KR20220147316A - 비접촉식 생체 정보 모니터링 내 사용자 행동 패턴을 기반으로 한 데이터 샘플링 주기 조절 방법 및 장치 - Google Patents

비접촉식 생체 정보 모니터링 내 사용자 행동 패턴을 기반으로 한 데이터 샘플링 주기 조절 방법 및 장치 Download PDF

Info

Publication number
KR20220147316A
KR20220147316A KR1020210054297A KR20210054297A KR20220147316A KR 20220147316 A KR20220147316 A KR 20220147316A KR 1020210054297 A KR1020210054297 A KR 1020210054297A KR 20210054297 A KR20210054297 A KR 20210054297A KR 20220147316 A KR20220147316 A KR 20220147316A
Authority
KR
South Korea
Prior art keywords
data
similarity
collected
sampling period
time
Prior art date
Application number
KR1020210054297A
Other languages
English (en)
Other versions
KR102544798B1 (ko
Inventor
최준균
한재섭
이경호
Original Assignee
한국과학기술원
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 한국과학기술원 filed Critical 한국과학기술원
Priority to KR1020210054297A priority Critical patent/KR102544798B1/ko
Publication of KR20220147316A publication Critical patent/KR20220147316A/ko
Application granted granted Critical
Publication of KR102544798B1 publication Critical patent/KR102544798B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7246—Details of waveform analysis using correlation, e.g. template matching or determination of similarity
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7278—Artificial waveform generation or derivation, e.g. synthesising signals from measured signals
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7285—Specific aspects of physiological measurement analysis for synchronising or triggering a physiological measurement or image acquisition with a physiological event or waveform, e.g. an ECG signal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2560/00—Constructional details of operational features of apparatus; Accessories for medical measuring apparatus
    • A61B2560/02—Operational features
    • A61B2560/0204—Operational features of power management
    • A61B2560/0209—Operational features of power management adapted for power saving

Abstract

비접촉식 생체 정보 모니터링 내 사용자 행동 패턴을 기반으로 한 데이터 샘플링 주기 조절 방법 및 장치가 제시된다. 본 발명에서 제안하는 비접촉식 생체 정보 모니터링 내 사용자 행동 패턴을 기반으로 한 데이터 샘플링 주기 조절 방법은 사용자의 행동 패턴에 따라 반복되는 규칙성을 분석하기 위해 수집된 데이터의 시간 별 데이터 간 유사도를 비교하는 단계, 시간 별 데이터 간 유사도 비교 결과를 추출하여, 가장 높은 유사도를 나타내는 시간을 선정하는 단계, 선정된 가장 높은 유사도를 나타내는 시간에 따라 샘플링 주기를 변경하는 단계, 변경된 각각의 샘플링 주기에서 수집된 데이터에 대하여 AI-기반 데이터 복원을 수행하고, 실제 수집된 데이터와 복원된 데이터 간 정확도를 계산하는 단계 및 계산된 실제 수집된 데이터와 복원된 데이터 간 정확도의 정규 분포에 따라 최종 샘플링 주기를 결정하는 단계를 포함한다.

