KR20220052338A - 신체 부위 식별 - Google Patents

Abstract

일 태양에 따르면, 핸드헬드 디바이스가 사용되는 대상의 신체 부위를 식별하는 컴퓨터 구현 방법이 제공된다. 핸드헬드 디바이스는 대상에 개인 케어 동작을 수행하기 위한 것이고, 핸드헬드 디바이스는 개인 케어 동작 동안 대상의 피부와 접촉하기 위한 헤드부를 포함한다. 핸드헬드 디바이스는 핸드헬드 디바이스가 대상의 피부 상에 사용됨에 따라 각자의 파라미터를 측정하기 위한 그리고 각자의 측정 신호들을 생성하기 위한 하나 이상의 센서들을 추가로 포함하고, 하나 이상의 센서들은, (a) 피부 접촉 센서로서, 피부 접촉 센서에 의해 측정된 파라미터는 헤드부가 피부와 접촉하고 있는지 여부를 나타내는, 상기 피부 접촉 센서, (b) 피부 톤 센서로서, 피부 톤 센서에 의해 측정된 파라미터는 헤드부가 접촉하고 있는 피부의 피부 톤을 나타내거나, 또는 헤드부가 접촉하고 있는 피부에 인접하는 피부의 피부 톤을 나타내는, 상기 피부 톤 센서, 및 (c) 근접 센서로서, 근접 센서에 의해 측정된 파라미터는 근접 센서로부터 헤드부가 접촉하고 있는 피부에 인접한 피부까지의 거리를 나타내는, 상기 근접 센서 중 적어도 하나를 포함한다. 본 방법은, 핸드헬드 디바이스가 대상의 피부 상에 사용됨에 따라 각자의 파라미터의 시계열(time-series) 측정치들을 포함하는 각자의 측정 신호를 하나 이상의 센서들 각각으로부터 획득하는 단계; 획득된 하나 이상의 측정 신호들 각각에 대한 시간 윈도우에서 복수의 측정치들을 분석하여 신체 부위를 식별하는 트레이닝된 기계 학습 모델(machine learning model, MLM)을 사용하여 획득된 하나 이상의 측정 신호들을 분석하여, 핸드헬드 디바이스가 사용되는 대상의 신체 부위를 식별하는 단계; 및 식별된 신체 부위의 표시를 출력하는 단계를 포함한다.

Description

신체 부위 식별

본 개시내용은 대상에 개인 케어 동작을 수행하기 위한 핸드헬드 디바이스에 관한 것으로, 특히 핸드헬드 디바이스가 사용되는 대상의 신체 부위를 식별하기 위한 기법에 관한 것이다.

대상의 신체 부위 상에 사용되어 신체에 대한 개인 케어 동작을 제공할 수 있는 많은 유형들의 핸드헬드 디바이스가 이용가능하다. 예를 들어, 면도, 전기분해, 발모(plucking), 레이저 및 광 요법들(광 제모(photoepilation) 또는 IPL(Intense Pulsed Light)로서 알려짐), 및 치료용 항안드로겐의 주사와 같은 다양한 기법들을 사용하여 원하지 않는 모발들을 제거하기 위한 핸드헬드 디바이스들이 존재한다. 모발 성장 감소 및 여드름 치료를 포함한 다른 유형들의 피부과적 동작들이 또한 광 기반 기술들을 사용할 수 있다. 핸드헬드 디바이스들은 또한, 대상에게 마사지를 제공하기 위해, 손톱 치료를 제공하기 위해, 물리치료를 제공하기 위해, 대상에게 패치(patch)들(예컨대, 심전도(electrocardiogram, ECG) 전극들 등)을 적용하기 위해 사용될 수 있다. 신체 부위 상에 사용될 수 있는 다른 유형의 핸드헬드 디바이스는 초음파 프로브이다.

IPL 치료는, IPL 디바이스의 사용자가 모발 제거의 목적을 위해 피부의 상대적으로 작은 면적들을 치료하는 것을 특징으로 한다. IPL 치료는 강렬한 광을 사용하여 모발 및 모발 뿌리들 내의 멜라닌을 가열하는데, 이는 모낭을 휴지기(resting phase)에 두게 하여 모발이 재성장하는 것을 방지한다. 이러한 효과는 제한된 지속기간만을 갖고, 따라서 치료는 정기적으로, 즉 전형적으로 치료가 2주마다 한번 수행되는 약 2달의 초기 기간 후 유지 단계에서 4 내지 8주마다 한번 반복되어야 한다.

IPL 치료 디바이스는 상이한 피부 톤 및 모발 색상 조합들에 부합하기 위해 상이한 광 강도 설정값들을 사용할 수 있다. 일부 기존의 IPL 치료 디바이스들, 예를 들어 필립스 루메아(Philips Lumea)는 피부 톤을 측정하기 위한 피부 톤 센서를 포함할 수 있고, 측정된 피부 톤은 가장 안전한 광 강도 설정값을 설정하고/추천하는 데 사용될 수 있다. 또한, 신체의 상이한 부위들은 상이한 치료 특성들을 필요로 할 수 있다. 일부 경우들에, 이것은 상이한 신체 부위들과의 사용을 위해, 예컨대 얼굴 및 비키니 영역에 대해 IPL 치료 디바이스에 대한 상이한 부착물들을 제공하고 사용함으로써 처리될 수 있지만, IPL 치료 디바이스가 사용되고 있는(그리고/또는 사용되었던) 신체의 일부가 결정되는 것이 바람직하다.

신체 부위에 대한 이러한 정보는 또한 개인 케어 동작을 수행하기 위한 핸드헬드 디바이스의 일반적인 경우에 유용하고, 그 정보는 핸드헬드 디바이스의 동작을 조정하는 데뿐만 아니라, 적절한 신체 부위 또는 신체 부위의 일부에 대해 개인 케어 동작을 수행하도록 핸드헬드 디바이스의 사용자를 안내하는 데 사용될 수 있는데, 이는 대상에 수행된 개인 케어 동작의 요약 또는 보고를 제공하고, 신체 부위의 재치료를 스케줄링하며, 개인화된 콘텐츠를 사용자 또는 대상에게 제공한다.

따라서, 핸드헬드 디바이스가 사용되고 있는 신체 부위를 식별하는 데 있어서 개선들이 필요하다.

제1 특정 태양에 따르면, 핸드헬드 디바이스가 사용되는 대상의 신체 부위를 식별하는 컴퓨터 구현 방법이 제공된다. 핸드헬드 디바이스는 대상에 개인 케어 동작을 수행하기 위한 것이고, 핸드헬드 디바이스는 개인 케어 동작 동안 대상의 피부와 접촉하기 위한 헤드부를 포함한다. 핸드헬드 디바이스는, 핸드헬드 디바이스가 대상의 피부 상에 사용됨에 따라 각자의 파라미터를 측정하기 위한 그리고 각자의 측정 신호들을 생성하기 위한 하나 이상의 센서들을 추가로 포함한다. 하나 이상의 센서들은, (a) 피부 접촉 센서로서, 피부 접촉 센서에 의해 측정된 파라미터는 헤드부가 피부와 접촉하고 있는지 여부를 나타내는, 상기 피부 접촉 센서, (b) 피부 톤 센서로서, 피부 톤 센서에 의해 측정된 파라미터는 헤드부가 접촉하고 있는 피부의 피부 톤을 나타내거나, 또는 헤드부가 접촉하고 있는 피부에 인접하는 피부의 피부 톤을 나타내는, 상기 피부 톤 센서, 및 (c) 근접 센서로서, 근접 센서에 의해 측정된 파라미터는 근접 센서로부터 헤드부가 접촉하고 있는 피부에 인접한 피부까지의 거리를 나타내는, 상기 근접 센서 중 적어도 하나를 포함한다. 본 방법은, 핸드헬드 디바이스가 대상의 피부 상에 사용됨에 따라 각자의 파라미터의 시계열(time-series) 측정치들을 포함하는 각자의 측정 신호를 하나 이상의 센서들 각각으로부터 획득하는 단계; 획득된 하나 이상의 측정 신호들 각각에 대한 시간 윈도우에서 복수의 측정치들을 분석하여 신체 부위를 식별하는 트레이닝된 기계 학습 모델(machine learning model, MLM)을 사용하여 획득된 하나 이상의 측정 신호들을 분석하여, 핸드헬드 디바이스가 사용되는 대상의 신체 부위를 식별하는 단계; 및 식별된 신체 부위의 표시를 출력하는 단계를 포함한다. 따라서, 제1 태양은 피부 접촉 센서, 피부 톤 센서 및 근접 센서 중 하나 이상으로부터의 측정 신호들에 기초하여 신체 부위를 식별할 수 있는 트레이닝된 MLM의 사용을 통해 신체 부위들의 식별에서의 개선들을 제공한다. 신체 부위를 식별하기 위해 획득된 하나 이상의 측정 신호들 각각에 대한 시간 윈도우에서 복수의 측정치들을 분석함으로써, MLM은 측정 신호들에서 시간적 정보를 고려하도록 인에이블된다.

일부 실시예들에서, 트레이닝된 MLM은 로지스틱 회귀 모델(logistic regression model), 지지 벡터 기계(support vector machine), 랜덤 포레스트, 나이브 베이즈 분류기(

Bayes classifier), 최근접 이웃 분류기(nearest neighbour classifier), 결정 트리 분류기, 인공 신경 네트워크 또는 이들의 임의의 조합이다.

일부 실시예들에서, 트레이닝된 MLM은 획득된 하나 이상의 측정 신호들 각각에서의 측정치를 분석하여, 상기 측정치들에 대응하는 신체 부위를 식별한다. 이들 실시예들은, MLM이 측정 신호들에서 각각의 측정 샘플에 대한 신체 부위의 아이덴티티를 제공한다는 것을 제공한다.

이들 실시예들에서, 본 방법은 획득된 하나 이상의 측정 신호들 각각에서의 후속적인 측정치에 대해 분석하는 단계를 반복하여 상기 후속적인 측정치들에 대응하는 신체 부위를 식별하는 단계를 추가로 포함할 수 있다. 이들 실시예들은 개인 케어 동작의 과정 동안 신체 부위가 연속적으로 식별될 수 있다는 것을 제공한다.

일 실시예에서, 본 방법은 획득된 하나 이상의 측정 신호들 각각에 대한 시간 윈도우에서 복수의 측정치들에 대한 하나 이상의 특징부들의 각자의 값들을 결정하는 단계를 추가로 포함할 수 있고; 트레이닝된 MLM은 결정된 각자의 값들을 분석하여 신체 부위를 식별할 수 있다.

이러한 실시예에서, 본 방법은 획득된 하나 이상의 측정 신호들에 걸쳐 시간 윈도우를 이동시켜 후속적인 복수의 측정치들을 제공하는 단계; 및 후속적인 복수의 측정치들을 사용하여 분석하는 단계를 반복하여 상기 후속적인 복수의 측정치들에 대응하는 신체 부위를 식별하는 단계를 추가로 포함할 수 있다. 이들 실시예들은 개인 케어 동작의 과정 동안 신체 부위가 연속적으로 식별될 수 있다는 것을 제공한다.

일부 실시예들에서, 본 방법은, 하나 이상의 측정 신호들에서의 후속적인 측정치들에 대해 분석하는 단계를 반복하여 식별된 신체 부위를 나타내는 일련의 출력들을 제공하는 단계; 및 일련의 출력들에 필터를 적용하여 핸드헬드 디바이스가 사용되었던 신체 부위를 나타내는 최종 출력을 결정하는 단계를 추가로 포함한다. 이들 실시예들은 거짓 신체 부위 식별들이 MLM의 출력으로부터 '제거(smoothed out)'될 수 있다는 이점을 제공한다.

일부 실시예들에서, 본 방법은 핸드헬드 디바이스가 제1 기간 동안 사용되는 대상의 신체 부위에 대한 확인을 사용자로부터 수신하는 단계; 및 수신된 확인 및 제1 기간에 대응하는 획득된 하나 이상의 측정 신호들의 일부에 기초하여 트레이닝된 MLM을 업데이트하는 단계를 추가로 포함한다. 이들 실시예들은 검출 정확도를 개선하기 위해 MLM이 리파이닝(refining)될 수 있다는 것을 제공한다. 이들 실시예들은 또한, MLM이 대상의 신체 부위들의 형상에 대해 맞춤화되거나 또는 교정될 수 있다는 것을 제공한다.

일부 실시예들에서, 핸드헬드 디바이스의 헤드부는 제거가능 헤드부들의 세트로부터 선택되고, 여기서 세트 내의 각각의 헤드부는 각자의 신체 부위 또는 각자의 신체 부위들과의 사용을 위한 것이고, 본 방법은 개인 케어 동작 동안 핸드헬드 디바이스에 사용된 제거가능 헤드부의 표시를 획득하는 단계를 추가로 포함하고, 트레이닝된 MLM은 획득된 하나 이상의 측정 신호들과 함께 획득된 표시를 추가로 분석하여 핸드헬드 디바이스가 사용되는 대상의 신체 부위를 식별한다. 이들 실시예들은, MLM이, 핸드헬드 디바이스 상에서 사용 중인 제거가능 헤드부를 사용하여 치료될 신체 부위(들)에 관한 정보를 사용함으로써 신체 부위 식별의 정확도를 개선시킨다.

일부 실시예들에서, 하나 이상의 센서들은 피부 접촉 센서, 및 피부 톤 센서 및 근접 센서 중 적어도 하나를 포함하고, 분석하는 단계는, 피부 접촉 센서로부터의 측정 신호를 분석하여 핸드헬드 디바이스가 피부와 접촉하고 있는 접촉 기간을 식별하는 단계; 및 트레이닝된 MLM을 사용하여 식별된 접촉 기간 동안 피부 톤 센서 및 근접 센서 중 적어도 하나로부터의 획득된 하나 이상의 측정 신호들을 분석하여 식별된 접촉 기간에 핸드헬드 디바이스가 사용되는 대상의 신체 부위를 식별하는 단계를 포함한다. 이들 실시예들은, 핸드헬드 디바이스가 특정 신체 부위 상에서 동작하는 동안 피부와 접촉되어 유지되고, 이때 핸드헬드 디바이스가 상이한 신체 부위에 재포지셔닝될 때에는 접촉이 깨진다는 가정을 사용한다.

이들 실시예들에서, 피부 접촉 센서로부터의 측정 신호를 분석하는 단계는 핸드헬드 디바이스가 피부와 연속적으로 접촉하는 기간으로서 접촉 기간을 식별하는 단계를 포함할 수 있다.

대안적으로, 이들 실시예들에서, 피부 접촉 센서로부터의 측정 신호를 분석하는 단계는, 다수의 기간들 - 각각의 기간에 핸드헬드 디바이스가 피부와 연속적으로 접촉함 - 에 걸쳐 있는 것으로서 접촉 기간을 식별하는 단계를 포함할 수 있고, 다수의 기간들은 임계 시간 간격보다 작다. 이들 실시예들은 피부 접촉이 상실되는 짧은 기간들이 허용된다는 이점을 갖는다.

일부 실시예들에서, 하나 이상의 센서들은 적어도 하나의 피부 접촉 센서 및 피부 톤 센서를 포함한다.

대안적인 실시예들에서, 하나 이상의 센서들은 적어도 하나의 피부 접촉 센서, 피부 톤 센서 및 하나 이상의 근접 센서들을 포함한다.

일부 실시예들에서, 하나 이상의 센서들은 적어도 복수의 근접 센서들을 포함하고, 복수의 근접 센서들은, 각각의 근접 센서가 근접 센서로부터 헤드부가 접촉하고 있는 피부에 인접한 피부의 각자의 부위까지의 거리를 나타내는 파라미터를 측정하도록 핸드헬드 디바이스에 배열된다.

일부 실시예들에서, 피부 접촉 센서는 용량성 센서이고, 피부 톤 센서는 광학 센서이고, 근접 센서는 광 및/또는 사운드 기반 근접 센서이다.

일부 실시예들에서, 근접 센서는 수직 공동 표면 방출 레이저(vertical-cavity surface-emitting laser, VCSEL) 센서를 포함한다.

일부 실시예들에서, 대상의 신체 부위는 발, 다리, 하부 다리, 다리, 상부 다리, 복부, 몸통, 흉부, 등, 손, 팔, 하부 팔, 상부 팔, 겨드랑이, 어깨, 목, 얼굴, 윗 입술, 두피 또는 머리 중 임의의 것이다.

제2 태양에 따르면, 컴퓨터 판독가능 코드가 내부에 구현된 컴퓨터 판독가능 매체를 포함하는 컴퓨터 프로그램 제품으로서, 컴퓨터 판독가능 코드는, 적합한 컴퓨터 또는 프로세서에 의한 실행 시에, 컴퓨터 또는 프로세서가 제1 태양 또는 그의 임의의 실시예에 따른 방법을 수행하게 하도록 구성되는, 컴퓨터 프로그램 제품이 제공된다.

