KR20220153447A

KR20220153447A - 개인의 냉온감 정도를 추정하는 장치 및 방법

Info

Publication number: KR20220153447A
Application number: KR1020210087085A
Authority: KR
Inventors: 김중경; 파키르 하십
Original assignee: 국민대학교산학협력단
Priority date: 2021-05-11
Filing date: 2021-07-02
Publication date: 2022-11-18
Also published as: KR102563695B1

Abstract

본 개시의 일 실시 예는 일정시간마다 대상자의 날숨에 기초한 배출호흡온도를 측정하고, 측정된 배출호흡온도를 머신 러닝 기반의 학습 모델인 냉온감 추정 모델에 입력하여 대상자의 냉온감 정도를 추정할 수 있는 냉온감 추정 장치 및 방법을 개시한다.

Description

개인의 냉온감 정도를 추정하는 장치 및 방법{MEASURING APPARATUS　AND METHOD FOR PREDICTING PERSONAL THERMAL SENSATION}

본 개시는 대상자의 호흡에 기초하여 대상자가 느끼는 냉온감의 정도를 추정하는 장치 및 방법에 관한 것으로서, 더욱 상세하게는 대상자의 날숨 호흡에서 배출한 배출호흡온도에 기반하여 대상자의 냉온감 정도를 머신 러닝 기반의 학습 모델로 추정하는 장치 및 방법에 관한 것이다.

이하에서 기술되는 내용은 본 개시의 실시 예와 관련되는 배경 정보를 제공할 목적으로 기재된 것일 뿐이고, 기술되는 내용들이 당연하게 종래기술을 구성하는 것은 아니다.

사람은 외부 온도에 따라 체온을 조절할 수 있다. 예를 들어 온도가 낮은 상황에서는 피부 혈류량을 줄여 열 손실을 억제하고, 이와 반대로 온도가 높은 상황에서는 혈류량을 늘려 열 발산을 촉진한다. 구체적으로 이러한 조절은 교감 신경을 통해 조절될 수 있는데 교감 신경의 활동이 증가하면 혈관 수축이 일어날 수 있으며, 피부로 전달하는 혈류량을 감소시켜 체온을 유지하도록 한다. 이와 반대로 교감 신경 활동이 감소하면 혈관 이완이 일어나게 되고 피부로 전달되는 혈류량이 증가하여 많은 열이 외부 환경으로 전달되고 땀으로 배출되어 체온 상승을 방지하는 것이다.

이러한 외부 온도에 따라 각각의 대상자가 느끼는 냉온감의 정도는 다를 수 있다. 예를 들어 동일한 환경에 놓인 서로 다른 대상자들은 해당 환경의 냉온감에 대한 느낌을 서로 다르게 인식할 수 있다.

즉, 이러한 냉온감은 각각의 대상자에 따라 주관적일 수 있으므로 획일적인 기준에 의해서 특정 공간의 공기 온도 제어를 하는 경우 해당 공간에 위치한 복수의 대상자가 각각 느끼는 냉온감을 만족시키지 못할 수 있다. 특히, 개별 공간인 경우 대상자의 주관적인 냉온감 인식에 적합하게 특정 대상자가 위치한 개별 공간의 온도를 제어하거나 냉온에 민감한 대상자의 신체 일부를 냉각 또는 가열할 수 있는 개인화된 냉온감공간 온도 제어 기술 및 이를 위하여 각 개인의 주관적인 냉온감을 추정할 수 있는 기술이 필요하다.

전술한 배경기술은 발명자가 본 개시의 도출을 위해 보유하고 있었거나, 본 개시의 도출 과정에서 습득한 기술 정보로서, 반드시 본 개시의 출원 전에 일반 공중에게 공개된 공지기술이라 할 수는 없다.

선행기술 1: 한국 공개특허 제10-2017-0133596호(2017.12.06. 공개)

본 개시의 일 실시 예는 개인별로 인식하는 주관적인 냉온감 정도를 추정할 수 있는 냉온감 추정 장치 및 방법을 제공하는 것이다.

또한, 본 개시의 일 실시 예는 개인별로 추정된 냉온감 정도에 따라 특정 공간의 공기 온도를 자동으로 제어하거나 대상자의 냉온에 민감한 신체 일부를 냉각 또는 가열하도록 외부 온도 제어 장치를 제어 수 있는 냉온감 추정 장치 및 방법을 제공하는 것이다.

본 개시의 목적은 이상에서 언급한 과제에 한정되지 않으며, 언급되지 않은 본 개시의 다른 목적 및 장점들은 하기의 설명에 의해서 이해될 수 있고, 본 개시의 실시 예에 의해보다 분명하게 이해될 것이다. 또한, 본 개시의 목적 및 장점들은 특허 청구 범위에 나타낸 수단 및 그 조합에 의해 실현될 수 있음을 알 수 있을 것이다.

본 개시의 일 실시 예에 따라 호흡에 기초하여 대상자의 냉온감을 추정하는 방법은, 기 설정된 간격마다 센서를 통해 대상자의 날숨에 기초한 배출호흡온도를 측정하고, 냉온감 정도를 출력하도록 훈련된 머신 러닝 기반의 냉온감 추정 모델에 상기 배출호흡온도를 입력하여 상기 대상자의 냉온감 정도를 출력하는 과정으로 수행될 수 있다.