Description

비접촉식 생체 정보 모니터링 내 사용자 행동 패턴을 기반으로 한 데이터 샘플링 주기 조절 방법 및 장치{Method and Apparatus for Controlling of Human Behavioral Pattern-based Sampling Period in IoT-Digital Healthcare}
본 발명은 비접촉식 생체 정보 모니터링 내 사용자 행동 패턴을 기반으로 한 데이터 샘플링 주기 조절 방법 및 장치에 관한 것이다.
최근의 무선 통신 및 센싱 장치 기술은 에너지, 운송, 자동화 및 제조 산업을 포함한 다양한 사물 인터넷(Internet of Things; IoT) 애플리케이션을 용이하게 한다. 특히 최근 스마트 홈의 헬스케어 기술이 중요한 분야로 부상하고 있다. 하지만, 기존 스마트 홈 시스템에서는 다양한 요인이 혼합된 복잡한 문제이기 때문에 IoT 생체 인식 데이터에서 정확한 신체적, 정신적 건강 상태를 파악하는 것은 여전히 어렵다. 또한, 대부분의 스마트 홈에서 IoT 장치는 다소 작고 가벼워서 종종 제한된 배터리 전력에 대한 한계를 갖는다. 따라서, 전원 공급 장치가 풍부한 것처럼 보이는 스마트 홈 사용에서도 에너지 절감은 디지털 건강 및 가정 내 건강 모니터링 운영에 대한 집중적인 관심을 끌고있다. 종래기술[1]에서는 스마트 위치 기반 자동화 및 네트워크 에너지 제어 기능을 갖춘 에너지 효율적인 건물을 위한 IoT 프레임 워크를 제안한다. 종래기술[2]는 주로 엄청난 양의 에너지가 소비되는 감지 개체에 초점을 맞추었다. 여기서는, 에너지 효율적인 방법으로 수면 모드 스케줄링을 제안한다. 또한, 종래기술[3]에서는 에너지 관리 및 과제에 대한 개요를 제시한다. 여기서는, IoT 장치 전용 에너지 원의 에너지 효율적인 스케줄링을 위한 프레임 워크를 제안하고 IoT 장치의 수명을 연장하기 위한 에너지 수확에 대해 제안한다. 이러한 에너지 효율적인 접근 방식 외에도 IoT 장치는 중요한 정보를 추출하기 위해 시기 적절하고 정확한 데이터를 생성해야 한다. 따라서, IoT 기기의 에너지 절감 성능과 수집된 데이터의 신뢰성을 고려하여 샘플링주기를 제어하기 위한 방안을 필요로 한다.
본 발명이 이루고자 하는 기술적 과제는 IoT 기기의 에너지 절감 성능과 수집된 데이터의 신뢰성을 고려하여 디지털 헬스 정보 중 하나인 실제 심박 데이터 세트를 활용하여 샘플링주기를 제어하기 위한 방법 및 장치를 제공하는데 있다.
일 측면에 있어서, 본 발명에서 제안하는 비접촉식 생체 정보 모니터링 내 사용자 행동 패턴을 기반으로 한 데이터 샘플링 주기 조절 방법은 사용자의 행동 패턴에 따라 반복되는 규칙성을 분석하기 위해 수집된 데이터의 시간 별 데이터 간 유사도를 비교하는 단계, 시간 별 데이터 간 유사도 비교 결과를 추출하여, 가장 높은 유사도를 나타내는 시간을 선정하는 단계, 선정된 가장 높은 유사도를 나타내는 시간에 따라 샘플링 주기를 변경하는 단계, 변경된 각각의 샘플링 주기에서 수집된 데이터에 대하여 AI-기반 데이터 복원을 수행하고, 실제 수집된 데이터와 복원된 데이터 간 정확도를 계산하는 단계 및 계산된 실제 수집된 데이터와 복원된 데이터 간 정확도의 정규 분포에 따라 최종 샘플링 주기를 결정하는 단계를 포함한다.
상기 사용자의 행동 패턴에 따라 반복되는 규칙성을 분석하기 위해 수집된 데이터의 시간 별 데이터 간 유사도를 비교하는 단계는 날짜 별 동일 시간 단위에 대한 데이터 간 유사도 비교를 위해 연속적으로 수집된 데이터를 날짜 별로 분할하고, 날짜 별로 분할된 데이터를 시간 단위로 재분할하여, 각 날짜 별 시간 단위로 분할된 데이터들을 생성한다.
상기 날짜 별 동일 시간 단위에 대한 데이터 간 유사도 비교에 있어서 서로 다른 날짜 간 동일 시간 단위 내 데이터 인가가 없는 상황을 반영하기 위해 코사인 유사도 계산을 활용한다.
상기 시간 별 데이터 간 유사도 비교 결과를 추출하여, 가장 높은 유사도를 나타내는 시간을 선정하는 단계는 날짜 별 동일 시간 단위에 대한 데이터 간 유사도 비교 결과 중 가장 높은 유사도를 나타내는 시간을 선정하여 반복되는 행동 패턴 구간을 판별한다.
상기 반복되는 행동 패턴 구간이 판별되지 않는 경우, 상기 사용자의 행동 패턴에 따라 반복되는 규칙성을 분석하기 위해 수집된 데이터의 시간 별 데이터 간 유사도를 비교하는 단계부터 반복한다.
상기 변경된 각각의 샘플링 주기에서 수집된 데이터에 대하여 AI-기반 데이터 복원을 수행하고, 실제 수집된 데이터와 복원된 데이터 간 정확도를 계산하는 단계는 상기 변경된 각각의 샘플링 주기에 대하여 복원된 데이터 간 정확도를 계산한 후, 해당 샘플링 주기에서의 복원 정확도에 대한 정규 분포를 추출한다.
본 발명의 실시예에 따른 생체 정보 모니터링을 위한 데이터 샘플링 주기 조절 방법은 데이터 수집을 감소시키기 위해 수집된 데이터에 대하여 AI-기반 데이터 복원을 수행하여 복원된 데이터를 사용하고, 소모 에너지 절감을 위해 데이터 기반의 사용자 행동 패턴 분석 및 유사도 비교 방법을 통해 최종 샘플링 주기를 조절함으로써 데이터 전송 횟수를 감소시킨다.
또 다른 일 측면에 있어서, 본 발명에서 제안하는 비접촉식 생체 정보 모니터링 내 사용자 행동 패턴을 기반으로 한 데이터 샘플링 주기 조절 장치는 사용자의 행동 패턴에 따라 반복되는 규칙성을 분석하기 위해 수집된 데이터의 시간 별 데이터 간 유사도를 비교하고, 시간 별 데이터 간 유사도 비교 결과를 추출하여, 가장 높은 유사도를 나타내는 시간을 선정하는 행동 패턴 분석부, 선정된 가장 높은 유사도를 나타내는 시간에 따라 샘플링 주기를 변경하는 샘플링 주기 제어부 및 변경된 각각의 샘플링 주기에서 수집된 데이터에 대하여 AI-기반 데이터 복원을 수행하고, 실제 수집된 데이터와 복원된 데이터 간 정확도를 계산하는 데이터 복원부를 포함하고, 상기 샘플링 주기 제어부는 데이터 복원부에서 계산된 실제 수집된 데이터와 복원된 데이터 간 정확도의 정규 분포에 따라 최종 샘플링 주기를 결정한다.
