KR20240049065A - Electronic device and method for performing fall detection - Google Patents
Electronic device and method for performing fall detection Download PDFInfo
- Publication number
- KR20240049065A KR20240049065A KR1020220143186A KR20220143186A KR20240049065A KR 20240049065 A KR20240049065 A KR 20240049065A KR 1020220143186 A KR1020220143186 A KR 1020220143186A KR 20220143186 A KR20220143186 A KR 20220143186A KR 20240049065 A KR20240049065 A KR 20240049065A
- Authority
- KR
- South Korea
- Prior art keywords
- processor
- electronic device
- user
- walking
- information
- Prior art date
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 37
- 238000000034 method Methods 0.000 title claims description 42
- 230000005021 gait Effects 0.000 claims abstract description 24
- 238000004891 communication Methods 0.000 claims description 76
- 230000001133 acceleration Effects 0.000 claims description 66
- 230000033001 locomotion Effects 0.000 claims description 64
- 230000008859 change Effects 0.000 description 94
- 239000011159 matrix material Substances 0.000 description 56
- 230000006870 function Effects 0.000 description 12
- 238000005516 engineering process Methods 0.000 description 11
- 238000012545 processing Methods 0.000 description 11
- 230000000694 effects Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000013473 artificial intelligence Methods 0.000 description 7
- 238000004458 analytical method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 230000004044 response Effects 0.000 description 5
- 230000035945 sensitivity Effects 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 230000036760 body temperature Effects 0.000 description 3
- 230000007423 decrease Effects 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 230000000638 stimulation Effects 0.000 description 3
- 230000010267 cellular communication Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000003066 decision tree Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 238000012706 support-vector machine Methods 0.000 description 2
- 206010017577 Gait disturbance Diseases 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000011161 development Methods 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
- 230000003155 kinesthetic effect Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 239000004984 smart glass Substances 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
- G08B21/0407—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis
- G08B21/043—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis detecting an emergency event, e.g. a fall
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
- G01D21/00—Measuring or testing not otherwise provided for
- G01D21/02—Measuring two or more variables by means not covered by a single other subclass
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01L—MEASURING FORCE, STRESS, TORQUE, WORK, MECHANICAL POWER, MECHANICAL EFFICIENCY, OR FLUID PRESSURE
- G01L19/00—Details of, or accessories for, apparatus for measuring steady or quasi-steady pressure of a fluent medium insofar as such details or accessories are not special to particular types of pressure gauges
- G01L19/08—Means for indicating or recording, e.g. for remote indication
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
- G08B21/0407—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis
- G08B21/0423—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis detecting deviation from an expected pattern of behaviour or schedule
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
- G08B21/0438—Sensor means for detecting
- G08B21/0446—Sensor means for detecting worn on the body to detect changes of posture, e.g. a fall, inclination, acceleration, gait
Abstract
일 실시 예에 따르면, 전자 장치는, 적어도 하나의 센서, 메모리, 및 프로세서를 포함한다. 상기 프로세서는, 상기 전자 장치의 사용자의 제1 보행 패턴에 관한 제1 정보 및 상기 사용자의 보행 환경에 관한 제2 정보를 획득하도록 설정된다. 상기 프로세서는, 상기 제1 정보 및 상기 메모리에 저장된, 기준 보행 패턴에 관한 제3 정보에 기반하여, 상기 제1 보행 패턴 및 상기 기준 보행 패턴 사이의 차이를 나타내는 제1 값을 식별하도록 설정된다. 상기 프로세서는 상기 제1 보행 패턴 및 상기 제2 보행 패턴 사이의 차이를 나타내는 제2 값을 식별하도록 설정된다. 상기 프로세서는, 상기 제1 값, 상기 제2 값, 및 상기 제2 정보에 기반하여, 낙상 검출과 관련된 임계 값을 식별하도록 설정된다. 상기 프로세서는, 상기 낙상 검출을 실행하도록 설정된다. According to one embodiment, the electronic device includes at least one sensor, memory, and processor. The processor is configured to obtain first information about a first walking pattern of the user of the electronic device and second information about the user's walking environment. The processor is configured to identify a first value indicating a difference between the first walking pattern and the reference walking pattern, based on the first information and third information about the reference walking pattern stored in the memory. The processor is configured to identify a second value representing a difference between the first and second gait patterns. The processor is configured to identify a threshold value associated with fall detection based on the first value, the second value, and the second information. The processor is configured to perform the fall detection.
Description
아래의 설명들은, 낙상 감지를 수행하기 위한 전자 장치 및 방법에 관한 것이다. The descriptions below relate to electronic devices and methods for performing fall detection.
기술의 발달에 따라, 전자 장치를 통해 다양한 서비스가 제공되고 있다. 전자 장치는 적어도 하나의 센서를 이용하여, 전자 장치를 소지하는 사용자의 움직임을 식별할 수 있다. 전자 장치는 사용자의 움직임에 기반하여, 사용자의 다양한 활동 상태를 식별할 수 있다. 예를 들어, 전자 장치는 사용자의 걸음들(steps)에 대한 정보를 식별할 수 있다. 전자 장치는 사용자의 걸음들과 관련된 다양한 서비스를 사용자에게 제공할 수 있다. With the development of technology, various services are being provided through electronic devices. The electronic device may use at least one sensor to identify the movement of the user carrying the electronic device. An electronic device can identify various activity states of a user based on the user's movements. For example, the electronic device can identify information about the user's steps. Electronic devices can provide users with various services related to their steps.
상술한 정보는 본 개시에 대한 이해를 돕기 위한 목적으로 하는 배경 기술(related art)로 제공될 수 있다. 상술한 내용 중 어느 것도 본 개시와 관련된 종래 기술(prior art)로서 적용될 수 있는지에 대하여 어떠한 주장이나 결정이 제기되지 않는다.The above information may be provided as background art for the purpose of aiding understanding of the present disclosure. No claim or determination is made as to whether any of the foregoing can be applied as prior art to the present disclosure.
일 실시 예에 따르면, 전자 장치는, 적어도 하나의 센서, 메모리, 및 프로세서를 포함할 수 있다. 상기 프로세서는, 상기 적어도 하나의 센서를 이용하여, 상기 전자 장치의 사용자의 제1 보행 패턴에 관한 제1 정보 및 상기 사용자의 보행 환경에 관한 제2 정보를 획득하도록 설정될 수 있다. 상기 프로세서는, 상기 제1 정보 및 상기 메모리에 저장된, 기준 보행 패턴에 관한 제3 정보에 기반하여, 상기 제1 보행 패턴 및 상기 기준 보행 패턴 사이의 차이를 나타내는 제1 값을 식별하도록 설정될 수 있다. 상기 프로세서는 상기 제1 정보 및 상기 메모리에 저장되고, 상기 사용자의 보행 이력에 기반하여 식별된, 상기 사용자의 제2 보행 패턴에 관한 제4 정보에 기반하여, 상기 제1 보행 패턴 및 상기 제2 보행 패턴 사이의 차이를 나타내는 제2 값을 식별하도록 설정될 수 있다. 상기 프로세서는, 상기 제1 값, 상기 제2 값, 및 상기 제2 정보에 기반하여, 낙상 검출과 관련된 임계 값을 식별하도록 설정될 수 있다. 상기 프로세서는, 상기 임계 값과 상기 적어도 하나의 센서를 통해 획득되는 값 사이의 비교에 기반하여, 상기 낙상 검출을 실행하도록 설정될 수 있다. According to one embodiment, an electronic device may include at least one sensor, memory, and processor. The processor may be set to obtain first information about the first walking pattern of the user of the electronic device and second information about the user's walking environment using the at least one sensor. The processor may be set to identify a first value indicating a difference between the first walking pattern and the reference walking pattern, based on the first information and third information about the reference walking pattern stored in the memory. there is. Based on the first information and fourth information about the second walking pattern of the user, which is stored in the memory and identified based on the walking history of the user, the first walking pattern and the second walking pattern It can be set to identify a second value that represents a difference between gait patterns. The processor may be configured to identify a threshold value related to fall detection based on the first value, the second value, and the second information. The processor may be configured to perform the fall detection based on a comparison between the threshold value and a value obtained through the at least one sensor.
일 실시 예에 따르면, 전자 장치의 방법은, 상기 전자 장치의 적어도 하나의 센서를 이용하여, 상기 전자 장치의 사용자의 제1 보행 패턴에 관한 제1 정보 및 상기 사용자의 보행 환경에 관한 제2 정보를 획득하는 동작, 상기 제1 정보 및 상기 메모리에 저장된, 기준 보행 패턴에 관한 제3 정보에 기반하여, 상기 제1 보행 패턴 및 상기 기준 보행 패턴 사이의 차이를 나타내는 제1 값을 식별하는 동작, 상기 제1 정보 및 상기 메모리에 저장되고, 상기 사용자의 보행 이력에 기반하여 식별된, 상기 사용자의 제2 보행 패턴에 관한 제4 정보에 기반하여, 상기 제1 보행 패턴 및 상기 제2 보행 패턴 사이의 차이를 나타내는 제2 값을 식별하는 동작, 상기 제1 값, 상기 제2 값, 및 상기 제2 정보에 기반하여, 낙상 검출과 관련된 임계 값을 식별하는 동작, 및 상기 임계 값과 상기 적어도 하나의 센서를 통해 획득되는 값 사이의 비교에 기반하여, 상기 낙상 검출을 실행하는 동작을 포함할 수 있다. According to one embodiment, a method of an electronic device includes first information about a first walking pattern of a user of the electronic device and second information about the user's walking environment using at least one sensor of the electronic device. Obtaining, based on the first information and third information about the reference walking pattern stored in the memory, identifying a first value indicating a difference between the first walking pattern and the reference walking pattern, Based on the first information and fourth information about the second walking pattern of the user, which is stored in the memory and identified based on the walking history of the user, between the first walking pattern and the second walking pattern identifying a second value representing a difference between, identifying a threshold value associated with fall detection based on the first value, the second value, and the second information; It may include an operation of executing the fall detection based on comparison between values obtained through the sensor.
도 1은, 일 실시 예에 따른, 네트워크 환경 내의 전자 장치의 블록도이다.
도 2는 일 실시 예에 따른, 전자 장치의 간소화된 블록도(simplified block diagram)이다.
도 3은 일 실시 예에 따른, 전자 장치에 포함된 프로세서의 간소화된 블록도를 도시한다.
도 4는 일 실시 예에 따른, 전자 장치의 동작을 도시하는 흐름도이다.
도 5는 일 실시 예에 따른, 전자 장치의 동작을 도시하는 흐름도이다.