구체적으로, 상기 배출호흡온도는 상기 대상자의 날숨에 기초하여 측정한 제1 온도에서 오프셋 값을 감산한 온도이고, 상기 오프셋 값은 상기 대상자의 날숨에 기초하여 측정한 온도를 미리 설정한 시간 동안 평균한 값이 될 수 있다.

이때, 냉온감 추정 모델은 상기 대상자의 날숨 온도가 상기 대상자가 입력한 냉온감 정도로 레이블링된 훈련 데이터로 훈련된 것일 수 있다.

특히, 상기 냉온감 추정 모델을 훈련하기 위한 상기 훈련 데이터를 생성하고, 상기 훈련 데이터 생성 시, 상기 대상자의 날숨에 기초한 상기 대상자의 배출호흡온도를 제1 시간 간격으로 수집한 후 제2 시간 간격으로 평균화한 후, 상기 대상자로부터 제3 시간 간격으로 수집한 냉온감 정도를 제4 시간 간격으로 보간하는 과정으로 수행될 수 있다.

상기 냉온감 정도 출력 시, 상기 냉온감 추정 모델을 기초로 기 설정되어 냉온감 정도를 구분하는 리스트 중에서 상기 대상자가 느끼는 냉온감 정도에 대응하는 어느 하나의 레벨을 출력할 수 있다.

이러한 상기 냉온감 추정 모델은 랜덤 포레스트 모델에 기반하고, 상기 배출호흡온도가 상기 냉온감 추정 모델에 포함된 복수의 트리(tree)에 입력되어 각 트리로부터 획득된 값들 중 최대 빈도값(Majority-Voting)을 출력하도록 훈련된 것일 수 있다.

특히, 상기 냉온감 추정 모델은 대상자 별로 각각 개인화되어 생성된 머신 러닝 기반의 학습 모델일 수 있다.

본 개시의 방법은, 상기 배출호흡온도의 변화에 기반하여 상기 대상자의 호흡수를 결정하는 과정을 더 포함할 수 있다.

대상자 호흡 결정 시, 상기 배출호흡온도의 변화를 기 설정된 시간 동안 측정하고, 기 설정된 시간 동안 측정된 상기 배출호흡온도의 변화 중 피크 개수에 기반하여 상기 대상자의 호흡수를 결정하는 과정으로 구성될 수 있다.

한편, 상기 대상자의 냉온감 정도 출력 이후에, 상기 냉온감 추정 모델이 출력한 상기 대상자의 냉온감 정도에 기반하여 외부 온도 제어 장치로 온도 제어 신호를 전송할 수 있다.

본 발명의 일 개시에 따라 호흡에 기초하여 대상자의 냉온감을 추정하는 장치는, 프로세서 및 상기 프로세서와 전기적으로 연결되고, 상기 프로세서에서 수행되는 적어도 하나의 코드(code)가 저장되는 메모리를 포함하고, 상기 메모리는 상기 프로세서를 통해 실행될 때 상기 프로세서가 냉온감 정도를 출력하도록 훈련된 머신 러닝 기반의 냉온감 추정 모델을 기반으로 기 설정된 간격마다 센서를 통해 대상자의 날숨에 기초하여 측정된 배출호흡온도를 상기 냉온감 추정 모델에 입력하여 상기 대상자의 냉온감 정도를 출력하도록 야기하는 코드들을 저장하는데 기반할 수 있다.

상기 배출호흡온도는 상기 대상자의 날숨에 기초하여 측정한 제1 온도에서 오프셋 값을 감산한 온도이고, 상기 오프셋 값은 상기 대상자의 날숨에 기초하여 측정한 온도를 미리 설정한 시간 동안 평균한 값일 수 있다.

이때, 상기 메모리는 상기 프로세서가, 상기 냉온감 추정 모델을 기초로 기 설정되어 냉온감 정도를 구분하는 리스트 중에서 상기 대상자가 느끼는 냉온감 정도에 대응하는 어느 하나의 레벨을 출력하도록 야기하는 코드들을 더 저장하도록 한다.

상기 냉온감 추정 모델은 상기 대상자의 배출호흡온도를 상기 대상자로부터 입력 받은 냉온감으로 레이블링(labeling) 한 훈련 데이터로 훈련된 구성일 수 있다.

특히, 상기 훈련 데이터는, 상기 대상자의 날숨에 기초한 상기 대상자의 배출호흡온도가 제1 시간 간격으로 수집된 후 제2 시간 간격으로 평균화된 값일 수 있다.

또한, 상기 냉온감 추정 모델은 랜덤 포레스트 모델에 기반하고, 상기 배출호흡온도가 상기 냉온감 추정 모델에 포함된 복수의 트리(tree)에 입력되어 각 트리로부터 획득된 값들 중 최대 빈도값(Majority-Voting)을 출력하도록 훈련된 구성일 수 있다.

전술한 것 외의 다른 측면, 특징, 및 이점이 이하의 도면, 청구범위 및 발명의 상세한 설명으로부터 명확해질 것이다.

본 개시의 실시 예는 온도 변화에 따라 개인이 느끼는 냉온감 정도를 입력 받아 개인의 날숨 온도에 레이블링하여 생성된 학습 데이터로 훈련된 냉온감 추정 모델에 대상자의 배출호흡온도를 입력하여 대상자의 냉온감 정도를 추정할 수 있도록 한다. 따라서, 개인별로 정확하게 냉온감 정도를 추정할 수 있다.