본 발명의 실시예들에 따르면 사람의 행동 패턴 기반 IoT 기기의 샘플링 주기를 조절을 진행함으로써, 기존의 임계치를 활용하는 샘플링 조절 방식보다 사람의 개별적 상황에 적합하게 동작 가능하며, 각 샘플링 주기에 따른 분산을 고려함으로써 성능 안정적 확보가 가능하다. 또한, 수집된 데이터를 복원하여 사용함으로써, 실제 불필요한 데이터 정보 수집을 막을 수 있고, 샘플링 주기 조절을 통해 IoT 기기에서 전송되는 데이터의 횟수를 줄여, 에너지 절감을 유도할 수 있다. 기존의 통신 프로토콜과도 접목하여 동작 가능하며, 특정 물리적 환경에 얽매이지 않고 유연한 발명 기술의 도입이 가능하다.
도 1은 본 발명의 일 실시예에 따른 스마트 홈 헬스케어 모니터링 서비스에 관하여 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시예에 따른 비접촉식 생체 정보 모니터링 내 사용자 행동 패턴을 기반으로 한 데이터 샘플링 주기 조절 방법을 설명하기 위한 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 사용자 행동 패턴 분석 과정을 설명하기 위한 도면이다.
도 4는 본 발명의 일 실시예에 따른 사용자 행동 패턴 분석에 따른 유사도 계산 결과를 나타내는 그래프이다.
도 5는 본 발명의 일 실시예에 따른 실제 수집된 데이터와 복원된 데이터 간 정확도의 정규 분포에 따라 최종 샘플링 주기를 결정하는 과정을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 비접촉식 생체 정보 모니터링 내 사용자 행동 패턴을 기반으로 한 데이터 샘플링 주기 조절 장치의 구성을 나타내는 도면이다.
도 7은 본 발명의 일 실시예에 따른 샘플링 주기 제어에 따른 결과를 나타내는 그래프이다.
다양한 환경 내에서 배치되는 IoT 기기수는 점점 증가하고 있다. 스마트 환경 내에 배치되는 IoT 단말의 수는 점점 증가할 것으로 예측되며, 이러한 단말들의 중복된 정보 전송을 해결하고, 소비 에너지를 절감할 수 있는 기술의 필요성이 증대되고 있다.
종래기술에 따르면, LoRa와 NB-IoT와 같이 IoT 기기의 통신 에너지를 절감하는 기술이 연구되었고, 이는 데이터를 전송할 시, 데이터 전송 속도(Data rate)을 조절하여 통신에 소모하는 전력을 절감하는 통신 기술에 관한 것이다. 이로 인해 IoT 기기의 배터리 수명을 9~10년까지 증폭 가능하지만, 종래기술의 경우 통신 환경에 따라 데이터 전송 속도를 조절함으로써, IoT 단말에서 수집되는 데이터 특성들이 일정하게 유지되지 못하는 단점이 있다.
본 발명에서는 이러한 종래기술의 문제점을 해결하기 위해 IoT 기기의 에너지 절감 성능과 수집된 데이터의 신뢰성을 고려하여 데이터의 샘플링주기를 제어하기 위한 방법 및 장치를 제안한다. 이하, 본 발명의 실시 예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 일 실시예에 따른 스마트 홈 헬스케어 모니터링 서비스에 관하여 설명하기 위한 도면이다.
본 발명의 실시예에 따르면, 스마트 홈 헬스케어 모니터링 서비스 환경에서 비접촉식 생체 정보 센서를 통해 사용자로부터 생체 정보를 수집할 수 있다. 예를 들어, 디지털 헬스 정보 중 하나인 실제 심박 데이터 세트를 수집할 수 있다. 이와 같이 수집된 생체 정보에 대하여 사용자의 행동 패턴에 따라 반복되는 규칙성을 분석하기 위한 전처리를 수행할 수 있다.
더욱 상세하게는, 사용자의 행동 패턴에 따라 반복되는 규칙성을 분석하기 위해 수집된 데이터의 시간 별 데이터 간 유사도를 비교하고, 시간 별 데이터 간 유사도 비교 결과를 추출하여, 가장 높은 유사도를 나타내는 시간을 선정할 수 있다. 선정된 가장 높은 유사도를 나타내는 시간에 따라 샘플링 주기를 1차적으로 변경하고, 변경된 각각의 샘플링 주기에서 수집된 데이터에 대하여 AI-기반 데이터 복원을 수행하고, 실제 수집된 데이터와 복원된 데이터 간 정확도를 계산한다. 이와 같이 계산된 실제 수집된 데이터와 복원된 데이터 간 정확도의 정규 분포에 따라 최종 샘플링 주기를 결정할 수 있다.
본 발명의 실시예에 따르면, IoT 기기의 에너지 절감 성능과 수집된 데이터의 신뢰성을 고려하여 디지털 헬스 정보 중 하나인 실제 심박 데이터 세트를 활용하여 샘플링주기를 제어할 수 있다.
IoT 단말의 주기적인 데이터 생성 및 전달은 이를 처리하기 위한 정제 및 분석 등의 많은 비용을 수반한다. 또한, 실제 수집되는 데이터의 대부분은 중복되는 정보를 포함하고 있다. 따라서, 제안하는 방법을 통해 IoT 단말의 데이터 샘플링 주기 제어를 통해, 필요한 데이터만을 전송하게 하여 데이터 처리와 관리를 용이하게 할 수 있다. 뿐만 아니라, 축소된 데이터의 처리를 통한 신속한 상황 분석 및 응답이 가능하고, IoT 단말의 데이터 샘플링 주기를 조절하여 불필요한 에너지 자원 낭비를 방지함으로써 IoT 단말의 수명을 연장할 수도 있다.
도 2는 본 발명의 일 실시예에 따른 비접촉식 생체 정보 모니터링 내 사용자 행동 패턴을 기반으로 한 데이터 샘플링 주기 조절 방법을 설명하기 위한 흐름도이다.