제3 특정 태양에 따르면, 대상에 개인 케어 동작을 수행하기 위한 핸드헬드 디바이스, 및 핸드헬드 디바이스가 사용되는 대상의 신체 부위를 식별하기 위한 장치를 포함하는 시스템이 제공된다. 핸드헬드 디바이스는 개인 케어 동작 동안 대상의 피부와 접촉하기 위한 헤드부를 포함한다. 핸드헬드 디바이스는, 핸드헬드 디바이스가 대상의 피부 상에 사용됨에 따라 각자의 파라미터를 측정하기 위한 그리고 각자의 측정 신호들을 생성하기 위한 하나 이상의 센서들을 추가로 포함한다. 하나 이상의 센서들은, (a) 피부 접촉 센서로서, 피부 접촉 센서에 의해 측정된 파라미터는 헤드부가 피부와 접촉하고 있는지 여부를 나타내는, 상기 피부 접촉 센서, (b) 피부 톤 센서로서, 피부 톤 센서에 의해 측정된 파라미터는 헤드부가 접촉하고 있는 피부의 피부 톤을 나타내거나, 또는 헤드부가 접촉하고 있는 피부에 인접하는 피부의 피부 톤을 나타내는, 상기 피부 톤 센서, 및 (c) 근접 센서로서, 근접 센서에 의해 측정된 파라미터는 근접 센서로부터 헤드부가 접촉하고 있는 피부에 인접한 피부까지의 거리를 나타내는, 상기 근접 센서 중 적어도 하나를 포함한다. 본 장치는, 핸드헬드 디바이스가 대상의 피부 상에 사용됨에 따라 각자의 파라미터의 시계열 측정치들을 포함하는 각자의 측정 신호를 하나 이상의 센서들 각각으로부터 획득하고; 획득된 하나 이상의 측정 신호들 각각에 대한 시간 윈도우에서 복수의 측정치들을 분석하여 신체 부위를 식별하도록 구성된 트레이닝된 기계 학습 모델(MLM)을 사용하여 획득된 하나 이상의 측정 신호들을 분석하여, 핸드헬드 디바이스가 사용되는 대상의 신체 부위를 식별하고; 식별된 신체 부위의 표시를 출력하도록 구성된 프로세싱 유닛을 포함한다. 따라서, 제3 태양은 피부 접촉 센서, 피부 톤 센서 및 근접 센서 중 하나 이상으로부터의 측정 신호들에 기초하여 신체 부위를 식별할 수 있는 트레이닝된 MLM의 사용을 통해 신체 부위들의 식별에서의 개선들을 제공한다. 트레이닝된 MLM이 신체 부위를 식별하기 위해 획득된 하나 이상의 측정 신호들 각각에 대한 시간 윈도우에서 복수의 측정치들을 분석하도록 구성되기 때문에, MLM은 측정 신호들에서 시간적 정보를 고려하도록 인에이블된다.

일부 실시예들에서, 트레이닝된 MLM은 로지스틱 회귀 모델, 지지 벡터 기계, 랜덤 포레스트, 나이브 베이즈 분류기, 최근접 이웃 분류기, 결정 트리 분류기, 인공 신경 네트워크 또는 이들의 임의의 조합이다.

일부 실시예들에서, 프로세싱 유닛은 MLM을 사용하여 획득된 하나 이상의 측정 신호들 각각에서의 측정치를 분석하여, 상기 측정치들에 대응하는 신체 부위를 식별하도록 구성된다. 이들 실시예들은, MLM이 측정 신호들에서 각각의 측정 샘플에 대한 신체 부위의 아이덴티티를 제공한다는 것을 제공한다.

이러한 실시예들에서, 프로세싱 유닛은 획득된 하나 이상의 측정 신호들 각각에서의 후속적인 측정치에 대한 분석을 반복하여, 상기 후속적인 측정치들에 대응하는 신체 부위를 식별하도록 추가로 구성될 수 있다. 이들 실시예들은 개인 케어 동작의 과정 동안 신체 부위가 연속적으로 식별될 수 있다는 것을 제공한다.

일 실시예에서, 프로세싱 유닛은 획득된 하나 이상의 측정 신호들 각각에 대한 시간 윈도우에서 복수의 측정치들에 대한 하나 이상의 특징부들의 각자의 값들을 결정하도록 추가로 구성될 수 있고; 프로세싱 유닛은 MLM을 사용하여 결정된 각자의 값들을 분석하여 신체 부위를 식별하도록 구성될 수 있다.

이러한 실시예에서, 프로세싱 유닛은 획득된 하나 이상의 측정 신호들에 걸쳐 시간 윈도우를 이동시켜 후속적인 복수의 측정치들을 제공하고; 후속적인 복수의 측정치들을 사용하여 분석을 반복하여 상기 후속적인 복수의 측정치들에 대응하는 신체 부위를 식별하도록 추가로 구성될 수 있다. 이들 실시예들은 개인 케어 동작의 과정 동안 신체 부위가 연속적으로 식별될 수 있다는 것을 제공한다.

일부 실시예들에서, 프로세싱 유닛은 하나 이상의 측정 신호들에서의 후속적인 측정치들에 대한 분석을 반복하여 식별된 신체 부위를 나타내는 일련의 출력들을 제공하고; 일련의 출력들에 필터를 적용하여 핸드헬드 디바이스가 사용되었던 신체 부위를 나타내는 최종 출력을 결정하도록 추가로 구성된다. 이들 실시예들은 거짓 신체 부위 식별들이 MLM의 출력으로부터 '제거'될 수 있다는 이점을 제공한다.

일부 실시예들에서, 프로세싱 유닛은 핸드헬드 디바이스가 제1 기간 동안 사용되는 대상의 신체 부위에 대한 확인을 사용자로부터 수신하고; 수신된 확인 및 제1 기간에 대응하는 획득된 하나 이상의 측정 신호들의 일부에 기초하여 트레이닝된 MLM을 업데이트하도록 추가로 구성된다. 이들 실시예들은 검출 정확도를 개선하기 위해 MLM이 리파이닝될 수 있다는 것을 제공한다. 이들 실시예들은 또한, MLM이 대상의 신체 부위들의 형상에 대해 맞춤화되거나 또는 교정될 수 있다는 것을 제공한다.

일부 실시예들에서, 핸드헬드 디바이스의 헤드부는 제거가능 헤드부들의 세트로부터 선택되고, 여기서 세트 내의 각각의 헤드부는 각자의 신체 부위 또는 각자의 신체 부위들과의 사용을 위한 것이고, 프로세싱 유닛은 개인 케어 동작 동안 핸드헬드 디바이스에 사용된 제거가능 헤드부의 표시를 획득하고, MLM을 사용하여 획득된 하나 이상의 측정 신호들과 함께 획득된 표시를 분석하여 핸드헬드 디바이스가 사용되는 대상의 신체 부위를 식별하도록 추가로 구성된다. 이들 실시예들은, MLM이, 핸드헬드 디바이스 상에서 사용 중인 제거가능 헤드부를 사용하여 치료될 신체 부위(들)에 관한 정보를 사용함으로써 신체 부위 식별의 정확도를 개선시킨다.

일부 실시예들에서, 하나 이상의 센서들은 피부 접촉 센서, 및 피부 톤 센서 및 근접 센서 중 적어도 하나를 포함하고, 프로세싱 유닛은, 피부 접촉 센서로부터의 측정 신호를 분석하여 핸드헬드 디바이스가 피부와 접촉하고 있는 접촉 기간을 식별하고; 트레이닝된 MLM을 사용하여 식별된 접촉 기간 동안 피부 톤 센서 및 근접 센서 중 적어도 하나로부터의 획득된 하나 이상의 측정 신호들을 분석하여 식별된 접촉 기간에 핸드헬드 디바이스가 사용되는 대상의 신체 부위를 식별하도록 구성된다. 이들 실시예들은, 핸드헬드 디바이스가 특정 신체 부위 상에서 동작하는 동안 피부와 접촉되어 유지되고, 이때 핸드헬드 디바이스가 상이한 신체 부위에 재포지셔닝될 때에는 접촉이 깨진다는 가정을 사용한다.

이들 실시예들에서, 프로세싱 유닛은 피부 접촉 센서로부터의 측정 신호를 분석하여 핸드헬드 디바이스가 피부와 연속적으로 접촉하는 기간으로서 접촉 기간을 식별하도록 구성될 수 있다.

대안적으로, 이들 실시예들에서, 프로세싱 유닛은 피부 접촉 센서로부터의 측정 신호를 분석하여, 다수의 기간들 - 각각의 기간에 핸드헬드 디바이스가 피부와 연속적으로 접촉함 - 에 걸쳐 있는 것으로서 접촉 기간을 식별하도록 구성될 수 있고, 다수의 기간들은 임계 시간 간격보다 작다. 이들 실시예들은 피부 접촉이 상실되는 짧은 기간들이 허용된다는 이점을 갖는다.

일부 실시예들에서, 하나 이상의 센서들은 적어도 하나의 피부 접촉 센서 및 피부 톤 센서를 포함한다.

대안적인 실시예들에서, 하나 이상의 센서들은 적어도 하나의 피부 접촉 센서, 피부 톤 센서 및 하나 이상의 근접 센서들을 포함한다.

일부 실시예들에서, 하나 이상의 센서들은 적어도 복수의 근접 센서들을 포함하고, 복수의 근접 센서들은, 각각의 근접 센서가 근접 센서로부터 헤드부가 접촉하고 있는 피부에 인접한 피부의 각자의 부위까지의 거리를 나타내는 파라미터를 측정하도록 핸드헬드 디바이스에 배열된다.

일부 실시예들에서, 피부 접촉 센서는 용량성 센서이고, 피부 톤 센서는 광학 센서이고, 근접 센서는 광 및/또는 사운드 기반 근접 센서이다.

일부 실시예들에서, 근접 센서는 수직 공동 표면 방출 레이저(VCSEL) 센서를 포함한다.

일부 실시예들에서, 대상의 신체 부위는 발, 다리, 하부 다리, 다리, 상부 다리, 복부, 몸통, 흉부, 등, 손, 팔, 하부 팔, 상부 팔, 겨드랑이, 어깨, 목, 얼굴, 윗 입술, 두피 또는 머리 중 임의의 것이다.

일부 실시예들에서, 본 장치는 핸드헬드 디바이스의 일부이거나, 또는 달리 그 안에 포함된다. 대안적인 실시예들에서, 본 장치는 핸드헬드 디바이스와는 별개이다.

이들 그리고 다른 태양들이 본 명세서에서 후술되는 실시예(들)로부터 명백하며 그러한 실시예(들)를 참조하여 설명될 것이다.

이제 예시적인 실시예들이 첨부 도면을 참조하여 단지 예로서 기술될 것이다.
도 1은 피부 접촉 센서들 및 피부 톤 센서를 포함하는 예시적인 핸드헬드 디바이스의 예시이다.
도 2는 피부 접촉 센서들, 피부 톤 센서 및 근접 센서들을 포함하는 대안적인 예시적인 핸드헬드 디바이스의 예시이다.
도 3은 개인 케어 동작을 수행하기 위한 핸드헬드 디바이스, 및 핸드헬드 디바이스가 사용되는 신체 부위를 식별하기 위한 장치를 포함하는 예시적인 시스템의 블록도이다.
도 4는 사용된 근접 센서들의 개수에 대한 분류 정확도의 플롯이다.
도 5a는 메디안 필터(median filter)의 길이의 함수로서의 분류 정확도의 플롯이고, 도 5b는 모드 필터의 길이의 함수로서의 분류 정확도의 플롯이다.
도 6은 트레이닝 데이터 수집 단계에서 획득된 피부 접촉 센서들로부터의 예시적인 측정 신호들을 보여주는 플롯이다.
도 7은 측정 신호들을 분석하기 위한 예시적인 기법들을 예시하는 2개의 흐름도들을 도시한다.
도 8은 랜덤 포레스트 분류기(random forest classifier)의 예시적인 구조를 예시한다.
도 9는 인공 신경 네트워크의 예시적인 구조를 예시한다.
도 10 내지 도 13은 일반화되고 개인화되는 랜덤 포레스트 분류기 및 인공 신경 네트워크에 대한 분류 결과들을 도시한다.
도 14는 랜덤 포레스트 모델의 4개의 상이한 구현예들의 정확도에 대한 출력 모드 필터링의 적용의 효과를 도시한다.
도 15는 피부 접촉 측정 신호들이 부착물들 사이의 가변성에 대해 보정되지 않는 랜덤 포레스트 분류에 대해 획득된 정확도 박스 플롯이다.
도 16 및 도 17은 개인화된 랜덤 포레스트 모델에 대한 결정 트리의 시각화들이다.
도 18은 신체 부위를 식별하는 예시적인 방법을 예시하는 흐름도이다.

위에서 언급된 바와 같이, 본 명세서에 기술된 기법들은 핸드헬드 디바이스가 사용되고 있고/있거나, 개인 케어 동작 동안 사용되었던 신체 부위를 식별하는 데 사용될 수 있다. 본 기법들은 핸드헬드 디바이스에 의해(예컨대, 핸드헬드 디바이스 내의 프로세싱 유닛에 의해) 구현되거나, 또는 별개의 장치 내의 프로세싱 유닛에 의해 구현될 수 있다. 핸드헬드 디바이스는 각자의 파라미터들을 측정하고 각자의 측정 신호들을 생성하는 하나 이상의 센서들을 포함하고, 그들 측정 신호(들)는 기계 학습 모델(MLM)을 사용하여 분석되어 핸드헬드 디바이스가 사용되고 있는 신체 부위를 식별한다.

도 1은 피부 접촉 센서들 및 피부 톤 센서를 포함하는, 소정의 실시예들에 따른 예시적인 핸드헬드 디바이스(2)의 예시이다. 핸드헬드 디바이스(2)는 대상(예컨대, 사람 또는 동물)의 신체 상에 사용하기 위한 것이고, 사용 동안에 사용자의 한 손 또는 양 손 내에 보유되어야 한다. 핸드헬드 디바이스(2)는, 핸드헬드 디바이스(2)가 대상의 신체 부위와 접촉할 때 대상의 신체 상에서 일부 개인 케어 동작을 수행하기 위한 것이다. 일부 실시예들에서, 핸드헬드 디바이스(2)는 대상의 피부에 일부 개인 케어 동작을 수행하기 위한 것이다. 일부 예시적인 개인 케어 동작들은, 면도, 전기분해, 발모, 레이저 및 광 요법들(광 제모 또는 IPL로서 알려짐), 및 치료용 항안드로겐의 주사 중 임의의 것에 의한 원하지 않는 모발의 제거; 모발 성장 감소, 여드름 치료, 광선요법 치료, 피부 재생, 피부 탄력, 또는 포도주색반점(port-wine stain) 치료를 포함한 피부과적 (피부) 치료; 통증 완화; 마사지의 제공; 손톱 치료의 제공; 및 물리치료의 제공을 포함하지만 이들로 제한되지 않는다. 핸드헬드 디바이스(2)는 대안적으로, 대상의 신체에 패치들(예컨대, 심전도(ECG) 전극들 등)을 적용하기 위한 것일 수 있거나, 또는 핸드헬드 디바이스(2)는 신체 부위 상에서 초음파 스캔을 수행하기 위한 것일 수 있다.

본 명세서에 기술된 바와 같이, 핸드헬드 디바이스(2)는 '사용자'에 의해 작동 또는 사용되고, 핸드헬드 디바이스(2)는 '대상'의 신체 상에 사용된다. 일부 경우들에서, 사용자 및 대상은 동일한 사람인데, 즉 핸드헬드 디바이스(2)는 사용자에 의해 손에 쥐어져 자신에 대해 사용된다(예컨대, 자신의 다리 상의 피부 상에 사용됨). 다른 경우들에서, 사용자 및 대상은 상이한 사람들인데, 예컨대 핸드헬드 디바이스(2)는 사용자에 의해 손에 쥐어져 어떤 다른 사람에 대해 사용된다.

핸드헬드 디바이스(2)는 적어도 핸들부(5) 및 헤드부(6)를 포함하는 하우징(4)을 포함한다. 핸들부(5)는, 사용자가 핸드헬드 디바이스(2)를 한 손으로 잡을 수 있게 하도록 형상화된다. 헤드부(6)는 하우징(4)의 헤드 단부(8)에 있고, 헤드부(6)는 헤드부(6)가 신체 또는 피부와 접촉하고 있는 포지션에서 대상의 신체 또는 피부 상에 개인 케어 동작이 수행되도록 하기 위해 대상과 접촉하도록 배치되어야 한다.

도 1에 예시된 실시예에서, 핸드헬드 디바이스(2)는 에너지 또는 에너지 펄스들(예컨대, 광 또는 광 펄스들)을 사용하여 개인 케어 동작을 수행하기 위한 것이다. 따라서, 도 1에서, 헤드부(6)는 하우징(4) 내에 또는 그 상에 배열되는 개구(aperture)(10)를 포함하여, 개구(10)가 대상의 피부에 인접하게 또는 그 상에(즉, 그와 접촉하여) 배치될 수 있게 한다. 핸드헬드 디바이스(2)는 개구(10)를 통해 대상의 피부에 적용되어 개인 케어 동작을 달성하는 에너지 펄스들을 생성하기 위한 하나 이상의 에너지원들(12)을 포함한다. 하나 이상의 에너지원들(12)은, 에너지 펄스들이 하나 이상의 에너지원들(12)로부터 개구(10)를 통해 제공되도록 하우징(4) 내에 배열된다. 개구(10)는 하우징(4)의 헤드 단부(8)에서 개방부의 형태일 수 있거나, 그것은 (도파관을 포함한) 윈도우의 형태일 수 있는데, 윈도우는 에너지 펄스들에 대해 투과성이거나 반투과성이다(즉, 에너지 펄스들이 윈도우를 통과할 수 있음).

도 1에 도시된 예시적인 실시예에서, 개구(10)는 대체적으로 직사각형인 형상을 가지며, 이는 피부 상에 대체적으로 직사각형 형상의 피부 치료 영역을 초래한다. 개구(10)가 임의의 다른 원하는 형상을 가질 수 있다는 것이 이해될 것이다. 예를 들어, 개구(10)는 정사각형, 타원형, 원형, 또는 임의의 다른 다각형 형상일 수 있다.