도 6a 내지 도 6c는 일 실시 예에 따른, 사용자의 보행 환경을 식별하기 위한 트랜드들의 예를 도시한다.
도 7a 내지 도 7c는 일 실시 예에 따른, 사용자의 보행 환경을 식별하기 위한 트랜드들의 예를 도시한다.
도 8은 일 실시 예에 따른, 사용자의 보행 환경을 식별하기 위한 트랜드의 예를 도시한다.
도 9는 일 실시 예에 따른 데이터를 학습하기 전자 장치의 동작의 예를 도시한다.
도 10은 일 실시 예에 따른, 전자 장치의 동작을 도시하는 흐름도이다.
도 11은 일 실시 예에 따른 전자 장치의 동작의 예를 도시한다.
도 12는 일 실시 예에 따른 전자 장치의 동작의 예를 도시한다.
도 13은 일 실시 예에 따른, 전자 장치의 동작을 도시하는 흐름도이다.
도 14는 일 실시 예에 따른 지정된 행렬의 예를 도시한다.
도 15는 일 실시 예에 따른 모집단을 나타내는 행렬의 예를 도시한다.
도 16은 일 실시 예에 따른 적합도에 대한 정보를 나타내는 행렬의 예를 도시한다.
도 17은 일 실시 예에 따른 모집단의 적어도 일부를 나타내는 행렬의 예를 도시한다.
도 18은 일 실시 예에 따른 보행 패턴에 대한 학습 결과의 예를 도시한다.
도 19는 일 실시 예에 따른 프로세서의 동작 모드의 예를 도시한다.
도 20a 및 도 20b는 일 실시 예에 따른 보행 패턴에 대한 값들이 3차원의 좌표들로 표시되는 예를 도시한다.
도 21a 및 도 21b는 일 실시 예에 따른 낙상 위험을 경고하기 위한 화면의 예를 도시한다. 1 is a block diagram of an electronic device in a network environment, according to one embodiment.
Figure 2 is a simplified block diagram of an electronic device, according to an embodiment.
Figure 3 shows a simplified block diagram of a processor included in an electronic device, according to one embodiment.
FIG. 4 is a flowchart illustrating the operation of an electronic device, according to an embodiment.
FIG. 5 is a flowchart illustrating the operation of an electronic device, according to an embodiment.
Figures 6A to 6C show examples of trends for identifying a user's walking environment, according to one embodiment.
7A to 7C show examples of trends for identifying a user's walking environment, according to an embodiment.
Figure 8 shows an example of a trend for identifying a user's walking environment, according to one embodiment.
FIG. 9 illustrates an example of an operation of an electronic device to learn data according to an embodiment.
FIG. 10 is a flowchart illustrating the operation of an electronic device, according to an embodiment.
Figure 11 shows an example of an operation of an electronic device according to an embodiment.
Figure 12 shows an example of an operation of an electronic device according to an embodiment.
FIG. 13 is a flowchart illustrating the operation of an electronic device, according to an embodiment.
Figure 14 shows an example of a designated matrix according to one embodiment.
Figure 15 shows an example of a matrix representing a population according to one embodiment.
Figure 16 shows an example of a matrix representing information on fitness according to an embodiment.
Figure 17 shows an example of a matrix representing at least a portion of the population according to one embodiment.
Figure 18 shows an example of a learning result for a walking pattern according to an embodiment.
Figure 19 shows an example of an operation mode of a processor according to an embodiment.
Figures 20A and 20B show an example in which values for a walking pattern according to an embodiment are displayed as three-dimensional coordinates.
Figures 21A and 21B show an example of a screen for warning of the risk of falling according to an embodiment.
도 1은, 일 실시 예에 따른, 네트워크 환경 내의 전자 장치의 블록도이다. 1 is a block diagram of an electronic device in a network environment, according to one embodiment.
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 하나 와 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.Referring to FIG. 1, in the
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.The processor 120, for example, executes software (e.g., program 140) to operate at least one other component (e.g., hardware or software component) of the electronic device 101 connected to the processor 120. It can be controlled and various data processing or calculations can be performed. According to one embodiment, as at least part of data processing or computation, the processor 120 stores commands or data received from another component (e.g., sensor module 176 or communication module 190) in volatile memory 132. The commands or data stored in the volatile memory 132 can be processed, and the resulting data can be stored in the non-volatile memory 134. According to one embodiment, the processor 120 includes a main processor 121 (e.g., a central processing unit or an application processor) or an auxiliary processor 123 that can operate independently or together (e.g., a graphics processing unit, a neural network processing unit ( It may include a neural processing unit (NPU), an image signal processor, a sensor hub processor, or a communication processor). For example, if the electronic device 101 includes a main processor 121 and a secondary processor 123, the secondary processor 123 may be set to use lower power than the main processor 121 or be specialized for a designated function. You can. The auxiliary processor 123 may be implemented separately from the main processor 121 or as part of it.
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. The auxiliary processor 123 may, for example, act on behalf of the main processor 121 while the main processor 121 is in an inactive (e.g., sleep) state, or while the main processor 121 is in an active (e.g., application execution) state. ), together with the main processor 121, at least one of the components of the electronic device 101 (e.g., the
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. The memory 130 may store various data used by at least one component (eg, the processor 120 or the sensor module 176) of the electronic device 101. Data may include, for example, input data or output data for software (e.g., program 140) and instructions related thereto. Memory 130 may include volatile memory 132 or non-volatile memory 134.
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. The program 140 may be stored as software in the memory 130 and may include, for example, an operating system 142, middleware 144, or application 146.
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. The
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.The
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. The
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.The audio module 170 can convert sound into an electrical signal or, conversely, convert an electrical signal into sound. According to one embodiment, the audio module 170 acquires sound through the
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. The sensor module 176 detects the operating state (e.g., power or temperature) of the electronic device 101 or the external environmental state (e.g., user state) and generates an electrical signal or data value corresponding to the detected state. can do. According to one embodiment, the sensor module 176 includes, for example, a gesture sensor, a gyro sensor, an air pressure sensor, a magnetic sensor, an acceleration sensor, a grip sensor, a proximity sensor, a color sensor, an IR (infrared) sensor, a biometric sensor, It may include a temperature sensor, humidity sensor, or light sensor.
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.The
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.The
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.The haptic module 179 can convert electrical signals into mechanical stimulation (e.g., vibration or movement) or electrical stimulation that the user can perceive through tactile or kinesthetic senses. According to one embodiment, the haptic module 179 may include, for example, a motor, a piezoelectric element, or an electrical stimulation device.
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.The
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.The power management module 188 can manage power supplied to the electronic device 101. According to one embodiment, the power management module 188 may be implemented as at least a part of, for example, a power management integrated circuit (PMIC).
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.The
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. Communication module 190 is configured to provide a direct (e.g., wired) communication channel or wireless communication channel between electronic device 101 and an external electronic device (e.g.,
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.The wireless communication module 192 may support 5G networks after 4G networks and next-generation communication technologies, for example, NR access technology (new radio access technology). NR access technology provides high-speed transmission of high-capacity data (enhanced mobile broadband (eMBB)), minimization of terminal power and access to multiple terminals (massive machine type communications (mMTC)), or ultra-reliable and low-latency (URLLC). -latency communications)) can be supported. The wireless communication module 192 may support high frequency bands (eg, mmWave bands), for example, to achieve high data rates. The wireless communication module 192 uses various technologies to secure performance in high frequency bands, for example, beamforming, massive array multiple-input and multiple-output (MIMO), and full-dimensional multiplexing. It can support technologies such as input/output (FD-MIMO: full dimensional MIMO), array antenna, analog beam-forming, or large scale antenna. The wireless communication module 192 may support various requirements specified in the electronic device 101, an external electronic device (e.g., electronic device 104), or a network system (e.g., second network 199). According to one embodiment, the wireless communication module 192 supports Peak data rate (e.g., 20 Gbps or more) for realizing eMBB, loss coverage (e.g., 164 dB or less) for realizing mmTC, or U-plane latency (e.g., 164 dB or less) for realizing URLLC. Example: Downlink (DL) and uplink (UL) each of 0.5 ms or less, or
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. The
다양한 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.According to various embodiments, the
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.At least some of the components are connected to each other through a communication method between peripheral devices (e.g., bus, general purpose input and output (GPIO), serial peripheral interface (SPI), or mobile industry processor interface (MIPI)) and signal ( (e.g. commands or data) can be exchanged with each other.
일 실시 예에 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. According to one embodiment, commands or data may be transmitted or received between the electronic device 101 and the external
일 실시 예에 따르면, 전자 장치(예: 도 1의 전자 장치(101))는 사용자에게 낙상이 발생하는 것을 식별하는 것에 기반하여, 사용자에게 알림을 제공할 수 있다. 전자 장치는 낙상이 발생하는 것을 식별하기 전, 사용자의 보행 패턴을 학습할 수 있다. 전자 장치는 학습된 보행 패턴 및 센서를 통해 식별된 보행 패턴 사이의 차이에 기반하여, 사용자에게 낙상 검출과 관련된 임계 값을 식별할 수 있다. 전자 장치는 식별된 임계 값에 기반하여, 낙상 검출(fall detection)을 실행할 수 있다. According to one embodiment, an electronic device (eg, the electronic device 101 of FIG. 1) may provide a notification to the user based on identifying that the user has fallen. The electronic device can learn the user's walking pattern before identifying that a fall has occurred. The electronic device may identify a threshold value related to detecting a fall for the user based on the difference between the learned walking pattern and the walking pattern identified through the sensor. The electronic device may perform fall detection based on the identified threshold.
이하 명세서에서는, 학습된 보행 패턴 및 센서를 통해 식별된 보행 패턴 사이의 차이에 기반하여, 사용자에게 낙상 검출과 관련된 임계 값을 식별하고, 식별된 임계 값에 기반하여, 낙상 검출을 실행하기 위한 실시 예가 설명될 수 있다. In the following specification, based on the difference between the learned walking pattern and the walking pattern identified through the sensor, a threshold value related to fall detection is identified for the user, and based on the identified threshold value, an implementation for performing fall detection is performed. An example can be explained.
도 2는 일 실시 예에 따른, 전자 장치의 간소화된 블록도(simplified block diagram)이다.Figure 2 is a simplified block diagram of an electronic device, according to an embodiment.