제안하는 비접촉식 생체 정보 모니터링 내 사용자 행동 패턴을 기반으로 한 데이터 샘플링 주기 조절 방법은 사용자의 행동 패턴에 따라 반복되는 규칙성을 분석하기 위해 수집된 데이터의 시간 별 데이터 간 유사도를 비교하는 단계(210), 시간 별 데이터 간 유사도 비교 결과를 추출하여, 가장 높은 유사도를 나타내는 시간을 선정하는 단계(220), 선정된 가장 높은 유사도를 나타내는 시간에 따라 샘플링 주기를 변경하는 단계(230), 변경된 각각의 샘플링 주기에서 수집된 데이터에 대하여 AI-기반 데이터 복원을 수행하고, 실제 수집된 데이터와 복원된 데이터 간 정확도를 계산하는 단계(240) 및 계산된 실제 수집된 데이터와 복원된 데이터 간 정확도의 정규 분포에 따라 최종 샘플링 주기를 결정하는 단계(250)를 포함한다.
단계(210)에서, 사용자의 행동 패턴에 따라 반복되는 규칙성을 분석하기 위해 수집된 데이터의 시간 별 데이터 간 유사도를 비교한다. 먼저, 날짜 별 동일 시간 단위에 대한 데이터 간 유사도 비교를 위해 연속적으로 수집된 데이터를 날짜 별로 분할한다. 이후, 날짜 별로 분할된 데이터를 시간 단위로 재분할하여, 각 날짜 별 시간 단위로 분할된 데이터들을 생성한다.
본 발명의 실시예에 따르면, 날짜 별 동일 시간 단위에 대한 데이터 간 유사도 비교에 있어서 서로 다른 날짜 간 동일 시간 단위 내 데이터 인가가 없는 상황을 반영하기 위해 코사인 유사도 계산을 활용한다.
단계(220)에서, 시간 별 데이터 간 유사도 비교 결과를 추출하여, 가장 높은 유사도를 나타내는 시간을 선정한다. 날짜 별 동일 시간 단위에 대한 데이터 간 유사도 비교 결과 중 가장 높은 유사도를 나타내는 시간을 선정하여 반복되는 행동 패턴 구간을 판별한다.
반복되는 행동 패턴 구간이 판별되지 않는 경우, 상기 사용자의 행동 패턴에 따라 반복되는 규칙성을 분석하기 위해 수집된 데이터의 시간 별 데이터 간 유사도를 비교하는 단계부터 반복할 수 있다.
도 3은 본 발명의 일 실시예에 따른 사용자 행동 패턴 분석 과정을 설명하기 위한 도면이다.
본 발명의 실시예에 따른 IoT 센서에서 수집되는 다양한 데이터(311, 312, 313)의 경우, 사용자의 행동 패턴에 따라 반복되는 규칙성을 보일 수 있다. 특히, 레이더 기반 비접촉식 생체 정보 모니터링 기기로 사용자의 생체 정보를 모니터링 할 경우, 센서 기기 동작 범위 내 사용자가 존재하지 않는 경우가 다수이며, 이러한 경우 실제 데이터가 인가되지 않으므로 센서를 동작 시킬 필요가 없다. 인간의 경우, 스마트 홈 내에서 주기적인 행동 패턴을 보인다는 가정 하에, 생체 정보 모니터링 기기 동작 범위 내 사용자는 주기적으로 노출될 수 있다. 따라서, 본 발명에서는 비접촉식 생체 정보 모니터링 기기로 수집된 데이터에 대하여 행동 패턴 분석(321) 및 데이터 유사도 분석(322)을 통해 비교하여, 데이터 간 유사도가 가장 높은 시간을 선정할 수 있다.
본 발명의 실시예에 따르면, 수집된 데이터간 유사도 비교를 위해 연속적으로 수집된 데이터를 날짜 별로 분할할 수 있다. 이후, 날짜 별로 분할된 데이터를 시간(Hour) 단위로 재분할하고, 이를 통해 각 날짜 별 시간 단위로 분할된 데이터들을 생성할 수 있다. 예를 들어, […, [8월 17일 데이터], [8월 16일 데이터 [오후1~2시 데이터, 오후 2~3시 데이터…]] 와 같이 각 날짜 별 시간 단위로 분할된 데이터들을 생성할 수 있다. 이와 같이 생성된 같이 각 날짜 별 시간 단위로 분할된 데이터들에 대하여 날짜 별 동일 시간 단위 데이터 간 코사인(Cosine) 유사도를 비교할 수 있다. 서로 다른 날짜 간 동일 시간 내 데이터 인가가 없을 시, 이러한 상황을 반영하기 위해 코사인 유사도를 활용할 수 있고, 하기식과 같이 나타낸다:
Figure pat00001
여기서, Dm 및 Dn은 각각 n 번째와 m 번째 서브 시퀀스를 나타내고, Dm,i는 m번째 서브 시퀀스 내의 i 번째 포인트를 나타낸다.
도 4는 본 발명의 일 실시예에 따른 사용자 행동 패턴 분석에 따른 유사도 계산 결과를 나타내는 그래프이다.
도 4(a)는 시간에 따른 주파수의 유사도를 나타내는 그래프이고, 도 4(b)는 6pm에서 9pm까지의 서브 시퀀스를 나타내는 그래프이다.
앞서 설명된 바와 같이, 시간 별 데이터 간 유사도 비교 결과를 추출하여, 가장 높은 유사도를 나타내는 시간을 선정한다.
실제 수집된 레이더 기반 비접촉식 생체 정보 내 유사도 비교 결과를 도 4에 나타내었다. 도 4는 부산 북구 1인 가구 내 2020년 7월 28일~8월 13일 간 (총 16일) 2분 간격으로 수집된 심박수 데이터 활용한 예시이다. 도 4를 참조하면, 오후 6~9시 간격 내 데이터 간 유사도 값이 높게 측정되었다.
또한, 일부 날짜 데이터만으로 해당 시간 간격의 데이터 추출 후 평균값 비교 시, 총 16일 중 8일간 데이터의 평균값 만으로도 12.17% 오차율을 보이면서 평균값에 근사하는 것을 확인할 수 있다. 이를 통해 사용자 행동 패턴 기반 실제 데이터 내 유사한 패턴이 도출됨을 알 수 있다. 표 1은 유사도 비교 결과를 나타내는 표이다.
<표 1>
Figure pat00002
다시 도 2를 참조하면, 단계(230)에서, 선정된 가장 높은 유사도를 나타내는 시간에 따라 샘플링 주기를 변경한다.
이후 단계(240)에서, 변경된 각각의 샘플링 주기에서 수집된 데이터에 대하여 AI-기반 데이터 복원을 수행하고, 실제 수집된 데이터와 복원된 데이터 간 정확도를 계산한다. 이때, 변경된 각각의 샘플링 주기에 대하여 복원된 데이터 간 정확도를 계산한 후, 해당 샘플링 주기에서의 복원 정확도에 대한 정규 분포를 추출한다.