하나 이상의 에너지원들(12)은 개인 케어 동작을 수행하기 위한 임의의 적합한 유형의 에너지, 예를 들어 광, 사운드, 무선 주파수(radio frequency, RF) 신호들, 마이크로파 방사선 및 플라즈마를 생성할 수 있다. 광을 생성하는 에너지원(12)의 경우에, 에너지원(12)은 임의의 적합한 또는 원하는 파장(또는 파장들의 범위) 및/또는 강도들로 광 펄스를 생성하도록 구성될 수 있다. 예를 들어, 에너지원(12)은 가시광, 적외(infra-red, IR) 광 및/또는 자외(ultraviolet, UV) 광을 생성할 수 있다. 각각의 에너지원(12)은 하나 이상의 발광 다이오드(light emitting diode, LED)들, (크세논) 플래시 램프, 레이저 또는 레이저들 등과 같은 임의의 적합한 유형의 광원을 포함할 수 있다. 바람직한 실시예에서, 핸드헬드 디바이스(2)는 광 제모를 수행하기 위한 것이고, 에너지원(들)(12)은 강한 광 펄스들을 제공하기 위한 것이다. 예를 들어, 에너지원(들)(12)은 대략 2.5 밀리초(ms)의 지속기간 동안 560 내지 1200 나노미터(nm) 범위의 스펙트럼 함량을 갖는 광 펄스들을 제공할 수 있는데, 그 이유는 이들 파장들이 흡수에 의해 모발 및 모근에서 멜라닌을 가열하고, 이는 모낭들을 휴지기에 두게 하여, 모발 재성장을 방지하기 때문이다. 사운드를 생성하는 에너지원(12)의 경우에, 에너지원(12)은 임의의 적합한 또는 원하는 파장(또는 파장들의 범위) 및/또는 강도들로 사운드 펄스를 생성하도록 구성될 수 있다. 예를 들어, 에너지원(12)은 초음파 변환기일 수 있다.

하나 이상의 에너지원들(12)은 에너지의 펄스들을 제공하도록 구성된다. 즉, 에너지원(들)(12)은 짧은 지속기간(예컨대, 1초 미만) 동안 높은 강도로 에너지를 생성하도록 구성된다. 에너지 펄스의 강도는 개구(10)에 인접한 피부 또는 신체 부위 상에서 치료 동작을 달성하기에 충분히 높아야 한다.

물론, 도 1에 예시된 실시예가 에너지 또는 에너지 펄스들을 사용하여 동작을 수행하기 위한 핸드헬드 디바이스(2)이지만, 헤드부(6)가 다른 유형들의 동작들을 제공하거나 수행하도록 구성될 수 있다는 것이 이해될 것이다. 예를 들어, 핸드헬드 디바이스(2)는 면도기 또는 모발 클리퍼(clipper)들일 수 있고, 이러한 경우에 헤드부(6)는 헤드부(6)가 피부와 접촉할 때 모발이 절단될 수 있게 하기 위한 하나 이상의 절단 블레이드(blade)들 또는 포일(foil)들을 포함할 수 있다. 다른 예로서, 핸드헬드 디바이스(2)는 초음파 이미지들을 획득하는 데 사용되는 초음파 프로브일 수 있다. 이러한 예에서, 헤드부(6)는 초음파들을 생성하기 위한 초음파 변환기, 및 신체의 내부로부터 후방으로 반사된 초음파들을 수신하기 위한 초음파 수신기를 포함할 수 있다.

예시된 핸드헬드 디바이스(2)는 또한, 헤드부(6)가 언제 피부와 접촉하고 있는지를 결정하기 위해 사용되는, 헤드부(6) 상에 또는 그 내에 포지셔닝된 2개의 피부 접촉 센서들(14, 16)을 포함한다. 피부 접촉 센서들(14, 16)은, 헤드부(6)가 피부와 접촉하고 있는지 여부를 나타내는 파라미터를 측정하고, 파라미터의 시계열 측정치들을 포함하는 각자의 측정 신호들('피부 접촉 측정 신호들'로 지칭됨)을 생성한다. 전형적으로, 광 펄스가 생성되기 전에 핸드헬드 디바이스(2)가 피부와 정확하게 접촉하고 있는지를 확인하여 광 펄스가 사용자 또는 대상의 눈으로 지향되는 것을 회피하기 위해, 피부 접촉 센서가 핸드헬드 디바이스(2), 특히 광 제모기에 사용된다. 본 명세서에 언급된 바와 같이, 피부 접촉 센서로부터의 측정 신호는, 핸드헬드 디바이스(2)가 접촉하고 있는 신체 부위를 식별하는 데 사용될 수 있다.

일부 실시예들에서, 파라미터는 커패시턴스일 수 있고, 따라서 피부 접촉 센서들(14, 16)은 헤드부(6)의 표면 상의 전기 접촉들 또는 전극들의 각자의 쌍을 통해 커패시턴스를 측정할 수 있는데, 이때 측정된 커패시턴스는 피부 접촉이 있는지 여부를 나타낸다. 대안적인 실시예들에서, 파라미터는 광의 강도 또는 레벨일 수 있고, 따라서 피부 접촉 센서들(14, 16)은 광 센서 상에 입사되는 광의 강도 또는 레벨을 측정하는 광 센서들일 수 있는데, 이때 측정된 강도 또는 레벨은 피부 접촉이 있는지 여부를 나타낸다(예컨대, 피부가 광 센서들(14, 16)을 가림에 따라 광이 적음/광이 없음(less/no light)이 피부 접촉을 나타낼 수 있고, 그 반대도 마찬가지임). 다른 대안적인 실시예들에서, 파라미터는 접촉 압력의 측정치일 수 있고, 따라서 피부 접촉 센서들(14, 16)은 각자의 압력 센서들 또는 기계적 스위치들을 통해 접촉 압력을 측정할 수 있는데, 이때 측정된 접촉 압력은 피부 접촉이 있는지 여부를 나타낸다.

예시된 핸드헬드 디바이스(2)는 또한, 헤드부(6)가 접촉하고 있는 피부의 피부 톤을 결정하는 데 사용되는, 헤드부(6) 상에 또는 그 내에 포지셔닝된 피부 톤 센서(18)를 포함한다. 피부 톤 센서(18)는 피부의 피부 톤을 나타내는 파라미터를 측정하고, 파라미터의 시계열의 측정치들을 포함하는 측정 신호('피부 톤 측정 신호'로 지칭됨)를 생성한다. 전형적으로, 광 펄스가 치료되고 있는 피부의 유형에 적절한 강도를 갖고 있는지를 확인하기 위해, 또는 심지어 피부 유형이 광 펄스들에 대해 적합하지 않은 경우(예컨대, 훨씬 더 높은 멜라닌 함량을 갖는 더 어두운 피부) 광 펄스가 생성되는 것을 방지하기 위해, 피부 톤 센서가 핸드헬드 디바이스(2), 특히 광 제모기에 사용된다. 본 명세서에 언급된 바와 같이, 피부 톤 센서로부터의 측정 신호는, 핸드헬드 디바이스(2)가 접촉하고 있는 신체 부위를 식별하는 데 사용될 수 있다.

일부 실시예들에서, 피부 톤 센서(18)는 광 센서일 수 있고, 광 센서에 의해 측정된 파라미터는 피부로부터 반사된 특정 파장 또는 다수의 파장들에서의 광의 강도 또는 레벨일 수 있다. 특정 파장(들)에서의 반사된 광의 측정된 강도 또는 레벨은 피부 톤을 나타낼 수 있다. 반사된 광의 측정된 강도 또는 레벨은 피부 내의 멜라닌의 농도에 기초할 수 있고, 따라서 측정된 강도 또는 레벨은 멜라닌 농도를 나타낼 수 있다. 멜라닌 농도는, 예를 들어 660 nm(적색) 및 880 nm(적외선) 파장들에서의 광 반사의 측정치들로부터 도출될 수 있다.

예시된 핸드헬드 디바이스(2)는 또한, 핸드헬드 디바이스(2)를 활성화시키도록 사용자에 의해 동작되어 헤드부(6)가 대상의 신체 상에서 요구되는 개인 케어 동작(예컨대, 하나 이상의 에너지원(들)(12)에 의한 에너지 펄스의 생성)을 수행하게 할 수 있는 사용자 제어부(20)를 포함한다. 대안적으로 또는 추가적으로, 사용자 제어부(18)는 본 명세서에 기술된 신체 부위 식별 기법들을 개시하기 위해 사용자에 의해 사용될 수 있다. 사용자 제어부(20)는 스위치, 버튼, 터치 패드 등의 형태일 수 있다.

도 1에 도시되지 않았지만, 헤드부(6)는 특정 신체 부위들 상에 사용하기 위해 의도되는 제거가능 부착물로서 형성될 수 있다. 제거가능 부착물들은 또한, 본 명세서에서 제거가능 헤드부들로 지칭된다. 각자의 형상 및 각자의 개구 크기를 각각 갖는 다수의 제거가능 부착물들이 제공될 수 있고, 부착물은 치료될 신체 부위에 기초하여 핸드헬드 디바이스(2) 상에 사용하기 위해 선택될 수 있다. 예를 들어, 상이한 부착물들이 얼굴 상에서 사용하기 위해, 겨드랑이들에서 사용하기 위해, 비키니 라인에서 사용하기 위해, 그리고 대체적으로 신체 상에서(예컨대, 더 큰 신체 표면적들) 사용하기 위해 제공될 수 있다.

도 2는 피부 접촉 센서들, 피부 톤 센서 및 근접 센서들을 포함하는 대안적인 예시적인 핸드헬드 디바이스(32)의 여러 도면들을 도시한다. 도 2는 핸드헬드 디바이스(32)의 정면도(즉, 헤드부(6)를 향함), 핸드헬드 디바이스(32)를 통한 측단면도 및 핸드헬드 디바이스(32)의 평면도를 도시한다. 도 2는 또한 근접 센서들에 대한 시야(field of view, FOV)를 도시한다.

도 2에 도시된 핸드헬드 디바이스(32)는 대체적으로 도 1에 도시된 핸드헬드 디바이스(2)에 대응하고, 핸드헬드 디바이스(2)와 동일한 핸드헬드 디바이스(32)의 특징부들 및 요소들에 대해 동일한 참조 번호들이 사용된다.

피부 접촉 센서들(14, 16) 및 피부 톤 센서(18)에 더하여, 도 2의 핸드헬드 디바이스(32)는 핸드헬드 디바이스(32) 내에 또는 그 상에 배열된 8개의 근접 센서들(34)을 포함하는데, 이들은 헤드부(6)와 접촉하는 피부의 부위에 가까운 피부까지의 근접도 또는 거리를 측정하는 데 사용된다. 실제 구현예들에서, 8개 초과 또는 그 미만의 근접 센서들(34)이 핸드헬드 디바이스(32)에서 사용될 수 있다는 것이 이해될 것이다. 실제로, 일부 실시예들에서, 단일 근접 센서(34)가 사용될 수 있다. 그러나, 아래에서 더 상세히 기술되는 바와 같이, 근접 센서(들)(34)는 헤드부(6)가 접촉하고 있는 피부 영역 주위에서 신체 부위의 형상(프로파일)을 관찰하거나 측정하는 데 사용되고, 따라서 핸드헬드 디바이스(32)가 복수의(즉, 적어도 2개의) 근접 센서들(34)을 포함하는 것이 바람직하다. 사용되는 근접 센서들(34)이 더 많을수록, 피부의 관찰된 또는 측정된 형상(프로파일)의 해상도가 더 높다. 도 2에 도시된 실시예에서, 8개의 근접 센서들(34)은 헤드 단부(8)에 위치되고, 헤드부(6) 주위에 대체적으로 균등하게 배열된다. 예시된 실시예에서, 각각의 근접 센서(34)는 헤드 단부(8) 내에 또는 그 상에 포지셔닝되어, 근접 센서(34)가 헤드부(6)로부터 '뒤에 설정'되게 하는데(즉, 각각의 근접 센서(34)는 헤드부(6)의 평면으로부터 오프셋됨), 그 이유는 이것이 근접 센서(34)의 시야를 개선시키고, 헤드부(6)가 피부와 접촉하고 있을 때 0이 아닌 거리가 측정된다는 것을 의미할 수 있기 때문이다. 대안적인 실시예들에서, 각각의 근접 센서는 헤드부(6)와 동일한 평면 내에(즉, 그와 평면적으로) 포지셔닝될 수 있다.

각각의 근접 센서(34)는 근접 센서(34)에 대한 피부의 근접도를 나타내는 파라미터를 측정하고, 특히 근접 센서(34)로부터 헤드부(6)가 접촉하고 있는 피부에 인접한 피부까지의 거리를 나타내는 파라미터를 측정한다. 각각의 근접 센서(34)는 파라미터의 시계열 측정치들을 포함하는 각자의 측정 신호('근접 측정 신호'로 지칭됨)를 생성한다.

일부 실시예들에서, 각각의 근접 센서(34)는 근접 센서(34) 내의 에너지원로부터 반대 표면(즉, 피부)으로부터의 반사 후 근접 센서(34) 내의 에너지 센서까지의 에너지의 전파 시간(time-of-flight)에 기초하여 거리를 측정할 수 있다. 예를 들어, 근접 센서(34)는 광원(예컨대, 약 850 nm에서 적외(IR) 광을 방출하는 IR 광원 또는 가시 광원), 및 광원에 의해 방출된 적어도 광의 파장(들)에 민감한 광 센서를 포함할 수 있고, 근접도/거리는 광의 전파 시간의 분석에 기초하여 결정될 수 있다. 다른 예로서, 근접 센서(34)는 하나 이상의 주파수들에서 사운드를 방출하기 위한 라우드스피커와 같은 사운드원(예컨대, 방출된 사운드는 초음파일 수 있음), 및 사운드원에 의해 방출된 사운드의 적어도 주파수/주파수들에 민감한 사운드 센서(예컨대, 마이크로폰)를 포함할 수 있다. 근접도/거리는 사운드의 전파 시간의 분석에 기초하여 결정될 수 있다.

도 2의 근접 센서들(34) 각각에 대해 시야(FOV)(36)가 도시되어 있고, FOV(36)는 관련 근접 센서(34)가 거리를 측정할 수 있는 영역을 나타낸다. 예를 들어, FOV(36)는 광/사운드가 소스로부터 방출될 수 있는 방향들, 및/또는 센서가 입사 광/사운드에 민감한 방향을 나타낼 수 있다. 8개의 근접 센서들(34)은 헤드부(6)의 둘레 주위에 배열되므로, FOV들(36)이 중첩되어 둘레 주위에 완전한 커버리지를 제공한다는 것을 알 수 있다.

도 3은 개인 케어 동작을 수행하기 위한 핸드헬드 디바이스(2, 32), 및 핸드헬드 디바이스(2, 32)가 사용되는 신체 부위를 식별하기 위한 장치(44)를 포함하는 예시적인 시스템(42)의 블록도이다. 장치(44)는, 핸드헬드 디바이스(2, 32)(예컨대, 광 제모 디바이스, 면도 디바이스, 모발 클리퍼들 등)를 또한 포함하는 시스템(42)의 일부로서 도시된다. 도 3에 도시된 실시예들에서, 장치(44)는 핸드헬드 디바이스(2, 32)에 대한 별개의 장치이고, 따라서 장치(44)는 스마트폰, 스마트 워치, 태블릿, 개인 휴대 정보 단말기(personal digital assistant, PDA), 랩톱, 데스크톱 컴퓨터, 스마트 미러 등과 같은 전자 디바이스의 형태일 수 있다. 다른 실시예들에서, 장치(44), 및 특히 장치(44)에 의해 제공되는 본 발명에 따른 기능은 핸드헬드 디바이스(2, 32)의 일부이다. 또 다른 실시예들에서, 아래에 기술되는 본 발명의 다양한 실시예들에 따른 기능은 핸드헬드 디바이스(2, 32)와 별개의 장치(44) 사이에서 분할될 수 있다.

장치(44)는 프로세싱 유닛(46)을 포함하고, 이는 대체적으로 장치(44)의 동작을 제어하고 장치(44)가 본 명세서에 기술된 방법 및 기법들을 수행할 수 있게 한다. 간략하게, 프로세싱 유닛(44)은 개인 케어 동작 동안 피부 접촉 센서(14, 16), 피부 톤 센서(18) 및 하나 이상의 근접 센서들(34) 중 하나 이상으로부터 측정 신호들을 수신하고, 기계 학습 모델(MLM)을 사용하여 측정 신호(들)를 분석하여 핸드헬드 디바이스(2, 32)가 사용되고 있는 신체 부위를 식별한다.

따라서, 프로세싱 유닛(46)은 장치(44)의 다른 컴포넌트로부터 측정 신호(들)를 수신하도록 구성될 수 있고, 따라서 프로세싱 유닛(46)은 다른 컴포넌트로부터 측정 신호(들)를 수신하기 위한 하나 이상의 입력 포트들 또는 다른 컴포넌트들을 포함하거나 구비할 수 있다. 프로세싱 유닛(46)은 또한, 장치(44)의 다른 컴포넌트들과 통신하기 위한 하나 이상의 출력 포트들 또는 다른 컴포넌트들을 포함하거나 구비할 수 있다.

프로세싱 유닛(46)은 본 명세서에 기술된 다양한 기능들을 수행하기 위해 소프트웨어 및/또는 하드웨어에 의해 다수의 방식들로 구현될 수 있다. 프로세싱 유닛(46)은 요구되는 기능들을 수행하기 위해 그리고/또는 요구되는 기능들을 달성하도록 프로세싱 유닛(46)의 컴포넌트들을 제어하기 위해 소프트웨어 또는 컴퓨터 프로그램 코드를 사용하여 프로그래밍될 수 있는 하나 이상의 마이크로프로세서들 또는 디지털 신호 프로세서(digital signal processor, DSP)들을 포함할 수 있다. 프로세싱 유닛(46)은 일부 기능들을 수행하기 위한 전용 하드웨어(예컨대, 증폭기들, 전치 증폭기들, 아날로그-디지털 변환기(analog-to-digital convertor, ADC)들 및/또는 디지털-아날로그 변환기(digital-to-analog convertor, DAC)들) 및 다른 기능들을 수행하기 위한 프로세서(예컨대, 하나 이상의 프로그래밍된 마이크로프로세서들, 제어기들, DSP들 및 연관된 회로부)의 조합으로서 구현될 수 있다. 본 발명의 다양한 실시예들에서 채용될 수 있는 컴포넌트들의 예들은 종래의 마이크로프로세서들, DSP들, 주문형 집적 회로(application specific integrated circuit, ASIC)들, 및 필드 프로그래밍가능 게이트 어레이(field-programmable gate array, FPGA)들을 포함하지만 이들로 제한되지는 않는다.