도 2를 참조하면, 전자 장치(200)는 다양한 형태로 구성될 수 있다. 전자 장치(200)는 스마트 폰, 스마트 워치, 스마트 밴드, 스마트 링, 무선 이어폰, 또는 스마트 글라스와 같이 사용자에게 소지 가능한 다양한 형태로 구현될 수 있다. 예를 들어, 전자 장치(200)는 도 1의 전자 장치(101)에 상응할 수 있다. Referring to FIG. 2, the
일 실시 예에 따르면, 전자 장치(200)는 프로세서(210), 센서(220), 메모리(230), 및/또는 통신 회로(240)를 포함할 수 있다. 실시 예에 따라, 전자 장치(200)는 프로세서(210), 센서(220), 메모리(230), 및 통신 회로(240) 중 적어도 하나를 포함할 수 있다. 예를 들어, 프로세서(210), 센서(220), 메모리(230), 및 통신 회로(240) 중 적어도 일부는 실시 예에 따라 생략될 수 있다. According to one embodiment, the
일 실시 예에 따르면, 프로세서(210)는 도 1의 프로세서(120)에 상응할 수 있다. 프로세서(210)는 센서(220), 메모리(230), 및 통신 회로(240)와 작동적으로(operatively 또는 operably) 결합하거나(coupled with), 연결될(connect with) 수 있다. 예를 들어, 프로세서(210)가 다른 컴포넌트와 작동적으로 결합한다는 것은, 프로세서(210)가 다른 컴포넌트를 제어할 수 있음을 의미할 수 있다. 예를 들어, 프로세서(210)는 센서(220)의 동작을 제어할 수 있다. 프로세서(210)는 센서(220)를 활성화 또는 비활성화할 수 있다. 프로세서(210)는 센서(220)로부터 획득된 정보를 처리할 수 있다. According to one embodiment, the
일 실시 예에 따르면, 프로세서(210)는 적어도 하나의 프로세서로 구성될 수 있다. 프로세서(210)는 적어도 하나의 프로세서를 포함할 수 있다. 일 실시 예에 따르면, 프로세서(210)는 하나 이상의 인스트럭션에 기반하여 데이터를 처리하기 위한 하드웨어 컴포넌트를 포함할 수 있다. 데이터를 처리하기 위한 하드웨어 컴포넌트는, 예를 들어, ALU(arithmetic and logic unit), FPGA(field programmable gate array) 및/또는 CPU(central processing unit)를 포함할 수 있다. According to one embodiment, the
일 실시 예에 따르면, 전자 장치(200)는 센서(220)를 포함할 수 있다. 센서(220)는 적어도 하나의 센서로 구성될 수 있다. 예를 들어, 센서(430)는 도 1의 센서 모듈(176)에 상응할 수 있다. 예를 들어, 센서(220)는 가속도 센서(221), 자이로 센서(222), 및 기압 센서(223) 중 적어도 하나를 포함할 수 있다. According to one embodiment, the
예를 들어, 가속도 센서(221)는 x축, y축, 및 z축의 3 방향으로 전자 장치(200)의 가속도를 식별(또는 측정(measure), 감지(detect))할 수 있다. 예를 들어, 자이로 센서(222)는 x축, y축, 및 z축의 3 방향으로 전자 장치(200)의 각속도를 식별(또는 측정, 감지)할 수 있다. 실시 예에 따라, 전자 장치(200)는 가속도 센서(221) 및 자이로 센서(222)로 구성된 관성 센서를 포함할 수 있다. For example, the acceleration sensor 221 may identify (or measure, detect) the acceleration of the
예를 들어, 기압 센서(223)는 전자 장치(200) 주변의 기압을 식별(또는 측정, 감지)할 수 있다. 프로세서(210)는 기압 센서(223)를 이용하여 식별된 전자 장치(200) 주변의 기압에 관한 데이터에 기반하여, 전자 장치(200)가 지면으로부터 위치된 높이(또는 고도(altitude))를 식별할 수 있다.For example, the barometric pressure sensor 223 may identify (or measure or sense) the barometric pressure around the
도시하지는 않았으나, 센서(220)는 사용자에 관한 다양한 데이터를 획득(또는 식별, 측정, 감지)하기 위한 센서를 더 포함할 수 있다. Although not shown, the
예를 들어, 센서(220)는 체온 센서를 포함할 수 있다. 프로세서(210)는 체온 센서를 통해, 사용자의 신체의 일부의 피부 온도를 측정할 수 있다. 프로세서(210)는 사용자의 신체의 일부의 피부 온도에 기반하여, 사용자의 체온을 획득할 수 있다. For example,
예를 들어, 센서(220)는 HRV(heart rate variability) 센서를 포함할 수 있다. 프로세서(210)는 HRV 센서를 통해, 심박의 규칙성 또는 변이도를 측정할 수 있다. 프로세서(210)는 HRV 센서를 통해, 심박의 규칙성 또는 변이도에 관한 정보를 획득할 수 있다. For example,
일 실시 예에 따르면, 전자 장치(200)는 메모리(230)를 포함할 수 있다. 메모리(230)는 정보 또는 데이터를 저장하기 위해 사용될 수 있다. 예를 들어, 메모리(230)는 사용자로부터 획득된 데이터를 저장하기 위해 사용될 수 있다. 예를 들어, 메모리(230)는 도 1의 메모리(130)에 상응할 수 있다. 예를 들어, 메모리(230)는 휘발성 메모리 유닛 또는 유닛들일 수 있다. 예를 들어, 메모리(230)는 비휘발성 메모리 유닛 또는 유닛들일 수 있다. 예를 들어, 메모리(230)는 자기 또는 광학 디스크와 같이, 다른 형태의 컴퓨터 판독가능 매체일 수 있다. 예를 들어, 메모리(230)는 프로세서(210)에서 수행되는 동작(예를 들어, 알고리즘 수행 동작)에 기반하여 획득된 데이터를 저장할 수 있다. 예를 들어, 메모리(230)는 센서(220)에서 획득된 데이터(예를 들어, 사용자의 보행에 관한 데이터)를 저장할 수 있다. According to one embodiment, the
일 실시 예에 따르면, 전자 장치(200)는 통신 회로(240)를 포함할 수 있다. 예를 들어, 통신 회로(240)는 도 1의 통신 모듈(190)에 상응할 수 있다. According to one embodiment, the
예를 들어, 통신 회로(240)는 다양한 RAT(radio access technology)을 위해 사용될 수 있다. 예를 들어, 통신 회로(240)는 블루투스(bluetooth) 통신, 무선 랜(wireless local area network, WLAN) 통신, 또는 UWB(ultra wideband) 통신을 수행하기 위해 사용될 수 있다. 예를 들어, 통신 회로(240)는 셀룰러 통신을 수행하기 위해 사용될 수 있다.For example,
일 실시 예에 따르면, 전자 장치(200)는 도시된 컴포넌트들 외에도 다양한 컴포넌트를 포함할 수 있다. 예를 들어, 전자 장치(200)는 디스플레이를 포함할 수 있다. 디스플레이는 다양한 화면을 표시하기 위해 사용될 수 있다. 예를 들어, 디스플레이는 콘텐트, 데이터, 또는 신호를 화면을 통해 출력하기 위해 사용될 수 있다. 예를 들어, 디스플레이는 도 1의 디스플레이 모듈(160)에 상응할 수 있다. 예를 들어, 전자 장치(200)는 GPS(global positioning system) 회로를 더 포함할 수 있다. GPS 회로는 전자 장치(200)의 위치를 식별하기 위해 사용될 수 있다.According to one embodiment, the
도 3은 일 실시 예에 따른, 전자 장치에 포함된 프로세서의 간소화된 블록도를 도시한다. Figure 3 shows a simplified block diagram of a processor included in an electronic device, according to one embodiment.
도 3을 참조하면, 프로세서(210)는 낙상 감지 회로(310), 낙상 위험 식별 회로(320), 및 낙상 알림 회로(330)를 포함할 수 있다. 프로세서(210)는 낙상 감지 회로(310)를 이용하여 낙상 발생 여부를 모니터링할 수 있다. 프로세서(210)는 낙상 위험 식별 회로(320)를 이용하여, 사용자의 보행을 모니터링하고, 낙상 위험을 예측하기 전까지, 사용자의 보행 패턴을 분석 및 학습함으로써, 사용자의 낙상 위험을 예측할 수 있다. Referring to FIG. 3 , the
예를 들어, 낙상 감지 회로(310)는 낙상 모션 분석 회로(311), 낙상 환경 분석 회로(312), 낙상 민감도 조정 회로(313), 및 낙상 식별 회로(314)를 포함할 수 있다. 프로세서(210)는 낙상 감지 회로(310)의 낙상 모션 분석 회로(311)를 이용하여, 낙상 검출 시, 사용자의 움직임을 식별할 수 있다. 프로세서(210)는 낙상 감지 회로(310)의 낙상 환경 분석 회로(312)를 이용하여, 낙상 검출 시, 전자 장치(200)(또는 사용자) 주변의 환경을 식별할 수 있다. 프로세서(210)는 낙상 감지 회로(310)의 낙상 민감도 조정 회로(314)를 이용하여, 사용자에게 낙상이 발생될 가능성이 높은 상황인 경우, 낙상 식별을 위한 민감도를 변경할 수 있다. 프로세서(210)는 낙상 감지 회로(310)의 낙상 식별 회로(314)를 이용하여, 사용자의 움직임에 대한 정보에 기반하여, 사용자에게 낙상이 발생하였음을 식별할 수 있다. For example, the
예를 들어, 낙상 위험 식별 회로(320)는 보행 환경 식별 회로(321), 보행 패턴 학습 회로(322), 보행 패턴 분석 회로(323), 및 낙상 위험 예측 회로(324)를 포함할 수 있다. 프로세서(210)는 낙상 위험 식별 회로(320)의 보행 환경 식별 회로(321)를 이용하여, 사용자가 보행 시, 전자 장치(200)(또는 사용자) 주변의 환경을 식별할 수 있다. 프로세서(210)는 낙상 위험 식별 회로(320)의 보행 패턴 학습 회로(322)를 이용하여, 사용자가 보행 시, 사용자의 보행 패턴을 지속적으로 학습할 수 있다. 프로세서(210)는 낙상 위험 식별 회로(320)의 보행 패턴 분석 회로(323)를 이용하여, 사용자의 보행 패턴에 대한 정보를 획득하고, 저장할 수 있다. 프로세서(210)는 낙상 위험 식별 회로(320)의 낙상 위험 예측 회로(324)를 이용하여, 보행 환경 및 보행 패턴에 기반하여, 사용자에게 낙상이 발생될 확률을 식별할 수 있다. For example, the fall
예를 들어, 낙상 알림 회로(330)는 낙상 발생 알림 회로(331) 및 낙상 위험 알림 회로(332)를 포함할 수 있다. 프로세서(210)는 낙상 알림 회로(330)의 낙상 발생 알림 회로(331)를 이용하여, 사용자에게 낙상이 발생될 시, 사용자에게 낙상이 발생되었음을 나타내는 알림을, 사용자 또는 다른 사용자에게 제공하고, 긴급 연락처를 통해 구조 신호를 송신할 수 있다. 프로세서(210)는 낙상 알림 회로(330)의 낙상 위험 알림 회로(332)를 이용하여, 사용자에게 낙상이 발생할 확률이 높은 경우, 사용자에게 낙상 발생 가능성이 높음을 나타내는 알림을 제공할 수 있다. For example, the
도 4는 일 실시 예에 따른, 전자 장치의 동작을 도시하는 흐름도이다. FIG. 4 is a flowchart illustrating the operation of an electronic device, according to an embodiment.