대상자의 냉온감 정도에 따라 대상자가 위치한 환경의 온도를 제어하는 냉난방 장치 또는 대상자의 신체 국부를 냉각 또는 가열하는 장치등의 외부 온도 제어 장치를 제어하는 신호가 생성될 수 있다.

더욱이, 대상자의 배출호흡온도 데이터에서 대상자의 호흡수를 측정하여 대상자의 건강상태를 추정할 수도 있다.

본 개시의 효과는 이상에서 언급된 것들에 한정되지 않으며, 언급되지 아니한 다른 효과들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.

도 1은 본 개시의 일 실시 예에 따른 냉온감 추정 장치 및 냉온감 추정 장치의 통신을 개략적으로 나타낸 도면이다.
도 2는 본 개시의 일 실시 예에 따른 냉온감 추정 장치의 구성을 나타낸 블록도이다.
도 3은 본 개시의 일 실시 예에 따른 냉온감 추정 장치와 통신 연결되는 센서의 구성을 나타낸 블록도이다.
도 4는 본 개시의 일 실시 예에 따른 대상자에 따른 배출호흡온도를 도시한 도면이다.
도 5는 본 개시의 일 실시 예에 따른 대상자로부터 측정한 배출호흡온도에서 훈련 데이터를 생성하는 예를 도시한 도면이다.
도 6 및 도 7은 본 개시의 일 실시 예에 따른 냉온감 추정 장치를 이용하여 대상자의 배출호흡온도를 통해 수집되는 호흡수를 결정하는 예시를 도시한 도면이다.
도 8 및 도 9는 본 개시의 일 실시 예에 따른 냉온감 추정 방법을 도시한 흐름도이다.

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

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

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

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수개의 표현을 포함한다.

본 출원에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

도 1은 본 개시의 일 실시 예에 따른 냉온감 추정 장치 및 냉온감 추정 장치의 통신을 개략적으로 나타낸 도면이다.

도 1을 참고하면, 냉온감 추정 장치(100)는 대상자의 날숨에 기초하여 측정하는 배출호흡온도에 기반하여 냉온감 정도를 출력할 수 있도록 훈련된 머신 러닝 기반의 냉온감 추정 모델에 입력하여 대상자의 냉온감 정도를 출력할 수 있는 장치이다.

본 개시의 실시 예들에 있어서, 냉온감 추정 장치(100)는 대상자 신체에 착용 가능한 마스크에 장착된 장치나, 대상자의 호흡을 감지할 수 있는 센서가 장착 가능한 자동차 등에 구현될 수 있다. 또는, 마스크에 장착된 센서와 유무선 통신으로 연결된 전자 장치(예: 개인 단말, 서버 장치 등)로 구현될 수 있다.

일 실시 예에서, 냉온감 추정 장치(100)는 측정된 배출호흡온도를 입력으로 하여 냉온감 정도를 수치로 출력하거나, 출력된 수치를 표 1의 냉온감 리스트에서 대응되는 값으로 대상자의 냉온감을 출력하도록 한다.

한편, 본 개시의 실시 예들에 있어서 냉온감 추정 장치(100)는 설명한 바와 같이 대상자 신체에 착용 가능한 마스크, 대상자 호흡을 측정할 수 있는 건축물의 실내, 자동차 실내 또는 전자 장치(예를 들어, 서버(100A) 또는 개인 단말(100B)) 등에 구현될 수 있다. 개인 단말(100B)은 휴대폰, 태블릿 PC 등일 수 있고 아래에서 설명할 센서(50)로부터 대상자의 배출호흡 정보를 수신할 수 있다.

일 실시 예에서, 냉온감 추정 장치(100)는 서버(100A)를 통해 구현할 수 있다. 예컨대, 센서(50)는 측정한 대상자의 배출호흡 정보를 수신 받고, 센서(50)로 수신한 대상자의 배출호흡 정보를 서버(100A)로 송신할 수 있다. 이때 서버(100A)에 기 저장된 냉온감 추정 모델을 통해 대상자의 냉온감 정도를 추정할 수 있다.

다른 실시 예에서, 냉온감 추정 장치(100)는 개인 단말(100B)을 통해 구현할 수도 있다. 예를 들어, 개인 단말(100B)에 설치된 센서(50)로 대상자의 배출 호흡 정보를 수신 받으면, 개인 단말(100B)에 저장된 냉온감 추정 모델을 통해 개인의 냉온감 정도를 추정할 수 있다. 이때, 개인 단말(100B)에 저장된 냉온감 추정 모델은 서버(100A)로부터 다운로드된 모델을 개인 단말(100B)에서 훈련된 학습 모델이거나, 개인 단말(100B)에서 전송된 훈련 데이터를 이용하여 서버(100A)에서 훈련된 학습 모델을 다운로드 한 것일 수 있다.

3	Hot
2	Warm
1	Slightly warm
0	Neutral
-1	Slightly cool
-2	Cool
-3	Cold

[표 1]을 살펴보면, 냉온감 리스트는 외부 온도에 대한 대상자의 인식 정도를 단계별로 수치적으로 구분한 것이다. 예를 들어, 냉온감은 매우 더움(Hot) 부터 매우 추움(Cold)까지 레벨 3에서부터 레벨 -3까지 총 7 단계로 구분할 수 있고, 각각의 단계는 기 저장된 조건에 따라 구분될 수 있다.

