KR20240048453A - 운동 데이터의 처리 방법 및 이를 수행하는 전자 장치 - Google Patents
운동 데이터의 처리 방법 및 이를 수행하는 전자 장치 Download PDFInfo
- Publication number
- KR20240048453A KR20240048453A KR1020220187795A KR20220187795A KR20240048453A KR 20240048453 A KR20240048453 A KR 20240048453A KR 1020220187795 A KR1020220187795 A KR 1020220187795A KR 20220187795 A KR20220187795 A KR 20220187795A KR 20240048453 A KR20240048453 A KR 20240048453A
- Authority
- KR
- South Korea
- Prior art keywords
- electronic device
- data
- motion
- repetitive
- sound data
- Prior art date
Links
- 238000003672 processing method Methods 0.000 title abstract description 20
- 230000033001 locomotion Effects 0.000 claims abstract description 154
- 230000003252 repetitive effect Effects 0.000 claims abstract description 96
- 238000004891 communication Methods 0.000 claims description 70
- 230000015654 memory Effects 0.000 claims description 28
- 238000000034 method Methods 0.000 claims description 17
- 230000000638 stimulation Effects 0.000 claims description 13
- 230000000007 visual effect Effects 0.000 claims description 8
- 238000005516 engineering process Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 12
- 238000013528 artificial neural network Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 6
- 239000000284 extract Substances 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000013527 convolutional neural network Methods 0.000 description 4
- 230000001186 cumulative effect Effects 0.000 description 4
- 238000001914 filtration Methods 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 230000029058 respiratory gaseous exchange Effects 0.000 description 3
- 230000036760 body temperature Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000003155 kinesthetic effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000001537 neural effect Effects 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 210000004243 sweat Anatomy 0.000 description 2
- 206010027783 Moaning Diseases 0.000 description 1
- 208000037656 Respiratory Sounds Diseases 0.000 description 1
- 230000001133 acceleration Effects 0.000 description 1
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 210000005069 ears Anatomy 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 229910052760 oxygen Inorganic materials 0.000 description 1
- 239000001301 oxygen Substances 0.000 description 1
- 230000036284 oxygen consumption Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000000241 respiratory effect Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B71/00—Games or sports accessories not covered in groups A63B1/00 - A63B69/00
- A63B71/06—Indicating or scoring devices for games or players, or for other sports activities
- A63B71/0619—Displays, user interfaces and indicating devices, specially adapted for sport equipment, e.g. display mounted on treadmills
- A63B71/0669—Score-keepers or score display devices
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B24/00—Electric or electronic controls for exercising apparatus of preceding groups; Controlling or monitoring of exercises, sportive games, training or athletic performances
- A63B24/0003—Analysing the course of a movement or motion sequences during an exercise or trainings sequence, e.g. swing for golf or tennis
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B71/00—Games or sports accessories not covered in groups A63B1/00 - A63B69/00
- A63B71/06—Indicating or scoring devices for games or players, or for other sports activities
- A63B71/0619—Displays, user interfaces and indicating devices, specially adapted for sport equipment, e.g. display mounted on treadmills
- A63B71/0622—Visual, audio or audio-visual systems for entertaining, instructing or motivating the user
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B71/00—Games or sports accessories not covered in groups A63B1/00 - A63B69/00
- A63B71/06—Indicating or scoring devices for games or players, or for other sports activities
- A63B71/0619—Displays, user interfaces and indicating devices, specially adapted for sport equipment, e.g. display mounted on treadmills
- A63B71/0622—Visual, audio or audio-visual systems for entertaining, instructing or motivating the user
- A63B2071/0625—Emitting sound, noise or music
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B71/00—Games or sports accessories not covered in groups A63B1/00 - A63B69/00
- A63B71/06—Indicating or scoring devices for games or players, or for other sports activities
- A63B71/0619—Displays, user interfaces and indicating devices, specially adapted for sport equipment, e.g. display mounted on treadmills
- A63B2071/0655—Tactile feedback
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B2220/00—Measuring of physical parameters relating to sporting activity
- A63B2220/80—Special sensors, transducers or devices therefor
- A63B2220/808—Microphones
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B2220/00—Measuring of physical parameters relating to sporting activity
- A63B2220/80—Special sensors, transducers or devices therefor
- A63B2220/83—Special sensors, transducers or devices therefor characterised by the position of the sensor
- A63B2220/836—Sensors arranged on the body of the user
-
- A—HUMAN NECESSITIES
- A63—SPORTS; GAMES; AMUSEMENTS
- A63B—APPARATUS FOR PHYSICAL TRAINING, GYMNASTICS, SWIMMING, CLIMBING, OR FENCING; BALL GAMES; TRAINING EQUIPMENT
- A63B2225/00—Miscellaneous features of sport apparatus, devices or equipment
- A63B2225/50—Wireless data transmission, e.g. by radio transmitters or telemetry
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Physical Education & Sports Medicine (AREA)
- Human Computer Interaction (AREA)
- Theoretical Computer Science (AREA)
- Software Systems (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Artificial Intelligence (AREA)
- Physics & Mathematics (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Multimedia (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
본 개시의 일 실시예에 따른 데이터 처리 방법은, 반복 동작에 대응하는 운동 종목을 입력 받는 동작, 사용자가 상기 반복 동작을 수행하는 상태에서, 상기 사용자와 관련한 제1 사운드 데이터를 획득하는 동작, 상기 획득한 제1 사운드 데이터 및 기 학습된 학습 모델에 기반하여, 상기 반복 동작과 관련한 결과 데이터를 획득하는 동작, 및 상기 획득한 결과 데이터에 대응하는 피드백을 제공하는 동작을 포함할 수 있다.
Description
본 개시는, 사용자의 운동에 따른 반복 동작에 관한 운동 데이터를 처리하고, 이에 따라 사용자에게 피드백을 제공하는 기술에 관한 것입니다.
특정 목표를 위해 근력 운동을 하는 사람들은 각 운동 종목과 이에 대한 세트수 및 횟수(Reps)를 계획하여 정해진 운동 프로그램을 진행할 수 있다. 또한, 이들은 수행한 운동을 기록하여 운동 능력을 관리하고 향상시킬 수 있다.
이에 따라, 다양한 전자 기기를 활용하여 사용자의 운동 횟수를 카운팅하는 방법들이 제안되었다. 그러나 기존의 기술들은 주로 운동 중 사용자의 움직임을 측정하여 분석하는 것에 초점을 맞추고 있다. 이에 따라, 기존의 기술들은 사용자의 움직임을 측정하는 센서의 위치에 따라, 측정 가능한 운동 종목이 제한되고, 움직임에 관한 개인적인 편차를 반영하기 어려울 수 있다.
본 개시의 일 실시예에 따른 운동 데이터 처리 방법은, 반복 동작에 대응하는 운동 종목을 입력 받는 동작을 포함할 수 있다. 일 실시예에 따른 운동 데이터 처리 방법은, 사용자가 상기 반복 동작을 수행하는 상태에서, 상기 사용자와 관련한 제1 사운드 데이터를 획득하는 동작을 포함할 수 있다. 일 실시예에 따른 운동 데이터 처리 방법은, 상기 획득한 제1 사운드 데이터 및 기 학습된 학습 모델에 기반하여, 상기 반복 동작과 관련한 결과 데이터를 획득하는 동작을 포함할 수 있다. 일 실시예에 따른 운동 데이터 처리 방법은, 상기 획득한 결과 데이터에 대응하는 피드백을 제공하는 동작을 포함할 수 있다.
본 개시의 일 실시예에 따른 전자 장치는, 통신 인터페이스, 메모리 및 상기 통신 인터페이스 및 상기 메모리와 동작적으로 연결된 적어도 하나의 프로세서를 포함할 수 있다. 상기 적어도 하나의 프로세서는, 반복 동작에 대응하는 운동 종목을 입력 받도록 설정될 수 있다. 상기 적어도 하나의 프로세서는, 사용자가 상기 반복 동작을 수행하는 상태에서, 상기 사용자와 관련한 제1 사운드 데이터를 획득하도록 설정될 수 있다. 상기 적어도 하나의 프로세서는, 상기 획득한 제1 사운드 데이터 및 기 학습된 학습 모델에 기반하여, 상기 반복 동작과 관련한 결과 데이터를 획득하도록 설정될 수 있다. 상기 적어도 하나의 프로세서는, 상기 획득한 결과 데이터에 대응하는 피드백을 제공하도록 설정될 수 있다.