도 4를 참조하면, 동작 410에서, 프로세서(210)는 제1 보행 패턴에 관한 제1 정보 및 보행 환경에 관한 제2 정보를 획득할 수 있다. 예를 들어, 프로세서(210)는 센서(220)(또는 적어도 하나의 센서) 및/또는 통신 회로(240)를 이용하여 전자 장치(200)의 사용자의 제1 보행 패턴에 관한 제1 정보 및 사용자의 보행 환경에 관한 제2 정보를 획득할 수 있다. Referring to FIG. 4 , in
일 실시 예에 따르면, 프로세서(210)는 센서(220)를 이용하여, 전자 장치(200)의 사용자의 제1 보행 패턴에 관한 제1 정보를 획득할 수 있다. 예를 들어, 프로세서(210)는 가속도 센서(221)를 이용하여, 지정된 시간 구간 동안 획득된 제1 데이터에 기반하여, 제1 보행 패턴에 관한 제1 정보를 획득할 수 있다. 프로세서(210)는 지정된 시간 구간 동안, 3 축 방향에 각각 대응하는 가속도 트랜드들을 획득할 수 있다. 프로세서(210)는 획득된 가속도 트랜드들에 기반하여, 이동 구간 합(sliding window summing)의 차분 값(difference)에 기반하여, 사용자의 제1 보행 패턴을 식별할 수 있다. 프로세서(210)가 사용자의 제1 보행 패턴을 식별하는 동작은 도 6a 내지 도 8을 통해 후술될 것이다. According to one embodiment, the
일 실시 예에 따르면, 프로세서(210)는 전자 장치(200)의 사용자의 보행 환경에 관한 제2 정보를 획득할 수 있다. 예를 들어, 프로세서(210)는 가속도 센서(221), 자이로 센서(222), 기압 센서(223), 및 통신 회로(240) 중 적어도 하나를 이용하여 획득된 제2 데이터에 기반하여, 사용자의 보행 환경에 관한 제2 정보를 획득할 수 있다. 예를 들어, 제2 정보는, 전자 장치(200)의 이동 경로의 경사도에 대한 정보, 전자 장치(200)의 이동 상태에 대한 정보, 및 지정된 시간 구간 동안의 날씨에 대한 정보를 포함할 수 있다. According to one embodiment, the
예를 들어, 프로세서(210)는 가속도 센서(221), 자이로 센서(222), 및 기압 센서(223) 중 적어도 하나를 이용하여 획득된 제2 데이터의 적어도 일부를 복수의 파라미터들에 의해 지시되는 지정된 모델(예: 인공지능 모델)의 입력 데이터로 설정함으로써, 전자 장치(200)의 이동 상태에 대한 정보를 획득할 수 있다. 일 예로, 지정된 모델의 복수의 파라미터들은, 사용자의 보행 이력에 따라 식별된 제3 데이터의 학습에 기반하여 설정될 수 있다. 프로세서(210)가 지정된 모델을 이용하여, 전자 장치(200)의 이동 상태에 대한 정보를 획득하는 실시 예가 도 9에서 후술될 것이다.For example, the
예를 들어, 프로세서(210)는 통신 회로(240)를 이용하여, 외부 전자 장치(예: 서버)로부터 지정된 시간 구간 동안의 날씨에 대한 정보를 획득할 수 있다. For example, the
동작 420에서, 프로세서(210)는 제1 보행 패턴 및 기준 보행 패턴 사이의 차이를 나타내는 제1 값을 식별할 수 있다. 예를 들어, 프로세서(210)는 제1 정보 및 메모리(230)에 저장된, 기준 보행 패턴에 관한 제3 정보에 기반하여, 제1 보행 패턴 및 기준 보행 패턴 사이의 차이를 나타내는 제1 값을 식별할 수 있다. 예를 들어, 프로세서(210)는 제1 정보 및 제3 정보에 기반하여, 제1 보행 패턴 및 기준 보행 패턴 사이의 제1 유사도를 식별할 수 있다. In
일 실시 예에 따르면, 프로세서(210)는 기준 보행 패턴에 관한 제3 정보를 메모리(230)에 저장할 수 있다. 예를 들어, 기준 보행 패턴은, 일반 사용자들의 보행 패턴을 의미할 수 있다. 일 예로, 프로세서(210)는 통신 회로(240)를 이용하여, 외부 전자 장치(예: 서버)로부터 기준 보행 패턴에 관한 제3 정보를 수신할 수 있다. 프로세서(210)는 수신된 제3 정보를 메모리(230)에 저장할 수 있다. 제3 정보는 외부 전자 장치(예: 서버)에 저장된 복수의 사용자들과 관련된 보행 패턴들에 기반하여 획득될 수 있다. 일 예로, 기준 보행 패턴에 관한 제3 정보는 전자 장치(200)의 메모리(230)에 저장된 상태일 수 있다. According to one embodiment, the
일 실시 예에 따르면, 프로세서(210)는 제1 정보 및 제3 정보에 기반하여, 제1 보행 패턴 및 기준 보행 패턴 사이의 차이를 나타내는 제1 값을 식별할 수 있다. 프로세서(210)는 제1 보행 패턴에 관한 값들을 식별할 수 있다. 프로세서(210)는 기준 보행 패턴에 관한 값들을 식별할 수 있다. 프로세서(210)는 제1 보행 패턴에 관한 값들(예: 대표 값) 및 기준 보행 패턴에 관한 값들(예: 대표 값) 사이의 유클리디안 거리(euclidean distance)에 기반하여, 제1 보행 패턴 및 기준 보행 패턴 사이의 차이를 나타내는 제1 값을 식별할 수 있다. 프로세서(210)는 제1 보행 패턴에 관한 값들 및 기준 보행 패턴에 관한 값들 사이의 유클리디안 거리에 기반하여, 제1 보행 패턴 및 기준 보행 패턴 사이의 제1 유사도를 식별할 수 있다. 예를 들어, 제1 보행 패턴 및 기준 보행 패턴 사이의 차이를 나타내는 제1 값 및 제1 유사도는 반비례할 수 있다. 제1 보행 패턴 및 기준 보행 패턴 사이의 차이를 나타내는 제1 값이 클수록 제1 유사도가 작을 수 있다. 제1 보행 패턴 및 기준 보행 패턴 사이의 차이를 나타내는 제1 값이 작을수록 제1 유사도가 클 수 있다. According to one embodiment, the
동작 430에서, 프로세서(210)는 제1 보행 패턴 및 제2 보행 패턴 사이의 차이를 나타내는 제2 값을 식별할 수 있다. 예를 들어, 프로세서(210)는 제1 정보 및 메모리(230)에 저장되고, 사용자의 보행 이력에 기반하여 식별된, 사용자의 제2 보행 패턴에 관한 제4 정보에 기반하여, 제1 보행 패턴 및 제2 보행 패턴 사이의 차이를 나타내는 제2 값을 식별할 수 있다. 예를 들어, 프로세서(210)는 제1 정보 및 제4 정보에 기반하여, 제1 보행 패턴 및 제2 보행 패턴 사이의 제2 유사도를 식별할 수 있다.In
일 실시 예에 따르면, 프로세서(210)는 제2 보행 패턴에 관한 제4 정보를 메모리(230)에 저장할 수 있다. 프로세서(210)는 사용자의 보행 이력에 기반하여, 제2 보행 패턴에 관한 제4 정보를 식별할 수 있다. 예를 들어, 프로세서(210)는 사용자의 보행 이력에 기반하여, 사용자의 보행 패턴에 대한 학습을 수행할 수 있다. 프로세서(210)는 사용자의 보행 패턴에 대한 학습을 수행하는 것에 기반하여, 제2 보행 패턴에 관한 제4 정보를 획득할 수 있다. 프로세서(210)는 획득된 제4 정보를 메모리(230)에 저장할 수 있다. 예를 들어, 제2 보행 패턴에 관한 제4 정보는 전자 장치(200)의 메모리(230)에 저장된 상태일 수 있다. According to one embodiment, the
예를 들어, 프로세서(210)는 사용자의 보행 이력에 기반하여, 사용자의 복수의 걸음들에 따른 보행 패턴에 관한 값들을 포함하는 모집단(population)을 식별할 수 있다. 일 예로, 프로세서(210)는 센서(220)를 이용하여, 사용자의 제1 걸음들을 식별할 수 있다. 프로세서(210)는 제1 걸음들의 수가 지정된 횟수 이상임을 식별하는 것에 기반하여, 제1 걸음들에 따른 특징 값들을 식별할 수 있다. 프로세서(210)는 제1 걸음들이 식별되기 전 발생된, 사용자의 제2 걸음들에 대한 특징 값들을 식별할 수 있다. 제2 걸음들에 대한 특징 값들은 메모리(230)에 저장될 수 있다. 예를 들어, 제2 걸음들에 대한 특징 값들은 사용자의 보행 이력에 따라 학습된 값일 수 있다. For example, the
프로세서(210)는 제1 걸음들에 따른 특징 값들에 기반하여, 제1 걸음들에 따른 보행 패턴에 관한 값들을 식별할 수 있다. 프로세서(210)는 제2 걸음들에 따른 특징 값들에 기반하여, 제2 걸음들에 따른 보행 패턴에 관한 값들을 식별할 수 있다. 프로세서(210)는 제1 걸음들에 따른 보행 패턴에 관한 값들 및 제2 걸음들에 따른 보행 패턴에 관한 값들을 복수의 걸음들에 따른 보행 패턴에 관한 값들을 포함하는 모집단으로 구성할 수 있다.The
예를 들어, 프로세서(210)는 식별된 모집단에 기반하여 획득된, 복수의 걸음들에 따른 적합도에 대한 정보에 따라, 모집단 중 적어도 일부를 식별할 수 있다. 프로세서(210)는 모집단 중 적어도 일부에 기반하여, 사용자의 보행 패턴에 대한 학습을 수행할 수 있다. 사용자의 보행 패턴에 대한 학습을 수행하는 동작의 구체적인 예가 도 10 내지 도 18에서 후술될 것이다. For example, the
일 실시 예에 따르면, 프로세서(210)는 제1 정보 및 제4 정보에 기반하여, 제1 보행 패턴 및 제2 보행 패턴 사이의 차이를 나타내는 제2 값을 식별할 수 있다. 프로세서(210)는 제1 보행 패턴에 관한 값들을 식별할 수 있다. 프로세서(210)는 제2 보행 패턴에 관한 값들을 식별할 수 있다. 프로세서(210)는 제1 보행 패턴에 관한 값들 및 제2 보행 패턴에 관한 값들 사이의 유클리디안 거리에 기반하여, 제1 보행 패턴 및 제2 보행 패턴 사이의 차이를 나타내는 제2 값을 식별할 수 있다. 프로세서(210)는 제1 보행 패턴에 관한 값들 및 제2 보행 패턴에 관한 값들 사이의 유클리디안 거리에 기반하여, 제1 보행 패턴 및 제2 보행 패턴 사이의 제2 유사도를 식별할 수 있다. 예를 들어, 제1 보행 패턴 및 제2 보행 패턴 사이의 차이를 나타내는 제2 값 및 제2 유사도는 반비례할 수 있다. 제1 보행 패턴 및 제2 보행 패턴 사이의 차이를 나타내는 제2 값이 클수록 제2 유사도가 작을 수 있다. 제1 보행 패턴 및 제2 보행 패턴 사이의 차이를 나타내는 제2 값이 작을수록 제2 유사도가 클 수 있다. According to one embodiment, the
