KR20220068347A - 체형관리의 개인화 시스템 및 방법 - Google Patents

체형관리의 개인화 시스템 및 방법 Download PDF

Info

Publication number
KR20220068347A
KR20220068347A KR1020200155044A KR20200155044A KR20220068347A KR 20220068347 A KR20220068347 A KR 20220068347A KR 1020200155044 A KR1020200155044 A KR 1020200155044A KR 20200155044 A KR20200155044 A KR 20200155044A KR 20220068347 A KR20220068347 A KR 20220068347A
Authority
KR
South Korea
Prior art keywords
body shape
shape management
management
service server
customer
Prior art date
Application number
KR1020200155044A
Other languages
English (en)
Inventor
나정휘
김정은
한혜동
Original Assignee
주식회사 기림
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 주식회사 기림 filed Critical 주식회사 기림
Priority to KR1020200155044A priority Critical patent/KR20220068347A/ko
Publication of KR20220068347A publication Critical patent/KR20220068347A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H10/00—ICT specially adapted for the handling or processing of patient-related medical or healthcare data
    • G16H10/60—ICT specially adapted for the handling or processing of patient-related medical or healthcare data for patient-specific data, e.g. for electronic patient records
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/30—Computing systems specially adapted for manufacturing

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Data Mining & Analysis (AREA)
  • Biomedical Technology (AREA)
  • Epidemiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Databases & Information Systems (AREA)
  • Pathology (AREA)
  • Image Analysis (AREA)

Abstract

본 발명에 따른 체형관리의 개인화 시스템은, 체형관리 서비스를 제공하는 서비스 서버, 상기 서비스 서버와 유무선 인터넷으로 연결된 복수의 체형관리 장치 및 사용자 단말을 포함하고, 상기 복수의 체형관리 장치는 지역별 지점에 설치된 체형관리 장치로 인터넷으로 연결되어 장소 또는 작업자와 관계없이 개인화된 체형관리를 받을 수 있는 것을 특징으로 한다.