본 개시의 일 실시예에 따른 하나 이상의 프로그램을 저장하는 비일시적 컴퓨터 판독 가능 저장 매체는, 어플리케이션의 실행에 기반하여, 반복 동작에 대응하는 운동 종목을 입력 받는 동작을 포함할 수 있다. 일 실시예에 따른 저장 매체는, 사용자가 상기 반복 동작을 수행하는 상태에서, 상기 사용자와 관련한 제1 사운드 데이터를 획득하는 동작을 포함할 수 있다. 일 실시예에 따른 저장 매체는, 상기 획득한 제1 사운드 데이터 및 기 학습된 학습 모델에 기반하여, 상기 반복 동작과 관련한 결과 데이터를 획득하는 동작을 포함할 수 있다. 일 실시예에 따른 저장 매체는, 상기 획득한 결과 데이터에 대응하는 피드백을 제공하는 동작을 포함할 수 있다.
도 1은, 본 개시의 일 실시예들에 따른, 네트워크 환경 내의 전자 장치의 블록도이다.
도 2는, 본 개시의 일 실시예에 따른, 전자 장치의 블록도이다.
도 3은, 본 개시의 일 실시예에 따른, 외부 전자 장치의 블록도이다.
도 4는, 본 개시의 일 실시예에 따른, 운동 데이터를 처리하는 동작에 관한 흐름도이다.
도 5는, 본 개시의 일 실시예에 따른, 학습 모델을 생성하는 동작의 흐름도이다.
도 2는, 본 개시의 일 실시예에 따른, 전자 장치의 블록도이다.
도 3은, 본 개시의 일 실시예에 따른, 외부 전자 장치의 블록도이다.
도 4는, 본 개시의 일 실시예에 따른, 운동 데이터를 처리하는 동작에 관한 흐름도이다.
도 5는, 본 개시의 일 실시예에 따른, 학습 모델을 생성하는 동작의 흐름도이다.
이하에서는 도면을 참조하여 본 개시의 실시예에 대하여 본 개시가 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 개시는 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 도면의 설명과 관련하여, 동일하거나 유사한 구성요소에 대해서는 동일하거나 유사한 참조 부호가 사용될 수 있다. 또한, 도면 및 관련된 설명에서는, 잘 알려진 기능 및 구성에 대한 설명이 명확성과 간결성을 위해 생략될 수 있다.
도 1은, 본 개시의 일 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다.
도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108) 중 적어도 하나와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 수 있다.
프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 저장하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.
보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다. 인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능 모델이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.
메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.
프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.
입력 모듈(150)은, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.
음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.
디스플레이 모듈(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일실시예에 따르면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.
오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일실시예에 따르면, 오디오 모듈(170)은, 입력 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.
센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.
인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.
연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일실시예에 따르면, 연결 단자(178)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.
햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.
카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.
전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.
배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.
통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(104)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 또는 인증할 수 있다.
무선 통신 모듈(192)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(192)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제 2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일실시예에 따르면, 무선 통신 모듈(192)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.
안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.
일 실시예에 따르면, 안테나 모듈(197)은 mmWave 안테나 모듈을 형성할 수 있다. 일실시예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제 1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제 2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.
상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.
일실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일실시예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제 2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.
도 2는, 본 개시의 일 실시예에 따른, 전자 장치(101)의 블록도이다.
도 2를 참조하면, 일 실시예에 따른 전자 장치(101, 예: 도 1의 전자 장치(101))는, 제1 프로세서(210, 예: 도 1의 프로세서(120)), 제1 메모리(220, 예: 도 1의 메모리(130)), 제1 통신 인터페이스(230, 예: 도 1의 통신 모듈(190)) 및/또는 출력 모듈(240)을 포함할 수 있다. 일 실시예로 전자 장치는, 도 2에 도시한 구성 중 일부만을 포함하거나, 또는 도 시하지 않은 추가적인 구성을 더 포함할 수 있다.
일 실시예에 따른 제1 프로세서(210)는, 제1 메모리(220)에 저장된 명령에 따른 동작을 수행할 수 있다. 일 실시예로, 제1 메모리(220)는 어플리케이션, 데이터 및/또는 동작 명령을 저장할 수 있다. 일 실시예에 따른 제1 프로세서(210)에서 실행하는 동작 및/또는 제1 메모리(220)에 저장된 동작은 후술한다.
일 실시예에 따른 제1 통신 인터페이스(230)는, 후술하는 외부 전자 장치(예: 도 3의 외부 전자 장치(102))와 통신할 수 있다. 통신 방식은, 다양한 방식으로 구현될 수 있다. 일 실시예로, 제1 통신 인터페이스(230)는 지정된 통신 방식을 통하여, 외부 전자 장치와 데이터를 송신 및/또는 수신할 수 있다.
일 실시예로, 전자 장치는 출력 모듈(240)을 통하여 사용자에게 시각적, 청각적 또는 촉각적 자극을 제공할 수 있다. 일 실시예에 따른 출력 모듈(240)에는 디스플레이 모듈(예: 도 1의 디스플레이 모듈(160)), 스피커 모듈(예: 도 1의 오디오 모듈(170)) 및/또는 햅틱 모듈(예: 도 1의 햅틱 모듈(179))이 포함될 수 있다.
일 실시예로, 디스플레이 모듈은 전자 장치의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 일 실시예로, 스피커 모듈은 전자 장치와 직접 또는 무선으로 연결된 외부 장치(예: 스피커 또는 헤드폰)를 통해 전자 장치의 외부(예: 사용자)로 소리를 출력할 수 있다. 일 실시예로, 햅틱 모듈은 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극을 제공할 수 있다.
일 실시예로, 전자 장치는 후술하는 외부 전자 장치(예: 도 3의 외부 전자 장치(102))를 통해 시각적, 청각적 또는 촉각적 자극을 제공할 수 있다. 예를 들어, 전자 장치는 외부 전자 장치를 통하여 사용자에게 결과 데이터에 대응하는 피드백을 제공할 수 있다.
도 3은, 본 개시의 일 실시예에 따른, 외부 전자 장치(102)의 블록도이다.
도 3을 참조하면, 일 실시예로 외부 전자 장치(102)는, 전자 장치(예: 도 2의 전자 장치(101))와 연동하여 제어되거나, 전자 장치에 의해 제어되는 제어 대상이 되거나, 또는 전자 장치로 데이터를 송신하는 장치일 수 있다. 일 실시예로, 외부 전자 장치(102)는 후술하는 센서 회로(예: 도 3의 센서 회로(340))에서 획득한 사용자의 사운드, 모션 데이터 및/또는 생체 데이터를 전자 장치로 전송할 수 있다.
일 실시예에 따른 외부 전자 장치(102)는, 사용자의 신체 일부에 결속되거나 장착되는 웨어러블 장치일 수 있다. 일 실시예로, 외부 전자 장치(102)는 사용자의 손목에 결속되는 스마트워치, 또는 사용자의 귀에 착용되는 이어버드일 수 있다. 일 실시예로, 외부 전자 장치(102)는 사용자의 운동시 사용자에 인접하게 배치되거나, 운동에 따른 반복 동작에 따라 이동되는 운동 기기(예: 아령, 덤벨)일 수 있다.
일 실시예에 따른 외부 전자 장치(102)는, 제2 프로세서(310, 예: 도 1의 프로세서(120)), 제2 메모리(320, 도 1의 메모리(130))), 제2 통신 인터페이스(330, 예: 도 1의 통신 모듈(190)) 및/또는 센서 회로(340, 예: 도 1의 센서 모듈(176))를 포함할 수 있다. 일 실시예로 외부 전자 장치(102)는, 도 3에 도시한 구성 중 일부만을 포함하거나, 또는 도시하지 않은 추가적인 구성을 더 포함할 수 있다.