다만, 본 개시의 실시 예에 따른 냉온감 리스트는 조건에 따라 단계가 더 세분화되거나 단순하게 구분될 수 있다.

도 2는 본 개시의 일 실시 예에 따른 냉온감 추정 장치의 구성을 나타낸 블록도이고, 도 3은 본 개시의 일 실시 예에 따른 냉온감 추정 장치와 통신 연결되는 센서의 구성을 나타낸 블록도이다.

도면의 설명에 앞서, 설명의 편의상 냉온감 추정 장치(100)는 서버(100A)로 구현된 예를 들어 설명하기로 하며, 센서(50)는 마스크에 장착된 예를 들어 설명하기로 한다. 학습 모델을 서버(100A)로부터 다운로드 받아 개인 단말(100B)에서 훈련시키는 다른 실시 예에서는 도 2의 구성은 개인 단말(스마트폰, 태블릿 PC 등)(100B)에서 구현할 수도 있다.

도 2를 참고하면, 냉온감 추정 장치(100)는 센서(50)에서 측정한 대상자의 배출호흡온도를 기반으로 대상자의 냉온감 정도를 추정할 수 있는 구성이다. 이러한 냉온감 추정 장치(100)는 통신부(120), 메모리(160), 러닝 프로세서(150) 및 프로세서(180) 등을 포함하여 구성될 수 있다.

냉온감 추정 장치(100)의 통신부(120)는 센서(50)와 통신 연결될 수 있는 구성이고, 센서(50)로 습득한 대상자의 배출호흡온도 정보를 수신 받을 수 있다.

메모리(160)는 모델 저장부(161)를 포함할 수 있다. 모델 저장부(161)는 러닝 프로세서(150)를 통해 학습 전 또는 학습된 모델(161a)을 저장할 수 있다. 학습된 모델 또는 학습 전 모델을 포함하는 학습 모델은 인공 신경망 기반, 포레스트 모델 기반 등 특별히 그 종류를 한정하지 않는다.

러닝 프로세서(150)는 학습 데이터를 이용하여 학습 모델(161a)을 학습시킬 수 있다. 학습 모델은 서버(100A)나 개인 단말(100B)에 탑재된 상태에서 이용될 수 있다.

학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있다. 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 학습 모델을 구성하는 하나 이상의 명령어(instruction)는 메모리(160)에 저장될 수 있다.

본 개시의 학습 모델은 머신 러닝을 기반으로 하는 냉온감 추정 모델이며, 냉온감 추정 모델은 대상자의 배출호흡온도를 대상자로부터 입력 받은 냉온감으로 레이블링(labeling)한 훈련 데이터로 훈련될 수 있다. 즉, 일 실시 예에서, 냉온감 추정 모델은 개인마다 자신의 배출호흡온도를 자신의 냉온감으로 레이블링한 훈련 데이터로 훈련된 냉온감 추정 모델을 이용함으로써 개인마다 서로 다른 냉온감을 정확하게 추정할 수 있다.

구체적으로, 냉온감 추정 모델에 적용하는 배출호흡온도는 대상자가 배출한 날숨에 기초하여 측정한 제1 온도(도 5 (a)와 같은 데이터 일 수 있다)에서 오프셋 값을 감산한 온도이다. 여기서, 오프셋 값은 대상자의 배출호흡온도를 미리 설정한 시간 동안 평균화한 평균값을 의미하고, 도 5 (b)와 같은 데이터일 수 있다.

예를 들어, 센서(50)로 날숨을 배출할 때, 센서(50)는 날숨온도를 1초 간격으로 40분동안 수집하고, 수집한 데이터를 냉온감 추정 장치(100)로 송신할 수 있다. 송신된 데이터는 1분 간격으로 평균화하여 평균값을 도출하게 되며, 도출된 평균값이 배출호흡온도의 오프셋 값이 될 수 있다.

일 실시 예에서, 배출호흡온도 데이터에서 오프셋 값을 감산한 데이터를 필터링한 뒤, 시간에 대해 평균화할 수 있으며 아래에서 자세히 설명한다.

배출호흡온도를 측정하면, 측정한 배출호흡온도가 기 설정된 냉온감 추정 모델에 입력될 수 있다. 이때, 냉온감 추정 모델은 대상자의 날숨 온도가 대상자가 입력한 냉온감 정도로 레이블링된 훈련 데이터로 훈련된다.

구체적으로, 훈련 데이터는 앞서 설명한 오프셋 값과 같이 대상자가 배출한 배출호흡온도를 제1 시간 간격으로 수집하고, 수집한 배출호흡온도를 제2 시간 간격으로 평균화한 값을 기초로 생성할 수 있다.

즉, 본 개시의 훈련 데이터는 호흡이 이루어지는 대상자로부터 날숨온도를 1초 간격으로 40분동안 수집할 수 있고, 수집한 데이터를 1분 간격으로 평균화한 값을 기초로 생성할 수 있다.

이후, 훈련 데이터는 대상자로부터 제3 시간 간격으로 수집한 냉온감 정도를 제4 시간 간격으로 보간할 수 있다. 예컨대, 훈련 데이터는 40분 동안 수집한 응답을 5분 간격으로 보간할 수 있도록 한다.

