with ASHRAE RP884
US11537900B2 (en) Anomaly detection
US20200245913A1 (en) Systems, methods, and devices for biophysical modeling and response prediction
Novák et al. Anomaly detection in user daily patterns in smart-home environment
KR20210078258A (ko) 공기 조화기 및 공기 조화기를 제어하기 위한 방법
Lu et al. Hybrid user-assisted incremental model adaptation for activity recognition in a dynamic smart-home environment
Natarajan et al. A transfer active learning framework to predict thermal comfort
Liu et al. Multi-output selective ensemble identification of nonlinear and nonstationary industrial processes
Deng et al. Toward smart multizone HVAC control by combining context-aware system and deep reinforcement learning
KR20210137817A (ko) 수면 환경 조절 장치
KR102489534B1 (ko) 수집이 필요한 정보의 영역을 예측하는 방법
Suman et al. Towards personalization of user preferences in partially observable smart home environments
Moallem et al. Anomaly detection in smart homes using deep learning
Javed et al. Personalized thermal comfort modeling based on Support Vector Classification
Urda et al. Energy-efficient reprogramming in wsn using constructive neural networks.
US20210125068A1 (en) Method for training neural network
KR20220017349A (ko) 사용자의 수면 환경에서 측정된 데이터에 기반하여 수면 상태를 예측하기 위한 컴퓨팅 장치
KR20220055657A (ko) 상품 추천을 위한 방법, 컴퓨터 프로그램 및 서버
KR102561345B1 (ko) Drqn 기반 hvac 제어 방법 및 장치
Jin et al. Personalized Control of Indoor Air Temperature Based on Deep Learning
KR102530179B1 (ko) 강화학습 기반 hvac 제어 방법
Laftchiev et al. Dynamic Thermal Comfort Optimization for Groups
KR20190134584A (ko) 강화학습을 이용한 수면 환경 조절 장치

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X601 Decision of rejection after re-examination