프로세싱 유닛(46)은 메모리 유닛(48)을 포함하거나 이와 연관될 수 있다. 메모리 유닛(48)은 장치(44)의 동작을 제어함에 있어서 그리고/또는 본 명세서에 기술된 방법들을 실행하거나 수행함에 있어서 프로세싱 유닛(46)에 의한 사용을 위해 데이터, 정보 및/또는 신호들(측정 신호(들) 및/또는 정보 또는 트레이닝된 MLM을 정의하는 컴퓨터 코드를 포함함)을 저장할 수 있다. 일부 구현예들에서, 메모리 유닛(48)은, 프로세싱 유닛(46)이 본 명세서에 기술된 방법들을 포함한 하나 이상의 기능들을 수행하도록 프로세싱 유닛(46)에 의해 실행될 수 있는 컴퓨터 판독가능 코드를 저장한다. 특정 실시예들에서, 프로그램 코드는 스마트폰, 태블릿, 랩톱 또는 컴퓨터를 위한 애플리케이션의 형태일 수 있다. 메모리 유닛(48)은 임의의 유형의 비일시적 기계 판독가능 매체, 예컨대 랜덤 액세스 메모리(random access memory, RAM), 정적 RAM(static RAM, SRAM), 동적 RAM(dynamic RAM, DRAM), 판독 전용 메모리(read-only memory, ROM), 프로그래밍가능 ROM(programmable ROM, PROM), 소거가능 PROM(erasable PROM, EPROM), 및 전기적 소거가능 PROM(electrically erasable PROM, EEPROM)과 같은 휘발성 및 비휘발성 컴퓨터 메모리를 포함한 캐시 또는 시스템 메모리를 포함할 수 있고, 메모리 유닛은 메모리 칩, 광 디스크(예컨대, 콤팩트 디스크(compact disc, CD), 디지털 다기능 디스크(digital versatile disc, DVD) 또는 블루 레이 디스크(Blu-Ray disc)), 하드 디스크, 테이프 저장 솔루션, 또는 메모리 스틱, 솔리드 스테이트 드라이브(solid state drive, SSD), 메모리 카드 등을 포함한 솔리드 스테이트 디바이스의 형태로 구현될 수 있다.

도 3에 도시된 실시예에서, 장치(44)가 핸드헬드 디바이스(2, 32)와는 별개이기 때문에, 장치(44)는 또한, 장치(44)가 핸드헬드 디바이스(2, 32)로부터 측정 신호(들)를 수신할 수 있게 하는 인터페이스 회로부(50)를 포함한다. 장치(44) 내의 인터페이스 회로부(50)는 핸드헬드 디바이스(2, 32), 서버들, 데이터베이스들, 사용자 디바이스들, 및 센서들 중 임의의 하나 이상을 포함한 다른 디바이스들로의 데이터 접속 및/또는 다른 디바이스들과의 데이터 교환을 가능하게 한다. 핸드헬드 디바이스(2, 32)(또는 임의의 다른 디바이스)에 대한 접속은 직접적이거나 또는 (예컨대, 인터넷을 통해) 간접적일 수 있고, 따라서 인터페이스 회로부(50)는 장치(44)와 네트워크 사이에서, 또는 장치(44)와 다른 디바이스(예컨대, 핸드헬드 디바이스(2, 32)) 사이에서 직접적으로, 임의의 바람직한 유선 또는 무선 통신 프로토콜을 통해 접속을 가능하게 할 수 있다. 예를 들어, 인터페이스 회로(50)는 와이파이(WiFi), 블루투스(Bluetooth), 지그비(Zigbee), 또는 임의의 셀룰러 통신 프로토콜(GSM(Global System for Mobile Communications), UMTS(Universal Mobile Telecommunications System), LTE(Long Term Evolution), LTE-어드밴스드(LTE-Advanced) 등을 포함하지만 이들로 제한되지 않음)을 사용하여 동작할 수 있다. 무선 접속의 경우에, 인터페이스 회로부(50)(및 따라서 장치(44))는 송신 매체(예컨대, 공기)를 통해 송신/수신하기 위한 하나 이상의 적합한 안테나들을 포함할 수 있다. 대안적으로, 무선 접속의 경우에, 인터페이스 회로부(50)는 송신 매체(예컨대, 공기)를 통해 송신/수신하기 위한, 장치(44)의 외부에 있는 하나 이상의 적합한 안테나들에 인터페이스 회로부(50)가 접속될 수 있게 하는 수단(예컨대, 커넥터 또는 플러그)을 포함할 수 있다. 인터페이스 회로부(50)는 프로세싱 유닛(46)에 접속된다.

도 3에 도시되지 않았지만, 장치(44)는 장치(44)의 사용자가 정보, 데이터 및/또는 커맨드들을 장치(44) 내로 입력할 수 있게 하고/하거나, 장치(44)가 정보 또는 데이터를 장치(44)의 사용자에게 출력할 수 있게 하는 하나 이상의 컴포넌트들을 포함하는 하나 이상의 사용자 인터페이스 컴포넌트들을 포함할 수 있다. 사용자 인터페이스는 키보드, 키패드, 하나 이상의 버튼들, 스위치들 또는 다이얼들, 마우스, 트랙 패드, 터치스크린, 스타일러스, 카메라, 마이크로폰 등을 포함하지만 이들로 제한되지 않는 임의의 적합한 입력 컴포넌트(들)를 포함할 수 있고, 사용자 인터페이스는 디스플레이 유닛 또는 디스플레이 스크린, 하나 이상의 광들 또는 광 요소들, 하나 이상의 라우드스피커들, 진동 요소 등을 포함하지만 이들로 제한되지 않는 임의의 적합한 출력 컴포넌트(들)를 포함할 수 있다.

장치(44)의 실제 구현예가 도 3에 도시된 것들에 대해 추가 컴포넌트들을 포함할 수 있다는 것이 이해될 것이다. 예를 들어, 장치(44)는 또한 전원, 예컨대 배터리, 또는 장치(44)가 주 전원에 접속될 수 있게 하기 위한 컴포넌트들을 포함할 수 있다.

도 3에 도시된 핸드헬드 디바이스(2, 32)는, 핸드헬드 디바이스(2, 32)가 대상의 피부 상에 사용됨에 따라 각자의 파라미터를 측정하기 위한 그리고 각자의 측정 신호들을 생성하기 위한 하나 이상의 센서들(52)을 포함한다.

일부 실시예들에서, 하나 이상의 센서들(52)은 피부 접촉 센서(14, 16) 또는 복수의 피부 접촉 센서들(14, 16)을 포함한다. 일부 실시예들에서, 하나 이상의 센서들(52)은 피부 톤 센서(18) 또는 복수의 피부 톤 센서들(18)을 포함한다. 일부 실시예들에서, 하나 이상의 센서들(52)은 근접 센서(34) 또는 복수의 근접 센서들(34)을 포함한다. 다른 실시예들에서, 하나 이상의 센서들(52)은 하나 이상의 피부 접촉 센서들(14, 16), 하나 이상의 피부 톤 센서들(18), 및/또는 하나 이상의 근접 센서들(34)의 임의의 조합을 포함한다.

핸드헬드 디바이스(2, 32)는 측정 신호(들)를 포함하여, 핸드헬드 디바이스(2, 32)로부터 장치(44)로 신호들을 송신하기 위한 인터페이스 회로부(54)를 추가로 포함한다. 인터페이스 회로부(54)는 장치(44) 내의 인터페이스 회로부(50)와 통신하기 위해 장치(44) 내의 인터페이스 회로부(50)에 대해 위에서 개괄된 옵션들 중 임의의 것에 따라 구현될 수 있다.

핸드헬드 디바이스(2, 32)는, 대체적으로 핸드헬드 디바이스(2, 32)의 동작을 제어하여, 예를 들어 개인 케어 동작을 달성하기 위해 개인 케어 부분을 활성화시키고 비활성화시키는 디바이스 프로세싱 유닛(56)을 추가로 포함할 수 있다. 디바이스 프로세싱 유닛(56)은 장치(44) 내의 프로세싱 유닛(46)에 대해 위에서 개괄된 옵션들 중 임의의 것에 따라 다수의 방식들로 구현될 수 있다.

디바이스 프로세싱 유닛(56)은 하나 이상의 센서들(52)에 접속될 수 있고, 하나 이상의 센서들(52)로부터, 예를 들어 디바이스 프로세싱 유닛(56)에 대한 입력 포트를 통해 측정 신호(들)를 수신한다. 일부 실시예들에서, 디바이스 프로세싱 유닛(56)은 후속 프로세싱을 위한 장치(44)로의 송신을 위해 측정 신호(들)를 인터페이스 회로부(54)로 출력할 수 있다.

도 3의 일부 구현예들에서, 장치(44)는 본 발명에 따른 기능을 제공하는 애플리케이션을 실행하고 있는 스마트폰, 태블릿 또는 스마트 미러이다.

장치(44) 또는 장치(44)의 기능이 핸드헬드 디바이스(2, 32)의 일부인 실시예들에서, 디바이스 프로세싱 유닛(56)은 핸드헬드 디바이스(2, 32)가 사용되고 있는 신체 부위를 식별하기 위해 장치 프로세싱 유닛(46)의 기능들을 구현할 수 있다.

핸드헬드 디바이스(2, 32)의 실제 구현예가 도 3에 도시된 것들에 대해 추가 컴포넌트들을 포함할 수 있다는 것이 이해될 것이다. 예를 들어, 핸드헬드 디바이스(2, 32)는 또한 전원, 예컨대 배터리, 또는 핸드헬드 디바이스(2, 32)가 주 전원에 접속될 수 있게 하기 위한 컴포넌트들을 포함할 수 있다.

하나 이상의 센서들(52)을 갖는 핸드헬드 디바이스(2, 32)의 사용 동안, 센서(들)에 의해 생성된 측정 신호(들)는 핸드헬드 디바이스(2, 32)가 그 때에 사용되고 있는 신체 부위에 따라 고유한(또는 적어도 구별가능한) 패턴들을 나타낼 것이다. 따라서, 기계 학습 기법들은, 개인 케어 동작 동안 이들 패턴들이 발생할 때 그들을 식별하는 데, 그리고 그들을 대응하는 신체 부위, 예를 들어 발, 다리, 하부 다리, 상부 다리, 복부, 몸통, 흉부, 등, 손, 팔, 하부 팔, 상부 팔, 겨드랑이, 어깨, 목, 얼굴, 윗 입술, 두피 또는 머리에 매칭시키는 데 사용될 수 있다는 것이 인식되었다. 패턴들은 또한, 좌측 또는 우측 신체 부위(예컨대, 좌측 또는 우측 다리)가 서로 구별될 수 있게 할 수 있다.

높은 개념적 레벨에서, 상기 언급된 센서들(52)에 기초한 신체 부위 식별은, 상이한 신체 부위들이 이들 센서들(52) 중 일부로부터의 측정 신호들에 대해 가질 수 있는 다수의 효과들을 고려함으로써 이해될 수 있다.

첫 번째로, 핸드헬드 디바이스(2, 32)와 대상의 피부 사이에 피부 접촉이 이루어질 수 있는 정도는 신체 부위에 의존할 수 있다. 예를 들어, 윗 입술에서, 피부 접촉은 전형적으로 더 높은 신체 굴곡(body curvature)으로 인해 다른 신체 부위들에서보다 적다. 커패시턴스-기반 피부 접촉 센서(14, 16)의 경우에, 이러한 더 낮은 피부 접촉은 커패시턴스 신호의 신호 강도에 영향을 미칠 것이다. 또한, 커패시턴스 신호는, 상이한 신체 부위들 사이에서 변할 수 있는 피부의 전기적(유전체) 특성들에 의존한다. 특히, 피부는 오일 및 땀샘 관들에 의해 천공된 이질적인 조직들의 층들로 구성된다. 이들 관들의 농도 및 조직들의 이온 투과성은 다양한 신체 부위들에 따라 변하고 - 예를 들어, 땀샘들은 겨드랑이 부위에 더 많이 분포함 -, 따라서 커패시턴스 신호 응답이 신체 부위들 사이에서 변한다.

두 번째로, 피부 톤 및 피부 광학 특성들은 대체적으로 상이한 신체 부위들 사이에서 변할 수 있고, 이는 광학 기반 피부 톤 센서(18)로부터의 측정 신호에 영향을 미칠 수 있다. 추가로, 피부 접촉의 정도는 피부 톤 측정 신호의 신호 강도에 영향을 미칠 수 있다.

세 번째로, 광학 기반 근접 센서(34)는 대상의 피부에 의해 다시 반사되는 광의 양을 측정한다. 수신된 광의 양은, 근접 센서(34)와 피부 사이의 거리, '충전율(fill factor)'(즉, 얼마나 많은 FOV(36)가 신체/피부로 채워지는지), 피부와 근접 센서(34)의 FOV(36) 사이의 각도, 및 피부의 광학 특성들과 같은 인자들에 의존한다. 따라서, 근접 센서(들)(34)의 임의의 주어진 구성에 대해, 즉 헤드부(6)에 대한 그리고 서로에 대한 근접 센서(들)(34)의 배치 및 배향의 관점에서, 신체 상의 IPL 디바이스의 위치 및 배향은 센서들로부터의 신호들의 조합에 영향을 미친다는 것이 이해될 수 있다.

상이한 신체 부위들이 이들 센서들(52)로부터의 측정 신호들에 대해 가질 수 있는 다수의 효과들이 있기 때문에, MLM은 측정 신호들로부터 신체 부위들을 식별하도록 트레이닝된다. 이러한 데이터 구동식 접근법은, 하나 이상의 센서들(52)에 대한 측정 신호들이 다수의 상이한 신체 부위들에 대한 개인 케어 동작 동안 대상들의 집단에 대해 획득됨을 의미하고, 여기서 각자의 신체 부위들은 개인 케어 동작 전체에 걸쳐 알려져 있다(즉, 주석이 달림). 후속적으로, 이러한 획득된 트레이닝 데이터에 대해 감독형 MLM이 적용될 수 있다. 이것은, 입력 측정 신호(들)에 기초하여 식별된 신체 부위를 출력하는 전개가능 트레이닝된 분류기 알고리즘을 초래한다. 기계 학습 모델은, 예를 들어 로지스틱 회귀 모델, 지지 벡터 기계, 랜덤 포레스트, 나이브 베이즈 분류기, 최근접 이웃 분류기, 결정 트리 분류기, 인공 신경 네트워크, 또는 이들의 임의의 조합 중 어느 하나일 수 있다.

신체 부위 식별 알고리즘의 일부 구현예들에서, 신체 부위는 하나 이상의 센서들(52)로부터의 모든 새로운 측정 샘플에 대해 연속적으로 식별될 수 있다. 그러나, 분류 정확도는 시간 경과에 따라 측정 샘플들을 집계하고 소정 시간 간격 동안 치료된 신체 부위를 식별함으로써 개선될 수 있다. 이는, 사용자가 전형적으로 다음 신체 부위로 이동하기 전에 하나의 신체 부위를 치료하는 것을 완료하기 때문에 도움이 될 수 있다. 측정 샘플들이 집계될 수 있는 시간 간격들은 고정된 길이의 것, 예컨대 몇 초일 수 있다. 대안으로서, 측정 샘플들이 집계되는 시간 간격은 핸드헬드 디바이스(2, 32)가 (하나 이상의 센서들(52)이 피부 접촉 센서(14, 16)를 포함하는 경우) 대상의 피부와 접촉하고 있는 시간의 길이와 매칭되도록 가변적일 수 있고, 이는 상이한 신체 부위들 사이의 전환 동안 사용자가 핸드헬드 디바이스(2, 32)를 피부로부터 리프트오프할 가능성이 있다는 가정에 기초한다.

측정 샘플들이 시간 경과에 따라 집계되면, 추가적인 특징들은 측정 신호들의 프로세싱에 의해 명시적으로, 또는 예를 들어, MLM이 심층 신경 네트워크인 경우 암시적으로 MLM에 의해 결정될 수 있다. 그러한 특징들의 예들은 센서(52)에 의해 측정된 파라미터의 평균 값 또는 센서(52)당 측정된 파라미터의 표준 편차일 수 있지만, 파라미터의 통계적 특성들과 관련된 특징들을 포함하는 많은 다른 특징들이 결정될 수 있다.

신체 부위들을 식별하는 데 있어서의 상기 기법들의 유효성을 입증하는 결과들이 이제, 광 제모기의 형태의 핸드헬드 디바이스(2, 32)에 대하여 제시된다. MLM에 대한 트레이닝 데이터는 2개의 피부 접촉 센서들(14, 16), 피부 톤 센서(18) 및 8개의 근접 센서들(34)을 갖는 광 제모기를 사용했던 15명의 여성 참가자들로부터 컴파일링되었다. 각각의 참가자는 적어도 2개의 개인 케어 세션들을 수행하였는데, 여기서 다음의 신체 부위들이 연속적으로 치료되었다: 팔, 다리, 하복부(소위 '벨리 비키니(Belly-bikini)' 부위), 비키니 라인, 얼굴 및 겨드랑이. 측정 샘플들은 10 ㎐의 샘플링 주파수에서 개인 케어 동작들 전체에 걸쳐 획득되었고, 측정 신호들에는 관련 신체 부위로 주석이 달렸다.

획득된 측정 신호들을 이용하여, 랜덤 포레스트 분류기의 형태의 MLM이 신체 부위 검출에 대해 트레이닝되었다. 분류기는 샘플 기반인데, 즉, 각각의 측정 샘플에서 신체 부위의 순간적인 추정이 이루어진다.