한편, 본 개시의 실시 예에 따른 냉온감 추정모델은 랜덤 포레스트 모델에 기반하고 배출호흡온도가 냉온감 추정 모델에 포함된 복수의 트리(tree)에 입력되어 각 트리로부터 획득된 값들 중 최대 빈도값(Majority-Voting)을 출력하도록 훈련된 모델일 수 있다.

예를 들어, 대상자의 배출호흡온도가 대상자로부터 입력된 냉온감 정도로 레이블링된 훈련 데이터를 랜덤 샘플링하여 복수의 서브셋(subset)을 구성하고 각각의 서브셋에 대응하는 복수의 미리 설정되거나 훈련 데이터에 따른 깊이(depth)를 가지는 트리를 생성하도록 훈련될 수 있다. 훈련된 랜덤 포레스트 모델에 기반한 학습 모델에 대상자로부터 측정한 호흡배출온도를 입력하고, 복수의 트리에서 결정(출력)되는 응답값 중에서 최대 빈도값(Majority-Voting)을 최종 응답값(출력값)으로 결정하여 개인의 냉온감 정도를 추정할 수 있다.

일 실시 예에서, 포레스트 모델 기반의 훈련된 학습 모델의 복수의 트리 중 어느 하나의 트리는 도 10과 같을 수 있다. 노드의 texhale은 대상자의 호흡배출온도, value는 예측 확률, class는 해당 노드에 해당하는 클래스(예를 들어, 표 1의 어느 한 클래스)일 수 있다. 입력된 데이터가 각 노드의 판단을 거쳐 최종 도착하는 노드의 클래스를 트리의 출력값으로 결정할 수 있다.

이와 같이 생성된 냉온감 추정 모델은 대상자 별로 각각 개인화되어 생성된 학습 모델일 수 있다. 일 실시 예에서 학습 모델은 배출호흡온도를 입력으로 하여 대상자의 냉온감 정도를 [표 1]과 같은 수치적 값 또는 해당 수치적 값에 매핑된 단어로 출력할 수 있다. 즉, 대상자가 느끼는 주관적인 감정인 냉온감 정도를 대상자의 배출호흡온도에 기반하여 기 설정되어 냉온감 정도를 구분할 수 있는 냉온감 리스트에 대응시켜 대상자가 느끼는 냉온감 정도 레벨(레벨 3부터 레벨 -3까지 중 어느 하나)을 출력할 수 있다.

이때, 냉온감 추정 모델의 정확성을 위해 대상자가 보다 다양한 환경에서 배출하는 배출호흡온도를 기반으로 훈련 데이터를 생성하도록 할 수 있다. 예를 들어, 훈련 데이터가 생성된 배출호흡온도와 측정된 주변 온도를 매핑하여 저장한 후 학습 모델을 훈련하여 냉온감 추정을 수행하다가, 훈련 데이터가 생성되지 않은 주변 온도를 가진 환경에 대상자가 위치하는 경우 대상자의 배출호흡온도를 측정하고 대상자가 느끼는 냉온감 정도를 입력 받은 후, 훈련 데이터에 추가하여 다시 학습 모델을 훈련할 수 있다.

프로세서(180)는 학습 모델을 이용하여 새로운 입력 데이터에 대하여 결과 값을 추론하고, 추론한 결과 값에 기초한 응답이나 제어 명령을 생성할 수 있다.

프로세서(180)는 통신부(120)를 통해 센서(50)로부터 수신한 대상자의 배출호흡온도 정보에 학습모델을 적용하여 대상자의 냉온감 정도를 평가할 수 있다.

한편, 본 개시의 실시 예에서 냉온감 추정 장치(100)를 이용하여 대상자의 냉온감 정도를 측정하는 예를 들어 설명하지만, 냉온감 추정 장치(100)에 대상자의 피부온도 등을 측정할 수 있는 센서를 추가로 설치하여, 피부 온도 변화를 추가로 측정한 훈련 데이터에 기반하여 대상자의 냉온감 정도를 추출할 수도 있다.

이때, 피부 온도 데이터를 통해 냉온감 정도에 대한 훈련 데이터를 생성할 수 있으며, 냉온감 리스트와 유사한 온도 변화 리스트 등을 이용하여 피부 온도 변화에 따른 대상자의 냉온감 정도를 추정하도록 구성될 수 있다.

도 3을 참고하면, 센서(50)는 통신부(52), 센싱부(54), 메모리(56) 및 프로세서(58)을 포함하여 구성될 수 있다.

통신부(52)는 냉온감 추정 장치(100)와 통신 연결될 수 있다. 구체적으로 통신부(52)는 대상자가 날숨을 배출하면 배출한 배출호흡 정보(온도)를 냉온감 추정 장치(100)로 송신하도록 한다.

센싱부(54)는 대상자가 배출한 배출호흡을 센싱하는 구성이다. 구체적으로, 센싱부(54)는 대상자의 호흡 자체를 센싱할 수 있고, 다르게는 대상자가 날숨을 배출하면 배출한 날숨에서 배출호흡온도 만을 센싱할 수도 있다.

이때, 센싱부(54)는 대상자로부터 날숨온도를 1초 간격으로 40분동안 수집할 수 있으며, 수집된 날숨 온도를 냉온감 추정 장치(100)로 송신할 수 있다.