Description

체형관리의 개인화 시스템 및 방법{Personalization method and system of body shape management}
본 발명은 체형관리의 개인화 시스템 및 방법에 관한 것으로서, 더욱 상세하게는 수기(手技) 또는 기기(器機)에 의한 체형관리를 고객 각 개인에 적합하도록 개인화하는 방법에 관한 것이다.
모든 사람은 건강한 삶과 수려한 외모에 대한 열망이 있고, 비만 등은 질병으로 진전될 가능성이 커 체형관리는 개인적 관심사뿐만 아니라 사회적 관심사가 매우 높다.
우리나라의 비만 인구는 유럽이나 미국보다 낮지만 매년 증가하고 있으며 특히, 소아, 청소년의 비만율이 증가하여 체형관리에 대한 수요는 꾸준히 증가하고 있다.
체형관리는 체중, 체지방, 식습관, 운동량 및 주변 환경을 토대로 식이요법, 운동요법, 행동수정요법 등을 통해 전체적인 체형이나 신체 특정 부분의 균형을 잡아주고 유지관리하는 업무이다. 운동요법의 체형관리 예로서 정해진 프로그램에 따라 운동을 하고 마사지, 래핑 등으로 지방을 분해하여 관리할 수 있다.
마사지는 피부에 일정한 방법으로 역학적 자극을 주어 생체반응을 일으켜 혈액 순환, 통증 완화 등으로 건강을 증진시키는 수기기술(手技技術)이다. 마사지는 두드리는 동작과 같은 비교적 단순한 마사지 동작에 더하여 지압 동작이나 주무르는 동작 및 그 조합이라는 복잡한 마사지 동작이 가능하다. 또한, 기기(器機) 등을 이용하여 이러한 마시지 동작들을 미리 설정된 프로그램에 따라 실행시킴으로써, 숙련된 마사지사가 행하는 마사지에 필적하는 효과를 얻을 수 있다.
그러나 기기에 의한 체형관리는 개인마다 체형, 컨디션 또는 역학적 자극에 대하여 개인차가 있어 정해진 일률적인 프로그램으로 진행할 수 없고, 수기에 의한 체형관리를 하더라도 표준화와 이력관리가 되어 있지 않아 작업자마다 또는 지역마다 수행 관리가 달라지는 문제점이 있다.
일본특허공개 평6-327739호
상기의 문제점을 해결하고자 본 발명은 수기 또는 기기에 의한 체형관리의 개인화 및 표준화 시스템 및 방법을 제공하고자 한다.
상기의 해결하고자 하는 과제를 위한 본 발명에 따른 체형관리의 개인화 시스템은, 체형관리 서비스를 제공하는 서비스 서버, 상기 서비스 서버와 유무선 인터넷으로 연결된 복수의 체형관리 장치 및 사용자 단말을 포함하고, 상기 복수의 체형관리 장치는 지역별 지점에 설치된 체형관리 장치로 인터넷으로 연결되어 장소 또는 작업자와 관계없이 각 개인에 최적화한 개인화된 체형관리를 받을 수 있는 것을 특징으로 한다.
상기 서비스 서버는, 체형관리 고객의 체중과 체형을 포함하여 측정한 데이터를 분석하고 모델로 분류하는 분석부: 개인별 체형과 수행작업 데이터를 바탕으로 개인화하는 학습부; 개인화된 프로그램으로 체형을 관리하는 관리부 및 체형관리 장치와 통신을 하는 통신부를 포함하는 것을 특징으로 한다.
상기 체형관리 장치는, 고객의 체형을 측정하는 카메라부; 고객의 피부에 자극을 주는 핸드툴의 움직임을 추적하는 센서부; 관리 프로그램의 내용과 수행결과를 시각적으로 표출하는 디스플레이부 및 서비스 서버와 통신한 통신부를 포함하는 것을 특징으로 한다.
본 발명의 다른 실시예로서, 체형관리의 개인화 시스템을 이용한 체형관리의 개인화 방법은, 서비스 서버에서, 영상 촬영을 하여 신체 부위별로 측정하는 단계; 측정된 데이터를 정규화하는 단계; 특징(feature)의 공분산 행렬을 구하는 단계; 공분산 행렬에서 고유값 벡터(eigen vector)를 선택하는 단계 및 고유값 벡터에 투영하는 단계를 포함하는 것을 특징으로 한다.
또 다른 실시예로서, 상기 서비스 서버에서, 무작위 데이터셋에서 초기 중심을 선택하는 단계; 데이터를 가까운 중심에 할당하는 기대단계; 초기 중심을 클러스터 중심으로 이동하는 최대화단계; 클러스터에 할당되는 데이터가 없을 때까지 반복하는 단계를 포함하는 것을 특징으로 한다.