하기 표 1 내지 표 3은 랜덤 포레스트 분류기의 3개의 상이한 버전들에 대한 분류기 성능을 나타내는 혼돈 행렬(confusion matrix)들이다. 혼돈 행렬들은 각각의 실제(정확한) 신체 부위에 대해, 분류기에 의해 이루어진 예측들, 즉, 팔, 다리 등으로서 분류기가 출력한 샘플들의 비율을 나타낸다. 혼돈 행렬들에 보여진 결과들을 획득하기 위해, 리브 원 대상 아웃(leave-one-subject-out) 교차 검증이 사용되었다. 이는, 각각의 대상에 대해 분류기의 성능이 평가되고, 이때 분류기는 모든 다른 대상들에 대한 데이터를 사용하여 트레이닝되고 있음을 의미한다. 혼돈 행렬들은 모든 대상들에 대한 평균 결과들을 보여주고, 대각선들은 상이한 신체 부위들에 대한 분류 정확도를 제공한다.

표 1은 피부 접촉 센서들(14, 16) 및 피부 톤 센서(18)로부터의 측정 신호들에 기초한 랜덤 포레스트 분류기에 대한 혼돈 행렬이다.

[표 1]

표 2는 근접 센서들(34)로부터의 측정 신호들에만 기초한 랜덤 포레스트 분류기에 대한 혼돈 행렬이다.

[표 2]

표 3은 피부 접촉 센서들(14, 16), 피부 톤 센서(18) 및 근접 센서들(34)로부터의 측정 신호들에 기초한 랜덤 포레스트 분류기에 대한 혼돈 행렬이다.

[표 3]

표시된 바와 같이, 평균적으로, 랜덤 포레스트 분류기에 의한 정확한 예측의 백분율들은 분류기의 3개의 버전들에 대해 각각 61%, 70% 및 82%이다. 예상될 수 있는 바와 같이, 분류기의 성능은 분류기의 일부로서 평가된 센서들의 개수에 따라 증가한다.

피부 접촉 센서들(14, 16) 및 피부 톤 센서(18)에 더하여 사용되는 상기 개수의 근접 센서들(8)을 이용한 분류 정확도(즉, 정확한 예측의 백분율)에서의 증가가 도 4에 도시되어 있다. 도 4는 사용된 근접 센서들(34)의 개수에 대한 분류 정확도의 플롯을 보여준다. 플롯은 역방향 제거를 통해, 즉, 모든 8개의 근접 센서들(34)에 대한 측정 신호들로 시작하여 생성되었고, 분류기 트레이닝은 각각의 다음 반복에 대한 최하위 근접도 측정 신호의 생략으로 반복적으로 수행된다. 따라서, 근접 센서들(34)의 개수에 따라 분류 정확도가 개선되지만, 추가적인 근접 센서당 개선(improvement-per-additional-proximity sensor)은 더 많은 근접 센서들(34)이 사용되는 것을 감소시킴을 알 수 있다.

위에서 논의된 바와 같이, 더 정확한 결과들을 획득하기 위해 신체 부위의 측정당 샘플 식별(per-measurement sample identification)이 시간 경과에 따라 집계될 수 있다. 일례는 분류기의 출력에 걸친 메디안 필터의 적용이다. 대체적으로, 메디안 필터링은 신호 프로세싱의 분야에서 알려져 있고, 이러한 특정 경우에, 메디안 필터는 선택된 시간 윈도우에서 신체 부위들의 가끔의 오분류들을 억제한다. 도 5a의 플롯은 피부 접촉 센서들(14, 16), 피부 톤 센서(18) 및 8개의 근접 센서들(34) 각각이 사용되는 시나리오에 대한 메디안 필터의 길이의 함수로서(초 단위, s로 측정된 바와 같음) 분류 정확도를 보여준다. 정확도는, 메디안 필터가 사용되지 않을 때 82%로부터 6초의 메디안 필터 길이가 사용될 때(이때 6초 길이 필터는, 분류기 출력이 6초의 시간 간격에 걸쳐 집계되는 것을 의미함) 88%까지 증가함을 알 수 있다.

보다 바람직한 예에서, 신체 부위의 측정당 샘플 식별은 분류기의 출력에 걸쳐 모드 필터를 적용함으로써 시간 경과에 따라 집계될 수 있다. 모드 필터는, 그것이 범주형 변수(categorical variable), 즉 신체 부위의 값을 출력하는 데 사용되고 있을 때 메디안 필터에 비해 바람직할 수 있다. 대체적으로, 모드 필터링은 신호 프로세싱의 분야에서 알려져 있고, 이러한 특정 경우에, 모드 필터는 시간 윈도우에서 가장 많은 시간들로 식별되었던 신체 부위를 출력함으로써 선택된 시간 윈도우에서 신체 부위들의 가끔의 오분류들을 억제한다. 도 5b의 플롯은 피부 접촉 센서들(14, 16), 피부 톤 센서(18) 및 8개의 근접 센서들(34) 각각이 사용되는 시나리오에 대한 모드 필터의 길이의 함수로서(초 단위, s로 측정된 바와 같음) 분류 정확도를 보여준다. 정확도는, 모드 필터가 사용되지 않을 때 81.5%로부터 9초의 모드 필터 길이가 사용될 때(이때 9초 길이 필터는, 분류기 출력이 9초의 시간 간격에 걸쳐 집계되는 것을 의미함) 88%까지 증가함을 알 수 있다.

상기 예에서, MLM에 대한 트레이닝 데이터는 제어된 대상 테스트에서 획득되었다. 대안적으로, 트레이닝 데이터는 개인 케어 동작들 동안 핸드헬드 디바이스(2, 32) 내의 센서(들)(52)로부터 측정 신호(들)를 획득함으로써, 그리고 관련 신체 부위들의 주석들을 수신함으로써 '실제로 사용 중인 소비자들(consumers in the field)'로부터 획득될 수 있다. 측정 신호(들)는 스마트폰과 같은 접속된 디바이스(예컨대, 장치(44))에 이용가능하게 만들어질 수 있고, 사용자/대상은 신호(들)에 관련 신체 부위로 주석을 달기 위해 스마트폰 상의 애플리케이션을 사용할 수 있다.

일부 경우들에서, 일단 분류기(또는 더 대체적으로 트레이닝된 MLM)가 트레이닝되었고 사용 중인 경우에도, 핸드헬드 디바이스(2, 32)의 사용 동안 획득된 추가 측정 신호(들)가 분류기를 업데이트(재트레이닝)하는데 사용되어 분류 정확도를 개선시킬 수 있다(즉, 트레이닝 세트의 증가된 크기 때문임).

유사하게(또는 추가적으로), 특정 대상에 대한 측정 신호(들)에 기초하여 MLM을 트레이닝 또는 재트레이닝하는 것은 MLM이 대상에게 개인화될 수 있게 하고(예컨대, 대상의 신체 형상에 개인화됨), 그에 의해 그러한 대상에 대한 정확도를 증가시킨다. 따라서, MLM은 그러한 대상에서 수행되는 하나 이상의 '교정' 개인 케어 동작들 동안 획득된 측정 신호(들)에 기초하여 트레이닝될 수 있다. 이러한 교정 동작들은 핸드헬드 디바이스(2, 32)를 대상의 특정 신체 부위들에 적용하도록 사용자를 안내하는 것을 수반할 수 있거나, 또는 대안적으로, 사용자 또는 대상은 사용자 인터페이스를 통해 치료되는/치료되었던 신체 부위를 나타낼 수 있다.

표 1 내지 표 3에 보여진 상기 결과들의 맥락에서, 특정 대상에 대한 MLM의 개인화에 의해 제공되는 증가된 정확도에 대한 지원은, 랜덤 포레스트 분류기를 트레이닝시키고 각각의 대상에 대해 개별적으로 리브 원 세션 아웃(leave-one-session-out) 교차 검증에 의한 성능을 평가할 때 보여질 수 있다. 평균적으로, 획득된 분류기 정확도들은 피부 접촉 센서들(14, 16) 및 피부 톤 센서(18)만을 사용할 때 78%, 근접 센서들(34)만을 사용할 때 78%, 그리고 피부 접촉 센서들(14, 16), 피부 톤 센서(18) 및 8개의 근접 센서들(34)을 사용할 때 89%이다. 테스트 대상들의 전체 모집단에 대해 트레이닝될 때 분류기에 대해 상기에서 보고된 것들과 이들 신뢰성들을 비교할 때(각각 61%, 70% 및 82%), 정확도의 증가는 명확하다. 추가로, 정확도가 상이한 대상들에 걸쳐 평균화될 때 더 높은 정확도를 제공할 뿐만 아니라, 대상들 사이의 분류기 정확도에서의 변화는 분류기가 대상에 개인화될 때 더 적다.

본 명세서에 제시된 기법들에 따른 2개의 피부 접촉 센서들(14, 16) 및 피부 톤 센서(18)로부터의 측정 신호들에 기초한 MLM의 구조, 트레이닝 및 성능에 대한 더 상세한 설명은 도 6 내지 도 17을 참조하여 아래에서 설명된다.

MLM에 대한 트레이닝 데이터는 2개의 피부 접촉 센서들(14, 16) 및 피부 톤 센서(18)를 갖는 광 제모기를 사용했던 15명의 여성 참가자들로부터 컴파일링되었다. 각각의 참가자는 다수의 개인 케어 세션들을 수행하였는데, 여기서 다음의 신체 부위들이 연속적으로 치료되었다: 하부 팔, 하부 다리, 하복부(소위 '벨리 비키니' 부위), 비키니 라인, 얼굴(윗 입술) 및 겨드랑이. 이들 신체 부위들을 치료할 때, 적절한 제거가능 부착물이 광 제모기 상에서 사용되었다. 따라서, 하부 다리, 하부 팔 및 벨리 비키니에 대해 일반적인 신체 부착물이 사용되고, 비키니 라인에 대해 비키니 라인 부착물이 사용되고, 얼굴에 대해 얼굴 부착물이 사용되며, 겨드랑이에 대해 겨드랑이 부착물이 사용된다.

측정 신호들을 수집하기 위해, 참가자는 디바이스를 그들의 신체 위에서 이동시키고 각각의 이동 단계에서 적절한 피부 접촉을 보장하였다. 측정 신호들을 획득하기 위해 사용된 광 제모기에서, 적절한 접촉은 광 제모기 상에서 조명되고 있는 광 표시자에 의해 표시되고, 광 표시자의 동작은 접촉 임계치를 초과하는 피부 접촉 센서들(14, 16)로부터의 측정 신호들에 의존한다. 다른 테스트 시나리오들에서, 적절한 접촉이 사용자에게 표시되지 않을 수 있고/있거나, 적합한 측정 신호들의 수집을 위해 필요하지 않을 수 있다. 추가로, 측정 신호들을 획득하기 위해 사용되는 광 제모기는, 피부 접촉 센서들(14, 16)이 적절한 피부 접촉을 표시한 때(즉, 피부 접촉 측정 신호들이 임계치를 초과한 때)에만 피부 톤 센서(18)로부터의 측정 신호가 획득되도록 구성되었다. 핸드헬드 디바이스(2, 32)가 각각의 신체 부위에 사용된 시간은 가변적이었고 참가자에 의해 결정되었지만, 각각의 신체 부위가 가능한 한 많이 커버되어야 한다는 명령어들이 제공되었고, 약 40초 내지 1분의 원하는 최소 치료 시간(신체 면적에 의존함)이 또한 표시되었다. 핸드헬드 디바이스(2, 32)가 사용되었던 신체 부위는 참가자에 의해 표시되었으므로, 획득된 측정 신호들에는 관련 신체 부위의 명칭으로 주석이 달린다.

도 6의 플롯은 신체 부위들, 즉 팔, 다리, 벨리 비키니, 비키니 라인, 얼굴 및 겨드랑이에 대한 상기 트레이닝 데이터 수집 단계에서 획득된 피부 접촉 센서들(14, 16)로부터의 예시적인 측정 신호들을 보여준다. 예시의 용이함을 위해, 라벨링된 신체 부위와 관련되지 않은 측정 신호들의 일부들(예컨대, 핸드헬드 디바이스(2, 32)가 신체로부터 리프트오프되어 상이한 신체 부위에 재포지셔닝되었던 곳에 대응하는 측정 신호들의 일부들)은 도 6에서 생략되었다.

하기 표 4는 대상(참가자)당, 세션당 그리고 신체 부위당 획득된 사용가능 측정 샘플들의 개수의 개요를 제공한다. 사용가능 측정 샘플들은, 편향 보정(correction for bias) 후 피부 접촉 센서(14)로부터의 피부 접촉 측정 신호(SDS1로 지칭됨)로부터, 편향 보정 후 피부 접촉 센서(16)로부터의 피부 접촉 측정 신호(SDS2로 지칭됨)로부터, 그리고 피부 톤 센서(18)로부터의 피부 톤 측정 신호(STSS로 지칭됨)로부터 도출되는데, 피부 톤 측정 신호는 피부 톤과 상관되고, 배경 광에 대해 보정되는 STSRed로 지칭된 적색(660nm) 광에 관련되는 측정된 반사 강도, 및 배경 광에 대해 보정되는 STSIR로 지칭된 자외(880nm) 광에 관련되는 측정된 반사 강도로부터 도출된다. 개인 케어 동작이, 핸드헬드 디바이스(2, 32)의 온도가 증가하게 하는 광 펄스들의 생성을 수반하는 실제 구현예에서, 또는 핸드헬드 디바이스(2, 32)의 온도가 개인 케어 동작 동안 달리 변경되는 구현예들에서, 핸드헬드 디바이스(2, 32)의 온도에 대해 STSRed 및 STSIR를 보정하는 것이 또한 유용하다. 표 4에서는 2개의 세션들 동안 샘플들이 획득되지 않았다는 것이 주목되는데, 이는 그러한 세션에서의 데이터 획득 실패로 인한 것이다.

[표 4]

이하에서는, 측정 신호들의 '시간적 특징들'에 기초한 분류뿐만 아니라 '샘플당' 신체 부위 분류가 평가된다. 도 7의 흐름도들은 2개의 경우들에서 측정 신호들이 어떻게 분석되는지를 보여주고, 이때 도 7a는 샘플당 분류에 관련되고 도 7b는 시간적 특징 분류에 관련된다. 두 방법들 모두에 공통인 단계들은 동일한 참조 번호로 라벨링된다.

두 방법들 모두에서, 측정 신호들(SDS1, SDS2, STSRed, STSIR, STSS)이 획득되고(단계(101)), 편향 또는 배경 광에 대해 적절하게 보정된다. 단계(103)에서, 피부 접촉 센서 측정 신호들(SDS1 및 SDS2)은 광 제모기 상에서 사용되었던 부착물에 대해 보정된다. 특히, 피부 접촉 센서들(14, 16)의 적어도 일부는 제거가능 부착물(예컨대, 전극들) 상에 위치되고, 따라서 피부 접촉 센서들(14, 16)의 감도는 상이한 부착물들 상의 용량성 전극들 또는 플레이트들의 물리적 차이들로 인해 사용된 부착물의 유형에 의존할 수 있다. 일부 실시예들에서, 핸드헬드 디바이스(2, 32)는, 예컨대 그것이 접속될 때 제거가능 부착물로부터 획득된 정보(예컨대, 신호)에 기초하여 핸드헬드 디바이스(2, 32)에 접속되는 부착물의 유형을 검출하고, 적절한 보정 또는 조정을 행할 수 있다. 부착물로 인한 이러한 보정은 하기에 더 상세히 기술된다.

후속적으로, 도 7a에 도시된 '샘플당' 분류에 대해, SDS1 및 SDS2가 피부 접촉 임계치를 초과하는 측정 샘플들은 필터링되어(단계(105)), 분류기(트레이닝된 기계 학습 알고리즘/모델)에 공급된다(단계(107)).

예상된 바와 같이, SDS1 및 SDS2가 피부 접촉 임계치 미만인 측정 샘플들이 분류에 사용될 때, 분류의 정확도는 감소한다. 이는, 피부 접촉이 없을 때 피부 접촉 측정 신호들이 상이한 신체 부위들에 대해 다소 유사하기(그리고 0에 가까움) 때문이다.

단계(107)에서, 분류기는 하나의 측정 샘플을 취하고, 그에 기초하여, 동일한 샘플링 레이트로, 신체 부위를 나타내는 하나의 샘플을 출력한다(단계(109)). 도 7a의 방법에서, 치료된 신체 부위와 상관될 수 있는 측정 신호들의 임의의 시간적 거동이 고려되지 않을 수 있다.

분류 성능은 모드 필터링을 사용하여 출력 샘플을 집계함으로써 증가될 수 있다. 따라서, 분류기에 의해 식별된 신체 부위를 나타내는 샘플은 후속적으로 모드 필터링 단계(단계(111))에 제공되고, 슬라이딩 윈도우는 트레이닝된 기계 학습 알고리즘의 출력에 적용된다. 모드(즉, 슬라이딩 윈도우에서 가장 빈번하게 발생하는 신체 부위)가 결정되고, 단계(113)에서 최종 식별된 신체 부위로서 출력된다. 최종 식별된 신체 부위를 나타내는 샘플은, 모드 필터링이 '하나의 샘플당(per-one-sample)' 슬라이딩 윈도우를 사용하는 경우 측정 샘플들이 입력될 때와 동일한 레이트로 여전히 출력될 수 있다는 점에 유의해야 한다. 모드 필터링을 사용하는 것에 의한 성능의 증가는 실제로 치료된 신체 부위가 빠르게 변하지 않기 때문이다. 따라서, 분류기는 단지 대부분의 시간 동안 올바른 신체 부위를 식별해야 하므로, 신체 부위의 가끔의 오분류들이 필터링된다.

