KR20230021716A - 생체 데이터를 사용하여 제품 추천들을 생성하기 위한 시스템 - Google Patents

생체 데이터를 사용하여 제품 추천들을 생성하기 위한 시스템 Download PDF

Info

Publication number
KR20230021716A
KR20230021716A KR1020237000518A KR20237000518A KR20230021716A KR 20230021716 A KR20230021716 A KR 20230021716A KR 1020237000518 A KR1020237000518 A KR 1020237000518A KR 20237000518 A KR20237000518 A KR 20237000518A KR 20230021716 A KR20230021716 A KR 20230021716A
Authority
KR
South Korea
Prior art keywords
subject
product
fragrance
data
eeg
Prior art date
Application number
KR1020237000518A
Other languages
English (en)
Inventor
프레드 오르시타
제니퍼 리
쉘비 스튜어트
Original Assignee
로레알
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
Priority claimed from FR2009180A external-priority patent/FR3113972A1/fr
Application filed by 로레알 filed Critical 로레알
Publication of KR20230021716A publication Critical patent/KR20230021716A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/06—Buying, selling or leasing transactions
    • G06Q30/0601—Electronic shopping [e-shopping]
    • G06Q30/0631—Item recommendations
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/377—Electroencephalography [EEG] using evoked responses
    • A61B5/381—Olfactory or gustatory stimuli
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/369—Electroencephalography [EEG]
    • A61B5/384—Recording apparatus or displays specially adapted therefor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
    • A61B5/6898—Portable consumer electronic devices, e.g. music players, telephones, tablet computers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q30/00—Commerce
    • G06Q30/02—Marketing; Price estimation or determination; Fundraising
    • G06Q30/0241—Advertisements
    • G06Q30/0251—Targeted advertisements
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2503/00—Evaluating a particular growth phase or type of persons or animals
    • A61B2503/12—Healthy persons not otherwise provided for, e.g. subjects of a marketing survey

Landscapes

  • Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Accounting & Taxation (AREA)
  • Finance (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Development Economics (AREA)
  • General Business, Economics & Management (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Psychology (AREA)
  • Psychiatry (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Game Theory and Decision Science (AREA)
  • Multimedia (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

제품 선호도들 및/또는 제품 추천들을 용이하게 하기 위한 시스템들 및 방법들이 개시된다. 제품 선호도들 및/또는 제품 추천들을 결정하기 위해, 서브젝트의 생체 데이터가 시스템들 및 방법들에 의해 고려된다. 서브젝트의 다른 요소들도, 선택 사항이지만, 서브젝트를 위해 제품 선호도들 및/또는 제품 추천들을 결정하는 동안 고려될 수 있다. 이러한 제품 선호도들 또는 추천들은 디스플레이 디바이스를 통해 자동으로 또는 제품 컨설턴트의 도움을 받아 서브젝트에게 제시될 수 있다. 생체 데이터를 획득하기 위해, 서브젝트가 향기/냄새 자극들과 같은 여러 자극들에 노출될 것이다. 그런 다음, 생체 데이터가 이 향기/냄새 자극들에 대한 반응에 기반하여 서브젝트로부터 수집될 것이다. 일부 예들에서, 수집된 생체 데이터는 서브젝트의 사건-관련 전위(event-related potential; ERP) - 특정 감각, 인지, 또는 운동 사건의 직접적인 결과인 측정된 뇌 반응과 관련이 있다.