본 발명에 따른 체형관리 시스템은 체형관리 수행이력이 서비스 서버의 데이터베이스에 저장되어 전국 어떤 지역 지점에 가더라도 또는 작업자가 바뀌더라도 표준화되고 개인화된 방법으로 체형관리 서비스를 받을 수 있다.
또한, 개인별 체형관리는 신체 부위별로 특징화되고 시각화하여 변화 과정을 볼 수 있다.
도 1은 본 발명에 따른 체형관리 시스템의 전체적인 구성도이다.
도 2는 본 발명에 따른 서비스 서버의 구성도이다.
도 3은 본 발명에 따른 체형관리 장치의 구성도이다.
도 4는 본 발명에 따른 주성분 방법의 흐름도이다.
도 5는 본 발명에 따른 신체부위별 측정 결과 수치이다.
도 6은 본 발명에 따른 고유값 벡터를 선택하여 투영하는 실시예이다.
도 7은 군집화 방법의 흐름도이다.
도 8은 본 발명에 따른 기계학습 체형분류 모델의 실시예이다.
도 9는 본 발명에 따른 학습모델의 설계예이다.
도 10은 본 발명에 따른 그룹화와 양자화의 실시예이다.
이하, 본 발명의 실시를 위한 구체적인 실시예와 도면을 참고하여 설명한다. 본 발명의 실시예는 하나의 발명을 설명하기 위한 것으로서 권리범위는 예시된 실시예에 한정되지 아니하고, 예시된 도면은 발명의 명확성을 위하여 핵심적인 내용만 확대 도시하고 부수적인 것을 생략하였으므로 도면에 한정하여 해석하여서는 아니 된다.
도 1은 본 발명에 따른 체형관리 시스템의 전체적인 구성도로서, 체형관리 서비스를 제공하는 서비스 서버, 상기 서비스 서버와 유무선 인터넷으로 연결된 복수의 체형관리 장치 및 사용자 단말을 포함한다. 복수의 체형관리 장치는 각 지역별 지점에 설치된 체형관리 장치로 인터넷으로 서비스 서버와 사용자 단말과 연결된다.
도 2는 본 발명에 따른 서비스 서버의 구성도로서, 체형관리 고객의 체중과 체형 등을 측정한 데이터를 분석하고 모델로 분류하는 분석부, 수기로 행해진 작업 데이터를 바탕으로 개인화하는 학습부, 개인화된 프로그램으로 체형을 관리하는 관리부 및 체형관리 장치와 통신을 하는 통신부를 포함한다.
도 3은 본 발명에 따른 체형관리 장치의 구성도로서, 체형관리 장치는 고객의 체형을 측정하는 카메라부, 고객의 피부에 자극을 주는 핸드툴, 핸드툴의 모션을 추적하는 센서부, 디스플레이부 및 통신부를 포함한다.
체형관리를 위하여 고객이 어느 영업점이나 방문하면 카메라를 이용하여 고객의 체형을 측정한다. 카메라 영상촬영으로 고객과 체형관리 장치의 위치를 인식하고, 기기를 수행하는 작업자 등으로 인해 가려질 경우를 대비하여 3면 이상에 카메라를 배치하여 기기와 접촉된 신체부위를 기기의 적용부위로 판단한다.
촬영 결과를 신체 부위별로 수치를 측정하고 수치정보를 데이터베이스에 저장한다.
상기 분석부는 CNN(convolutional neural network)의 이미지 인식 기술이 포함된 체형분류기에 의해 이루어질 수 있고, 체형 분류 모델로서 주성분 분석, 군집화 방법 또는 스펙트럼-공간 패턴 생성 방법 등이 사용될 수 있다.
상기 분석부는 신체 부위별로 측정된 데이터를 바탕으로 체형분류 모델을 만든다.
주성분 분석 방법은 여러 변수 간에 존재하는 상관관계를 이용하여 대표하는 주성분을 추출하는 방법으로서, 시간 및 공간의 복잡도를 감소시켜 메모리 용량을 줄일 수 있으며 노이즈를 감소시키고 시각화에 유리한 차원 축소 방법이다.
도 4는 주성분 방법의 흐름도로서 신체 부위별 측정 단계, 측정된 데이터를 정규화하는 단계, 특징(feature)의 공분산 행렬을 구하는 단계, 공분산 행렬에서 고유값 벡터(eigen vector)를 선택하는 단계 및 고유값 벡터에 투영하는 단계를 포함한다.
정규화 단계는 측정된 데이터를 이용하기 쉽게 변형하는 작업으로 크기가 1인 단위 벡터를 만든다.
공분산 행렬은 각 특징의 변동이 얼마나 닮았는가를 나타내는 것으로 행은 샘플을 의미하고 열은 특징을 의미한다. 즉, 특징들의 쌍이 함께 서로 변화하는 정도이다.