동작 440에서, 프로세서(210)는 낙상 검출과 관련된 임계 값을 식별할 수 있다. 예를 들어, 프로세서(210)는 제1 값, 제2 값, 및 제2 정보에 기반하여, 낙상 검출과 관련된 임계 값을 식별할 수 있다. At
동작 450에서, 프로세서(210)는, 낙상 검출을 실행할 수 있다. 예를 들어, 프로세서(210)는 식별된 임계 값과 센서(220)를 통해 획득되는 값 사이의 비교에 기반하여, 낙상 검출을 실행할 수 있다. At
예를 들어, 낙상 검출과 관련된 임계 값은, 사용자에게 낙상이 발생되었는지 여부를 판단하기 위한 기준 값을 포함할 수 있다. 센서(220)를 통해 획득되는 값은, 충격량에 관한 값, 기압 변화량에 관한 값, 및/또는 사용자의 활동이 중단된 시간에 관한 값을 포함할 수 있다. 일 예로, 프로세서(210)는 사용자의 낙상을 판단하기 위한 값이 임계 값 이상임을 식별하는 것에 기반하여, 사용자에게 낙상이 발생하였음을 식별할 수 있다. 예를 들어, 낙상 검출과 관련된 임계 값은 충격량에 관한 제1 임계 값, 기압 변화량에 관한 제2 임계 값, 및/또는 활동 중단 유지 시간(또는 활동이 중단된 시간)에 관한 제3 임계 값을 포함할 수 있다. For example, a threshold value related to fall detection may include a reference value for determining whether a fall has occurred to the user. The value obtained through the
예를 들어, 프로세서(210)는 센서(220)를 통해 획득된 충격량에 관한 값이 제1 임계 값 이상임을 식별하는 것에 기반하여, 사용자에게 낙상이 발생되었음을 식별할 수 있다. 예를 들어, 프로세서(210)는 센서(220)를 통해 획득된 기압 변화량에 관한 값이 제2 임계 값 이상임을 식별하는 것에 기반하여, 사용자에게 낙상이 발생되었음을 식별할 수 있다. 예를 들어, 프로세서(210)는 사용자의 활동이 중단된 시간이 제3 임계 값 이상임을 식별하는 것에 기반하여, 사용자에게 낙상이 발생되었음을 식별할 수 있다. For example, the
예를 들어, 프로세서(210)는 센서(220)를 통해 획득된 충격량에 관한 값이 제1 임계 값 이상이고, 센서(220)를 통해 획득된 기압 변화량에 관한 값이 제2 임계 값 이상이고, 사용자의 활동이 중단된 시간이 제3 임계 값 이상임을 식별하는 것에 기반하여, 사용자에게 낙상이 발생되었음을 식별할 수 있다. For example, the
일 실시 예에 따르면, 프로세서(210)는 제1 값, 제2 값, 및 제2 정보에 기반하여, 사용자에게 낙상이 발생할 확률 값을 식별할 수 있다. 프로세서(210)는 식별된 확률 값에 기반하여, 임계 값을 복수의 후보 임계 값들 중 하나로 식별할 수 있다. 예를 들어, 프로세서(210)는 사용자에게 낙상이 발상할 확률 값에 기반하여, 낙상 위험도를 '낮음', '보통', '높음', 및 '아주 높음' 중 하나로 식별할 수 있다. 프로세서(210)는 낙상 위험도에 따른 복수의 후보 임계 값들 중 하나를 식별할 수 있다. 예를 들어, 낙상 위험도에 따른 복수의 후보 임계 값들은 표 1과 같이 설정될 수 있다. According to one embodiment, the
표 1을 참조하면, 낙상 위험도에 따라 복수의 후보 임계 값들이 설정될 수 있다. 예를 들어, 낙상 위험도가 '낮음'인 경우, 충격량에 관한 제1 임계 값은 20 [G]로 설정될 수 있다. 낙상 위험도가 '낮음'인 경우, 기압 변화량에 관한 제2 임계 값은 0.4 [hPa]로 설정될 수 있다. 낙상 위험도가 '낮음'인 경우, 활동 중단 시간에 관한 제3 임계 값은 60 [s](second)로 설정될 수 있다. 예를 들어, 낙상 위험도가 '보통'인 경우, 충격량에 관한 제1 임계 값은 20 [G]로 설정될 수 있다. 낙상 위험도가 '보통'인 경우, 기압 변화량에 관한 제2 임계 값은 0.4 [hPa]로 설정될 수 있다. 낙상 위험도가 '보통'인 경우, 활동 중단 시간에 관한 제3 임계 값은 60 [s](second)로 설정될 수 있다. 예를 들어, 낙상 위험도가 '높음'인 경우, 충격량에 관한 제1 임계 값은 15 [G]로 설정될 수 있다. 낙상 위험도가 '높음'인 경우, 기압 변화량에 관한 제2 임계 값은 0.32 [hPa]로 설정될 수 있다. 낙상 위험도가 '높음'인 경우, 활동 중단 시간에 관한 제3 임계 값은 40 [s](second)로 설정될 수 있다. 예를 들어, 낙상 위험도가 '매우 높음'인 경우, 충격량에 관한 제1 임계 값은 10 [G]로 설정될 수 있다. 낙상 위험도가 '매우 높음'인 경우, 기압 변화량에 관한 제2 임계 값은 0.32 [hPa]로 설정될 수 있다. 낙상 위험도가 '매우 높음'인 경우, 활동 중단 시간에 관한 제3 임계 값은 40 [s](second)로 설정될 수 있다.Referring to Table 1, a plurality of candidate threshold values can be set according to the risk of falling. For example, if the risk of falling is 'low', the first threshold value regarding the amount of impact may be set to 20 [G]. If the risk of falling is 'low', the second threshold value regarding the amount of change in air pressure may be set to 0.4 [hPa]. If the risk of falling is 'low', the third threshold regarding the time to stop activity can be set to 60 [s](second). For example, if the risk of falling is 'normal', the first threshold value regarding the amount of impact may be set to 20 [G]. If the risk of falling is 'normal', the second threshold value regarding the amount of change in air pressure may be set to 0.4 [hPa]. If the risk of falling is 'moderate', the third threshold regarding the time to stop activity can be set to 60 [s](second). For example, if the risk of falling is 'high', the first threshold value regarding the amount of impact may be set to 15 [G]. If the risk of falling is 'high', the second threshold value regarding the amount of change in air pressure may be set to 0.32 [hPa]. If the risk of falling is 'high', the third threshold regarding the time to stop activity can be set to 40 [s](second). For example, if the risk of falling is 'very high', the first threshold value regarding the amount of impact may be set to 10 [G]. If the risk of falling is 'very high', the second threshold value regarding the amount of change in air pressure may be set to 0.32 [hPa]. If the risk of falling is 'very high', the third threshold regarding the time to stop activity can be set to 40 [s](second).
일 실시 예에 따르면, 프로세서(210)는 사용자에게 낙상이 발생할 확률 값을 식별하고, 식별된 확률 값에 기반하여, 낙상 위험도를 식별할 수 있다. 프로세서(210)는 낙상 위험도에 따라 낙상 검출과 관련된 임계 값을 변경함으로써, 낙상 감지 알고리즘의 민감도를 변경할 수 있다. 프로세서(210)는 낙상 검출과 관련된 임계 값(예: 제1 임계 값, 제2 임계 값, 및 제3 임계 값)을 변경함으로써, 사용자에게 낙상이 발생되었음을 빠르게 식별할 수 있다. According to one embodiment, the
예를 들어, 프로세서(210)는, 식별된 확률 값 및 제2 정보에 기반하여, 전자 장치(200)와 연결되고, 사용자에게 착용된 외부 전자 장치를 통해, 낙상 위험을 경고하기 위한 알림을 제공하도록, 외부 전자 장치를 야기하기 위한 신호를, 외부 전자 장치에게 송신할 수 있다. For example, the
도 5는 일 실시 예에 따른, 전자 장치의 동작을 도시하는 흐름도이다. FIG. 5 is a flowchart illustrating the operation of an electronic device, according to an embodiment.