Description

생체 데이터를 사용하여 제품 추천들을 생성하기 위한 시스템
본 출원은, 그 내용 전체가 참조로서 여기에 포함되는, 2020년 6월 30일자로 출원된 미국 임시 출원 제63/046440호, 2020년 8월 13일자로 출원된 미국 임시 출원 제63/065220호, 및 2020년 9월 10일자로 출원된 프랑스 출원 제2009180호의 이익을 주장한다.
본 개시들의 실시예들은 일반적으로 제품 추천들 및/또는 선택의 보조 수단으로서의 생체 데이터(biometric data)의 사용에 관한 것이다. 일부 실시예들에서, 생체 데이터는 사용자의 제품 선호도들을 결정하기 위해 이용된다. 이러한 실시예들 중 일부에서, 제품 선호도들은 제품 추천들 및/또는 선택에 도움이 되도록 사용된다.
제품 선호도들 및/또는 제품 추천들을 용이하게 하기 위한 시스템들 및 방법들이 여기에 개시된다. 후술되는 실시예들에서, 제품 선호도들 및/또는 제품 추천들을 결정하기 위해, 서브젝트(subject)의 생체 데이터(biometric data)가 시스템들 및 방법들에 의해 고려된다. 일부 실시예들에서, 서브젝트의 다른 요소들도, 선택 사항이지만, 서브젝트를 위해 제품 선호도들 및/또는 제품 추천들을 결정하는 동안 고려될 수 있다. 이러한 제품 선호도들 또는 추천들은 디스플레이 디바이스를 통해 자동으로 또는 제품 컨설턴트의 도움을 받아 서브젝트에게 제시될 수 있다.
일부 실시예들에서, 생체 데이터를 획득하기 위해, 서브젝트가 향기(fragrance)/냄새(scent) 자극들과 같은 여러 자극들에 노출될 것이다. 그런 다음, 생체 데이터가 이 향기/냄새 자극들에 대한 반응에 기반하여 서브젝트로부터 수집될 것이다. 일부 실시예들에서, 수집된 생체 데이터는 서브젝트의 사건-관련 전위(event-related potential; ERP) - 특정 감각, 인지, 또는 운동 이벤트(motor event)의 직접적인 결과인 측정된 뇌 반응과 관련이 있다.
예를 들어, 일부 실시예들에서, 시스템들 및 방법들은 후각 자극에 대한 반응에 기반하여 사건-관련 전위를 검출한다. 이와 관련하여, 시스템들 및 방법들은 후각 자극과 연관된 실시간 인지 과정(cognitive process)을 검출하거나, 하나 이상의 향기 어코드들(fragrance accords)에 대한 반응과 연관된 실시간 사건-관련 전위를 검출하거나, 후각 자극에 대한 반응을 나타내는 전압 변동들(voltage fluctuations)을 검출하거나, 또는 후각 자극에 대한 반응에 기반하여 시냅스후 전위(postsynaptic potential)를 검출한다.
본 개시의 일 양태에 따르면, 일 실시예에서, 후각 자극에 대한 반응에 기반하여 서브젝트의 사건-관련 전위를 감지하도록 구성되는 복수의 센서들, 및 서브젝트의 사건-관련 전위를 EEG 신호들로 수신하고, EEG 신호들을 처리하여 EEG 데이터를 생성하고, 적어도 상기 EEG 데이터에 기반하여 제품 추천을 생성하도록 구성되는 하나 이상의 엔진들을 포함하는 시스템이 제공된다.
일부 실시예들에서, 하나 이상의 엔진들은 모바일 컴퓨팅 디바이스(mobile computing device)에 수용된다.
일부 실시예들에서, 생성된 EEG 데이터는 이미지로 표현된다.
일부 실시예들에서, 이미지는 뇌전도(electroencephalograph; EEG) 이미지 또는 뇌 활동 지도(brain activity map)를 포함한다.
일부 실시예들에서, 하나 이상의 엔진들은 EEG 데이터에 기반하여 후각 자극의 선호 특성 파라미터들(preferred characteristic parameters)을 생성하고, 선호 특성 파라미터들에 기반하여 제품 추천을 생성하도록 더 구성된다.
일부 실시예들에서, 하나 이상의 엔진들은 생성된 선호 특성 파라미터들을 나타내는 데이터를 하나 이상의 엔진들에 의해 액세스 가능한 제품 데이터와 비교함으로써, 제품 추천을 결정하도록 구성된다.
일부 실시예들에서, 후각 자극은 향기이고, 생성된 선호 특성 파라미터들을 나타내는 데이터는 향기 프로파일(fragrance profile)을 포함한다.
일부 실시예들에서, 향기 프로파일은 제품 추천으로서 서브젝트에게 제시된다.
일부 실시예들에서, 생성된 선호 특성 파라미터들은 향기의 노트들(notes)을 나타낸다. 일부 실시예들에서, 제품 추천은 향기 프로파일을 향기들의 세트를 각각 나타내는 향기 프로파일들의 세트와 비교함으로써, 생성되고, 향기 프로파일들의 세트는 하나 이상의 엔진들에 의해 액세스 가능하다.
일부 실시예들에서, 하나 이상의 엔진들은 후각 자극과 연관된 실시간 인지 과정을 검출하거나; 하나 이상의 향기 어코드들에 대한 반응과 연관된 실시간 사건-관련 전위를 검출하거나; 후각 자극에 대한 반응을 나타내는 전압 변동들을 검출하거나; 또는 후각 자극에 대한 반응에 기반하여 시냅스후 전위를 검출하도록 구성되는 처리 회로를 포함한다.
일부 실시예들에서, 복수의 센서들 및/또는 하나 이상의 엔진들은, 후각 자극과 연관된 실시간 인지 과정을 검출하도록 구성되는 처리 회로; 하나 이상의 향기 어코드들에 대한 반응과 연관된 실시간 사건-관련 전위를 검출하도록 구성되는 처리 회로; 후각 자극에 대한 반응에 기반하여 시냅스후 전위를 검출하도록 구성되는 처리 회로; 또는 후각 자극에 대한 반응을 나타내는 전압 변동들을 검출하도록 구성되는 처리 회로 중 하나를 포함하는 냄새 반응 유닛을 형성한다.
일부 실시예들에서, 후각 자극은 냄새를 포함한다. 이러한 실시예들 중 일부에서, 하나 이상의 엔진들은 다음 중 하나를 포함하는 향수(perfume) 선택 유닛을 형성한다: 뇌파(electroencephalogram)와 연관된 적어도 하나의 입력에 기반하여 향기 서브세트의 하나 이상의 가상 인스턴스들을 생성하도록 구성되는 처리 회로; 만족도 점수(desirability score)의 정도 또는 호감도 정도(likeability measure)의 하나 이상의 인스턴스들을 생성하도록 구성되는 처리 회로; 냄새 강도의 하나 이상의 인스턴스들을 생성하도록 구성되는 처리 회로; 방향족 화합물 협력(aromatic compound concertation)의 하나 이상의 인스턴스들을 생성하도록 구성되는 처리 회로; 또는 향기 조성물(fragrance composition)의 베이스(base) 노트들, 탑(top) 노트들 또는 미들(middle) 노트들의 하나 이상의 인스턴스들을 생성하도록 구성되는 처리 회로.
본 개시의 다른 양태에 따르면, 냄새 반응 유닛 및 향수 선택 유닛을 포함하는 시스템이 제공된다. 일부 실시예들에서, 냄새 반응 유닛은 후각 자극에 대한 반응에 기반하여 사건-관련 전위를 검출하도록 구성되는, 처리 회로와 같은, 회로를 포함한다. 일부 실시예들에서, 향수 선택 유닛은 사건-관련 전위와 연관된 적어도 하나의 입력에 기반하여 향기 서브세트의 하나 이상의 가상 인스턴스들을 생성하도록 구성되는, 처리 회로와 같은, 회로를 포함한다.
일부 실시예들에서, 냄새 반응 유닛은, 후각 자극과 연관된 실시간 인지 과정을 검출하도록 구성되는 처리 회로; 하나 이상의 향기 어코드들에 대한 반응과 연관된 실시간 사건-관련 전위를 검출하도록 구성되는 처리 회로; 후각 자극에 대한 반응에 기반하여 시냅스후 전위를 검출하도록 구성되는 처리 회로; 또는 후각 자극에 대한 반응을 나타내는 전압 변동들을 검출하도록 구성되는 처리 회로 중 하나를 포함한다.
일부 실시예들에서, 향수 선택 유닛은, 뇌파와 연관된 적어도 하나의 입력에 기반하여 향기 서브세트의 하나 이상의 가상 인스턴스들을 생성하도록 구성되는 처리 회로; 만족도 점수의 정도 또는 호감도 정도의 하나 이상의 인스턴스들을 생성하도록 구성되는 처리 회로; 냄새 강도의 하나 이상의 인스턴스들을 생성하도록 구성되는 처리 회로; 방향족 화합물 협력의 하나 이상의 인스턴스들을 생성하도록 구성되는 처리 회로; 또는 향기 조성물의 베이스 노트들, 탑 노트들 또는 미들 노트들의 하나 이상의 인스턴스들을 생성하도록 구성되는 처리 회로 중 하나를 더 포함한다.
본 개시의 다른 양태에 따르면, 서브젝트에게 제품을 추천하기 위한 방법이 제공된다. 일 실시예에서, 방법은 후각 자극에 대한 노출에 기반하여 서브젝트의 생체 데이터를 획득하는 단계, 생체 데이터를 분석하는 단계, 및 적어도 분석된 생체 데이터에 기반하여 서브젝트에게 제품을 추천하는 단계를 포함한다.
일부 실시예들에서, 분석된 생체 데이터에 기반하여 서브젝트에게 제품을 추천하는 단계는 서브젝트에게 향기 이름을 제시하는 단계, 또는 서브젝트에게 향기 프로파일을 제시하는 단계를 포함한다.
일부 실시예들에서, 방법은 제품의 특성 파라미터에 대한 선호도를 나타내는 서브젝트의 설문 데이터(questionnaire data)를 획득하는 단계를 더 포함한다. 일부 실시예들에서, 서브젝트에게 제품을 추천하는 단계는 분석된 생체 데이터 및 설문 데이터를 기반으로 한다.
일부 실시예들에서, 후각 자극은 냄새이고, 제품은 향수이고, 생체 데이터는 EEG 데이터를 나타낸다.
일부 실시예들에서, 제품을 추천하는 단계는 EEG 데이터에 기반하여 향기 프로파일을 생성하는 단계, 및 서브젝트에게 향기 프로파일을 제시하는 단계를 포함한다.
일부 실시예들에서, 제품을 추천하는 단계는 EEG 데이터에 기반하여 향기 프로파일을 생성하는 단계, 향기 프로파일을 향기들의 세트를 각각 나타내는 향기 프로파일들의 세트와 비교하여, 생성된 향기 프로파일과 가장 유사한 향기 프로파일을 갖는 향기들의 세트로부터의 향기를 선택하는 단계, 및 서브젝트에게 선택된 향기를 제시하는 단계를 포함한다.
일부 실시예들에서, 자극에 대한 노출에 기반하여 서브젝트의 생체 데이터를 획득하는 단계는 서브젝트의 전방 좌측(F7) 엽(lobe) 및 전방 우측(F8) 엽과 연관된 적어도 두 개의 EEG 전극들로부터 생체 데이터를 획득하는 단계를 포함한다.
이 항목은 하기 상세한 설명에서 더 설명되는 단순화된 형태로 선택되는 개념들을 소개하기 위해 제공된다. 이 항목은 청구되는 주제의 주요 특징들을 식별하기 위한 것이 아니며, 청구되는 주제의 범위를 결정하는 데 도움을 주기 위한 것도 아니다.
개시된 주제의 전술한 양태들 및 많은 부수적인 이점들은 첨부된 도면들과 관련하여 취해질 때, 하기 상세한 설명을 참조하여 동일하게 더 잘 이해됨에 따라 더 쉽게 인식될 것이다.
도 1은 본 개시의 일 양태에 따른 서브젝트에 대해 향기와 같은 제품 추천들을 생성하고 제공하기 위한 시스템의 비제한적인 예를 도시하는 개략도이다;
도 2는 도 1의 시스템에서 사용하기에 적합한 헤드셋(headset)의 일 예를 도시한다;
도 3은 도 1의 시스템에서 사용하기 적합한 모바일 컴퓨팅 디바이스의 비제한적인 예를 도시하는 블록도이다;
도 4는 도 1의 시스템에서 사용하기에 적합한 서버 컴퓨팅 디바이스의 비제한적인 예를 도시하는 블록도이다;
도 5는 본 개시의 실시예들이 있는 컴퓨팅 디바이스로서 사용하기에 적합한 컴퓨팅 디바이스의 비제한적인 예를 도시하는 블록도이다;
도 6은 본 개시의 일 양태에 따른 서브젝트에 대해 제품 추천들을 생성하고 제공하는 방법의 비제한적인 예를 도시하는 흐름도이다;
도 7은 본 개시의 일 양태에 따른 서브젝트에 대해 제품 추천들을 생성하고 제공하는 방법의 다른 비제한적인 예를 도시하는 흐름도이다;
도 8은 향기 휠(fragrance wheel)의 일 예이다;
도 9는 본 개시에 따라 수집된 EEG 신호들을 처리한 결과로서 생성되는 뇌전도의 일 예이다;
도 10은 본 개시에 따라 수집된 EEG 신호들을 처리한 결과로서 생성되는 뇌 활동 지도의 일 예이다;
도 11은 본 개시의 일 양태에 따른 시스템에 의해 생성되어 서브젝트에게 제시되는 노트 다이어그램의 일 예이다;
도 12는 본 개시의 양태들에 따른 EEG 전극 배치도의 일 예이다; 그리고
도 13은 사용자 인터페이스 엔진에 의해 생성되어 서브젝트에게 제시되는, 하나 이상의 씬들(scenes)을 묘사하는, 질문의 일 예를 도시한다.
화장품들에 대한 추천들을 제공하기 위해, 대부분의 기존의 기술들은 서브젝트의 제품 선호도들을 직접 식별하려고 시도할 뿐이다. 일부 기술들은 냄새, 색상, 마감(finish), 느낌 등과 같은 제품의 특성에 대해 서브젝트가 진술한 선호도들에 기반하여 서브젝트의 제품 선호도들을 결정하려고 시도할 수 있다. 그러나, 이 기술은 적어도 명시적으로 진술된 서브젝트 선호도들만이 고려되기 때문에, 차선의 추천들을 생성한다. 명시적으로 진술된 서브젝트 선호도들이 있는 경우에도, 다른 요소들(예: 신체적 반응들(잠재의식 또는 의식), 성격적 특성들(personality traits) 등)도 주어진 서브젝트가 선호할 제품들에 영향을 미칠 수 있다.
이와 관련하여, 본 개시의 일부 실시예들에서, 제품 선호도들 및/또는 제품 추천들을 결정하는 동안, 서브젝트의 생체 데이터가 고려된다. 다른 실시예들에서, 서브젝트의 다른 요소들도, 선택 사항이지만, 서브젝트를 위해 제품 선호도들 및/또는 제품 추천들을 결정하는 동안 고려될 수 있다. 그런 다음, 이러한 제품 선호도들 또는 추천들은 디스플레이 디바이스를 통해 자동으로 또는 제품 컨설턴트의 도움을 받아 서브젝트에게 제시된다.
