KR20240011359A

KR20240011359A - 생체 신호 분석을 이용한 인공지능 기반 맞춤형 학습 솔루션 제공 시스템 및 방법

Info

Publication number: KR20240011359A
Application number: KR1020220088709A
Authority: KR
Inventors: 김성태
Original assignee: 김성태
Priority date: 2022-07-19
Filing date: 2022-07-19
Publication date: 2024-01-26

Abstract

학습자의 생체 신호 및 손목 움직임 정보를 검출하는 센싱 장치, 그리고 미리 저장된 인공지능 학습 모델을 이용하여 상기 생체 신호 및 손목 움직임 정보에 대응하는 학습자의 뇌파 정보를 추출하고, 상기 뇌파 정보를 바탕으로 학습자의 학습 상태를 판단하는 인공지능 학습 플랫폼 서버를 포함하는 맞춤형 학습 솔루션 제공 시스템이 제공된다.

Description

생체 신호 분석을 이용한 인공지능 기반 맞춤형 학습 솔루션 제공 시스템 및 방법{SYSTEM AND METHOD FOR PROVIDING CUSTOMIZED LEARNING SOLUTION BASED ON ARTIFICIAL INTELLIGENCE USING BIOSIGNAL ANALYSIS}

본 발명은 인공지능 기반 맞춤형 학습 솔루션 제공 시스템 및 방법에 관한 것으로, 특히 학습자의 생체 신호 및 손목 움직임 정보를 바탕으로 학습자의 학습 상태를 판단하는 인공지능 기반 맞춤형 학습 솔루션 제공 시스템 및 방법에 관한 것이다.

에듀테크(Edu-Tech)란 교육(Education)과 기술(Technology)이 결합된 신조어로, 기술을 통해 교육을 혁신하는 것을 의미한다. 에듀테크의 핵심 기술로는 인공지능, 빅데이터, 사물인터넷(IoT), 증강현실(AR), 가상현실(VR) 등이 있다.

국내 에듀테크 시장은 공교육 보다 사교육 시장을 중심으로 발전해오고 있으며, 특히 학습자의 학습활동을 진단하고 학업성취를 높일 수 있는 적응형 학습 형태의 서비스가 주류를 이루고 있다.

종래의 인공지능을 활용한 온라인 학습 플랫폼은 '문제 풀이 정답 여부', '문제풀이 시간', '오답 종류', '오답 문항들의 공통점' 등 온라인 학습과정에서 수집할 수 있는 정보만을 활용하여 분석하고 있다. 이로인해, 종래 플랫폼은 학습자의 집중도, 몰입, 피로, 인지스트레스 등의 정서적, 심리적 요인이 학습결과에 미치는 영향을 반영하지 못하므로, 학습자의 실제 학습 상태를 정확하게 예측하지 못하는 문제점이 있었다.

이에 따라, 온라인 학습과정에서 수집할 수 있는 정보뿐만 아니라, 학습자의 생체 정보 및 손목 움직임 정보를 활용하여 학습자의 실제 학습 상태를 정확하게 예측할 수 있는 기술이 요구된다.

본 발명이 이루고자 하는 기술적 과제는 온라인 학습과정에서 수집할 수 있는 정보뿐만 아니라, 학습자의 생체 정보 및 손목 움직임 정보를 활용하여 학습자의 실제 학습 상태를 정확하게 예측할 수 있는 인공지능 기반 맞춤형 학습 솔루션 제공 시스템 및 방법을 제공하는 것이다.

한 실시예에 따르면, 맞춤형 학습 솔루션 제공 시스템이 제공된다. 상기 맞춤형 학습 솔루션 제공 시스템은 학습자의 생체 신호 및 손목 움직임 정보를 검출하는 센싱 장치, 그리고 미리 저장된 인공지능 학습 모델을 이용하여 상기 생체 신호 및 손목 움직임 정보에 대응하는 학습자의 뇌파 정보를 추출하고, 상기 뇌파 정보를 바탕으로 학습자의 학습 상태를 판단하는 인공지능 학습 플랫폼 서버를 포함한다.

상기 인공지능 학습 플랫폼 서버는, 상기 학습 상태를 바탕으로 학습자 단말에게 맞춤형 콘텐츠를 제공하는 피드백 제공부를 포함할 수 있다.

상기 센싱 장치는, 학습자의 맥파 신호 및 피부 전기 전도도 신호를 검출하는 생체 신호 검출부를 포함할 수 있다.

상기 센싱 장치는, 학습자 손목의 움직임 가속도 및 움직임 방향을 검출하는 손목 움직임 검출부를 더 포함할 수 있다.

상기 인공지능 학습 플랫폼 서버는, 상기 생체 신호 및 손목 움직임 정보를 입력 변수로 하는 제1 인공지능 학습 모델을 이용하여 학습자의 뇌파 정보를 추출하는 뇌파 정보 추출부를 포함할 수 있다.

상기 인공지능 학습 플랫폼 서버는, 상기 뇌파 정보를 입력 변수로 하는 제2 인공지능 학습 모델을 이용하여 학습자의 집중도 및 피로도 정보를 추출하는 뇌파 정보 분석부를 더 포함할 수 있다.