도 5를 참조하면, 동작 510에서, 프로세서(210)는 사용자의 보행에 관한 데이터를 식별할 수 있다. 예를 들어, 프로세서(210)는 가속도 센서(221)를 이용하여, 전자 장치(200)의 가속도에 관한 데이터를 식별할 수 있다. 예를 들어, 프로세서(210)는 자이로 센서(222)를 이용하여, 전자 장치(200)의 각속도에 관한 데이터를 식별할 수 있다. 예를 들어, 프로세서(210)는 기압 센서(223)를 이용하여, 기압(또는 전자 장치(200)의 고도)에 관한 데이터를 식별할 수 있다Referring to FIG. 5 , in
동작 520에서, 프로세서(210)는 사용자의 보행을 식별할 수 있다. 예를 들어, 프로세서(210)는 사용자의 보행에 관한 데이터에 기반하여 사용자의 보행을 식별할 수 있다. At
일 실시 예에 따르면, 프로세서(210)는 사용자의 보행에 관한 데이터에 기반하여, 사용자의 걸음들을 식별할 수 있다. 프로세서(210)는 3축 가속도에 대한 데이터에 기반하여, 사용자의 걸음들을 식별할 수 있다. 프로세서(210)는 사용자의 걸음들이 지정된 횟수 이상임을 식별하는 것에 기반하여, 사용자의 보행을 식별할 수 있다.According to one embodiment, the
동작 530에서, 프로세서(210)는 사용자의 보행을 식별하는 것에 기반하여, 기압 변화량을 식별할 수 있다. 예를 들어, 프로세서(210)는 사용자의 보행을 식별하는 것에 기반하여, 기압 센서(223)를 이용하여 식별된 데이터를 통해 기압 변화량을 식별할 수 있다. 예를 들어, 기압 센서(223)를 이용하여 식별된 데이터는 전자 장치(200)의 고도를 식별하기 위해 사용될 수 있다. 프로세서(210)는 기압 센서(223)를 이용하여 식별된 데이터에 기반하여, 전자 장치(200)의 고도가 변경되는지 여부를 식별할 수 있다. In
동작 540에서, 프로세서(210)는 기압 변화량이 제1 기압 변화량 미만인지 여부를 식별할 수 있다. 프로세서(210)는 지정된 시간 구간 동안의 기압 변화량이 제1 기압 변화량 미만인지 여부를 식별할 수 있다. 프로세서(210)는 지정된 시간 구간 동안의 기압 변화량이 제1 기압 변화량 미만임을 식별하는 것에 기반하여, 지정된 시간 구간동안 기압이 감소함을 식별할 수 있다. In
동작 550에서, 기압 변화량이 제1 기압 변화량 미만인 경우, 프로세서(210)는 사용자가 오르막 길을 걷고 있음을 식별할 수 있다. 프로세서(210)는 기압 변화량이 제1 기압 변화량 미만임을 식별하는 것에 기반하여, 사용자가 오르막 길을 걷고 있음을 식별할 수 있다. In
동작 560에서, 기압 변화량이 제1 기압 변화량 이상인 경우, 프로세서(210)는 기압 변화량이 제2 기압 변화량 이상인지 여부를 식별할 수 있다. 예를 들어, 프로세서(210)는 기압 변화량이 제1 기압 변화량 이상임을 식별하는 것에 기반하여, 기압 변화량이 제2 기압 변화량 이상인지 여부를 식별할 수 있다. 예를 들어, 프로세서(210)는 지정된 시간 구간 동안의 기압 변화량이 제2 기압 변화량 이상인지 여부를 식별할 수 있다. 프로세서(210)는 지정된 시간 구간 동안의 기압 변화량이 제2 기압 변화량 이상임을 식별하는 것에 기반하여, 지정된 시간 구간동안 기압이 증가함을 식별할 수 있다. In
동작 570에서, 기압 변화량이 제2 기압 변화량 이상인 경우, 프로세서(210)는 사용자가 내리막 길을 걷고 있음을 식별할 수 있다. 프로세서(210)는 기압 변화량이 제2 기압 변화량 이상임을 식별하는 것에 기반하여, 사용자가 내리막 길을 걷고 있음을 식별할 수 있다.In
동작 580에서, 기압 변화량이 제2 기압 변화량 미만인 경우, 프로세서(210)는 사용자가 평지를 걷고 있음을 식별할 수 있다. 예를 들어, 프로세서(210)는 기압 변화량이 제2 기압 변화량 미만임을 식별하는 것에 기반하여, 사용자가 평지를 걷고 있음을 식별할 수 있다. 예를 들어, 프로세서(210)는 지정된 시간 구간 동안 기압 변화량이 제1 기압 변화량 이상이고, 제2 기압 변화량 미만임을 식별하는 것에 기반하여, 사용자가 평지를 걷고 있음을 식별할 수 있다. In
도 6a 내지 도 6c는 일 실시 예에 따른, 사용자의 보행 환경을 식별하기 위한 트랜드들의 예를 도시한다.6A to 6C show examples of trends for identifying a user's walking environment, according to an embodiment.
도 7a 내지 도 7c는 일 실시 예에 따른, 사용자의 보행 환경을 식별하기 위한 트랜드들의 예를 도시한다.7A to 7C show examples of trends for identifying a user's walking environment, according to an embodiment.
도 8은 일 실시 예에 따른, 사용자의 보행 환경을 식별하기 위한 트랜드의 예를 도시한다.Figure 8 shows an example of a trend for identifying a user's walking environment, according to one embodiment.
도 6a 내지 도 6c를 참조하면, 트랜드(610) 내지 트랜드(630)는 시간에 따른 전자 장치(200)의 가속도의 변화를 나타낸다. 프로세서(210)는 가속도 센서(221)를 이용하여 3 축에 대한 전자 장치(200)의 가속도를 식별할 수 있다. 프로세서(210)는 시간에 따른, 제1 방향(또는 x축 방향)의 가속도를 모니터링함으로써, 트랜드(610)를 식별할 수 있다. 프로세서(210)는 시간에 따른, 제2 방향(또는 y축 방향)의 가속도를 모니터링함으로써, 트랜드(620)를 식별할 수 있다. 프로세서(210)는 시간에 따른, 제3 방향(또는 z축 방향)의 가속도를 모니터링함으로써, 트랜드(630)를 식별할 수 있다. 프로세서(210)는 3축 방향의 가속도의 크기(magnitude)를 식별할 수 있다. 프로세서(210)는 3축 방향의 가속도의 크기를 나타내는 트랜드를 식별할 수 있다. 예를 들어, 프로세서(210)는 3축 방향의 가속도의 크기를 수학식 1을 이용하여 식별할 수 있다. Referring to FIGS. 6A to 6C ,
수학식 1을 참조하면, aNORM은 3축 방향의 가속도의 크기이다. x는 제1 방향의 가속도의 크기이다. y는 제2 방향의 가속도의 크기이다. z는 제3 방향의 가속도의 크기이다. 프로세서(210)는 특정 시점에서의 3축 방향의 가속도의 크기를 식별하는 것에 기반하여, 시간에 따른 가속도의 크기를 나타내는 트랜드를 식별할 수 있다. Referring to
일 실시 예에 따르면, 프로세서(210)는 시간에 따른 3축 방향의 가속도의 트랜드들에 기반하여, 이동 구간 합(sliding window summing)의 차분 값(difference)을 식별할 수 있다. 프로세서(210)는 시간에 따른 이동 구간 합의 차분 값의 변화를 나타내는 트랜드(640)를 식별할 수 있다. 예를 들어, 프로세서(210)는 이동 구간 합을 수학식 2를 이용하여 식별할 수 있다. 프로세서(210)는 이동 구간 합의 차분 값을 수학식 3을 이용하여 식별할 수 있다. According to one embodiment, the
수학식 2를 참조하면, SWS(k)는 3축 방향의 가속도의 크기에 대한 이동 구간 합을 나타낸다. 프로세서(210)는 시점 k-N+1부터 시점 k까지의 가속도의 크기에 대한 이동 구간 합을 식별함으로써, SWS(k)를 식별할 수 있다. Referring to
수학식 3을 참조하면, SWSdiff(k) 3축 방향의 가속도의 크기에 대한 이동 구간 합의 차분 값을 나타낸다. 프로세서(210)는 시점 k-N+1의 이동 구간 합에서 시점 k의 이동 구간 합의 차이를 시점 k에서 이동 구간 합의 차분 값으로 식별할 수 있다. Referring to
일 실시 예에 따르면, 프로세서(210)는 이동 구간 합의 차분 값의 트랜드가 사인(sin) 파형으로 구성되도록 k 및 N 값을 설정함으로써, 트랜드(640)를 식별할 수 있다. 프로세서(210)는 트랜드(640)에 기반하여, 적어도 하나의 제로 크로싱 포인트(zero-crossing point)를 식별할 수 있다. 시점(641), 시점(642), 및 시점(643)은 제로 크로싱 포인트의 일 예일 수 있다. According to one embodiment, the
예를 들어, 프로세서(210)는 제로 크로싱 포인트에 기반하여, 한 걸음(step)을 식별할 수 있다. 프로세서(210)는 제1 제로 크로싱 포인트(예: 시점(643)) 및 제1 제로 크로싱 포인트 이전에 식별된 제2 제로 크로싱 포인트(예: 시점(642)) 사이를 한 걸음을 나타내는 시간 구간으로 식별할 수 있다. 프로세서(210)는 트랜드(640) 내에서, 제로 크로싱 포인트들의 개수를 걸음 수로 식별할 수 있다. 프로세서(210)는 지정된 시간 구간 내에서 제로 크로싱 포인트들의 개수가 지정된 개수 이상임을 식별하는 것에 기반하여, 사용자가 보행 중임을 식별할 수 있다. For example, the
일 실시 예에 따르면, 프로세서(210)는 사용자가 보행 중임을 식별하는 것에 기반하여, 기압 변화량을 식별할 수 있다. 프로세서(210)는 지정된 시간 구간 내에서, 시간에 따른 기압의 트랜드(650)를 식별할 수 있다. 프로세서(210)는 트랜드(650)에 기반하여, 지정된 시간 구간 내에서 기압 변화량을 식별할 수 있다. 프로세서(210)는, 트랜드(650)에 기반하여, 지정된 시간 구간 내에서 기압 변화량이 제1 기압 변화량 이상이고, 제2 기압 변화량 미만임을 식별할 수 있다. 프로세서(210)는 지정된 시간 구간 내에서 기압 변화량이 제1 기압 변화량 이상이고, 제2 기압 변화량 미만임을 식별하는 것에 기반하여, 사용자가 평지를 걷고 있음을 식별할 수 있다. 예를 들어, 프로세서(210)는 지정된 시간 구간 내에서 기압이 유지됨을 식별하는 것에 기반하여, 사용자가 평지를 걷고 있음을 식별할 수 있다.According to one embodiment, the
도 7a 내지 도 7c를 참조하면, 트랜드(710) 내지 트랜드(730)는 시간에 따른 전자 장치(200)의 가속도의 변화를 나타낸다. 트랜드(710)는 도 6a의 트랜드(610)에 상응할 수 있다. 트랜드(720)는 도 6a의 트랜드(620)에 상응할 수 있다. 트랜드(730)는 도 6a의 트랜드(630)에 상응할 수 있다. 프로세서(210)는 트랜드(710) 내지 트랜드(730)에 기반하여 3축 방향의 가속도의 크기를 식별함으로써, 시간에 따른 이동 구간 합의 차분 값의 변화를 나타내는 트랜드(740)를 식별할 수 있다. 트랜드(740)는 도 6b의 트랜드(640)에 상응할 수 있다. Referring to FIGS. 7A to 7C ,
일 실시 예에 따르면, 프로세서(210)는 트랜드(740)에 기반하여, 적어도 하나의 제로 크로싱 포인트를 식별할 수 있다. 프로세서(210)는 트랜드(740) 내에서, 제로 크로싱 포인트들의 개수를 걸음 수로 식별할 수 있다. 프로세서(210)는 지정된 시간 구간 내에서 제로 크로싱 포인트들의 개수가 지정된 개수 이상임을 식별하는 것에 기반하여, 사용자가 보행 중임을 식별할 수 있다.According to one embodiment, the
일 실시 예에 따르면, 프로세서(210)는 사용자가 보행 중임을 식별하는 것에 기반하여, 기압 변화량을 식별할 수 있다. 프로세서(210)는 지정된 시간 구간 내에서, 시간에 따른 기압의 트랜드(750)를 식별할 수 있다. 트랜드(750)는 도 6c의 트랜드(650)에 상응할 수 있다. 프로세서(210)는, 트랜드(750)에 기반하여, 지정된 시간 구간 내에서 기압 변화량이 제2 기압 변화량 이상임을 식별할 수 있다. 프로세서(210)는 지정된 시간 구간 내에서 기압 변화량이 제2 기압 변화량 이상임을 식별하는 것에 기반하여, 사용자가 내리막길을 걷고 있음을 식별할 수 있다. 예를 들어, 프로세서(210)는 지정된 시간 구간 내에서 기압이 증가함을 식별하는 것에 기반하여, 사용자가 내리막길을 걷고 있음을 식별할 수 있다.According to one embodiment, the
도시하지는 않았으나, 프로세서(210)는 지정된 시간 구간 내에서 기압 변화량이 제1 기압 변화량 미만임을 식별할 수 있다. 프로세서(210)는 지정된 시간 구간 내에서 기압 변화량이 제1 기압 변화량 미만임을 식별하는 것에 기반하여, 사용자가 오르막길을 걷고 있음을 식별할 수 있다. 예를 들어, 프로세서(210)는 지정된 시간 구간 내에서 기압이 감소함을 식별하는 것에 기반하여, 사용자가 오르막길을 걷고 있음을 식별할 수 있다. Although not shown, the
도 8을 참조하면, 프로세서(210)는 3축 방향의 가속도의 크기를 식별함으로써, 시간에 따른 이동 구간 합의 차분 값의 변화를 나타내는 트랜드(810)를 식별할 수 있다. 트랜드(810)는 도 6b의 트랜드(640) 또는 도 7b의 트랜드(740)에 상응할 수 있다. Referring to FIG. 8, the
일 실시 예에 따르면, 프로세서(210)는 트랜드(810)에 기반하여, 적어도 하나의 제로 크로싱 포인트를 식별할 수 있다. 프로세서(210)는 제로 크로싱 포인트 사이의 시간 구간을 식별할 수 있다. 예를 들어, 프로세서(210)는 시간 구간(811), 시간 구간(812), 및 시간 구간(813)을 식별할 수 있다. 프로세서(210)는 시간 구간(811), 시간 구간(812), 및 시간 구간(813)을 포함하는 복수의 시간 구간들을 식별할 수 있다. According to one embodiment, the
일 실시 예에 따르면, 프로세서(210)는 복수의 시간 구간들에 기반하여, 걸음 주파수를 식별할 수 있다. 프로세서(210)는 복수의 시간 구간들의 대푯값(예: 평균 값 또는 중간 값)에 기반하여, 걸음 주파수를 식별할 수 있다. 예를 들어, 프로세서(210)는 복수의 시간 구간들의 대푯값을 시간 구간(811)으로 식별할 수 있다. 프로세서(210)는 시간 구간(811)에 기반하여, 걸음 주파수를 식별할 수 있다. 예를 들어, 프로세서(210)는 수학식 4를 이용하여 걸음 주파수를 식별할 수 있다. According to one embodiment, the
수학식 4를 참조하면, f는 걸음 주파수이다. te는 복수의 시간 구간들의 대푯값이다. 프로세서(210)는 복수의 시간 구간들의 대푯값을 이용하여, 걸음 주파수를 식별함으로써, 사용자의 보행 속력을 식별할 수 있다. Referring to
도 9는 일 실시 예에 따른 전자 장치의 동작의 예를 도시한다. Figure 9 shows an example of an operation of an electronic device according to an embodiment.
도 9를 참조하면, 동작 910에서, 프로세서(210)는 제2 데이터를 획득할 수 있다. 예를 들어, 프로세서(210)는 센서(220) 및/또는 통신 회로(240) 중 적어도 하나를 이용하여 제2 데이터를 획득할 수 있다. 예를 들어, 프로세서(210)는 가속도 센서(221), 자이로 센서(222), 기압 센서(223), 및 통신 회로(240) 중 적어도 하나를 이용하여 제2 데이터를 획득할 수 있다. 예를 들어, 프로세서(210)는 센서(220)를 통해 획득된 데이터를 전처리하는 것에 기반하여, 제2 데이터 및/또는 제3 데이터를 획득할 수 있다. 예를 들어, 제2 데이터 및 제3 데이터는, 핸드 모션에 대한 자세 변화, 주파수 특성, 핸드 모션에 대한 움직임의 크기, 및/또는 방향 중 적어도 하나를 포함할 수 있다. 일 예로, 핸드 모션은 사용자가 전자 장치(200)를 소지(또는 그립)한 상태를 의미할 수 있다. 프로세서(210)는 사용자가 전자 장치(200)를 소지한 상태에서의 움직임을 식별함으로써, 핸드 모션에 대한 자세 변화, 주파수 특성, 핸드 모션에 대한 움직임의 크기, 및/또는 방향 중 적어도 하나를 식별할 수 있다. Referring to FIG. 9, in
예를 들어, 제2 데이터 및 제3 데이터는 가속도 센서(221)를 통해 획득된 전자 장치(200)의 가속도에 관한 데이터, 자이로 센서(222)를 통해 획득된 전자 장치(200)의 각속도에 관한 데이터, 기압 센서(223)를 통해 획득된 전자 장치(200) 주변의 기압에 관한 데이터, 및 통신 회로(240)를 통해 외부 전자 장치로부터 획득된 날씨에 대한 정보 중 적어도 하나를 포함할 수 있다. For example, the second data and the third data are data about the acceleration of the
일 예로, 제2 데이터는 제2 시점에 획득된 데이터를 의미할 수 있다. 일 예로, 제3 데이터는 제2 시점보다 빠른 제1 시점에 획득된 데이터를 의미할 수 있다. As an example, second data may mean data acquired at a second time point. As an example, third data may mean data acquired at a first time point earlier than the second time point.
동작 920 및 동작 930에서, 프로세서(210)는 제2 데이터 및/또는 제3 데이터를 학습할 수 있다. 프로세서(210)는 제2 데이터 및/또는 제3 데이터를 학습하는 것에 기반하여, 지정된 모델(940)의 복수의 파라미터들을 설정할 수 있다. 예를 들어, 지정된 모델(940)은 인공지능 모델을 포함할 수 있다. 예를 들어, 지정된 모델(940)은 DTs(decision trees), SVM(support vector machine), KNN(k-nearest neighbor), 및/또는 MLP(multi-layer perceptron) 등의 머신러닝에 기반하여 구성(또는 설계)될 수 있다.In
예를 들어, 제3 데이터는 사용자의 보행 이력에 따라 획득될 수 있다. 프로세서(210)는 사용자의 보행 이력에 기반하여, 제3 데이터를 획득할 수 있다. 제3 데이터가 획득된 제1 시점은 제2 데이터가 획득된 제2 시점과 상이할 수 있다. 제3 데이터가 획득된 제1 시점은 제2 데이터가 획득된 제2 시점보다 빠를 수 있다. 예를 들어, 프로세서(210)는 제1 시점에서 획득된 제3 데이터를 학습함으로써, 지정된 모델(940)을 설정(또는 변경, 업데이트)할 수 있다. 프로세서(210)는 제1 시점에 획득된 제3 데이터를 이용하여 지정된 모델(940)의 복수의 파라미터들을 설정(또는 변경, 업데이트)할 수 있다. 프로세서(210)는 제2 시점에 획득된 제2 데이터를 학습함으로써, 지정된 모델(940)을 설정할 수 있다. 프로세서(210)는 제2 시점에 획득된 제2 데이터를 이용하여 지정된 모델(940)의 복수의 파라미터들을 설정(또는 변경, 업데이트)할 수 있다. For example, the third data may be obtained according to the user's walking history. The
일 실시 예에 따르면, 프로세서(210)는 제2 데이터의 적어도 일부 또는 전부를 지정된 모델(940)의 학습에 사용할 수 있다. 프로세서(210)는 제2 데이터의 적어도 일부 또는 전부를 지정된 모델(940)의 입력 데이터로 설정할 수 있다. 예를 들어, 프로세서(210)는 지정된 모델(940)의 동작 모드가 학습 모드(또는 training phase)인 동안, 제2 데이터를 학습할 수 있다. 예를 들어, 프로세서(210)는 지정된 모델(940)의 동작 모드가 식별 모드(또는 recognition phase)인 동안, 제2 데이터를 지정된 모델(940)의 입력 데이터로 설정할 수 있다. According to one embodiment, the
동작 950에서, 프로세서(210)는 전자 장치(200)의 이동 상태에 대한 정보를 획득할 수 있다. 예를 들어, 프로세서(210)는 제2 데이터의 적어도 일부 또는 전부를 지정된 모델(940)의 입력 데이터로 설정하는 것에 기반하여, 전자 장치(200)의 이동 상태에 대한 정보를 획득할 수 있다. 예를 들어, 전자 장치(200)의 이동 상태에 대한 정보는 사용자가 전자 장치(200)를 지니고(carry) 있는 자세에 대한 정보를 포함할 수 있다. In
예를 들어, 프로세서(210)는 제2 데이터의 적어도 일부 또는 전부를 지정된 모델(940)의 입력 데이터로 설정하는 것에 기반하여, 사용자의 손을 이용하여 전자 장치(200)를 지니고 있음을 식별할 수 있다. For example, the
예를 들어, 프로세서(210)는 제2 데이터의 적어도 일부 또는 전부를 지정된 모델(940)의 입력 데이터로 설정하는 것에 기반하여, 사용자가 주머니를 이용하여 전자 장치(200)를 지니고 있음을 식별할 수 있다. For example, the
예를 들어, 프로세서(210)는 제2 데이터의 적어도 일부 또는 전부를 지정된 모델(940)의 입력 데이터로 설정하는 것에 기반하여, 사용자가 전자 장치(200)를 쥔 상태에서 팔을 흔들고(swing) 있음을 식별할 수 있다. For example, based on setting at least part or all of the second data as input data of the designated
도 10은 일 실시 예에 따른, 전자 장치의 동작을 도시하는 흐름도이다. FIG. 10 is a flowchart illustrating the operation of an electronic device, according to an embodiment.