도 5는 본 발명의 일 실시예에 따른 실제 수집된 데이터와 복원된 데이터 간 정확도의 정규 분포에 따라 최종 샘플링 주기를 결정하는 과정을 설명하기 위한 도면이다.
본 발명의 일 실시예에 따르면, 사용자의 행동 패턴에 따라 반복되는 규칙성을 분석하기 위해 수집된 데이터의 시간 별 데이터 간 유사도를 비교하고, 시간 별 데이터 간 유사도 비교 결과를 추출하여, 가장 높은 유사도를 나타내는 시간을 선정한다. 이후, 선정된 가장 높은 유사도를 나타내는 시간에 따라 샘플링 주기를 변경한다.
이와 같이, 변경된 각각의 샘플링 주기에서 수집된 데이터에 대하여 AI-기반 데이터 복원을 수행하고, 실제 수집된 데이터와 복원된 데이터 간 정확도를 계산한다.
본 발명의 실시예에 따른 AI-기반 데이터 복원 방법은 압축 센싱(Compressive Sensing) 기법으로서, 수집된 데이터의 특징을 추출하여, 추출된 특징을 기반으로 기존 데이터를 복원하는 방법이다. 이러한 압축 센싱 기법은 일 실시예일뿐 이에 한정되지 않고, 이외의 다양한 AI-기반 데이터 복원 기법을 이용할 수도 있다.
본 발명의 실시예에 따른 실제 수집된 데이터와 복원된 데이터 간 정확도를 계산하는 식은 MAPE(Mean Absolute Percentage Error)를 이용할 수 있고, 하기와 같이 나타낼 수 있다:
Figure pat00003
여기서, At는 실제값이고, Ft는 예측값을 나타낸다.
MAPE의 경우, 실제 데이터와 복원된 데이터 간의 오차가 실제 로(raw) 데이터 내에서 차지하는 비율을 나타내는 기법으로, 대부분의 회귀분석에서 사용되는 지표 중 하나이다. 이러한 MAPE는 일 실시예일뿐 이에 한정되지 않고, 이외의 다양한 실제 수집된 데이터와 복원된 데이터 간 정확도 계산 식을 이용할 수도 있다.
제1 샘플링 주기(510)에 대하여 AI-기반 데이터 복원(530)을 수행하고, 복원 정확도를 계산한다(540). 그리고, 제1 샘플링 주기(510)에서의 복원 정확도를 정규 분포로 전환(550)할 수 있다.
제1 샘플링 주기(510)에 대하여 샘플링 주기를 증가 시킨 제2 샘플링 주기(520)에 대해서도 AI-기반 데이터 복원(530)을 수행하고, 복원 정확도를 계산한다(540). 그리고, 제2 샘플링 주기(520)에서의 복원 정확도를 정규 분포로 전환(550)할 수 있다.
변경된 각각의 샘플링 주기에 대하여 복원된 데이터 간 정확도를 계산한 후, 해당 샘플링 주기에서의 복원 정확도에 대한 정규 분포를 추출하여, 단계(250)에서 실제 수집된 데이터와 복원된 데이터 간 정확도의 정규 분포에 따라 최종 샘플링 주기를 결정할 수 있다.
본 발명의 실시예에 따른 생체 정보 모니터링을 위한 데이터 샘플링 주기 조절 방법은 데이터 수집을 감소시키기 위해 수집된 데이터에 대하여 AI-기반 데이터 복원을 수행하여 복원된 데이터를 사용하고, 소모 에너지 절감을 위해 데이터 기반의 사용자 행동 패턴 분석 및 유사도 비교 방법을 통해 최종 샘플링 주기를 조절함으로써 데이터 전송 횟수를 감소시킬 수 있다.
도 6은 본 발명의 일 실시예에 따른 비접촉식 생체 정보 모니터링 내 사용자 행동 패턴을 기반으로 한 데이터 샘플링 주기 조절 장치의 구성을 나타내는 도면이다.
비접촉식 생체 정보 모니터링 내 사용자 행동 패턴을 기반으로 한 데이터 샘플링 주기 조절 장치는 행동 패턴 분석부(610), 샘플링 주기 제어부(620) 및 데이터 복원부(630)를 포함한다.
행동 패턴 분석부(610)는 사용자의 행동 패턴에 따라 반복되는 규칙성을 분석하기 위해 수집된 데이터의 시간 별 데이터 간 유사도를 비교하고, 시간 별 데이터 간 유사도 비교 결과를 추출하여, 가장 높은 유사도를 나타내는 시간을 선정한다.
행동 패턴 분석부(610)는 사용자의 행동 패턴에 따라 반복되는 규칙성을 분석하기 위해 수집된 데이터의 시간 별 데이터 간 유사도를 비교한다. 먼저, 날짜 별 동일 시간 단위에 대한 데이터 간 유사도 비교를 위해 연속적으로 수집된 데이터를 날짜 별로 분할한다. 이후, 날짜 별로 분할된 데이터를 시간 단위로 재분할하여, 각 날짜 별 시간 단위로 분할된 데이터들을 생성한다.
본 발명의 실시예에 따르면, 날짜 별 동일 시간 단위에 대한 데이터 간 유사도 비교에 있어서 서로 다른 날짜 간 동일 시간 단위 내 데이터 인가가 없는 상황을 반영하기 위해 코사인 유사도 계산을 활용한다.
행동 패턴 분석부(610)는 시간 별 데이터 간 유사도 비교 결과를 추출하여, 가장 높은 유사도를 나타내는 시간을 선정한다. 날짜 별 동일 시간 단위에 대한 데이터 간 유사도 비교 결과 중 가장 높은 유사도를 나타내는 시간을 선정하여 반복되는 행동 패턴 구간을 판별한다.
반복되는 행동 패턴 구간이 판별되지 않는 경우, 상기 사용자의 행동 패턴에 따라 반복되는 규칙성을 분석하기 위해 수집된 데이터의 시간 별 데이터 간 유사도를 비교하는 단계부터 반복할 수 있다.
샘플링 주기 제어부(620)는 선정된 가장 높은 유사도를 나타내는 시간에 따라 샘플링 주기를 변경한다.
데이터 복원부(630)는 변경된 각각의 샘플링 주기에서 수집된 데이터에 대하여 AI-기반 데이터 복원을 수행하고, 실제 수집된 데이터와 복원된 데이터 간 정확도를 계산한다. 이때, 변경된 각각의 샘플링 주기에 대하여 복원된 데이터 간 정확도를 계산한 후, 해당 샘플링 주기에서의 복원 정확도에 대한 정규 분포를 추출한다.
이후, 샘플링 주기 제어부(620)는 데이터 복원부(630)에서 계산된 실제 수집된 데이터와 복원된 데이터 간 정확도의 정규 분포에 따라 최종 샘플링 주기를 결정한다.