본 개시의 전반에 걸쳐 기술되는 예들은 향수 또는 코롱(cologne)과 같은 향기에 대한 추천들에 관한 것이다. 본 개시의 기술들 및 방법론들은 제품 유형들을 초월하며, 따라서, 향기들 이외의 제품들에 대해 서브젝트에게 추천들을 제공하는 데 사용될 수 있음이 이해될 것이다.
후술되는 예들에서, 서브젝트는 향기/냄새 자극들과 같은 여러 자극들에 노출될 것이다. 그런 다음, 이 향기/냄새 자극들에 대한 반응에 기반하여, 생체 데이터가 서브젝트로부터 수집될 것이다. 일부 실시예들에서, 수집된 생체 데이터는 서브젝트의 사건-관련 전위(ERP) - 특정 감각, 인지, 또는 운동 이벤트의 직접적인 결과인 측정된 뇌 반응과 관련이 있다. 이 생체 데이터를 이용하여, 컴퓨터-기반 시스템은, 예를 들어, 특정 향기를 추천하거나, 예컨대, 기술자 또는 향기 컨설턴트의 도움을 받아 추천이 이루어질 수 있는 향기 프로파일을 개발할 것이다. 다른 실시예들에서, 컴퓨터-기반 시스템은 서브젝트에게 제품 추천을 제시하기 위해, 설문지로부터 획득되는 데이터, 서브젝트의 과거 구매 데이터 등과 같은 선택적 데이터와 함께 생체 데이터를 사용할 것이다.
여기에 기술되는 일부 실시예들에서, 서브젝트에게 제시되는 향기들/냄새들은 두 개 이상의 어코드 노트들을 포함할 수 있다. 일반적으로, 어코드는 별개의 향기를 형성하기 위해 혼합되는 몇 가지 향수 노트들, 성분들 등으로 이루어지는 냄새이다. 예를 들어, 어코드는 일반적으로 다수의 노트들을 포함한다. 노트들은 감지될 수 있는 냄새들의 디스크립터들(descriptors)이며, 베이스 노트들, 미들 또는 하트(heart) 노트들, 및 탑 또는 헤드(head) 노트들을 포함한다. 이러한 냄새 디스크립터들 또는 노트들은 잘 알려져 있으며, 향기의 냄새 특징(odor character)(예: 특성 파라미터)를 설명하는 데 널리 사용된다.
노트들은 일반적으로 향기 계열들로부터 선택된다. 일반적으로, 향기 계열들은 향기 휠에 의해 시각적으로 제시될 수 있다. 향기 휠의 일 예가 도 8에 도시되어 있다. 향기 휠은 후각 그룹들의 냄새의 유사점들과 차이점들에 기반하여 후각 그룹들 사이의 추론된 관계들을 보여주는 원형 다이어그램이다. 서로 경계를 이루는 그룹들은 공통된 후각 특성들을 공유하는 것으로 암시된다. 향기 휠들은 양조학 및 향수 제조(perfumery)에서 분류 도구로서 자주 사용된다.
이제, 도 1을 참조하면, 본 개시의 일 양태에 따른 시스템(100)의 비제한적인 예를 도시하는 개략도가 도시되어 있다. 도시된 시스템에서, 서브젝트(102)의 뇌의 전기적 활동이 EEG 신호들의 형태로, 향기와 같은 자극에 대한 서브젝트의 노출에 응답하여, EEG 센서들과 같은 물리적 수집 디바이스들(106)을 사용하여 측정된다. 도시된 바와 같이, 복수의 물리적 수집 디바이스들(106)이 서브젝트의 뇌의 전기적 활동을 측정하기 위해, 예를 들어, 적합한 헤드셋(114)을 통해, 서브젝트의 뇌의 다양한 영역들에 배치된다. 일부 실시예들에서, 보다 상세하게 후술되는 바와 같이, 예를 들어, 자극/이완 및/또는 접근/회피와 연관된 뇌의 영역들이 측정된다. 뇌의 다른 영역들은 EEG 센서 데이터를 수집하기 위해 추가적으로 또는 대안적으로 측정될 수 있다.
여전히 도 1을 참조하면, 모바일 컴퓨팅 디바이스(104)는 물리적 수집 디바이스들(106)에 의해 생성되는 EEG 신호들을 수집하기 위해 유선 또는 무선 방식으로 물리적 수집 디바이스들(106)에 결합된다. 일부 실시예들에서, 모바일 컴퓨팅 디바이스(104)는 수집된 신호들을 처리하는 데 사용되며, 처리된 신호들에 기반하여, 서브젝트(102)에게 제시될 제품 추천을 결정한다. 다른 실시예들에서, 모바일 컴퓨팅 디바이스(104)는 처리된 신호들에 기반하여 향기 프로파일을 개발하며, 이로부터, 예컨대, 기술자 또는 향기 컨설턴트의 도움을 받아 추천이 이루어질 수 있다.
일 실시예에서, 수집된 EEG 신호들을 처리하는 것은 도 9에 도시된 예와 같은 뇌전도를 생성하는 것을 포함한다. 다른 실시예들에서, 수집된 EEG 신호들을 처리하는 것은 도 10에 도시된 예와 같은 뇌 활동 지도를 생성하는 것을 포함한다. 그런 다음, 뇌전도 및/또는 뇌 지도는 모바일 컴퓨팅 디바이스(104)에 의해 서브젝트를 위한 제품을 추천하거나 제품 선택에서 서브젝트를 도울 수 있는 향기 프로파일을 제시하기 위해 사용될 수 있다. 물론, 모바일 컴퓨팅 디바이스(104)는 서브젝트에게 제품 추천을 제공하기 위해, 비-그래픽 처리 기술들을 통한 것을 포함하는, 다른 방식들로 수집된 EEG 신호들을 이용할 수 있다.
모바일 컴퓨팅 디바이스(104)는 네트워크(110)를 통해 선택적 서버 컴퓨팅 디바이스(108)에 EEG 데이터로서 EEG 신호들(처리되거나 처리되지 않음)을 전송할 수 있다. 일부 실시예들에서, 네트워크(110)는 임의의 적합한 무선 통신 기술(와이파이(Wi-Fi), 와이맥스(WiMAX), 블루투스, 2G, 3G, 4G, 5G, 및 LTE를 포함하지만 이에 국한되지 않음), 유선 통신 기술(이더넷(Ethernet), USB, 및 파이어와이어(FierWire)를 포함하지만 이에 국한되지 않음), 또는 이들의 조합들을 포함할 수 있다.
모바일 컴퓨팅 디바이스(104)로부터 수신되는 EEG 데이터를 이용하여, 서버 컴퓨팅 디바이스(108)는 서브젝트(102)에게 제시될 제품 추천으로 모바일 컴퓨팅 디바이스(104)에 다시 응답할 수 있다. 다른 실시예들에서, 서버 컴퓨팅 디바이스(108)는 EEG 데이터로부터 향기 프로파일을 개발할 수 있다. 그런 다음, 향기 프로파일은 모바일 컴퓨팅 디바이스(104)로 전송될 수 있다. 모바일 컴퓨팅 디바이스(104)에 의해 수신되면, 예컨대, 기술자 또는 향기 컨설턴트의 도움을 받아 추천이 이루어질 수 있다. 물론, 일부 실시예들에서, 서버 컴퓨팅 디바이스(108)는 네트워크(110)를 통해 클라우드 기반 컴퓨터 처리 시스템(도시되지 않음)에 액세스하여, 그의 처리, 분석, 생성 등의 능력들을 강화할 수 있다.
일부 실시예들에서, 서버 컴퓨팅 디바이스(108)는 EEG 데이터를 처리하고 뇌전도 및/또는 뇌 지도를 생성한다. 그런 다음, 뇌전도 및/또는 뇌 지도는 서버 컴퓨팅 디바이스(108)에 의해 서브젝트(102)에게 제시를 위해 모바일 컴퓨팅 디바이스(104)로 제품 추천을 제공하는 데 사용될 수 있다. 대안적으로, 생성된 뇌전도 및/또는 뇌 지도 데이터는 서브젝트(102)에게 제품 추천을 제공하기 위한 모바일 컴퓨팅 디바이스(104)에 의한 사용을 위해 모바일 컴퓨팅 디바이스로 전송된다.
일부 실시예들에서, 모바일 컴퓨팅 디바이스(104)는 또한 서브젝트(102)에게 선택적 설문지를 제시하는 데 사용될 수 있다. 설문지는 서브젝트(102)의 선호도들이 결정되게 하는 질문들을 포함할 수 있다. 일부 실시예들에서, 설문지는 또한 적어도 하나의 성격적 특성이 결정되게 할 수 있다. 예를 들어, 일부 실시예들에서, 성격적 특성은 하나 이상의 향기 선호도들 등과 상관될 수 있다.
일부 실시예들에서, 설문지는 서브젝트(102)에게 제시를 위해 선택적 서버 컴퓨팅 시스템(108)에 의해 모바일 컴퓨팅 디바이스(104)에 제공될 수 있다. 다른 실시예들에서, 모바일 컴퓨팅 디바이스(104)는 설문지를 생성하고 서브젝트에게 설문지를 제시할 수 있다.
일부 실시예들에서, 설문지에 대한 응답들은 모바일 컴퓨팅 디바이스(104)에 의해 국지적으로 수신되고 처리된다. 다른 실시예들에서, 모바일 컴퓨팅 디바이스(104)에 의해 수신되는 응답들은 처리를 위해 선택적 서버 컴퓨팅 시스템(108)으로 전송된다. 물론, 일부 실시예들에서, 서버 컴퓨팅 디바이스(108)는 네트워크(110)를 통해 클라우드 기반 컴퓨팅 처리 시스템(도시되지 않음)에 액세스하여, 그의 처리 능력들을 강화시킬 수 있다.
어쨌든, 설문지에 대한 처리된 응답들은, 예를 들어, 제품 추천을 제공하기 위해 서브젝트로부터 수집되는 EEG 신호들과 함께 모바일 컴퓨팅 디바이스(104) 또는 서버 컴퓨팅 디바이스(108)에 의해 사용될 수 있다.
일부 실시예들에서, 제품 추천은 편리하고 간단한 형식으로 서브젝트(102)에게 제공될 수 있다. 예를 들어, 제품 추천은, 예를 들어, 트레이드 윈즈(Trade Winds)와 같은 상표명으로 식별되는 특정 향기일 수 있다. 냄새 선호도들, 성격적 특성, 이전 향기 구매들 등과 같은, 서브젝트(102)에 대한 다른 정보도 서브젝트에게 제시될 수 있다. 추가적으로 또는 대안적으로, 제품 추천은 향기 프로파일의 형태를 취할 수 있다. 향기 프로파일은 단어-기반 디스크립션(word-based description)으로 제시되거나 노트 다이어그램으로 시각적으로 묘사될 수 있다. 시스템(100)에 의해 생성되어 서브젝트(102)에게 제시되는 노트 다이어그램의 한 예가 도 11에 도시되어 있다. 단어-기반 디스크립션 또는 노트 다이어그램을 이용하여, 서브젝트가 즐길 가능성이 높은 향기가 독립적으로 또는 향기 컨설턴트의 도움을 받아 선택될 수 있다.
도 2는 본 개시의 일 양태에 따른 헤드셋(114)의 비제한적인 예의 다양한 구성 요소들을 도시하는 블록도이다. 헤드셋(114)은 EEG 센서들 형태의 다수의 물리적 수집 디바이스들(106)("EEG 센서들(106)"), 및 처리 및 전송 회로(118)를 지원한다. 일반적으로, 전압 변화들은 뇌의 뉴런들 내부 및 뉴런들 사이의 이온 전류로부터 발생한다. 때때로 EEG 전극들로 지칭되는 EEG 센서들(106)은 서브젝트의 뇌에서 이러한 전압 변화들을 EEG 신호들로 측정하도록 구성된다. EEG 센서들(106)에 의해 측정되는 EEG 신호들은 저장, 데이터 처리 및/또는 분석 등을 위한 모바일 컴퓨팅 디바이스(104)로의 전송을 위해 적절하게 처리될 수 있다. 예를 들어, 일부 실시예들에서, EEG 신호들은 송신기(130)에의 도달 전에 증폭기(120)에 의해 증폭되고, A/D 변환기(122)에 의해 디지털화된다. 일부 실시예들에서, EEG 신호들은 하나 이상의 필터들(124)을 통해 A/D 변환기(122)에 의한 변환 전의 아날로그 영역 또는 A/D 변환기(122)에 의한 변환 후의 디지털 영역에서 필터링될 수 있다. 일부 실시예들에서, 필터링된(선택적임) 신호들은 송신기(130)를 통한 모바일 컴퓨팅 디바이스(104)로의 전송 전에 멀티플렉서(multiplexer; MUX)(126)로 전송된다.
EEG 전극들(106)은 일반적으로 스테인리스 스틸, 은/염화은 재료(Ag/AgCl) 등과 같은 전기 전도성 재료로 형성된다. EEG 전극들(106)은 습식 유형(예: 피부와 전극 사이의 전도체로서 전해 겔 재료와 함께 사용됨) 또는 건식 유형(예: 피부와 전극 사이의 전도체로서 작용하는 단일 금속의 전극)일 수 있음. 일부 실시예들에서, 식염수와 같은 겔이 아닌 재료가 피부층과 전극 사이의 전도층으로 사용될 수 있다.
일부 실시예들에서, EEG 전극들(106)은 능동적일 수 있으며, 여기서, 전극들은 피부와 전극 사이의 전도성 재료 바로 뒤에 전치 증폭 회로(pre-amplification circuit)를 포함한다. 이것은 EEG 신호 캡처, 처리, 또는 증폭을 담당하는 시스템에 의해 추가 노이즈가 추가되기 전에 EEG 신호가 증폭되게 한다. 대안적으로, 다른 실시예들에서, EEG 전극들은 수동적일 수 있다. 수동 전극들은 전치 증폭 회로를 포함하지 않는다. 대신에, 수동 전극들은 단순히 전극의 전도성 재료로부터 신호를 처리, 증폭, 및/또는 전송하는 시스템 구성 요소들로 연결을 확장시킨다.
서브젝트의 머리에 배치될 때, 헤드셋(114)의 EEG 전극들(106)은 일반적으로 뇌의 다양한 영역들과 정렬된다. 도 12를 참조하면, 본 개시의 양태들에 따른 EEG 전극 배치도의 일 예가 도시되어 있다. 도면의 여러 약어들은, 코뿌리점(naison)에 대한 “N”, 정면(예: 각 대뇌 반구의 앞쪽에 위치되는 영역인 뇌의 전두엽과 관련됨)에 대한 “F”, 귓불(ear lobe)에 대한 “A”, 중앙(예: 뇌의 중앙 영역과 관련됨)에 대한 “C”, 관자놀이(temporal)(예: 각 대뇌 반구의 전두엽보다 아래쪽 및 뒤쪽에 위치되는 뇌의 측두엽과 관련됨)에 대한 “T”, 정수리(parietal)(예: 전두엽의 뒤쪽에 위치되는 뇌의 두정엽과 관련됨)에 대한 “P”, 뒤통수(occipital)(예: 머리의 배면에 위치되는 뇌의 후두엽과 관련됨)에 대한 “O”, 뒤통수점(inion)에 대한 “I”, 및 뇌의 정중선(midline)을 따라 측정된 판독값들에 대한 아래 첨자 “z”를 포함하여, 국제 10-20 시스템과 관련되어 있음이 이해될 것이다. 도 11의 도면은 또한 FP와 F의 사이에 위치되는 AF, 및 F와 C 사이에 위치되는 FC에 대한 약어들을 포함한다.