도 6은 고유값 벡터를 선택하여 투영하는 것을 보여주는 것으로 분산이 최대가 되도록 한다.
군집화 방법은 비지도 기계학습 방법의 하나로 데이터셋(data set)에서 서로 유사한 측정치들을 묶어 그룹으로 분류하여 몇 가지의 군집을 찾아내는 방법이다.
어떤 데이터셋이 있고 N개의 클러스터로 분류하겠다고 가정하면, 그 데이터 셋에는 N개의 중심(centroid)이 존재한다. 각 데이터들은 유클리디안 거리를 기반으로 가까운 중심에 할당되고, 같은 중심에 모인 데이터 그룹이 하나의 클러스터가 된다.
도 7은 군집화 방법의 흐름도로서, 초기 중심(centroid)을 선택하는 단계(C), 데이터를 가까운 중심에 할당하는 기대단계(E), 초기 중심을 클러스터 중심으로 이동하는 최대화단계(M), 클러스터에 할당되는 데이터가 없을 때까지 반복하는 단계(R)를 포함한다.
초기 중심을 선택하는 단계는 무작위로 데이터가 있을 때 먼저 클러스터의 수를 2로 정하고, 2개의 클러스터의 중심을 무작위로 잡는다. 중심은 클러스터 데이터들의 평균값이다. 초기 중심은 무작위로 설정하는 방법 외에 수동으로 설정하거나 개수를 미리 설정할 수 있다.
기대단계(E)는 데이터를 중심에 할당하는 단계로 모든 데이터셋과 각 중심과의 유클리디안 거리를 구해 가장 가까운 중심에 할당한다.
최대화단계(M)는 초기 중심을 클러스터 중심으로 이동하는 단계로 각 중심이 정말로 중심에 오도록 업데이트한다.
기대단계와 최대화단계의 반복은 클러스터에 할당되는 데이터가 더이상 없을 때까지 반복하는 단계로 더이상 학습해도 결과가 바뀌지 않는다.
도 8은 본 발명에 따른 주성분 분석과 군집화 방법을 사용하여 기계학습한 체형분류 모델의 하나의 실시예이다. 고객의 전체적인 체형은 큰 사각형이고, 몸통, 어깨, 팔, 엉덩이 등 신체 부위별로 특징화한다.
일반적인 영상인식 과정은 전처리, 특징추출, 특징표현, 영상인식 등으로 구성되는 일련의 과정을 거쳐 구현한다. 그러나 CNN 등의 딥러닝 분야에서는 도 9에 나타낸 바와 같이 입출력을 제외한 부분을 학습모델로 설계하는 것이다.
본 발명의 다른 실시예로 학습부는 도 9와 같이 컨볼루션(Convolution), 활성화함수(ReLU), 풀링(Pooling), 풀리 커넥티드(Fully-connected) 레이어로 구성된다. 각각의 컨볼루션 레이어에서는 3x3, 5x5 필터 등이 다수 사용된다. 필터의 수도 다수 사용되지만 필터 각각에서의 곱셈과 덧셈의 연산도 다수이다. 따라서 고성능의 컴퓨터 자원이 확보되지 않으면 학습모델이 완성된 경우라도 처리시간의 증가 때문에 적용이 불가능하다.
따라서 본 발명에서는 학습모델의 훈련데이터로 사용되는 이미지 데이터를 공간-주파수 특징이 포함되는 스펙트럼-공간 패턴으로 변환하는 알고리즘을 제안한다. 생성된 스펙트럼-공간 패턴은 그 자체를 특징으로 영상인식에 직접적으로 적용하거나 또는 레이어 수가 축소된 딥러닝 시스템에 적용할 수 있다.
이미지 인식 분야에서 특징추출을 목적으로 수행되는 필터링 연산은 컨볼루션 연산이다. 컨볼루션 연산은 공간영역에서의 처리임에도 불구하고 필터의 가중치를 조정하여 저역통과, 고역통과, 에지검출 필터 등을 구현할 수 있다. 이러한 필터를 구현할 수 있다는 것은 주파수 영역에서의 처리를 포함하고 있다는 의미이다. 또한, 컨볼루션 처리는 필터의 이동연산이므로 인간이 빠르게 부분 부분을 훑어보는 특성과 유사한 처리라는 특징이 있다.
현재 학습과정을 거치지 않고 알고리즘을 기반으로 특징을 추출하는 기존의 방식보다는 학습모델을 사용하는 딥러닝 방식의 성능이 탁월한 것으로 평가받고 있다. 딥러닝 방식에서 성능이 우수하다는 것은 컨볼루션 필터의 가중치를 다양한 입력데이터를 기반으로 학습과정을 통해 결정하기 때문이다. 또한 딥러닝에서 사용되는 가중치는 간단한 정수 데이터가 아닌 소수점 이하 다수의 자리가 포함되는 실수형 데이터(float, double)가 사용된다. 그리고 하나의 컨볼루션 레이어에는 수십여 개의 필터가 사용된다.