메모리(56)는 센싱부(54)에서 대상자로부터 배출된 배출호흡온도를 통해 대상자의 냉온감 정도를 측정하고자 하는 배출호흡온도 측정 조건을 저장할 수 있다. 즉, 메모리(55)는 배출호흡온도를 측정할 수 있는 센싱부(54)의 동작을 위한 데이터들, 명령어들이 저장될 수 있다.

프로세서(58)는 메모리(56)에 저장된 응용 프로그램과 관련된 동작 이외에 센서(50)의 전반적인 동작을 제어할 수 있다. 프로세서(58)는 앞서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(56)에 저장된 응용 프로그램을 구동하도록 하여 대상자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있도록 한다.

도 4는 본 개시의 일 실시 예에 따른 대상자에 따른 배출호흡온도를 도시한 도면이다.

도면의 설명에 앞서, 신체는 다양한 세포를 포함하고 있으며, 세포는 신진대사 활동(예: 호흡)을 위해 산소를 소비하고 신진대사의 부산물로 열이 발생한다.

구체적으로 호흡은 분당 6 내지 20 의 호흡으로 이루어질 수 있으며, 호흡에 의해 발생한 열은 나이와 신체 조건에 따라 달라질 수 있다. 예컨대 성인이 영유아보다 많은 열이 발생할 수 있다.

이러한 사실을 통해 도 4을 참고하면, 호흡이 이루어지는 대상자 중 제1 대상자(Subject 17)은 제2 대상자(Subject 8) 보다 연령이 높은 것으로 판단할 수 있다.

도 5는 본 개시의 일 실시 예에 따른 대상자로부터 측정한 배출호흡온도에 기반하여 훈련 데이터를 생성하는 예를 도시한 도면이다.

도면을 참고하여 훈련 데이터를 생성하는 과정을 살펴보면, 호흡이 이루어지는 대상자 중 제1 대상자(Subject 17)의 시간에 따른 배출호흡온도 데이터를 획득할 수 있다(도 5의 (a)).

획득한 배출호흡온도 데이터에 제1 대상자의 배출호흡온도를 미리 설정한 시간 동안 평균화한 평균값인 오프셋 값을 감산할 수 있다(도 5의 (b)).

이후, 배출호흡온도 데이터에서 오프셋 값을 감산한 데이터를 필터링한 뒤, 시간에 대해 평균화할 수 있다(도 5의 (c) 및 (d)). 필터링은 예를 들어 제1 대상자의 배출호흡온도 데이터를 40분동안 수집한 데이터를 1분 간격으로 평균화하는 것을 의미한다.

이때, 평균화된 데이터를 예컨대 40분동안 수집한 응답을 1분 간격으로 보간하는 과정으로 훈련 데이터를 생성할 수 있다.

도 6 및 도 7은 본 개시의 다른 실시 예에 따른 냉온감 장치를 이용하여 대상자의 배출호흡온도를 통해 수집되는 호흡수를 측정하는 예시를 도시한 도면이다.

도면을 참고하면, 대상자(Subject 1)의 배출호흡온도 데이터를 통해 대상자의 호흡수를 측정할 수 있다. 구체적으로 호흡수는 대상자가 배출한 배출호흡온도의 변화 중에서 일정 시간 간격마다 추출되는 피크(peak)에 기반하여 측정될 수 있다.

여기서 일정 시간은 예를 들어 1분 간격마다 피크를 추출할 수 있으며, 피크는 미리 설정된 간격 내의 로컬 맥시마(도 (b) 참고)를 의미할 수 있다.

대상자의 배출호흡온도 데이터에서 측정한 피크 개수는 설정된 시간 동안 대상자가 호흡한 호흡수라고 추정할 수 있으며, 날숨을 통해 대상자의 호흡수를 측정함에 따라 연령별로 호흡수를 측정하거나 기저질환이 있는 대상자의 경우 기저질환에 따른 호흡수를 측정하는 등의 정보로 사용될 수 있다.

즉, 대상자가 호흡하는 들숨과 날숨을 1회로 하여 1분동안 대상자가 호흡한 횟수를 측정할 수 있다. 측정한 호흡수는 예를 들어 천식, 폐렴, 흉막 삼출(pleural effusion)과 같은 호흡기 질환 및 심정지(cardiac arrest)와 같은 특정 지병을 확인할 수 있는 지표로 사용될 수 있다.

특히, 기저 질환이 있는 환자의 호흡수가 학습 데이터인 경우, 냉온감 추정 장치(100)로 측정한 배출호흡온도를 통해 개인의 냉온감뿐 아니라 대상자의 발열, 질환 등을 진단할 수도 있다.

이때, 수집한 학습 데이터는 약 65% 내지 75% 가량의 데이터는 학습(훈련)에 사용될 수 있으며, 25% 내지 35% 가량의 데이터는 대상자의 냉온감 테스트로 사용하여 개인별로 날숨 기반의 냉온감 추정 모델의 정확도를 평가할 수 있다.

이와 같이 생성된 학습 데이터는 개인 단말(예: 휴대 단말기, 태블릿, 스마트 워치 등)에서 학습 모델을 훈련시키는 데 이용되거나 서버로 전송되어 학습 모델을 훈련시키는 데 이용될 수 있다.