도 12의 예에 도시된 바와 같이, EEG 전극들은 서브젝트의 뇌의 AF3, AF4, F3, F4, F7, F8, FC5, FC6, T7, T8, P7, P8, O1, 및 O2 영역들과 위치적으로 연관되어 있다. 도시된 실시예에서, 기준 전극들은 P3 및 P4에 위치되지만, 다른 위치들이 사용될 수 있다. 일부 실시예들에서, 접근(좌측 뇌 활동) 및 회피(우측 뇌 활동)와 각각 연관된 전방 좌측(F7) 및 전방 우측(F8)인 두 개의 전극들만이 사용된다. 물론, 뇌 영역들의 임의의 다른 조합들과 함께, 전방 좌측(F7) 및 전방 우측(F8)이 본 개시의 실시예들로 실행될 수 있다. 일부 실시예들에서, EEG 전극들의 위치는 헤드셋에 의해 고정될 수 있다. 다른 실시예들에서, EEG 전극들의 위치는 조정 가능할 수 있다.
시스템(100)에 의해 사용하기에 적합한 신호들을 출력하는 헤드셋(114)의 비제한적인 일 예는 이모티브(Emotive)의 EPOC+ EEG 헤드셋이다. 사용될 수 있는 다른 헤드셋들은 Brain Products, EGI, Cognionics 등과 같은 회사들로부터 이용 가능하다.
도 3은 본 개시의 일 양태에 따른 모바일 컴퓨팅 디바이스(104)의 비제한적인 예의 다양한 구성 요소들을 도시하는 블록도이다. 모바일 컴퓨팅 디바이스(104)는, 예를 들어, 순차적인 순서로 하나 이상의 향기들에 대한 노출에 기반하여 뇌 활동을 반영하는 서브젝트(102)로부터의 정보를 수집하도록 구성된다. 특히, 모바일 컴퓨팅 디바이스(104)는 처리, 기록, 전송(선택적임) 및/또는 분석(선택적임)을 위해 하나 이상의 EEG 센서들(106)로부터 EEG 신호들을 수신하도록 구성된다. 일부 실시예들에서, 모바일 컴퓨팅 디바이스(104)는 헤드셋(114)의 송신기(130)(도 2 참조)로부터 EEG 신호들을 수신하도록 구성된다.
일부 실시예들에서, 모바일 컴퓨팅 디바이스(104)는 서브젝트(102)를 위한 제품 추천을 결정하는 데 사용을 위해 EEG 신호들을 처리한다. 다른 실시예들에서, 보다 상세하게 후술되는 바와 같이, EEG 신호들(처리되거나 처리되지 않음)은 EEG 데이터로서 제품 추천들을 처리 및/또는 생성하기 위해 네트워크(110)를 통해 선택적 서버 컴퓨팅 시스템(108)에 전송된다. 그런 다음, 어느 경우든, 모바일 컴퓨팅 디바이스(104)는 서브젝트(102) 또는 서브젝트(102)를 돕고 있는 화장품 컨설턴트에게 제품 추천을 제시할 수 있다. 일부 실시예들에서, 제품 추천을 생성하는 것은 특정 제품(예: 특정 향수/코롱)의 식별일 수 있다. 다른 실시예들에서, 제품 추천을 생성하는 것은 특정 제품 또는 제품군의 선택을 돕는, 향기 프로파일과 같은, 정보일 수 있다.
일부 실시예들에서, 모바일 컴퓨팅 디바이스(104)는 스마트 폰일 수 있다. 일부 실시예들에서, 모바일 컴퓨팅 디바이스(104)는 태블릿 컴퓨팅 디바이스 또는 랩탑 컴퓨팅 디바이스를 포함하지만 이에 국한되지 않는, 예시된 구성 요소들을 갖는 임의의 다른 유형의 컴퓨팅 디바이스일 수 있다. 일부 실시예들에서, 모바일 컴퓨팅 디바이스(104)는 모바일이 아닐 수 있지만, 대신에 데스크탑 컴퓨팅 디바이스 또는 컴퓨터 키오스크와 같은 고정적 컴퓨팅 디바이스일 수 있다. 일부 실시예들에서, 모바일 컴퓨팅 디바이스(104)의 예시된 구성 요소들은 단일 하우징 내에 있을 수 있다. 일부 실시예들에서, 모바일 컴퓨팅 디바이스(104)의 예시된 구성 요소들은 유선 또는 무선 연결들을 통해 통신 가능하게 결합되는 별도의 하우징들에 있을 수 있다. 모바일 컴퓨팅 디바이스(104)는 또한 하나 이상의 프로세서 회로들(일반적으로 프로세서들로 지칭됨), 비일시적 컴퓨터-판독 가능 매체, 전원, 및 하나 이상의 네트워크 통신 인터페이스들을 포함하지만 이에 국한되지 않는, 도 3에 도시되지 않은 다른 구성 요소들을 포함한다.
여기에 설명된 기술 및 방법론의 일부(또는 전부)를 구현하기 위해, 일부 실시예들에서, 모바일 컴퓨팅 디바이스(104)는, 예를 들어, 디스플레이 디바이스(302), EEG 엔진(306), 사용자 인터페이스 엔진(308), 선택적 설문지 분석 엔진(310), 추천 엔진(312), 사용자 데이터 저장소(314), 및 제품 데이터 저장소(316)를 포함한다. 이들 구성 요소들의 각각은 차례로 설명될 것이다.
일부 실시예들에서, 디스플레이 디바이스(302)는 서브젝트(102)에게 인터페이스들을 제시할 수 있는, LED 디스플레이, OLED 디스플레이, 또는 LCD 디스플레이를 포함하지만 이에 국한되지 않는, 임의의 적합한 유형의 디스플레이 디바이스이다. 보다 상세하게 후술되는 바와 같이, 이러한 인터페이스들은 서브젝트(102)에게 제시될, 설문지, 제품 추천 등을 포함한다. 일부 실시예들에서, 디스플레이 디바이스(302)는 서브젝트(102)로부터 입력을 받아들이는 통합된 터치-감응 부분을 포함할 수 있다.
일부 실시예들에서, EEG 엔진(306)은 EEG 센서들(106)로부터 EEG 신호들을 수집하고, EEG 신호들을 처리하며, 사용자 데이터 저장소(314)에 EEG 데이터로서 시간 기반 방식으로 EEG 신호들을 기록하도록 구성된다. 일부 실시예들에서, EEG 신호들을 처리하는 것은 변환하는 것, 필터링하는 것, 변형시키는 것 등을 포함할 수 있지만 이에 국한되지 않는다. 예를 들어, 일부 실시예들에서, EEG 신호들은, 예를 들어, 알파 및/또는 베타 주파수 범위의 신호들을 적절하게 통과시키기 위해 대역 통과 필터링될 수 있다. 일부 실시예들에서, EEG 엔진(306)은 또한 도 9에 도시된 예와 같은 뇌전도, 및/또는 도 10에 도시된 예와 같은 뇌 활동 지도를 생성하기 위해 신호들을 처리하도록 구성된다.
일부 실시예들에서, 사용자 인터페이스 엔진(308)은 디스플레이 디바이스(302)에 사용자 인터페이스를 제시하도록 구성된다. 일부 실시예들에서, 사용자 인터페이스 엔진(308)은 사용자(102)에게 제품의 이름 또는 향기 프로파일과 같은 제품 추천을 제시하도록 구성된다. 일부 실시예들에서, 사용자 인터페이스 엔진(308)은 디스플레이 디바이스(302)에 뇌전도 또는 뇌 활동 지도로서 EEG 데이터의 시각화들을 제시하도록 구성될 수 있다.
일부 실시예들에서, 사용자 인터페이스 엔진(308)은 선택적으로 서브젝트(102)로부터 정보를 수집하기 위해 디스플레이 디바이스(302)에 서브젝트(102)에 대한 적어도 하나의 설문지를 제시하도록 구성될 수 있다. 일부 실시예들에서, 설문지는 서브젝트가 노출되었거나 노출될 향기들의 특성 파라미터들과 관련이 있을 수 있는 정보를 수집하는 것을 목표로 한다. 예를 들어, 설문지는 특정 헤드, 미들, 또는 베이스 노트들에 대한 선호도들을 이끌어낼 수 있는 일련의 참/거짓 또는 객관식 질문들을 통해 질문할 수 있다. 예를 들어, 도 13에 도시된 설문지의 한 질문은 서브젝트에게 해변, 숲 등과 같은 씬들을 묘사하는 다수의 그림들을 제시하여, 묘사된 씬이 서브젝트의 선호하는 향기와 연관되는 반응을 이끌어낼 수 있다. 설문지의 다른 질문에서, 서브젝트는 여성, 남성, 또는 유니섹스 냄새들을 선호하는 지에 대해 질문을 받을 수 있다. 설문지의 또 다른 질문에서, 서브젝트는 인지할 수 있는(perceivable), 미묘한(subtle), 무료한(complimentary), 또는 강한(strong) 냄새를 선호하는 지에 대해 질문을 받을 수 있다. 설문지의 또 다른 질문에서, 서브젝트는 가장 최근에 구입한 향기를 포함하여, 선호하는 향기를 입력하도록 요청을 받을 수 있다. 수집된 데이터의 일부 또는 전부는, 예를 들어, 사용자 데이터 저장소(314)에 저장될 수 있다.
일부 실시예들에서, 설문지 분석 엔진(310)은 사용자 인터페이스 엔진(308)을 통해 서브젝트(102)로부터 설문지에 대한 응답들을 수신하도록 구성될 수 있고, 응답들 중 하나 이상에 기반하여 서브젝트(102)의 적어도 하나의 선호도, 예컨대, 냄새 선호도, 냄새 특성 등을 결정할 수 있다. 예를 들어, 서브젝트(102)가 숲의 씬을 선호하는 것으로 선택하는 경우, 설문지 분석 엔진(310)은, 예를 들어, 도 8의 향기 휠에 도시된 바와 같은 우디(woody) 노트들을 서브젝트(102)가 선호한다고 결정하도록 구성될 수 있다. 일부 실시예들에서, 설문지 분석 엔진(310)은, 예를 들어, 제품 데이터 저장소(316)에 저장된 데이터와 응답들을 비교하도록 구성될 수 있다. 일 실시예에서, 설문지 분석 엔진(310)은 응답들 중 하나 이상에 기반하여 서브젝트(102)의 적어도 하나의 성격적 특성을 결정하도록 구성될 수 있다.
일부 실시예들에서, 추천 엔진(312)은 적어도 EEG 데이터에 기반하여 서브젝트(102)에 대해 적어도 하나의 제품 추천을 생성하도록 구성될 수 있다. 다른 실시예들에서, 추천 엔진(312)은 적어도 EEG 데이터 및 선택적 설문 데이터에 기반하여 서브젝트(102)에 대해 적어도 하나의 제품 추천을 생성하도록 구성될 수 있다. 일부 실시예들에서, 제품 추천은 트레이드 윈즈 브랜드의 향수와 같은 특정 제품의 형태이다. 다른 실시예들에서, 제품 추천은 향기 프로파일의 형태이다. 이러한 실시예들에서, 향기 프로파일은 단어-기반 디스크립션으로 제시되거나, 노트 다이어그램 등으로 시각적으로 묘사될 수 있다. 일부 실시예들에서, 추천 엔진(312)은 디스플레이 디바이스(302)를 통해 서브젝트(102)에게 제시될 제품 추천을 제공한다.
예를 들어, 도 11은 추천 엔진(312)에 의해 생성되어 서브젝트(102)에게 제시될 수 있는 향기 노트 다이어그램의 일 예이다. 노트 다이어그램은 서브젝트(102)에 의해 선호되는 향기들의 특성 파라미터들을 묘사한다. 도 11에 도시된 바와 같이, 노트 다이어그램은 서브젝트에게 선호 가능한 탑 노트들, 하트 또는 미들 노트들, 및 선택적으로 베이스 노트들을 시각적으로 묘사한다. 이러한 노트들은 선호의 강도를 나타내는 바 세그먼트들(bar segments)로 휠을 형성하는 패턴들로 표현된다. 예를 들어, 탑 노트들의 경우, 아로마틱스(aromatics)는, 서브젝트가 하나(1)의 바로 묘사되는 플로럴(floral)보다 더 선호하는, 다섯(5) 개의 바들로 묘사된다. 이와 유사하게, 미들 노트들의 경우, 후루티(fruity)는, 서브젝트가 세(3) 개의 바들로 묘사되는 스파이시스(spices)보다 더 선호하는, 네(4) 개의 바들로 묘사된다. 바들의 수에 추가하거나 바들의 수에 대한 대안으로, 바들의 색상도 즐기는 강도를 나타낼 수 있다. 일부 실시예들의 노트 다이어그램에서, 강도 값들은 선형(즉, 두 개의 바들이 하나의 바보다 두 배만큼 바람직함 등) 또는 로그, 지수 등과 같은 비선형일 수 있다.
도 11에 도시된 다이어그램에서, 이 서브젝트는 탑 노트들에서는 아로마틱스 및 덜하게는 시트러스(citrus)를 즐기고, 미들 노트들에서는 그린(green)과 후루티 및 덜하게는 스파이시스를 즐기며, 베이스 노트들에서는 발사믹(balsamic) 및 덜하게는 머스크(musk) 또는 우디드(wooded)를 즐긴다. 일부 실시예들에서, 이 노트 다이어그램은 사용자 인터페이스 엔진(308)을 통해 디스플레이 디바이스(302)에 제시될 수 있다. 일부 실시예들에서, 노트 다이어그램은 노트 다이어그램의 노트 프로파일에 대응하는 제품 유형 또는 제품 라인을 추천하기 위해 향기 컨설턴트에 의해 사용될 수 있다. 다른 실시예들에서, 노트 다이어그램은 하나 이상의 향기 판매자들의 향기 챠트와 비교하기 위해 서브젝트(102)에 의해 사용될 수 있다. 또 다른 실시예들에서, 추천 엔진(312)은, 예를 들어, 노트 다이어그램의 이미지 또는 노트 다이어그램을 생성하는 데 사용되는 근본적인(underlying) 데이터를 분석할 수 있고, 분석에 기반하여, 서브젝트(102)에게 제품 추천을 자동으로 제시할 수 있다. 이 후자의 실시예에서, 제품 추천은, 예를 들어, 제품 데이터 저장소(316)로부터 액세스되는 제품 데이터를 기반으로 할 수 있다.
일부 실시예들에서, 추천 엔진(312)은 생체 데이터로부터 생성되는 이미지들(예: 뇌전도, 뇌 활동 지도 등)을 분석하기 위해 하나 이상의 알고리즘들을 이용한다. 이 분석에 기반하여, 서브젝트(102)에게 선호되는 향기들의 하나 이상의 특성 파라미터들이 결정될 수 있다. 예를 들어, 일부 실시예들에서, 증가된 자극들의 존재에 대해, 뇌의 F7 및 F8 영역들과 연관된 뇌전도 또는 뇌 활동 지도의 영역들이 분석된다. 이러한 증가된 자극들은 서브젝트(102)가 노출되는 향기를 즐기는 지 또는 즐기지 않는 지를 나타낼 수 있다. 물론, 다양한 실시예들에서, 뇌의 영역들의 다른 조합들이 분석될 수 있다.
일부 실시예들에서, 향기의 선호 특성 파라미터들이 EEG 데이터의 이미지(들)에 기반하여 결정된다. 예를 들어, 일부 실시예들에서, 이미지 처리 기술들은 향기들의 선호 특성 파라미터들을 결정하기 위해 이미지들에 적용된다. 일부 실시예들에서, 추천 엔진(312)은 이미지들에 기반하여 특성 파라미터들을 결정하도록 훈련되는 인공 신경망을 포함하거나 그에 액세스할 수 있다. 물론, 서브젝트(102)에 노출되는 향기들의 선호 특성 파라미터들을 결정하기 위해, 임의의 다른 유형의 적합한 기계 학습 기술 및/또는 고전적인 이미지 처리 기술이 수행될 수 있다.