영상인식 분야에서 딥러닝의 성능은 기존의 시스템에 비해 탁월하지만 고성능의 컴퓨터 자원이 있어야 한다는 문제점이 있다. 에지컴퓨팅의 분야에서 이러한 문제를 해결하고 딥러닝을 적용하기 위해서는 데이터 가공의 측면에서 전처리 과정을 강화하여 알고리즘의 성능을 높이거나 학습모델의 복잡도를 축소시키는 것이다.
본 발명에서는 이러한 문제를 해결하기 위하여 스펙트럼-공간 패턴 생성 알고리즘을 제안한다.
입력영상에는 공간정보와 주파수 정보를 포함하고 있다. 공간정보는 화소 단위의 밝기값이고, 주파수 정보는 밝기값의 변화량이다. 공간정보로 주어지는 입력영상으로부터 주파수 정보를 추출하기 위해서는 푸리에변환을 적용하는 방법이 있다. 그러나 입력영상을 푸리에 변환하면 공간정보는 사라지고 주파수 정보만 남게 된다.
본 발명은 일정한 크기로 그룹핑한 이미지의 공간영역을 주파수영역으로 변환하여 스펙트럼-공간 패턴을 생성한다. 스펙트럼-공간 패턴은 공간정보와 주파수 정보가 동시에 포함되는 패턴이다. 주파수 영역으로 변환하는 연산에는 DCT를 사용한다. 이미지에 DCT를 적용하면 고주파 성분보다는 저주파 성분에 집중된다. 에지를 제외한 부분에서는 화소의 밝기값이 급격하게 변화되지 않기 때문이다.
따라서 양자화 처리를 수행하면 저주파 성분에 비해 상대적으로 크기가 작은 고주파 성분을 제거할 수 있다. 데이터가 감소하면 NPU의 메모리 접근시간을 줄일 수 있다는 장점이 있다. 또한 양자화의 강도를 조정하면 다양한 스펙트럼-공간패턴을 구성할 수 있으므로 CNN 이미지인식의 분야에서 사용하는 학습데이터를 인위적으로 생성할 수도 있다.
이미지는 공간정보와 주파수 정보를 포함하고 있다. 공간정보는 화소 단위의 밝기값이고, 주파수 정보는 밝기값의 변화량이다. 공간정보는 화소 단위의 밝기값이고, 주파수 정보는 밝기값의 변화량이다. 공간정보로 주어지는 이미지로부터 주파수 정보를 추출하기 위해서는 푸리에변환을 적용하는 방법이 있다. 그러나 이미지를 푸리에 변환하면 공간정보는 사라지고 주파수 정보만 남게 된다.
그룹 내에는 이미지의 특성에 직접적으로 관계되지 않는 크기가 작은 고주파성분이 존재한다. 이러한 고주파 성분을 제거함으로써 데이터양을 축소시키기 위해 도 10과 같이 양자화를 수행한다.
그룹 단위 주파수 성분에서 직류 성분을 포함한 동일한 주파수 성분을 동일한 블록으로 연결하여 스펙트럼-공간 패턴을 생성하여 기계학습의 CNN 알고리즘에 적용한다.
본 발명에 따른 관리부는 고객 체형에 따라 상기 분석부 및 학습부에서 개인화된 분류 모델을 바탕으로 수기 또는 기기에 의한 작업을 신체 부위별로 관리 프로그램을 표준화한다.
관리부는 표준화된 체형별 관리 프로그램을 실행하여 작업자에게 수기 지시하거나 기기를 통하여 고객에게 직접 적용한다. 체형별 관리 프로그램의 예로서, 고객의 몸통이나 엉덩이 등 특정 부위에 손마사지 또는 체형관리기를 통하여 순서, 적용 방향, 적용 시간 등이 수행되며 카메라나 센서부를 통하여 수행 회차에 따른 수행내용이 기록된다.
작업자는 체형관리 고객에게 체형관리를 행하는 사람으로 핸드툴을 이용하여 진행하게 된다. 상기 핸드툴은 일반적인 마사지 샵에서 사용되는 도구가 사용될 수 있으며, 움직임을 추적할 수 있는 센서부를 포함하는 장치가 될 수 있다.
센서부는 핸드툴로부터 모션 정보를 얻고 상기 핸드툴의 이동 경로 정보를 산출하기 위해 구비된 것으로, 3축 가속도센서, 3축 지자기센서 및 3축 각속도센서, 접촉센서, 카메라 등이 될 수 있으며 핸드툴이 움직이는 방향, 속도, 각도를 감지할 수 있다.
체형관리 수행이력은 서비스 서버의 데이터베이스에 저장되어 전국 어느 지점 또는 작업자가 바뀌더라도 개인화된 방법으로 체형관리 서비스를 받을 수 있다.