일 실시예에 따른 제2 프로세서(310)는, 제2 메모리(320)에 저장된 명령에 따른 동작을 수행하거나, 또는 전자 장치(예: 도 2의 전자 장치(101) 및/또는 제1 프로세서(210))에서 수신한 명령에 따른 동작을 수행할 수 있다. 일 실시예로, 제2 메모리(320)는 어플리케이션, 데이터 및/또는 동작 명령을 저장할 수 있다.
일 실시예에 따른 제2 통신 인터페이스(330)는, 전자 장치(예: 도 2의 전자 장치(102) 및/또는 제1 통신 인터페이스(230))와 통신할 수 있다. 통신 방식은, 다양한 방식으로 구현될 수 있다. 일 실시예로, 제2 통신 인터페이스(330)는 지정된 통신 방식을 통하여, 전자 장치와 데이터를 송신 및/또는 수신할 수 있다.
일 실시예에 따른 외부 전자 장치(102)는, 센서 회로(340)를 통하여 사용자의 사운드, 모션 데이터 및/또는 생체 데이터를 획득할 수 있다. 일 실시예에 따른 센서 회로(340)는, 모션 센서(341), 마이크로폰(342) 및/또는 생체 센서(343)를 포함할 수 있다. 일 실시예로 센서 회로(340)는, 사용자의 운동 동작에 따른 사운드 또는 모션 데이터를 획득하거나, 또는 사용자의 모션에 따른 액티비티 타입, 액티비티 상태, 운동 정보, 심박수, HRV, ECG, 체온, 체중, 신장, 사용자의 위치 정보, 수분량, 땀 배출량, 스트레스 상태, 호흡 상태, Vo2(oxygen consumption), SpO2(saturation of percutaneous oxygen)을 획득할 수 있다.
일 실시예에 따른 모션 센서(341)는, 외부 전자 장치(102)가 고정되는 사용자의 신체 일부의 움직임과 관련한 모션 데이터를 획득할 수 있다. 일 실시예로, 모션 센서(341)는 가속도계(accelerometer), 각속도계(gyroscope), 및 지자계(magnetometer)가 일체로 포함된 IMU 센서일 수 있고, 사용자의 직선 운동 및/또는 회전 운동을 감지할 수 있다.
일 실시예에 따른 마이크로폰(342)은, 사용자 또는 사용자의 주위에서 발생되는 사운드(예: 음성, 음향)를 획득하고, 이를 전기적 신호로 변환할 수 있다. 일 실시예로, 사용자와 관련한 사운드는 예를 들어, 들숨/날숨에 따른 호흡 소리, 기합 소리, 신음 소리와 같은 소리가 포함될 수 있다.
일 실시예에 따른 생체 센서(343)는, 사용자의 피부에 밀착되어 생체 신호를 감지할 수 있다. 예를 들어, 생체 센서(343)는 사용자의 심박수, HRV, ECG, 체온, 수분량, 땀 배출량, 스트레스 상태, 호흡 상태와 같은 생체 신호를 획득할 수 있다.
도 4는, 본 개시의 일 실시예에 따른, 운동 데이터를 처리하는 동작에 관한 흐름도(400)이다.
도 4를 참조하면, 일 실시예에 따른 운동 데이터 처리 방법은, 하나 또는 그 이상의 전자 장치(예: 도 1의 전자 장치(101))에서 수행될 수 있고, 일 실시예에 따른 전자 장치(예: 도 2의 전자 장치(200)) 또는 외부 전자 장치(예: 도 3의 외부 전자 장치(300))의 동작으로 구현될 수 있다. 일 실시예로, 전자 장치(예: 도 1의 전자 장치(101) 또는 도 2의 전자 장치(200))는, 외부 전자 장치(도 3의 외부 전자 장치(300))로부터 획득한 감지 데이터(예: 사운드, 모션 데이터 및/또는 생체 데이터)에 기반하여, 후술하는 처리 동작을 수행할 수 있다.
일 실시예에 따른 운동 데이터 처리 방법은, 서버(예: 도 1의 서버(108))에서 수행될 수 있고, 전자 장치(예: 도 2의 전자 장치(200)) 또는 외부 전자 장치(예: 도 3의 외부 전자 장치(300))는 서버와의 데이터 통신을 통하여, 센서 회로(예: 도 3의 센서 회로(340))에서 획득한 감지 데이터(예: 사운드, 모션 데이터 및/또는 생체 데이터)를 서버에 전송하고, 서버로부터 결과 데이터를 수신할 수 있다.
일 실시예로 전자 장치는, 동작 410에서 반복 동작에 대응하는 운동 종목의 입력을 수신할 수 있다. 일 실시예에 따른 전자 장치는, 사용자로부터 수행할 운동 종목을 직접 입력 받거나, 일련의 운동 종목을 포함하는 운동 루틴(세트)를 입력 받아 입력 받은 운동 루틴에 포함된 운동 종목을 식별할 수 있다. 일 실시예에 따른 전자 장치는, 사용자에게 저장된 운동 종목의 리스트를 표시하여 사용자로부터 선택을 입력 받거나, 운동 종목에 대응하는 명칭 또는 일련번호를 입력 받거나, 또는 저장되지 않은 신규 운동 종목을 입력 받을 수 있다.
여기서, 사용자로부터 입력 받은 운동 종목은, 대응하는 모델이 기 학습된 학습 모델에 포함될 수도 있고, 대응하는 모델이 기 학습된 학습 모델에 포함되지 않을 수 있다.
일 실시예로 전자 장치는, 동작 420에서, 사용자가 입력한 운동 종목에 대응하는 반복 동작을 수행하는 상태에서, 사용자와 관련한 모션 데이터 및/또는 사운드 데이터를 획득할 수 있다.
일 실시예로, 전자 장치는 사용자와 관련한 모션 데이터 및/또는 사운드 데이터를 사용자로부터 직접 측정할 수도 있고, 외부 전자 장치(예: 도 3의 외부 전자 장치(300))로부터 통신 인터페이스(예: 도 2의 제1 통신 인터페이스(230))를 통하여 수신할 수 있다.
일 실시예로, 사용자와 관련한 모션 데이터 및/또는 사운드 데이터는, 사용자의 반복 동작에 대응하여 규칙적인 패턴을 가질 수 있고, 특정 운동 종목에 대응하여 다른 운동 종목과는 적어도 일부 상이한 패턴을 가질 수 있다.
일 실시예로 전자 장치는, 동작 430에서, 획득한 모션 데이터 및/또는 사운드 데이터를 전처리(preprocessing)할 수 있다. 일 실시예로, 전자 장치는 모션 데이터 및/또는 사운드 데이터의 주기와 샘플링 레이트(sampling rate)의 차이에 따른 누락 데이터가 발생된 경우, 추출되는 패턴에 대응하는 윈도우(window) 크기에 적절하도록 데이터 보간(interpolation)을 수행할 수 있다.
일 실시예로, 전자 장치는 사람의 호흡과 관련한 주파수 영역대에서 신호의 크기가 극대화되도록, 사운드 데이터에 필터를 적용할 수 있다. 일 실시예로, 전자 장치는 사용자의 사운드 데이터에 fourier transform, bypass filtering 및/또는 lowpass filtering와 같은 신호 처리를 적용할 수 있다.
일 실시예로, 전처리 동작은 외부 전자 장치(예: 도 3의 외부 전자 장치(300))에서 수행될 수 있고, 전자 장치는 전처리 완료된 사용자와 관련한 모션 데이터 및/또는 사운드 데이터를 통신 인터페이스(예: 도 2의 제1 통신 인터페이스(230))를 통하여 수신할 수 있다.
일 실시예로 전자 장치는, 동작 440에서, 사용자로부터 입력 받은 운동 종목이 기 학습된 합성 학습 모델을 활용 가능한 운동 종목인지 확인할 수 있다. 일 실시예로, 사용자로부터 입력 받은 운동 종목이 기 학습된 합성 학습 모델에서 학습된 운동 종목인 경우, 기 학습된 합성 학습 모델을 활용 가능한 것으로 확인할 수 있다. 일 실시예로, 합성 학습 모델은 특정 운동 종목에 대응하여 입력된 모션 데이터 및 사운드 데이터가 학습된 모델로, 입력된 모션 데이터 및 사운드 데이터에 기반하여 반복 동작에 대응하는 패턴을 추출하고, 이에 따라 반복 동작과 관련한 결과 데이터를 획득하도록 학습될 수 있다.
여기서, 합성 학습 모델은 모션 데이터 및/또는 사운드 데이터 중 적어도 하나 이상에 특정 운동 종목에 대응하는 가중치(w1, w2)가 적용되어 학습된 것일 수 있다. 예를 들어, 가중치는 특정 운동 종목에 대응하여 설정될 수 있고, 모션 데이터 또는 사운드 데이터 중 어느 하나만을 이용하도록, 어느 하나에 대한 가중치가 0으로 설정될 수도 있다.
일 실시예로 전자 장치는, 사용자로부터 입력 받은 운동 종목이 합성 학습 모델을 활용 가능한 운동 종목인 경우, 동작 450에서, 합성 학습 모델과 획득한 모션 데이터 및 사운드 데이터에 기반하여, 반복 동작과 관련한 결과 데이터를 획득할 수 있다. 일 실시예로, 전자 장치는 합성 학습 모델에 적용된 특정 운동 종목에 대응하는 가중치를 모션 데이터 및 사운드 데이터에 적용하여 결과 데이터를 획득할 수 있다.
일 실시예로 전자 장치는, 사용자로부터 입력 받은 운동 종목이 합성 학습 모델을 활용 가능한 운동 종목이 아닌 경우, 사운드 학습 모델과 획득한 사운드 데이터에 기반하여, 반복 동작과 관련한 결과 데이터를 획득할 수 있다.
여기서, 사운드 학습 모델은 사운드 데이터에 대한 가중치가 0으로 설정된 모델로, 합성 학습 모델에 포함되는 개념일 수 있다. 일 실시예로, 사운드 학습 모델은 운동 종목에 대응하는 사운드 데이터만이 학습된 모델로, 사운드 데이터에 대응하는 반복 동작과 관련한 결과 데이터를 획득하도록 학습될 수 있다.
일 실시예로, 전자 장치는 획득한 사운드 데이터 및/또는 모션 데이터와, 기 학습된 합성 학습 모델에 기반하여, 운동 종목의 반복되는 동작의 패턴을 식별하고, 식별한 패턴에 기반하여 반복 동작의 횟수를 카운팅하거나, 반복 동작에 대한 시간(속도)과 같은 데이터를 생성할 수 있다.
일 실시예로, 전자 장치는 획득한 사운드 데이터 및/또는 기 학습된 사운드 학습 모델에 기반하여, 운동 종목의 반복되는 동작의 패턴을 식별하고, 식별한 패턴에 기반하여 반복 동작의 횟수를 카운팅할 수 있다.
일 실시예로, 전자 장치는 사운드 데이터 및/또는 모션 데이터에 기반하여, 반복 동작에 따라 반복되는 패턴을 식별하여, 식별된 패턴의 횟수를 반복 동작의 횟수로 인식할 수 있다. 일 실시예로, 전자 장치는 식별한 각각의 패턴에 '제1 회', '제2 회', …, '제n 회'로 라벨링(labelling)할 수 있다.
일 실시예로 전자 장치는, 동작 470에서, 획득한 결과 데이터에 대응하는 피드백을 사용자에게 제공할 수 있다. 일 실시예로, 전자 장치는 카운팅 결과에 대응하는 피드백을 제공할 수 있다. 일 실시예로, 전자 장치는 카운팅 결과로, 예를 들어, 목표 횟수 중 미달 횟수 또는 반복 동작의 속도와 같이, 획득한 결과 데이터로부터 추출 가능한 모든 특징(feature)를 사용자에게 제공할 수 있다.
일 실시예에 따른 전자 장치는, 출력 모듈을 통하여 시각적, 청각적 또는 촉각적 자극으로 카운팅 결과에 대응하는 피드백을 제공할 수 있다.
일 실시예로, 전자 장치는 출력 모듈을 통하여, 반복 동작의 횟수를 카운팅한 카운팅 횟수를 사용자에게 시각적으로 표시할 수 있다. 예를 들어, 전자 장치는 디스플레이 모듈(예:도 1의 디스플레이 모듈(160)에 지속적으로 누적 카운팅 횟수를 표시하거나, 횟수가 카운팅될 때마다 지정된 이미지 화면을 표시하거나, 또는 누적 카운팅 횟수가 특정 횟수(예: 목표 횟수)에 도달시 지정된 이미지 화면을 표시할 수 있다.
일 실시예로, 전자 장치는 출력 모듈을 통하여, 반복 동작의 횟수를 카운팅한 카운팅 횟수를 사용자에게 청각적으로 표시할 수 있다. 예를 들어, 전자 장치는 스피커 모듈(예: 도 1의 오디오 모듈(170))을 통하여, 지속적으로 누적 카운팅 횟수에 대응하는 사운드를 발생시키거나, 횟수가 카운팅될 때마다 지정된 사운드를 발생시키거나, 또는 누적 카운팅 횟수가 특정 횟수(예: 목표 횟수)에 도달시 지정된 사운드를 발생시킬 수 있다.
일 실시예로, 전자 장치는 출력 모듈을 통하여, 반복 동작의 횟수를 카운팅한 카운팅 횟수를 사용자에게 촉각적으로 표시할 수 있다. 예를 들어, 전자 장치는 햅틱 모듈(예: 도 1의 햅틱 모듈(179))을 통하여, 횟수가 카운팅될 때마다 지정된 패턴의 진동을 발생시키거나, 또는 누적 카운팅 횟수가 특정 횟수(예: 목표 횟수)에 도달시 지정된 패턴의 진동을 발생시킬 수 있다.
일 실시예에 따른 전자 장치는, 외부 전자 장치(예: 도 3의 외부 전자 장치(300))를 통하여 시각적, 청각적 또는 촉각적 자극으로, 카운팅 결과에 대응하는 피드백을 제공할 수 있다.
도 5는, 본 개시의 일 실시예에 따른, 학습 모델을 생성하는 동작의 흐름도(500)이다.
도 5를 참조하면, 일 실시예에 따른 전자 장치(예: 도 2의 전자 장치), 외부 전자 장치(예: 도 3의 외부 전자 장치) 또는 서버는, 기 학습된 학습 모델을 생성할 수 있다. 여기서, 학습 모델은 특정 운동 종목에 대응하여 사운드 데이터 및/또는 모션 데이터가 학습된 모델을 하나 이상 포함할 수 있다.
일 실시예에 따른 전자 장치는, 동작 510에서, 사용자가 특정 운동 종목에 대응하는 반복 동작을 수행하는 상태에서 사용자와 관련한 모션 데이터 및/또는 사운드 데이터를 획득할 수 있다.
일 실시예로 전자 장치는, 동작 510에서, 획득한 모션 데이터 및 사운드 데이터를 각각 전처리(preprocessing)할 수 있다. 일 실시예로, 전자 장치는 모션 데이터 및/또는 사운드 데이터의 주기와 샘플링 레이트(sampling rate)의 차이에 따른 누락 데이터가 발생된 경우, 추출되는 패턴에 대응하는 윈도우(window) 크기에 적절하도록 데이터 보간(interpolation)을 수행할 수 있다.
일 실시예로, 전자 장치는 사람의 호흡과 관련한 주파수 영역대에서 신호의 크기가 극대화되도록, 사운드 데이터에 필터를 적용할 수 있다. 일 실시예로, 전자 장치는 사용자의 사운드 데이터에 fourier transform, bypass filtering 및/또는 lowpass filtering와 같은 신호 처리를 적용할 수 있다.
일 실시예로, 전자 장치는 동작 520에서, 획득한 모션 데이터에서 패턴이 추출 가능한지 판단할 수 있다. 일 실시예로, 특정 운동 종목의 경우에는 반복 동작에 따른 사용자와 관련한 모션 데이터가 획득되더라도, 해당 반복 동작과 관련 없는 신체 부위의 모션 데이터로부터는 패턴을 추출하기 어렵다. 일 실시예로, 전자 장치는 사용자와 관련한 모션 데이터의 변화가 노이즈(noise)와 구분하기 어려울 정도로 미세한 경우, 모션 데이터의 패턴을 추출하기 어려운 것으로 판단할 수 있다.
일 실시예로, 전자 장치는 모션 데이터의 패턴을 추출 가능한 것으로 판단한 경우, 동작 530에서, 획득한 모션 데이터 및 사운드 데이터에 기반하여, 모션 데이터 또는 사운드 데이터 중 적어도 하나 이상에 적용하는 가중치를 설정할 수 있다.
일 실시예로, 전자 장치는 모션 데이터의 변화가 크게 발생한 경우, 예를 들어, 특정 신체 부위(예: 외부 전자 장치가 결속된 부위)의 움직임이 큰 운동 종목인 경우에는, 모션 데이터에 적용하는 가중치(w1)를 크게 설정할 수 있다. 일 실시예로, 전자 장치는 모션 데이터의 변화가 작게 발생한 경우, 모션 데이터에 적용하는 가중치(w1)를 작게 설정할 수 있고, 예를 들어 모션 데이터가 모션 데이터의 변화가 노이즈(noise)와 구분하기 어려울 정도로 미세한 경우, 모션 데이터에 적용하는 가중치(w1)를 0으로 설정할 수 있다.
일 실시예로, 전자 장치는 동작 540에서, 모션 데이터, 사운드 데이터 및 설정한 가중치에 기반하여 합성 학습 모델을 생성할 수 있다. 여기서, 합성 학습 모델은 신경만 레이어(layer)로 구성될 수 있고, 신경망 레이어는 CNN(convolutional neural network) 또는 LSTM(long short term memory network)일 수 있다.
일 실시예로, 전자 장치는 획득한 모션 데이터 및 사운드 데이터에 각각 기반하여, 운동 종목에 대응하는 반복 동작에 대한 패턴을 각각 추출하는 모션 학습 모델 및 사운드 학습 모델을 각각 학습할 수 있다.
일 실시예로, 전자 장치는 모션 데이터를 학습한 모션 학습 모델과 사운드 데이터를 학습한 사운드 학습 모델을 각각 생성하고, 이들에 가중치를 적용하여 합성(concatenate)함으로써, 합성 학습 모델을 생성할 수 있다. 일 실시예로, 전자 장치는 각각 생성한 모션 학습 모델과 사운드 학습 모델을 병합하는 병합 레이어(layer)를 더 포함하는 합성 학습 모델을 생성할 수 있다. 일 실시예로, 병합 레이어는 병렬적으로 구성된 모션 학습 모델(신경망 레이어) 및 사운드 학습 모델(신경망 레이어)에 각각 운동 종목에 대응하여 설정된 가중치를 적용하여 합성(concatenate)하여, 모션 데이터 및 사운드 데이터의 입력에 따른 결과 데이터를 생성하도록 학습할 수 있다.
일 실시예로, 전자 장치는 모션 데이터 및 사운드 데이터에 가중치를 적용하여 합성한 입력에 기반하여, 결과 데이터를 출력하도록 학습한 합성 학습 모델을 생성할 수 있다.
일 실시예로, 합성 학습 모델 및 모션 학습 모델은 특정 운동 종목에 대응하는 반복 동작의 패턴을 추출하는 모델이 각각 형성될 수 있다. 일 실시예로, 사운드 학습 모델은 하나 이상의 운동 종목에 범용적으로 대응하는 반복 동작의 패턴을 추출하는 모델이 형성될 수 있고, 기 학습된 학습 모델에 대응하는 모델이 포함되지 않은 운동 종목에 대응하여 사운드 데이터로부터 반복 동작의 패턴을 추출하는데 이용될 수 있다.
일 실시예로, 전자 장치는 모션 데이터의 패턴을 추출 가능하지 않은 것으로 판단한 경우, 동작 550에서, 사운드 데이터에 기반하여 사운드 학습 모델을 생성할 수 있다. 일 실시예로, 사운드 학습 모델은 하나 이상의 운동 종목에 범용적으로 대응하는 반복 동작의 패턴을 추출하는 모델이 형성될 수 있다. 즉, 사운드 학습 모델은 다양한 운동 종목에 대응하는 사운드 데이터가 반복 동작의 패턴을 추출하도록 학습될 수 있다.
본 개시의 일 실시예에 따른 운동 데이터 처리 방법은, 반복 동작에 대응하는 운동 종목을 입력 받는 동작(410)을 포함할 수 있다. 일 실시예에 따른 운동 데이터 처리 방법은, 사용자가 상기 반복 동작을 수행하는 상태에서, 상기 사용자와 관련한 제1 사운드 데이터를 획득하는 동작(420)을 포함할 수 있다. 일 실시예에 따른 운동 데이터 처리 방법은, 상기 획득한 제1 사운드 데이터 및 기 학습된 학습 모델에 기반하여, 상기 반복 동작과 관련한 결과 데이터를 획득하는 동작(450, 460)을 포함할 수 있다. 일 실시예에 따른 운동 데이터 처리 방법은, 상기 획득한 결과 데이터에 대응하는 피드백을 제공하는 동작(470)을 포함할 수 있다.
일 실시예에 따른 운동 데이터 처리 방법에서, 상기 제1 사운드 데이터를 획득하는 동작(420)은, 상기 사용자에 장착된 상태로 사운드를 획득하는 웨어러블 장치(102)로부터, 상기 제1 사운드 데이터를 수신할 수 있다.
일 실시예에 따른 운동 데이터 처리 방법에서, 상기 기 학습된 학습 모델은, 상기 운동 종목에 대응하는 제2 사운드 데이터로부터 상기 반복 동작의 패턴이 기계 학습된 모델을 포함할 수 있다.
일 실시예에 따른 운동 데이터 처리 방법은, 상기 사용자가 상기 반복 동작을 수행하는 상태에서, 상기 사용자와 관련한 제1 모션 데이터를 획득하는 동작(420)을 더 포함하고, 상기 반복 동작과 관련한 결과 데이터를 획득하는 동작(450, 460)은, 상기 획득한 제1 모션 데이터, 상기 획득한 제1 사운드 데이터 및 상기 기 학습된 학습 모델에 기반하여, 상기 반복 동작과 관련한 결과 데이터를 획득할 수 있다.
일 실시예에 따른 운동 데이터 처리 방법에서, 상기 기 학습된 학습 모델은, 상기 운동 종목에 대응하는 제2 모션 데이터 및 제2 사운드 데이터로부터 상기 반복 동작의 패턴이 기계 학습된 모델을 포함할 수 있다.
일 실시예에 따른 운동 데이터 처리 방법에서, 상기 기계 학습된 모델은, 상기 제2 모션 데이터 또는 상기 제2 사운드 데이터 중 적어도 하나 이상에 상기 운동 종목에 대응하는 가중치가 적용되어 기계 학습되고, 상기 반복 동작과 관련한 결과 데이터를 획득하는 동작(450, 460)은, 상기 제1 모션 데이터 또는 상기 제1 사운드 데이터에 상기 가중치를 적용하여 상기 결과 데이터를 획득할 수 있다.
일 실시예에 따른 운동 데이터 처리 방법에서, 상기 반복 동작과 관련한 결과 데이터를 획득하는 동작(450, 460)은, 상기 기 학습된 학습 모델에 상기 운동 종목에 대응하는 제2 모션 데이터 및 제2 사운드 데이터가 학습된 모델이 포함되지 않는 경우, 상기 제1 사운드 데이터 및 상기 기 학습된 학습 모델에 기반하여, 상기 반복 동작과 관련한 결과 데이터를 획득할 수 있다.
일 실시예에 따른 운동 데이터 처리 방법에서, 상기 기 학습된 학습 모델은, 제3 사운드 데이터로부터 상기 반복 동작의 패턴이 기계 학습된 모델을 포함할 수 있다.
일 실시예에 따른 운동 데이터 처리 방법에서, 상기 반복 동작과 관련한 결과 데이터를 획득하는 동작(450, 460)은, 상기 획득한 사운드 데이터 및 상기 기 학습된 학습 모델에 기반하여, 상기 운동 종목의 반복되는 동작의 패턴을 식별하고, 상기 식별한 패턴에 기반하여 상기 반복 동작의 횟수를 카운팅할 수 있다.
일 실시예에 따른 운동 데이터 처리 방법에서, 상기 피드백을 제공하는 동작(470)은, 상기 카운팅 결과에 대응하는 시각적, 청각적 또는 촉각적 자극을 상기 사용자에게 상기 피드백으로 제공할 수 있다.
본 개시의 일 실시예에 따른 전자 장치(101)는, 통신 인터페이스(190; 230), 메모리(130; 220) 및 상기 통신 인터페이스(190; 230) 및 상기 메모리(130; 220)와 동작적으로 연결된 적어도 하나의 프로세서(120; 210)를 포함할 수 있다. 상기 적어도 하나의 프로세서(120; 210)는, 반복 동작에 대응하는 운동 종목을 입력 받도록 설정될 수 있다. 상기 적어도 하나의 프로세서(120; 210)는, 사용자가 상기 반복 동작을 수행하는 상태에서, 상기 사용자와 관련한 제1 사운드 데이터를 획득하도록 설정될 수 있다. 상기 적어도 하나의 프로세서(120; 210)는, 상기 획득한 제1 사운드 데이터 및 기 학습된 학습 모델에 기반하여, 상기 반복 동작과 관련한 결과 데이터를 획득하도록 설정될 수 있다. 상기 적어도 하나의 프로세서(120; 210)는, 상기 획득한 결과 데이터에 대응하는 피드백을 제공하도록 설정될 수 있다.
일 실시예에 따른 전자 장치(101)에서, 상기 적어도 하나의 프로세서(120; 210)는, 상기 제1 사운드 데이터를 획득하는 동작(420)의 적어도 일부로, 상기 사용자에 장착된 상태로 사운드를 획득하는 웨어러블 장치(102)로부터, 상기 제1 사운드 데이터를 수신하도록 설정될 수 있다.
일 실시예에 따른 전자 장치(101)에서, 상기 기 학습된 학습 모델은, 상기 운동 종목에 대응하는 제2 사운드 데이터로부터 상기 반복 동작의 패턴이 기계 학습된 모델을 포함할 수 있다.
일 실시예에 따른 전자 장치(101)에서, 상기 적어도 하나의 프로세서(120; 210)는, 상기 사용자가 상기 반복 동작을 수행하는 상태에서, 상기 사용자와 관련한 제1 모션 데이터를 획득하고, 상기 반복 동작과 관련한 결과 데이터를 획득하는 동작(450, 460)의 적어도 일부로, 상기 획득한 제1 모션 데이터, 상기 획득한 제1 사운드 데이터 및 상기 기 학습된 학습 모델에 기반하여, 상기 반복 동작과 관련한 결과 데이터를 획득하도록 설정될 수 있다.
일 실시예에 따른 전자 장치(101)에서, 상기 기 학습된 학습 모델은, 상기 운동 종목에 대응하는 제2 모션 데이터 및 제2 사운드 데이터로부터 상기 반복 동작의 패턴이 기계 학습된 모델을 포함할 수 있다.
일 실시예에 따른 전자 장치(101)에서, 상기 기계 학습된 모델은, 상기 제2 모션 데이터 또는 상기 제2 사운드 데이터 중 적어도 하나 이상에 상기 운동 종목에 대응하는 가중치가 적용되어 기계 학습되고, 상기 적어도 하나의 프로세서(120; 210)는, 상기 반복 동작과 관련한 결과 데이터를 획득하는 동작(450, 460)의 적어도 일부로, 상기 제1 모션 데이터 또는 상기 제1 사운드 데이터에 상기 가중치를 적용하여 상기 결과 데이터를 획득하도록 설정될 수 있다.
일 실시예에 따른 전자 장치(101)에서, 상기 적어도 하나의 프로세서(120; 210)는, 상기 반복 동작과 관련한 결과 데이터를 획득하는 동작(450, 460)의 적어도 일부로, 상기 기 학습된 학습 모델에 상기 운동 종목에 대응하는 제2 모션 데이터 및 제2 사운드 데이터가 학습된 모델이 포함되지 않는 경우, 상기 제1 사운드 데이터 및 상기 기 학습된 학습 모델에 기반하여, 상기 반복 동작과 관련한 결과 데이터를 획득할 수 있다.
일 실시예에 따른 전자 장치(101)에서, 상기 기 학습된 학습 모델은, 제3 사운드 데이터로부터 상기 반복 동작의 패턴이 기계 학습된 모델을 포함할 수 있다.
일 실시예에 따른 전자 장치(101)에서, 상기 적어도 하나의 프로세서(120; 210)는, 상기 반복 동작과 관련한 결과 데이터를 획득하는 동작(450, 460)의 적어도 일부로, 상기 획득한 사운드 데이터 및 상기 기 학습된 학습 모델에 기반하여, 상기 운동 종목의 반복되는 동작의 패턴을 식별하고, 상기 식별한 패턴에 기반하여 상기 반복 동작의 횟수를 카운팅하도록 설정될 수 있다.
일 실시예에 따른 전자 장치(101)는, 상기 사용자에게 시각적, 청각적 또는 촉각적 자극을 제공하는 출력 모듈(240)을 더 포함하고, 상기 적어도 하나의 프로세서(120; 210)는, 상기 피드백을 제공하는 동작(470)의 적어도 일부로, 상기 출력 모듈(240)을 통하여 상기 카운팅 결과에 대응하는 상기 피드백을 제공하도록 설정될 수 있다.
본 개시의 일 실시예에 따른 하나 이상의 프로그램을 저장하는 비일시적 컴퓨터 판독 가능 저장 매체는, 어플리케이션의 실행에 기반하여, 반복 동작에 대응하는 운동 종목을 입력 받는 동작(410)을 포함할 수 있다. 일 실시예에 따른 저장 매체는, 사용자가 상기 반복 동작을 수행하는 상태에서, 상기 사용자와 관련한 제1 사운드 데이터를 획득하는 동작(420)을 포함할 수 있다. 일 실시예에 따른 저장 매체는, 상기 획득한 제1 사운드 데이터 및 기 학습된 학습 모델에 기반하여, 상기 반복 동작과 관련한 결과 데이터를 획득하는 동작(450, 460)을 포함할 수 있다. 일 실시예에 따른 저장 매체는, 상기 획득한 결과 데이터에 대응하는 피드백을 제공하는 동작(470)을 포함할 수 있다.
본 문서에 개시된 일 실시예들에 따른 전자 장치는 다양한 형태의 장치가 될 수 있다. 전자 장치는, 예를 들면, 휴대용 통신 장치(예: 스마트폰), 컴퓨터 장치, 휴대용 멀티미디어 장치, 휴대용 의료 기기, 카메라, 전자 장치, 또는 가전 장치를 포함할 수 있다. 본 문서의 실시예에 따른 전자 장치는 전술한 기기들에 한정되지 않는다.
본 문서의 일 실시예들 및 이에 사용된 용어들은 본 문서에 기재된 기술적 특징들을 특정한 실시예들로 한정하려는 것이 아니며, 해당 실시예의 다양한 변경, 균등물, 또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 또는 관련된 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 아이템에 대응하는 명사의 단수 형은 관련된 문맥상 명백하게 다르게 지시하지 않는 한, 상기 아이템 한 개 또는 복수 개를 포함할 수 있다. 본 문서에서, "A 또는 B", "A 및 B 중 적어도 하나", "A 또는 B 중 적어도 하나", "A, B 또는 C", "A, B 및 C 중 적어도 하나", 및 "A, B, 또는 C 중 적어도 하나"와 같은 문구들 각각은 그 문구들 중 해당하는 문구에 함께 나열된 항목들 중 어느 하나, 또는 그들의 모든 가능한 조합을 포함할 수 있다. "제 1", "제 2", 또는 "첫째" 또는 "둘째"와 같은 용어들은 단순히 해당 구성요소를 다른 해당 구성요소와 구분하기 위해 사용될 수 있으며, 해당 구성요소들을 다른 측면(예: 중요성 또는 순서)에서 한정하지 않는다. 어떤(예: 제 1) 구성요소가 다른(예: 제 2) 구성요소에, "기능적으로" 또는 "통신적으로"라는 용어와 함께 또는 이런 용어 없이, "커플드" 또는 "커넥티드"라고 언급된 경우, 그것은 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로(예: 유선으로), 무선으로, 또는 제 3 구성요소를 통하여 연결될 수 있다는 것을 의미한다.
본 문서의 일 실시예들에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구현된 유닛을 포함할 수 있으며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로와 같은 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는, 상기 부품의 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 일실시예에 따르면, 모듈은 ASIC(application-specific integrated circuit)의 형태로 구현될 수 있다.
본 문서의 일 실시예들은 기기(machine)(예: 전자 장치(101)) 의해 읽을 수 있는 저장 매체(storage medium)(예: 내장 메모리(136) 또는 외장 메모리(138))에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어(예: 프로그램(140))로서 구현될 수 있다. 예를 들면, 기기(예: 전자 장치(101))의 프로세서(예: 프로세서(120))는, 저장 매체로부터 저장된 하나 이상의 명령어들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 상기 호출된 적어도 하나의 명령어에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 상기 하나 이상의 명령어들은 컴파일러에 의해 생성된 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장 매체는, 비일시적(non-transitory) 저장 매체의 형태로 제공될 수 있다. 여기서, '비일시적'은 저장 매체가 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장 매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다.
일실시예에 따르면, 본 문서에 개시된 일 실시예들에 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 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 또는 두 개의 사용자 장치들(예: 스마트 폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
일 실시예들에 따르면, 상기 기술한 구성요소들의 각각의 구성요소(예: 모듈 또는 프로그램)는 단수 또는 복수의 개체를 포함할 수 있으며, 복수의 개체 중 일부는 다른 구성요소에 분리 배치될 수도 있다. 일 실시예들에 따르면, 전술한 해당 구성요소들 중 하나 이상의 구성요소들 또는 동작들이 생략되거나, 또는 하나 이상의 다른 구성요소들 또는 동작들이 추가될 수 있다. 대체적으로 또는 추가적으로, 복수의 구성요소들(예: 모듈 또는 프로그램)은 하나의 구성요소로 통합될 수 있다. 이런 경우, 통합된 구성요소는 상기 복수의 구성요소들 각각의 구성요소의 하나 이상의 기능들을 상기 통합 이전에 상기 복수의 구성요소들 중 해당 구성요소에 의해 수행되는 것과 동일 또는 유사하게 수행할 수 있다. 일 실시예들에 따르면, 모듈, 프로그램 또는 다른 구성요소에 의해 수행되는 동작들은 순차적으로, 병렬적으로, 반복적으로, 또는 휴리스틱하게 실행되거나, 상기 동작들 중 하나 이상이 다른 순서로 실행되거나, 생략되거나, 또는 하나 이상의 다른 동작들이 추가될 수 있다.
Claims (20)
- 운동 데이터의 처리 방법에 있어서,
반복 동작에 대응하는 운동 종목을 입력 받는 동작(410);
사용자가 상기 반복 동작을 수행하는 상태에서, 상기 사용자와 관련한 제1 사운드 데이터를 획득하는 동작(420);
상기 획득한 제1 사운드 데이터 및 기 학습된 학습 모델에 기반하여, 상기 반복 동작과 관련한 결과 데이터를 획득하는 동작(450, 460); 및
상기 획득한 결과 데이터에 대응하는 피드백을 제공하는 동작(470)을 포함하는,
처리 방법.
- 제 1 항에 있어서,
상기 제1 사운드 데이터를 획득하는 동작(420)은,
상기 사용자에 장착된 상태로 사운드를 획득하는 웨어러블 장치(102)로부터, 상기 제1 사운드 데이터를 수신하는,
처리 방법.
- 제 1 항 내지 제 2 항 중 어느 하나의 항에 있어서,
상기 기 학습된 학습 모델은, 상기 운동 종목에 대응하는 제2 사운드 데이터로부터 상기 반복 동작의 패턴이 기계 학습된 모델을 포함하는,
처리 방법.
- 제 1 항 내지 제 3 항 중 어느 하나의 항에 있어서,
상기 사용자가 상기 반복 동작을 수행하는 상태에서, 상기 사용자와 관련한 제1 모션 데이터를 획득하는 동작(420)을 더 포함하고,
상기 반복 동작과 관련한 결과 데이터를 획득하는 동작(450, 460)은,
상기 획득한 제1 모션 데이터, 상기 획득한 제1 사운드 데이터 및 상기 기 학습된 학습 모델에 기반하여, 상기 반복 동작과 관련한 결과 데이터를 획득하는,
처리 방법.
- 제 4 항에 있어서,
상기 기 학습된 학습 모델은, 상기 운동 종목에 대응하는 제2 모션 데이터 및 제2 사운드 데이터로부터 상기 반복 동작의 패턴이 기계 학습된 모델을 포함하는,
처리 방법.
- 제 5 항에 있어서,
상기 기계 학습된 모델은, 상기 제2 모션 데이터 또는 상기 제2 사운드 데이터 중 적어도 하나 이상에 상기 운동 종목에 대응하는 가중치가 적용되어 기계 학습되고,
상기 반복 동작과 관련한 결과 데이터를 획득하는 동작(450, 460)은,
상기 제1 모션 데이터 또는 상기 제1 사운드 데이터에 상기 가중치를 적용하여 상기 결과 데이터를 획득하는,
처리 방법.
- 제 4 항 내지 제 6 항 중 어느 하나의 항에 있어서,
상기 반복 동작과 관련한 결과 데이터를 획득하는 동작(450, 460)은,
상기 기 학습된 학습 모델에 상기 운동 종목에 대응하는 제2 모션 데이터 및 제2 사운드 데이터가 학습된 모델이 포함되지 않는 경우, 상기 제1 사운드 데이터 및 상기 기 학습된 학습 모델에 기반하여, 상기 반복 동작과 관련한 결과 데이터를 획득하는,
처리 방법.
- 제 7 항에 있어서,
상기 기 학습된 학습 모델은, 제3 사운드 데이터로부터 상기 반복 동작의 패턴이 기계 학습된 모델을 포함하는,
처리 방법.
- 제 1 항 내지 제 8 항 중 어느 하나의 항에 있어서,
상기 반복 동작과 관련한 결과 데이터를 획득하는 동작(450, 460)은,
상기 획득한 사운드 데이터 및 상기 기 학습된 학습 모델에 기반하여, 상기 운동 종목의 반복되는 동작의 패턴을 식별하고, 상기 식별한 패턴에 기반하여 상기 반복 동작의 횟수를 카운팅하는,
처리 방법.
- 제 9 항에 있어서,
상기 피드백을 제공하는 동작(470)은,
상기 카운팅 결과에 대응하는 시각적, 청각적 또는 촉각적 자극을 상기 사용자에게 상기 피드백으로 제공하는,
처리 방법.
- 전자 장치(101)에 있어서,
통신 인터페이스(190; 230);
메모리(130; 220); 및
상기 통신 인터페이스(190; 230) 및 상기 메모리(130; 220)와 동작적으로 연결된 적어도 하나의 프로세서(120; 210)를 포함하고,
상기 적어도 하나의 프로세서(120; 210)는:
반복 동작에 대응하는 운동 종목을 입력 받고,
사용자가 상기 반복 동작을 수행하는 상태에서, 상기 사용자와 관련한 제1 사운드 데이터를 획득하고,
상기 획득한 제1 사운드 데이터 및 기 학습된 학습 모델에 기반하여, 상기 반복 동작과 관련한 결과 데이터를 획득하고,
상기 획득한 결과 데이터에 대응하는 피드백을 제공하도록 설정된,
전자 장치(101).
- 제 11 항에 있어서,
상기 적어도 하나의 프로세서(120; 210)는:
상기 제1 사운드 데이터를 획득하는 동작(420)의 적어도 일부로, 상기 사용자에 장착된 상태로 사운드를 획득하는 웨어러블 장치(102)로부터, 상기 제1 사운드 데이터를 수신하도록 설정된,
전자 장치(101).
- 제 11 항 내지 제 12 항 중 어느 하나의 항에 있어서,
상기 기 학습된 학습 모델은, 상기 운동 종목에 대응하는 제2 사운드 데이터로부터 상기 반복 동작의 패턴이 기계 학습된 모델을 포함하는,
전자 장치(101).
- 제 11 항 내지 제 13 항 중 어느 하나의 항에 있어서,
상기 적어도 하나의 프로세서(120; 210)는:
상기 사용자가 상기 반복 동작을 수행하는 상태에서, 상기 사용자와 관련한 제1 모션 데이터를 획득하고,
상기 반복 동작과 관련한 결과 데이터를 획득하는 동작(450, 460)의 적어도 일부로, 상기 획득한 제1 모션 데이터, 상기 획득한 제1 사운드 데이터 및 상기 기 학습된 학습 모델에 기반하여, 상기 반복 동작과 관련한 결과 데이터를 획득하도록 설정된,
전자 장치(101).
- 제 14 항에 있어서,
상기 기 학습된 학습 모델은, 상기 운동 종목에 대응하는 제2 모션 데이터 및 제2 사운드 데이터로부터 상기 반복 동작의 패턴이 기계 학습된 모델을 포함하는,
전자 장치(101).
- 제 15 항에 있어서,
상기 기계 학습된 모델은, 상기 제2 모션 데이터 또는 상기 제2 사운드 데이터 중 적어도 하나 이상에 상기 운동 종목에 대응하는 가중치가 적용되어 기계 학습되고,
상기 적어도 하나의 프로세서(120; 210)는:
상기 반복 동작과 관련한 결과 데이터를 획득하는 동작(450, 460)의 적어도 일부로, 상기 제1 모션 데이터 또는 상기 제1 사운드 데이터에 상기 가중치를 적용하여 상기 결과 데이터를 획득하도록 설정된,
전자 장치(101).
- 제 14 항 내지 제 16 항 중 어느 하나의 항에 있어서,
상기 적어도 하나의 프로세서(120; 210)는:
상기 반복 동작과 관련한 결과 데이터를 획득하는 동작(450, 460)의 적어도 일부로, 상기 기 학습된 학습 모델에 상기 운동 종목에 대응하는 제2 모션 데이터 및 제2 사운드 데이터가 학습된 모델이 포함되지 않는 경우, 상기 제1 사운드 데이터 및 상기 기 학습된 학습 모델에 기반하여, 상기 반복 동작과 관련한 결과 데이터를 획득하는,
전자 장치(101).
- 제 17 항에 있어서,
상기 기 학습된 학습 모델은, 제3 사운드 데이터로부터 상기 반복 동작의 패턴이 기계 학습된 모델을 포함하는,
전자 장치(101).
- 제 11 항 내지 제 18 항 중 어느 하나의 항에 있어서,
상기 적어도 하나의 프로세서(120; 210)는:
상기 반복 동작과 관련한 결과 데이터를 획득하는 동작(450, 460)의 적어도 일부로, 상기 획득한 사운드 데이터 및 상기 기 학습된 학습 모델에 기반하여, 상기 운동 종목의 반복되는 동작의 패턴을 식별하고, 상기 식별한 패턴에 기반하여 상기 반복 동작의 횟수를 카운팅하도록 설정된,
전자 장치(101).
- 제 11 항 내지 제 19 항 중 어느 하나의 항에 있어서,
상기 사용자에게 시각적, 청각적 또는 촉각적 자극을 제공하는 출력 모듈(240)을 더 포함하고,
상기 적어도 하나의 프로세서(120; 210)는:
상기 피드백을 제공하는 동작(470)의 적어도 일부로, 상기 출력 모듈(240)을 통하여 상기 카운팅 결과에 대응하는 상기 피드백을 제공하도록 설정된,
전자 장치(101).
Applications Claiming Priority (2)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR20220127911 | 2022-10-06 | ||
| KR1020220127911 | 2022-10-06 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240048453A true KR20240048453A (ko) | 2024-04-15 |
Family
ID=90715776
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020220187795A KR20240048453A (ko) | 2022-10-06 | 2022-12-28 | 운동 데이터의 처리 방법 및 이를 수행하는 전자 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR20240048453A (ko) |
-
2022
- 2022-12-28 KR KR1020220187795A patent/KR20240048453A/ko unknown
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11899845B2 (en) | Electronic device for recognizing gesture and method for operating the same | |
| KR20220090261A (ko) | 피트니스 피드백을 제공하는 전자 장치, 이의 제어 방법 및 서버 | |
| KR20240048453A (ko) | 운동 데이터의 처리 방법 및 이를 수행하는 전자 장치 | |
| KR20240047891A (ko) | 운동 데이터의 처리 방법 및 이를 수행하는 전자 장치 | |
| EP4294027A1 (en) | Electronic device for controlling speed of workout video and control method thereof | |
| US20240033575A1 (en) | Wearable electronic device for outputting information on exercise, and control method of wearable electronic device | |
| US20220193524A1 (en) | Electronic device providing fitness feedback, method for controlling the same and server | |
| US20230356028A1 (en) | Workout image display method and electronic device | |
| KR20220161955A (ko) | 복수의 전자 장치를 이용하여 운동 데이터를 제공하는 방법 및 그 전자 장치 | |
| KR20240062848A (ko) | 운동 루틴을 생성하기 위한 시스템 및 방법 | |
| KR20240064485A (ko) | 복수의 전자 장치들을 제어하기 위한 전자 장치 및 방법 | |
| US20220354422A1 (en) | Method for detecting biometric information and electronic device supporting the same | |
| US20230263464A1 (en) | Electronic device providing exercise guide based on exercise capacity and control method thereof | |
| KR20240047876A (ko) | 전자 장치 및 그 동작 방법 | |
| EP4332966A1 (en) | Method and device for sound recording by electronic device using earphones | |
| KR20230023940A (ko) | 웨어러블 전자 장치 및 웨어러블 전자 장치에서 양치질 정보 제공 방법 | |
| KR20230077575A (ko) | 전자 장치 내에서 제스처 인식 성능 개선을 위한 러닝 방법 | |
| KR20220045489A (ko) | 보행에 관한 정보를 확인하는 전자 장치 및 보행에 관한 정보를 확인하는 전자 장치의 동작 방법 | |
| KR20240049065A (ko) | 낙상 감지를 수행하기 위한 전자 장치 및 방법 | |
| KR20220157783A (ko) | 생체 데이터를 이용하여 개인 맞춤형 코칭을 제공하는 전자 장치 | |
| KR20240016848A (ko) | 운동 카운팅 방법 및 이를 지원하는 전자 장치 | |
| KR20230016444A (ko) | 안무 동작의 피드백을 제공하기 위한 전자 장치 및 그 전자 장치에서의 동작 방법 | |
| KR20240028888A (ko) | 생체 정보를 측정하는 전자 장치 및 이의 동작 방법 | |
| KR20230105049A (ko) | 사용자의 머리에 장착 가능한 전자 장치 및 상기 전자 장치에서 생체 정보를 이용한 기능을 제공하는 방법 | |
| KR20230086526A (ko) | 사용자의 감정에 기반하여 콘텐트를 제공하기 위한 전자 장치 및 방법 |