도 7b에 도시된 '시간적 특징들'에 기초한 분류의 경우, 단계(103) 후에, 상이한 필터링 프로세스가 적용되고(블록(115)), 피부 접촉 필터링/임계치는 적용되지 않는다. 블록(115)의 단계(117)에서, 측정 샘플들의 서브세트를 선택하기 위해 입력 측정 신호들에 슬라이딩 윈도우가 적용된다. 사용되고 있는 기계 학습 모델에 따라, 블록(115)의 단계(119)에서 슬라이딩 입력 윈도우의 측정 샘플들이 단계(107)의 기계 학습 알고리즘에 직접 공급되거나, 또는 블록(115)의 단계(121)에서 특징들이 슬라이딩 입력 윈도우에서 측정 샘플들로부터 계산되고 단계(107)의 기계 학습 알고리즘에 공급된다. 이하의 논의에서, MLM은 인공 신경 네트워크일 수 있거나 - 이 경우에, 단계(119)가 적용됨(따라서 측정 샘플들이 MLM에 직접 공급됨) -, 또는 MLM은 랜덤 포레스트일 수 있고 - 이 경우에, 단계(121)가 적용됨 -, 복수의 특징들이 슬라이딩 입력 윈도우의 측정 샘플들로부터 계산된다. 도 7b의 단계들(107 내지 113)은 도 7a의 샘플당 분류 접근법과 동일하다. 따라서, 출력 모드 필터링은 최종 출력 신체 부위를 도출하기 위해 트레이닝된 기계 학습 알고리즘의 출력에 적용된다.

분류에 대해 위에서 언급된 바와 같이, 2개의 상이한 감독형 기계 학습 모델들, 즉 랜덤 포레스트 및 (인공) 신경 네트워크가 채용된다. 두 모델들 모두는 복잡한 비선형 전달 함수들을 모델링할 수 있다.

랜덤 포레스트 분류기는 도 8에 도시된 바와 같이 결정 트리들(70)의 앙상블이다. 각각의 결정 트리(70)는, 입력 특징 값들 중 하나(예컨대, 최소값)와 숫자 간의 간단한 비교가 수행되는 결정 노드들(72)로 구성된다. 모든 결정 노드들(72) 전체를 실행시킴으로써, 결정 트리(70)에 대한 출력 분류(예컨대, 식별된 신체 부위)에 대응하는 단부 노드(74)에 결국 도달한다. 단일 결정 트리(70)가 전형적으로 데이터를 '오버피팅(overfitting)'하는 경향을 갖기 때문에, 다수의 결정 트리들(70)이 트레이닝되고 이를 완화시키는 데 사용될 수 있다. 여기서, 단일 결정 트리(70)의 트레이닝을 위해, 측정 샘플들은 대체물과 함께 랜덤으로 샘플링된다(소위, 부트스트래핑(bootstrapping)). 또한, 입력 특징들(예컨대, 최소값)의 랜덤 서브세트가 각각의 결정 노드(72)에서 사용된다. 랜덤 포레스트의 출력(76)은 결정 트리들(70)로부터 출력되는 모드(즉, 가장 많이 발생함)로서 획득될 수 있다. 랜덤 포레스트 분류기를 사용하는 이점은, 튜닝될 수 있는/튜닝될 필요가 있는 비교적 적은 수의 특징들이 있다는 것, 및 랜덤 포레스트의 출력이 이들 특징들에 상대적으로 둔감하다는 것이다. 또한, 트레이닝된 랜덤 포레스트 분류기의 '결정 프로세스'에 대한 통찰은 결정 트리들을 단순히 시각화함으로써 쉽게 획득될 수 있고, 따라서 입력 특징들의 상대적 중요도가 쉽게 추론될 수 있다. 하기에 추가로 논의된 결과들에 대해, 랜덤 포레스트의 매트랩(Matlab)(TreeBagger 클래스) 및 파이썬(Python)(sklearn.ensemble.RandomForestClassifier 클래스) 구현예들 둘 모두가 사용되었다.

도 9에 도시된 바와 같은 인공 신경 네트워크(80)는 입력 층(84), 하나 이상의 은닉 층들(86), 및 출력 층(88)으로 배열된 노드들(82)(또는 뉴런들)로 구성된다. 입력 층(84)의 각각의 노드(82)는 각자의 입력 값을 나타내는데, 이는 이러한 경우에 SDS1, SDS2, STSRed, STSIR 또는 STSS의 각자의 윈도우형 부분이고, 출력 층(88)의 각각의 노드(82)는 상이한 클래스들 중 각자의 클래스를 나타내는데, 이는 이러한 경우에 신체 부위들이다. 도 9에 도시된 바와 같이, 완전히 접속된 네트워크에서, 하나의 층에서의 각각의 노드(82)로부터 이어지는 라인들은 이웃하는 층(들)에서의 노드들(82) 각각에 접속된다. 순방향 패스(forward-pass)에서, 은닉 층(86)에서의 각각의 뉴런(82)은 이전 층(84/86)에서의 노드들(82)의 값들의 선형 조합을 취하여, 이를 활성화 함수에 입력하고, 활성화물을 다음 층에서의 노드들(82)로 출력한다. 활성화물들은 출력 층(88)까지 이러한 방식으로 전파된다. 출력 층(88)에서, 가장 높은 활성화물을 갖는 뉴런(82)이 예측된 신체 부위로서 선택된다. 인공 신경 네트워크를 트레이닝할 때의 목표는, 예측된 신체 부위와 실제 신체 부위 사이의 최소 디스패리티를 초래하는 각각의 노드(82)에서의 선형 조합들에 대한 가중치들을 학습하는 것이다. 이를 달성하기 위해, 출력 층(88)은 예상된 값들에 대해 비교될 수 있고, 가중치들은 기울기 하강(gradient descent)을 사용하여 적응될 수 있다. 적응은 각각의 층을 통해 역전파되어 역방향 패스로 이어질 수 있다. 이어서, 가중치들이 그들의 최종 값들에 수렴할 때까지 순방향 및 역방향 패스들이 여러 번 반복될 수 있다. 이하에서 추가로 논의된 결과들에 대해, 파이썬 프로그래밍 환경에서의 텐서플로(Tensorflow)가 인공 신경 네트워크에 대해 사용된다.

하기에 기재된 바와 같은 적용된 MLM들의 성능의 추정을 위해, 교차 검증이 적용되었다. 이는, MLM이 상기 표 4에 보여진 트레이닝 데이터의 일부만으로 트레이닝된다는 것을 의미한다. 트레이닝 데이터의 이러한 부분은 '트레이닝 세트'로서 지칭된다. 이어서, 트레이닝된 MLM의 예측 성능이 트레이닝 데이터의 나머지(즉, 이는 모델의 트레이닝에서 '볼 수 없음')를 사용하여 후속적으로 평가된다. 트레이닝 데이터의 이러한 다른 부분은 '테스트 세트'로서 지칭된다. 현재 분석에서, 리브 원 아웃 교차 검증이 2개의 상이한 스킴들로 사용되었다.

제1 스킴은 '리브 원 대상 아웃' 교차 검증이 채용되는 일반화된 모델이다. 이는, MLM이 15명의 대상들 중에서 14명의 대상들의 데이터를 사용하여 트레이닝된다는 것을 의미한다. 트레이닝된 MLM이 후속적으로 사용되어, 트레이닝에서 측정 신호들이 사용되지 않았던 대상에 대한 예측들을 획득한다. 이러한 절차는 각각의 대상에 대해 별개로(따라서 15회) 수행된다. 이러한 방식으로, 모든 대상들에 대해 '테스트 모델 예측들'이 획득된다. 트레이닝된 MLM의 성능은 전체 연구 집단에 대해 평가될 수 있다. 예를 들어, 정확하게 분류된 측정 샘플들의 비율은 모든 대상들에 대한 모든 측정 샘플들을 고려하여 계산될 수 있다. 대상 대 대상(subject-to-subject) 변화에 대한 아이디어를 얻기 위해 대상당 성능이 또한 평가될 수 있다. 이러한 제1 스킴은, 단일의 '두루 적용되는(one size fits all)' 기계 학습된 분류기가 신체 부위 검출을 위해 채용되는 경우와 관련된다.

제2 스킴은, 각각의 대상에 대해 개별적으로 '리브 원 세션 아웃' 교차 검증이 채용되는 개인화된 모델이다. 따라서, 대상의 개인 케어 세션당, '테스트 예측들'은 그러한 동일한 대상의 다른 개인 케어 세션들의 데이터에 대해 트레이닝된 MLM을 사용함으로써 획득된다. 예측 성능은 대상마다 그리고/또는 전체 연구 집단에 대해 후속적으로 평가될 수 있다. 이러한 접근법은 하나의 특정 대상에 맞춰진 MLM을 채용하는 실행가능성을 조사하는 것에 관련된다. 그러한 구현예의 단점은 교정 절차가 수행될 필요가 있다는 것이다: 즉, 개별 대상에 대한 분류기를 트레이닝하기 위해, 치료된 신체 면적이 알려져 있는 하나 이상의 개인 케어 세션들로부터의 데이터가 획득되어야 할 것이다. 그러나, 분류 성능은 일반화된 구현예의 경우보다 대체적으로 더 양호하다.

랜덤으로, (대상들 및/또는 세션들에 걸쳐) 샘플들의 일부분이 트레이닝 세트로서 사용되고 다른 부분이 테스트 세트로서 사용되는 교차 검증인 랜덤 샘플 교차 검증이 고려되지 않았다는 것에 유의해야 한다. 일반화된 MLM의 경우, 이것은 각각의 대상에 대한 측정 신호들이 부분적으로 트레이닝 세트에 있을 것이므로 성능의 부정확한 추정치를 제공할 것이고, 따라서 '전에 보이지 않았던(not seen before)' 새로운 대상에 대한 테스트가 수행되지 않는다. 개인화된 분류기의 경우, 예측 성능에 영향을 미치는 개인 케어 세션들 사이의 가능한 변형들은 랜덤 샘플 교차 검증을 적용할 때 커버되지 않는다.

하기 표 5는 상이한 MLM들에 대해 획득된 분류 정확도들의 개요를 보여준다. 여기서, 각각의 대상에 대해, 분류 정확도는 정확하게 분류된 샘플들의 백분율로서(따라서 모든 신체 부위들에 대해) 계산된다. 후속적으로, 이들 값들에 대한 평균 및 표준 편차가 취해지고, 표 5에 표시된다. 결과들은 분류 성능에 최적화되어 있는 윈도우 길이를 갖는 출력 모드 필터링(도 7a 및 도 7b의 단계(111))의 적용으로 획득된다. 이러한 윈도우 길이는, 적용된 검증, 기계 학습 모델 및 프로세싱 방법들에 따라 약 50 내지 100개의 측정 샘플들이다. 평균 정확도에 대한 출력 모드 필터링의 효과는 모든 경우들에서 5%이다. 시간적 특징 프로세싱을 위해, 약 50개의 샘플들의 입력 윈도우 길이가 적용된다(단계(117)).

[표 5]

표 5로부터, 개인화된 모델들이 일반화된 모델들보다 10 내지 15% 더 높은 평균 정확도를 갖는다는 것을 알 수 있다. 또한, 개인화된 모델들은 전형적으로 정확도의 더 낮은 변화를 제공하지만, 표준 편차 값들에 기초하여, 이것은 모든 경우들에 대해 명백하지는 않다. 그러나, 더 상세한 결과들이 아래에서 논의된다.

주로 일반화된 모델들에 대해, 신경 네트워크는 랜덤 포레스트보다 더 양호한 것(5% 더 양호함)을 수행한다. 그러나, 이것은 주로, 아래에서 논의되는 바와 같이 겨드랑이를 식별하기 위한 더 양호한 성능으로 인한 것이다. 일반화된 모델들에 대해, 신경 네트워크 및 랜덤 포레스트는 시간적 특징 프로세싱에 의한 랜덤 포레스트의 일부 이점들을 갖고 더 유사하게 수행한다.

분류 정확도는, 시간적 특징 프로세싱이 더 높은 정확도를 제공하는 개인화된 랜덤 포레스트 모델을 제외하고 샘플당 그리고 시간적 특징 프로세싱에 대해 유사할 것으로 보인다.

분류에 대한 더 상세한 결과들이, 일반화된 랜덤 포레스트(도 10), 일반화된 신경 네트워크(도 11), 개인화된 랜덤 포레스트(도 12), 및 개인화된 신경 네트워크(도 13)에 대해 도 10 내지 도 13에 도시되어 있다. 이들 도면들에서, 각각의 신체 부위의 경우, 상이한 대상들에 대해 획득된 정확도들의 분포는 박스 플롯에 의해 표시된다. 추가로, 대상들 '평균된 신체 부위들' 정확도에 대한 분포는 '평균'으로 라벨링된 박스 플롯에 의해 표시된다. 도 10 내지 도 13 각각에서 박스 플롯 (a)는 샘플당 프로세싱을 사용할 때 획득된 정확도에 관련되고, 도 10 내지 도 13 각각에서 박스 플롯 (b)는 시간적 특징 프로세싱을 사용할 때 획득된 정확도에 관련된다.

비키니 라인, 얼굴 및 겨드랑이에 대한 정확도가 대체적으로 가장 높은 반면, 팔, 다리, 및 벨리 비키니에 대한 정확도는 특히 더 낮다는 것을 알 수 있다. 이는 신경 네트워크 모델들에 대해 가장 명백하다. 비키니 라인, 얼굴 및 겨드랑이가 핸드헬드 디바이스(2, 32) 상의 그들 자체의 전용 부착물로 치료될 수 있는(그리고 트레이닝 측정 신호들이 획득되었을 때 치료되었음) 반면, 팔, 다리 및 벨리 비키니는 일반적인 신체 부착물을 사용하여 치료된다는 점에 유의해야 한다. 상기에서 언급된 바와 같이, 피부 접촉 센서들(14, 16)의 감도는 부착물 유형에 의존할 수 있고, 이는 디스플레이된 결과들에 대해 보정되었다. 따라서, 신체 부위보다는 오히려 부착물 유형에 기초한 분류는 가능한 한 많이 배제되었다. 부착물 유형으로 인한 분류 정확도에서의 편향의 존재(즉, 피부 접촉 센서 감도에 대한 보정이 이루어지지 않을 때)는 아래에서 추가로 논의된다.

일반화된 모델들의 경우, 정확도 변화가 특히 팔, 다리 및 벨리 비키니에 대해 매우 크다는 것을 도 10 내지 도 13에서 알 수 있다. 전반적으로, 개인화된 모델들의 경우, 정확도 변화는 훨씬 더 작은데, 이때 (몇몇 분리물들을 제외하고는) 랜덤 포레스트 시간적 특징 모델을 이용한 모든 신체 부위들/대상들에 대해 최소 50%의 정확도가 가능하다.

랜덤 포레스트 모델들에 대한 단계(111)에서의 출력 모드 필터링(이는, 위에서 논의된 결과들에 도달하는 데 사용됨)의 적용의 효과는 도 14의 플롯들에 의해 입증된다. 각각의 플롯은, 평균 분류 정확도 대 출력 모드 필터링 윈도우의 길이를 보여준다. 도 14a는 샘플당 프로세싱을 갖는 일반화된 모델에 관련되고, 도 14b는 시간적 특징 프로세싱을 갖는 일반화된 모델에 관련되고, 도 14c는 샘플당 프로세싱을 갖는 개인화된 모델에 관련되고, 도 14d는 시간적 특징 프로세싱을 갖는 개인화된 모델에 관련된다. 전반적으로, 윈도우 길이를 50개의 샘플들로부터 150개의 샘플들로 증가시킴으로써 4 내지 7%의 정확도에서의 증가가 획득될 수 있다. 신경 네트워크 모델들에 대해, 유사한 결과들이 획득된다.

표 6 내지 표 13은 샘플당 그리고 시간적 특징 프로세싱 둘 모두에 대한 일반화된 랜덤 포레스트, 일반화된 신경 네트워크 모델, 개인화된 랜덤 포레스트 및 개인화된 신경 네트워크 모델에 대해 모든 15명의 대상들에 대한 혼돈 행렬들을 보여준다. 혼돈 행렬들은, 각각의 실제 신체 부위(표들의 로우(row)들을 따름)에 대해, 특정 신체 부위가 분류기에 의해 출력되는 샘플들의 비율(표들의 컬럼(column)들을 따름)을 묘사한다. 각각의 테이블의 대각선은 상이한 신체 부위들에 대한 분류 정확도를 제공한다.

[표 6]

표 6은 샘플당 프로세싱을 갖는 일반화된 랜덤 포레스트 분류기에 대한 혼돈 행렬을 보여준다.

[표 7]

표 7은 샘플당 프로세싱을 갖는 일반화된 신경 네트워크 분류기에 대한 혼돈 행렬을 보여준다.

[표 8]

표 8은 샘플당 프로세싱을 갖는 개인화된 랜덤 포레스트 분류기에 대한 혼돈 행렬을 보여준다.

[표 9]

표 9는 샘플당 프로세싱을 갖는 개인화된 신경 네트워크 분류기에 대한 혼돈 행렬을 보여준다.

[표 10]

표 10은 시간적 특징 프로세싱을 갖는 일반화된 랜덤 포레스트 분류기에 대한 혼돈 행렬을 보여준다.

[표 11]

표 11은 시간적 특징 프로세싱을 갖는 일반화된 신경 네트워크 분류기에 대한 혼돈 행렬을 보여준다.

[표 12]

표 12는 시간적 특징 프로세싱을 갖는 개인화된 랜덤 포레스트 분류기에 대한 혼돈 행렬을 보여준다.

[표 13]

표 13은 시간적 특징 프로세싱을 갖는 일반화된 랜덤 포레스트 분류기에 대한 혼돈 행렬을 보여준다.

위에서 언급된 바와 같이, 일부 핸드헬드 디바이스(2, 32)의 경우, 팔, 다리 및 벨리 비키니와 같은 신체 부위들은 그들 신체 부위들에 특정되지 않는 핸드헬드 디바이스(2, 32) 상의 일반적인 신체 부착물을 사용하여 치료될 수 있는 반면, 비키니 라인, 얼굴 및 겨드랑이와 같은 다른 신체 부위들은 그들 자체의 전용 부착물을 사용하여 치료될 수 있다. 커패시턴스에 기초하는 피부 접촉 센서들(14, 16)의 경우, 부착물 상에 존재하는 피부 접촉 센서의 부분 사이의 응답에서의 조직적 차이들은 사용된 금속의 치수들 및/또는 양에서의 차이들로 인해 존재할 수 있다. 또한, 제조 재현성으로 인해 피부 접촉 센서들 및 피부 톤 센서들 둘 모두에 대해 랜덤 변화가 예상될 수 있다.