Claims (5)

  1. 서비스 서버 및 상기 서비스 서버와 인터넷으로 연결된 복수의 체형관리장치를 포함한 체형관리의 개인화 시스템을 이용한 체형관리의 개인화 방법에 있어서, 상기 서비스 서버에서,
    체형관리 고객의 영상 촬영을 하여 신체 부위별로 측정하는 단계;
    측정된 데이터를 수치화하여 정규화하는 단계;
    특징(feature)의 공분산 행렬을 구하는 단계;
    공분산 행렬에서 고유값 벡터(eigen vector)를 선택하는 단계 및
    고유값 벡터에 투영하는 단계를 포함하여,
    장소 또는 작업자와 관계없이 개인화된 체형관리를 받을 수 있는 것을 특징으로 하는 체형관리의 개인화 방법.
  2. 제1항에 있어서, 상기 서비스 서버에서,
    무작위 데이터셋에서 초기 중심을 선택하는 단계;
    데이터를 가까운 중심에 할당하는 기대단계;
    초기 중심을 클러스터 중심으로 이동하는 최대화단계;
    클러스터에 할당되는 데이터가 없을 때까지 반복하는 단계를 포함하는 것을 특징으로 하는 체형관리의 개인화 방법.
  3. 체형관리 서비스를 제공하는 서비스 서버;
    상기 서비스 서버와 유무선 인터넷으로 연결된 복수의 체형관리 장치 및
    사용자 단말을 포함하고,
    상기 복수의 체형관리 장치는 지역별 지점에 설치된 체형관리 장치로 인터넷으로 연결되어 장소 또는 작업자와 관계없이 개인화된 체형관리를 받을 수 있는 것을 특징으로 하는 체형관리의 개인화 시스템.
  4. 제1항에 있어서, 상기 서비스 서버는,
    체형관리 고객의 체중과 체형을 포함하여 측정한 데이터를 분석하고 모델로 분류하는 분석부:
    개인별 체형과 수행작업 데이터를 바탕으로 개인화하는 학습부;
    개인화된 프로그램으로 체형을 관리하는 관리부 및
    체형관리 장치와 통신을 하는 통신부를 포함하는 것을 특징으로 하는 체형관리의 개인화 시스템.
  5. 제1항에 있어서, 상기 체형관리는,
    고객의 체형을 측정하는 카메라부;
    고객의 피부에 자극을 주는 핸드툴의 움직임을 추적하는 센서부;
    관리 프로그램의 내용과 수행결과를 시각적으로 표출하는 디스플레이부 및
    서비스 서버와 통신한 통신부를 포함하는 것을 특징으로 하는 체형관리의 개인화 시스템.
KR1020200155044A 2020-11-19 2020-11-19 체형관리의 개인화 시스템 및 방법 KR20220068347A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200155044A KR20220068347A (ko) 2020-11-19 2020-11-19 체형관리의 개인화 시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200155044A KR20220068347A (ko) 2020-11-19 2020-11-19 체형관리의 개인화 시스템 및 방법