따라서, 각 개인이 느끼는 냉온감 정도에 대한 학습 데이터를 개인화하여 동일한 환경에서 각각의 대상자가 느끼는 냉온감에 따라 개인 환경의 온도를 제어하는 냉난방 장치 또는 대상자의 신체의 국부를 냉각 또는 가열하는 장치 등의 외부 온도 제어 장치를 제어할 수 있다. 외부 온도 제어 장치는 대상자가 위치한 공간의 온도를 제어하는 공조 장치, 냉난방 장치 뿐만 아니라 대상자가 개인의 신체 국부를 냉각 또는 가열하는 개인화된 장치(예를 들면, 선풍기, 목걸이형 선풍기, 개인 온풍기, 개별 냉난방 장치 등)를 포함한다.

이로써, 특정 공간의 공기 온도 또는 냉온에 민감한 신체 일부 피부온도에 영향을 미치는 외부 온도 제어장치 각각의 대상자가 느끼는 주관적인 냉온감에 따라 제어될 수 있게 되어 해당 공간에 위치한 대상자가 느끼는 냉온감을 만족시킬 수 있게 된다.

다른 실시예로서, 다수의 대상자로부터 측정한 배출호흡온도에 기반하여 학습 모델을 훈련시킨 경우, 훈련된 학습 모델을 개인 단말에 다운로드 하고 대상자로부터 미리 설정된 단계(표 1 참고)로 구분된 냉온감 정도를 피드백 받아 학습 모델의 웨이팅 팩터 또는 트리로 분기되는 기준값을 변경할 수 있다. 이와 다르게 분류 모델의 입력에 적합하도록 개인화 과정을 통해 개인화 보정 지수를 설정한 후, 대상자의 배출호흡온도에 개인화 보정 지수를 반영한 결과 값을 학습 모델에 입력할 수도 있다.

도 8 및 도 9은 본 개시의 일 실시 예에 따른 냉온감 추정 방법을 도시한 흐름도이다.

도 8을 참고하면, 본 개시의 일 실시 예에 따른 냉온감 추정 방법은 호흡이 이루어지는 신체에 착용되거나 호흡을 감지할 수 있는 냉온감 추정 장치(100)를 통해 호흡이 이루어지는 대상자의 날숨에 기초한 배출호흡온도를 측정하고(S110), 측정한 배출호흡온도를 머신 러닝 기반의 학습 모델에 입력하여 대상자의 냉온감을 추정할 수 있다(S120).

일 실시 예에서 대상자가 뱉은 날숨에 기초하여 배출호흡온도에 대한 대상자의 냉온감 정도를 출력할 수 있도록 개인별로 냉온감 정도에 대한 학습 데이터를 생성하고, 생성된 학습 데이터로 학습 모델을 훈련할 수 있다.

도 9를 참고하면, 대상자의 냉온감 정도를 출력할 때(S120), 학습 모델에서 출력한 값을 기 설정된 냉온감 리스트와 비교할 수 있다(S122). 냉온감 리스트는, 대상자가 느끼는 냉온감 정도의 수치적 값을 대응되는 클래스(레벨)로 구분한 것이다(표 1 참고).

일 실시 예에서 학습 모델에서 출력한 값에 대응되는 냉온감 레벨(클래스)을 출력할 수 있다(S124). 출력된 냉온감 레벨 또는 출력값을 기초로 주변 환경 온도를 제어할 수 있는 정보를 생성하여 외부의 냉난방 장치또는 대상자의 신체 국부를 냉각 또는 가열하는 외부 온도 제어 장치로 송신할 수 있다(S126).

이와 같이, 온도 변화에 따라 개인이 느끼는 냉온감 정도를 입력 받아 개인의 날숨 온도에 레이블링하여 학습 데이터로 생성한 뒤, 생성된 학습 데이터로 훈련된 냉온감 추정 모델에 대상자의 측정된 호흡배출온도를 입력하여 대상자의 냉온감 정도를 추정할 수 있도록 한다. 따라서, 개인별로 정확하게 냉온감 정도를 추정할 수 있다.

대상자의 냉온감 정도에 따라 대상자가 위치한 환경의 온도를 제어하는 외부의 냉난방 장치 또는 대상자의 신체 국부를 냉각 또는 가열하는 외부 온도 제어 장치를 제어하는 신호가 생성될 수 있다.

나아가 대상자의 배출호흡온도 데이터에서 대상자의 호흡수를 측정하여 대상자의 건강상태를 추정할 수도 있다.

이상 설명된 본 개시의 실시 예에 대한 설명은 예시를 위한 것이며, 본 개시가 속하는 기술분야의 통상의 지식을 가진 자는 본 개시의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.

본 개시의 범위는 상기 상세한 설명보다는 후술하는 청구범위에 의하여 나타내어지며, 청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 개시의 범위에 포함되는 것으로 해석되어야 한다.