예를 들어, 일부 실시예들에서, 추천 엔진(312)은 제품 추천을 결정하는 데 도움이 되기 위한 기계 학습 모델을 포함한다. 기계 학습 모델은, 예를 들어, 서브젝트에 의한 즐거움을 초래하는 알려진 향기들(노트 프로파일들과 같은 알려진 특성 파라미터들을 가짐)에 노출된 서브젝트들의 뇌전도들, 뇌 활동 지도들 등의 이미지들을 사용하여 훈련될 수 있다. 일부 실시예들에서, 알려진 향기들로부터의 이미지들은 지도(supervised) 훈련 데이터의 세트를 생성하는 데 사용되고, 인공 신경망과 같은 기계 학습 모델은 경사 하강법(gradient descent)을 포함하지만 이에 국한되지 않는 임의의 적합한 기술을 사용하여 훈련 데이터로 훈련될 수 있다. 결과적인 기계 학습 모델은 EEG 엔진(306)으로부터의 이미지를 입력으로서 받아들일 것이고, 서브젝트(102)가 즐길 가능성이 높은 선호 특성 파라미터들 또는 제품 추천을 출력할 것이다. 일부 실시예들에서, 선호 특성 파라미터들은 서브젝트(102)의 도 11의 노트 다이어그램과 같은 향기 프로파일을 생성하는 데 사용될 수 있다.
따라서, EEG 데이터, 및/또는 선택적 설문 데이터로부터 결정되는 향기들의 선호 특성 파라미터들에 대한 지식을 이용하여, 추천 엔진(312)은 시스템(100)에 의해 결정되는 선호 특성 파라미터들과 일치하거나 높은 상관 관계가 있는 제품 데이터 저장소(316)에 저장된 적절한 제품을 결정하도록 구성된다. 예를 들어, 추천 엔진(312)은 결과들을 제품 데이터 저장소(316)에 저장된 제품 맵, 룩업 테이블 등과 비교할 수 있다. 비교는, 예를 들어, 잠재적 일치 신뢰 수준(potential match confidence level)을 기반으로 할 수 있다.
일부 실시예들에서, 모바일 컴퓨팅 디바이스(104)는 또한 시스템(100)을 사용하는 각 서브젝트(102)에 대한 기록들을 저장하도록 구성되는 사용자 데이터 저장소(316)를 포함할 수 있다. 기록들은, 예를 들어, 적어도 하나의 향기 제품, 적어도 하나의 향기 프로파일, 설문지에 대한 응답들, 적어도 하나의 성격적 특성, 적어도 하나의 제품 추천, 및/또는 시스템(100)에 의해 수집되거나 결정된 다른 정보를 포함할 수 있다. 일 실시예에서, 시스템(100)에 의한 향후 제품 추천들을 개선하기 위해, 추천 제품(들)을 사용한 후에 서브젝트(102)로부터 수신된 피드백도 사용자 데이터 저장소(322)에 저장되거나 제품 데이터 저장소(316)로 포워딩될 수 있다.
이러한 구성 요소들의 각각에 의해 수행되는 동작들에 대한 상세한 내용들이 이하에서 제공된다.
"엔진"은 C, C++, COBOL, JAVATM, PHP, Perl, HTML, CSS, JavaScript, VBScript, ASPX, Microsoft .NETTM, Go 등과 같은 프로그래밍 언어로 작성될 수 있는 하드웨어 또는 소프트웨어 명령어들로 구현되는 로직을 나타낸다. 엔진은 실행 가능한 프로그램들로 컴파일되거나 해석된 프로그래밍 언어들로 작성될 수 있다. 소프트웨어 엔진들은 다른 엔진들이나 그 자체들에서 호출 가능하다. 일반적으로, 여기에서 설명되는 엔진들은 다른 엔진들과 병합되거나, 서브-엔진들로 분할될 수 있는 논리 모듈들을 의미한다. 엔진들은 임의의 유형의 컴퓨터-판독 가능 매체 또는 컴퓨터 저장 디바이스에 저장될 수 있고, 하나 이상의 범용 컴퓨터들에 의해 저장 및 실행될 수 있으며, 따라서, 엔진 또는 그의 기능을 제공하도록 구성되는 특수 목적 컴퓨터를 생성할 수 있다. 일부 실시예들에서, 엔진들은 하나 이상의 회로들, 프로그램 가능 프로세서들, ASIC들(application specific integrated circuits), PLD들(programmable logic devices) 및/또는 FPLD들(field programmable logic devices) 등에 의해 구현될 수 있다.
"데이터 저장소"는 컴퓨팅 디바이스에 의한 액세스를 위해 데이터를 저장하도록 구성되는 임의의 적합한 디바이스를 의미한다. 데이터 저장소의 일 예는 하나 이상의 컴퓨팅 디바이스들에서 실행되고 고속 네트워크를 통해 액세스 가능한 매우 안정적인 고속 관계형 데이터베이스 관리 시스템(database management system; DBMS)이다. 데이터 저장소의 다른 예는 키-값 저장소이다. 그러나, 쿼리들에 대한 응답들로 저장된 데이터를 신속하고 안정적으로 제공할 수 있는 임의의 다른 적합한 저장 기술 및/또는 디바이스가 사용될 수 있으며, 컴퓨팅 디바이스는 네트워크 대신 로컬로 액세스할 수 있거나, 클라우드 기반 서비스로 제공될 수 있다. 데이터 저장소는 또한 하드 디스크 드라이브, 플래시 메모리, RAM, ROM과 같은 컴퓨터-판독 가능 저장 매체, 또는 임의의 다른 유형의 컴퓨터-판독 가능 저장 매체에 조직화된 방식으로 저장되는 데이터를 포함할 수 있다. 해당 기술분야에서 통상의 지식을 가진 사람은 본 개시의 범위를 벗어나지 않고, 여기에 설명된 별도의 데이터 저장소들이 단일 데이터 저장소로 결합될 수 있고/거나 여기에 설명된 단일 저장소가 다수의 데이터 저장소들로 분리될 수 있음을 인식할 것이다.
도 4는 본 개시의 일 양태에 따른 선택적 서버 컴퓨팅 시스템(108)의 비제한적인 예의 다양한 구성 요소들을 도시하는 블록도이다. 이러한 실시예들에서, 상술된 모바일 컴퓨팅 디바이스의 하나 이상의 기능들이 서버 컴퓨팅 디바이스(108)에 의해 추가적으로 또는 대안적으로 수행될 수 있다. 예를 들어, 모바일 컴퓨팅 디바이스(104)에 의해 수집되는 향기 선호 정보(예: 예를 들어, 냄새 노출로부터의 생체 데이터(예: 외분비 활동) 및/또는 서브젝트(102)의 선택적 설문지로부터의 냄새 선호도들)는 추가적인 처리(예: 필터링, 변형 등) 및/또는 저장을 하거나 하지 않고, 네트워크(110)를 통해 서버 컴퓨팅 시스템(108)으로 전송될 수 있다. 이와 관련하여, 서버 컴퓨팅 시스템(108)은, EEG 신호들을 처리하여 저장하고, 선택적으로 예를 들어, 도 9에 도시된 예와 같은 뇌전도 및/또는 도 10에 도시된 예와 같은 뇌 활동 지도를 생성하기 위한 EEG 엔진(306)(도 3)을 포함할 수 있다.
일부 실시예들에서, 서버 컴퓨팅 시스템(108)은 서브젝트(102)에 의해 사용될 제품 추천을 결정하기 위해 모바일 컴퓨팅 디바이스(104)로부터 수신되는 정보를 사용하고, 서브젝트(102)에게 제시를 위해 모바일 컴퓨팅 디바이스(104)로 다시 추천을 전송한다. 이와 관련하여, 서버 컴퓨팅 시스템(108)은 추가적으로 또는 대안적으로 설문지 분석 엔진(310), 추천 엔진(312), 및/또는 제품 데이터 저장소(316)를 포함할 수 있으며, 이들의 기능은 상세하게 상술되었다. 일부 실시예들에서, 서버 컴퓨팅 시스템(108)은 또한 사용자 데이터 저장소(314)를 포함할 수 있다.
도 5는 본 개시의 컴퓨팅 디바이스로서 사용하기에 적합한 대표적인 컴퓨팅 디바이스(400)의 양태들을 도시하는 블록도이다. 다수의 상이한 유형들의 컴퓨팅 디바이스들이 위에서 논의되었지만, 대표적인 컴퓨팅 디바이스(400)는 모바일 컴퓨팅 디바이스(104) 및/또는 서버 컴퓨팅 디바이스(108)와 같은 많은 상이한 유형들의 컴퓨팅 디바이스들에 공통적인 다양한 요소들을 기술한다. 도 5는 네트워크 상의 디바이스로서 구현되는 컴퓨팅 디바이스를 참조하여 설명되지만, 이하의 설명은 서버들, 개인용 컴퓨터들, 모바일 폰들, 스마트 폰들, 태블릿 컴퓨터들, 컴퓨터 키오스크들, 임베디드 컴퓨팅 디바이스들, 및 본 개시의 실시예들 중 일부를 구현하는 데 사용될 수 있는 다른 디바이스들에 적용 가능하다. 더욱이, 해당 기술분야에서 통상의 지식을 가진 사람들 및 다른 사람들은 컴퓨팅 디바이스(400)가 현재 이용 가능하거나 아직 개발되지 않은 디바이스들 중 하나일 수 있음을 인식할 것이다.
가장 기본적인 구성에서, 컴퓨팅 디바이스(400)는 통신 버스(406)에 의해 연결되는 적어도 하나의 프로세서(402) 및 시스템 메모리(404)를 포함한다. 디바이스의 정확한 구성 및 유형에 따라, 시스템 메모리(404)는 읽기 전용 메모리(“ROM”), 랜덤 액세스 메모리(“RAM”), EEPROM, 플래시 메모리, 또는 유사한 메모리 기술과 같은 휘발성 또는 비휘발성 메모리일 수 있다. 해당 기술분야에서 통상의 지식을 가진 사람들 및 다른 사람들은 시스템 메모리(404)가 일반적으로 프로세서(402)에 즉시 액세스 가능하고/거나 프로세서(402)에 의해 현재 작동 중인 데이터 및/또는 프로그램을 저장한다는 것을 인식할 것이다. 이와 관련하여, 프로세서(402)는 명령어들의 실행을 지원함으로써 컴퓨팅 디바이스(400)의 연산 센터의 역할을 할 수 있다.
도 5에 더 도시된 바와 같이, 컴퓨팅 디바이스(400)는 네트워크를 통해 다른 디바이스들과 통신하기 위한 하나 이상의 컴포넌트들을 포함하는 네트워크 인터페이스(410)를 포함할 수 있다. 본 개시의 실시예들은 공통 네트워크 프로토콜들을 사용하여 통신을 수행하기 위해 네트워크 인터페이스(410)를 이용하는 기본 서비스들에 액세스할 수 있다. 네트워크 인터페이스(410)는 또한 와이파이, 2G, 3G, LTE, 와이맥스, 블루투스, 저전력 블루투스 등과 같은 하나 이상의 무선 통신 프로토콜들을 통해 통신하도록 구성되는 무선 네트워크 인터페이스를 포함할 수 있다. 해당 기술분야에서 통상의 지식을 가진 사람에 의해 이해되는 바와 같이, 도 5에 도시된 네트워크 인터페이스(410)는 컴퓨팅 디바이스(400)의 특정 구성 요소들에 대해 상술되고 예시된 하나 이상의 무선 인터페이스들 또는 물리적 통신 인터페이스들을 나타낼 수 있다.
헤드셋이 다수의 신호 채널들(각 전극에 대해 하나의 채널)을 결합하기 위한 멀티플렉서를 포함하는 일부 실시예들에서, 모바일 컴퓨팅 디바이스(104)와 같은 컴퓨팅 디바이스의 네트워크 인터페이스는, 예를 들어, 수신된 EEG 신호들을 그들의 각각의 채널들로 분리하기 위해 하드웨어 또는 소프트웨어로 구현되는 디멀티플렉서(demultiplexer)를 포함한다. 대안적으로, EEG 엔진(306)이 그러한 디멀티플렉서를 포함할 수 있다. 이러한 실시예들에서, 수집된(예: 수신된) EEG 신호들은 모바일 컴퓨팅 디바이스(104)가 EEG 데이터로서 EEG 신호들의 각 채널을 처리하도록 디멀티플렉서를 통과한다.
도 5에 도시된 예시적인 실시예에서, 컴퓨팅 디바이스(400)는 또한 저장 매체(408)를 포함한다. 그러나, 데이터를 로컬 저장 매체에 지속시키기 위한 수단을 포함하지 않는 컴퓨팅 디바이스를 사용하여 서비스들이 액세스될 수 있다. 따라서, 도 5에 도시된 저장 매체(408)는 저장 매체(408)가 선택적임을 나타내기 위해 점선으로 표현된다. 어쨌든, 저장 매체(408)는 하드 드라이브, 솔리드 스테이트 드라이브, CD ROM, DVD, 또는 다른 디스크 스토리지, 자기 카세트들, 자기 테이프, 자기 디스크 스토리지 등과 같은 정보를 저장할 수 있는 임의의 기술을 사용하여 구현되는 휘발성 또는 비휘발성, 삭제 가능 또는 삭제 불가능일 수 있다.
여기에서 사용되는 바와 같이, 용어 “컴퓨터-판독 가능 매체”는 컴퓨터 판독 가능 명령어들, 데이터 구조들, 프로그램 모듈들, 또는 다른 데이터와 같은 정보를 저장할 수 있는 임의의 방법 또는 기술로 구현되는 휘발성 및 비휘발성, 및 삭제 가능 및 삭제 불가능 매체를 포함한다. 이와 관련하여, 도 5에 도시된 시스템 메모리(404) 및 저장 매체(408)는 단지 컴퓨터-판독 가능 매체의 예들일 뿐이다.
프로세서 회로 또는 프로세서(402), 시스템 메모리(404), 통신 버스(406), 저장 매체(408), 및 네트워크 인터페이스(410)를 포함하는 컴퓨팅 디바이스들의 적절한 구현들은 알려져 있고 상업적으로 이용 가능하다. 설명을 쉽게 하기 위해 그리고 청구된 주제를 이해하는 데 중요하지 않기 때문에, 도 5는 많은 컴퓨팅 디바이스들의 일부 전형적인 구성 요소들을 도시하고 있지 않다. 이와 관련하여, 컴퓨팅 디바이스(400)는 키보드, 키패드, 마우스, 마이크로폰, 터치 입력 디바이스, 터치 스크린, 태블릿 등과 같은 입력 디바이스들을 포함할 수 있다. 이러한 입력 디바이스들은 RF, 적외선, 직렬, 병렬, 블루투스, 저전력 블루투스, USB, 또는 무선 또는 물리적 연결들을 사용하는 다른 적합한 연결 프로토콜들을 포함하는 유선 또는 무선 연결들에 의해 컴퓨팅 디바이스(400)에 결합될 수 있다. 이와 유사하게, 컴퓨팅 디바이스(400)는 또한 디스플레이, 스피커들, 프린터 등과 같은 출력 디바이스들을 포함할 수 있다. 이러한 디바이스들은 해당 기술분야에서 잘 알려져 있으므로, 여기에서 더 이상 예시되거나 설명되지 않는다.