본 발명의 실시예에 따른 생체 정보 모니터링을 위한 데이터 샘플링 주기 조절 방법은 데이터 수집을 감소시키기 위해 수집된 데이터에 대하여 AI-기반 데이터 복원을 수행하여 복원된 데이터를 사용하고, 소모 에너지 절감을 위해 데이터 기반의 사용자 행동 패턴 분석 및 유사도 비교 방법을 통해 최종 샘플링 주기를 조절함으로써 데이터 전송 횟수를 감소시킬 수 있다.
도 7은 본 발명의 일 실시예에 따른 샘플링 주기 제어에 따른 결과를 나타내는 그래프이다.
본 발명의 일 실시예에 따라 실제 수집된 데이터 내 테스트를 진행하였다. 수집된 데이터 내에서, 일부 데이터를 샘플링하고, 샘플링된 데이터를 복원하여 실제 데이터와 비교하였다. 데이터의 샘플링 비율을 조절하면서 테스트 진행하였다.
테스트 결과, 18:00~21:00 전체 데이터 내 22%의 샘플링을 수행할 경우, IoT 기기 내 에너지를 350% 절감하면서 데이터 오차(MAPE)는 10.95% 를 확보할 수 있었다. 이를 통해, 본 발명에서 제안하는 방법을 활용할 경우 IoT 기기의 에너지를 상당히 절감하면서, 데이터의 오차는 낮게 유지할 수 있음을 확인 할 수 있다. 샘플링 주기 제어에 따른 결과를 표 2에 나타내었다.
<표 2>
Figure pat00004
본 발명에서는 사용자의 행동 패턴 기반 IoT 기기의 샘플링 주기를 조절하는 기술을 제안한다. 제안하는 방법은 종래기술의 임계치를 활용하는 샘플링 조절 방식보다 사용자의 개별적 상황에 적합하게 동작 가능하며, 또한 각 샘플링 주기에 따른 정규 분포를 고려함으로써 성능의 안정적 확보가 가능하다.
또한, 수집된 데이터를 복원하여 사용함으로써, 실제 불필요한 데이터 정보 수집을 감소시킬 수 있고, 샘플링 주기 조절을 통해 IoT 기기에서 전송되는 데이터의 횟수를 줄여, 에너지 절감을 유도할 수도 있다. 뿐만 아니라, 기존의 통신 프로토콜과도 접목하여 동작 가능하며, 특정 물리적 환경에 얽매이지 않고 유연한 발명 기술의 도입이 가능하다.
IoT 단말에서 수집되는 데이터에 AI 및 기계학습 기법을 활용하기 위해서는, 일정한 데이터 특성을 가진 IoT 데이터 셋 확보가 필수적이다. 실제 IoT 데이터의 도전과제로써, 유용한 데이터 확보가 필요하다. 현재 IoT 환경 대다수는 IoT 단말의 에너지 문제로 인하여, 데이터의 주기적 확보가 어렵다.
본 발명의 도입을 통해, 샘플링 주기 조절 기반 IoT 단말의 에너지를 절감하고, 데이터를 복원하여 사용함으로써 AI 기법 활용이 검토될 수 있다. 또한, 이를 통한 IoT 환경 내 다양한 AI 및 기계학습 도입을 가능케 하여, 다양한 IoT 어플리케이션 개발이 가능하다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다.　 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다.　 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다.　 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다.　 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다.　 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다.　 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다.　 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.　 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다.　 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다.　 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.　
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다.　 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
<참고 문헌>
[1] J. Pan, R. Jain, S. Paul, T. Vu, A. Saifullah, and M. Sha, "An internet of things framework for smart energy in buildings: designs, prototype, and experiments," IEEE Internet of Things Journal, vol. 2, no. 6, pp. 527-537, 2015.
[2] K. Wang, Y. Wang, Y. Sun, S. Guo, and J. Wu, "Green industrial internet of things architecture: An energy-efficient perspective," IEEE Communications Magazine, vol. 54, no. 12, pp. 48-54, 2016.
[3] W. Ejaz, M. Naeem, A. Shahid, A. Anpalagan, and M. Jo, "Efficient energy management for the internet of things in smart cities," IEEE Communications magazine, vol. 55, no. 1, pp. 84-91, 2017.
[4] R. G. Baraniuk, "Compressive sensing [lecture notes]," IEEE signal processing magazine, vol. 24, no. 4, pp. 118-121, 2007