위에서 논의된 결과들을 획득하는 데 있어서, 상이한 부착물들 사이의 피부 접촉 센서 감도의 조직적 차이들은 보정되었다. 보정들은, 구리와 접촉하여 놓일 때 상이한 부착물들에 대한 피부 접촉 센서들의 응답의 테스트들에 기초한다. 이들 결과들이 하기 표 14에서 보여진다.

[표 14]

표 14에서, 부착물 유형들 사이의 조직적 차이에 더하여, SDS1과 SDS2 사이의 조직적 차이(즉, 응답 SDS1 > 응답 SDS2)가 또한 존재한다는 것을 알 수 있다. 위에서 제시된 분류 결과들에서, 피부 접촉 측정 신호들은 표 14에 주어진 감도들에 의해 나누어진다.

하기의 표 15에 보여진 혼돈 행렬 및 도 15의 정확도 박스 플롯은 부착물 편향의 가능한 효과를 예시하기 위해, 샘플당 프로세싱을 갖는 개인화된 랜덤 포레스트 분류에 대한 부착물 의존 피부 접촉 센서 감도를 보정하지 않는 효과를 보여준다. 따라서, MLM은, 피부 접촉 측정 신호들이 부착물들 사이의 피부 접촉 센서 가변성에 대해 보정되지 않은 트레이닝 데이터를 사용하여 트레이닝되고, 검증은 마찬가지로, 보정되지 않은 피부 접촉 측정 신호들로 수행된다.

[표 15]

표 15 및 도 15에 보여진 결과들과 (보정된 피부 접촉 측정 신호들을 사용한) 표 8 및 도 12에 보여진 결과들과의 비교는, 전체 분류 성능이 더 많이 영향을 받지 않음을 보여준다.

위에서 언급된 바와 같이, 랜덤 포레스트 모델의 결정 트리들을 시각화함으로써 그의 작업 원리에 대한 통찰을 얻는 것이 가능하다. 도 16 및 도 17은 피부 접촉 센서들(14, 16) 및 피부 톤 센서(18)로부터의 측정 신호들에 기초하여 개인화된 랜덤 포레스트 모델들에 대한 결정 트리들 중 하나의 결정 트리의 그러한 시각화를 도시한다. 도 16의 예시적인 결정 트리는 상이한 부착물들의 사용으로 인한 센서 응답의 변화들에 대해 보정되지 않았던 피부 접촉 측정 신호들에 기초하는 반면, 도 17의 예시적인 결정 트리는 상이한 부착물들의 사용으로 인한 센서 응답의 변화들에 대해 보정되었던 피부 접촉 측정 신호들에 기초한다. 각각의 결정 트리는 분류기 결정들을 행하는 데 사용되는 결정 노드들 및 대응하는 특징들과 특징 값들을 포함한다. 따라서, 각각의 노드는 측정 신호(즉, SDS1, SDS2, STSRed, STSIR 또는 STSS)로 라벨링되어, 어느 측정 신호가 그러한 결정 노드의 일부로서 평가되는지를, 그리고 다음 노드로 이어질 특정 분기에 대한 특징 값 또는 조건을 나타낸다. 예를 들어, 도 16의 제1 노드의 경우, SDS1이 평가되고, 그 값이 77.50 초과인 경우 우측으로의 분기가 취해지고, 그 값이 77.50 이하인 경우 좌측으로의 분기가 취해진다. 도 16 및 도 17에서, 각각의 신체 부위 클래스(즉, 팔, 다리, 벨리 비키니 등)에 대한 결정 트리를 통한 흐름은 각자의 회색 음영으로 표현된다.

도 16에 도시된 바와 같이, (트리의 상단에서의) 제1 결정이 SDS1 신호에 기초하여 이루어진다. 이러한 결정은 주로, 클래스들, 즉 비키니 라인, 얼굴 및 겨드랑이(이들은 주로, 결정 트리의 좌측 아래로 진행함)로부터 클래스들, 즉 팔, 다리, 및 벨리 비키니(이들은, 주로 결정 트리의 우측 아래로 진행함)를 분리한다. 제1 결정 노드 후에, 추가 분류는 주로 STS 신호들에 기초한다는 것을 알 수 있다.

도 17에서 피부 접촉 측정 신호들의 부착물 보정이 있는 경우에 대해, 결정 노드들의 제1 '층들'로부터, 분류가 주로 피부 톤 측정 신호들(STSRed, STSIR, STSS)에 기초한다는 것을 알 수 있다.

따라서, 두 예들 모두에서, 랜덤 포레스트 모델은 주로, 피부 톤 측정 신호들에 기초하여 신체 부위를 식별한다는 것을 알 수 있다.

도 18의 흐름도는 핸드헬드 디바이스(2, 32)가 사용되고 있는 신체 부위를 식별하기 위한 본 명세서에 기술된 기법들에 따른 예시적인 방법을 예시한다. 본 방법의 단계들 중 하나 이상은, 장치(44)의 메모리 유닛(48) 및 인터페이스 회로부(50) 중 어느 하나, 및/또는 하나 이상의 센서들(52)과 함께, 장치(44) 내의 프로세싱 유닛(46)에 의해 적절하게 수행될 수 있다. 프로세싱 유닛(46)은, 예를 들어 메모리 유닛(48)과 같은 컴퓨터 판독가능 매체 상에 저장될 수 있는 컴퓨터 프로그램 코드를 실행하는 것에 응답하여 하나 이상의 단계들을 수행할 수 있다.

단계(201)에서, 프로세싱 유닛(44)은 하나 이상의 센서들(52) 각각으로부터 각자의 측정 신호를 획득한다. 위에서 언급된 바와 같이, 각각의 센서(52)는 핸드헬드 디바이스가 대상의 피부 상에 사용됨에 따라 각자의 파라미터를 측정하고, 센서(52)는 각자의 파라미터의 시계열 측정치들을 포함하는 측정 신호를 생성한다. 또한 위에서 언급된 바와 같이, 하나 이상의 센서들은 피부 접촉 센서(14, 16), 피부 톤 센서(18), 및 근접 센서(34) 중 적어도 하나를 포함한다.

일부 실시예들에서, 하나 이상의 센서들(52)은 적어도 피부 접촉 센서(14, 16)를 포함한다. 일부 실시예들에서, 하나 이상의 센서들(52)은 적어도 피부 톤 센서(18)를 포함한다. 일부 실시예들에서, 하나 이상의 센서들(52)은 적어도 근접 센서(34)를 포함한다. 일부 실시예들에서, 하나 이상의 센서들(52)은 적어도 하나의 피부 접촉 센서(14, 16) 및 피부 톤 센서(18)를 포함한다. 일부 실시예들에서, 하나 이상의 센서들(52)은 적어도 하나의 피부 접촉 센서(14, 16), 피부 톤 센서(18) 및 하나 이상의 근접 센서들(34)을 포함한다. 일부 실시예들에서, 하나 이상의 센서들(52)은 적어도 복수의 근접 센서들(34)을 포함한다. 복수의 근접 센서들(52)은, 각각의 근접 센서(34)가 근접 센서(34)로부터 헤드부(6)가 접촉하고 있는 피부에 인접한 피부의 각자의 부위까지의 거리를 측정하도록 핸드헬드 디바이스(2, 32) 내에 또는 그 상에 배열될 수 있다.

일례에서, 근접 센서(34)는 수직 공동 표면 방출 레이저(VCSEL) 센서를 포함한다. VCSEL 센서들은 알려져 있고, 거리 및 속도 측정을 위해 다른 것들 중에서 사용된다. 그들은, 예를 들어 스마트폰들 및 컴퓨터 입력 디바이스들, 예를 들어 하이-엔드 광학 컴퓨터 마우스에 적용된다. 거리 측정은 전파 시간 기법에 기초할 수 있는데, 이에 따르면 펄스형 VCSEL이 광원으로서 사용되고, 광원에 의한 광 펄스 방출과 센서에 의한 반사된 광의 검출 사이의 시간으로부터 거리가 도출된다. 다른 기법은 자가 혼합 간섭(self-mixing interference, SMI)인데, 이는 타깃으로부터 다시 산란되는 간섭성 레이저 광자들과의 VCSEL 레이저 공동에서의 간섭에 의존한다. VCSEL 구동 전류의 특정 변조에 의해, 레이저의 빔 방향에서의 타깃의 거리 및 속도가 결정될 수 있다. 본 명세서에서 상세히 전술되는 바와 같은 신체 부위 검출을 위한 VCSEL 센서들에 의한 거리 측정치들의 사용에 더하여, VCSEL 센서들의 출력 신호들은 또한, 사용자의 피부에 대한 핸드헬드 디바이스(2, 32)의 변위의 측정을 위해 사용될 수 있다. 변위 측정은 치료 커버리지를 개선하고 누락된 치료 스폿들을 최소화하기 위해 치료 동안 사용자에 대한 안내를 가능하게 한다. 변위 측정을 위해, VCSEL 센서들은 전형적으로 핸드헬드 디바이스(2, 32)의 치료 윈도우에 평행한 평면에서의 (준) 2D 모션이 최적으로 검출되도록 해야 한다. 따라서, VCSEL 센서들의 사용은 신체 부위 검출뿐만 아니라 변위 측정 둘 모두를 가능하게 하기 위해 단일 유형의 센서만의 사용을 허용한다.

단계(201)에서 획득된 각각의 측정 신호는 시간 윈도우 동안 대상과 관련된 복수의 측정치들을 포함한다. 단계(201)에서, 프로세싱 유닛(46)은 각자의 센서(52)로부터 직접적으로 또는 각자의 센서(52)로부터 (예컨대, 인터페이스 회로부(50) 및 인터페이스 회로부(54)를 통해) 간접적으로 측정 신호(들)를 획득할 수 있다. 이들 실시예들에서, 프로세싱 유닛(46)은 핸드헬드 디바이스(2, 32)가 실시간으로 접촉하는 신체 부위를 식별하기 위해 측정 신호(들) 또는 측정 샘플들이 (예컨대, 실시간으로 또는 거의 실시간으로) 수신될 때 그들을 프로세싱하는 것이 가능할 수 있다. 대안적으로, 측정 신호(들)는 이전에 획득되어 메모리 유닛(48)에 저장되었을 수 있고, 이러한 경우에, 단계(201)에서 프로세싱 유닛(46)은 메모리 유닛(48)으로부터 측정 신호(들)를 취출할 수 있다.

단계(203)에서, 프로세싱 유닛(46)은 트레이닝된 MLM을 사용하여 단계(201)에서 획득된 하나 이상의 측정 신호들을 분석하여, 핸드헬드 디바이스(2, 32)가 사용되고 있는 대상의 신체 부위를 식별한다. 트레이닝된 MLM은 획득된 하나 이상의 측정 신호들 각각에 대한 시간 윈도우에서 복수의 측정치들을 분석하여 신체 부위를 식별하도록 구성된다.

단계(205)에서, 프로세싱 유닛(46)은 식별된 신체 부위의 표시를 출력한다. 예를 들어, 프로세싱 유닛(46)은 식별된 신체 부위의 아이덴티티를 출력할 수 있다. 식별된 신체 부위의 표시는 사용자 인터페이스를 통해 프로세싱 유닛(46)에 의해, 예를 들어 사용자 또는 대상으로 출력될 수 있고/있거나, 식별된 신체 부위의 표시는 인터페이스 회로부(50)를 통한 신호의 형태로 프로세싱 유닛(46)에 의해, 컴퓨터, 랩톱, 컴퓨터, 서버 등과 같은 다른 전자 디바이스 또는 장치로, 또는 심지어 핸드헬드 디바이스(2, 32)로 출력될 수 있다. 후자의 경우에, 핸드헬드 디바이스(2, 32)는 이발/면도 길이, 광 펄스 강도 등과 같은 핸드헬드 디바이스(2, 32)의 동작 파라미터를 조정하기 위해 신체 부위의 아이덴티티를 사용할 수 있다.

다양한 실시예들에서, 트레이닝된 MLM은 로지스틱 회귀 모델, 지지 벡터 기계, 랜덤 포레스트, 나이브 베이즈 분류기, 최근접 이웃 분류기, 결정 트리 분류기, 인공 신경 네트워크 또는 이들의 조합일 수 있다.

MLM에 의해 식별될 수 있는 신체 부위들은 MLM을 트레이닝하는 데 사용되는 정보(트레이닝 데이터)에 의존할 것임을 이해할 것이다. 일례로서, MLM은 대상의 신체 부위를, 발, 다리, 하부 다리, 상부 다리, 다리, 복부, 몸통, 흉부, 등, 손, 팔, 하부 팔, 상부 팔, 겨드랑이, 어깨, 목, 얼굴, 윗 입술, 두피 또는 머리 중 임의의 것으로서 식별할 수 있다. 다른 예로서, 트레이닝 데이터가 발, 다리, 팔, 복부, 머리에 대한 주석들만을 포함하고 있으면, MLM은 이들 신체 부위들 중 하나를 나타내는 출력만을 제공할 수 있다.

단계(203)는 핸드헬드 디바이스(2, 32)가 접촉하고 있는 신체 부위의 추가의 표시들을 제공하도록 반복될 수 있다. 단계(203)의 반복들은 단계(201)에서 획득된 측정 신호(들)에서의 추가 측정 샘플(들)에 기초할 수 있거나(이러한 경우에, 단계(201)는 반복되지 않을 수 있음), 또는 단계(203)는 새로운 측정치들(예컨대, 새롭게 획득된 측정 신호(들), 또는 단계(201)의 반복 다음의 새롭게 획득된 측정 샘플(들))에 기초할 수 있다.

일부 실시예들에서, 단계(203)는 획득된 측정 신호(들)에서 각각의 측정치(측정 샘플)에 대해 반복될 수 있으므로, MLM은 각각의 측정치(측정 샘플)에 대한 신체 부위의 표시를 제공한다. 하나 이상의 센서들(52)이 적어도 피부 접촉 센서(14, 16)를 포함하는 실시예들에서, 트레이닝된 MLM은, 피부 접촉 센서(14, 16)로부터의 측정 신호가 피부 접촉이 있음을 나타낼 때, 예컨대 피부 접촉 센서(14, 16)에 의해 측정된 파라미터의 크기가 임계치를 초과할 때 신체 부위를 식별하는 데에만 사용될 수 있다. 그러한 경우에, 피부 접촉이 있는 경우에만 단계(203)가 수행될 수 있거나, 또는 피부 접촉이 있는 경우에만 측정 신호(들)가 MLM에 입력될 수 있다.

다른 실시예들에서, 단계(203)(및 단계(203)의 반복들)에서, 트레이닝된 MLM은 측정 신호(들)의 시간적 분석에 기초하여 대상의 신체 부위를 식별할 수 있다. 이들 실시예들에서, 측정 신호(들) 각각의 일부분(여기서, 일부분은 측정 신호당 하나 초과의 측정 샘플임)이 MLM에 입력될 수 있고, MLM은 그 부분에서의 측정 샘플들에 대해 동작한다. 그 부분은 각각의 측정 신호에 슬라이딩 윈도우를 적용함으로써 결정될 수 있고, 윈도우 내의 측정치들(측정 샘플들)은 MLM에 입력된다. MLM은, MLM에 입력되는 측정치들의 각각의 세트에 대한 식별된 신체 부위의 표시를 출력한다. 단계(203)의 반복들을 위해, 슬라이딩 윈도우는 MLM 내로 입력될 새로운 측정 샘플들의 세트를 식별하기 위해 측정 신호(들)를 가로질러 이동된다(예컨대, 하나 이상의 샘플들을 따라 이동됨).

상기 실시예들에서, 각각의 측정 신호의 일부분은 MLM에 직접 입력될 수 있다. 대안적인 실시예들에서, 그 부분(들)은 하나 이상의 특징부들에 대한 값들을 결정하기 위해 분석될 수 있고, 이들 특징 값들은 단계(203)에서 MLM에 입력된다. 특징들은, 센서(52)에 의해 측정된 파라미터의 평균 값, 센서(52)당 측정된 파라미터의 표준 편차, 및/또는 슬라이딩 윈도우에서 측정 샘플들로부터 각각 결정되는 파라미터의 통계적 특성들과 관련된 다른 특징들일 수 있다.

식별된 신체 부위를 나타내는 일련의 출력들을 제공하기 위해 단계(203)가 반복되는 실시예들에서, 출력들은 신체 부위 식별의 정확도를 개선하기 위해 '제거'될 수 있는데, 즉 거짓 신체 부위 식별들이 필터링될 수 있다. 따라서, 일부 실시예들에서, 모드 필터는 MLM으로부터의 일련의 출력들에 적용되어, 최종 출력된 식별된 신체 부위를 출력들의 세트에서 가장 자주 발생하는 신체 부위로서 결정할 수 있다. 일부 실시예들에서, 슬라이딩 윈도우가 출력들의 세트에 적용될 수 있고, 모드 필터는 윈도우의 출력들에 적용될 수 있다.

일부 실시예들에서, MLM은, 핸드헬드 디바이스(2, 32)가 사용되었던 신체 부위(들)를 나타내는 측정 신호(들)에 대한 주석들(확인들) 및 하나 이상의 센서들(52)로부터의 측정 신호(들)를 사용함으로써 대상에 맞춤화되거나 교정될 수 있다. MLM은 주석들/확인들 및 측정 신호(들)의 관련 부분들에 기초하여 업데이트(트레이닝)될 수 있다.

핸드헬드 디바이스(2, 32)의 헤드부(6)가 제거가능 헤드부들의 세트로부터 선택될 수 있는 실시예들에서, 본 방법은 개인 케어 동작 동안 핸드헬드 디바이스(2, 32) 상에서 사용되었던 제거가능 헤드부의 표시를 획득하는 단계를 추가로 포함할 수 있고, 이러한 표시는 측정 신호(들)를 분석하여 신체 부위를 식별할 때 고려될 수 있다. 예를 들어, 센서(52)의 성능이 제거가능 헤드부들 사이에서 변하면, 그러한/그들 센서들(52)로부터의 측정 신호(들)는, 측정 신호(들)가 분석을 위해 MLM에 제공되기 전에 변화에 대해 보정될 수 있다. 대안적으로, MLM은 입력으로서 제거가능 헤드부의 아이덴티티로 트레이닝되었을 수 있고, 따라서 제거가능 헤드부의 아이덴티티의 표시는 단계(203)에서의 측정 신호(들)와 함께 MLM에 대한 입력일 수 있다. 다른 대안으로서, 신체 부위를 나타내는 MLM의 출력은 핸드헬드 디바이스(2, 32) 상에서 사용되고 있는 제거가능 헤드부의 유형과 비교될 수 있다. 매칭이 있는 경우, 이것은 식별된 신체 부위가 정확하다는 더 높은 신뢰도를 제공할 수 있다. 그러나, 미스매칭이 있는 경우(예컨대, 겨드랑이 부착물이 사용되고 있지만, MLM에 의해 식별된 신체 부위는 얼굴임), 이것이 표시될 수 있다. 일부 경우들에, 이러한 미스매칭은 사용자가 핸드헬드 디바이스(2, 32) 상에 잘못된 부착물을 부착하기 때문일 수 있고, 정확한 부착물이 사용자 또는 대상에게 표시될 수 있다.

하나 이상의 센서들(52)이 피부 접촉 센서(14, 16) 및 피부 톤 센서(18)와 근접 센서(34) 중 적어도 하나를 포함하는 실시예들에서, 단계(203)는 핸드헬드 디바이스(2, 32)가 피부와 접촉하는 접촉 기간을 식별하기 위해 피부 접촉 센서(14, 16)로부터의 측정 신호를 분석하는 것을 포함할 수 있다. 핸드헬드 디바이스(2, 32)는 핸드헬드 디바이스(2, 32)가 신체 부위들 사이에서 이동될 때 신체로부터 리프트오프될 수 있고, 따라서 피부 접촉의 연속적인 상실들 사이에서, 핸드헬드 디바이스(2, 32)가 동일한 신체 부위 상에 사용된다고 가정될 수 있다. 그러한 경우에, 단계(203)는, MLM이 식별된 접촉 기간 동안 피부 톤 센서(18) 및/또는 근접 센서(34)로부터의 측정 신호(들)를 분석하여 접촉 기간 동안 단일의 신체 부위를 식별하는 것을 포함할 수 있다. 일부 실시예들에서, 접촉 기간은, 핸드헬드 디바이스(2, 32)가 피부와 연속적으로 접촉하는 기간으로서 식별될 수 있다. 대안적으로, 접촉 기간은, 핸드헬드 디바이스(2, 32)가 (예컨대, 임계 시간 미만의, 예컨대, 1 또는 2초 미만의) 짧은 접촉 상실들에도 불구하고, 피부와 연속적으로 접촉하는 기간으로서 식별될 수 있다. 보다 구체적으로, 접촉 기간은, 다수의 기간들 - 각각의 기간에 핸드헬드 디바이스(2, 32)가 피부와 연속적으로 접촉함 - 에 걸쳐 있는 것으로 식별될 수 있고, 기간들의 각각의 연속적인 쌍 사이의 시간 갭은 임계 시간 미만이다.

핸드헬드 디바이스(2, 32)가 광 펄스들을 사용함으로써 개인 케어 동작을 수행하는 실시예들에서, 신체 부위에 적용되었던 광 펄스들의 개수는 신체 부위 식별을 개선하기 위해 MLM에 의해 기록되고 사용될 수 있다. 특히, 다리, 겨드랑이, 윗 입술, 팔, 및 비키니 라인 등과 같은 신체 부위는 상이한 표면적들을 갖고, 그에 따라 치료하기 위한 상이한 양의 광 펄스들을 필요로 하므로, 광 펄스들의 개수는 신체 부위의 표시자로 MLM에 의해 사용될 수 있다.

식별된 신체 부위에 대한 정보는 다수의 상이한 방식들로 사용될 수 있다. 일부 예들이 하기에 제공된다.

개인 케어 동작은 정기적으로 반복될 필요가 있을 수 있고, 치료된 신체 부위(들)에 대한 정보는 특정 신체 부위를 재치료할 때 대상을 스케줄링하고/하거나 상기시키는 데 사용될 수 있고, 후속적으로 치료된 신체 부위(들)에 대한 정보는 스케줄을 업데이트하는 데 사용될 수 있다.

예를 들어, 개인 케어 동작 동안 신체 부위의 불량한 커버리지로 인해, 차선의 치료 결과들은 핸드헬드 디바이스(2, 32)에 대한 대상의 만족도에 부정적인 영향을 미칠 수 있다. 식별된 신체 부위에 기초한 신체 부위의 커버리지 및 신체 부위에 적용된 다수의 광 펄스들, 또는 신체 부위를 치료하는데 소비된 시간과 같은 다른 정보에 대한 피드백을 대상 및/또는 사용자에게 제공하는 것이 가능하다. 이것은, 핸드헬드 디바이스(2, 32)가 정확하게 사용되고 있는 대상을 재확인하거나, 또는 신체 부위가 더 많은 또는 더 적은 시간 동안 치료되어야 한다는 것을 나타낼 수 있다.

따라서, 핸드헬드 디바이스가 사용되고 있는 신체 부위를 식별하는 데 있어서의 개선들이 제공된다.

개시된 실시예들에 대한 변형들이, 도면, 개시 내용, 및 첨부된 청구범위의 검토로부터, 본 명세서에 기술된 원리 및 기술을 실시함에 있어서 당업자에 의해 이해되고 달성될 수 있다. 청구범위에서, 단어 "포함하는"은 다른 요소 또는 단계를 배제하지 않으며, 단수 형태(부정 관사 "a" 또는 "an")는 복수를 배제하지 않는다. 단일 프로세서 또는 다른 유닛이 청구범위에 열거된 수개의 항목의 기능을 충족시킬 수 있다. 단순히 소정의 수단이 서로 상이한 종속항에 열거된다는 사실이 이들 수단의 조합이 유리하게 사용될 수 없다는 것을 나타내지는 않는다. 컴퓨터 프로그램은 다른 하드웨어와 함께 또는 다른 하드웨어의 일부로서 공급되는 광학 저장 매체 또는 솔리드 스테이트 매체와 같은 적합한 매체 상에 저장 또는 분산될 수 있지만, 다른 형태로, 예를 들어 인터넷 또는 다른 유선 또는 무선 통신 시스템들을 통해 또한 분산될 수 있다. 청구범위에서의 임의의 도면 부호는 범주를 제한하는 것으로 해석되어서는 안 된다.

Claims (15)

1. 핸드헬드 디바이스가 사용되는 대상의 신체 부위를 식별하는 컴퓨터 구현 방법으로서, 상기 핸드헬드 디바이스는 상기 대상에 개인 케어 동작을 수행하기 위한 것이고, 상기 핸드헬드 디바이스는 상기 개인 케어 동작 동안 상기 대상의 피부와 접촉하기 위한 헤드부를 포함하고, 상기 핸드헬드 디바이스는 상기 핸드헬드 디바이스가 상기 대상의 피부 상에 사용됨에 따라 각자의 파라미터를 측정하기 위한 그리고 각자의 측정 신호들을 생성하기 위한 하나 이상의 센서들을 추가로 포함하고, 상기 하나 이상의 센서들은,
   (a) 피부 접촉 센서로서, 상기 피부 접촉 센서에 의해 측정된 상기 파라미터는 상기 헤드부가 피부와 접촉하고 있는지 여부를 나타내는, 상기 피부 접촉 센서,
   (b) 피부 톤 센서로서, 상기 피부 톤 센서에 의해 측정된 상기 파라미터는 상기 헤드부가 접촉하고 있는 피부의 피부 톤을 나타내거나, 또는 상기 헤드부가 접촉하고 있는 상기 피부에 인접하는 피부의 피부 톤을 나타내는, 상기 피부 톤 센서, 및
   (c) 근접 센서로서, 상기 근접 센서에 의해 측정된 상기 파라미터는 상기 근접 센서로부터 상기 헤드부가 접촉하고 있는 상기 피부에 인접한 피부까지의 거리를 나타내는, 상기 근접 센서 중 적어도 하나를 포함하고,
   상기 방법은,
   상기 핸드헬드 디바이스가 상기 대상의 피부 상에 사용됨에 따라 상기 각자의 파라미터의 시계열(time-series) 측정치들을 포함하는 각자의 측정 신호를 상기 하나 이상의 센서들 각각으로부터 획득하는 단계;
   상기 획득된 하나 이상의 측정 신호들 각각에 대한 시간 윈도우에서 복수의 측정치들을 분석하여 상기 신체 부위를 식별하는 트레이닝된 기계 학습 모델(machine learning model, MLM)을 사용하여 상기 획득된 하나 이상의 측정 신호들을 분석하여, 상기 핸드헬드 디바이스가 사용되는 상기 대상의 신체 부위를 식별하는 단계; 및
   상기 식별된 신체 부위의 표시를 출력하는 단계를 포함하는, 방법.
2. 제1항에 있어서, 상기 트레이닝된 MLM은 상기 획득된 하나 이상의 측정 신호들 각각에서의 측정치를 분석하여 상기 측정치들에 대응하는 상기 신체 부위를 식별하는, 방법.
3. 제1항 또는 제2항에 있어서,
   상기 하나 이상의 측정 신호들에서의 후속적인 측정치들에 대해 분석하는 단계를 반복하여 식별된 신체 부위를 나타내는 일련의 출력들을 제공하는 단계; 및
   상기 일련의 출력들에 필터를 적용하여 상기 핸드헬드 디바이스가 사용되었던 상기 신체 부위를 나타내는 최종 출력을 결정하는 단계를 추가로 포함하는, 방법.
4. 제1항 내지 제3항 중 어느 한 항에 있어서,
   상기 핸드헬드 디바이스가 제1 기간 동안 사용되는 상기 대상의 신체 부위에 대한 확인을 사용자로부터 수신하는 단계; 및
   상기 수신된 확인 및 상기 제1 기간에 대응하는 상기 획득된 하나 이상의 측정 신호들의 일부에 기초하여 상기 트레이닝된 MLM을 업데이트하는 단계를 추가로 포함하는, 방법.
5. 제1항 내지 제4항 중 어느 한 항에 있어서, 상기 핸드헬드 디바이스의 헤드부는 제거가능 헤드부들의 세트로부터 선택되고, 상기 세트 내의 각각의 헤드부는 각자의 신체 부위 또는 각자의 신체 부위들과의 사용을 위한 것이고, 상기 방법은 상기 개인 케어 동작 동안 상기 핸드헬드 디바이스에 사용된 상기 제거가능 헤드부의 표시를 획득하는 단계를 추가로 포함하고, 상기 트레이닝된 MLM은 상기 획득된 하나 이상의 측정 신호들과 함께 상기 획득된 표시를 추가로 분석하여 상기 핸드헬드 디바이스가 사용되는 상기 대상의 신체 부위를 식별하는, 방법.
6. 제1항 내지 제5항 중 어느 한 항에 있어서, 상기 하나 이상의 센서들은 피부 접촉 센서, 및 피부 톤 센서와 근접 센서 중 적어도 하나를 포함하고, 상기 분석하는 단계는,
   상기 피부 접촉 센서로부터의 상기 측정 신호를 분석하여 상기 핸드헬드 디바이스가 상기 피부와 접촉하고 있는 접촉 기간을 식별하는 단계; 및
   상기 트레이닝된 MLM을 사용하여 상기 식별된 접촉 기간 동안 상기 피부 톤 센서 및 상기 근접 센서 중 적어도 하나로부터의 상기 획득된 하나 이상의 측정 신호들을 분석하여, 상기 식별된 접촉 기간에 상기 핸드헬드 디바이스가 사용되는 상기 대상의 신체 부위를 식별하는 단계를 포함하는, 방법.
7. 컴퓨터 판독가능 코드가 내부에 구현된 컴퓨터 판독가능 매체를 포함하는 컴퓨터 프로그램 제품으로서,
   상기 컴퓨터 판독가능 코드는, 적합한 컴퓨터 또는 프로세싱 유닛에 의한 실행 시에, 상기 컴퓨터 또는 프로세싱 유닛이 제1항 내지 제6항 중 어느 한 항의 방법을 수행하게 하도록 구성되는, 컴퓨터 프로그램 제품.
8. 대상에 개인 케어 동작을 수행하기 위한 핸드헬드 디바이스, 및 상기 핸드헬드 디바이스가 사용되는 상기 대상의 신체 부위를 식별하기 위한 장치를 포함하는 시스템으로서, 상기 핸드헬드 디바이스는 상기 개인 케어 동작 동안 상기 대상의 피부와 접촉하기 위한 헤드부를 포함하고, 상기 핸드헬드 디바이스는 상기 핸드헬드 디바이스가 상기 대상의 피부 상에 사용됨에 따라 각자의 파라미터를 측정하기 위한 그리고 각자의 측정 신호들을 생성하기 위한 하나 이상의 센서들을 추가로 포함하고, 상기 하나 이상의 센서들은,
   (a) 피부 접촉 센서로서, 상기 피부 접촉 센서에 의해 측정된 상기 파라미터는 상기 헤드부가 피부와 접촉하고 있는지 여부를 나타내는, 상기 피부 접촉 센서,
   (b) 피부 톤 센서로서, 상기 피부 톤 센서에 의해 측정된 상기 파라미터는 상기 헤드부가 접촉하고 있는 피부의 피부 톤을 나타내거나, 또는 상기 헤드부가 접촉하고 있는 상기 피부에 인접하는 피부의 피부 톤을 나타내는, 상기 피부 톤 센서, 및
   (c) 근접 센서로서, 상기 근접 센서에 의해 측정된 상기 파라미터는 상기 근접 센서로부터 상기 헤드부가 접촉하고 있는 상기 피부에 인접한 피부까지의 거리를 나타내는, 상기 근접 센서 중 적어도 하나를 포함하고,
   상기 장치는,
   상기 핸드헬드 디바이스가 상기 대상의 피부 상에 사용됨에 따라 상기 각자의 파라미터의 시계열 측정치들을 포함하는 각자의 측정 신호를 상기 하나 이상의 센서들 각각으로부터 획득하고;
   상기 획득된 하나 이상의 측정 신호들 각각에 대한 시간 윈도우에서 복수의 측정치들을 분석하여 상기 신체 부위를 식별하도록 구성된 트레이닝된 기계 학습 모델(MLM)을 사용하여 상기 획득된 하나 이상의 측정 신호들을 분석하여, 상기 핸드헬드 디바이스가 사용되는 상기 대상의 신체 부위를 식별하고;
   상기 식별된 신체 부위의 표시를 출력하도록 구성된 프로세싱 유닛을 포함하는, 시스템.
9. 제8항에 있어서, 상기 트레이닝된 MLM은 상기 획득된 하나 이상의 측정 신호들 각각에서의 측정치를 분석하여 상기 측정치들에 대응하는 상기 신체 부위를 식별하는, 시스템.
10. 제8항 또는 제9항에 있어서, 상기 프로세싱 유닛은,
    상기 하나 이상의 측정 신호들에서의 후속적인 측정치들에 대한 분석을 반복하여 식별된 신체 부위를 나타내는 일련의 출력들을 제공하도록; 그리고,
    상기 일련의 출력들에 필터를 적용하여 상기 핸드헬드 디바이스가 사용되었던 상기 신체 부위를 나타내는 최종 출력을 결정하도록 추가로 구성되는, 시스템.
11. 제8항 내지 제10항 중 어느 한 항에 있어서, 상기 프로세싱 유닛은,
    상기 핸드헬드 디바이스가 제1 기간 동안 사용되는 상기 대상의 신체 부위에 대한 확인을 사용자로부터 수신하도록; 그리고
    상기 수신된 확인 및 상기 제1 기간에 대응하는 상기 획득된 하나 이상의 측정 신호들의 일부에 기초하여 상기 트레이닝된 MLM을 업데이트하도록 추가로 구성되는, 시스템.
12. 제8항 내지 제11항 중 어느 한 항에 있어서, 상기 핸드헬드 디바이스의 헤드부는 제거가능 헤드부들의 세트로부터 선택되고, 상기 세트 내의 각각의 헤드부는 각자의 신체 부위 또는 각자의 신체 부위들과의 사용을 위한 것이고, 상기 프로세싱 유닛은 상기 개인 케어 동작 동안 상기 핸드헬드 디바이스에 사용된 상기 제거가능 헤드부의 표시를 획득하도록 추가로 구성되고, 상기 프로세싱 유닛은 상기 트레이닝된 MLM을 사용하여 상기 획득된 하나 이상의 측정 신호들과 함께 상기 획득된 표시를 분석하여 상기 핸드헬드 디바이스가 사용되는 상기 대상의 신체 부위를 식별하도록 구성되는, 시스템.
13. 제8항 내지 제12항 중 어느 한 항에 있어서, 상기 핸드헬드 디바이스는 상기 신체 부위를 식별하기 위한 장치를 포함하는, 시스템.
14. 제8항 내지 제12항 중 어느 한 항에 있어서, 상기 신체 부위를 식별하기 위한 장치는 상기 핸드헬드 디바이스와는 별개인, 시스템.
15. 제8항 내지 제14항 중 어느 한 항에 있어서, 상기 근접 센서는 수직 공동 표면 방출 레이저(vertical-cavity surface-emitting laser, VCSEL) 센서를 포함하는, 시스템.

Images