KR20230031228A - 스트레스 결정 및 관리 기술 - Google Patents

Abstract

스트레스 정보는 하나 이상의 센서를 포함하는 웨어러블 컴퓨팅 디바이스를 착용하고 있는 사용자와 같은 웨어러블 디바이스와 관련된 사용자에 대해 결정될 수 있다. 이러한 센서의 데이터 중 적어도 일부는 해당 사용자의 현재 스트레스 레벨 또는 스트레스 탄력성 레벨에 해당할 수 있는 것과 같은 스트레스 스코어를 계산하기 위해 사용자가 제공한 관련 데이터와 결합될 수 있다. 이 스트레스 스코어의 변화는 시간 경과에 따라 모니터링될 수 있으며, 사용자에게 정보 또는 추천을 제공하거나 웨어러블 컴퓨팅 디바이스의 동작을 수정하는 것과 같은 적절한 동작이 취해질 수 있다.

Description

스트레스 결정 및 관리 기술

본 출원은 2020년 8월 7일에 출원된 미국 가출원 번호 63/062,818의 이익을 주장하며, 그 전문은 참조로 본 명세서에 포함된다.

소비자 디바이스들을 통해 이용 가능한 기술을 비롯하여 최근의 기술 발전은 건강 감지 및 모니터링의 상응하는 발전을 제공했다. 예를 들어, 피트니스(건강) 추적기 및 스마트 워치와 같은 디바이스는 그 디바이스를 착용한 사람의 맥박 또는 움직임과 관련된 정보를 결정할 수 있다. 그러나, 기존 디바이스의 성능으로 인해, 이러한 정보의 수집이 제한되어 이러한 디바이스들을 사용하여 결정할 수 있는 건강 정보의 양과 유형에 대한 기술적인 문제가 존재한다. 특히, 종래의 디바이스들은 사용자의 스트레스를 정확하게 자동으로 나타내는 파라미터를 검출하는데 한계가 있다.

따라서, 본 개시는 전술한 기술적 문제에 대한 기술적 해결책/이점에 관한 것이다. 따라서, 본 개시는 웨어러블 디바이스의 사용자를 위한 스트레스 스코어를 계산하기 위한 시스템 및 방법에 관한 것이다. 특정 실시예에서, 예를 들어, 스트레스 스코어는 사용자가 웨어러블 디바이스를 착용한 상태에서 EDA(electro-dermal activity) 센서로부터 수집된 EDA 데이터를 이용하여 계산될 수 있다. 보다 구체적으로, 교감 신경계는 사람의 몸 전체에 미세한 땀을 유발할 수 있으므로 웨어러블 디바이스의 EDA 센서와 사용자의 손 또는 손가락 끝 사이의 전도도(conductance)는 땀 수준이 증가함에 따라 증가한다. 이와 같이, EDA 센서에 사용자의 손바닥이나 손가락을 가까이 대는 경우, EDA 센서는 웨어러블 디바이스에서 사용자의 스트레스를 정확하고 자동으로 계산하는데 사용할 수 있는 데이터를 생성할 수 있다.

본 발명의 양태 및 이점은 하기 설명에서 부분적으로 설명될 것이며, 설명으로부터 명백할 수 있거나, 본 발명의 실시를 통해 학습될 수 있다.

본 개시는 웨어러블 디바이스의 사용자에 대한 스트레스 스코어를 정확하고 자동으로 계산하기 위한 방법에 관한 것이다. 방법은 웨어러블 디바이스 상의 하나 이상의 외부 센서로부터 웨어러블 디바이스의 사용자의 상태에 대응하는 제1 특징 데이터를 수신하는 단계를 포함한다. 방법은 또한 웨어러블 디바이스의 프로세서를 통해 사용자의 상태에 대응하는 제2 특징 데이터, 즉 사용자에 의해 제공된 제2 특징 데이터를 획득하는 단계를 포함한다. 또한, 방법은 웨어러블 디바이스의 프로세서를 통해 제1 특징 데이터 및 제2 특징 데이터를 사용하여 스트레스 스코어를 계산하는 단계를 포함한다. 또한, 방법은 웨어러블 디바이스의 프로세서를 통해 계산된 스트레스 스코어에 적어도 부분적으로 기초하여 적어도 하나의 동작을 수행하는 단계를 포함한다.

일 실시예에서, 스트레스 스코어는 웨어러블 디바이스 사용자의 현재 스트레스 레벨 또는 스트레스 탄력성(resilience) 레벨 중 적어도 하나를 나타낸다.

다른 실시예에서, 제1 특징 데이터는 웨어러블 디바이스 상의 적어도 하나의 외부 EDA(electro-dermal activity) 센서를 사용하여 캡처된 EDA 데이터를 포함한다. 이러한 실시에에서, 외부 EDA 센서(들)은 사용자의 손목에서 이격된 웨어러블 디바이스의 측면에 장착될 수 있다.

추가 실시예에서, 제1 특징 데이터 및 제2 특징 데이터는 수면 특징, 활동 특징 및 심박 특징 중에서 선택된 특징 데이터를 포함할 수 있다. 이러한 실시예에서, 제1 특징 데이터 및 제2 특징 데이터를 이용하여 스트레스 스코어를 계산하는 단계는 수면 특징, 활동 특징 및 심박 특징의 가중 합으로서 스트레스 스코어를 계산하는 단계를 더 포함한다.

추가 실시예에서, 수면 특징은 불안 증세, 단편화(fragmentation), 수면 저장(reservoir) 레벨, 깊은/REM 수면 기간, 깊은 수면 잠복기 또는 악몽 발생 중 적어도 하나를 포함할 수 있다.

특정 실시예에서, 활동 특징은 액티브존 미닛(aactive zone minutes) 또는 활동 레벨, 운동 또는 활동 메트릭, 노력 메트릭, 활동 유형, 움직임 패턴, 또는 걸음 수 또는 움직임 중 적어도 하나를 포함할 수 있다.

추가 실시예에서, 심박 특징은 깊은 수면 심박수 변이도(HRV), 안정시 상승된 심박수(HR), 안정시 심박수(RHR) 이상의 수면 심박수(HR) 중 적어도 하나를 포함할 수 있다.

또 다른 추가 실시예에서, 제1 특징 데이터 및 제2 특징 데이터는 피트니스 피로 스코어, 혈압, 혈액 성분, 호흡수, 체온, 대사 데이터, 혈당 레벨, 체중 또는 성분, 심리 상태, 인지된 스트레스, 우울증, 성대 운율/톤/압력, 혈중 코티솔/에피네프린/노르에피네프린 수치, 저밀도 지단백(LDL) 수치, BMI×운동, 성별별 값 또는 기분 기록 데이터 중 적어도 하나로부터 선택된 특징 데이터를 포함할 수 있다.

다른 실시예에서, 동작(들)은 인터페이스 생성, 알림 제공, 웨어러블 디바이스의 동작 수정, 사용자에 대한 추천 제공 또는 분석용 데이터 전송 중 적어도 하나를 포함할 수 있다.

다른 양태에서, 본 발명은 웨어러블 컴퓨팅 디바이스에 관한 것이다. 웨어러블 컴퓨팅 디바이스는 하나 이상의 센서, 적어도 하나의 프로세서, 및 명령들을 포함하는 적어도 하나의 메모리를 포함하고, 상기 명령들은 적어도 하나의 프로세서에 의해 실행될 때 웨어러블 컴퓨팅 디바이스로 하여금 하나 이상의 외부 센서로부터, 웨어러블 디바이스 사용자의 상태에 대응하는 제1 특징 데이터를 수신하고, 사용자의 상태에 대응하는 제2 특징 데이터를 획득하고, 상기 제2 특징 데이터는 사용자에 의해 제공되고, 제1 특징 데이터 및 제2 특징 데이터를 사용하여 스트레스 스코어를 계산하고, 그리고 계산된 스트레스 스코어에 적어도 부분적으로 기초하여 적어도 하나의 동작(action)을 수행하게 한다.

본 발명에 따른 다양한 실시예가 도면을 참조하여 설명될 것이다:
도 1a 및 도 1b는 다양한 실시예에 따른 사용자 건강 정보를 획득하고 분석하는데 사용될 수 있는 예시적인 디바이스를 도시한다.
도 2는 다양한 실시예에 따른 통신할 수 있는 예시적인 디바이스 세트를 도시한다.
도 3은 다양한 실시예에 따른 이용될 수 있는 예시적인 스트레스 스코어 알고리즘을 도시한다.
도 4는 다양한 실시예에 따른 제공될 수 있는 예시적인 인터페이스를 도시한다.
도 5는 다양한 실시예에 따른 제공될 수 있는 예시적인 인터페이스를 도시한다.
도 6은 다양한 실시예에 따른 제공될 수 있는 예시적인 인터페이스를 도시한다.
도 7은 다양한 실시예에 따른 이용될 수 있는 스트레스 스코어를 결정하기 위한 예시적인 프로세스를 도시한다.
도 8은 다양한 실시예에 따른 이용될 수 있는 사용자에 대한 스트레스를 모니터링하기 위한 예시적인 프로세스를 도시한다.
도 9는 다양한 실시예의 양태가 구현될 수 있는 예시적인 환경을 도시한다.

이하의 설명에서, 다양한 실시예가 설명될 것이다. 설명의 목적을 위해, 구체적인 구성 및 세부 사항은 실시예의 완전한 이해를 제공하기 위해 제시된다. 그러나, 실시예가 특정 세부 사항 없이 실시될 수 있다는 것도 당업자에게 명백할 것이다. 게다가, 설명되는 실시예를 모호하게 하지 않기 위해 잘 알려진 특징은 생략되거나 단순화될 수 있다.

컴퓨팅 디바이스가 보다 유비쿼터스화되고 휴대가능해짐에 따라, 건강 모니터링 및 진단 분야에서 많은 이점이 나타나고 있다. 컴퓨팅 디바이스, 특히 사용자가 착용하거나 휴대할 수 있는 디바이스들은 사용자 및/또는 사용자 주변 환경에 대한 생리학적 정보를 감지하는 하나 이상의 센서를 포함할 수 있다. 이 정보는 전통적인 진료소나 실험실 환경 밖에서 다양한 건강 상태를 관찰, 검출 또는 진단하는데 사용될 수 있다. 예를 들어, 스트레스를 모니터링하는 맥락에서, 휴대용 또는 웨어러블 전자 디바이스는 사용자의 교감 신경계가 사용자의 몸 전체에 미세한 땀을 유발하는 시기를 검출할 수 있다. 추가적으로, 컴퓨팅 디바이스는 건강 평가를 결정하기 위해 사용자 및/또는 환경에 대한 검출된 정보를 기록하고 해석할 수 있다. 이전 예에서와 같이, 웨어러블 전자 디바이스는 비교적 높은 빈도의 피부 전도 반응(skin conductance response: SCR)을 기록할 수 있으며, 이는 슬라이딩 윈도우 내에서 피부 전도도의 스파이크 수를 확인하고 사용자가 스트레스를 겪고 있다는 평가를 생성할 수 있다

다양한 실시예에 따른 접근법은 사용자의 스트레스 또는 다른 그러한 상태를 나타낼 수 있는 요인(factor)의 결정, 예측 및/또는 모니터링을 제공한다. 적어도 하나의 실시예에서, 이러한 결정은 도 1a의 실시예에 도시된 디바이스(100)와 같은 웨어러블 컴퓨터에 의해 수집된 데이터에 적어도 부분적으로 기초하여 이루어질 수 있다. 본 명세서에서 논의된 다양한 실시예에서, 사람은 사람의 건강 또는 웰빙의 적어도 일부 측면을 자동으로 측정하거나 결정할 수 있는 디바이스(100)를 착용하거나 활용할 수 있다. 특히, 도 1a에 도시된 바와 같이, 디바이스(100)는 스마트 워치(104)이지만, 스마트 또는 연결된 피트니스 밴드 또는 추적기, 시계, 반지, 이어버드, 전화, 의류 등과 같은 다른 디바이스도 다양한 실시예의 범위 내에서 이용될 수 있다. 이 예에서, 사람은 팔(102) 또는 손목에 디바이스(100)를 착용할 수 있고, 건강 정보를 포함할 수 있는 컨텐츠를 디바이스의 디스플레이(106)에서 볼 수 있다. 많은 실시예에서, 디스플레이(106)는 본 명세서의 다른 곳에서 논의된 바와 같이 사람이 그 사람의 건강 또는 상태에 대한 정보를 입력하거나 주석을 달 수 있게 하는 터치 감지형 디스플레이이다.

이제 도 1b를 참조하면, 디바이스(100)는 디바이스(100)의 후면도(150)에 도시된 바와 같이 다양한 측정 컴포넌트(152, 154)(여기서는 센서라고도 지칭됨)를 포함할 수 있다. 보다 구체적으로, 도시된 바와 같이, 디바이스(100)는 하나 이상의 내부 센서(152) 및/또는 하나 이상의 외부 센서(154)를 포함할 수 있으며, 이는 사용자에 관한 정보를 측정하거나 검출하는데 사용될 수 있는 EDA 센서 및/또는 모션 및 온도 센서와 같은 임의의 적합한 유형의 센서를 포함할 수 있다. 또한, 실시예에서, 측정 컴포넌트(152, 154)는 광학 측정 서브시스템을 포함하거나 관련될 수 있다. 이 예에서, 광 측정 서브시스템은 적어도 하나의 광 에미터(optical emitter, 광 방출기) 및 적어도 하나의 광 수신기를 포함한다. 에미터는 착용자의 피부 표면에서 반사되거나 이동 후 표면 아래에서 난반사될 수 있으며 에미터들 중 적어도 하나에 의해 검출될 수 있는 하나 이상의 파장의 광(light)을 방출할 수 있다. 이러한 광학 조립체는 사람이 스마트 워치를 착용하고 있는 동안 스마트 워치가 다양한 유형의 정보를 측정할 수 있게 할 수 있다. 또 다른 실시예에서, 외부 센서(들)(154)는 사용자의 손바닥 또는 손가락으로 쉽게 접근할 수 있는 EDA 센서를 포함할 수 있어서, 사용자가 EDA 센서와 쉽게 접촉하여 그 센서로 하여금 디바이스(100)가 사용자의 스트레스를 정확하고 자동으로 계산하는데 사용할 수 있는 데이터를 생성하게 할 수 있다. 따라서, 본 발명은 EDA 센서(들)(154)를 통해 사용자의 스트레스를 정확하고 자동으로 계산하는 실제 적용에 연결된다.

도 2는 다양한 실시예의 양태가 구현될 수 있는 예시적인 환경(200)을 도시한다. 이 예에서, 사람은 적어도 하나의 무선 통신 프로토콜을 사용하여 통신할 수 있는 여러 다른 디바이스를 가질 수 있다. 이 예에서, 사용자는 스마트 폰(204) 및 태블릿 컴퓨터(206)와 통신할 수 있기를 원하는 스마트 시계(202) 또는 피트니스 추적기를 가질 수 있다. 다수의 디바이스와 통신하는 능력은 사용자가 스마트 폰(204) 또는 태블릿 컴퓨터(206)에 설치된 애플리케이션을 사용하여 스마트 워치상의 센서를 사용하여 캡처된 심박수 데이터와 같은 정보를 스마트 워치(202)로부터 획득할 수 있도록 할 수 있다. 사용자는 또한 스마트 워치(202)가 서비스 제공자(208) 또는 스마트 워치로부터 데이터를 획득 및 처리할 수 있고 스마트 워치 또는 개별 디바이스 상에 설치된 애플리케이션에서 이용 가능하지 않을 수 있는 기능을 제공할 수 있는 다른 그러한 엔티티와 통신할 수 있기를 원할 수 있다. 스마트 워치(202)는 인터넷 또는 셀룰러 네트워크와 같은 적어도 하나의 네트워크(210)를 통해 서비스 제공자(208)와 통신할 수 있거나, 블루투스와 같은 무선 연결을 통해 개별 디바이스 중 하나와 통신할 수 있으며, 이어서 적어도 하나의 네트워크를 통해 통신할 수 있다. 다양한 실시예에서 다수의 다른 유형의 통신 또는 통신에 대한 이유가 있을 수 있다.

단순히 의사소통할 수 있는 것 외에도, 사용자는 디바이스가 여러 방식으로 또는 특정 측면에서 통신할 수 있기를 원할 수도 있다. 예를 들어, 사용자는 특히 데이터가 개인 건강 데이터 또는 기타 이러한 통신을 포함할 수 있는 경우 디바이스 간의 보안 통신을 원할 수 있다. 디바이스 또는 애플리케이션 제공자는 적어도 일부 상황에서 이 정보를 보호해야 할 수도 있다. 사용자는 디바이스들이 순차적이 아닌 동시에 서로 통신할 수 있기를 원할 수 있다. 이것은 페어링이 필요할 수 있는 경우에 특히 그러한데, 사용자는 각 디바이스가 한 번만 페어링되거나 수동 페어링이 필요하지 않은 것을 선호할 수 있다. 사용자는 또한 통신이 가능한 한 표준 기반이 되기를 바랄 수 있는데, 그러게 되면 사용자 측에서 수동 개입이 거의 필요하지 않을 뿐만 아니라 디바이스가 다양한 독점 형식의 경우가 아닌 가능한 한 많은 다른 유형의 디바이스와 통신할 수 있다. 따라서 사용자는 하나의 디바이스를 휴대하고 방(room)안을 걸을 수 있고 이러한 디바이스가 사용자 측에서 거의 또는 전혀 노력하지 않고도 다른 타겟 디바이스와 자동으로 통신하도록 할 수 있기를 원할 수 있다. 기존의 다양한 접근 방식에서, 디바이스는 Wi-Fi와 같은 통신 기술을 활용하여 WLAN(무선 근거리 통신망)을 사용하는 다른 디바이스와 통신한다. 많은 사물 인터넷(IoT) 디바이스와 같은 더 작거나 더 적은 용량의 디바이스는 블루투스, 특히 전력 소비가 매우 낮은 BLE(Bluetooth Low Energy)와 같은 통신 기술을 대신 활용한다.

추가 실시예에서, 도 2에 도시된 환경(200)은 데이터가 다양한 방식으로 캡처, 처리 및 디스플레이될 수 있도록 한다. 예를 들어, 데이터는 스마트 워치(202)상의 센서를 사용하여 캡처될 수 있지만 해당 스마트 워치의 제한된 리소스로 인해 데이터는 처리를 위해 스마트폰(204) 또는 서비스 제공자(208)(또는 클라우드 리소스)로 전송될 수 있으며 해당 처리 결과는 이어서 스마트 워치(202), 스마트폰(204), 또는 태블릿 컴퓨터(206)와 같이 해당 사용자와 관련된 다른 디바이스 상에서 해당 사용자에게 다시 제시될 수 있다. 적어도 일부 실시예에서, 사용자는 또한 이러한 디바이스들 중 어느 하나 상의 인터페이스를 사용하여 해당 결정을 내릴 때 고려될 수 있는 건강 데이터와 같은 입력을 제공할 수 있다.

적어도 하나의 실시예에서, 사용자에 대해 결정된 데이터는 현재 스트레스 레벨 또는 해당 사용자의 상태와 관련될 수 있는 것과 같은 상태 정보를 결정하는데 사용될 수 있다. 이 데이터 중 적어도 일부는 사용자의 이모조모(aspects)를 측정하거나 감지할 수 있는 센서 또는 컴포넌트를 사용하여 결정될 수 있는 반면, 다른 데이터는 해당 사용자가 수동으로 입력하거나 다른 방식으로 얻을 수 있다. 적어도 하나의 실시예에서, 다양한 입력을 수동, 자동 또는 기타 방식으로 얻을 수 있는 다양한 입력을 입력으로 사용하는 스트레스 결정 알고리즘이 사용될 수 있다. 적어도 하나의 실시예에서, 이러한 알고리즘은 다양한 유형의 인자(factor)를 취할 수 있고 이를 사용하여 스트레스 스코어를 생성할 수 있다. 그러한 하나의 스트레스 스코어는 도 3의 접근법(300)에 도시된 바와 같이 계산될 수 있다. 이 예에서, 스트레스 스코어는 상이한 인자 유형의 가중(된) 합계로서 계산된다. 적어도 하나의 실시예에서, 이러한 유형의 인자에는 수면 특징(예를 들어, 불안 증상(restlessness), 단편화(fragmentation)), 활동 특징(예를 들어, 상대적 AZM, 상대적 단계), 및/또는 심박 특징(예를 들어, HF/LF HRV, 휴식시 상승된 심박수)뿐만 아니라 EDA(electro-dermal activity)와 같은 입력이 포함될 수 있으며, 여기서 EDA는 갈바닉 피부 반응을 측정하는데 사용할 수 있다. 적어도 하나의 실시예에서, 이들 인자는 정규화되고 그런 다음 가중치가 테스트, 기계 학습 또는 기타 이러한 접근 방식을 통해 결정될 수 있다.

적어도 하나의 실시예에서, 이들 인자는 적어도 12개의 상이한 메트릭으로 구성될 수 있다. 그러나, 다양한 실시예에 따라 상이한 수, 선택, 유형 또는 변형이 상이한 알고리즘과 함께 사용될 수 있음을 이해해야 한다. 수면 특징과 관련된 제1 특징 유형은 다음과 같은 특징들을 포함할 수 있다. 수면 스코어 불안 증상 값은 30일과 같은 기간에 걸쳐 사람에 대해 정규화될 수 있는 수면 동안의 움직임 양의 척도(측정치)를 제공할 수 있다. 불안한 수면(restless sleep)은 공지된 생리적 스트레스 마커(marker)이다. 단편화 특징은 사람이 30분(WASO)과 같은 임계 시간 이상 동안 깨어 있었던 횟수를 나타낼 수 있으며, 이는 30일과 같은 기간 동안 평균으로 정규화될 수 있다. 단편적인 수면(fragmented sleep)은 생리적 스트레스 지표로도 알려져 있다. 수면 저장(sleep reservoir, 확보) 레벨은 예를 들어 스코어에 영향을 덜 미치고 인구 수준에 대해 정규화된 날짜들이 있는 지난 주 동안 사람이 얼마나 잘 잤는지를 나타낸다. 이 메트릭은 지난 주 사용자의 수면을 분석하여 여러 날 밤의 나쁜 수면이 하룻밤의 수면에서 항상 회복될 수는 없다는 사실을 설명한다. 전반적인 수면 지속시간은 또한 감정 조절을 저하시킬 수 있으며 따라서 숙면 후 스트레스를 유발하지 않을 수 있는 상황이 스트레스가 될 수 있다. 적어도 하나의 실시예에서, 사용자의 수면 저장 레벨이 고갈되는 속도를 계산하기 위해 상수 세트가 결정 및/또는 이용될 수 있다. 수면 저장 레벨은 지난 7일 동안의 수면과 같은 최근 기간 동안 사용자가 취한 편안한 수면의 누적량을 나타낼 수 있다. 사용자가 다소 적당한 수면, 매우 얕은 수면 또는 매우 짧은 수면을 취한 경우, 이 저장 레벨은 고갈되어 0에 가까워지지만 속도(rate)는 다르다. 사용자가 지난 7일 동안 각각 최소 7시간의 수면을 취하면서 충분히 휴식을 취한 경우, 이 값은 최대 정규화 값인 1에 더 가까울 수 있다. 이러한 접근 방식은 사용자가 자신의 수면을 고갈시키는 속도와 특정 수면 기간이 수면 측면에서 누적되는 방식을 결정할 수 있는 특정 상수를 사용하여, 수면 계산을 정규화된 수면 저장 스케일에 매핑할 수 있다. 일 실시예에서, 수면의 제1 기간은 편안한 수면으로서 카운트되지 않으며 초기 기간 이후의 수면만 편안한 수면으로 카운트되는 것으로 결정된다. 이 초기 기간이 지나면, 사용자는 수면을 누적하고 있다고 판단할 수 있다. 초기 기간 이후의 수면 상태 또는 유형에 따라 회복되는 휴식의 양 또는 속도가 결정될 수 있다.

깊은 수면 및/또는 램(REM) 수면 지속기간은 예를 들어 지난 30일과 같은 기간 동안 인구 통계 그룹 평균을 사용하여 정규화된 가장 최근 밤의 깊은 수면 시간(분)과 램 수면 비율을 나타낼 수 있다. 깊은 수면 잠복기(latency) 특징은 잠든 후 처음으로 깊은 수면에 들어가기 전의 시간(분)을 나타낼 수 있으며, 이는 예를 들어 지난 30일 동안의 개인 평균을 사용하여 정규화될 수 있다. 수면 시작과 첫 번째 깊은 수면 기간 사이의 긴 대기시간은 생리적 스트레스 마커로 알려져 있다.

적어도 하나의 실시예에서, 다수의 상이한 활동 특징이 있을 수 있다. 여기에는 예를 들어 권장 150/주에 상대적인 인구 수준을 사용하여 정규화된, 주간(weekly) 액티브 존 미닛의 수를 포함하는 액티브 존 미닛(active zone minutes: AZM) 기능이 포함될 수 있다. 기능 값은 AZM이 약 150 범위보다 높거나 낮을 때 증가할 수 있다. 적어도 일부 실시예에서, 이들 미닛(minutes)은 디바이스 상의 모션 및 심박수 센서와 같은 센서를 사용하여 결정될 수 있다. 가벼운 운동에서 중간 정도의 운동은 스트레스에 대한 "방패" 역할을 하기 때문에, 너무 적은 주간 활동은 코티졸 수치를 증가시킬 수 있으며 이벤트(events, 사건)을 스트레스 요인으로 인식하기 쉽게 만든다. 운동은 정의상 스트레스 요인이기 때문에 너무 많은 주간 활동은 피로를 유발할 수 있다. 스트레스 요인(stressor)은 긴장이나 긴장 상태를 유발하는 자극이나 사건을 나타내며, 따라서 스트레스 반응을 초래한다. 스트레스 반응 또는 증상은 항상성을 유지하려는 시도에서 스트레스 요인에 대한 반응으로 신체가 겪는 생리적, 심리적 변화를 나타낸다. 여러 스트레스 반응은 단일 스트레스 요인에 의해 유도될 수 있다. 심리적 스트레스 반응은 사람이 자신의 자원에 부담을 주거나 초과하여 자신의 안녕(well-being)을 위태롭게 한다고 평가하는 사람과 환경 사이의 관계를 나타낸다. 또 다른 기능은 일일과 같은 일정 기간 동안의 총 걸음 수에 해당하는 걸음 카운트 값일 수 있다. 이것은 30일과 같은 기간 동안 인구 통계 그룹 평균을 사용하여 정규화될 수 있다. 가벼운 운동에서 중간 정도의 운동은 스트레스에 대한 "방패" 역할을 하기 때문에, 너무 적은 일일 걸음은 코티졸 수치를 증가시킬 수 있으며 이벤트를 스트레스 요인으로 인식하기 쉽게 만든다. 운동은 정의상 스트레스 요인이기 때문에 너무 많은 일일 걸음은 피로를 유발할 수 있다. 활동을 나타내는 다른 인자도 있을 수 있으며, 다양한 유형의 데이터를 분석하여 활동의 다양한 유형 또는 양을 결정한다.

적어도 하나의 실시예에서, 스트레스 결정에는 다양한 심박 특징이 포함될 수 있다. 하나의 심박 특징은 저주파(LF) 심박수 값(heart rate value: HRV)에 대한 깊은 수면 고주파(HF)이다. 적어도 하나의 실시예에서, 이것은 교감신경/부교감신경 활동 사이의 교감미주신경(symapthovagal) 균형을 포착하고, 30일과 같은 기간 동안 인구 통계 그룹 평균으로 정규화될 수 있다. 깊은 수면과 REM 수면이 부족하면, 감정 조절이 더 어려워지기 때문에 숙면을 취한 후에도 스트레스를 유발하지 않을 수 있는 상황이 스트레스가 될 수 있다. 심박 변이도(heart rate variability: HRV)는 심박 사이의 시간 변동성을 정량화한다. 다양한 HRV 메트릭이 존재하며 고주파(HF) 전력에 대한 저주파(LF) 전력은 교감미주신경 균형을 정량화하는데, 여기서 숫자가 클수록 SNS 활동이 많고 숫자가 낮을수록 PNS 활동이 많다. 이 메트릭(지표)은 가장 편안한 수면이므로 낮 동안 SNS가 가장 높은 깊은 수면 기간 동안의 LF/HR HRV만 고려한다. 또 다른 특징은 30일과 같은 기간 동안 개인 평균을 사용하여 정규화될 수 있는 임계값을 초과하는 휴식 HR의 양 및 크기에 해당할 수 있는 휴식 시 심박수(HR) 상승과 관련될 수 있다. 낮 동안 휴식하는 동안 심박수 상승은 교감미주신경 균형이 증가했다는 신호이며, 이는 교감신경계(SNS) 활동이 너무 많고 부교감신경계(PNS) 활동이 불충분함을 의미한다. 스트레스는 교감미주신경 균형이 증가시키는 반면 빈혈, 카페인, 알코올, 열, 고혈압 또는 저혈압, 전해질 불균형(탈수로 인한 것일 수 있음), 갑상선 기능 항진증, 흡연 또는 약물을 포함하여 다른 많은 것들이 심박수를 증가시킬 수 있다.

휴식(안정시) 심박수(resting heart rate: RHR) 이상의 수면 심박수(RHR)는 사용자의 HR이 휴식 HR보다 높은 수면 중 시간의 백분율을 나타낼 수 있으며, 원시 백분율로 절대 메트릭을 사용하여 정규화될 수 있다. 휴식 시 상승된 HR과 유사하게, 이것은 교감신경-미주신경 균형의 척도이기도 하지만 낮 동안이 아닌 수면 중 HR을 정량화한다. 많은 인자로 인해 이 메트릭이 높아질 수 있지만, 특히 취침 전에 술을 마시면 이 수치가 높아진다. 30-90일과 같은 기간에 걸쳐 개인 최소/최대 범위를 사용하여 정규화될 수 있는 바와 같이, 운동의 피로 효과와 운동의 피트니스 효과를 단일 스코어로 균형을 맞춘 피트니스 피로 스코어가 계산될 수 있다. 이 스코어는 심박수를 통해 측정된 바와 같이 장기적으로 피트니스 레벨에 대한 운동의 이중 기여와 단기적으로 피로를 측정한다. 주간 활동 및 일일 걸음과 유사하게 높은 피로 수준은 정의상 휴식이 필요한 스트레스이다. 피트니스 피로는 인간의 심박을 선형 시스템으로 취급할 수 있다. 일정 기간 동안 심박수를 측정함으로써, 인체의 피로도의 누적된 표현이 피트니스 피로 스코어로서 정량화하여 얻을 수 있다. 사용자가 운동과 같이 심박수가 높은 이벤트를 겪을 때 이러한 운동의 피로 효과를 반영하여 이 스코어가 내려가는 시간이 있을것이다. 이 기간 후에는 신체가 운동에 더 적합하고 탄력성이 있으며 향후 운동 이벤트에 더 잘 대비할 수 있다는 사실을 반영하기 위해 스코어가 올라가는 기간이 있을 것이다.

적어도 하나의 실시예에서, EDA 데이터는 또한 위에서 논의된 바와 같이 스트레스 결정 인자로 고려될 수 있다. EDA 데이터를 캡처하거나 결정하기 위한 접근 방식은 '각성 활성화에 대한 감지 및 반응'이라는 제목의 공동 계류 중인 출원에 기재되어 있으며, 그의 전문은 모든 목적을 위해 본 명세서에 통합되어 있다. 교감 신경계 활동은 땀을 유발하며, EDA는 사용자 피부의 컨덕턴스 양을을 측정하여 현재 SNS 활동량을 정량화한다. 이 메트릭은 적어도 일부 실시예에서 PNS를 측정하지 않으며, 따라서 다른 심박 관련 메트릭과 달리 SNS 활동이 아니라 교감미주신경 균형의 진정한 척도를 제공하지 않을 수 있다. 기능 값은 명상 및 체크인(check-in) 세션 동안 EDA 활동과 관련될 수 있다. 예를 들어, 사용자가 EDA 세션을 사용하여 명상 또는 "체크인" 세션을 기록한 경우, 모든 세션에서 평균 EDA 스코어는 그들의 베이스라인(기준) 값과 비교될 수 있으며 기능은 예를 들어 0, 1 또는 2점의 스코어를 받을 수 있다. 세션이 기록되지 않은 경우 1점을 받을 수 있다. 일 실시예에서, 그 날 EDA를 기록하지 않은 사용자들은 1점을 얻을 수 있는 반면, 가이드된 EDA 세션을 수행한 사용자들은 2포인트(정렬에 관계없이)를 얻고, 가이드되지 않은 EDA 세션을 수행한 사용자들은 유효한 EDA 세션의 마지막 30일에 상대적인 세션 평균을 사용한다. 세션이 평균보다 높으면 해당 사용자들은 0점을 받는다. 세션이 평균 수준이면 사용자는 1점을 얻는다. 세션이 평균 미만인 경우 사용자는 2점을 얻는다.

적어도 하나의 실시예에서, 스트레스 스코어 계산에서 EDA의 가중치는 EDA 값의 정확도 또는 개별 사용자에 대한 해당 데이터의 상대적 중요도와 같은 인자에 부분적으로 의존할 수 있기 때문에 변할 수 있다. 적어도 하나의 구현예에서, EDA는 교감 신경계 활동의 양을 정량화하기 위한 프록시 역할을 할 수 있다. 이 데이터는 일시적으로 발생하는 이 활동을 나타낼 수 있다. 교감 신경계는 사람의 몸 전체에 미세한 땀을 유발할 수 있으므로 센서와 사용자의 손 또는 손가락 끝 사이의 전도도는 땀 수준이 증가함에 따라 증가한다. 더 큰 전도도가 감지되는 경우, 이것은 더 높은 교감 신경계 활동을 나타낼 수 있다. 적어도 하나의 실시예에서, 적어도 2개의 상이한 EDA 메트릭이 모니터링될 수 있다. 첫 번째 메트릭은 시간 경과에 따른 절대 레벨과 해당 값이 증가하는지 또는 감소하는지 여부를 확인하는, 피부 전도도 레벨(skin conductance level)이라는 톤 메트릭이다. 두 번째 메트릭은 1분의 기간과 같은 슬라이딩 시간 윈도우 내에서 피부 전도도의 스파이크 수를 확인하는 피부 전도도 반응(SCR)을 나타낸다. 따라서 SCR은 EDA 전도도 레벨에서 스파이크의 분당 카운트를 나타낼 수 있다. 적어도 하나의 실시예에서, 이러한 목적을 위해 연속적인 EDA 결정이 이루어질 수 있는 반면, 불연속 또는 주기적인 EDA 신호는 이러한 세분화된 결정을 지원하지 않을 수 있다.

적어도 하나의 실시예에서, 알고리즘은 사용자의 현재, 과거 또는 미래의 스트레스 상태를 나타내는 스트레스 스코어를 생성하기 위해 이러한 특징 및/또는 다른 이러한 특징 중 적어도 일부를 이용할 수 있다. 이러한 스코어를 활용하는 시스템 또는 서비스는 신체적 및/또는 인지된 스트레스와 상관될 수 있는 실시간 메트릭을 제공할 수 있다. 이러한 시스템은 사용자에 의한 수동 입력을 제공할 수 있고, 신체적 또는 인지된 스트레스 관련 데이터의 수집과 관련될 수 있다. 적어도 하나의 실시예에서, 이러한 시스템은 광범위한 사용자 분포에 대한 만성 스트레스를 측정하는 인지된 스트레스 척도(perceived stress scale: PSS) 설문 조사 결과를 캡처할 수 있다. 이러한 시스템은 또한 일일 생리적 스트레스 및/또는 스트레스 용량 메트릭을 생성할 수 있다. 적어도 하나의 실시예에서, 알고리즘은 스트레스 용량 및/또는 탄력성을 반영하기 위해 반전될 수 있는 생리학적 스트레스의 "전문가 안내(expert guided)" 결정을 나타내는 스트레스 스코어를 계산할 수 있다. 적어도 하나의 실시예에서, 낮은 스트레스 용량 또는 탄력성 스코어는 높은 수준의 스트레스를 나타낼 수 있는 반면, 높은 탄력성 스코어는 그날의 인지적/감정적/신체적 요구에 대한 준비성을 나타낼 수 있다.

도 4는 적어도 하나의 실시예에 따라 사용자에게 제공될 수 있는 예시적인 디스플레이 또는 인터페이스를 도시한다. 이 예에서, 제1 인터페이스(400)는 추가 스트레스 데이터를 얻기 위한 옵션뿐만 아니라 스트레스 스코어 필드를 포함하는 정보를 제공한다. 제2 인터페이스(410)는 시간에 따라, 이 경우 특정 주에 걸쳐 표시된(plotted) 일련의 스트레스 스코어를 제공한다. 이러한 정보는 사용자가 트렌드를 식별하는데 도움이 될 뿐만 아니라 다른 날의 이벤트를 다른 스트레스 레벨 또는 스코어와 상관시키는데 도움이 될 수 있다. 도시된 바와 같이, 사용자는 다양한 수준의 스트레스에 대한 피드백을 제공할 수 있으며, 비교를 위해 일별로 표시할 수도 있다. 제3 인터페이스(420)는 그 주 또는 기간 동안 기분(mood)과 같은 다른 정보를 제공할 수 있다. 적어도 하나의 실시예에서, 반응성, 활동 균형(exertion balance), 또는 수면 패턴 또는 스코어와 관련될 수 있는 바와 같이, 스트레스 스코어에 대한 다양한 서브 스코어 또는 컴포넌트가 있을 수 있다. 제4 인터페이스(430)는 사용자가 그들의 현재 기분 또는 상태에 대한 피드백을 제공할 수 있게 할 수 있다.

도 5는 다른 실시예에 따른 사용자에게 제공될 수 있는 추가적인 인터페이스를 도시한다. 이 예에서, 각 인터페이스는 사용자가 스트레스의 절대 수준으로 해석할 수 있는 스트레스 스코어가 아니라 스트레스 탄력성(resilience, 회복력)과 관련된 정보를 제공한다. 제1 인터페이스(500)는 스트레스 탄력성 스코어뿐만 아니라 마지막으로 제시된 스트레스 상태(및 해당 상태가 제시된 시간)를 제시할 수 있다. 제2 인터페이스(510)는 프리젠테이션 전에 해당 사용자로부터 적어도 일부 데이터 또는 허가가 필요할 수 있는 경우와 같이 스트레스 탄력성 데이터를 아직 입력하거나 획득하기 시작하지 않은 사용자에게 제공될 수 있다. 제3 인터페이스(520)는 이전에 논의된 바와 같이 개별 스트레스 탄력성 컴포넌트에 대한 데이터를 포함하여 시간 경과에 따른 스트레스 탄력성의 상이한 뷰를 제공한다. 이러한 인터페이스는 또한 사용자가 프리젠테이션을 위한 이러한 값을 결정하는데 사용할 수 있는 새로운, 추가 또는 업데이트된 피드백을 제공할 수 있도록 한다.

도 6은 또 다른 실시예에 따른 사용자에게 제공될 수 있는 추가 인터페이스를 도시한다. 제1 인터페이스 페이지(600)는 시간 경과에 따른 스트레스 탄력성 데이터의 또 다른 뷰를 제시하며, 특히 탄력성 값을 제시하는 대신 다른 날의 스트레스 레벨 또는 상태의 분포를 제시한다. 제2 인터페이스(610)는 사용자가 이러한 스코어, 스코어에 포함되는 항목 및 다른 스코어가 나타내는 것을 이해하는데 도움이 되는 정보를 제공한다. 다양한 다른 데이터 및 인터페이스도 다양한 실시예에 따라 사용될 수 있다.

적어도 하나의 실시예에서, 데이터는 3개의 스트레스 스코어 그룹, 즉 운동 그룹, 심박 그룹 및 수면 패턴 그룹으로 분류될 수 있다. 이러한 실시예에서, 운동 그룹은 주간 활동, 일일 걸음 및 피트니스 피로 스코어 또는 운동 균형에 대한 데이터를 포함할 수 있다. 심박 그룹에는 휴식 시 상승된 HR, RHR보다 높은 수면 HR, 깊은 수면 HRV 및 잠재적으로 EDA가 포함될 수 있다. 이 데이터는 사용자의 신경계, 반응성, 신경 자극, 신경 게이지 및 자극을 나타낼 수 있다. 수면 패턴 그룹에는 수면 불안 증상, 수면 단편화, 깊은 수면 잠복기, 깊은 수면 및 REM 수면 지속기간, 수면 저장 레벨에 대한 데이터가 포함될 수 있다.

적어도 하나의 실시예에서, 스트레스 스코어는 0 내지 100 범위의 값을 가질 수 있으며, 여기서 100의 값은 사용자의 신체가 많은 스트레스 징후를 보이고 있음을 의미할 수 있다. 대안적으로, 스트레스 탄력성 스코어 100은 사용자가 스트레스 징후를 거의 또는 전혀 보이지 않고 있음을 의미할 수 있다. 다른 값이나 메트릭도 사용될 수 있다.

이러한 인터페이스 및 정보는 전체적인 관리 툴을 제공하려고 시도할 수 있다. 따라서 이러한 접근 방식은 신체적 스트레스와 정신적 스트레스를 모두 분석할 수 있다. 사용자가 수면 스코어 등과 같은 다른 스코어와 함께 일일 또는 현재 스트레스 스코어를 빠르게 얻을 수 있는 인터페이스가 제공될 수 있다. 이러한 정보는 또한 사용자가 자신의 기분을 반영하고 사용자에게 해당 정보를 기록하거나 제공하도록 리마인드하는데 도움이 될 수 있다. 언급한 바와 같이, 사용자는 현재 스트레스 상태 또는 스코어에 관한 추가 정보와 해당 결정에 사용되는 다양한 구성 요소를 얻을 수 있는 스트레스 세부정보 페이지와 같은 추가 데이터에 액세스할 수도 있다. 적어도 일부 실시예에서, 사용자는 관심 있는 추가 정보를 얻기 위해 데이터 구성 요소를 자세히 볼 수 있다. 일부 실시예에서, 사용자가 일, 주 또는 월 등의 트렌드(추세)를 보기를 원하는 경우와 같이, 이용 가능한 다중 뷰가 있을 수 있다. 다양한 실시예에 도시된 바와 같이, 센서 및 디바이스는 신체적 스트레스에 대한 데이터를 제공할 수 있지만, 적어도 특정 유형의 정신적 스트레스 데이터에 대해서는 사용자가 정신적 스트레스 데이터의 최상의 소스일 수 있다. 사용자는 현재 기분이나 인지된 스트레스 레벨을 기록하거나 다른 그러한 정보를 제공할 수 있다. 적어도 하나의 실시예에서, 개선된 상관 관계를 제공하기 위해 사용자는 EDA 스캔 후에 기분 또는 스트레스 데이터를 입력하도록 프롬프트될 수 있다. 이러한 접근 방식은 EDA 데이터를 사용자의 신체적 및 정신적 건강에 대한 전체적인 관점으로 통합하는데 도움이 될 수 있다. 일부 실시예에서, 디바이스는 주기적 또는 연속적인 EDA 측정을 제공할 수 있으며, 이는 시간이 지남에 따라 스트레스 결정을 동적으로 업데이트하는데 사용될 수 있다.

적어도 하나의 실시예에서, 스트레스 스코어 결정 알고리즘은 사용자의 스트레스 레벨에 영향을 미칠 수 있는 다양한 인자를 고려한다. 이러한 인자의 가중치는 사용자 또는 다른 유형의 사용자에 걸쳐 결정될 수 있다. 적어도 일부 실시예에서, 이러한 가중치는 정확성을 개선하기 위해 개별 사용자에 대해 적응될 수도 있다. 예를 들어, 수면 단계 알고리즘을 사용하여 특정 사용자들의 스트레스 레벨에 상당한 영향을 미칠 수 있는 수면 기간(periods)을 구별할 수 있다. 또한, 전체 밤 대 특정 수면 상태의 HRV와 같은 인자를 살펴 보면 추가 이해를 얻을 수 있다. 예를 들어, 깊은 수면과 REM 수면 지속시간을 결합하면 이러한 기간이 일반적으로 탄력성이 더 높기 때문에 귀중한 이해를 제공할 수 있다. 8시간의 얕은 수면과 4시간의 얕은 수면, 그리고 4시간의 깊은 수면과 REM 수면 사이에는 상당한 차이가 있을 수 있다. 또한, 정신적 스트레스 인자는 신체적 스트레스 인자보다 다른 사용자에게 더 큰 영향을 미칠 수 있으며, 둘 다 그러한 알고리즘에 의해 고려될 수 있다. 심박수/심박수 변이도(variability) 및 EDA 또는 기타 유사한 데이터를 사용하여 자율 신경계 활동에 대한 운동 또는 노력, 수면 및 프록시의 다양한 도멘인에 걸쳐 다양한 유형의 메트릭을 살펴봄으로써 추가적인 이점을 얻을 수 있다. 사용자에게 유용한 이점은 신체적 스트레스 레벨과 인지된 스트레스 레벨을 비교하여 사용자가 자신의 스트레스를 더 잘 이해할 수 있도록 하는 것이다.

적어도 일부 실시예에서, 스트레스 결정은 가중 및 정규화된 인자의 선형 또는 비선형 조합일 수 있으며, 여기서 이러한 인자는 개인, 인구 통계 또는 다른 이러한 그룹화에 기초하여 정규화될 수 있다. 일부 실시예에서, 일부 인자는 더 높은 스트레스 레벨을 나타내고 다른 인자는 더 낮은 스트레스 레벨을 나타내는 경우 반전될 필요가 있을 수 있다. 예를 들어, 일 실시예에서 반전된 인자는 깊은 수면 및 REM 수면 지속기간, 수면 저장 레벨 및 피트니스 피로 스코어를 포함한다. 일부 인자는 z-스코어 기반 접근 방식을 활용할 수 있는데, 여기서 1의 z-스코어는 평균 위의 하나의 표준 편차를 나타낸다. 언급한 바와 같이, 인자들은 사용자별 또는 인구 통계 그룹별과 같이 서로 다른 기간 및 서로 다른 그룹화에 따라 정규화될 수도 있다. 일부 실시예에서, 모든 값을 0과 1 사이와 같은 결정된 범위에 넣기 위해 z-스코어 후에 레인징 함수가 적용될 수 있다. 일부 실시예에서 이것은 선형 정류 및 보간을 포함할 수 있다.

적어도 하나의 실시예에서, 스트레스 스코어는 100의 척도에서 80과 같은 단일 스코어가 모든 사용자에 대해 동일한 스트레스 레벨 또는 스트레스 탄력성을 나타내도록 결정될 수 있다. 다른 실시예에서, 예를 들어, 제1 사용자의 평균 스트레스 레벨은 50인 반면 다른 사용자의 평균 스트레스 레벨은 80일 수 있으므로 값 70은 두 사용자에게 다른 의미일 수 있다.

또한, 다른 알고리즘에서 또는 상이한 사용자에 대해 상이한 인자가 고려될 수 있다. 예를 들어, 매우 활동적인 사용자는 활동적이지 않은 사용자와 다른 알고리즘을 사용할 수 있는 반면, 다른 유형의 입력을 사용할 수 있거나 사용자가 특정 센서를 비활성화하거나 수집되는 데이터 유형을 제한할 수 있는 옵션이 있는 경우 다른 알고리즘이 다른 디바이스에 사용될 수도 있다. 일 실시예에서, 수면 특징, 활동 특징 및 심박 특징(또는 "반응성" 특징)을 포함하는 적어도 3개의 인자 카테고리가 수집될 수 있다. 일부 실시예에서, EDA 또는 유사한 데이터가 또한 이용될 수 있다. 일부 실시예에서, 활용될 수 있는 이들 카테고리 내의 인자에는 불안 증상, 단편화, 수면 저장 레벨, 깊은/REM 수면 지속기간, 깊은 수면 잠복기, 액티브 존 미닛(활성 구역 시간) 또는 활동 레벨, 걸음 수 또는 움직임, 깊은 수면 HRV, 휴식 시 상승된 HR, RHR보다 높은 수면 HR 및 피트니스 피로 스코어가 포함될 수 있다. 다른 인자에는 다양한 운동 또는 활동 메트릭뿐만 아니라 노력 균형 메트릭이 포함될 수 있다. 가능한 경우 추가 인자에는 혈압, 혈액 성분, 호흡수, 체온, 대사 데이터, 혈당 수치, 체중 또는 구성, 심리적 상태, 인지된 스트레스, 우울증, 활동 유형 또는 현재 움직임 패턴(예를 들어, 보행)이 포함될 수 있다. 다른 인자로는 악몽, 성대 운율/음조/압력, 혈중 코티솔/에피네프린/노르에피네프린 수치, 저밀도 지단백(LDL) 수치, BMI×운동, 성별별 값 또는 기분 기록 데이터가 포함될 수 있다.

이제 도 7을 참조하면, 이용될 수 있는 사용자에 대한 스트레스 스코어를 결정하기 위한 예시적인 프로세스(700)의 일 실시예의 흐름도가 도시되어 있다. 달리 구체적으로 언급되지 않는 한 다양한 실시예의 범위 내에서 유사하거나 대안적인 순서로 또는 적어도 부분적으로 병렬로 수행되는 추가적이거나 더 적거나 대안적인 단계가 있을 수 있음을 이해해야 한다. 이 실시예에서, (702)에 도시된 바와 같이, 프로세스(700)는 웨어러블 디바이스와 관련된 사용자에 대한 스트레스 결정을 활성화하는 단계를 포함한다. 이 활성화는 다른 소스들 중에서도 사용자, 웨어러블 디바이스 또는 관련 디바이스에서 올 수 있다. 결정의 일부로서, (704)에 도시된 바와 같이, 프로세스(700)는 심박수, 수면 상태, EDA, 활동, 또는 본 명세서에 논의되고 제안된 다른 이러한 정보와 관련될 수 있는 것과 같은 사용자의 상태와 관련된 웨어러블 디바이스 상의 하나 이상의 센서 또는 컴포넌트로부터 데이터를 수신하는 단계를 포함한다. (706)에 도시된 바와 같이, 프로세스(700)는 사용자의 인지된 상태 데이터와 관련될 수 있는 것과 같은 사용자에 의해 제공되는 추가 데이터를 획득하는 단계를 포함한다. (708)에 도시된 바와 같이, 이것 및 다른 관련 데이터 중 적어도 일부를 사용하여, 프로세스(700)는 해당 사용자에 대한 스트레스 스코어(또는 스트레스 탄력성 스코어)를 계산하는 단계를 포함한다. 이 스트레스 스코어 또는 값은 사용자의 현재 스트레스 레벨 또는 스트레스 탄력성 레벨과 같은 다양한 스트레스 메트릭과 관련될 수 있다. 이 예에서, (710)에 도시된 바와 같이, 프로세스(700)는 이 계산된 스코어에 적어도 부분적으로 기초하여 웨어러블 디바이스(또는 관련 디바이스)에 대해 적어도 하나의 동작(action)을 수행하는 단게를 포함한다. 이러한 동작에는 인터페이스 생성, 데이터 제시, 알림 제공, 웨어러블 디바이스 동작의 업데이트 또는 수정, 또는 다른 이러한 동작의 수행과 관련될 수 있는 다양한 상이한 동작들 중 어느 하나가 포함될 수 있다.

도 8은 다양한 실시예에 따른 이용될 수 있는 사용자에 대한 스트레스를 모니터링하기 위한 다른 예시적인 프로세스(800)를 도시한다. 이 예에서, (802)에 도시된 바와 같이, 프로세스(800)는 웨어러블 디바이스와 관련된 사용자에 대한 스트레스 모니터링을 활성화하는 단계를 포함한다. 도 7과 관련하여 설명된 바와 같이 초기 스트레스 결정이 수행될 수 있다. 모니터링 동안, (804)에 도시된 바와 같이, 프로세스(800)는 새로운 또는 업데이트된 센서 데이터 및/또는 사용자 제공 데이터를 수신하는 단게를 포함한다. (806)에 도시된 바와 같이, 프로세스(800)는 이 새로운 또는 업데이트된 데이터에 적어도 부분적으로 기초하여 업데이트된 스트레스 스코어를 계산하는 단계를 포함한다. (808)에 도시된 바와 같이, 프로세스(800)는 예를 들어 바로 이전의 값 결정과 관련하여 스트레스 스코어의 변화를 분석하는 단계를 포함한다. (810)에 도시된 바와 같이, 프로세스(800)는 변경이 변경 임계값을 초과하거나 허용 가능한 범위를 벗어나거나 동작 임계값을 만족하는 변경과 같은 실행 가능한 변화인지 여부를 결정하는 단계를 포함한다. 그렇지 않은 경우, 프로세스(800)는 계속해서 새롭고 업데이트된 데이터를 수신할 수 있다. 변경이 실행 가능한 변경으로 결정되면, 변경에 대응하는 (812)에 도시된 바와 같이 적어도 하나의 동작(action)이 수행될 수 있으며, 여기서 이러한 동작은 위의 초기 스트레스 스코어 계산과 관련하여 논의된 것을 포함할 수 있다.

도 9는 다양한 실시예에 따른 이용될 수 있는 예시적인 시스템(900)의 컴포넌트를 도시한다. 이 예에서, 시스템(900)은 다른 옵션증 중에서도 플래시 메모리 또는 DRAM을 포함할 수 있는 메모리 디바이스(904)에 저장될 수 있는 명령들을 실행하기 위한 중앙 처리 장치(CPU) 또는 그래픽 처리 장치(GPU)와 같은 적어도 하나의 프로세서(902)를 포함한다. 당업자에게 자명한 바와 같이, 디바이스는 많은 유형의 메모리, 데이터 저장소 또는 프로세서에 의한 실행을 위한 프로그램 명령을 위한 데이터 저장소와 같은 컴퓨터 판독 가능 매체를 포함할 수 있다. 이미지나 데이터를 위한 동일하거나 별도의 저장소가 사용될 수 있고, 이동식 메모리를 사용하여 다른 디바이스와 정보를 공유할 수 있으며, 여러 가지 통신 방식을 사용하여 다른 디바이스와 공유할 수 있다. 또한, 도시된 바와 같이, 시스템(900)은 터치 스크린, 유기 발광 다이오드(OLED) 또는 액정 디스플레이(LCD)와 같은 임의의 적합한 디스플레이(906)를 포함하지만, 디바이스는 오디오 스피커 또는 프로젝터와 같은 다른 수단을 통해 정보를 전달할 수 있다.

추적기 또는 유사한 디바이스는 도시된 바와 같이 디바이스의 적어도 하나의 입력/출력(I/O) 요소(910)를 포함할 수 있는 적어도 하나의 모션 검출 센서를 포함한다. 이러한 센서는 시스템(900)의 방향 및/또는 움직임을 결정 및/또는 검출할 수 있다. 이러한 요소는 예를 들어 가속도계, 관성 센서, 고도계, 또는 디바이스의 움직임(예를 들어, 회전 운동, 각도 변위, 기울기, 위치, 방향, 비선형 경로를 따른 움직임 등)을 검출하도록 작동하는 자이로스코프를 포함할 수 있다. 방향 결정 요소는 또한 디바이스가 (예를 들어, 기본 축 또는 기타 유사한 측면과 관련하여)가리키는 방향(예를 들어, 북쪽 또는 남쪽)을 나타낼 수 있는 전자 또는 디지털 나침반을 포함할 수 있다. I/O 요소(910)는 또한 디바이스(또는 디바이스의 사용자)의 위치를 결정하는데 사용될 수 있다. 이러한 포지셔닝 요소는 디바이스의 위치에 대한 상대 좌표를 결정하도록 작동 가능한 GPS 또는 유사한 위치 결정 요소(들)를 포함할 수 있다. 포지셔닝 요소는 디바이스의 위치를 결정하기 위해 위치 정보를 브로드캐스트하거나 신호의 삼각측량을 가능하게 하는 무선 액세스 포인트, 기지국 등을 포함할 수 있다. 기타 포지셔닝 요소는 디바이스가 위치 정보 또는 그 디바이스가 위치 정보를 얻을 수 있도록 하는 식별자(예를 들어, 식별자를 해당 대응하는 매핑함으로써)를 검출하고 수신할 수 있도록 하는 QR 코드, 바코드, RFID 태그, NFC 태그 등을 포함할 수 있다. 다양한 실시예는 임의의 적절한 조합으로 이러한 요소를 하나 이상 포함할 수 있다. I/O 요소는(910)는 또한 하나 이상의 생체 인식 센서, 광 센서, 기압 센서(예를 들어, 고도계 등) 등을 포함할 수 있다.

전술한 바와 같이, 일부 실시예는 요소(들)을 사용하여 사용자의 위치 및/또는 움직임을 추적한다. 디바이스의 초기 위치를 결정할 때(예를 들어, GPS 사용), 일부 실시예의 디바이스는 요소(들)를 사용하거나 일부 경우 위에서 언급한 방향 결정 요소(들) 또는 이들의 조합을 사용하여 디바이스의 위치를 추적할 수 있다. 이해해야 하는 바와 같이, 위치 및/또는 방향을 결정하는데 사용되는 알고리즘 또는 메커니즘은 디바이스에 사용 가능한 요소의 선택에 적어도 부분적으로 의존할 수 있다. 예시적인 디바이스는 또한 특정 무선 채널의 통신 범위 내에서 하나 이상의 전자 디바이스와 통신하도록 동작가능한 하나 이상의 무선 컴포넌트(912)를 포함한다. 무선 채널은 디바이스가 블루투스, 셀룰러, NFC 또는 Wi-Fi 채널과 같이 무선으로 통신할 수 있도록 하는데 사용되는 적절한 채널일 수 있다. 시스템(900)은 당업계에 공지된 바와 같이 하나 이상의 종래의 유선 통신 연결을 가질 수 있음을 이해해야 한다. 시스템(900)은 또한 하나 이상의 전력 컴포넌트(908)를 포함하는데, 예를 들어 종래의 플러그인 접근 방식을 통해 또는 전력 매트 또는 다른 디바이스와의 근접을 통한 용량성 충전과 같은 다른 접근 방식을 통해 재충전되도록 작동 가능한 배터리를 포함할 수 있다. 일부 실시예에서, 시스템(900)은 사용자로부터 통상적인 입력을 수신할 수 있는 적어도 하나의 추가 I/O 디바이스(910)를 포함할 수 있다. 이러한 종래의 입력은 예를 들어 푸시 버튼, 터치 패드, 터치 스크린, 휠, 조이스틱, 키보드, 마우스, 키패드, 또는 사용자가 디바이스에 명령을 입력할 수 있는 임의의 다른 디바이스 또는 요소를 포함할 수 있다. 이러한 I/O 디바이스는 일부 실시예에서 무선 적외선 또는 블루투스 또는 기타 링크에 의해 연결될 수도 있다. 일부 디바이스에는 음성 또는 기타 오디오 커맨드를 받아들이는 마이크로폰 또는 기타 오디오 캡처 요소가 포함될 수도 있다. 예를 들어 디바이스에는 버튼이 전혀 없을 수 있지만 사용자가 디바이스에 접촉하지 않고도 디바이스를 제어할 수 있도록 시각적 및 오디오 커맨드의 조합을 통해서만 제어할 수 있다.

언급한 바와 같이, 많은 실시예는 추적기(tracker) 디바이스를 착용한 사람과 같은 인체의 하나 이상의 메트릭에 대한 데이터를 측정하기 위한 하나 이상의 에미터(emitter)(916) 및 하나 이상의 검출기(918)의 적어도 일부 조합을 포함한다. 일부 실시예에서, 이것은 주변 환경의 이미지를 캡처할 수 있고 디바이스 부근에 있는 사용자, 사람 또는 객체를 이미지화할 수 있는 하나 이상의 카메라와 같은 적어도 하나의 이미징 요소를 포함할 수 있다. 이미지 캡처 요소는 사용자가 디바이스를 작동할 때 사용자의 이미지를 캡처하기 위해 충분한 해상도, 초점 범위 및 가시 영역을 갖는 CCD 이미지 캡처 요소와 같은 임의의 적절한 기술을 포함할 수 있다. 컴퓨팅 디바이스와 함께 카메라 요소를 사용하여 이미지를 캡처하는 방법은 해당 기술 분야에 잘 알려져 있으므로 여기에서 자세히 설명하지 않는다. 이미지 캡처는 단일 이미지, 다중 이미지, 주기적 이미징, 연속 이미지 캡처, 이미지 스트리밍 등을 사용하여 수행될 수 있음을 이해해야 한다. 또한, 디바이스는 사용자, 애플리케이션 또는 기타 디바이스로부터 커맨드를 수신할 때와 같이 이미지 캡처를 시작 및/또는 중지하는 기능을 포함할 수 있다.

도 9의 에미터(916) 및 검출기(918)는 또한 일 예에서 광학 광혈류량 측정(PPG) 측정치를 얻기 위해 사용될 수 있다. 일부 PPG 기술은 단일 공간 위치에서 광을 검출하거나 둘 이상의 공간 위치에서 가져온 신호들을 가산하는데 의존한다. 이 두 가지 접근 방식 모두 심박수(HR) 추정치(또는 기타 생리학적 메트릭스)를 결정할 수 있는 단일 공간 측정 결과를 발생한다. 일부 실시예에서, PPG 디바이스는 단일 검출기에 결합된 단일 광원(즉, 단일 광 경로)을 사용한다. 대안적으로, PPG 디바이스는 단일 검출기 또는 다수의 검출기(즉, 2개 이상의 광 경로)에 결한된 다수의 광원을 사용할 수 있다. 다른 실시예에서, PPG 디바이스는 단일 광원 또는 다수의 광원(즉, 2개 이상의 광 경로)에 결합된 다수의 검출기를 사용한다. 일부 경우, 광원(들)은 녹색, 적색 및/또는 적외선 중 하나 이상을 방출하도록 구성될 수 있다. 예를 들어, PPG 디바이스는 특정 파장 또는 파장 범위를 검출하도록 각각 구성된 단일 광원 및 둘 이상의 광 검출기를 사용할 수 있다. 경우에 따라, 각 검출기는 서로 다른 파장 또는 파장 범위를 검출하도록 구성된다. 다른 경우, 두 개 이상의 검출기가 동일한 파장 또는 파장 범위를 감지하도록 구성된다. 또 다른 경우에, 하나 이상의 다른 검출기는 하나 이상의 다른 검출기와 상이한 특정 파장 또는 파장 범위를 검출하도록 구성된다. 다중 광 경로를 사용하는 실시예에서, PPG 디바이스는 HR 추정치 또는 다른 생리학적 메트릭을 결정하기 전에 다중 광 경로로부터 발생하는 신호들의 평균을 결정할 수 있다. 이러한 PPG 디바이스는 개별 광 경로를 분석하지 못하거나 다중 광 경로에서 발생하는 개별 신호를 개별적으로 활용하지 못할 수 있다.

여전히 도 9를 참조하면, 시스템(900)은 다른 옵션들 중에서도, 메모리 디바이스(904), 디스플레이(906), 버스, 하나 이상의 입력/출력(I/O) 요소(910) 및 무선 네트워킹 컴포넌트(912)에 결합된 하나 이상의 프로세서(902)를 더 포함할 수 있다. 그러나, 특정 실시예에서, 디스플레이 및/또는 I/O 디바이스는 생략될 수 있다. 일 실시예에서, 시스템(900)은 손목 밴드의 일부일 수 있으며 디스플레이(906)는 사용자가 손목 밴드를 착용할 때 디스플레이가 사용자의 손목 바깥쪽을 향하도록 구성된다. 다른 실시예에서, 디스플레이는 생략될 수 있고 시스템(900)에 의해 검출된 데이터는 근거리 통신(NFC), 블루투스, Wi-Fi 또는 다른 적절한 무선 통신 프로토콜을 통한 무선 네트워킹 인터페이스를 사용하여, 또는 적어도 하나의 네트워크(920)를 통해 분석, 표시, 보고 또는 기타 이러한 사용을 위해 호스트 컴퓨터(922)로 전송될 수 있다.

메모리(904)는 RAM, ROM, FLASH 메모리 또는 기타 비-일시적 디지털 데이터 저장 디바이스를 포함할 수 있으며, 메모리로부터 로드되고 프로세서(902)를 사용하여 실행될 때 프로세서(902)로 하여금 본 명세서에 기술된 기능들을 수행하게 하는 명령 시퀀스를 포함하는 제어 프로그램을 포함할 수 있다. 에미터(916) 및 검출기(918)는 프로세서(902)가 에미터(916)를 구동하고 검출기(918)로부터 신호를 획득할 수 있는 드라이버 회로를 사용하여 버스에 직접 또는 간접적으로 결합될 수 있다. 호스트 컴퓨터(922)는 하나 이상의 네트워크(920)를 통해 무선 네트워킹 컴포넌트(912)와 통신할 수 있으며, 이는 하나 이상의 LAN, WAN, 및/또는 임의의 지상 또는 위성 링크를 사용하는 인터네트워크를 포함할 수 있다. 일부 실시예에서, 호스트 컴퓨터(922)는 본 명세서에 기술된 기능들 중 일부를 수행하도록 구성된 제어 프로그램 및/또는 애플리케이션 프로그램을 실행한다.

일부 실시예에서, 각각의 에미터(916)는 개별적으로 제어될 수 있거나, 각각의 검출기(918)는 다수의 검출기가 사용될 때 개별적으로 판독될 수 있고, 이러한 실시예에서, 여러 상이한 광 경로를 따라 PPG 센서 데이터가 수집될 수 있다. 제어 프로그램은 수집된 데이터를 활용하여 보다 정확한 추정 또는 HR 및/또는 기타 생리학적 메트릭을 제공할 수 있다. 관련된 양태에서, 프로세서(902) 및 PPG 디바이스의 다른 컴포넌트(들)는 PPG 디바이스를 지원하기 위해 하나 이상의 하나 이상의 RISC(Reduced Instruction Set Computing) 명령 세트 및/또는 기타 소프트웨어 및 하드웨어를 사용하는 하나 이상의 중앙 처리 장치(CPU) 코어를 포함할 수 있는 SoC(System-on-Chip)로서 구현될 수 있다.

다양한 실시예에서, 에미터(916)(또는 광원)는 LED와 같은 전자 반도체 광원을 포함하거나 필라멘트, 형광체 또는 레이저 중 어느 하나를 사용하여 광을 생성할 수 있다. 일부 구현에서, 각각의 광원은 동일한 중심 파장 또는 동일한 파장 범위 내의 광을 방출한다. 다른 경우에, 적어도 하나의 광원은 광원들 중 다른 하나와 상이한 중심 파장을 갖는 광을 방출할 수 있다. 광원에서 방출되는 빛의 중심 파장은 495nm 내지 570nm 범위일 수 있다. 예를 들어, 특정 녹색 광원은 528nm의 중심 파장을 가진 빛을 방출할 수 있다. 다른 실시예에서, 하나 이상의 광원은 적색광(예를 들어, 660nm 중심 파장) 또는 IR 광(예를 들어, 940nm 중심 파장)을 방출할 수 있다. 일부 실시예에서, 하나 이상의 광원은 전형적으로 650nm 내지 940nm 범위의 피크 파장을 갖는 광을 방출할 수 있다. 예를 들어, 다양한 실시예에서, 특정 적색 광원은 660nm의 피크 파장을 갖는 광을 방출할 수 있고, 하나 이상의 적외선 광원은 750nm 내지 1700nm 범위의 피크 파장을 갖는 광을 방출할 수 있다. 제한이 아닌 예로서, 특정 적외선 광원은 730nm, 760nm, 850nm, 870nm 또는 940nm의 피크 파장을 갖는 광을 방출할 수 있다. 경우에 따라, LED와 같은 상업용 광원은 제조업체의 지정된 파장에서 +/- 10nm의 중심 파장 허용 오차로 약 20nm 간격으로 출력을 제공할 수 있으므로 광원에 대한 유용한 피크 파장의 가능한 범위 중 하나는 650nm 내지 950nm이다. 녹색 광원은 495nm 내지 570nm 범위의 파장을 갖는 광을 방출하도록 구성될 수 있다. 예를 들어, 특정 녹색 광원은 528nm 파장의 빛을 방출할 수 있다. 녹색 광원은 적색 광원과 적외선 광원의 쌍으로서 광 검출기로부터 동일한 간격으로 떨어져 있을 수 있다. 예를 들어, 광 검출기와 제1 적색 광원의 중심 사이의 거리가 2mm인 경우, 광 검출기와 녹색 광원 사이의 거리도 2mm(예를 들어, 등거리)일 수 있다. 일부 다른 경우, 광 검출기와 하나 이상의 광원 사이의 거리는 등거리가 아니다. 또한, 일부 실시예에서, 하나 이상의 광원은 다중 검출기에 대해 동일하거나 실질적으로 동일한(예를 들어, 1mm 미만의 차이) 위치에서 녹색, 적색 및 적외선 파장과 같은 다수의 파장을 방출하는 단일 LED 패키지를 포함할 수 있다. 이러한 LED는 단일 패키지의 단일 다이(die)를 사용하여 함께 배치된 여러 반도체 요소를 포함할 수 있다.

광원의 간격은 광원의 측면 또는 광원의 중심으로부터 측정될 수 있다. 예를 들어, 광원은 각 광원의 중심이 가장 가까운 광 검출기의 가장자리로부터 제1 거리에 있도록 구성될 수 있다. 일부 실시예에서, 제1 거리는 2mm일 수 있다. 일부 구현에서, 각각의 광원은 가장 가까운 광원으로부터 제2 거리에 위치하고, 각 광 검출기는 가장 가까운 광 검출기로부터 제 거리에 위치한다. 일부 실시예에서, 제2 및 제3 거리는 제1 거리와 동일하다. 다른 실시예에서, 제2 및 제3 거리는 각각 제1 거리와 상이하다. 제2 거리는 제3 거리와 동일하거나 상이할 수 있다. 간격의 특정 크기는 다수의 인자에 의존할 수 있으며 본 개시는 실시예를 임의의 특정 간격으로 제한하지 않는다. 예를 들어, 1mm(또는 그 미만) 내지 10mm 범위의 간격이 다양한 실시예에서 실행 가능할 것이다.

일부 실시예에서, 모든 광원의 독립적 제어가 제공된다. 다른 실시예에서, 여러 광원이 갱(gang) 또는 뱅크(bank)로서 함께 제어된다. 각 광원의 독립적인 제어 또는 다수의 검출기 각각으로부터의 독립적 판독(예를 들어, 다수의 검출기 각각으로부터 동일하거나 다른 광 파장에 기초한 독립적인 신호 획득)의 이점은 본 명세서에서 더 논의되는 바와 같이 HR 및/또는 다른 생리학적 메트릭의 추정을 개선하기 위해 다중 광 경로 접근법이 사용될 수 있다는 것이다.

광 검출기들은 광원들로부터 방출된 광의 파장을 검출하도록 적응된 하나 이상의 센서를 포함할 수 있다. 특정 검출기와 결합된 특정 광원은 PPG 센서와 같은 센서를 포함할 수 있다. 제1 PPG 센서와 제2 PPG 센서는 동일한 광원 및/또는 검출기와 같은 구성 요소를 공유하거나 다른 컴포넌트를 가질 수 있으므로 "PPG 센서"라는 용어는 일반적인 의미를 갖는 것 외에도 실제 실시예가 PPG 센서를 구현하는데 있어서 다수의 컴포넌트를 사용할 수 있지만 그러한 배열 중 임의의 것을 지칭할 수 있다. "PPG 디바이스"라는 용어는 일반적인 의미 외에도 PPG 센서를 포함하는 디바이스를 지칭할 수 있다. 실시예에서, 광 검출기는 광원에 의해 사용되는 광의 각각의 상이한 파장을 검출하기 위한 하나 이상의 검출기를 포함할 수 있다. 예를 들어, 제1 검출기는 560nm의 파장을 갖는 광을 검출하도록 구성될 수 있고, 제2 검출기는 파장 940nm의 광을 검출하도록 구성될 수 있으며, 제3 검출기는 파장 528nm의 광을 검출하도록 구성될 수 있다. 예로는 반도체 재료로 제작되고 특정 파장 또는 파장 범위의 빛만 허용하는 광학 필터가 있는 포토다이오드가 있다. 광 검출기는 포토다이오드, 포토트랜지스터, 전하 결합 소자(CCD), 열전퇴(thermopile) 검출기, 마이크로볼로미터 또는 CMOS(complementary metal-oxide-semiconductor) 센서 중 임의의 것을 포함할 수 있다. 광 검출기는 본 명세서에서 추가로 설명되는 바와 같이 다수의 검출기 요소를 포함할 수 있다. 검출기 중 하나 이상은 대역통과 필터 회로를 포함할 수 있다.

다른 실시예에서, 검출기는 광의 다중 파장을 검출하도록 구성된 하나 이상의 검출기를 포함할 수 있다. 예를 들어, 단일 검출기는 검출기에 결합된 전기 디지털 마이크로프로세서로부터 수신된 데이터에 기초하여 상이한 주파수에 동조하도록 구성될 수 있다. 다른 방식으로, 단일 검출기는 각각의 활성 영역이 주어진 파장 범위에 민감한 다중 활성 영역을 포함할 수 있다. 실시예에서, 단일 검출기는 적색 및 IR 주파수의 파장을 갖는 광을 검출하도록 구성되고 제2 검출기는 녹색 주파수의 파장을 갖는 광을 검출하도록 구성된다. 또한, 각각의 광원은 전술한 바와 같이 하나 이상의 상이한 광 파장 중 임의의 것을 사용할 수 있다.

일 실시예에서, 광 검출기는 광원에 의해 방출되는 파장 이외의 파장의 광을 필터링하도록 구성된 하나 이상의 필터와 함께 하우징에 장착될 수 있다. 예를 들어, 하우징의 일부는 광원에서 방출되는 파장의 빛 이외의 주변광을 제거하는 필터로 덮일 수 있다. 예를 들어, 광원으로부터의 신호는 검출기에 의해 검출되는 파장과 다른 파장을 갖는 주변 광을 생성하는 주변 광원을 필터링하는 주변 광 필터를 통해 광 검출기에서 수신될 수 있다. 광원과 광검출기의 예로 LED와 포토다이오드가 각각 사용되지만, 본 명세서에 설명된 기술은 다른 유형의 광원으로 확장될 수 있다. 예를 들어, 에지 방출 레이저, 표면 방출 레이저, 광대역 빛을 생성하는 LED 펌핑 형광체가 있다. 본명세서에 설명된 기술은 광원과 검출기의 다른 조합으로 확장될 수 있다. 예를 들어, PPG 디바이스는 (i) 단일 또는 다중 LED 및 다중 요소 광검출기(예를 들어, 카메라 센서), (ii) LED 어레이 및 단일 또는 다중 포토다이오드, (iii) 각 검출기에 파장 선택 필터가 있는 광대역 LED 펌핑 형광체 및 검출기 어레이, (iv) 공간 광 변조기(SLM)(예를 들어, 디지털 마이크로미러 디바이스[DMD] 또는 실리콘 상의 액정[LCoS] 디바이스) 및 단일 또는 다중 LED, 이들의 다른 조합, 또는 광원 및 검출기의 다른 구성을 포함할 수 있다.

예시적인 실시예에 의해 수행될 수 있는 다양한 방법을 설명하기 위해 특정 흐름도가 본 명세서에 제시된다. 흐름도는 PPG 디바이스의 CPU 또는 마이크로컨트롤러에 의해 실행될 수 있는 기계어 코드를 생성하기 위해 임의의 적절한 프로그래밍 환경 또는 언어를 사용하여 프로그래밍될 수 있는 예시적인 알고리즘을 설명한다. 다시 말해, 흐름도는 본 문서에 기술된 설명과 함께 청구된 주제의 양태에 대한 알고리즘의 공개이며, 공개가 속하는 기술 분야의 숙련된 사람 사이에서 이 주제의 전달에 일반적으로 사용되는 동일한 세부 수준으로 제시된다. 다양한 실시예는 어셈블리, C, OBJECTIVE-C, C++, JAVA 또는 기타 사람이 읽을 수 있는 언어를 사용하여 코딩되고, 이어서 ROM, EPROM, 또는 CPU 또는 마이크로컨트롤러에 결합된 다음 CPU 또는 마이크로컨트롤러에 의해 실행되는 활동 모니터링 디바이스의 다른 기록 가능한 메모리에 로드될 수 있는 머신 코드로 컴파일, 어셈블 또는 변환될 수 있다.

일 실시예에서, 다수의 광 경로로부터 획득된 신호는 컴퓨터 프로그램을 사용하여 신호의 모션 성분을 식별하고 합성 신호에서 식별된 모션 성분을 제거하여 나머지 또는 최종 신호로 심박 성분을 남겨 두어 사용자의 모션과 관련된 신호 성분을 필터링하거나 거부하도록 처리될 수 있다.

실시예에서, 신호는 걷기, 운동 또는 수면 기간과 관련될 수 있는 것과 같이 낮 동안 또는 밤 동안의 다양한 활동에서 수집될 수 있다. 가속도계, 자이로스코프 또는 고도계를 비롯한 기타 온-디바이스 센서를 사용하여 적절한 필터를 개발하기 위한 기반으로 활동 또는 사람의 자세를 분류하거나 검출할 수 있다. 이러한 필터 또는 신호 처리 방법은 다중 광 경로가 있는 PPG 데이터의 가변성을 목표로 줄이기 위해 사용될 수 있다. 제한이 아닌 예로서 가속도계 데이터를 사용하여 데이터를 필터링하고 특정 자세를 살펴보고 다른 신체 방향을 제거하는 신호 처리 방법을 개발할 수 있다. 이를 통해 데이터의 노이즈를 줄이고 해당 광 경로에 대한 해당 생리적 변수를 더 잘 평가할 수 있다.

다양한 실시예에서, 본 명세서에서 논의된 접근법은 모니터링 디바이스, 서버, 호스트 컴퓨터 등에 페어링된 모바일 디바이스와 같은 보조 디바이스 또는 모니터링 또는 추적기 디바이스에서 작동하는 펌웨어 중 하나 이상에 의해 수행될 수 있다. 예를 들어, 모니터링 디바이스는 모션 컴포넌트를 제거하고 HR, SpO2 및/또는 다른 생리학적 메트릭에 대한 최종 추정 값을 생성하기 위한 동작들을 수행하는 서버에 업로드되거나 통신되는 신호를 생성하는 것과 관련된 동작을 실행할 수 있다. 대안적으로, 모니터링 디바이스는 HR, SpO2, 및/또는 모니터링 디바이스에 국부적인 다른 생리학적 메트릭에 대한 최종 추정 값을 생성하기 위해 모니터링 신호를 생성하고 모션 컴포넌트를 제거하는 것과 관련된 동작들을 실행할 수 있다. 이 경우, 최종 추정치는 값을 사용하여 다른 동작을 수행하는 호스트 컴퓨터와 같은 서버에 업로드되거나 전달될 수 있다.

예시적인 모니터링 또는 추적기 디바이스는 하나 이상의 센서(들) 및/또는 외부 디바이스로부터 하나 이상의 유형의 생리적 및/또는 환경 데이터를 수집하고 이러한 정보를 다른 디바이스(예를 들어, 호스트 컴퓨터 또는 다른 서버)와 통신하거나 중계하여 예를 들어 웹 브라우저 또는 네트워크 기반 애플리케이션을 사용하여 수집된 데이터를 볼 수 있도록 한다. 예를 들어, 사용자가 착용하는 동안 추적기 디바이스는 하나 이상의 센서(들)를 사용하여 사용자의 걸음 수를 계산하고 저장함으로써 생체 모니터링을 수행할 수 있다. 추적기 디바이스는 사용자의 걸음 수를 나타내는 데이터를 웹 서비스(예를 들어, www.fitbit.com), 컴퓨터, 휴대폰 및/또는 데이터가 저장, 처리 및/또는 사용자가 데이터를 저장, 처리 및/또는 시각화할 수 있는 보건소의 계정으로 전송할 수 있다. 추적기 디바이스는 사용자의 걸음 수에 더하여 또는 대신하여 다른 생리학적 메트릭(들)을 측정하거나 계산할 수 있다. 이러한 생리학적 메트릭(들)에는 에너지 소비(예를 들어, 칼로리 소모량); 올라갔거나 내려온 층; HR; 하트비트 파형; HR 가변성; HR 변이도; HR 회복; 호흡, SpO2, 혈액량, 혈당, 피부 수분 및 피부 색소 침착 수준, (예를 들어, GPS, 글로벌 내비게이션 위성 시스템(GLONASS) 또는 유사한 시스템을 통한) 위치 및/또는 방향; 높이; 보행 속도 및/또는 이동 거리; 수영 랩 카운트; 검출된 수영 스트로크 유형 및 횟수; 자전거 거리 및/또는 속도; 혈당; 피부전도; 피부 및/또는 체온; 근전도를 통해 측정된 근육 상태; 뇌파 검사로 측정한 뇌 활동; 체중; 체지방; 칼로리 섭취; 음식을 통한 영양 섭취; 약물 섭취; 수면 기간(예를 들어, 시계 시간, 수면 단계, 수면 품질 및/또는 기간); pH 수준; 수화(hydration) 레벨; 호흡수; 및/또는 기타 생리학적 메트릭을 포함할 수 있지만 이에 한정되지 않는다.

예시적인 추적기 또는 모니터링 디바이스는 또한 예를 들어, 기압, 날씨 조건(예를 들어, 온도, 습도, 꽃가루 수, 공기질, 비/눈 조건, 풍속), 빛 노출(예를 들어, 주변 조명, 자외선(UV) 빛 노출, 시간 및/또는 어둠 속에서 보낸 시간), 소음 노출, 방사선 노출 및/또는 자기장과 같은 (예를 들어, 하나 이상의 환경 센서(들)로) 사용자 주변 환경과 관련된 메트릭을 측정하거나 계산할 수 있다. 게다가. 추적기 디바이스(및/또는 호스트 컴퓨터 및/또는 다른 서버)는 디바이스의 하나 이상의 센서로부터 데이터를 수집할 수 있고 이러한 데이터에서 도출된 메트릭을 계산할 수 있다. 예를 들어, 추적기 디바이스는 심박 변이도, 피부 전도, 소음 공해 및/또는 수면 품질의 조합에 기초하여 사용자의 스트레스 또는 휴식 레벨을 계산할 수 있다. 다른 예에서, 추적기 디바이스는 약물 섭취, 수면 및/또는 활동에 관한 데이터의 조합에 기초하여 예를 들어 약물 치료와 같은 의료 개입의 효능을 결정할 수 있다. 또 다른 예에서, 추적기 디바이스는 꽃가루 수준, 약물 섭취, 수면 및/또는 활동에 관한 데이터의 조합에 기초하여 알레르기 약물의 효능을 결정할 수 있다. 이러한 예는 단지 설명을 위해 제공되며 제한하거나 철저하게 의도되지 않는다.

예시적인 모니터링 디바이스는 전술한 바와 같은 컴퓨터 판독가능 저장 매체 판독기, 통신 디바이스(예를 들어, 모뎀, 네트워크 카드(무선 또는 유선), 적외선 통신 디바이스) 및 작업 메모리를 포함할 수 있다. 컴퓨터 판독 가능 저장 매체 판독기는 컴퓨터 판독 가능 정보를 일시적 및/또는 더 영구적으로 포함, 저장, 전송 및 검색하기 위한 저장 매체 뿐만 아니라 원격, 로컬, 고정 및/또는 이동식 저장 디바이스를 나타내는 컴퓨터 판독 가능 저장 매체와 연결되거나 수신하도록 구성될 수 있다. 모니터링 시스템 및 다양한 디바이스는 또한 일반적으로 클라이언트 애플리케이션 또는 웹 브라우저와 같은 운영 체제 및 애플리케이션을 포함하여, 적어도 하나의 작동 메모리 디바이스 내에 위치한 다수의 소프트웨어 애플리케이션, 모듈, 서비스 또는 기타 요소를 포함할 것이다. 대안적인 실시예는 위에서 설명한 것으로부터 다양한 변형을 가질 수 있음을 이해해야 한다. 예를 들어, 맞춤형 하드웨어가 사용될 수도 있고 특정 요소가 하드웨어, 소프트웨어(애플릿과 같은 휴대용 소프트웨어 포함) 또는 둘 다에서 구현될 수도 있다. 또한, 네트워크 입력/출력 디바이스와 같은 다른 컴퓨팅 디바이스에 대한 연결이 사용될 수 있다.

코드 또는 코드의 일부를 포함하기 위한 저장 매체 및 기타 비-일시적 컴퓨터 판독 가능 매체는 RAM, ROM, EEPROM, 플래시 메모리 또는 기타 메모리 기술, CD-ROM, 디지털 다목적 디스크(DVD) 또는 기타 광학 저장 디바이스, 자기 카세트, 자기 테이프, 자기 디스크 저장 디바이스나 기타 자기 저장 디바이스 또는 원하는 정보를 저장하는데 사용할 수 있고 시스템 디바이스에서 액세스할 수 있는 임의의 다른 매체를 비롯하여, 컴퓨터 판독 가능 명령, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보 저장을 위한 방법이나 기술로 구현된 휘발성 및 비-휘발성, 이동식 및 비-이동식 매체와 같은 당업계에 공지되거나 사용되는 임의의 적절한 매체를 포함할 수 있다. 본 명세서에 제공된 개시 및 교시에 기초하여 당업자는 다양한 실시예를 구현하기 위한 다른 방식 및/또는 방법을 인식할 것이다.

따라서, 명세서 및 도면은 제한적인 의미가 아니라 예시적인 것으로 간주되어야 한다. 그러나 청구범위에 기재된 바와 같은 본 발명의 보다 넓은 사상 및 범위를 벗어나지 않고 다양한 수정 및 변경이 이루어질 수 있음이 명백할 것이다.

Claims (20)

1. 웨어러블 디바이스 사용자의 스트레스 스코어를 정확하고 자동으로 계산하는 방법으로서, 상기 방법은,
   웨어러블 디바이스 상의 하나 이상의 외부 센서로부터, 웨어러블 디바이스의 사용자의 상태에 대응하는 제1 특징 데이터를 수신하는 단계와;
   웨어러블 디바이스의 프로세서를 통해, 사용자의 상태에 대응하는 제2 특징 데이터를 획득하는 단계와, 상기 제2 특징 데이터는 사용자에 의해 제공되고;
   웨어러블 디바이스의 프로세서를 통해, 제1 특징 데이터 및 제2 특징 데이터를 사용하여 스트레스 스코어를 계산하는 단계와; 그리고
   웨어러블 디바이스의 프로세서를 통해, 계산된 스트레스 스코어에 적어도 부분적으로 기초하여 적어도 하나의 동작(action)을 수행하는 단계를 포함하는 것을 특징으로 하는 사용자 스트레스 계산 방법.
2. 제1항에 있어서,
   상기 스트레스 스코어는,
   웨어러블 디바이스 사용자의 현재 스트레스 레벨 또는 스트레스 탄력성(resilience) 레벨 중 적어도 하나를 나타내는 것을 특징으로 하는 사용자 스트레스 계산 방법.
3. 선행하는 항들 중 어느 하나에 있어서,
   상기 제1 특징 데이터는,
   웨어러블 디바이스 상의 적어도 하나의 외부 EDA(electro-dermal activity) 센서를 사용하여 캡처된 EDA 데이터를 포함하는 것을 특징으로 하는 사용자 스트레스 계산 방법.
4. 제3항에 있어서,
   상기 적어도 하나의 외부 EDA 센서는,
   사용자의 손목에서 이격된 웨어러블 디바이스의 측면에 장착되는 것을 특징으로 하는 사용자 스트레스 계산 방법.
5. 선행하는 항들 중 어느 하나에 있어서,
   상기 제1 특징 데이터 및 제2 특징 데이터는,
   수면 특징, 활동 특징 및 심박 특징 중에서 선택된 특징 데이터를 포함하는 것을 특징으로 하는 사용자 스트레스 계산 방법.
6. 제5항에 있어서,
   상기 제1 특징 데이터 및 제2 특징 데이터를 이용하여 스트레스 스코어를 계산하는 단계는,
   수면 특징, 활동 특징 및 심박 특징의 가중 합으로서 스트레스 스코어를 계산하는 단계를 더 포함하는 것을 특징으로 하는 사용자 스트레스 계산 방법.
7. 제5항에 있어서,
   상기 수면 특징은,
   불안 증세, 단편화(fragmentation), 수면 저장(reservoir) 레벨, 깊은/REM 수면 기간, 깊은 수면 잠복기 또는 악몽 발생 중 적어도 하나를 포함하는 것을 특징으로 하는 사용자 스트레스 계산 방법.
8. 제5항에 있어서,
   상기 활동 특징은,
   액티브존 미닛(aactive zone minutes) 또는 활동 레벨, 운동 또는 활동 메트릭, 노력 메트릭, 활동 유형, 움직임 패턴, 또는 걸음 수 또는 움직임 중 적어도 하나를 포함하는 것을 특징으로 하는 사용자 스트레스 계산 방법.
9. 제5항에 있어서,
   상기 심박 특징은,
   깊은 수면 심박수 변이도(HRV), 휴식시 상승된 심박수(HR), 휴식시 심박수(RHR) 이상의 수면 심박수(HR) 중 적어도 하나를 포함하는 것을 특징으로 하는 사용자 스트레스 계산 방법.
10. 선행하는 항들 중 어느 하나에 있어서,
    상기 제1 특징 데이터 및 제2 특징 데이터는,
    피트니스 피로 스코어, 혈압, 혈액 성분, 호흡수, 체온, 대사 데이터, 혈당 레벨, 체중 또는 성분, 심리 상태, 인지된 스트레스, 우울증, 성대 운율/톤/압력, 혈중 코티솔/에피네프린/노르에피네프린 수치, 저밀도 지단백(LDL) 수치, BMI×운동, 성별별 값 또는 기분 기록 데이터 중 적어도 하나로부터 선택된 특징 데이터를 포함하는 것을 특징으로 하는 사용자 스트레스 계산 방법.
11. 선행하는 항들 중 어느 하나에 있어서,
    상기 적어도 하나의 동작은,
    인터페이스 생성, 알림 제공, 웨어러블 디바이스의 동작 수정, 사용자에 대한 추천 제공 또는 분석용 데이터 전송 중 적어도 하나를 포함하는 것을 특징으로 하는 사용자 스트레스 계산 방법.
12. 웨어러블 컴퓨팅 디바이스로서,
    하나 이상의 센서;
    적어도 하나의 프로세서; 및
    명령들을 포함하는 적어도 하나의 메모리를 포함하고, 상기 명령들은 적어도 하나의 프로세서에 의해 실행될 때 웨어러블 컴퓨팅 디바이스로 하여금:
    하나 이상의 외부 센서로부터, 웨어러블 디바이스 사용자의 상태에 대응하는 제1 특징 데이터를 수신하고;
    사용자의 상태에 대응하는 제2 특징 데이터를 획득하고, 상기 제2 특징 데이터는 사용자에 의해 제공되고;
    제1 특징 데이터 및 제2 특징 데이터를 사용하여 스트레스 스코어를 계산하고; 그리고
    계산된 스트레스 스코어에 적어도 부분적으로 기초하여 적어도 하나의 동작을 수행하게 하는 것을 특징으로 하는 웨어러블 컴퓨팅 디바이스.
13. 제12항에 있어서,
    상기 스트레스 스코어는,
    웨어러블 디바이스 사용자의 현재 스트레스 레벨 또는 스트레스 탄력성 레벨 중 적어도 하나를 나타내는 것을 특징으로 하는 웨어러블 컴퓨팅 디바이스.
14. 제11항 내지 제13항 중 어느 한 항에 있어서,
    상기 제1 특징 데이터는,
    웨어러블 디바이스 상의 EDA(electro-dermal activity) 센서를 사용하여 캡처된 EDA 데이터를 포함하는 것을 특징으로 하는 웨어러블 컴퓨팅 디바이스.
15. 제11항 내지 제14항 중 어느 한 항에 있어서,
    상기 제1 특징 데이터 및 제2 특징 데이터는,
    수면 특징, 활동 특징 및 심박 특징 중에서 선택된 특징 데이터를 포함하는 것을 특징으로 하는 웨어러블 컴퓨팅 디바이스.
16. 제11항 내지 제15항 중 어느 한 항에 있어서,
    상기 명령들은
    웨어러블 컴퓨팅 디바이스로 하여금 수면 특징, 활동 특징 및 심박 특징의 가중 합으로서 스트레스 스코어를 계산하게 하는 것을 특징으로 하는 웨어러블 컴퓨팅 디바이스.
17. 제16항에 있어서,
    상기 수면 특징은,
    불안 증상, 단편화, 수면 저장 레벨, 깊은/REM 수면 기간, 깊은 수면 잠복기 또는 악몽 발생 중 적어도 하나를 포함하는 것을 특징으로 하는 웨어러블 컴퓨팅 디바이스.
18. 제16항에 있어서,
    상기 활동 특징은,
    액티브 존 미닛 또는 활동 레벨, 운동 또는 활동 메트릭, 노력 메트릭, 활동 유형, 움직임 패턴, 또는 걸음 수 또는 움직임 중 적어도 하나를 포함하는 것을 특징으로 하는 웨어러블 컴퓨팅 디바이스.
19. 제16항에 있어서,
    상기 심박 특징은,
    깊은 수면 심박수 변이도(HRV), 휴식시 상승된 심박수(HR), 휴식시 심박수(RHR) 이상의 수면 심박수(HR) 중 적어도 하나를 포함하는 것을 특징으로 하는 웨어러블 컴퓨팅 디바이스.
20. 제12항에 있어서,
    상기 적어도 하나의 동작은,
    인터페이스 생성, 알림 제공, 웨어러블 디바이스의 동작 수정, 사용자에 대한 추천 제공 또는 분석용 데이터 전송 중 적어도 하나를 포함하는 것을 특징으로 하는 웨어러블 컴퓨팅 디바이스.

Images