Claims (14)

  1. 사용자의 행동 패턴에 따라 반복되는 규칙성을 분석하기 위해 수집된 데이터의 시간 별 데이터 간 유사도를 비교하는 단계;
    시간 별 데이터 간 유사도 비교 결과를 추출하여, 가장 높은 유사도를 나타내는 시간을 선정하는 단계;
    선정된 가장 높은 유사도를 나타내는 시간에 따라 샘플링 주기를 변경하는 단계;
    변경된 각각의 샘플링 주기에서 수집된 데이터에 대하여 AI-기반 데이터 복원을 수행하고, 실제 수집된 데이터와 복원된 데이터 간 정확도를 계산하는 단계; 및
    계산된 실제 수집된 데이터와 복원된 데이터 간 정확도의 정규 분포에 따라 최종 샘플링 주기를 결정하는 단계
    를 포함하는 생체 정보 모니터링을 위한 데이터 샘플링 주기 조절 방법.
  2. 제1항에 있어서,
    상기 사용자의 행동 패턴에 따라 반복되는 규칙성을 분석하기 위해 수집된 데이터의 시간 별 데이터 간 유사도를 비교하는 단계는,
    날짜 별 동일 시간 단위에 대한 데이터 간 유사도 비교를 위해 연속적으로 수집된 데이터를 날짜 별로 분할하고, 날짜 별로 분할된 데이터를 시간 단위로 재분할하여, 각 날짜 별 시간 단위로 분할된 데이터들을 생성하는
    생체 정보 모니터링을 위한 데이터 샘플링 주기 조절 방법.
  3. 제2항에 있어서,
    상기 날짜 별 동일 시간 단위에 대한 데이터 간 유사도 비교에 있어서 서로 다른 날짜 간 동일 시간 단위 내 데이터 인가가 없는 상황을 반영하기 위해 코사인 유사도 계산을 활용하는
    생체 정보 모니터링을 위한 데이터 샘플링 주기 조절 방법.
  4. 제1항에 있어서,
    상기 시간 별 데이터 간 유사도 비교 결과를 추출하여, 가장 높은 유사도를 나타내는 시간을 선정하는 단계는,
    날짜 별 동일 시간 단위에 대한 데이터 간 유사도 비교 결과 중 가장 높은 유사도를 나타내는 시간을 선정하여 반복되는 행동 패턴 구간을 판별하는
    생체 정보 모니터링을 위한 데이터 샘플링 주기 조절 방법.
  5. 제4항에 있어서,
    상기 반복되는 행동 패턴 구간이 판별되지 않는 경우, 상기 사용자의 행동 패턴에 따라 반복되는 규칙성을 분석하기 위해 수집된 데이터의 시간 별 데이터 간 유사도를 비교하는 단계부터 반복하는
    생체 정보 모니터링을 위한 데이터 샘플링 주기 조절 방법.
  6. 제1항에 있어서,
    상기 변경된 각각의 샘플링 주기에서 수집된 데이터에 대하여 AI-기반 데이터 복원을 수행하고, 실제 수집된 데이터와 복원된 데이터 간 정확도를 계산하는 단계는,
    상기 변경된 각각의 샘플링 주기에 대하여 복원된 데이터 간 정확도를 계산한 후, 해당 샘플링 주기에서의 복원 정확도에 대한 정규 분포를 추출하는
    생체 정보 모니터링을 위한 데이터 샘플링 주기 조절 방법.
  7. 제1항에 있어서,
    데이터 수집을 감소시키기 위해 수집된 데이터에 대하여 AI-기반 데이터 복원을 수행하여 복원된 데이터를 사용하고,
    소모 에너지 절감을 위해 데이터 기반의 사용자 행동 패턴 분석 및 유사도 비교 방법을 통해 최종 샘플링 주기를 조절함으로써 데이터 전송 횟수를 감소시키는
    생체 정보 모니터링을 위한 데이터 샘플링 주기 조절 방법.
  8. 사용자의 행동 패턴에 따라 반복되는 규칙성을 분석하기 위해 수집된 데이터의 시간 별 데이터 간 유사도를 비교하고, 시간 별 데이터 간 유사도 비교 결과를 추출하여, 가장 높은 유사도를 나타내는 시간을 선정하는 행동 패턴 분석부;
    선정된 가장 높은 유사도를 나타내는 시간에 따라 샘플링 주기를 변경하는 샘플링 주기 제어부; 및
    변경된 각각의 샘플링 주기에서 수집된 데이터에 대하여 AI-기반 데이터 복원을 수행하고, 실제 수집된 데이터와 복원된 데이터 간 정확도를 계산하는 데이터 복원부
    를 포함하고,
    상기 샘플링 주기 제어부는,
    데이터 복원부에서 계산된 실제 수집된 데이터와 복원된 데이터 간 정확도의 정규 분포에 따라 최종 샘플링 주기를 결정하는
    생체 정보 모니터링을 위한 데이터 샘플링 주기 조절 장치.
  9. 제8항에 있어서,
    상기 행동 패턴 분석부는,
    날짜 별 동일 시간 단위에 대한 데이터 간 유사도 비교를 위해 연속적으로 수집된 데이터를 날짜 별로 분할하고, 날짜 별로 분할된 데이터를 시간 단위로 재분할하여, 각 날짜 별 시간 단위로 분할된 데이터들을 생성하는
    생체 정보 모니터링을 위한 데이터 샘플링 주기 조절 장치.
  10. 제9항에 있어서,
    상기 날짜 별 동일 시간 단위에 대한 데이터 간 유사도 비교에 있어서 서로 다른 날짜 간 동일 시간 단위 내 데이터 인가가 없는 상황을 반영하기 위해 코사인 유사도 계산을 활용하는
    생체 정보 모니터링을 위한 데이터 샘플링 주기 조절 장치.
  11. 제8항에 있어서,
    상기 행동 패턴 분석부는,
    날짜 별 동일 시간 단위에 대한 데이터 간 유사도 비교 결과 중 가장 높은 유사도를 나타내는 시간을 선정하여 반복되는 행동 패턴 구간을 판별하는
    생체 정보 모니터링을 위한 데이터 샘플링 주기 조절 장치.
  12. 제11항에 있어서,
    상기 반복되는 행동 패턴 구간이 판별되지 않는 경우, 상기 사용자의 행동 패턴에 따라 반복되는 규칙성을 분석하기 위해 수집된 데이터의 시간 별 데이터 간 유사도를 비교하는 단계부터 반복하는
    생체 정보 모니터링을 위한 데이터 샘플링 주기 조절 장치.
  13. 제8항에 있어서,
    상기 데이터 복원부는,
    상기 변경된 각각의 샘플링 주기에 대하여 복원된 데이터 간 정확도를 계산한 후, 해당 샘플링 주기에서의 복원 정확도에 대한 정규 분포를 추출하는
    생체 정보 모니터링을 위한 데이터 샘플링 주기 조절 장치.
  14. 제8항에 있어서,
    상기 데이터 복원부는,
    데이터 수집을 감소시키기 위해 수집된 데이터에 대하여 AI-기반 데이터 복원을 수행하여 복원된 데이터를 사용하고,
    상기 샘플링 주기 제어부는,
    소모 에너지 절감을 위해 데이터 기반의 사용자 행동 패턴 분석 및 유사도 비교 방법을 통해 최종 샘플링 주기를 조절함으로써 데이터 전송 횟수를 감소시키는
    생체 정보 모니터링을 위한 데이터 샘플링 주기 조절 장치.
KR1020210054297A 2021-04-27 2021-04-27 비접촉식 생체 정보 모니터링 내 사용자 행동 패턴을 기반으로 한 데이터 샘플링 주기 조절 방법 및 장치 KR102544798B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210054297A KR102544798B1 (ko) 2021-04-27 2021-04-27 비접촉식 생체 정보 모니터링 내 사용자 행동 패턴을 기반으로 한 데이터 샘플링 주기 조절 방법 및 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210054297A KR102544798B1 (ko) 2021-04-27 2021-04-27 비접촉식 생체 정보 모니터링 내 사용자 행동 패턴을 기반으로 한 데이터 샘플링 주기 조절 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20220147316A true KR20220147316A (ko) 2022-11-03
KR102544798B1 KR102544798B1 (ko) 2023-06-20