상기 인공지능 학습 플랫폼 서버는, 집중도 및 피로도 정보와 미리 설정된 기준값을 비교한 결과에 기반하여 학습자의 학습 상태를 몰입 상태, 집중 상태, 인지스트레스 상태, 산만 상태 중 어느 하나의 상태로 판단하는 학습 상태 판단부를 더 포함할 수 있다.

상기 학습 상태 판단부는, 집중도가 제1 기준값 보다 크고, 피로도가 제2 기준값 보다 크면, 학습자의 학습 상태를 몰입 상태로 판단할 수 있다.

상기 학습 상태 판단부는, 집중도가 제1 기준값 보다 크고, 피로도가 제2 기준값 보다 작으면, 학습자의 학습 상태를 집중 상태로 판단할 수 있다.

상기 학습 상태 판단부는, 집중도가 제1 기준값 보다 작고, 피로도가 제2 기준값 보다 크면, 학습자의 학습 상태를 인지스트레스 상태로 판단할 수 있다.

상기 학습 상태 판단부는, 집중도가 제1 기준값 보다 작고, 피로도가 제2 기준값 보다 작으면, 학습자의 학습 상태를 산만 상태로 판단할 수 있다.

한 실시예에 따르면, 맞춤형 학습 솔루션 제공 방법이 제공된다. 상기 맞춤형 학습 솔루션 제공 방법은 센싱 장치가 학습자의 생체 신호 및 손목 움직임 정보를 검출하는 단계, 인공지능 학습 플랫폼 서버가 미리 저장된 인공지능 학습 모델을 이용하여 상기 생체 신호 및 손목 움직임 정보에 대응하는 학습자의 뇌파 정보를 추출하는 단계, 그리고 상기 인공지능 학습 플랫폼 서버가 상기 뇌파 정보를 바탕으로 학습자의 학습 상태를 판단하는 단계를 포함한다.

상기 뇌파 정보를 바탕으로 학습자의 학습 상태를 판단하는 단계 이후, 상기 인공지능 학습 플랫폼 서버가 상기 학습 상태를 바탕으로 학습자 단말에게 맞춤형 콘텐츠를 제공하는 단계를 더 포함할 수 있다.

상기 뇌파 정보를 바탕으로 학습자의 학습 상태를 판단하는 단계는, 집중도 및 피로도 정보와 미리 설정된 기준값을 비교한 결과에 기반하여 학습자의 학습 상태를 몰입 상태, 집중 상태, 인지스트레스 상태, 산만 상태 중 어느 하나의 상태로 판단할 수 있다.

상기 뇌파 정보를 바탕으로 학습자의 학습 상태를 판단하는 단계는, 집중도가 제1 기준값 보다 크고, 피로도가 제2 기준값 보다 크면, 학습자의 학습 상태를 몰입 상태로 판단할 수 있다.

상기 뇌파 정보를 바탕으로 학습자의 학습 상태를 판단하는 단계는, 집중도가 제1 기준값 보다 크고, 피로도가 제2 기준값 보다 작으면, 학습자의 학습 상태를 집중 상태로 판단할 수 있다.

상기 뇌파 정보를 바탕으로 학습자의 학습 상태를 판단하는 단계는, 집중도가 제1 기준값 보다 작고, 피로도가 제2 기준값 보다 크면, 학습자의 학습 상태를 인지스트레스 상태로 판단할 수 있다.

상기 뇌파 정보를 바탕으로 학습자의 학습 상태를 판단하는 단계는, 집중도가 제1 기준값 보다 작고, 피로도가 제2 기준값 보다 작으면, 학습자의 학습 상태를 산만 상태로 판단할 수 있다.

온라인 학습과정에서 수집할 수 있는 정보뿐만 아니라, 학습자의 생체 정보 및 손목 움직임 정보를 활용하여 학습자의 실제 학습 상태를 정확하게 예측할 수 있다.

학습자의 생체 신호 및 손목 움직임 정보를 통해 산출된 뇌파 상태를 바탕으로 학습자의 학습 상태를 판단함으로써, 분석의 정확도를 향상시킬 수 있다.

학습자의 생체 신호 및 손목 움직임 정보를 바탕으로 판단된 학습 상태에 기반하여 맞춤형 학습 콘텐츠를 제공함으로써, 학습자의 학습 효과 및 효율을 극대화할 수 있다.

도 1은 한 실시예에 따른 맞춤형 학습 솔루션 제공 시스템의 블록도이다.
도 2는 한 실시에에 센싱 장치의 블록도이다.
도 3은 한 실시에에 따른 인공지능 학습 플랫폼 서버의 블록도이다.
도 4는 한 실시예에 따른 맞춤형 학습 솔루션 제공 방법의 흐름도이다.
도 5는 한 실시에에 따른 인공지능 학습 플랫폼 서버의 블록도이다.

아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시예에 대하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

명세서 전체에서, 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.