Claims

각 단계의 적어도 일부가 프로세서에 의해 수행되고, 호흡에 기초하여 대상자의 냉온감을 추정하는 방법으로서,
기 설정된 간격마다 센서를 통해 대상자의 날숨에 기초한 배출호흡온도를 측정하는 단계; 및
냉온감 정도를 출력하도록 훈련된 머신 러닝 기반의 냉온감 추정 모델에 상기 배출호흡온도를 입력하여 상기 대상자의 냉온감 정도를 출력하는 단계를 포함하는,
냉온감 추정 방법.
제1항에 있어서,
상기 배출호흡온도는 상기 대상자의 날숨에 기초하여 측정한 제1 온도에서 오프셋 값을 감산한 온도이고, 상기 오프셋 값은 상기 대상자의 날숨에 기초하여 측정한 온도를 미리 설정한 시간 동안 평균한 값인,
냉온감 추정 방법.
제1항에 있어서,
상기 냉온감 추정 모델은 상기 대상자의 날숨 온도가 상기 대상자가 입력한 냉온감 정도로 레이블링된 훈련 데이터로 훈련된,
냉온감 추정 방법.
제3항에 있어서,
상기 냉온감 추정 모델을 훈련하기 위한 상기 훈련 데이터를 생성하는 단계를 포함하고,
상기 훈련 데이터를 생성하는 단계는,
상기 대상자의 날숨에 기초한 상기 대상자의 배출호흡온도를 제1 시간 간격으로 수집한 후 제2 시간 간격으로 평균화하는 단계; 및
상기 대상자로부터 제3 시간 간격으로 수집한 냉온감 정도를 제4 시간 간격으로 보간하는 단계를 포함하는,
냉온감 추정 방법.
제1항에 있어서,
상기 냉온감 정도를 출력하는 단계는,
상기 냉온감 추정 모델을 기초로 기 설정되어 냉온감 정도를 구분하는 리스트 중에서 상기 대상자가 느끼는 냉온감 정도에 대응하는 어느 하나의 레벨을 출력하는 단계를 포함하는,
냉온감 추정 방법.
제1항에 있어서,
상기 냉온감 추정 모델은 랜덤 포레스트 모델에 기반하고, 상기 배출호흡온도가 상기 냉온감 추정 모델에 포함된 복수의 트리(tree)에 입력되어 각 트리로부터 획득된 값들 중 최대 빈도값(Majority-Voting)을 출력하도록 훈련된,
냉온감 추정 방법.
제1항에 있어서,
상기 냉온감 추정 모델은 대상자 별로 각각 개인화되어 생성된 머신 러닝 기반의 학습 모델인,
냉온감 추정 방법.
제1항에 있어서,
상기 배출호흡온도의 변화에 기반하여 상기 대상자의 호흡수를 결정하는 단계를 더 포함하는,
냉온감 추정 방법.
제8항에 있어서,
상기 대상자의 호흡수를 결정하는 단계는,
상기 배출호흡온도의 변화를 기 설정된 시간 동안 측정하는 단계; 및
기 설정된 시간 동안 측정된 상기 배출호흡온도의 변화 중 피크 개수에 기반하여 상기 대상자의 호흡수를 결정하는 단계를 더 포함하는,
냉온감 추정 방법.
제1항에 있어서,
상기 대상자의 냉온감 정도를 출력하는 단계 이후에,
상기 냉온감 추정 모델이 출력한 상기 대상자의 냉온감 정도에 기반하여 외부 온도 제어 장치로 온도 제어 신호를 전송하는 단계를 더 포함하는,
냉온감 추정 방법.
호흡에 기초하여 대상자의 냉온감을 추정하는 장치로서,
프로세서; 및
상기 프로세서와 전기적으로 연결되고, 상기 프로세서에서 수행되는 적어도 하나의 코드(code)가 저장되는 메모리를 포함하고,
상기 메모리는 상기 프로세서를 통해 실행될 때 상기 프로세서가
냉온감 정도를 출력하도록 훈련된 머신 러닝 기반의 냉온감 추정 모델을 기반으로 기 설정된 간격마다 센서를 통해 대상자의 날숨에 기초하여 측정된 배출호흡온도를 상기 냉온감 추정 모델에 입력하여 상기 대상자의 냉온감 정도를 출력하도록 야기하는 코드들을 저장하는,
냉온감 추정 장치.
제11항에 있어서,
상기 배출호흡온도는 상기 대상자의 날숨에 기초하여 측정한 제1 온도에서 오프셋 값을 감산한 온도이고, 상기 오프셋 값은 상기 대상자의 날숨에 기초하여 측정한 온도를 미리 설정한 시간 동안 평균한 값인,
냉온감 추정 장치.
제11항에 있어서,
상기 메모리는 상기 프로세서가,
상기 냉온감 추정 모델을 기초로 기 설정되어 냉온감 정도를 구분하는 리스트 중에서 상기 대상자가 느끼는 냉온감 정도에 대응하는 어느 하나의 레벨을 출력하도록 야기하는 코드들을 더 저장하는,
냉온감 추정 장치.
제11항에 있어서,
상기 냉온감 추정 모델은
상기 대상자의 배출호흡온도를 상기 대상자로부터 입력 받은 냉온감으로 레이블링(labeling) 한 훈련 데이터로 훈련된,
냉온감 추정 장치.
제14항에 있어서,
상기 훈련 데이터는, 상기 대상자의 날숨에 기초한 상기 대상자의 배출호흡온도가 제1 시간 간격으로 수집된 후 제2 시간 간격으로 평균화된 값인,
냉온감 추정 장치.
제11항에 있어서,
상기 냉온감 추정 모델은 랜덤 포레스트 모델에 기반하고, 상기 배출호흡온도가 상기 냉온감 추정 모델에 포함된 복수의 트리(tree)에 입력되어 각 트리로부터 획득된 값들 중 최대 빈도값(Majority-Voting)을 출력하도록 훈련된,
냉온감 추정 장치.