Publications (1)

Publication Number Publication Date
KR20220068347A true KR20220068347A (ko) 2022-05-26

Family

ID=81808835

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200155044A KR20220068347A (ko) 2020-11-19 2020-11-19 체형관리의 개인화 시스템 및 방법

Country Status (1)

Country Link
KR (1) KR20220068347A (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06327739A (ja) 1993-05-26 1994-11-29 Matsushita Electric Works Ltd マッサージ機

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPH06327739A (ja) 1993-05-26 1994-11-29 Matsushita Electric Works Ltd マッサージ機

Similar Documents

Publication Publication Date Title
Jadoon et al. Three-class mammogram classification based on descriptive CNN features
Kheradpisheh et al. Deep networks can resemble human feed-forward vision in invariant object recognition
Wang et al. Pathological brain detection via wavelet packet tsallis entropy and real-coded biogeography-based optimization
Xie et al. Feature component-based extreme learning machines for finger vein recognition
Shao Compression of dynamic tactile information in the human hand
Bouzouina et al. Multimodal biometric: Iris and face recognition based on feature selection of iris with GA and scores level fusion with SVM
CN108596250A (zh) 图像特征编码方法、终端设备及计算机可读存储介质
Asuncion et al. Thigh motion-based gait analysis for human identification using inertial measurement units (IMUs)
Shu et al. Sparse autoencoders for word decoding from magnetoencephalography
Hassan et al. Towards universal haptic library: Library-based haptic texture assignment using image texture and perceptual space
Farsi et al. Eye gaze detection based on learning automata by using SURF descriptor
Li et al. A robust multispectral palmprint matching algorithm and its evaluation for FPGA applications
KR20220068347A (ko) 체형관리의 개인화 시스템 및 방법
Hong-Ying et al. An iris recognition method based on multi-orientation features and Non-symmetrical SVM
CN111772629A (zh) 一种脑认知技能移植的方法
Hasan et al. Gesture feature extraction for static gesture recognition
Zhang A comprehensive survey on face image analysis
Islam et al. Subband entropy-based features for clothing invariant human gait recognition
Hillermeier et al. Topological feature maps with self-organized lateral connections: a population-coded, one-layer model of associative memory
Ouloul et al. Improvement of age estimation using an efficient wrinkles descriptor
Visell et al. Learning constituent parts of touch stimuli from whole hand vibrations
Sallam et al. A racial recognition method based on facial color and texture for improving demographic classification
Meade et al. Comparative performance of principal component analysis, Gabor wavelets and discrete wavelet transforms for face recognition
Whitaker Characterizing first and second-order patches using geometry-limited diffusion
Meethongjan et al. Data augmentation by combining feature selection and color features for image classification

Legal Events

Date Code Title Description
E902 Notification of reason for refusal