본 발명의 실시 예에서 사용되는 용어는 본 발명에서의 기능을 고려하면서 가능한 현재 널리 사용되는 일반적인 용어들을 선택하였으나, 이는 당 분야에 종사하는 기술자의 의도 또는 판례, 새로운 기술의 출현 등에 따라 달라질 수 있다. 또한, 특정한 경우는 출원인이 임의로 선정한 용어도 있으며, 이 경우 해당되는 실시 예들의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 실시 예들에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 실시 예들의 전반에 걸친 내용을 토대로 정의되어야 한다.

본 발명의 실시 예에서, 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. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소도 제1 구성요소로 명명될 수 있다. 및/또는 이라는 용어는 복수의 관련된 기재된 항목들의 조합 또는 복수의 관련된 기재된 항목들 중의 어느 항목을 포함한다.

또한, 본 발명의 실시 예에서, 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다.

또한, 본 발명의 실시 예에서, "포함하다" 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.

또한, 본 발명의 실시 예에서, '모듈' 혹은 '부'는 적어도 하나의 기능이나 동작을 수행하며, 하드웨어 또는 소프트웨어로 구현되거나 하드웨어와 소프트웨어의 결합으로 구현될 수 있다. 또한, 복수의'모듈' 혹은 복수의'부'는 특정한 하드웨어로 구현될 필요가 있는 '모듈' 혹은 '부'를 제외하고는 적어도 하나의 모듈로 일체화되어 적어도 하나의 프로세서로 구현될 수 있다.

도 1은 한 실시예에 따른 맞춤형 학습 솔루션 제공 시스템의 블록도이다. 도 2는 한 실시에에 센싱 장치의 블록도이다. 도 3은 한 실시에에 따른 인공지능 학습 플랫폼 서버의 블록도이다.

도 1을 참조하면, 한 실시예에 따른 맞춤형 학습 솔루션 제공 시스템은 센싱 장치(100), 인공지능 학습 플랫폼 서버(200), 학습자 단말(300)을 포함한다.

센싱 장치(100)는 한 실시예로서, 스마트 워치, 스마트 밴드와 같은 손목착용형 웨어러블 디바이스일 수 있다.

센싱 장치(100)는 한 실시예로서, 학습자의 생체 신호 및 손목 움직임 정보를 검출할 수 있다.

센싱 장치(100)는 한 실시예로서, 유무선 통신을 이용하여 인공지능 학습 플랫폼 서버(200) 및 학습자 단말(300)과 데이터를 송수신하는 통신 모듈을 포함할 수 있다.

도 2를 참조하면, 센싱 장치(100)는 한 실시예로서, 생체 신호 검출부(110), 손목 움직임 검출부(120)를 포함할 수 있다.

생체 신호 검출부(110)는 한 실시예로서, PPG 센서 및 GSR 센서를 포함할 수 있고, 학습자의 맥파 신호(PPG) 및 피부 전기 전도도 신호(GSR)를 검출할 수 있다.

생체 신호 검출부(110)는 한 실시예로서, 학습자의 학습을 시작하는 입력 신호(예, 앱 또는 웹 상에서 학습 시작 버튼을 클릭하는 신호)를 수신하면, 생체 신호 검출을 수행할 수 있고, 학습자의 학습을 종료하는 입력 신호(예, 앱 또는 웹 상에서 학습 종료 버튼을 클릭하는 신호)를 수신하면, 생체 신호 검출을 중단할 수 있다.

생체 신호 검출부(110)는 한 실시예로서, 맥파 신호(PPG)를 검출하기 위한 발광부 및 수광부를 포함할 수 있다. 발광부로부터 출사된 광은 체내 혈류들에서 반사되는데, 수광부는 체내 혈류들에서 반사된 광을 검출하여 전기적 신호로 변환하고, 전기적 신호를 맥파로서 출력할 수 있다.

PPG 신호의 PPI(Peak to Peak Interval)는 스트레스 정도에 따라 변화되는 간격을 나타낼 수 있는데, 스트레스 상태에서는 심장박도수가 증가하므로 PPI는 감소하고, 이완상태에서는 심장박동수가 감소하므로 PPI는 증가한다. 스트레스 자극에 따라 변화하는 PPI를 통해 스트레스 정도를 평가할 수 있다.

생체 신호 검출부(110)는 한 실시예로서, 피부 전기 전도도 신호(GSR)를 검출하기 위한 피부에 미세전류를 흐르게 하는 전류전극, 미세전류에 반응된 피부 전압을 검출하는 전압전극을 포함할 수 있다. 전류전극이 피부에 미세전류를 흐르게 하면 전압전극은 미세전류에 반응된 피부 전압을 측정하여 피부 전기 전도도를 검출할 수 있다.

손목 움직임 검출부(120)는 한 실시예로서, 가속도 센서 및 자이로 센서를 포함할 수 있고, 학습자 손목의 움직임 가속도 및 움직임 방향을 검출할 수 있다.

손목 움직임 검출부(120)는 한 실시예로서, 가속도 센서를 통해 3축 방향(x, y, z)의 가속도를 측정할 수 있다.

손목 움직임 검출부(120)는 한 실시예로서, 자이로 센서를 통해 한 축을 기준으로 단위시간 동안 센서 장치(100)가 회전한 각도값을 산출할 수 있다.

손목 움직임 검출부(120)는 한 실시예로서, 가속도 센서 및 자이로 센서를 통해 검출한 값을 바탕으로 움직임 가속도 및 움직임 방향을 포함하는 손목 움직임 정보를 생성할 수 있다.

손목 움직임 검출부(120)는 한 실시예로서, 학습자의 학습을 시작하는 입력 신호(예, 앱 또는 웹 상에서 학습 시작 버튼을 클릭하는 신호)를 수신하면, 손목의 움직임 가속도 및 움직임 방향 검출을 수행할 수 있고, 학습자의 학습을 종료하는 입력 신호(예, 앱 또는 웹 상에서 학습 종료 버튼을 클릭하는 신호)를 수신하면, 손목의 움직임 가속도 및 움직임 방향 검출을 중단할 수 있다.

인공지능 학습 플랫폼 서버(200)는 한 실시예로서, 미리 저장된 인공지능 학습 모델을 이용하여 생체 신호 및 손목 움직임 정보에 대응하는 학습자의 뇌파 정보를 추출하고, 뇌파 정보를 바탕으로 학습자의 학습 상태를 판단할 수 있다.

도 3을 참조하면, 인공지능 학습 플랫폼 서버(200)는 한 실시예로서, 뇌파 정보 추출부(210), 뇌파 정보 분석부(220), 학습 상태 판단부(230), 피드백 제공부(240), 저장부(250), 통신부(260)를 포함할 수 있다.

뇌파 정보 추출부(210)는 한 실시예로서, 생체 신호 및 손목 움직임 정보를 입력 변수로 하는 미리 저장된 제1 인공지능 학습 모델을 이용하여 학습자의 뇌파 정보를 추출할 수 있다.

제1 인공지능 학습 모델은 한 실시예로서, 미리 저장된 알고리즘을 이용하여 생체 신호 및 움직임 정보를 변환하여 얻어지는 제1 특징 벡터를 입력값으로 하고, 뇌파 정보를 변환하여 얻어지는 제2 특징 벡터를 출력값으로 하는 학습 데이터를 바탕으로 지도학습된 학습 모델일 수 있다. 미리 저장된 알고리즘은 한 실시예로서, 머신 러닝(Machine Learning) 학습 알고리즘 또는 딥러닝(Deep Learning) 학습 알고리즘일 수 있다.

제1 인공지능 학습 모델은 한 실시예로서, 주어진 입력값(제1 특징 벡터)와 출력값(제2 특징 벡터)에 따른 손실 함수(loss function)의 출력값이 최소화되도록 지도학습될 수 있다. 예를 들어, 손실 함수(H(Y,Y`))는, 다음의 수학식 1과 같이 정의될 수 있다.

Ym은 제2 특징 벡터의 m번째 성분이고, Y`m은 뇌파 예측 모델(104b)에서 제1 특징 벡터를 입력받아 출력된 출력 벡터의 m번째 성분일 수 있다.

뇌파 정보는 한 실시예로서, 뇌전도 신호(Electroencephalogram, EEG)에서 미리 정의된 주파수 대역들 각각에 대한 수치적분 값으로 얻어지는, SMR파, Mid-베타파, 세타파, 알파파 각각에 대한 크기(또는 강도)를 포함할 수 있다.

SMR파(Sensory Motor Rhythm)는 12~15Hz 주파수 대역을 가지며, 주의 상태로 외부 정보에 대한 집중력이 강화될 때 나타나는 뇌파이다. Mid 베타파는 16~20Hz 주파수 대역을 가지며, 각성 상태로 과제 수행시에 나타나는 뇌파이다. 즉, Mid 베타파는 계산이나 암산과 같이 한 가지 주제에 집중하면서 비교적 정신부하가 높은 사고 활동을 수행할 때 우세해진다. 세타파는 4~8Hz 주파수 대역을 갖으며, 졸리거나 의식이 흐릿할 때 나타나는 뇌파이다. 알파파는 8~13Hz 주파수 대역을 가지며, 시각 영역과 매우 밀접한 관계가 있고, 알파파에 대한 크기 증가는 시각 주의 기능 및 인식 저하로 해석될 수 있다.

예측된 뇌파 상태에서 각 주파수 성분이 얼마만큼의 비중을 차지하고 있는 지를 정량적으로 파악하기 위해서 파워스펙트럼이 이용될 수 있다. 파워스펙트럼이란, 자기상관함수를 퓨리에변환하는 것으로, 일반적으로 뇌파신호를 단기 퓨리에 변환(STFT)나 웨이블릿 변환(wavelet transform) 등을 행하여. Log 스케일의 파워(단위는 dB)로 나타낸 것을 말한다.

뇌파 정보 분석부(220)는 한 실시예로서, 뇌파 정보를 입력 변수로 하는 제2 인공지능 학습 모델을 이용하여 학습자의 집중도 및 피로도 정보를 추출할 수 있다.

집중도는 학습자가 학습 능력을 유지하는 정도를 의미하며, 피로도는 학습자의 학습 능력을 감소시키는 정도를 의미한다.

제2 인공지능 학습 모델은 한 실시예로서, 뇌파 정보를 변환하여 얻어지는 제1 특징 벡터를 입력값으로 하고, 집중도 및 피로도 정보를 변환하여 얻어지는 제2 특징 벡터를 출력값으로 하는 학습 데이터를 바탕으로 지도학습된 학습 모델일 수 있다. 미리 저장된 알고리즘은 한 실시예로서, 머신 러닝(Machine Learning) 학습 알고리즘 또는 딥러닝(Deep Learning) 학습 알고리즘일 수 있다.

집중도는 다음의 수학식 2에 의해 정의될 수 있다.

피로도는 세타파 및 알파파와 관련성이 높은 것으로 알려져 있으나, 피로도가 높을수록 집중도는 상대적으로 낮게 측정될 가능성이 높으므로, 본 발명의 경우 집중도와 알파파 및 세타파 사이의 상관관계를 나타내는 상관 계수를 산출하고, 산출된 상관 계수를 기반으로 피로도가 정의될 수 있다.

알파파 및 세타파와 수학식 2에 따른 집중도 사이의 상관관계를 나타내는 상관계수를 산출하면, 다음의 표 1과 같다.

표 1을 참조하면, 알파파와 집중도 사이의 상관계수는 5회의 측정 결과에 대한 평균값인 0.84로 결정될 수 있다. 세타파와 집중도 사이의 상관계수는 5회의 측정결과에 대한 평균값인 2.94로 결정될 수 있다.

상술한 표에 의해 결정되는 상관계수를 기초로, 피로도는 다음의 수학식 3에 따라 산출될 수 있다.

학습 상태 판단부(230)는 한 실시예로서, 생체 신호 및 움직임 정보 감지시 학습자 단말(300)에게 제공된 학습 콘텐츠를 획득하고, 획득된 학습 콘텐츠 및 뇌파 정보를 바탕으로 학습 콘텐츠에 대한 학습 상태를 판단할 수 있다. 이때, 학습자 단말(300)에게 제공된 학습 콘텐츠는 학습자 단말(300)에 미리 저장된 콘텐츠, 학습자가 입력한 콘텐츠, 인공지능 학습 플랫폼 서버(200)가 학습자 단말(300)에게 제공하는 콘텐츠일 수 있다.

학습 상태 판단부(230)는 한 실시예로서, 미리 저장된 알고리즘을 이용하여 집중도 및 피로도 정보와 미리 설정된 기준값을 비교한 결과에 기반하여 학습자의 학습 상태를 몰입 상태, 집중 상태, 인지스트레스 상태, 산만 상태 중 어느 하나의 상태로 판단할 수 있다.

학습 상태 판단부(230)는 한 실시예로서, 집중도가 제1 기준값 보다 크고, 피로도가 제2 기준값 보다 크면, 학습자의 학습 상태를 몰입 상태로 판단할 수 있다. 제1 기준값 및 제2 기준값은 사용자의 설정에 따라 다양한 값을 가질 수 있다.

학습 상태 판단부(230)는 한 실시예로서, 집중도가 제1 기준값 보다 크고, 피로도가 제2 기준값 보다 작으면, 학습자의 학습 상태를 집중 상태로 판단할 수 있다.

학습 상태 판단부(230)는 한 실시예로서, 집중도가 제1 기준값 보다 작고, 피로도가 제2 기준값 보다 크면, 학습자의 학습 상태를 인지스트레스 상태로 판단할 수 있다.

학습 상태 판단부(230)는 한 실시예로서, 집중도가 제1 기준값 보다 작고, 피로도가 제2 기준값 보다 작으면, 학습자의 학습 상태를 산만 상태로 판단할 수 있다.

학습 상태 판단부(230)는 한 실시예로서, 학습 콘텐츠에 대한 사용자의 학습상태와 관련하여, 집중도가 높고 피로도가 높으면 몰입으로 판단하고, 집중도가 높고 피로도가 낮으면 집중으로 판단하며, 집중도가 낮고 피로도가 높으면 인지스트레스로 판단하며, 집중도와 피로도가 둘다 낮으면 산만으로 판단할 수 있다.

피드백 제공부(240)는 한 실시예로서, 학습 상태 판단부(230)를 통해 도출된 학습 상태를 바탕으로 학습자 단말(300)에게 맞춤형 콘텐츠를 제공할 수 있다.

피드백 제공부(240)는 한 실시예로서, 학습자의 학습 상태가 몰입 상태로 판단되면, 학습자 단말(300)에게 휴식 알림 메시지(예, 조명 밝기를 특정 밝기로 조절하는 것을 요청하는 메시지, 백색소음기를 동작시키는 것을 요청하는 메시지) 및 휴식 관련 콘텐츠를 제공할 수 있다.

피드백 제공부(240)는 한 실시예로서, 학습자의 학습 상태가 집중 상태로 판단되면, 학습자 단말(300)에게 이전에 제공된 학습 콘텐츠 보다 난도가 높은 학습 콘텐츠를 제공할 수 있다.

피드백 제공부(240)는 한 실시예로서, 학습자의 학습 상태가 인지스트레스 상태로 판단되면, 학습자 단말(300)에게 이전에 제공된 학습 콘텐츠 보다 난도가 낮은 학습 콘텐츠를 제공할 수 있다.

피드백 제공부(240)는 한 실시예로서, 학습자의 학습 상태가 산만 상태로 판단되면, 학습자 단말(300)에게 집중도 향상 관련 학습 콘텐츠를 제공할 수 있다.

피드백 제공부(240)는 한 실시예로서, 저장부(250)에 저장된 학습 상태가 유사한 학습자를 추출하고, 학습 상태가 유사한 학습자의 학습이력을 바탕으로 맞춤 학습 콘텐츠를 제공할 수 있다. 학습이력은 한 실시예로서, 학습자가 과거에 학습했던 학습 콘텐츠 관련 정보로써, 학습과정, 학습문항, 문항난도, 풀이시간 등을 포함할 수 있다.

예를 들어, 피드백 제공부(240)는 학습자의 학습 상태가 집중으로 판단되면, 저장부(250)에 저장된 학습 상태가 유사한 학습자가 학습했던 학습 콘텐츠 중 집중인 학습 상태로 매핑된 학습 콘텐츠를 제공할 수 있다.

학습자와 유사한 학습자를 도출하는 방법은 학습자 정보들을 표현한 벡터들 사이의 유사도를 계산하는 방식으로 이루어질 수 있다. 예를 들어, 학습자 정보는 학습자를 다른 학습자와 구분하기 위한 나이, 성별, 기존 학습 이력, 지능 지수(IQ) 정보 등을 포함할 수 있다.

유사도는 다음의 수학식 4에 의해 정의될 수 있다.

S_A,B는 학습자 A와 학습자 B 사이의 유사도를 의미하고, A는 학습자 A에 대한 정보를 표현한 벡터를 의미하고, B는 사용자 B에 대한 정보를 표현한 벡터를 의미한다. 계산된 S_A,B가 미리 설정된 값보다 높은 경우, A와 B는 유사하다고 판단할 수 있다.

저장부(250)는 한 실시예로서, 복수의 학습자에게 다양한 학습 콘텐츠들을 제공하고, 제공된 학습 콘텐츠들 각각에 대한 복수의 학습자 각각의 뇌파 정보를 산출하고, 각 뇌파 정보로부터 도출된 학습 상태를 저장할 수 있다.

학습자마다 학습 콘텐츠로부터 도출되는 학습 상태가 다양하게 존재하므로, 저장부(250)는 학습자 정보에 기반하여 학습 콘텐츠마다 학습 상태를 매핑하여 학습 콘텐츠를 저장할 수 있다.

통신부(260)는 한 실시예로서, 유무선 통신을 이용하여 센싱 장치(100) 및 학습자 단말(300)과 데이터를 송수신하는 통신 모듈을 포함할 수 있다.

학습자 단말(300)은 한 실시예로서, 근거리 통신(예, 블루투스, Wi-Fi, ZigBee 등)을 통해 센싱 장치(100)와 데이터를 송수신 할 수 있고, 앱 또는 웹을 통해 인공지능 학습 플랫폼 서버(200)와 데이터를 송수신할 수 있다.

학습자 단말(300)은 한 실시예로서, 이동 통신 단말기, 데스크톱 컴퓨터, 노트북 컴퓨터, 워크스테이션, 팜톱(palmtop) 컴퓨터, 개인 휴대 정보 단말기(Personal Digital Assistant, PDA), 웹 패드 등과 같이 메모리 수단을 구비하고 마이크로 프로세서를 탑재하여 연산 능력을 갖춘 디지털 기기일 수 있다.

도 4는 한 실시예에 따른 맞춤형 학습 솔루션 제공 방법의 흐름도이다.

도 4를 참조하면, 한 실시예에 따른 맞춤형 학습 솔루션 제공 방법은 센싱 장치(100)가 학습자의 생체 신호 및 손목 움직임 정보를 검출하는 단계(S100), 인공지능 학습 플랫폼 서버(200)가 미리 저장된 인공지능 학습 모델을 이용하여 생체 신호 및 손목 움직임 정보에 대응하는 학습자의 뇌파 정보를 추출하는 단계(S200), 인공지능 학습 플랫폼 서버(200)가 뇌파 정보를 바탕으로 학습자의 학습 상태를 판단하는 단계(S300), 인공지능 학습 플랫폼 서버(200)가 학습 상태를 바탕으로 학습자 단말(300)에게 맞춤형 콘텐츠를 제공하는 단계(S400)를 포함한다.

뇌파 정보를 바탕으로 학습자의 학습 상태를 판단하는 단계(S300)는 한 실시예로서, 집중도 및 피로도 정보와 미리 설정된 기준값을 비교한 결과에 기반하여 학습자의 학습 상태를 몰입 상태, 집중 상태, 인지스트레스 상태, 산만 상태 중 어느 하나의 상태로 판단할 수 있다.

뇌파 정보를 바탕으로 학습자의 학습 상태를 판단하는 단계(S300)는 한 실시예로서, 집중도가 제1 기준값 보다 크고, 피로도가 제2 기준값 보다 크면, 학습자의 학습 상태를 몰입 상태로 판단할 수 있다.

뇌파 정보를 바탕으로 학습자의 학습 상태를 판단하는 단계(S300)는 한 실시예로서, 집중도가 제1 기준값 보다 크고, 피로도가 제2 기준값 보다 작으면, 학습자의 학습 상태를 집중 상태로 판단할 수 있다.

뇌파 정보를 바탕으로 학습자의 학습 상태를 판단하는 단계(S300)는 한 실시예로서, 집중도가 제1 기준값 보다 작고, 피로도가 제2 기준값 보다 크면, 학습자의 학습 상태를 인지스트레스 상태로 판단할 수 있다.

뇌파 정보를 바탕으로 학습자의 학습 상태를 판단하는 단계(S300)는 한 실시예로서, 집중도가 제1 기준값 보다 작고, 피로도가 제2 기준값 보다 작으면, 학습자의 학습 상태를 산만 상태로 판단할 수 있다.

단계 S100 내지 단계 S400은 위에서 설명한 맞춤형 학습 솔루션 제공 시스템의 동작 내용과 동일하므로 상세한 설명은 생략한다.

도 5는 한 실시에에 따른 인공지능 학습 플랫폼 서버의 블록도이다.

도 5를 참조하면, 한 실시에에 따른 인공지능 학습 플랫폼 서버는 컴퓨터 시스템, 예를 들어 컴퓨터 판독 가능 매체로 구현될 수 있다. 컴퓨터 시스템(500)은, 버스(520)를 통해 통신하는 프로세서(510), 메모리(530), 사용자 인터페이스 입력 장치(560), 사용자 인터페이스 출력 장치(570), 및 저장 장치(580) 중 적어도 하나를 포함할 수 있다. 컴퓨터 시스템(500)은 또한 네트워크에 결합된 네트워크 인터페이스(590)를 포함할 수 있다. 프로세서(510)는 중앙 처리 장치(central processing unit, CPU)이거나, 또는 메모리(530) 또는 저장 장치(580)에 저장된 명령을 실행하는 반도체 장치일 수 있다. 메모리(530) 및 저장 장치(580)는 다양한 형태의 휘발성 또는 비휘발성 저장 매체를 포함할 수 있다. 예를 들어, 메모리(530)는 ROM(read only memory)(531) 및 RAM(random access memory)(532)를 포함할 수 있다. 본 기재의 실시예는 컴퓨터에 구현된 방법으로서 구현되거나, 컴퓨터 실행 가능 명령이 저장된 비일시적 컴퓨터 판독 가능 매체로서 구현될 수 있다. 한 실시예에서, 프로세서에 의해 실행될 때, 컴퓨터 판독 가능 명령은 본 기재의 적어도 하나의 양상에 따른 방법을 수행할 수 있다.

한 실시에에 따른 인공지능 학습 플랫폼 서버는 프로세서(510) 및 메모리(530)를 포함하고, 프로세서(510)는 메모리(530)에 저장된 프로그램을 실행하여, 센싱 장치(100)로부터 학습자의 생체 신호 및 손목 움직임 정보를 수신하는 단계, 미리 저장된 인공지능 학습 모델을 이용하여 생체 신호 및 손목 움직임 정보에 대응하는 학습자의 뇌파 정보를 추출하는 단계, 뇌파 정보를 바탕으로 학습자의 학습 상태를 판단하는 단계, 학습 상태를 바탕으로 학습자 단말(300)에게 맞춤형 콘텐츠를 제공하는 단계를 수행할 수 있다.

프로세서(510)의 동작 내용은 위에서 설명한 인공지능 학습 플랫폼 서버(200)의 동작 내용과 동일하므로, 상세한 설명은 생략한다.

이상에서 본 발명의 실시예에 대하여 상세하게 설명하였지만 본 발명의 권리범위는 이에 한정되는 것은 아니고 다음의 청구범위에서 정의하고 있는 본 발명의 기본 개념을 이용한 당업자의 여러 변형 및 개량 형태 또한 본 발명의 권리범위에 속하는 것이다.

본 실시 예와 관련된 기술 분야에서 통상의 지식을 가진 자는 상기된 기재의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시 방법들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.

Claims

학습자의 생체 신호 및 손목 움직임 정보를 검출하는 센싱 장치, 그리고
미리 저장된 인공지능 학습 모델을 이용하여 상기 생체 신호 및 손목 움직임 정보에 대응하는 학습자의 뇌파 정보를 추출하고, 상기 뇌파 정보를 바탕으로 학습자의 학습 상태를 판단하는 인공지능 학습 플랫폼 서버
를 포함하는 맞춤형 학습 솔루션 제공 시스템.
제1항에서,
상기 인공지능 학습 플랫폼 서버는,
상기 학습 상태를 바탕으로 학습자 단말에게 맞춤형 콘텐츠를 제공하는 피드백 제공부를 포함하는, 맞춤형 학습 솔루션 제공 시스템.
제2항에서,
상기 센싱 장치는,
학습자의 맥파 신호 및 피부 전기 전도도 신호를 검출하는 생체 신호 검출부를 포함하는, 맞춤형 학습 솔루션 제공 시스템.
제3항에서,
상기 센싱 장치는,
학습자 손목의 움직임 가속도 및 움직임 방향을 검출하는 손목 움직임 검출부를 더 포함하는, 맞춤형 학습 솔루션 제공 시스템.
제2항에서,
상기 인공지능 학습 플랫폼 서버는,
상기 생체 신호 및 손목 움직임 정보를 입력 변수로 하는 제1 인공지능 학습 모델을 이용하여 학습자의 뇌파 정보를 추출하는 뇌파 정보 추출부를 포함하는, 맞춤형 학습 솔루션 제공 시스템.
제5항에서,
상기 인공지능 학습 플랫폼 서버는,
상기 뇌파 정보를 입력 변수로 하는 제2 인공지능 학습 모델을 이용하여 학습자의 집중도 및 피로도 정보를 추출하는 뇌파 정보 분석부를 더 포함하는, 맞춤형 학습 솔루션 제공 시스템.
제6항에서,
상기 인공지능 학습 플랫폼 서버는,
집중도 및 피로도 정보와 미리 설정된 기준값을 비교한 결과에 기반하여 학습자의 학습 상태를 몰입 상태, 집중 상태, 인지스트레스 상태, 산만 상태 중 어느 하나의 상태로 판단하는 학습 상태 판단부를 더 포함하는, 맞춤형 학습 솔루션 제공 시스템.
제7항에서,
상기 학습 상태 판단부는,
집중도가 제1 기준값 보다 크고, 피로도가 제2 기준값 보다 크면, 학습자의 학습 상태를 몰입 상태로 판단하는, 맞춤형 학습 솔루션 제공 시스템.
제7항에서,
상기 학습 상태 판단부는,
집중도가 제1 기준값 보다 크고, 피로도가 제2 기준값 보다 작으면, 학습자의 학습 상태를 집중 상태로 판단하는, 맞춤형 학습 솔루션 제공 시스템.
제7항에서,
상기 학습 상태 판단부는,
집중도가 제1 기준값 보다 작고, 피로도가 제2 기준값 보다 크면, 학습자의 학습 상태를 인지스트레스 상태로 판단하는, 맞춤형 학습 솔루션 제공 시스템.
제7항에서,
상기 학습 상태 판단부는,
집중도가 제1 기준값 보다 작고, 피로도가 제2 기준값 보다 작으면, 학습자의 학습 상태를 산만 상태로 판단하는, 맞춤형 학습 솔루션 제공 시스템.
센싱 장치가 학습자의 생체 신호 및 손목 움직임 정보를 검출하는 단계,
인공지능 학습 플랫폼 서버가 미리 저장된 인공지능 학습 모델을 이용하여 상기 생체 신호 및 손목 움직임 정보에 대응하는 학습자의 뇌파 정보를 추출하는 단계, 그리고
상기 인공지능 학습 플랫폼 서버가 상기 뇌파 정보를 바탕으로 학습자의 학습 상태를 판단하는 단계
를 포함하는 맞춤형 학습 솔루션 제공 방법.
제12항에서,
상기 뇌파 정보를 바탕으로 학습자의 학습 상태를 판단하는 단계 이후,
상기 인공지능 학습 플랫폼 서버가 상기 학습 상태를 바탕으로 학습자 단말에게 맞춤형 콘텐츠를 제공하는 단계를 더 포함하는, 맞춤형 학습 솔루션 제공 방법.
제12항에서,
상기 뇌파 정보를 바탕으로 학습자의 학습 상태를 판단하는 단계는,
집중도 및 피로도 정보와 미리 설정된 기준값을 비교한 결과에 기반하여 학습자의 학습 상태를 몰입 상태, 집중 상태, 인지스트레스 상태, 산만 상태 중 어느 하나의 상태로 판단하는, 맞춤형 학습 솔루션 제공 방법.
제14항에서,
상기 뇌파 정보를 바탕으로 학습자의 학습 상태를 판단하는 단계는,
집중도가 제1 기준값 보다 크고, 피로도가 제2 기준값 보다 크면, 학습자의 학습 상태를 몰입 상태로 판단하는, 맞춤형 학습 솔루션 제공 방법.
제14항에서,
상기 뇌파 정보를 바탕으로 학습자의 학습 상태를 판단하는 단계는,
집중도가 제1 기준값 보다 크고, 피로도가 제2 기준값 보다 작으면, 학습자의 학습 상태를 집중 상태로 판단하는, 맞춤형 학습 솔루션 제공 방법.
제14항에서,
상기 뇌파 정보를 바탕으로 학습자의 학습 상태를 판단하는 단계는,
집중도가 제1 기준값 보다 작고, 피로도가 제2 기준값 보다 크면, 학습자의 학습 상태를 인지스트레스 상태로 판단하는, 맞춤형 학습 솔루션 제공 방법.
제14항에서,
상기 뇌파 정보를 바탕으로 학습자의 학습 상태를 판단하는 단계는,
집중도가 제1 기준값 보다 작고, 피로도가 제2 기준값 보다 작으면, 학습자의 학습 상태를 산만 상태로 판단하는, 맞춤형 학습 솔루션 제공 방법.