일부 실시예들에서, 복수의 센서들 및/또는 하나 이상의 엔진들은 냄새 반응 유닛을 형성한다. 일부 실시예들에서, 냄새 반응 유닛은, 후각 자극과 연관된 실시간 인지 과정을 검출하도록 구성되는 처리 회로; 하나 이상의 향기 어코드들에 대한 반응과 연관된 실시간 사건-관련 전위를 검출하도록 구성되는 처리 회로; 후각 자극에 대한 반응에 기반하여 시냅스후 전위를 검출하도록 구성되는 처리 회로; 또는 후각 자극에 대한 반응을 나타내는 전압 변동들을 검출하도록 구성되는 처리 회로 중 하나를 포함한다.
일부 실시예들에서, 하나 이상의 엔진들은 다음 중 하나를 포함하는 향수 선택 유닛을 형성한다: 뇌파와 연관된 적어도 하나의 입력에 기반하여 향기 서브세트의 하나 이상의 가상 인스턴스들을 생성하도록 구성되는 처리 회로; 만족도 점수의 전도 또는 호감도 정도의 하나 이상의 인스턴스들을 생성하도록 구성되는 처리 회로; 방향족 화합물 협력의 하나 이상의 인스턴스들을 생성하도록 구성되는 처리 회로; 또는 향기 조성물의 베이스 노트들, 탑 노트들 또는 미들 노트들의 하나 이상의 인스턴스들을 생성하도록 구성되는 처리 회로.
도 6은 본 개시의 하나 이상의 양태들에 따른 서브젝트에 대해 제품 추천들을 생성하고/하거나 제공하기 위한 방법의 비제한적인 예를 도시하는 흐름도이다. 일반적으로 지정되는 대표적인 방법(600)은 도 1 내지 도 5에 도시된 시스템(100)의 하나 이상의 구성 요소들을 참조하여 설명될 것이다.
방법(600)을 시작하기 전에, 하나 이상의 EEG 센서들(106)이 서브젝트(102)의 머리에 결합된다. 일부 실시예들에서, 두 개의 EEG 센서들(106)만이 서브젝트의 뇌의 F7 및 F8 영역들에 배치된다(기준 전극들이 있거나 없음). 다른 실시예들에서, 다수의 EEG 센서들(106)로 구성되는 헤드셋(114)이 서브젝트(102)의 머리에 배치된다. 이러한 실시예들 중 일부에서, 센서들(106)은 서브젝트의 뇌의 다른 영역들에 더하여 F7 및 F8 영역들에 위치된다. 일부 실시예들에서, 기준 전극들은 서브젝트의 머리에 위치될 수 있다.
센서들이 서브젝트(102)의 머리와 적절하게 연관되면, 방법이 시작될 수 있다. 시작 블록으로부터, 방법(600)은 블록(602)으로 진행하며, 여기서, 서브젝트(102)는 하나 이상의 향기들에 노출된다. 예를 들어, 서브젝트는 향기들의 시퀀스에 노출된다. 서브젝트(102)는 일정 기간 동안 각 향기에 노출된다. 일 실시예에서, 기간은 약 45 초이다. 물론, 더 짧거나 더 긴 기간들이 이용될 수 있다. 다른 실시예들에서, 기간은 약 오(5) 분 이상이다. 일부 실시예들에서, 서브젝트에 노출되는 향기들은 탑 및 미들 노트들과 같은 적어도 두 개의 향기 노트들을 포함한다.
하나 이상의 향기들에 대한 서브젝트의 반응은 EEG 센서들(106)에 의해 캡처되고, EEG 신호들로서 모바일 컴퓨팅 디바이스(104)로 전송된다. 이와 관련하여, 모바일 디바이스(104)는 EEG 센서들(106)과 통신하도록 결합되고, 블록(604)에서 서브젝트(102)의 EEG(예: 생체) 신호들을 수신한다.
다음으로, 블록(606)에서, EEG 신호들은, 예를 들어, EEG 데이터를 생성하기 위해 EEG 엔진(306)에 의해 처리될 수 있다. 일부 실시예들에서, EEG 신호들은 모바일 컴퓨팅 디바이스(104)에 있는 EEG 엔진(306)에 의해 처리된다. 다른 실시예들에서, EEG 신호들은 서버 컴퓨팅 디바이스(108)에 있는 EEG 엔진(306)에 의해 처리된다. 이들 또는 다른 실시예들에서, EEG 데이터는 모바일 컴퓨팅 디바이스(104)에 있는 사용자 데이터 저장소(314)에 로컬로 또는 서버 컴퓨팅 시스템(108)에 있는 사용자 데이터 저장소(314)에 원격으로 저장된다.
일부 실시예들에서, 블록들(602, 604, 606)에서 수행되는 동작들은 서브젝트(102)에 노출될 각 향기에 대해 반복된다. 다른 실시예들에서, 블록들(602 및 604)에서 수행되는 동작들은 블록(606)에서 수행되는 동작들의 이전에 각 향기에 대해 수행될 수 있다. 일 실시예에서, 서브젝트는 네 개의 향기들에 노출된다. 물론, 네 개보다 더 많거나 더 적은 다수의 향기들이 본 개시의 실시예들에서 사용될 수 있다.
일 실시예에서, 미리 선택된 향기들의 세트가 서브젝트(102)에 노출된다. 예를 들어, 미리 선택된 향기들의 세트는 회사의 향기들의 라인에서 가장 잘 팔리는 네 개일 수 있다. 다른 실시예들에서, 도 7과 관련하여 더 상세히 설명되는 바와 같이, 선행 향기에 대한 서브젝트(102)의 반응은 시스템(100)에 의해 서브젝트(102)에게 노출될 후속 향기(들)의 선택에 영향을 미치도록 사용될 수 있다. 예를 들어, 향기에 대한 노출로부터 EEG 엔진(306)에 의해 생성되는 EEG 데이터는, 예를 들어, 뇌전도 또는 뇌 활동 지도로서 디스플레이 디바이스(302)에 제시될 수 있다. 향기 컨설턴트의 도움으로, 다음 향기가 서브젝트(102)에 대한 노출을 위해 선택될 수 있다. 대안적으로, 시스템은 이전 향기(들)에 대한 서브젝트의 반응에 기반하여 서브젝트에 제시될 다음 향기를 자동으로 선택하도록 구성될 수 있다.
일부 실시예들에서, 서브젝트(102)에 노출되는 각 향기는 적어도 두 개의 노트들(예: 탑 및 미들 노트들, 두 개의 미들 노트들, 탑 및 베이스 노트들 등)을 포함한다. 일부 실시예들에서, 서브젝트(102)에 노출되는 각 향기는 적어도 세 개의 노트들(예: 탑, 미들 및 베이스 노트들(수직 어코드), 세 개의 미들 노트들(수평 어코드) 등)을 포함한다. 어쨌든, 서브젝트(102)에 노출되는 향기들의 특성 파라미터들(예: 탑 노트들, 미들 노트들, 및/또는 베이스 노트들)은 알려져 있고, 제품 데이터 저장소(318)에 저장된다. 일부 실시예들에서, 특성 파라미터들은, 예를 들어, 노트 다이어그램으로 저장된다.
일부 실시예들에서, 모바일 컴퓨팅 디바이스(104)의 사용자 인터페이스 엔진(308)은 선택적으로 블록(608)에서 서브젝트(102)에게 설문지를 제시한다. 일부 실시예들에서, 설문지는 서브젝트(102)에 대한 값들을 직접 나타내는 질문들을 포함할 수 있다. 예를 들어, 설문지는, 특정 제품 이름들, 선호하는 노트들, 또는 서브젝트가 남성, 여성 또는 유니섹스 향기들을 좋아하는 지 등과 같은 다른 향기 특성들을 포함하는 향기들의 선호도를 입력하도록 사용자(102)에게 명시적으로 요청할 수 있다. 다른 실시예들에서, 사용자 인터페이스 엔진(308)은 서브젝트(102)에게 하나 이상의 질문들을 제시하고, 그에 대한 대답들은 상기에서 언급된 서브젝트 선호도들 또는 다른 것들을 추론하는 데 사용될 수 있다.
블록(610)에서, 사용자 인터페이스 엔진(308)은 설문지에 대한 응답들을 수신하고 처리를 위해 응답들을 설문지 분석 엔진(310)으로 전송한다. 블록(612)에서, 설문지 분석 엔진(310)은 설문지에 대한 응답들에 기반하여 하나 이상의 향기 선호도들을 결정한다. 일부 실시예들에서, 응답들은 모바일 컴퓨팅 디바이스(104)에 있는 설문지 분석 엔진(310)에 의해 처리된다. 다른 실시예들에서, 응답들은 서버 컴퓨팅 디바이스(108)에 있는 설문지 분석 엔진(310)에 의해 처리된다. 사용자 인터페이스 엔진(308)은 디스플레이 디바이스(302)에 제시되는 사용자 인터페이스로의 입력을 통해 응답들을 수신할 수 있다. 설문지로부터의 응답들 및 응답들의 처리로부터의 결과들은 사용자 데이터 저장소(314)에 저장될 수 있다. 블록들(610 및 612)에서 수행되는 동작들은 또한 선택적임이 이해될 것이다.
블록(614)에서, 추천 엔진(312)은 적어도 EEG 데이터, 및 선택적으로 설문지 엔진(310)에 의해 결정되는 서브젝트의 선호도들에 기반하여 제품 추천을 결정한다. 그렇게 함으로써, 추천 엔진(312)은 제품 데이터 저장소(316)로부터의 데이터에 액세스할 수 있다. 일부 실시예들에서, 제품 추천은 특정 제품이다. 다른 실시예들에서, 제품 추천은 향기 프로파일이다. 일부 실시예들에서, 제품 추천은 모바일 컴퓨팅 디바이스(104)에 있는 추천 엔진(312)에 의해 결정된다. 다른 실시예들에서, 제품 추천은 서버 컴퓨팅 디바이스(108)에 있는 추천 엔진(312)에 의해 결정된다.
블록(616)에서, 제품 추천은 서브젝트에게 제시된다. 예를 들어, 특정 제품이 제시되는 일 실시예에서, 제품 추천은, 예를 들어, 제품에 대한 디스크립션(예: 노트 프로파일), 제품의 가격, 제품을 구입할 수 있는 곳 등과 함께, 디스플레이 디바이스(302)에 표시될 수 있다. 제품 추천이 향기 프로파일의 형태인 다른 실시예에서, 향기 프로파일은 디스플레이 디바이스(302)에 의해 향기 컨설턴트에게 표시될 수 있다. 향기 컨설턴트의 도움으로, 하나 이상의 제품들이 향기 프로파일에 기반하여 서브젝트에게 제시될 수 있다.
그런 다음, 방법(600)은 종료 블록으로 진행하여 종료된다.
도 7은 본 개시의 하나 이상의 양태들에 따른 서브젝트에 대해 제품 추천들을 생성하고/하거나 제공하기 위한 방법의 다른 비제한적인 예를 도시하는 흐름도이다. 일반적으로 지정되는 대표적인 방법(700)은 도 1 내지 도 5에 도시된 시스템(100)의 하나 이상의 구성 요소들을 참조하여 설명될 것이다. 방법(700)은 이제 설명될 차이점들을 제외하고는 도 6을 참조하여 상술된 방법(600)과 실질적으로 유사하다.
도 7의 실시예에서, 블록들(702, 704 및 706)의 동작들은 서브젝트에게 노출될 각 향기에 대해 순차적으로 수행된다. 이 실시예에서, 미리 선택되는 향기들 대신에, 추천 엔진(312) 또는 시스템의 다른 엔진이 선행 향기에 대한 노출로부터 생성되는 생체 데이터에 기반하여 서브젝트(102)에게 제시될 다름 향기를 결정한다. 일부 실시예들에서, 추천 엔진(312)은 선행 향기에 대한 노출로부터 생성되는 생체 데이터 및 블록(708)으로부터의 설문지로부터의 하나 이상의 응답들에 기반하여 서브젝트(102)에게 제시될 다음 향기를 결정한다. 모든 향기들이 서브젝트(102)에게 제시되면, 방법(700)은 블록(716)으로 진행하고, 여기서, 추천 엔진(312)이 제품 추천을 결정한다.
일부 실시예들에서, 선택될 첫 번째 향기는 설문지로부터의 하나 이상의 응답들에 기반하여 결정된다. 따라서, 설문지는 임의의 향기에 대한 노출 이전에 서브젝트에게 제시될 수 있다.
첨부된 도면들과 관련하여 상술된 설명은 유사한 참조 부호들이 유사한 요소들을 참조하는 것으로, 본 개시의 다양한 실시예들에 대한 설명으로서 의도된 것이며 유일한 실시예들을 나타내도록 의도된 것은 아니다. 본 개시에 설명되는 각 실시예는 단지 예 또는 예시로서 제공되며 다른 실시예들보다 바람직하거나 유리한 것으로 해석되어서는 안된다. 여기에서 제공되는 예시적인 예들은 개시된 정확한 형태들로 개시를 제한하거나 국한시키려는 것은 아니다. 이와 유사하게, 여기에서 설명되는 임의의 단계들은 동일하거나 실질적으로 유사한 결과를 달성하기 위해, 다른 단계들 또는 단계들의 조합들과 상호 교환 가능할 수 있다. 또한, 방법 단계들 중 일부는 다른 방법 단계들과 관련하여 구체적으로 표현되거나 이해되지 않는 한 직렬 또는 병렬로, 또는 임의의 순서로 수행될 수 있다.
전술한 설명에서, 본 개시의 예시적인 실시예들에 대한 완전한 이해를 제공하기 위해 특정 세부 사항들이 기술되었다. 그러나, 여기에서 개시된 실시예들은 모든 구체적인 세부 사항들을 구현하지 않고 실시될 수 있음이 해당 기술분야에서 통상의 지식을 가진 사람에게 명백할 것이다. 몇몇의 경우들에서, 본 개시의 다양한 양태들을 불필요하게 모호하게 하지 않기 위해 잘 알려진 프로세스 단계들은 상세하게 설명되지 않았다. 또한, 본 개시의 실시예들은 여기에서 설명되는 특징들의 임의의 조합을 채용할 수 있음이 이해될 것이다.
본 출원은 양들 및 수들을 참조할 수 있다. 구체적으로 언급되지 않는 한, 이러한 양들 및 수들은 제한적인 것으로 간주되지 않으며, 본 출원과 연관된 가능한 양들 또는 수들의 예시이다. 또한, 이와 관련하여, 본 출원은 양 또는 수를 지칭하기 위해 용어 “복수”를 사용할 수 있다. 이와 관련하여, 용어 “복수”는 하나보다 큰 임의의 수, 예를 들어, 두 개, 세 개, 네 개, 다섯 개 등을 의미한다. 용어 “약”, “대략” 등은 언급된 값에 5 %를 더하거나 뺀 값을 의미한다.
본 명세서 전반에 걸쳐, 기술 용어들이 사용될 수 있다. 이들 용어들은 여기에서 구체적으로 정의되지 않거나 그 사용 문맥이 명백히 달리 암시하지 않는 한, 해당 용어들이 유래된 기술분야에서 일반적인 의미를 취해야 한다.
본 개시의 원리들, 대표적인 실시예들, 및 작동 모드들은 전술된 설명에서 설명되었다. 그러나, 보호되도록 의도된 본 개시의 양태들은 개시된 특정 실시예들로 제한되는 것으로 해석되어서는 안된다. 또한, 여기에서 설명되는 실시예들은 제한적이기 보다는 예시적인 것으로 간주되어야 한다. 본 개시의 사상을 벗어나지 않고 다른 사람들에 의해 변형들 및 변경들이 이루어질 수 있고, 등가물들이 이용될 수 있음이 이해될 것이다. 따라서, 이러한 모든 변형들, 변경들, 및 등가물들은 청구된 본 개시의 사상 및 범위 내에 속하는 것으로 명시적으로 의도된다.