Family

ID=84040697

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210054297A KR102544798B1 (ko) 2021-04-27 2021-04-27 비접촉식 생체 정보 모니터링 내 사용자 행동 패턴을 기반으로 한 데이터 샘플링 주기 조절 방법 및 장치

Country Status (1)

Country Link
KR (1) KR102544798B1 (ko)

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002015000A (ja) * 2000-06-29 2002-01-18 Toshiba Corp 多変数時系列データ類似度判定装置
KR101579585B1 (ko) * 2014-06-18 2015-12-22 경북대학교 산학협력단 사용자 행동 모니터링 방법, 장치, 시스템 및 이를 수행하기 위한 기록매체
KR20160120482A (ko) * 2015-04-08 2016-10-18 삼성에스디에스 주식회사 생체 신호를 이용한 사용자 행동 예측 시스템 및 방법
KR20170022579A (ko) * 2015-08-21 2017-03-02 (주)볼트마이크로 저전력 기반의 바이오 데이터 수집 및 관리 시스템
KR20170028903A (ko) * 2014-07-16 2017-03-14 퀄컴 인코포레이티드 심장 박동수 모니터의 에너지 소모를 감소시키기 위한 방법들 및 시스템들
KR20190065115A (ko) * 2017-12-01 2019-06-11 삼성전자주식회사 생체 신호 품질 평가 장치 및 방법

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002015000A (ja) * 2000-06-29 2002-01-18 Toshiba Corp 多変数時系列データ類似度判定装置
KR101579585B1 (ko) * 2014-06-18 2015-12-22 경북대학교 산학협력단 사용자 행동 모니터링 방법, 장치, 시스템 및 이를 수행하기 위한 기록매체
KR20170028903A (ko) * 2014-07-16 2017-03-14 퀄컴 인코포레이티드 심장 박동수 모니터의 에너지 소모를 감소시키기 위한 방법들 및 시스템들
KR20160120482A (ko) * 2015-04-08 2016-10-18 삼성에스디에스 주식회사 생체 신호를 이용한 사용자 행동 예측 시스템 및 방법
KR20170022579A (ko) * 2015-08-21 2017-03-02 (주)볼트마이크로 저전력 기반의 바이오 데이터 수집 및 관리 시스템
KR20190065115A (ko) * 2017-12-01 2019-06-11 삼성전자주식회사 생체 신호 품질 평가 장치 및 방법

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
[1] J. Pan, R. Jain, S. Paul, T. Vu, A. Saifullah, and M. Sha, "An internet of things framework for smart energy in buildings: designs, prototype, and experiments," IEEE Internet of Things Journal, vol. 2, no. 6, pp. 527-537, 2015.
[2] K. Wang, Y. Wang, Y. Sun, S. Guo, and J. Wu, "Green industrial internet of things architecture: An energy-efficient perspective," IEEE Communications Magazine, vol. 54, no. 12, pp. 48-54, 2016.
[3] W. Ejaz, M. Naeem, A. Shahid, A. Anpalagan, and M. Jo, "Efficient energy management for the internet of things in smart cities," IEEE Communications magazine, vol. 55, no. 1, pp. 84-91, 2017.
[4] R. G. Baraniuk, "Compressive sensing [lecture notes]," IEEE signal processing magazine, vol. 24, no. 4, pp. 118-121, 2007.

Also Published As

Publication number Publication date
KR102544798B1 (ko) 2023-06-20

Similar Documents

Publication Publication Date Title
Gopinath et al. Energy management using non-intrusive load monitoring techniques–State-of-the-art and future research directions
Harb et al. Energy-efficient sensor data collection approach for industrial process monitoring
CN109844653B (zh) 使用预测来控制目标系统
Kim et al. Unsupervised disaggregation of low frequency power measurements
Gao et al. The self-programming thermostat: optimizing setback schedules based on home occupancy patterns
Alamaniotis et al. Genetic optimal regression of relevance vector machines for electricity pricing signal forecasting in smart grids
Azizi et al. Residential household non-intrusive load monitoring via smart event-based optimization
Golovin et al. Online distributed sensor selection
Gulbinas et al. Segmentation and classification of commercial building occupants by energy-use efficiency and predictability
Tang et al. The meter tells you are at home! non-intrusive occupancy detection via load curve data
Gurun et al. NWSLite: a light-weight prediction utility for mobile devices
JP6718500B2 (ja) 生産システムにおける出力効率の最適化
CN110136024B (zh) 获取用户的用电特征、用电习惯及用电量预测值的方法及装置
Lin et al. A smart home energy management system utilizing neurocomputing-based time-series load modeling and forecasting facilitated by energy decomposition for smart home automation
CN116321620A (zh) 智能照明开关控制系统及其方法
KR102650015B1 (ko) 실내 환경 관리 장치 및 그 동작방법
JP2005295714A (ja) 自動電源制御システム
AU2017435881B2 (en) Decoupled modeling methods and systems
KR20220147316A (ko) 비접촉식 생체 정보 모니터링 내 사용자 행동 패턴을 기반으로 한 데이터 샘플링 주기 조절 방법 및 장치
Yang et al. An intelligent human behavior-based reasoning model for service prediction in smart home
Athanasoulias et al. A first approach using graph neural networks on non-intrusive-load-monitoring
Kulkarni et al. Deepfit: Deep learning based fitness center equipment use modeling and prediction
Siegel et al. Safe energy savings through context-aware hot water demand prediction
KR102306968B1 (ko) 사용자의 사용특성을 고려한 전력 사용량 예측 알고리즘
Alami C et al. Conv-NILM-Net, a causal and multi-appliance model for energy source separation

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant