KR20240041185A

KR20240041185A - User terminal apparatus for adaptively controlling fan speed of mask and control method thereof

Info

Publication number: KR20240041185A
Application number: KR1020220126373A
Authority: KR
Inventors: 박형룡
Original assignee: 삼성전자주식회사
Priority date: 2022-09-22
Filing date: 2022-10-04
Publication date: 2024-03-29

Abstract

사용자 단말 장치가 개시된다. 본 사용자 단말 장치는 통신 인터페이스, 제1 신경망 모델이 저장된 메모리 및 메모리 및 통신 인터페이스와 연결되어 사용자 단말 장치를 제어하는 적어도 하나의 프로세서를 포함하며, 프로세서는 통신 인터페이스를 통해 팬이 구비된 마스크로부터 사용자의 호흡수에 대한 정보가 수신되면, 호흡수에 대한 정보를 제1 신경망 모델에 입력하여 마스크의 타겟 팬 속도를 식별하고, 타겟 팬 속도로 팬을 제어하기 위한 제어 신호를 마스크로 전송하도록 통신 인터페이스를 제어할 수 있다.A user terminal device is disclosed. The user terminal device includes a communication interface, a memory in which the first neural network model is stored, and at least one processor connected to the memory and the communication interface to control the user terminal device, and the processor controls the user terminal device from a mask equipped with a fan through the communication interface. When information about the respiratory rate is received, the information about the respiratory rate is input into the first neural network model to identify the target fan speed of the mask, and a communication interface to transmit a control signal for controlling the fan at the target fan speed to the mask. can be controlled.

Description

User terminal device and control method for adaptively controlling the fan speed of a mask { USER TERMINAL APPARATUS FOR ADAPTIVELY CONTROLLING FAN SPEED OF MASK AND CONTROL METHOD THEREOF }

본 개시는 사용자 단말 장치 및 그 제어 방법에 대한 것으로, 더욱 상세하게는 적응적으로 마스크의 팬 속도를 제어하는 사용자 단말 장치 및 그 제어 방법에 대한 것이다.This disclosure relates to a user terminal device and a control method thereof, and more specifically, to a user terminal device and a control method thereof that adaptively control the fan speed of a mask.

미세먼지, 질병 등으로 인해 마스크의 수요가 급증하였다. 다만, 사용자가 마스크를 착용하는 경우, 호흡이 제한되어 답답함을 느껴왔다.The demand for masks has increased rapidly due to fine dust and diseases. However, when users wear masks, their breathing is restricted and they feel stuffy.

이러한 점을 고려하여 최근에는 팬이 구비된 마스크가 개발되었다. 사용자는 마스크를 착용한 후에도 마스크에 구비된 팬을 구동시켜 자연스러운 호흡이 가능하다.Taking this into consideration, a mask equipped with a fan has recently been developed. Even after wearing the mask, the user can breathe naturally by operating the fan provided in the mask.

또한, 마스크에 통신 기능이 추가되어, 사용자는 스마트폰 등을 통해 마스크의 팬 속도를 제어할 수 있게 되었다.Additionally, a communication function was added to the mask, allowing users to control the fan speed of the mask through a smartphone, etc.

이상과 같은 목적을 달성하기 위한 본 개시의 일 실시 예에 따르면, 사용자 단말 장치는 통신 인터페이스, 제1 신경망 모델이 저장된 메모리 및 상기 메모리 및 상기 통신 인터페이스와 연결되어 상기 사용자 단말 장치를 제어하는 적어도 하나의 프로세서를 포함하며, 상기 프로세서는 상기 통신 인터페이스를 통해 팬이 구비된 마스크로부터 상기 사용자의 호흡수에 대한 정보가 수신되면, 상기 호흡수에 대한 정보를 상기 제1 신경망 모델에 입력하여 상기 마스크의 타겟 팬 속도를 식별하고, 상기 타겟 팬 속도로 상기 팬을 제어하기 위한 제어 신호를 상기 마스크로 전송하도록 상기 통신 인터페이스를 제어할 수 있다.According to an embodiment of the present disclosure for achieving the above object, a user terminal device includes a communication interface, a memory in which a first neural network model is stored, and at least one device connected to the memory and the communication interface to control the user terminal device. and a processor, wherein when information on the user's respiratory rate is received from a mask equipped with a fan through the communication interface, the processor inputs the information on the respiratory rate into the first neural network model to The communication interface may be controlled to identify a target fan speed and transmit a control signal for controlling the fan at the target fan speed to the mask.

또한, 상기 제1 신경망 모델은 상기 사용자의 호흡수에 대한 제1 샘플 정보 및 상기 사용자가 상기 팬을 제어함에 따른 팬 속도에 대한 제2 샘플 정보의 관계에 기초하여 학습된 모델일 수 있다.Additionally, the first neural network model may be a model learned based on the relationship between first sample information about the user's breathing rate and second sample information about the fan speed when the user controls the fan.

그리고, 상기 메모리는 복수의 제2 신경망 모델을 더 저장하며, 상기 프로세서는 상기 사용자의 컨텍스트를 식별하고, 상기 복수의 제2 신경망 모델 중 상기 사용자의 컨텍스트에 대응되는 제2 신경망 모델에 상기 호흡수에 대한 정보를 입력하여 상기 타겟 팬 속도를 식별할 수 있다.And, the memory further stores a plurality of second neural network models, and the processor identifies the user's context, and determines the respiratory rate in a second neural network model corresponding to the user's context among the plurality of second neural network models. The target fan speed can be identified by entering information about.

또한, 상기 사용자의 컨텍스트는 상기 사용자의 동작 정보, 상기 사용자의 신체 상태 정보 또는 상기 사용자가 위치한 지점의 날씨 정보 중 적어도 하나를 포함할 수 있다.Additionally, the user's context may include at least one of the user's motion information, the user's physical condition information, and weather information at the location where the user is located.

그리고, 상기 프로세서는 상기 사용자가 운동 중이라고 식별되면, 상기 복수의 제2 신경망 모델 중 제2 신경망 모델 1에 상기 호흡수에 대한 정보 및 상기 사용자의 동작 정보를 입력하여 상기 타겟 팬 속도를 식별하며, 상기 제2 신경망 모델 1은 상기 사용자의 호흡수에 대한 제1 샘플 정보 및 상기 사용자의 샘플 동작 정보에 대한 상기 사용자가 팬을 제어함에 따른 팬 속도에 대한 제2 샘플 정보의 관계에 기초하여 학습된 모델일 수 있다.And, when the processor identifies that the user is exercising, the processor identifies the target fan speed by inputting the information on the breathing rate and the user's motion information into a second neural network model 1 among the plurality of second neural network models, The second neural network model 1 is learned based on the relationship between the first sample information about the user's breathing rate and the second sample information about the fan speed when the user controls the fan with the user's sample motion information. It could be a model.

또한, 상기 프로세서는 상기 통신 인터페이스를 통해 상기 사용자 착용한 웨어러블 장치로부터 상기 사용자의 신체 상태 정보를 수신하고, 상기 복수의 제2 신경망 모델 중 제2 신경망 모델 2에 상기 호흡수에 대한 정보 및 상기 사용자의 신체 상태 정보를 입력하여 상기 타겟 팬 속도를 식별하며, 상기 제2 신경망 모델 2는 상기 사용자의 호흡수에 대한 제1 샘플 정보 및 상기 사용자의 샘플 신체 상태 정보에 대한 상기 사용자가 팬을 제어함에 따른 팬 속도에 대한 제2 샘플 정보의 관계에 기초하여 학습된 모델일 수 있다.In addition, the processor receives physical state information of the user from a wearable device worn by the user through the communication interface, and sends information about the breathing rate and the user to a second neural network model 2 among the plurality of second neural network models. The target fan speed is identified by inputting body state information, and the second neural network model 2 is used to control the fan by the user based on first sample information about the user's breathing rate and sample body state information of the user. It may be a model learned based on the relationship between the second sample information and the fan speed.

그리고, 상기 프로세서는 상기 통신 인터페이스를 통해 서버로부터 날씨 정보를 수신하고, 상기 복수의 제2 신경망 모델 중 제2 신경망 모델 3에 상기 호흡수에 대한 정보 및 상기 날씨 정보를 입력하여 상기 타겟 팬 속도를 식별하며, 상기 제2 신경망 모델 3은 상기 사용자의 호흡수에 대한 제1 샘플 정보 및 상기 샘플 날씨 정보에 대한 상기 사용자가 팬을 제어함에 따른 팬 속도에 대한 제2 샘플 정보의 관계에 기초하여 학습된 모델일 수 있다.And, the processor receives weather information from the server through the communication interface, inputs the information on the breathing rate and the weather information into the second neural network model 3 among the plurality of second neural network models to set the target fan speed. Identifying the second neural network model 3 is learned based on the relationship between the first sample information about the user's breathing rate and the second sample information about the fan speed when the user controls the fan with the sample weather information It may be a model.

또한, 디스플레이를 더 포함하며, 상기 프로세서는 상기 팬의 동작 상태 또는 상기 호흡수에 대한 정보 중 적어도 하나를 상기 디스플레이를 통해 디스플레이할 수 있다.In addition, it further includes a display, and the processor can display at least one of information about the operating state of the fan or the breathing rate through the display.

그리고, 상기 프로세서는 상기 통신 인터페이스를 통해 상기 마스크로부터 상기 사용자가 상기 팬을 제어함에 따른 팬 속도 및 상기 사용자가 상기 팬을 제어한 시점의 상기 사용자의 호흡수에 대한 정보를 수신하고, 상기 수신된 정보를 학습 정보로서 상기 메모리에 저장할 수 있다.And, the processor receives information about the fan speed as the user controls the fan and the user's respiratory rate at the time the user controls the fan from the mask through the communication interface, and the received Information can be stored in the memory as learning information.

또한, 상기 프로세서는 상기 메모리에 저장된 학습 정보가 기설정된 개수 이상 누적되면, 상기 누적된 학습 정보에 기초하여 상기 제1 신경망 모델을 재학습할 수 있다.Additionally, when the learning information stored in the memory accumulates more than a preset number, the processor may retrain the first neural network model based on the accumulated learning information.

한편, 본 개시의 일 실시 예에 따르면, 사용자 단말 장치의 제어 방법은 팬이 구비된 마스크로부터 사용자의 호흡수에 대한 정보를 수신하는 단계, 상기 호흡수에 대한 정보를 제1 신경망 모델에 입력하여 상기 마스크의 타겟 팬 속도를 식별하는 단계 및 상기 타겟 팬 속도로 상기 팬을 제어하기 위한 제어 신호를 상기 마스크로 전송하는 단계를 포함한다.Meanwhile, according to an embodiment of the present disclosure, a control method of a user terminal device includes receiving information about the user's breathing rate from a mask equipped with a fan, inputting the information about the breathing rate into a first neural network model, Identifying a target fan speed of the mask and transmitting a control signal for controlling the fan at the target fan speed to the mask.

그리고, 상기 사용자의 컨텍스트를 식별하는 단계를 더 포함하며, 상기 식별하는 단계는 복수의 제2 신경망 모델 중 상기 사용자의 컨텍스트에 대응되는 제2 신경망 모델에 상기 호흡수에 대한 정보를 입력하여 상기 타겟 팬 속도를 식별할 수 있다.And, it further includes the step of identifying the user's context, wherein the identifying step involves inputting information about the breathing rate into a second neural network model corresponding to the user's context among a plurality of second neural network models to determine the target. Fan speed can be identified.

그리고, 상기 식별하는 단계는 상기 사용자가 운동 중이라고 식별되면, 상기 복수의 제2 신경망 모델 중 제2 신경망 모델 1에 상기 호흡수에 대한 정보 및 상기 사용자의 동작 정보를 입력하여 상기 타겟 팬 속도를 식별하며, 상기 제2 신경망 모델 1은 상기 사용자의 호흡수에 대한 제1 샘플 정보 및 상기 사용자의 샘플 동작 정보에 대한 상기 사용자가 팬을 제어함에 따른 팬 속도에 대한 제2 샘플 정보의 관계에 기초하여 학습된 모델일 수 있다.In the identifying step, when it is identified that the user is exercising, the target fan speed is identified by inputting the information on the breathing rate and the user's motion information into the second neural network model 1 among the plurality of second neural network models. And, the second neural network model 1 is based on the relationship between the first sample information about the user's breathing rate and the second sample information about the fan speed when the user controls the fan with the user's sample motion information. It may be a learned model.

또한, 상기 사용자 착용한 웨어러블 장치로부터 상기 사용자의 신체 상태 정보를 수신하는 단계를 더 포함하며, 상기 식별하는 단계는 상기 복수의 제2 신경망 모델 중 제2 신경망 모델 2에 상기 호흡수에 대한 정보 및 상기 사용자의 신체 상태 정보를 입력하여 상기 타겟 팬 속도를 식별하며, 상기 제2 신경망 모델 2는 상기 사용자의 호흡수에 대한 제1 샘플 정보 및 상기 사용자의 샘플 신체 상태 정보에 대한 상기 사용자가 팬을 제어함에 따른 팬 속도에 대한 제2 샘플 정보의 관계에 기초하여 학습된 모델일 수 있다.In addition, it further includes receiving information about the user's body condition from the wearable device worn by the user, wherein the identifying step includes information about the breathing rate and The target fan speed is identified by inputting the user's body condition information, and the second neural network model 2 determines the user's fan speed based on first sample information on the user's respiratory rate and sample body condition information on the user. It may be a model learned based on the relationship between the second sample information and the fan speed during control.

그리고, 서버로부터 날씨 정보를 수신하는 단계를 더 포함하며, 상기 식별하는 단계는 상기 복수의 제2 신경망 모델 중 제2 신경망 모델 3에 상기 호흡수에 대한 정보 및 상기 날씨 정보를 입력하여 상기 타겟 팬 속도를 식별하며, 상기 제2 신경망 모델 3은 상기 사용자의 호흡수에 대한 제1 샘플 정보 및 상기 샘플 날씨 정보에 대한 상기 사용자가 팬을 제어함에 따른 팬 속도에 대한 제2 샘플 정보의 관계에 기초하여 학습된 모델일 수 있다.And, it further includes receiving weather information from a server, wherein the identifying step includes inputting the information about the breathing rate and the weather information into a second neural network model 3 among the plurality of second neural network models to identify the target fan. Identifying the speed, the second neural network model 3 is based on the relationship of the first sample information about the user's breathing rate and the second sample information about the fan speed as the user controls the fan with the sample weather information It may be a learned model.

또한, 상기 팬의 동작 상태 또는 상기 호흡수에 대한 정보 중 적어도 하나를 디스플레이하는 단계를 더 포함할 수 있다.Additionally, the method may further include displaying at least one of information about the operating state of the fan or information about the breathing rate.

그리고, 상기 마스크로부터 상기 사용자가 상기 팬을 제어함에 따른 팬 속도 및 상기 사용자가 상기 팬을 제어한 시점의 상기 사용자의 호흡수에 대한 정보를 수신하는 단계 및 상기 수신된 정보를 학습 정보로서 저장하는 단계를 더 포함할 수 있다.And, receiving information from the mask about the fan speed as the user controls the fan and the user's respiratory rate at the time the user controls the fan, and storing the received information as learning information. Additional steps may be included.

또한, 상기 학습 정보가 기설정된 개수 이상 누적되면, 상기 누적된 학습 정보에 기초하여 상기 제1 신경망 모델을 재학습하는 단계를 더 포함할 수 있다.In addition, when the learning information is accumulated more than a preset number, the step of retraining the first neural network model based on the accumulated learning information may be further included.

도 1은 마스크의 일반적인 구조를 설명하기 위한 도면이다.
도 2는 본 개시의 일 실시 예에 따른 전자 시스템을 나타내는 블럭도이다.
도 3은 본 개시의 일 실시 예에 따른 사용자 단말 장치의 구성을 나타내는 블럭도이다.
도 4는 본 개시의 일 실시 예에 따른 사용자 단말 장치의 세부 구성을 나타내는 블럭도이다.
도 5는 본 개시의 일 실시 예에 따른 사용자 단말 장치 및 마스크의 기본적인 동작을 설명하기 위한 도면이다.
도 6은 본 개시의 일 실시 예에 따른 사용자의 컨텍스트에 따른 팬 속도 제어를 설명하기 위한 도면이다.
도 7은 본 개시의 일 실시 예에 따른 타겟 팬 속도를 획득하는 동작을 설명하기 위한 흐름도이다.
도 8은 본 개시의 일 실시 예에 따른 신경망 모델을 설명하기 위한 도면이다.
도 9는 본 개시의 일 실시 예에 따른 전자 장치의 제어 방법을 설명하기 위한 흐름도이다.1 is a diagram for explaining the general structure of a mask.
Figure 2 is a block diagram showing an electronic system according to an embodiment of the present disclosure.
Figure 3 is a block diagram showing the configuration of a user terminal device according to an embodiment of the present disclosure.
Figure 4 is a block diagram showing the detailed configuration of a user terminal device according to an embodiment of the present disclosure.
FIG. 5 is a diagram for explaining the basic operation of a user terminal device and a mask according to an embodiment of the present disclosure.
FIG. 6 is a diagram for explaining fan speed control according to user context according to an embodiment of the present disclosure.
FIG. 7 is a flowchart illustrating an operation for obtaining a target fan speed according to an embodiment of the present disclosure.
Figure 8 is a diagram for explaining a neural network model according to an embodiment of the present disclosure.
FIG. 9 is a flowchart illustrating a method of controlling an electronic device according to an embodiment of the present disclosure.

본 개시의 목적은 사용자 개개인 또는 사용자의 컨텍스트에 따라 적응적으로 마스크의 팬 속도를 제어하기 위한 사용자 단말 장치 및 그 제어 방법을 제공함에 있다.The purpose of the present disclosure is to provide a user terminal device and a control method for adaptively controlling the fan speed of a mask according to each user or user's context.

이하에서는 첨부 도면을 참조하여 본 개시를 상세히 설명한다.Hereinafter, the present disclosure will be described in detail with reference to the accompanying drawings.

본 개시의 실시 예에서 사용되는 용어는 본 개시에서의 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 개시의 설명 부분에서 상세히 그 의미를 기재할 것이다. 따라서 본 개시에서 사용되는 용어는 단순한 용어의 명칭이 아닌, 그 용어가 가지는 의미와 본 개시의 전반에 걸친 내용을 토대로 정의되어야 한다.The terms used in the embodiments of the present disclosure have selected general terms that are currently widely used as much as possible while considering the functions in the present disclosure, but this may vary depending on the intention or precedent of a technician working in the art, the emergence of new technology, etc. . In addition, in certain cases, there are terms arbitrarily selected by the applicant, and in this case, the meaning will be described in detail in the description part of the relevant disclosure. Therefore, the terms used in this disclosure should be defined based on the meaning of the term and the overall content of this disclosure, rather than simply the name of the term.

본 명세서에서, "가진다," "가질 수 있다," "포함한다," 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.In this specification, expressions such as “have,” “may have,” “includes,” or “may include” refer to the presence of the corresponding feature (e.g., component such as numerical value, function, operation, or part). , and does not rule out the existence of additional features.

A 또는/및 B 중 적어도 하나라는 표현은 "A" 또는 "B" 또는 "A 및 B" 중 어느 하나를 나타내는 것으로 이해되어야 한다.The expression at least one of A or/and B should be understood as referring to either “A” or “B” or “A and B”.

본 명세서에서 사용된 "제1," "제2," "첫째," 또는 "둘째,"등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다.As used herein, expressions such as “first,” “second,” “first,” or “second,” can modify various components regardless of order and/or importance, and can refer to one component. It is only used to distinguish from other components and does not limit the components.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "구성되다" 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.Singular expressions include plural expressions unless the context clearly dictates otherwise. In this application, terms such as “comprise” or “consist of” are intended to designate the presence of features, numbers, steps, operations, components, parts, or combinations thereof described in the specification, but are intended to indicate the presence of one or more other It should be understood that this does not exclude in advance the presence or addition of features, numbers, steps, operations, components, parts, or combinations thereof.

본 명세서에서, 사용자라는 용어는 전자 장치를 사용하는 사람 또는 전자 장치를 사용하는 장치(예: 인공 지능 전자 장치)를 지칭할 수 있다.In this specification, the term user may refer to a person using an electronic device or a device (eg, an artificial intelligence electronic device) using an electronic device.

이하 첨부된 도면들을 참조하여 본 개시의 다양한 실시 예를 보다 상세하게 설명한다.Hereinafter, various embodiments of the present disclosure will be described in more detail with reference to the attached drawings.

도 1은 마스크의 일반적인 구조를 설명하기 위한 도면이다.1 is a diagram for explaining the general structure of a mask.

마스크는 도 1에 도시된 바와 같이, 팬이 구비되어 있어 사용자의 자연스러운 호흡을 유도할 수 있다. 마스크는 센서를 구비하여 사용자의 호흡수에 기초하여 자동으로 팬을 제어할 수 있다. 또는, 사용자의 제어에 기초하여 수동으로 마스크의 팬이 제어될 수도 있다.As shown in Figure 1, the mask is equipped with a fan and can induce natural breathing of the user. The mask is equipped with a sensor and can automatically control the fan based on the user's breathing rate. Alternatively, the fan of the mask may be controlled manually based on user control.

사용자는 마스크에 구비된 버튼을 통해 마스크의 팬을 자동 또는 수동으로 제어할 수 있다. 또는, 마스크는 통신 인터페이스를 구비하여 사용자의 스마트폰 등으로 연결될 수 있으며, 사용자는 스마트폰 등을 통해 마스크의 팬을 자동 또는 수동으로 제어할 수도 있다.Users can automatically or manually control the fan of the mask through the button provided on the mask. Alternatively, the mask may be equipped with a communication interface and connected to the user's smartphone, etc., and the user may automatically or manually control the fan of the mask through the smartphone.

마스크가 자동으로 동작하는 경우, 호흡수에 따른 팬의 제어는 표준화되어 있어 제조사가 제공하는 방식으로 한정된다. 다만, 사용자마다 자연스럽게 느끼는 호흡수는 상이할 수 있다.When the mask operates automatically, fan control according to breathing rate is standardized and limited to the method provided by the manufacturer. However, the breathing rate felt naturally may vary from user to user.

예를 들어, 건강한 성인의 평균 호흡수는 분당 12~20회, 20세 이하 어린이의 호흡수는 12~60회까지로, 그 범위가 다양하다. 또한, 호흡수는 사용자의 상황(예를 들어, 운동, 걷기, 가정, 사무실, 온도, 습도, 미세먼지, 체온 상승, 맥박)에 따라 상이할 수 있다.For example, the average respiratory rate of healthy adults ranges from 12 to 20 breaths per minute, and that of children under 20 years of age ranges from 12 to 60 breaths per minute. Additionally, the breathing rate may vary depending on the user's situation (e.g., exercise, walking, home, office, temperature, humidity, fine dust, increased body temperature, pulse).

그에 따라, 좀더 적응적으로 마스크에 구비된 팬의 속도를 제어할 필요가 있다.Accordingly, there is a need to control the speed of the fan provided in the mask in a more adaptive manner.

도 2는 본 개시의 일 실시 예에 따른 전자 시스템(1000)을 나타내는 블럭도이다. 도 2에 도시된 바와 같이, 전자 시스템(1000)는 사용자 단말 장치(100) 및 마스크(200)를 포함한다.FIG. 2 is a block diagram showing an electronic system 1000 according to an embodiment of the present disclosure. As shown in FIG. 2 , the electronic system 1000 includes a user terminal device 100 and a mask 200 .

사용자 단말 장치(100)는 마스크(200)를 제어하기 위한 장치로서, 예를 들어, 사용자 단말 장치(100)는 스마트폰, 태블릿 PC, 데스크탑 PC, 노트북, TV, 웨어러블 장치 등일 수 있다. 다만, 이에 한정되는 것은 아니며, 사용자 단말 장치(100)는 마스크(200)를 제어하기 위한 장치라면 어떠한 장치라도 무방하다.The user terminal device 100 is a device for controlling the mask 200. For example, the user terminal device 100 may be a smartphone, tablet PC, desktop PC, laptop, TV, wearable device, etc. However, it is not limited to this, and the user terminal device 100 may be any device that controls the mask 200.

사용자 단말 장치(100)는 마스크(200)로부터 사용자의 호흡수에 대한 정보가 수신되면, 호흡수에 대한 정보를 제1 신경망 모델에 입력하여 마스크(200)의 타겟 팬 속도를 식별하고, 타겟 팬 속도로 팬을 제어하기 위한 제어 신호를 마스크(200)로 전송할 수 있다. 여기서, 제1 신경망 모델은 사용자의 호흡수에 대한 제1 샘플 정보 및 사용자가 팬을 제어함에 따른 팬 속도에 대한 제2 샘플 정보의 관계에 기초하여 학습된 모델일 수 있다. 즉, 사용자 단말 장치(100)는 마스크(200)의 사용자에 따라 적응적으로 마스크(200)의 팬 속도를 제어할 수 있다.When information about the user's breathing rate is received from the mask 200, the user terminal device 100 inputs the information about the breathing rate into the first neural network model to identify the target fan speed of the mask 200, and identifies the target fan speed. A control signal for controlling the fan at speed can be transmitted to the mask 200. Here, the first neural network model may be a model learned based on the relationship between first sample information about the user's breathing rate and second sample information about the fan speed when the user controls the fan. That is, the user terminal device 100 can adaptively control the fan speed of the mask 200 according to the user of the mask 200.

사용자 단말 장치(100)는 사용자의 상황 등을 더 고려하여 마스크(200)의 타겟 팬 속도를 식별하고, 타겟 팬 속도로 팬을 제어하기 위한 제어 신호를 마스크(200)로 전송할 수도 있다.The user terminal device 100 may identify the target fan speed of the mask 200 by further considering the user's situation, etc., and may transmit a control signal to the mask 200 to control the fan at the target fan speed.

마스크(200)는 팬을 구비하고, 자동으로 또는 사용자의 제어에 따라 수동으로 팬을 제어할 수 있다.The mask 200 is provided with a fan, and the fan can be controlled automatically or manually under user control.

마스크(200)는 센서를 구비하고, 센서를 통해 사용자의 호흡수를 감지할 수 있다. 예를 들어, 마스크(200)는 약 10초 간격으로 사용자의 호흡수를 감지할 수 있다. 다만, 이에 한정되는 것은 아니며, 사용자의 호흡수는 얼마든지 다양한 방식으로 감지될 수도 있다.The mask 200 is equipped with a sensor and can detect the user's breathing rate through the sensor. For example, the mask 200 may detect the user's breathing rate at intervals of approximately 10 seconds. However, it is not limited to this, and the user's breathing rate may be detected in a variety of ways.

마스크(200)는 통신 인터페이스를 구비하고, 사용자 단말 장치(100)와 통신을 수행할 수 있다. 예를 들어, 마스크(200)는 블루투스 모듈을 통해 사용자 단말 장치(100)와 통신 채널을 형성할 수 있다.The mask 200 has a communication interface and can communicate with the user terminal device 100. For example, the mask 200 may form a communication channel with the user terminal device 100 through a Bluetooth module.

마스크(200)는 사용자가 수동으로 팬을 제어하면, 사용자가 팬을 제어함에 따른 팬 속도 및 사용자가 팬을 제어한 시점의 사용자의 호흡수에 대한 정보를 사용자 단말 장치(100)로 전송할 수 있다.When the user manually controls the fan, the mask 200 can transmit information about the fan speed as the user controls the fan and the user's breathing rate at the time the user controls the fan to the user terminal device 100. .

또는, 마스크(200)는 기설정된 시간 간격 및 사용자 단말 장치(100)의 요청 중 적어도 하나에 따라 팬 속도 및 사용자의 호흡수에 대한 정보를 사용자 단말 장치(100)로 전송할 수도 있다. 예를 들어, 사용자 단말 장치(100)는 마스크(200)에 대응되는 기설정된 어플리케이션이 실행되면, 마스크(200)로 정보를 요청할 수 있고, 마스크(200)는 사용자 단말 장치(100)의 요청에 따라 팬 속도 및 사용자의 호흡수에 대한 정보를 사용자 단말 장치(100)로 전송할 수 있다.Alternatively, the mask 200 may transmit information about the fan speed and the user's breathing rate to the user terminal device 100 according to at least one of a preset time interval and a request from the user terminal device 100. For example, when a preset application corresponding to the mask 200 is executed, the user terminal device 100 may request information from the mask 200, and the mask 200 may respond to the request of the user terminal device 100. Accordingly, information about the fan speed and the user's breathing rate can be transmitted to the user terminal device 100.

또는, 마스크(200)는 동작 상태가 변경되면, 팬 속도 및 사용자의 호흡수에 대한 정보를 사용자 단말 장치(100)로 전송할 수도 있다. 예를 들어, 마스크(200)는 사용자의 호흡수를 실시간으로 감지하고, 사용자의 호흡수가 기설정된 크기 이상 변경되면 팬 속도 및 사용자의 호흡수에 대한 정보를 사용자 단말 장치(100)로 전송할 수도 있다.Alternatively, when the operating state of the mask 200 changes, information on the fan speed and the user's breathing rate may be transmitted to the user terminal device 100. For example, the mask 200 may detect the user's breathing rate in real time, and if the user's breathing rate changes by more than a preset amount, information about the fan speed and the user's breathing rate may be transmitted to the user terminal device 100. .

마스크(200)는 사용자 단말 장치(100)로부터 타겟 팬 속도로 팬을 제어하기 위한 제어 신호가 수신되면, 팬의 속도를 타겟 팬 속도로 변경할 수 있다.When a control signal for controlling the fan at the target fan speed is received from the user terminal device 100, the mask 200 may change the fan speed to the target fan speed.

도 3은 본 개시의 일 실시 예에 따른 사용자 단말 장치(100)의 구성을 나타내는 블럭도이다. 도 3에 따르면, 사용자 단말 장치(100)는 통신 인터페이스(110) 메모리(120) 및 프로세서(130)를 포함한다.FIG. 3 is a block diagram showing the configuration of the user terminal device 100 according to an embodiment of the present disclosure. According to FIG. 3, the user terminal device 100 includes a communication interface 110, a memory 120, and a processor 130.

통신 인터페이스(110)는 다양한 유형의 통신 방식에 따라 다양한 유형의 외부 장치와 통신을 수행하는 구성이다. 예를 들어, 사용자 단말 장치(100)는 통신 인터페이스(110)를 통해 마스크(200), 웨어러블 장치, 서버 등과 통신을 수행할 수 있다.The communication interface 110 is a component that communicates with various types of external devices according to various types of communication methods. For example, the user terminal device 100 may communicate with the mask 200, a wearable device, a server, etc. through the communication interface 110.

통신 인터페이스(110)는 와이파이 모듈, 블루투스 모듈, 적외선 통신 모듈 및 무선 통신 모듈 등을 포함할 수 있다. 여기서, 각 통신 모듈은 적어도 하나의 하드웨어 칩 형태로 구현될 수 있다.The communication interface 110 may include a Wi-Fi module, a Bluetooth module, an infrared communication module, a wireless communication module, etc. Here, each communication module may be implemented in the form of at least one hardware chip.

와이파이 모듈, 블루투스 모듈은 각각 WiFi 방식, 블루투스 방식으로 통신을 수행한다. 와이파이 모듈이나 블루투스 모듈을 이용하는 경우에는 SSID 및 세션 키 등과 같은 각종 연결 정보를 먼저 송수신하여, 이를 이용하여 통신 연결한 후 각종 정보들을 송수신할 수 있다. 적외선 통신 모듈은 시 광선과 밀리미터파 사이에 있는 적외선을 이용하여 근거리에 무선으로 데이터를 전송하는 적외선 통신(IrDA, infrared Data Association)기술에 따라 통신을 수행한다.The WiFi module and Bluetooth module communicate using WiFi and Bluetooth methods, respectively. When using a Wi-Fi module or a Bluetooth module, various connection information such as SSID and session key are first transmitted and received, and various information can be transmitted and received after establishing a communication connection using this. The infrared communication module performs communication according to infrared communication (IrDA, infrared data association) technology, which transmits data wirelessly over a short distance using infrared rays between optical light and millimeter waves.

무선 통신 모듈은 상술한 통신 방식 이외에 지그비(zigbee), 3G(3rd Generation), 3GPP(3rd Generation Partnership Project), LTE(Long Term Evolution), LTE-A(LTE Advanced), 4G(4th Generation), 5G(5th Generation)등과 같은 다양한 무선 통신 규격에 따라 통신을 수행하는 적어도 하나의 통신 칩을 포함할 수 있다.In addition to the above-described communication methods, wireless communication modules include zigbee, 3G (3rd Generation), 3GPP (3rd Generation Partnership Project), LTE (Long Term Evolution), LTE-A (LTE Advanced), 4G (4th Generation), and 5G. It may include at least one communication chip that performs communication according to various wireless communication standards such as (5th Generation).

또는, 통신 인터페이스(110)는 HDMI, DP, 썬더볼트, USB, RGB, D-SUB, DVI 등과 같은 유선 통신 인터페이스를 포함할 수 있다.Alternatively, the communication interface 110 may include a wired communication interface such as HDMI, DP, Thunderbolt, USB, RGB, D-SUB, DVI, etc.

그 밖에 통신 인터페이스(110)는 LAN(Local Area Network) 모듈, 이더넷 모듈, 또는 페어 케이블, 동축 케이블 또는 광섬유 케이블 등을 이용하여 통신을 수행하는 유선 통신 모듈 중 적어도 하나를 포함할 수도 있다.In addition, the communication interface 110 may include at least one of a LAN (Local Area Network) module, an Ethernet module, or a wired communication module that performs communication using a pair cable, a coaxial cable, or an optical fiber cable.

통신 인터페이스(110)는 하나의 통신 인터페이스로 구현되거나 복수의 통신 인터페이스로 구현될 수 있다. 다만, 이하에서는 설명의 편의를 위해, 통신 인터페이스(110)라는 표현으로 사용자 단말 장치(100)의 동작을 설명한다.The communication interface 110 may be implemented as a single communication interface or as a plurality of communication interfaces. However, hereinafter, for convenience of explanation, the operation of the user terminal device 100 will be described using the term communication interface 110.

메모리(120)는 프로세서(130) 등이 접근할 수 있도록 데이터 등의 정보를 전기 또는 자기 형태로 저장하는 하드웨어를 지칭할 수 있다. 이를 위해, 메모리(120)는 비휘발성 메모리, 휘발성 메모리, 플래시 메모리(Flash Memory), 하드디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SSD), RAM, ROM 등 중에서 적어도 하나의 하드웨어로 구현될 수 있다.The memory 120 may refer to hardware that stores information such as data in electrical or magnetic form so that the processor 130 or the like can access it. To this end, the memory 120 may be implemented with at least one hardware selected from non-volatile memory, volatile memory, flash memory, hard disk drive (HDD) or solid state drive (SSD), RAM, ROM, etc. .

메모리(120)에는 사용자 단말 장치(100) 또는 프로세서(130)의 동작에 필요한 적어도 하나의 인스트럭션(instruction)이 저장될 수 있다. 여기서, 인스트럭션은 사용자 단말 장치(100) 또는 프로세서(130)의 동작을 지시하는 부호 단위로서, 컴퓨터가 이해할 수 있는 언어인 기계어로 작성된 것일 수 있다. 또는, 메모리(120)에는 사용자 단말 장치(100) 또는 프로세서(130)의 특정 작업을 수행하는 복수의 인스트럭션이 인스트럭션 집합체(instruction set)로서 저장될 수도 있다.At least one instruction required for operation of the user terminal device 100 or the processor 130 may be stored in the memory 120. Here, the instruction is a code unit that instructs the operation of the user terminal device 100 or the processor 130, and may be written in machine language, a language that a computer can understand. Alternatively, a plurality of instructions for performing specific tasks of the user terminal device 100 or the processor 130 may be stored in the memory 120 as an instruction set.

메모리(120)에는 문자, 수, 영상 등을 나타낼 수 있는 비트 또는 바이트 단위의 정보인 데이터가 저장될 수 있다. 예를 들어, 메모리(120)에는 적어도 하나의 신경망 모델 등이 저장될 수 있다.The memory 120 may store data, which is information in bits or bytes that can represent letters, numbers, images, etc. For example, at least one neural network model, etc. may be stored in the memory 120.

메모리(120)는 프로세서(130)에 의해 액세스되며, 프로세서(130)에 의해 인스트럭션, 인스트럭션 집합체 또는 데이터에 대한 독취/기록/수정/삭제/갱신 등이 수행될 수 있다.The memory 120 is accessed by the processor 130, and the processor 130 can read/write/modify/delete/update instructions, instruction sets, or data.

프로세서(130)는 사용자 단말 장치(100)의 동작을 전반적으로 제어한다. 구체적으로, 프로세서(130)는 사용자 단말 장치(100)의 각 구성과 연결되어 사용자 단말 장치(100)의 동작을 전반적으로 제어할 수 있다. 예를 들어, 프로세서(130)는 통신 인터페이스(110), 메모리(120) 등과 같은 구성과 연결되어 사용자 단말 장치(100)의 동작을 제어할 수 있다.The processor 130 generally controls the operation of the user terminal device 100. Specifically, the processor 130 is connected to each component of the user terminal device 100 and can generally control the operation of the user terminal device 100. For example, the processor 130 may be connected to components such as the communication interface 110 and memory 120 to control the operation of the user terminal device 100.

적어도 하나의 프로세서(130)는 CPU(Central Processing Unit), GPU(Graphics Processing Unit), APU(Accelerated Processing Unit), MIC(Many Integrated Core), DSP(Digital Signal Processor), NPU(Neural Processing Unit), 하드웨어 가속기 또는 머신 러닝 가속기 중 하나 이상을 포함할 수 있다. 적어도 하나의 프로세서(130)는 사용자 단말 장치(100)의 다른 구성 요소 중 하나 또는 임의의 조합을 제어할 수 있으며, 통신에 관한 동작 또는 데이터 처리를 수행할 수 있다. 적어도 하나의 프로세서(130)는 메모리에 저장된 하나 이상의 프로그램 또는 명령어(instruction)을 실행할 수 있다. 예를 들어, 적어도 하나의 프로세서(130)는 메모리에 저장된 하나 이상의 명령어를 실행함으로써, 본 개시의 일 실시 예에 따른 방법을 수행할 수 있다.At least one processor 130 includes a Central Processing Unit (CPU), Graphics Processing Unit (GPU), Accelerated Processing Unit (APU), Many Integrated Core (MIC), Digital Signal Processor (DSP), Neural Processing Unit (NPU), It may include one or more of hardware accelerators or machine learning accelerators. At least one processor 130 may control one or any combination of other components of the user terminal device 100 and may perform communication-related operations or data processing. At least one processor 130 may execute one or more programs or instructions stored in memory. For example, at least one processor 130 may perform a method according to an embodiment of the present disclosure by executing one or more instructions stored in memory.

본 개시의 일 실시 예에 따른 방법이 복수의 동작을 포함하는 경우, 복수의 동작은 하나의 프로세서에 의해 수행될 수도 있고, 복수의 프로세서에 의해 수행될 수도 있다. 예를 들어, 일 실시 예에 따른 방법에 의해 제1 동작, 제2 동작, 제3 동작이 수행될 때, 제1 동작, 제2 동작 및 제3 동작 모두 제1 프로세서에 의해 수행될 수도 있고, 제1 동작 및 제2 동작은 제1 프로세서(예를 들어, 범용 프로세서)에 의해 수행되고 제3 동작은 제2 프로세서(예를 들어, 인공지능 전용 프로세서)에 의해 수행될 수도 있다.When the method according to an embodiment of the present disclosure includes a plurality of operations, the plurality of operations may be performed by one processor or by a plurality of processors. For example, when the first operation, the second operation, and the third operation are performed by the method according to one embodiment, the first operation, the second operation, and the third operation may all be performed by the first processor, The first operation and the second operation may be performed by a first processor (eg, a general-purpose processor), and the third operation may be performed by a second processor (eg, an artificial intelligence-specific processor).

적어도 하나의 프로세서(130)는 하나의 코어를 포함하는 단일 코어 프로세서(single core processor)로 구현될 수도 있고, 복수의 코어(예를 들어, 동종 멀티 코어 또는 이종 멀티 코어)를 포함하는 하나 이상의 멀티 코어 프로세서(multicore processor)로 구현될 수도 있다. 적어도 하나의 프로세서(130)가 멀티 코어 프로세서로 구현되는 경우, 멀티 코어 프로세서에 포함된 복수의 코어 각각은 캐시 메모리, 온 칩(On-chip) 메모리와 같은 프로세서 내부 메모리를 포함할 수 있으며, 복수의 코어에 의해 공유되는 공통 캐시가 멀티 코어 프로세서에 포함될 수 있다. 또한, 멀티 코어 프로세서에 포함된 복수의 코어 각각(또는 복수의 코어 중 일부)은 독립적으로 본 개시의 일 실시 예에 따른 방법을 구현하기 위한 프로그램 명령을 판독하여 수행할 수도 있고, 복수의 코어 전체(또는 일부)가 연계되어 본 개시의 일 실시 예에 따른 방법을 구현하기 위한 프로그램 명령을 판독하여 수행할 수도 있다.At least one processor 130 may be implemented as a single core processor including one core, or one or more multi-core processors including a plurality of cores (e.g., homogeneous multi-core or heterogeneous multi-core). It may also be implemented as a core processor (multicore processor). When at least one processor 130 is implemented as a multi-core processor, each of the plurality of cores included in the multi-core processor may include processor internal memory such as cache memory and on-chip memory, and may include a plurality of cores. A common cache shared by cores may be included in a multi-core processor. In addition, each of the plurality of cores (or some of the plurality of cores) included in the multi-core processor may independently read and perform program instructions for implementing the method according to an embodiment of the present disclosure, and all of the plurality of cores may (or part of it) may be linked to read and perform program instructions for implementing the method according to an embodiment of the present disclosure.

본 개시의 일 실시 예에 따른 방법이 복수의 동작을 포함하는 경우, 복수의 동작은 멀티 코어 프로세서에 포함된 복수의 코어 중 하나의 코어에 의해 수행될 수도 있고, 복수의 코어에 의해 수행될 수도 있다. 예를 들어, 일 실시 예에 따른 방법에 의해 제1 동작, 제2 동작 및 제3 동작이 수행될 때, 제1 동작, 제2 동작 및 제3 동작 모두 멀티 코어 프로세서에 포함된 제1 코어에 의해 수행될 수도 있고, 제1 동작 및 제2 동작은 멀티 코어 프로세서에 포함된 제1 코어에 의해 수행되고 제3 동작은 멀티 코어 프로세서에 포함된 제2 코어에 의해 수행될 수도 있다.When a method according to an embodiment of the present disclosure includes a plurality of operations, the plurality of operations may be performed by one core among a plurality of cores included in a multi-core processor, or may be performed by a plurality of cores. there is. For example, when the first operation, the second operation, and the third operation are performed by the method according to an embodiment, the first operation, the second operation, and the third operation are all performed on the first core included in the multi-core processor. The first operation and the second operation may be performed by the first core included in the multi-core processor, and the third operation may be performed by the second core included in the multi-core processor.

본 개시의 실시 예들에서, 적어도 하나의 프로세서(130)는 하나 이상의 프로세서 및 기타 전자 부품들이 집적된 시스템 온 칩(SoC), 단일 코어 프로세서, 멀티 코어 프로세서, 또는 단일 코어 프로세서 또는 멀티 코어 프로세서에 포함된 코어를 의미할 수 있으며, 여기서 코어는 CPU, GPU, APU, MIC, DSP, NPU, 하드웨어 가속기 또는 기계 학습 가속기 등으로 구현될 수 있으나, 본 개시의 실시 예들이 이에 한정되는 것은 아니다. 다만, 이하에서는 설명의 편의를 위해, 프로세서(130)라는 표현으로 사용자 단말 장치(100)의 동작을 설명한다.In embodiments of the present disclosure, at least one processor 130 is included in a system-on-chip (SoC), a single-core processor, a multi-core processor, or a single-core processor or multi-core processor in which one or more processors and other electronic components are integrated. may mean a core, where the core may be implemented as a CPU, GPU, APU, MIC, DSP, NPU, hardware accelerator, or machine learning accelerator, but embodiments of the present disclosure are not limited thereto. However, hereinafter, for convenience of explanation, the operation of the user terminal device 100 will be described using the term processor 130.

프로세서(130)는 통신 인터페이스(110)를 통해 팬이 구비된 마스크(200)로부터 사용자의 호흡수에 대한 정보가 수신되면, 호흡수에 대한 정보를 제1 신경망 모델에 입력하여 마스크(200)의 타겟 팬 속도를 식별하고, 타겟 팬 속도로 팬을 제어하기 위한 제어 신호를 마스크(200)로 전송하도록 통신 인터페이스(110)를 제어할 수 있다.When the processor 130 receives information about the user's breathing rate from the mask 200 equipped with a fan through the communication interface 110, the processor 130 inputs the information about the breathing rate into the first neural network model of the mask 200. The communication interface 110 may be controlled to identify the target fan speed and transmit a control signal for controlling the fan at the target fan speed to the mask 200.

여기서, 제1 신경망 모델은 사용자의 호흡수에 대한 제1 샘플 정보 및 사용자가 팬을 제어함에 따른 팬 속도에 대한 제2 샘플 정보의 관계에 기초하여 학습된 모델일 수 있다.Here, the first neural network model may be a model learned based on the relationship between first sample information about the user's breathing rate and second sample information about the fan speed when the user controls the fan.

또한, 제1 신경망 모델은 사용자 단말 장치(200)에 의해 학습된 모델일 수 있다. 예를 들어, 프로세서(130)는 통신 인터페이스(110)를 통해 마스크(200)로부터 사용자가 팬을 제어함에 따른 팬 속도 및 사용자가 팬을 제어한 시점의 사용자의 호흡수에 대한 정보를 수신할 수 있다. 프로세서(130)는 마스크(200)로부터 수신된 정보를 누적하여 저장하고, 누적하여 저장된 정보에 기초하여 제1 신경망 모델을 학습할 수 있다. 프로세서(130)는 신경망 모델의 학습이 완료되면, 제1 신경망 모델을 이용하여 사용자에게 최적화된 팬 속도를 식별할 수 있다.Additionally, the first neural network model may be a model learned by the user terminal device 200. For example, the processor 130 may receive information about the fan speed as the user controls the fan and the user's breathing rate at the time the user controls the fan from the mask 200 through the communication interface 110. there is. The processor 130 may accumulate and store information received from the mask 200 and learn a first neural network model based on the accumulated and stored information. Once learning of the neural network model is completed, the processor 130 may identify a fan speed optimized for the user using the first neural network model.

이후, 프로세서(130)는 주기적으로 또는 기설정된 조건이 충족되면 제1 신경망 모델을 재학습할 수 있다. 예를 들어, 프로세서(130)는 통신 인터페이스(110)를 통해 마스크(200)로부터 사용자가 팬을 제어함에 따른 팬 속도 및 사용자가 팬을 제어한 시점의 사용자의 호흡수에 대한 정보를 수신하고, 수신된 정보를 학습 정보로서 메모리(120)에 저장할 수 있다. 프로세서(130)는 메모리(120)에 저장된 학습 정보가 기설정된 개수 이상 누적되면, 누적된 학습 정보에 기초하여 제1 신경망 모델을 재학습할 수 있다. 이러한 동작을 통해, 프로세서(130)는 사용자의 마스크(200) 사용 방식이 변경되더라도 적응적으로 최적화된 팬 속도를 식별할 수 있다.Thereafter, the processor 130 may retrain the first neural network model periodically or when preset conditions are met. For example, the processor 130 receives information about the fan speed as the user controls the fan and the user's respiratory rate at the time the user controls the fan from the mask 200 through the communication interface 110, The received information can be stored in the memory 120 as learning information. When the learning information stored in the memory 120 accumulates more than a preset number, the processor 130 may retrain the first neural network model based on the accumulated learning information. Through this operation, the processor 130 can adaptively identify the optimized fan speed even if the user's method of using the mask 200 changes.

메모리(120)는 복수의 제2 신경망 모델을 더 저장하며, 프로세서(130)는 사용자의 컨텍스트를 식별하고, 복수의 제2 신경망 모델 중 사용자의 컨텍스트에 대응되는 제2 신경망 모델에 호흡수에 대한 정보를 입력하여 타겟 팬 속도를 식별할 수 있다. 여기서, 사용자의 컨텍스트는 사용자의 동작 정보, 사용자의 신체 상태 정보 또는 사용자가 위치한 지점의 날씨 정보 중 적어도 하나를 포함할 수 있다.The memory 120 further stores a plurality of second neural network models, and the processor 130 identifies the user's context and determines the respiratory rate in a second neural network model corresponding to the user's context among the plurality of second neural network models. You can enter information to identify your target fan speed. Here, the user's context may include at least one of the user's motion information, the user's physical condition information, or weather information at the location where the user is located.

예를 들어, 프로세서(130)는 사용자가 운동 중이라고 식별되면, 복수의 제2 신경망 모델 중 제2 신경망 모델 1에 호흡수에 대한 정보 및 사용자의 동작 정보를 입력하여 타겟 팬 속도를 식별할 수 있다. 여기서, 제2 신경망 모델 1은 사용자의 호흡수에 대한 제1 샘플 정보 및 사용자의 샘플 동작 정보에 대한 사용자가 팬을 제어함에 따른 팬 속도에 대한 제2 샘플 정보의 관계에 기초하여 학습된 모델일 수 있다.For example, if the processor 130 identifies that the user is exercising, the processor 130 may identify the target fan speed by inputting information about the breathing rate and the user's motion information into the second neural network model 1 among the plurality of second neural network models. . Here, the second neural network model 1 is a model learned based on the relationship between the first sample information about the user's breathing rate and the second sample information about the fan speed as the user controls the fan with the user's sample motion information. You can.

또는, 프로세서(130)는 통신 인터페이스(110)를 통해 사용자 착용한 웨어러블 장치로부터 사용자의 신체 상태 정보를 수신하고, 복수의 제2 신경망 모델 중 제2 신경망 모델 2에 호흡수에 대한 정보 및 사용자의 신체 상태 정보를 입력하여 타겟 팬 속도를 식별할 수도 있다. 여기서, 제2 신경망 모델 2는 사용자의 호흡수에 대한 제1 샘플 정보 및 사용자의 샘플 신체 상태 정보에 대한 사용자가 팬을 제어함에 따른 팬 속도에 대한 제2 샘플 정보의 관계에 기초하여 학습된 모델일 수 있다.Alternatively, the processor 130 receives information about the user's body condition from a wearable device worn by the user through the communication interface 110, and provides information about the breathing rate and the user's information to the second neural network model 2 among the plurality of second neural network models. You can also enter body condition information to identify your target fan speed. Here, the second neural network model 2 is a model learned based on the relationship between the first sample information about the user's breathing rate and the second sample information about the fan speed as the user controls the fan with the user's sample body state information. It can be.

또는, 프로세서(130)는 통신 인터페이스(110)를 통해 서버로부터 날씨 정보를 수신하고, 복수의 제2 신경망 모델 중 제2 신경망 모델 3에 호흡수에 대한 정보 및 날씨 정보를 입력하여 타겟 팬 속도를 식별할 수도 있다. 여기서, 제2 신경망 모델 3은 사용자의 호흡수에 대한 제1 샘플 정보 및 샘플 날씨 정보에 대한 사용자가 팬을 제어함에 따른 팬 속도에 대한 제2 샘플 정보의 관계에 기초하여 학습된 모델일 수 있다.Alternatively, the processor 130 receives weather information from the server through the communication interface 110 and inputs information about the breathing rate and weather information into the second neural network model 3 among the plurality of second neural network models to set the target fan speed. It can also be identified. Here, the second neural network model 3 may be a model learned based on the relationship between the first sample information about the user's breathing rate and the second sample information about the fan speed as the user controls the fan with the sample weather information. .

다만, 이에 한정되는 것은 아니며, 이상의 신경망 모델은 하나의 신경망 모델로 구현될 수도 있다. 예를 들어, 프로세서(130)는 통신 인터페이스(110)를 통해 마스크(200)로부터 사용자의 호흡수에 대한 정보가 수신되면, 사용자의 동작 정보, 사용자의 신체 상태 정보 및 사용자가 위치한 지점의 날씨 정보를 획득하고, 사용자의 호흡수, 사용자의 동작 정보, 사용자의 신체 상태 정보 및 사용자가 위치한 지점의 날씨 정보를 신경망 모델에 입력하여 타겟 팬 속도를 식별할 수도 있다.However, it is not limited to this, and the above neural network model may be implemented as a single neural network model. For example, when the processor 130 receives information about the user's breathing rate from the mask 200 through the communication interface 110, the user's motion information, the user's body condition information, and the weather information at the point where the user is located The user's breathing rate, user's motion information, user's body condition information, and weather information at the point where the user is located can be input into the neural network model to identify the target fan speed.

사용자 단말 장치(100)는 디스플레이를 더 포함하며, 프로세서(130)는 팬의 동작 상태 또는 호흡수에 대한 정보 중 적어도 하나를 디스플레이를 통해 디스플레이할 수 있다.The user terminal device 100 further includes a display, and the processor 130 may display at least one of information about the operating state of the fan or information about the breathing rate through the display.

한편, 본 개시에 따른 인공 지능과 관련된 기능은 프로세서(130)와 메모리(120)를 통해 동작될 수 있다.Meanwhile, functions related to artificial intelligence according to the present disclosure may be operated through the processor 130 and memory 120.

프로세서(130)는 하나 또는 복수의 프로세서로 구성될 수 있다. 이때, 하나 또는 복수의 프로세서는 CPU, AP, DSP 등과 같은 범용 프로세서, GPU, VPU(Vision Processing Unit)와 같은 그래픽 전용 프로세서 또는 NPU와 같은 인공 지능 전용 프로세서일 수 있다.The processor 130 may be comprised of one or multiple processors. At this time, one or more processors may be general-purpose processors such as CPU, AP, DSP, graphics-specific processors such as GPU and VPU (Vision Processing Unit), or artificial intelligence-specific processors such as NPU.

하나 또는 복수의 프로세서는, 메모리(120)에 저장된 기 정의된 동작 규칙 또는 인공 지능 모델에 따라, 입력 데이터를 처리하도록 제어한다. 또는, 하나 또는 복수의 프로세서가 인공 지능 전용 프로세서인 경우, 인공 지능 전용 프로세서는 특정 인공 지능 모델의 처리에 특화된 하드웨어 구조로 설계될 수 있다. 기 정의된 동작 규칙 또는 인공 지능 모델은 학습을 통해 만들어진 것을 특징으로 한다.One or more processors control input data to be processed according to predefined operation rules or artificial intelligence models stored in the memory 120. Alternatively, when one or more processors are dedicated artificial intelligence processors, the artificial intelligence dedicated processors may be designed with a hardware structure specialized for processing a specific artificial intelligence model. Predefined operation rules or artificial intelligence models are characterized by being created through learning.

여기서, 학습을 통해 만들어진다는 것은, 기본 인공 지능 모델이 학습 알고리즘에 의하여 다수의 학습 데이터들을 이용하여 학습됨으로써, 원하는 특성(또는, 목적)을 수행하도록 설정된 기 정의된 동작 규칙 또는 인공 지능 모델이 만들어짐을 의미한다. 이러한 학습은 본 개시에 따른 인공 지능이 수행되는 기기 자체에서 이루어질 수도 있고, 별도의 서버 및/또는 시스템을 통해 이루어 질 수도 있다. 학습 알고리즘의 예로는, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)이 있으나, 전술한 예에 한정되지 않는다.Here, created through learning means that a basic artificial intelligence model is learned using a large number of learning data by a learning algorithm, thereby creating a predefined operation rule or artificial intelligence model set to perform the desired characteristics (or purpose). It means burden. This learning may be accomplished in the device itself that performs artificial intelligence according to the present disclosure, or may be accomplished through a separate server and/or system. Examples of learning algorithms include supervised learning, unsupervised learning, semi-supervised learning, or reinforcement learning, but are not limited to the examples described above.

인공 지능 모델은 복수의 신경망 레이어들로 구성될 수 있다. 복수의 신경망 레이어들 각각은 복수의 가중치들(weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치들 간의 연산을 통해 신경망 연산을 수행한다. 복수의 신경망 레이어들이 갖고 있는 복수의 가중치들은 인공 지능 모델의 학습 결과에 의해 최적화될 수 있다. 예를 들어, 학습 과정 동안 인공 지능 모델에서 획득한 로스(loss) 값 또는 코스트(cost) 값이 감소 또는 최소화되도록 복수의 가중치들이 갱신될 수 있다.An artificial intelligence model may be composed of multiple neural network layers. Each of the plurality of neural network layers has a plurality of weight values, and neural network calculation is performed through calculation between the calculation result of the previous layer and the plurality of weights. Multiple weights of multiple neural network layers can be optimized by the learning results of the artificial intelligence model. For example, a plurality of weights may be updated so that loss or cost values obtained from the artificial intelligence model are reduced or minimized during the learning process.

인공 신경망은 심층 신경망(DNN:Deep Neural Network)를 포함할 수 있으며, 예를 들어, CNN(Convolutional Neural Network), DNN (Deep Neural Network), RNN(Recurrent Neural Network), RBM(Restricted Boltzmann Machine), DBN(Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network), GAN(Generative Adversarial Network) 또는 심층 Q-네트워크(Deep Q-Networks) 등이 있으나, 이에 한정되는 것은 아니다.Artificial neural networks may include deep neural networks (DNN), for example, Convolutional Neural Network (CNN), Deep Neural Network (DNN), Recurrent Neural Network (RNN), Restricted Boltzmann Machine (RBM), These include, but are not limited to, Deep Belief Network (DBN), Bidirectional Recurrent Deep Neural Network (BRDNN), Generative Adversarial Network (GAN), or Deep Q-Networks.

도 4는 본 개시의 일 실시 예에 따른 사용자 단말 장치(100)의 세부 구성을 나타내는 블럭도이다. 사용자 단말 장치(100)는 통신 인터페이스(110), 메모리(120) 및 프로세서(130)를 포함할 수 있다. 또한, 도 4에 따르면, 사용자 단말 장치(100)는 디스플레이(140), 사용자 인터페이스(150), 마이크(160), 스피커(170), 카메라(180)를 더 포함할 수도 있다. 도 4에 도시된 구성 요소들 중 도 3에 도시된 구성 요소와 중복되는 부분에 대해서는 자세한 설명을 생략하도록 한다.FIG. 4 is a block diagram showing the detailed configuration of the user terminal device 100 according to an embodiment of the present disclosure. The user terminal device 100 may include a communication interface 110, a memory 120, and a processor 130. Additionally, according to FIG. 4, the user terminal device 100 may further include a display 140, a user interface 150, a microphone 160, a speaker 170, and a camera 180. Among the components shown in FIG. 4, detailed descriptions of parts that overlap with the components shown in FIG. 3 will be omitted.

디스플레이(140)는 이미지를 디스플레이하는 구성으로, LCD(Liquid Crystal Display), OLED(Organic Light Emitting Diodes) 디스플레이, PDP(Plasma Display Panel) 등과 같은 다양한 형태의 디스플레이로 구현될 수 있다. 디스플레이(140) 내에는 a-si TFT, LTPS(low temperature poly silicon) TFT, OTFT(organic TFT) 등과 같은 형태로 구현될 수 있는 구동 회로, 백라이트 유닛 등도 함께 포함될 수 있다. 한편, 디스플레이(140)는 터치 센서와 결합된 터치 스크린, 플렉시블 디스플레이(flexible display), 3차원 디스플레이(3D display) 등으로 구현될 수 있다.The display 140 is a component that displays images and may be implemented as various types of displays, such as a Liquid Crystal Display (LCD), Organic Light Emitting Diodes (OLED) display, or Plasma Display Panel (PDP). The display 140 may also include a driving circuit and a backlight unit that may be implemented in the form of a-si TFT, low temperature poly silicon (LTPS) TFT, or organic TFT (OTFT). Meanwhile, the display 140 may be implemented as a touch screen combined with a touch sensor, a flexible display, a 3D display, etc.

사용자 인터페이스(150)는 버튼, 터치 패드, 마우스 및 키보드 등으로 구현되거나, 디스플레이 기능 및 조작 입력 기능도 함께 수행 가능한 터치 스크린으로도 구현될 수 있다. 여기서, 버튼은 사용자 단말 장치(100)의 본체 외관의 전면부나 측면부, 배면부 등의 임의의 영역에 형성된 기계적 버튼, 터치 패드, 휠 등과 같은 다양한 유형의 버튼이 될 수 있다.The user interface 150 may be implemented with buttons, a touch pad, a mouse, and a keyboard, or may be implemented with a touch screen that can also perform a display function and a manipulation input function. Here, the button may be various types of buttons such as mechanical buttons, touch pads, wheels, etc. formed on any area of the exterior of the main body of the user terminal device 100, such as the front, side, or back.

마이크(160)는 사운드를 입력받아 오디오 신호로 변환하기 위한 구성이다. 마이크(160)는 프로세서(130)와 전기적으로 연결되며, 프로세서(130)의 제어에 의해 사운드를 수신할 수 있다.The microphone 160 is configured to receive sound input and convert it into an audio signal. The microphone 160 is electrically connected to the processor 130 and can receive sound under the control of the processor 130.

예를 들어, 마이크(160)는 사용자 단말 장치(100)의 상측이나 전면 방향, 측면 방향 등에 일체화된 일체형으로 형성될 수 있다. 또는, 마이크(160)는 사용자 단말 장치(100)와는 별도의 리모컨 등에 구비될 수도 있다. 이 경우, 리모컨은 마이크(160)를 통해 사운드를 수신하고, 수신된 사운드를 사용자 단말 장치(100)로 제공할 수도 있다.For example, the microphone 160 may be formed as an integrated piece, such as on the top, front, or side surfaces of the user terminal device 100. Alternatively, the microphone 160 may be provided on a remote control separate from the user terminal device 100. In this case, the remote control may receive sound through the microphone 160 and provide the received sound to the user terminal device 100.

마이크(160)는 아날로그 형태의 사운드를 수집하는 마이크, 수집된 사운드를 증폭하는 앰프 회로, 증폭된 사운드를 샘플링하여 디지털 신호로 변환하는 A/D 변환회로, 변환된 디지털 신호로부터 노이즈 성분을 제거하는 필터 회로 등과 같은 다양한 구성을 포함할 수 있다.The microphone 160 includes a microphone that collects analog sound, an amplifier circuit that amplifies the collected sound, an A/D conversion circuit that samples the amplified sound and converts it into a digital signal, and removes noise components from the converted digital signal. It may include various configurations such as filter circuits, etc.

한편, 마이크(160)는 사운드 센서의 형태로 구현될 수도 있으며, 사운드를 수집할 수 있는 구성이라면 어떠한 방식이라도 무방하다.Meanwhile, the microphone 160 may be implemented in the form of a sound sensor, and any configuration that can collect sound may be used.

스피커(170)는 프로세서(130)에서 처리된 각종 오디오 데이터 뿐만 아니라 각종 알림 음이나 음성 메시지 등을 출력하는 구성요소이다.The speaker 170 is a component that outputs not only various audio data processed by the processor 130 but also various notification sounds or voice messages.

카메라(180)는 정지 영상 또는 동영상을 촬상하기 위한 구성이다. 카메라(180)는 특정 시점에서의 정지 영상을 촬영할 수 있으나, 연속적으로 정지 영상을 촬영할 수도 있다.The camera 180 is configured to capture still images or moving images. The camera 180 can capture still images at a specific point in time, but can also capture still images continuously.

그 밖에, 사용자 단말 장치(100)는 센서(미도시)를 더 포함할 수도 있다. 프로세서(130)는 센서를 통해 감지된 정보에 기초하여 사용자의 동작 정보를 획득할 수 있다. 예를 들어, 프로세서(130)는 센서를 통해 사용자 단말 장치(100)의 롤, 피치 또는 요 중 적어도 하나에 대한 정보를 획득하고, 이로부터 사용자가 운동 중이라고 식별할 수 있다.In addition, the user terminal device 100 may further include a sensor (not shown). The processor 130 may obtain user operation information based on information detected through a sensor. For example, the processor 130 may obtain information about at least one of the roll, pitch, or yaw of the user terminal device 100 through a sensor, and identify that the user is exercising from this information.

센서는 자이로 센서, 가속도 센서 또는 자력계 센서 중 적어도 하나를 포함할 수 있다.The sensor may include at least one of a gyro sensor, an acceleration sensor, or a magnetometer sensor.

자이로 센서는 장치의 회전각을 감지하기 위한 센서로서, 지구의 회전과 관계 없이 높은 정확도로 항상 처음에 설정한 일정 방향을 유지하는 성질을 이용하여 물체의 방위 변경를 측정할 수 있다. 자이로 센서는 자이로스코프(Gyroscope)라고도 불리며, 기계적인 방식 또는 광을 이용하는 광학식으로 구현될 수 있다.A gyro sensor is a sensor that detects the rotation angle of a device, and can measure changes in an object's orientation by using the property of always maintaining a certain initially set direction with high accuracy regardless of the rotation of the Earth. A gyro sensor is also called a gyroscope and can be implemented mechanically or optically using light.

자이로 센서는 각속도를 측정할 수 있다. 각속도는 시간당 회전하는 각도를 의미하며, 자이로 센서의 측정 원리는 다음과 같다. 예를 들어, 수평한 상태(정지 상태)에서 각속도는 0도/sec이고, 이후 물체가 10초 동안 움직이는 동안 50도만큼 기울어졌다면, 10초 동안의 평균 각속도는 5도/sec다. 정지 상태에서 기울어진 각도 50도를 유지하였다면 각속도가 0도/sec가 된다. 이러한 과정을 거치면서 각속도는 0 → 5 → 0으로 바뀌었고, 각도는 0도에서 증가해서 50도가 된다. 각속도에서 각도를 구하려면 전체 시간에 대해 적분을 해야 한다. 자이로 센서는 이와 같이 각속도를 측정하므로 전체 시간동안 이 각속도를 적분하면 기울어진 각도를 계산할 수 있다. 다만, 자이로 센서는 온도의 영향으로 오차가 발생하며, 오차가 적분 과정에서 누적되어 최종 값이 드리프트(drift)될 수 있다. 그에 따라, 장치는 온도 센서를 더 구비할 수 있고, 온도 센서를 이용하여 자이로 센서의 오차를 보상할 수 있다.Gyro sensors can measure angular velocity. Angular velocity refers to the angle of rotation per time, and the measurement principle of the gyro sensor is as follows. For example, if the angular velocity in a horizontal state (stationary state) is 0 degrees/sec, and then the object is tilted by 50 degrees while moving for 10 seconds, the average angular velocity for 10 seconds is 5 degrees/sec. If the tilt angle of 50 degrees is maintained at rest, the angular velocity becomes 0 degrees/sec. Through this process, the angular velocity changed from 0 → 5 → 0, and the angle increased from 0 degrees to 50 degrees. To find an angle from angular velocity, you must integrate over the entire time. Since the gyro sensor measures angular velocity like this, the tilt angle can be calculated by integrating this angular velocity over the entire time. However, gyro sensors generate errors due to the influence of temperature, and the errors may accumulate during the integration process, causing the final value to drift. Accordingly, the device may further include a temperature sensor, and the temperature sensor may be used to compensate for errors in the gyro sensor.

가속도 센서는 장치의 가속도나 충격의 세기를 측정하는 센서로서, 가속도계(accelerometer)라고도 불린다. 가속도 센서는 가속도, 진동, 충격 등의 동적 힘을 감지하며 검출 방식에 따라 관성식, 자이로식, 실리콘 반도체식 등으로 구현될 수 있다. 즉, 가속도 센서란 중력 가속도를 이용하여 장치의 기울어진 정도를 센싱하는 센서로, 통상적으로 2축 또는 3축 플럭스게이트로 이루어질 수 있다.An acceleration sensor is a sensor that measures the acceleration of a device or the strength of impact, and is also called an accelerometer. Acceleration sensors detect dynamic forces such as acceleration, vibration, and shock, and can be implemented as inertial, gyro, or silicon semiconductor types depending on the detection method. In other words, an acceleration sensor is a sensor that senses the degree of tilt of a device using gravitational acceleration, and can typically be made of a 2-axis or 3-axis fluxgate.

자력계 센서는 일반적으로 지구 자기의 세기와 방향을 측정하는 센서를 의미하나, 넓은 의미로는 물체가 가진 자화의 세기를 측정하는 센서도 포함하며, 자기력계(magnetometer)라고도 불린다. 자력계 센서는 자기장 속에 수평으로 자석을 매달고 자석이 움직이는 방향을 측정하거나 자기장 속에서 코일을 회전시키고 코일에 발생하는 유도기전력을 측정해서 자기장의 세기를 측정하는 방식으로 구현될 수 있다.A magnetometer sensor generally refers to a sensor that measures the strength and direction of the Earth's magnetism, but in a broader sense, it also includes sensors that measure the strength of magnetization of an object, and is also called a magnetometer. A magnetometer sensor can be implemented by hanging a magnet horizontally in a magnetic field and measuring the direction in which the magnet moves, or by rotating a coil in a magnetic field and measuring the induced electromotive force generated in the coil to measure the strength of the magnetic field.

특히, 자력계 센서의 일종으로 지구 자기의 세기를 측정하는 지자기 센서는 일반적으로 플럭스게이트를 사용하여 지자기를 검출하는 플럭스게이트형 지자기 센서로 구현될 수 있다. 플럭스게이트형 지자기 센서란 퍼말로이(permalloy)와 같은 고투자율 재료를 자심으로 사용하며, 그 자심을 감은 구동권선(coil)을 통해 여기자장을 가하여 그 자심의 자기포화 및 비선형 자기 특성에 따라 발생하는 외부 자장에 비례하는 2차 고조파 성분을 측정함으로써 외부자장의 크기 및 방향을 측정하는 장치를 의미한다. 외부자장의 크기 및 방향을 측정함에 따라 현재 방위각을 검출하게 되고, 이에 따라 회전 정도를 측정할 수 있게 된다. 지자기 센서는 2축 또는 3축 플럭스게이트로 이루어질 수 있다. 2축 플럭스게이트 센서, 즉 2축 센서란 서로 직교하는 X축 플럭스게이트 및 Y축 플럭스게이트로 이루어진 센서를 의미하고, 3축 플럭스게이트, 즉 3축 센서란 X축 및 Y축 플럭스게이트에 Z축 플럭스게이트가 추가된 센서를 의미한다.In particular, a geomagnetic sensor, which is a type of magnetometer sensor and measures the strength of the Earth's magnetism, can generally be implemented as a fluxgate-type geomagnetic sensor that detects geomagnetism using a fluxgate. A fluxgate-type geomagnetic sensor uses a high magnetic permeability material such as permalloy as a magnetic core, and applies an excitation magnetic field through a driving coil wrapped around the magnetic core to generate magnetic saturation and nonlinear magnetic characteristics of the magnetic core. It refers to a device that measures the size and direction of an external magnetic field by measuring the second harmonic component proportional to the external magnetic field. By measuring the size and direction of the external magnetic field, the current azimuth is detected, and the degree of rotation can be measured accordingly. Geomagnetic sensors can be made of two-axis or three-axis fluxgates. A 2-axis fluxgate sensor, or 2-axis sensor, refers to a sensor consisting of an This refers to a sensor with an added fluxgate.

이상과 같은 지자기 센서 및 가속도 센서를 이용하면 장치의 모션 정보를 획득할 수 있고, 모션 정보를 통해 자세의 획득이 가능하다. 예를 들어, 모션 정보는 롤의 변화량, 피치의 변화량, 요의 변화량로 표현될 수 있고, 자세 정보는 롤각, 피치각, 방위각으로 표현될 수 있다.Using the geomagnetic sensor and acceleration sensor described above, motion information of the device can be obtained, and posture can be acquired through motion information. For example, motion information may be expressed as a roll change amount, a pitch change amount, and a yaw change amount, and posture information may be expressed as a roll angle, a pitch angle, and an azimuth angle.

방위각(요우각)은 수평면 상에서 좌우 방향으로 변하는 각을 의미하며, 방위각을 산출하게 되면, 장치가 어느 방향을 향하는지 알 수 있다. 예를 들어, 지자기 센서를 이용하면 하기와 같은 수식으로 통해 방위각을 측정할 수 있다.Azimuth (yaw angle) refers to the angle that changes in the left and right directions on the horizontal plane. By calculating the azimuth, you can know which direction the device is facing. For example, using a geomagnetic sensor, the azimuth can be measured using the formula below.

ψ=arctan(sinψ/cosψ)ψ=arctan(sinψ/cosψ)

여기서, ψ는 방위각을 의미하고, cosψ 및 sinψ는 X축 및 Y축 플럭스게이트 출력값을 의미한다.Here, ψ means the azimuth angle, and cosψ and sinψ mean the X-axis and Y-axis fluxgate output values.

롤각은 수평면이 좌우로 기울어지는 각을 의미하며, 롤각을 산출하게 되면, 장치의 좌측 또는 우측 기울기를 알 수 있다. 피치각은 수평면이 상하로 기울어지는 각을 의미하며, 피치각을 산출하게 되면, 장치가 상측 또는 하측으로 기울어진 기울기 각을 알 수 있다. 예를 들어, 가속도 센서를 이용하면 하기와 같은 수식으로 통해 롤각 및 피치각을 측정할 수 있다.The roll angle refers to the angle at which the horizontal plane is tilted left and right. By calculating the roll angle, you can know the left or right tilt of the device. The pitch angle refers to the angle at which the horizontal plane is tilted up and down. By calculating the pitch angle, you can know the tilt angle at which the device is tilted upward or downward. For example, using an acceleration sensor, roll angle and pitch angle can be measured using the following formula.

φ=arcsin(ay/g)ϕ=arcsin(ay/g)

θ=arcsin(ax/g)θ=arcsin(ax/g)

여기서, g는 중력 가속도, φ는 롤각, θ는 피치각, ax는 X축 가속도 센서 출력값, ay는 Y축 가속도 센서 출력값을 나타낸다.Here, g is the gravitational acceleration, ϕ is the roll angle, θ is the pitch angle, ax is the X-axis acceleration sensor output value, and ay is the Y-axis acceleration sensor output value.

다만, 이에 한정되는 것은 아니며, 센서는 사용자 단말 장치(100)의 위치 정보, 모션 정보 또는 자세 정보 중 적어도 하나를 획득할 수 있는 센서라면 어떠한 센서라도 포함할 수 있다.However, it is not limited to this, and the sensor may include any sensor that can obtain at least one of location information, motion information, or posture information of the user terminal device 100.

이상과 같이 사용자 단말 장치(100)는 사용자에 따라 적응적으로 마스크(200)의 팬 속도를 제어하여 사용자 편의성이 향상될 수 있다. 또한, 사용자 단말 장치(100)는 사용자의 상황에 따라 적응적으로 마스크(200)의 팬 속도를 제어할 수도 있어, 사용자의 상황에 따라 최적의 팬 속도 제어가 가능하다.As described above, the user terminal device 100 can adaptively control the fan speed of the mask 200 according to the user, thereby improving user convenience. Additionally, the user terminal device 100 may adaptively control the fan speed of the mask 200 according to the user's situation, enabling optimal fan speed control according to the user's situation.

이하에서는 도 5 내지 도 8을 통해 사용자 단말 장치(100)의 동작을 좀더 구체적으로 설명한다. 도 5 내지 도 8에서는 설명의 편의를 위해 개별적인 실시 예에 대하여 설명한다. 다만, 도 5 내지 도 8의 개별적인 실시 예는 얼마든지 조합된 상태로 실시될 수도 있다.Hereinafter, the operation of the user terminal device 100 will be described in more detail through FIGS. 5 to 8. In Figures 5 to 8, individual embodiments are described for convenience of explanation. However, the individual embodiments of FIGS. 5 to 8 may be implemented in any number of combinations.

도 5는 본 개시의 일 실시 예에 따른 사용자 단말 장치(100) 및 마스크(200)의 기본적인 동작을 설명하기 위한 도면이다.FIG. 5 is a diagram for explaining the basic operation of the user terminal device 100 and the mask 200 according to an embodiment of the present disclosure.

마스크(200)는 팬, 버튼, 센서 및 통신 인터페이스를 구비할 수 있다. 예를 들어, 마스크(200)는 팬을 통해 마스크로 유입되는 공기(510)의 양을 제어할 수 있다. 또는, 마스크(200)는 버튼 조작에 따라 팬의 속도 또는 팬의 동작 모드를 제어할 수 있다. 여기서, 팬의 동작 모드는 자동 모드 또는 수동 모드를 의미하고, 수동 모드는 가령, 강, 중, 약 등으로 구분될 수 있다. 또는, 마스크(200)는 센서(520)를 통해 사용자의 호흡수를 감지할 수도 있다. 또는, 마스크(200)는 통신 인터페이스를 통해 사용자 단말 장치(100)로 팬의 속도 및 사용자의 호흡수를 제공할 수 있다.The mask 200 may be equipped with a fan, button, sensor, and communication interface. For example, the mask 200 can control the amount of air 510 flowing into the mask through a fan. Alternatively, the mask 200 can control the fan speed or fan operation mode according to button operation. Here, the operation mode of the fan means automatic mode or manual mode, and manual mode can be divided into, for example, strong, medium, or weak. Alternatively, the mask 200 may detect the user's breathing rate through the sensor 520. Alternatively, the mask 200 may provide the fan speed and the user's breathing rate to the user terminal device 100 through a communication interface.

사용자 단말 장치(100)는 마스크(200)와 관련된 기설정된 어플리케이션이 실행되면, 마스크(200)로 동작 상태를 요청하는 신호를 전송할 수 있다. 사용자 단말 장치(100)는 동작 상태를 요청하는 신호에 따라 마스크(200)로부터 팬의 속도 및 사용자의 호흡수가 수신되면, 수신된 정보를 디스플레이할 수도 있다.When a preset application related to the mask 200 is executed, the user terminal device 100 may transmit a signal requesting an operating state to the mask 200. When the user terminal device 100 receives the fan speed and the user's breathing rate from the mask 200 according to a signal requesting an operating state, the user terminal device 100 may display the received information.

사용자 단말 장치(100)는 팬의 속도를 제어하기 위한 사용자 명령이 수신되면, 사용자 명령에 대응되는 팬 속도로 팬을 제어하기 위한 제어 신호를 마스크(200)로 전송할 수 있다.When a user command for controlling the speed of a fan is received, the user terminal device 100 may transmit a control signal for controlling the fan at a fan speed corresponding to the user command to the mask 200.

또는, 사용자 단말 장치(100)는 신경망 모델을 이용하여 사용자 개개인 또는 사용자의 컨텍스트에 따라 적응적으로 마스크의 팬 속도를 식별하고, 식별된 팬 속도로 팬을 제어하기 위한 제어 신호를 마스크(200)로 전송할 수도 있다.Alternatively, the user terminal device 100 uses a neural network model to adaptively identify the fan speed of the mask according to each user or the user's context, and sends a control signal to the mask 200 to control the fan at the identified fan speed. You can also send it to .

도 6은 본 개시의 일 실시 예에 따른 사용자의 컨텍스트에 따른 팬 속도 제어를 설명하기 위한 도면이다.FIG. 6 is a diagram for explaining fan speed control according to user context according to an embodiment of the present disclosure.

프로세서(130)는 사용자의 컨텍스트를 식별할 수 있다. 예를 들어, 프로세서(130)는 사용자 단말 장치(100)에 구비된 센서를 통해 사용자의 단말 장치의 모션 정보 등을 감지하여 사용자의 동작 정보를 식별할 수 있다. 또는, 프로세서(130)는 웨어러블 장치(300)로부터 사용자의 신체 상태 정보를 수신할 수도 있고, 서버(400)로부터 사용자가 위치한 지점의 날씨 정보를 수신할 수도 있다. 프로세서(130)는 사용자의 동작 정보, 사용자의 신체 상태 정보 또는 사용자가 위치한 지점의 날씨 정보 중 적어도 하나에 기초하여 사용자의 컨텍스트를 식별할 수 있다. 예를 들어, 프로세서(130)는 사용자의 동작 정보, 사용자의 신체 상태 정보 또는 사용자가 위치한 지점의 날씨 정보 중 적어도 하나를 제3 신경망 모델에 입력하여 사용자의 컨텍스트를 식별할 수도 있다.Processor 130 may identify the user's context. For example, the processor 130 may detect motion information of the user's terminal device through a sensor provided in the user terminal device 100 and identify the user's motion information. Alternatively, the processor 130 may receive information on the user's physical condition from the wearable device 300, or may receive weather information at the location where the user is located from the server 400. The processor 130 may identify the user's context based on at least one of the user's motion information, the user's physical condition information, or weather information at the location where the user is located. For example, the processor 130 may identify the user's context by inputting at least one of the user's motion information, the user's physical condition information, or the weather information of the location where the user is located into the third neural network model.

프로세서(130)는 사용자의 컨텍스트가 식별되면, 메모리(120)에 저장된 복수의 제2 신경망 모델 중 사용자의 컨텍스트에 대응되는 제2 신경망 모델에 호흡수에 대한 정보를 입력하여 타겟 팬 속도를 식별할 수 있다.When the user's context is identified, the processor 130 inputs information about the breathing rate into a second neural network model corresponding to the user's context among the plurality of second neural network models stored in the memory 120 to identify the target fan speed. You can.

다만, 이에 한정되는 것은 아니며, 프로세서(130)는 사용자가 운동 중이라고 식별되면, 복수의 제2 신경망 모델 중 제2 신경망 모델 1에 사용자의 동작 정보를 입력하여 타겟 팬 속도를 식별할 수도 있다. 여기서, 제2 신경망 모델 1은 사용자의 샘플 동작 정보에 대한 사용자가 팬을 제어함에 따른 팬 속도에 대한 샘플 정보의 관계에 기초하여 학습된 모델일 수 있다.However, the present invention is not limited to this, and if the processor 130 determines that the user is exercising, the processor 130 may identify the target fan speed by inputting the user's motion information into the second neural network model 1 among the plurality of second neural network models. Here, the second neural network model 1 may be a model learned based on the relationship between sample information about the user's sample motion and sample information about the fan speed when the user controls the fan.

다만, 이에 한정되는 것은 아니며, 프로세서(130)는 통신 인터페이스(110)를 통해 사용자 착용한 웨어러블 장치로부터 사용자의 신체 상태 정보를 수신하고, 복수의 제2 신경망 모델 중 제2 신경망 모델 2에 사용자의 신체 상태 정보를 입력하여 타겟 팬 속도를 식별할 수도 있다. 여기서, 제2 신경망 모델 2는 사용자의 샘플 신체 상태 정보에 대한 사용자가 팬을 제어함에 따른 팬 속도에 대한 샘플 정보의 관계에 기초하여 학습된 모델일 수 있다.However, it is not limited to this, and the processor 130 receives the user's body condition information from the wearable device worn by the user through the communication interface 110, and inputs the user's physical state information to the second neural network model 2 among the plurality of second neural network models. You can also enter body condition information to identify your target fan speed. Here, the second neural network model 2 may be a model learned based on the relationship between sample information about the fan speed when the user controls the fan and the user's sample body condition information.

다만, 이에 한정되는 것은 아니며, 프로세서(130)는 통신 인터페이스(110)를 통해 서버로부터 날씨 정보를 수신하고, 복수의 제2 신경망 모델 중 제2 신경망 모델 3에 날씨 정보를 입력하여 타겟 팬 속도를 식별할 수도 있다. 여기서, 제2 신경망 모델 3은 샘플 날씨 정보에 대한 사용자가 팬을 제어함에 따른 팬 속도에 대한 샘플 정보의 관계에 기초하여 학습된 모델일 수 있다.However, it is not limited to this, and the processor 130 receives weather information from the server through the communication interface 110, inputs the weather information to the second neural network model 3 among the plurality of second neural network models, and sets the target fan speed. It can also be identified. Here, the second neural network model 3 may be a model learned based on the relationship between sample weather information and sample information about the fan speed when the user controls the fan.

프로세서(130)는 타겟 팬 속도로 팬을 제어하기 위한 제어 신호를 마스크(200)로 전송할 수도 있다.The processor 130 may transmit a control signal to the mask 200 to control the fan at the target fan speed.

다만, 이에 한정되는 것은 아니며, 사용자의 컨텍스트는 얼마든지 다양한 정보를 포함할 수 있다.However, it is not limited to this, and the user's context may include a variety of information.

도 7은 본 개시의 일 실시 예에 따른 타겟 팬 속도를 획득하는 동작을 설명하기 위한 흐름도이다.FIG. 7 is a flowchart illustrating an operation for obtaining a target fan speed according to an embodiment of the present disclosure.

먼저, 프로세서(130)는 사용자의 호흡수를 식별할 수 있다(S710). 예를 들어, 프로세서(130)는 주기적으로 마스크(200)로 사용자의 호흡수를 요청하고, 마스크(200)로부터 사용자의 호흡수를 수신할 수 있다. 또는, 프로세서(130)는 기설정된 이벤트가 발생되면 마스크(200)로 사용자의 호흡수를 요청하고, 마스크(200)로부터 사용자의 호흡수를 수신할 수 있다. 가령, 프로세서(130)는 마스크(200)와 관련된 어플리케이션이 실행되면 마스크(200)로 사용자의 호흡수를 요청할 수 있다. 또는, 프로세서(130)는 마스크(200)가 수동으로 제어되는 경우, 마스크(200)로부터 사용자의 호흡수를 수신할 수도 있다. 여기서, 마스크(200)는 사용자가 수동 모드로 동작하도록 제어하는 경우, 사용자 단말 장치(100)로 사용자의 호흡수를 제공할 수 있다. 즉, 프로세서(130)는 마스크(200)가 수동으로 제어되는 경우, 사용자의 팬 속도 조절이 필요하다고 식별할 수 있다.First, the processor 130 may identify the user's breathing rate (S710). For example, the processor 130 may periodically request the user's respiratory rate from the mask 200 and receive the user's respiratory rate from the mask 200. Alternatively, when a preset event occurs, the processor 130 may request the user's respiration rate from the mask 200 and receive the user's respiration rate from the mask 200. For example, the processor 130 may request the user's respiratory rate from the mask 200 when an application related to the mask 200 is executed. Alternatively, the processor 130 may receive the user's respiratory rate from the mask 200 when the mask 200 is manually controlled. Here, when the user controls the mask 200 to operate in a manual mode, the mask 200 may provide the user's breathing rate to the user terminal device 100. That is, when the mask 200 is manually controlled, the processor 130 may identify that the user needs to adjust the fan speed.

프로세서(130)는 사용자의 컨텍스트를 식별할 수 있다(S720). 프로세서(130)는 움직임 연동 동작이 필요하다고 식별되면 움직임 모델(제2 신경망 모델 1)에 기초하여(S730) 타겟 팬 속도를 획득하고(S760), 신체 신호 연동 동작이 필요하다고 식별되면 신체 신호 모델(제2 신경망 모델 2)에 기초하여(S740) 타겟 팬 속도를 획득하고(S760), 날씨 연동 동작이 필요하다고 식별되면 날씨에 따른 풍량 모델(제2 신경망 모델 3)에 기초하여(S750) 타겟 팬 속도를 획득할 수 있다(S760).The processor 130 may identify the user's context (S720). If it is identified that a motion-linked operation is necessary, the processor 130 acquires a target fan speed (S760) based on a movement model (second neural network model 1) (S730), and if it is identified that a body signal-linked operation is necessary, the processor 130 acquires a target fan speed (S760) The target fan speed is acquired (S760) based on (second neural network model 2), and if weather-linked operation is identified as necessary, the target fan speed is acquired (S750) based on the wind volume model according to the weather (second neural network model 3). Fan speed can be obtained (S760).

도 8은 본 개시의 일 실시 예에 따른 신경망 모델을 설명하기 위한 도면이다.Figure 8 is a diagram for explaining a neural network model according to an embodiment of the present disclosure.

프로세서(130)는 복수의 신경망 모델 중 하나를 이용하기 위해 다양한 정보를 획득할 수 있다. 예를 들어, 프로세서(130)는 제1 신경망 모델을 이용하기 위해 마스크(200)로부터 사용자의 호흡수를 획득할 수 있다. 또는, 프로세서(130)는 제2 신경망 모델 1을 이용하기 위해 사용자의 동작 정보를 획득할 수 있다. 또는, 프로세서(130)는 제2 신경망 모델 2를 이용하기 위해 웨어러블 장치로부터 사용자의 신체 상태 정보를 획득할 수 있다. 또는, 프로세서(130)는 제2 신경망 모델 3을 이용하기 위해 서버로부터 사용자가 위치한 지점의 날씨 정보를 획득할 수 있다.The processor 130 may acquire various information to use one of a plurality of neural network models. For example, the processor 130 may obtain the user's breathing rate from the mask 200 to use the first neural network model. Alternatively, the processor 130 may acquire the user's motion information to use the second neural network model 1. Alternatively, the processor 130 may obtain the user's body state information from the wearable device to use the second neural network model 2. Alternatively, the processor 130 may obtain weather information of the point where the user is located from the server in order to use the second neural network model 3.

한편, 이상에서는 프로세서(130)는 마스크(200)의 팬 속도를 제어하는 것으로 설명하였으나, 이는 일 실시 예에 불과하다. 예를 들어, 마스크(200)는 센서를 통해 마스크(200)로 유입되는 풍량을 감지하고, 사용자 단말 장치(100)로 감지된 풍량을 전송할 수도 있다. 이 경우, 프로세서(130)는 마스크(200)의 풍량에 대한 정보를 디스플레이하고, 사용자 개개인 또는 사용자의 컨텍스트에 따라 적응적으로 마스크(200)의 타겟 풍량을 식별하고, 타겟 풍량이 유입되도록 팬을 제어하기 위한 제어 신호를 마스크(200)로 전송할 수도 있다.Meanwhile, in the above description, the processor 130 controls the fan speed of the mask 200, but this is only an example. For example, the mask 200 may detect the amount of wind flowing into the mask 200 through a sensor and transmit the detected amount of wind to the user terminal device 100. In this case, the processor 130 displays information about the air volume of the mask 200, adaptively identifies the target air volume of the mask 200 according to each user or the user's context, and operates the fan so that the target air volume flows in. A control signal for control may also be transmitted to the mask 200.

도 9는 본 개시의 일 실시 예에 따른 전자 장치의 제어 방법을 설명하기 위한 흐름도이다.FIG. 9 is a flowchart illustrating a method of controlling an electronic device according to an embodiment of the present disclosure.

먼저, 팬이 구비된 마스크로부터 사용자의 호흡수에 대한 정보를 수신한다(S910). 그리고, 호흡수에 대한 정보를 제1 신경망 모델에 입력하여 마스크의 타겟 팬 속도를 식별한다(S920). 그리고, 타겟 팬 속도로 팬을 제어하기 위한 제어 신호를 마스크로 전송한다(S930).First, information about the user's breathing rate is received from a mask equipped with a fan (S910). Then, information about the breathing rate is input into the first neural network model to identify the target fan speed of the mask (S920). Then, a control signal for controlling the fan at the target fan speed is transmitted to the mask (S930).

한편, 사용자의 컨텍스트를 식별하는 단계를 더 포함하며, 식별하는 단계(S920)는 복수의 제2 신경망 모델 중 사용자의 컨텍스트에 대응되는 제2 신경망 모델에 호흡수에 대한 정보를 입력하여 타겟 팬 속도를 식별할 수 있다.Meanwhile, it further includes the step of identifying the user's context, and the identifying step (S920) involves inputting information about the breathing rate into a second neural network model corresponding to the user's context among the plurality of second neural network models to determine the target fan speed. can be identified.

여기서, 사용자의 컨텍스트는 사용자의 동작 정보, 사용자의 신체 상태 정보 또는 사용자가 위치한 지점의 날씨 정보 중 적어도 하나를 포함할 수 있다.Here, the user's context may include at least one of the user's motion information, the user's physical condition information, or weather information at the location where the user is located.

예를 들어, 식별하는 단계(S920)는 사용자가 운동 중이라고 식별되면, 복수의 제2 신경망 모델 중 제2 신경망 모델 1에 호흡수에 대한 정보 및 사용자의 동작 정보를 입력하여 타겟 팬 속도를 식별하며, 제2 신경망 모델 1은 사용자의 호흡수에 대한 제1 샘플 정보 및 사용자의 샘플 동작 정보에 대한 사용자가 팬을 제어함에 따른 팬 속도에 대한 제2 샘플 정보의 관계에 기초하여 학습된 모델일 수 있다.For example, in the identification step (S920), when it is identified that the user is exercising, the target fan speed is identified by inputting information about the breathing rate and the user's motion information into the second neural network model 1 among the plurality of second neural network models. , The second neural network model 1 may be a model learned based on the relationship between the first sample information about the user's breathing rate and the second sample information about the fan speed as the user controls the fan with the user's sample motion information. there is.

또는, 사용자 착용한 웨어러블 장치로부터 사용자의 신체 상태 정보를 수신하는 단계를 더 포함하며, 식별하는 단계(S920)는 복수의 제2 신경망 모델 중 제2 신경망 모델 2에 호흡수에 대한 정보 및 사용자의 신체 상태 정보를 입력하여 타겟 팬 속도를 식별하며, 제2 신경망 모델 2는 사용자의 호흡수에 대한 제1 샘플 정보 및 사용자의 샘플 신체 상태 정보에 대한 사용자가 팬을 제어함에 따른 팬 속도에 대한 제2 샘플 정보의 관계에 기초하여 학습된 모델일 수 있다.Alternatively, it further includes receiving information about the user's body condition from a wearable device worn by the user, and the identification step (S920) includes information about the breathing rate and the user's breathing rate in the second neural network model 2 among the plurality of second neural network models. The target fan speed is identified by inputting body state information, and the second neural network model 2 generates first sample information about the user's respiratory rate and a first sample information about the fan speed as the user controls the fan with respect to the user's sample body state information. 2 It may be a model learned based on the relationship between sample information.

또는, 서버로부터 날씨 정보를 수신하는 단계를 더 포함하며, 식별하는 단계(S920)는 복수의 제2 신경망 모델 중 제2 신경망 모델 3에 호흡수에 대한 정보 및 날씨 정보를 입력하여 타겟 팬 속도를 식별하며, 제2 신경망 모델 3은 사용자의 호흡수에 대한 제1 샘플 정보 및 샘플 날씨 정보에 대한 사용자가 팬을 제어함에 따른 팬 속도에 대한 제2 샘플 정보의 관계에 기초하여 학습된 모델일 수 있다.Alternatively, it further includes receiving weather information from a server, and the identification step (S920) involves inputting information about breathing rate and weather information into the second neural network model 3 among the plurality of second neural network models to set the target fan speed. Identifying, the second neural network model 3 may be a model learned based on the relationship between the first sample information about the user's breathing rate and the second sample information about the fan speed as the user controls the fan with the sample weather information. there is.

한편, 팬의 동작 상태 또는 호흡수에 대한 정보 중 적어도 하나를 디스플레이하는 단계를 더 포함할 수 있다.Meanwhile, the step of displaying at least one of information about the operating state of the fan or information about the breathing rate may be further included.

또한, 마스크로부터 사용자가 팬을 제어함에 따른 팬 속도 및 사용자가 팬을 제어한 시점의 사용자의 호흡수에 대한 정보를 수신하는 단계 및 수신된 정보를 학습 정보로서 저장하는 단계를 더 포함할 수 있다.In addition, it may further include receiving information from the mask about the fan speed as the user controls the fan and the user's breathing rate at the time the user controls the fan, and storing the received information as learning information. .

여기서, 학습 정보가 기설정된 개수 이상 누적되면, 누적된 학습 정보에 기초하여 제1 신경망 모델을 재학습하는 단계를 더 포함할 수 있다.Here, when learning information is accumulated more than a preset number, a step of retraining the first neural network model based on the accumulated learning information may be further included.

이상과 같은 본 개시의 일 실시 예에 따르면, 사용자 단말 장치는 사용자에 따라 적응적으로 마스크의 팬 속도를 제어하여 사용자 편의성이 향상될 수 있다.According to an embodiment of the present disclosure as described above, the user terminal device can adaptively control the fan speed of the mask according to the user, thereby improving user convenience.

또한, 사용자 단말 장치는 사용자의 상황에 따라 적응적으로 마스크의 팬 속도를 제어할 수도 있어, 사용자의 상황에 따라 최적의 팬 속도 제어가 가능하다.Additionally, the user terminal device can adaptively control the fan speed of the mask according to the user's situation, enabling optimal fan speed control according to the user's situation.

한편, 본 개시의 일시 예에 따르면, 이상에서 설명된 다양한 실시 예들은 기기(machine)(예: 컴퓨터)로 읽을 수 있는 저장 매체(machine-readable storage media)에 저장된 명령어를 포함하는 소프트웨어로 구현될 수 있다. 기기는, 저장 매체로부터 저장된 명령어를 호출하고, 호출된 명령어에 따라 동작이 가능한 장치로서, 개시된 실시 예들에 따른 전자 장치(예: 전자 장치(A))를 포함할 수 있다. 명령이 프로세서에 의해 실행될 경우, 프로세서가 직접, 또는 프로세서의 제어 하에 다른 구성요소들을 이용하여 명령에 해당하는 기능을 수행할 수 있다. 명령은 컴파일러 또는 인터프리터에 의해 생성 또는 실행되는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장매체는, 비일시적(non-transitory) 저장매체의 형태로 제공될 수 있다. 여기서, '비일시적'은 저장매체가 신호(signal)를 포함하지 않으며 실재(tangible)한다는 것을 의미할 뿐 데이터가 저장매체에 반영구적 또는 임시적으로 저장됨을 구분하지 않는다.Meanwhile, according to an example of the present disclosure, the various embodiments described above may be implemented as software including instructions stored in a machine-readable storage media (e.g., a computer). You can. The device is a device capable of calling instructions stored from a storage medium and operating according to the called instructions, and may include an electronic device (eg, electronic device A) according to the disclosed embodiments. When an instruction is executed by a processor, the processor may perform the function corresponding to the instruction directly or using other components under the control of the processor. Instructions may contain code generated or executed by a compiler or interpreter. A storage medium that can be read by a device may be provided in the form of a non-transitory storage medium. Here, 'non-transitory' only means that the storage medium does not contain signals and is tangible and does not distinguish whether the data is stored in the storage medium semi-permanently or temporarily.

또한, 본 개시의 일 실시 예에 따르면, 이상에서 설명된 다양한 실시 예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory (CD-ROM))의 형태로, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 온라인으로 배포될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.Additionally, according to an embodiment of the present disclosure, the method according to the various embodiments described above may be included and provided in a computer program product. Computer program products are commodities and can be traded between sellers and buyers. The computer program product may be distributed on a machine-readable storage medium (e.g. compact disc read only memory (CD-ROM)) or online through an application store (e.g. Play Store™). In the case of online distribution, at least a portion of the computer program product may be at least temporarily stored or created temporarily in a storage medium such as the memory of a manufacturer's server, an application store's server, or a relay server.

또한, 본 개시의 일 실시 예에 따르면, 이상에서 설명된 다양한 실시 예들은 소프트웨어(software), 하드웨어(hardware) 또는 이들의 조합을 이용하여 컴퓨터(computer) 또는 이와 유사한 장치로 읽을 수 있는 기록 매체 내에서 구현될 수 있다. 일부 경우에 있어 본 명세서에서 설명되는 실시 예들이 프로세서 자체로 구현될 수 있다. 소프트웨어적인 구현에 의하면, 본 명세서에서 설명되는 절차 및 기능과 같은 실시 예들은 별도의 소프트웨어로서 구현될 수도 있다. 소프트웨어 각각은 본 명세서에서 설명되는 하나 이상의 기능 및 동작을 수행할 수 있다.In addition, according to an embodiment of the present disclosure, the various embodiments described above are stored in a recording medium that can be read by a computer or similar device using software, hardware, or a combination thereof. It can be implemented in . In some cases, embodiments described herein may be implemented with a processor itself. According to software implementation, embodiments such as procedures and functions described in this specification may be implemented as separate software. Each piece of software may perform one or more functions and operations described herein.

한편, 상술한 다양한 실시 예들에 따른 기기의 프로세싱 동작을 수행하기 위한 컴퓨터 명령어(computer instructions)는 비일시적 컴퓨터 판독 가능 매체(non-transitory computer-readable medium)에 저장될 수 있다. 이러한 비일시적 컴퓨터 판독 가능 매체에 저장된 컴퓨터 명령어는 특정 기기의 프로세서에 의해 실행되었을 때 상술한 다양한 실시 예에 따른 기기에서의 처리 동작을 특정 기기가 수행하도록 한다. 비일시적 컴퓨터 판독 가능 매체란 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 비일시적 컴퓨터 판독 가능 매체의 구체적인 예로는, CD, DVD, 하드 디스크, 블루레이 디스크, USB, 메모리카드, ROM 등이 있을 수 있다.Meanwhile, computer instructions for performing processing operations of devices according to the various embodiments described above may be stored in a non-transitory computer-readable medium. Computer instructions stored in such a non-transitory computer-readable medium, when executed by a processor of a specific device, cause the specific device to perform processing operations in the device according to the various embodiments described above. A non-transitory computer-readable medium refers to a medium that stores data semi-permanently and can be read by a device, rather than a medium that stores data for a short period of time, such as registers, caches, and memories. Specific examples of non-transitory computer-readable media may include CD, DVD, hard disk, Blu-ray disk, USB, memory card, ROM, etc.

또한, 상술한 다양한 실시 예들에 따른 구성 요소(예: 모듈 또는 프로그램) 각각은 단수 또는 복수의 개체로 구성될 수 있으며, 전술한 해당 서브 구성 요소들 중 일부 서브 구성 요소가 생략되거나, 또는 다른 서브 구성 요소가 다양한 실시 예에 더 포함될 수 있다. 대체적으로 또는 추가적으로, 일부 구성 요소들(예: 모듈 또는 프로그램)은 하나의 개체로 통합되어, 통합되기 이전의 각각의 해당 구성 요소에 의해 수행되는 기능을 동일 또는 유사하게 수행할 수 있다. 다양한 실시예들에 따른, 모듈, 프로그램 또는 다른 구성 요소에 의해 수행되는 동작들은 순차적, 병렬적, 반복적 또는 휴리스틱하게 실행되거나, 적어도 일부 동작이 다른 순서로 실행되거나, 생략되거나, 또는 다른 동작이 추가될 수 있다.In addition, each component (e.g., module or program) according to the various embodiments described above may be composed of a single or multiple entities, and some of the sub-components described above may be omitted, or other sub-components may be omitted. Additional components may be included in various embodiments. Alternatively or additionally, some components (e.g., modules or programs) may be integrated into one entity and perform the same or similar functions performed by each corresponding component prior to integration. According to various embodiments, operations performed by a module, program, or other component may be executed sequentially, in parallel, iteratively, or heuristically, or at least some operations may be executed in a different order, omitted, or other operations may be added. It can be.

이상에서는 본 개시의 바람직한 실시 예에 대하여 도시하고 설명하였지만, 본 개시는 상술한 특정의 실시 예에 한정되지 아니하며, 청구범위에서 청구하는 본 개시의 요지를 벗어남이 없이 당해 개시에 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 개시의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.In the above, preferred embodiments of the present disclosure have been shown and described, but the present disclosure is not limited to the specific embodiments described above, and may be used in the technical field pertaining to the disclosure without departing from the gist of the disclosure as claimed in the claims. Of course, various modifications can be made by those skilled in the art, and these modifications should not be understood individually from the technical ideas or perspectives of the present disclosure.

100 : 사용자 단말 장치 110 : 통신 인터페이스
120 : 메모리 130 : 프로세서
140 : 디스플레이 150 : 사용자 인터페이스
160 : 마이크 170 : 스피커
180 : 카메라 200 : 마스크
300 : 웨어러블 장치 400 : 서버100: user terminal device 110: communication interface
120: memory 130: processor
140: display 150: user interface
160: Microphone 170: Speaker
180: Camera 200: Mask
300: wearable device 400: server

Claims

In the user terminal device,
communication interface;
a memory storing a first neural network model; and
At least one processor connected to the memory and the communication interface to control the user terminal device,
The processor,
When information about the user's respiratory rate is received from a mask equipped with a fan through the communication interface, input the information about the respiratory rate into the first neural network model to identify the target fan speed of the mask,
Controlling the communication interface to transmit a control signal for controlling the fan at the target fan speed to the mask.

According to paragraph 1,
The first neural network model is,
A user terminal device, which is a model learned based on the relationship between first sample information about the user's breathing rate and second sample information about the fan speed when the user controls the fan.

According to paragraph 1,
The memory is,
Further storing a plurality of second neural network models,
The processor,
identify the user's context,
A user terminal device that identifies the target fan speed by inputting information about the breathing rate into a second neural network model corresponding to the user's context among the plurality of second neural network models.

According to paragraph 3,
The user's context is,
A user terminal device comprising at least one of the user's motion information, the user's physical condition information, and weather information at the point where the user is located.

According to paragraph 3,
The processor,
When the user is identified as exercising, the target fan speed is identified by inputting the information on the breathing rate and the user's motion information into a second neural network model 1 among the plurality of second neural network models,
The second neural network model 1 is,
A user terminal device, which is a model learned based on a relationship between first sample information about the user's breathing rate and second sample information about the fan speed when the user controls the fan and the user's sample motion information.

According to paragraph 3,
The processor,
Receiving information about the user's physical condition from a wearable device worn by the user through the communication interface,
Identifying the target fan speed by inputting information about the breathing rate and information about the user's body condition into a second neural network model 2 among the plurality of second neural network models,
The second neural network model 2 is,
A model learned based on the relationship between the first sample information about the user's breathing rate and the second sample information about the fan speed when the user controls the fan with the user's sample body condition information, the user terminal device .

According to paragraph 3,
The processor,
Receive weather information from a server through the communication interface,
Identifying the target fan speed by inputting the information on the breathing rate and the weather information into the second neural network model 3 among the plurality of second neural network models,
The second neural network model 3 is,
A user terminal device, which is a model learned based on a relationship between first sample information about the user's breathing rate and second sample information about the fan speed when the user controls the fan with the sample weather information.

According to paragraph 1,
It further includes a display;
The processor,
A user terminal device that displays at least one of the operating state of the fan or information about the breathing rate through the display.

According to paragraph 1,
The processor,
Receiving information about the fan speed as the user controls the fan and the user's respiratory rate at the time the user controls the fan from the mask through the communication interface,
A user terminal device that stores the received information in the memory as learning information.

According to clause 9,
The processor,
When the learning information stored in the memory is accumulated more than a preset number, the user terminal device retrains the first neural network model based on the accumulated learning information.

In the control method of a user terminal device,
Receiving information about the user's breathing rate from a mask equipped with a fan;
Identifying a target fan speed of the mask by inputting information about the breathing rate into a first neural network model; and
Transmitting a control signal for controlling the fan at the target fan speed to the mask.

According to clause 11,
The first neural network model is,
A control method, which is a model learned based on the relationship between first sample information about the user's breathing rate and second sample information about fan speed as the user controls the fan.

According to clause 11,
Further comprising: identifying the user's context,
The identification step is,
A control method for identifying the target fan speed by inputting information about the breathing rate into a second neural network model corresponding to the user's context among a plurality of second neural network models.

According to clause 13,
The user's context is,
A control method comprising at least one of the user's motion information, the user's physical condition information, and weather information at the point where the user is located.

According to clause 13,
The identification step is,
When the user is identified as exercising, the target fan speed is identified by inputting the information on the breathing rate and the user's motion information into a second neural network model 1 among the plurality of second neural network models,
The second neural network model 1 is,
A control method, which is a model learned based on the relationship between the first sample information about the user's breathing rate and the second sample information about the fan speed when the user controls the fan with the user's sample motion information.

According to clause 13,
It further includes receiving information on the user's body condition from a wearable device worn by the user,
The identification step is,
Identifying the target fan speed by inputting information about the breathing rate and information about the user's body condition into a second neural network model 2 among the plurality of second neural network models,
The second neural network model 2 is,
A control method, which is a model learned based on a relationship between first sample information about the user's breathing rate and second sample information about the fan speed as the user controls the fan with the user's sample body state information.

According to clause 13,
It further includes receiving weather information from a server,
The identification step is,
Identifying the target fan speed by inputting the information on the breathing rate and the weather information into the second neural network model 3 among the plurality of second neural network models,
The second neural network model 3 is,
A control method, which is a model learned based on a relationship between first sample information about the user's breathing rate and second sample information about the fan speed when the user controls the fan with the sample weather information.

According to clause 11,
A control method further comprising: displaying at least one of information about the operating state of the fan or information about the breathing rate.

According to clause 11,
Receiving information about the fan speed as the user controls the fan and the user's respiratory rate at the time the user controls the fan from the mask; and
A control method further comprising: storing the received information as learning information.

According to clause 19,
The control method further comprising: retraining the first neural network model based on the accumulated learning information when the learning information is accumulated more than a preset number.