Claims (20)

  1. 시스템에 있어서,
    후각 자극에 대한 반응에 기반하여 서브젝트의 사건-관련 전위(event-related potential)을 감지하도록 구성되는 복수의 센서들; 및
    하나 이상의 엔진들 -
    상기 서브젝트의 사건-관련 전위를 EEG 신호들로 수신하고,
    상기 EEG 신호들을 처리하여 EEG 데이터를 생성하고,
    적어도 상기 EEG 데이터에 기반하여 제품 추천을 생성하도록 구성됨 -
    을 포함하는,
    시스템.
  2. 제1 항에 있어서,
    상기 하나 이상의 엔진들은 모바일 컴퓨팅 디바이스에 수용되는,
    시스템.
  3. 제1 항에 있어서,
    상기 생성된 EEG 데이터는 이미지로 표현되는,
    시스템.
  4. 제3 항에 있어서,
    상기 이미지는 뇌전도(electroencephalograph; EEG) 이미지 또는 뇌 활동 지도를 포함하는,
    시스템.
  5. 제1 항에 있어서,
    상기 하나 이상의 엔진들은,
    상기 EEG 데이터에 기반하여 상기 후각 자극의 선호 특성 파라미터들(preferred characteristic parameters)을 생성하고,
    상기 선호 특성 파라미터들에 기반하여 상기 제품 추천을 생성하도록 더 구성되는,
    시스템.
  6. 제5 항에 있어서,
    상기 하나 이상의 엔진들은,
    상기 생성된 선호 특성 파라미터들을 나타내는 데이터를 상기 하나 이상의 엔진들에 의해 액세스 가능한 제품 데이터와 비교함으로써, 제품 추천을 결정하도록 구성되는,
    시스템.
  7. 제5 항에 있어서,
    상기 후각 자극은 향기(fragrance)이고,
    상기 생성된 선호 특성 파라미터들을 나타내는 데이터는 향기 프로파일(fragrance profile)을 포함하는,
    시스템.
  8. 제7 항에 있어서,
    상기 향기 프로파일은 상기 제품 추천으로서 상기 서브젝트에게 제시되는,
    시스템.
  9. 제7 항에 있어서,
    상기 생성된 선호 특성 파라미터들은 상기 향기의 노트들(notes)을 나타내고,
    상기 제품 추천은 상기 향기 프로파일을 향기들의 세트를 각각 나타내는 향기 프로파일들의 세트와 비교함으로써, 생성되고,
    상기 향기 프로파일들의 세트는 상기 하나 이상의 엔진들에 의해 액세스 가능한,
    시스템.
  10. 제1 항에 있어서,
    상기 하나 이상의 엔진들은,
    상기 후각 자극에 대한 반응에 기반하여 상기 사건-관련 전위를 검출하도록 구성되고, 처리 회로를 포함하고,
    상기 처리 회로는,
    후각 자극과 연관된 실시간 인지 과정(cognitive process)을 검출하거나,
    하나 이상의 향기 어코드들(fragrance accords)에 대한 반응과 연관된 실시간 사건-관련 전위를 검출하거나,
    후각 자극에 대한 반응을 나타내는 전압 변동들(voltage fluctuations)을 검출하거나, 또는
    후각 자극에 대한 반응에 기반하여 시냅스후 전위(postsynaptic potential)를 검출하도록 구성되는,
    시스템.
  11. 시스템에 있어서,
    후각 자극에 대한 반응에 기반하여 사건-관련 전위를 검출하도록 구성되는 처리 회로를 포함하는 냄새(scent) 반응 유닛; 및
    상기 사건-관련 전위와 연관된 적어도 하나의 입력에 기반하여 향기 서브세트의 하나 이상의 가상 인스턴스들을 생성하도록 구성되는 처리 회로를 포함하는 향수(perfume) 선택 유닛
    을 포함하는,
    시스템.
  12. 제11 항에 있어서,
    상기 후각 자극에 대한 반응에 기반하여 사건-관련 전위를 검출하도록 구성되는 처리 회로를 포함하는 냄새 반응 유닛은,
    후각 자극과 연관된 실시간 인지 과정을 검출하도록 구성되는 처리 회로;
    하나 이상의 향기 어코드들에 대한 반응과 연관된 실시간 사건-관련 전위를 검출하도록 구성되는 처리 회로;
    후각 자극에 대한 반응에 기반하여 시냅스후 전위를 검출하도록 구성되는 처리 회로; 또는
    후각 자극에 대한 반응을 나타내는 전압 변동들을 검출하도록 구성되는 처리 회로
    중 하나를 포함하는,
    시스템.
  13. 제11 항에 있어서,
    상기 향수 선택 유닛은,
    뇌파(electroencephalogram)와 연관된 적어도 하나의 입력에 기반하여 향기 서브세트의 하나 이상의 가상 인스턴스들을 생성하도록 구성되는 처리 회로;
    만족도 점수(desirability score)의 정도 또는 호감도 정도(likeability measure)의 하나 이상의 인스턴스들을 생성하도록 구성되는 처리 회로;
    냄새 강도의 하나 이상의 인스턴스들을 생성하도록 구성되는 처리 회로;
    방향족 화합물 협력(concertation)의 하나 이상의 인스턴스들을 생성하도록 구성되는 처리 회로; 또는
    향기 조성물의 베이스 노트들, 탑 노트들 또는 미들 노트들의 하나 이상의 인스턴스들을 생성하도록 구성되는 처리 회로
    중 하나를 더 포함하는,
    시스템.
  14. 서브젝트에게 제품을 추천하기 위한 방법에 있어서,
    후각 자극에 대한 노출에 기반하여 서브젝트의 생체 데이터를 획득하는 단계;
    상기 생체 데이터를 분석하는 단계; 및
    적어도 상기 분석된 생체 데이터에 기반하여 상기 서브젝트에게 제품을 추천하는 단계
    를 포함하는,
    방법.
  15. 제14 항에 있어서,
    상기 분석된 생체 데이터에 기반하여 상기 서브젝트에게 제품을 추천하는 단계는,
    상기 서브젝트에게 향기 이름을 제시하는 단계; 또는
    상기 서브젝트에게 향기 프로파일을 제시하는 단계
    를 포함하는,
    방법.
  16. 제15 항에 있어서,
    제품의 특성 파라미터에 대한 선호도를 나타내는 상기 서브젝트의 설문 데이터를 획득하는 단계
    를 더 포함하고,
    상기 서브젝트에게 제품을 추천하는 단계는 상기 분석된 생체 데이터 및 상기 설문 데이터를 기반으로 하는,
    방법.
  17. 제15 항에 있어서,
    상기 후각 자극은 냄새이고,
    상기 제품은 향수이고,
    상기 생체 데이터는 EEG 데이터를 나타내는,
    방법.
  18. 제17 항에 있어서,
    상기 제품을 추천하는 단계는,
    상기 EEG 데이터에 기반하여 향기 프로파일을 생성하는 단계, 및
    상기 서브젝트에게 상기 향기 프로파일을 제시하는 단계
    를 포함하는,
    방법.
  19. 제17 항에 있어서,
    상기 제품을 추천하는 단계는,
    상기 EEG 데이터에 기반하여 향기 프로파일을 생성하는 단계,
    상기 향기 프로파일을 향기들의 세트를 각각 나타내는 향기 프로파일들의 세트와 비교하여, 상기 생성된 향기 프로파일과 가장 유사한 향기 프로파일을 갖는 상기 향기들의 세트로부터의 향기를 선택하는 단계, 및
    상기 서브젝트에게 상기 선택된 향기를 제시하는 단계
    를 포함하는,
    방법.
  20. 제15 항에 있어서,
    상기 자극에 대한 노출에 기반하여 서브젝트의 생체 데이터를 획득하는 단계는,
    상기 서브젝트의 전방 좌측(F7) 엽(lobe) 및 전방 우측(F8) 엽과 연관된 적어도 두 개의 EEG 전극들로부터 생체 데이터를 획득하는 단계를 포함하는,
    방법.
KR1020237000518A 2020-06-30 2021-06-30 생체 데이터를 사용하여 제품 추천들을 생성하기 위한 시스템 KR20230021716A (ko)

Applications Claiming Priority (7)

Application Number Priority Date Filing Date Title
US202063046440P 2020-06-30 2020-06-30
US63/046,440 2020-06-30
US202063065220P 2020-08-13 2020-08-13
US63/065,220 2020-08-13
FR2009180 2020-09-10
FR2009180A FR3113972A1 (fr) 2020-09-10 2020-09-10 Système pour générer des recommandations de produits en utilisant des données biométriques
PCT/US2021/039970 WO2022006323A1 (en) 2020-06-30 2021-06-30 System for generating product recommendations using biometric data

Publications (1)

Publication Number Publication Date
KR20230021716A true KR20230021716A (ko) 2023-02-14

Family

ID=77265183

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020237000518A KR20230021716A (ko) 2020-06-30 2021-06-30 생체 데이터를 사용하여 제품 추천들을 생성하기 위한 시스템

Country Status (6)

Country Link
US (1) US12002081B2 (ko)
EP (1) EP4172913A1 (ko)
JP (1) JP2023532513A (ko)
KR (1) KR20230021716A (ko)
CN (1) CN115777111A (ko)
WO (1) WO2022006323A1 (ko)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114936069B (zh) * 2022-05-30 2024-03-22 易协云(杭州)科技有限公司 一种利用脑图进行项目展示的方法及系统
WO2024089692A1 (en) * 2022-10-24 2024-05-02 Gafsou Alon Daniel System and method to build a personalized multidimensional space to digitize scent preferences and build a customized perfume mix

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US3978847A (en) * 1974-07-29 1976-09-07 Biofeedback Computers, Inc. Multiple channel phase integrating biofeedback computing method
WO2008030542A2 (en) * 2006-09-07 2008-03-13 The Procter & Gamble Company Methods for measuring emotive response and selection preference
US20090222305A1 (en) 2008-03-03 2009-09-03 Berg Jr Charles John Shopper Communication with Scaled Emotional State
US10430810B2 (en) * 2015-09-22 2019-10-01 Health Care Direct, Inc. Systems and methods for assessing the marketability of a product
US20180089739A1 (en) * 2016-09-28 2018-03-29 International Business Machines Corporation Predicting user preferences based on olfactory characteristics

Also Published As

Publication number Publication date
US20210406982A1 (en) 2021-12-30
EP4172913A1 (en) 2023-05-03
US12002081B2 (en) 2024-06-04
JP2023532513A (ja) 2023-07-28
CN115777111A (zh) 2023-03-10
WO2022006323A1 (en) 2022-01-06

Similar Documents

Publication Publication Date Title
US20200234329A1 (en) Neuro-physiology and neuro-behavioral based stimulus targeting system
US11488198B2 (en) Stimulus placement system using subject neuro-response measurements
Candia-Rivera et al. Cardiac sympathetic-vagal activity initiates a functional brain–body response to emotional arousal
US10733625B2 (en) Neuro-response stimulus and stimulus attribute resonance estimator
Liu et al. EEG databases for emotion recognition
US20210406983A1 (en) System for generating product recommendations using biometric data
US8392250B2 (en) Neuro-response evaluated stimulus in virtual reality environments
US8635105B2 (en) Consumer experience portrayal effectiveness assessment system
Zhang et al. Identifying cognitive preferences for attractive female faces: An event‐related potential experiment using a study‐test paradigm
US20120072289A1 (en) Biometric aware content presentation
US12002081B2 (en) System for generating product recommendations using biometric data
Soder et al. Medial frontal cortex response to unexpected motivationally salient outcomes
Paulus et al. Modeling event‐related heart period responses
US20190357792A1 (en) Sensibility evaluation apparatus, sensibility evaluation method and method for configuring multi-axis sensibility model
Kato et al. Spatiotemporal dynamics of odor representations in the human brain revealed by EEG decoding
Kim et al. Comparison of physiological responses to affect eliciting pictures and music
Friedman et al. A data-driven validation of frontal EEG asymmetry using a consumer device
KR101808956B1 (ko) 대인 감성 평가 시스템 및 대인 감성 평가 정보를 수집하고 이용하는 방법
Quiles Pérez et al. Data Fusion In Neuromarketing: Multimodal Analysis of Biosignals, Lifecycle Stages, Current Advances, Datasets, Trends, and Challenges
Maby et al. Scalp localization of human auditory cortical activity modified by GSM electromagnetic fields
Bocharov et al. Suppression of alpha and beta oscillations in the course of virtual social interactions
FR3113972A1 (fr) Système pour générer des recommandations de produits en utilisant des données biométriques
Lees et al. The effect of hair type and texture on electroencephalography and event‐related potential data quality
Liang et al. The Magic Impacts of Sounds on Consumer's Brain: How Do Natural Sounds Nudge Green Product Purchase?
FR3114426A1 (fr) Système pour générer des recommandations de produits en utilisant des données biométriques