도 10을 참조하면, 동작 1010에서, 프로세서(210)는 사용자의 제1 걸음들을 식별할 수 있다. 예를 들어, 프로세서(210)는 가속도 센서(221)를 이용하여 3축 방향의 가속도의 크기에 기반하여, 사용자의 제1 걸음들을 식별할 수 있다. 예를 들어, 프로세서(210)는 3축 방향의 가속도의 크기에 기반하여, 시간에 따른 이동 구간 합의 차분 값의 변화를 나타내는 트랜드(예: 도 6b의 트랜드(640), 도 7b의 트랜드(740))를 식별할 수 있다. 프로세서(210)는 식별된 트랜드에 관한 적어도 하나의 제로 크로싱 포인트에 기반하여, 사용자의 제1 걸음들을 식별할 수 있다. Referring to FIG. 10, in
일 실시 예에 따르면, 프로세서(210)는 사용자의 걸음들 중, 특이 값(outlier)으로 식별되는 걸음을 제외하여 제1 걸음들을 식별할 수 있다. 예를 들어, 프로세서(210)는 z 점수(z-score)에 기반하여, 사용자의 걸음들 중 특이 값(outlier)을 제외하여, 제1 걸음들을 식별할 수 있다. According to one embodiment, the
동작 1020에서, 프로세서(210)는 제1 걸음들의 수가 지정된 횟수 이상인지 여부를 식별할 수 있다. 예를 들어, 프로세서(210)는 유효 보행 구간을 식별하기 위해, 제1 걸음들의 수가 지정된 횟수(예: 12회) 이상인지 여부를 식별할 수 있다. 프로세서(210)는 3축 방향의 가속도의 크기에 기반하여 식별된, 시간에 따른 이동 구간 합의 차분 값의 변화를 나타내는 트랜드에 기반하여, 사용자의 걸음이 지정된 횟수 이상으로 연속적으로 발생되는지 여부를 식별할 수 있다. 실시 예에 따라, 프로세서(210)는 제1 걸음들의 수를 지정된 횟수에 따라 적어도 하나의 유효 보행 구간으로 식별할 수 있다. In
일 실시 예에 따르면, 프로세서(210)는 제1 걸음들의 수가 지정된 횟수 이상이 아님을 식별하는 것에 기반하여, 동작 1010을 수행할 수 있다. 예를 들어, 프로세서(210)는 제1 걸음들의 수가 지정된 횟수 이상이 아님을 식별하는 것에 기반하여, 사용자의 제1 걸음들을 다시 식별할 수 있다. According to one embodiment, the
동작 1030에서, 프로세서(210)는 제1 걸음들에 따른 특징 값들을 식별할 수 있다. 예를 들어, 프로세서(210)는 제1 걸음들의 수가 지정된 횟수 이상임을 식별하는 것에 기반하여, 제1 걸음들에 따른 특징 값들을 식별할 수 있다. In
일 실시 예에 따르면, 특징 값들은 보행 패턴 또는 보행 안정성을 나타내기 위한 값들을 포함할 수 있다. 예를 들어, 특징 값들은 3축 방향의 가속도의 크기에 대한 값들을 포함할 수 있다. 예를 들어, 특징 값들은, 최소값, 최대값, 평균값, 표준편차, RMS(root mean squared) 값, P2P(peak-to-peak) 값, Peak count 값, SMA(signal magnitude area) 값, MAD(mean amplitude deviation) 값 및 COV(coefficient of variance) 값 중 적어도 하나를 포함할 수 있다. According to one embodiment, the feature values may include values representing a walking pattern or walking stability. For example, the feature values may include values for the magnitude of acceleration in three axes. For example, feature values include minimum value, maximum value, average value, standard deviation, root mean squared (RMS) value, peak-to-peak (P2P) value, peak count value, signal magnitude area (SMA) value, and MAD ( It may include at least one of a mean amplitude deviation) value and a COV (coefficient of variance) value.
동작 1040에서, 프로세서(210)는 모집단을 식별할 수 있다. 예를 들어, 프로세서(210)는 제1 걸음들에 따른 특징 값들에 기반하여, 모집단을 식별할 수 있다. 일 실시 예에 따르면, 모집단은 사용자의 복수의 걸음들에 따른 보행 패턴에 관한 값들로 구성될 수 있다. 예를 들어, 프로세서(210)는 제1 걸음들에 따른 특징 값들 및 제1 걸음들이 식별되기 전 발생된, 제2 걸음들에 따른 특징 값들을 식별할 수 있다. 프로세서(210)는 제1 걸음들에 따른 특징 값들에 기반하여, 제1 걸음들에 따른 보행 패턴에 관한 값들을 식별할 수 있다. 프로세서(210)는 제2 걸음들에 따른 특징 값들에 기반하여, 제2 걸음들에 따른 보행 패턴에 관한 값들을 식별할 수 있다. 프로세서(210)는 제1 걸음들에 따른 보행 패턴에 관한 값들 및 제2 걸음들에 따른 보행 패턴에 관한 값들을, 복수의 걸음들에 따른 보행 패턴에 관한 값들을 포함하는 모집단으로 구성할 수 있다. 프로세서(210)는 모집단에 기반하여, 사용자의 보행 패턴에 관한 학습을 수행할 수 있다. 예를 들어, 프로세서(210)는 모집단을 정규화하여 피처 스케일링(feature scaling)을 수행할 수 있다. 프로세서(210)는 피처 스케일링된 데이터에 기반하여, 사용자의 보행 패턴에 관한 학습을 수행할 수 있다. At
이하에서는, 동작 1010 내지 동작 1040에 따른 프로세서(210)의 동작의 구체적인 예가 후술될 것이다.Hereinafter, specific examples of operations of the
도 11은 일 실시 예에 따른 전자 장치의 동작의 예를 도시한다. Figure 11 shows an example of an operation of an electronic device according to an embodiment.
도 12는 일 실시 예에 따른 전자 장치의 동작의 예를 도시한다. Figure 12 shows an example of an operation of an electronic device according to an embodiment.
도 11을 참조하면, 프로세서(210)는 가속도 센서(221)를 이용하여, 3축 방향의 가속도를 나타내는 트랜드들을 식별할 수 있다. 예를 들어, 프로세서(210)는 제1 방향(또는 x축 방향)의 가속도를 나타내는 트랜드(1110)를 식별할 수 있다. 프로세서(210)는 제2 방향(또는 y축 방향)의 가속도를 나타내는 트랜드(1120)를 식별할 수 있다. 프로세서(210)는 제3 방향(또는 z축 방향)의 가속도를 나타내는 트랜드(1130)를 식별할 수 있다. 프로세서(210)는 트랜드(1110) 내지 트랜드(1130)에 기반하여, 이동 구간 합의 차분 값의 변화를 나타내는 트랜드(1140)를 식별할 수 있다. Referring to FIG. 11 , the
일 실시 예에 따르면, 프로세서(210)는 트랜드(1140)에 기반하여, 적어도 하나의 제로 크로싱 포인트를 식별할 수 있다. 프로세서(210)는 적어도 하나의 제로 크로싱 포인트를 식별하는 것에 기반하여, 사용자의 걸음들을 식별할 수 있다. 프로세서(210)는 사용자의 걸음들에 기반하여, 유효 보행 구간을 식별할 수 있다. According to one embodiment, the
일 실시 예에 따르면, 프로세서(210)는 지정된 횟수(예: 10 회) 마다 유효 보행 구간을 식별할 수 있다. 예를 들어, 프로세서(210)는 유효 보행 구간(1151), 유효 보행 구간(1152), 및 유효 보행 구간(1153)을 식별할 수 있다. 프로세서(210)는 사용자의 걸음들의 수가 지정된 횟수 이상임을 식별하는 것에 기반하여, 지정된 횟수 마다 유효 보행 구간을 식별할 수 있다. According to one embodiment, the
일 실시 예에 따르면, 프로세서(210)는 유효 보행 구간(1151)을 구성하는 걸음들 중, 특이 값(outlier)으로 식별된 걸음(1141)을 제외하고, 제1 걸음들을 식별할 수 있다. 프로세서(210)는 제1 걸음들에 따른 특징 값들을 식별할 수 있다. 프로세서(210)는 유효 보행 구간(1152) 및 유효 보행 구간(1153)을 구성하는 걸음들의 특징 값을 식별할 수 있다. According to one embodiment, the
도 12를 참조하면, 프로세서(210)는 걸음당 10개의 특징 값들을 식별할 수 있다. 프로세서(210)는 10 회의 걸음들로 구성된 제1 걸음들에 따른 10 개의 특징 값들을 행렬(1210)로 구성할 수 있다. 행렬(1210)은 10X10(10 by 10)으로 구성될 수 있다. 행렬(1210)을 구성하는 특징 값들은 예시적인 것이며, 변경될 수 있다. Referring to FIG. 12, the
일 실시 예에 따르면, 프로세서(210)는 트랜드(1140)에 기반하여, 특징 값들을 식별할 수 있다. 프로세서(210)는 한 걸음(one step)을 구성하는 이동 구간 합의 차분 값들을 이용하여, 특징 값들을 식별할 수 있다. 예를 들어, 프로세서(210)는 한 걸음(one step)을 구성하는 이동 구간 합의 차분 값의 변화를 나타내는 트랜드를 단위 시간 간격에 따라 이산적인 값들(예: n 개)로 구분할 수 있다. 프로세서(210)는 구분된 값들을 이용하여, 특징 값들을 식별할 수 있다. According to one embodiment, the
예를 들어, 제1 열은, 최소값(min)을 의미할 수 있다. 프로세서(210)는 한 걸음을 구성하는 이동 구간 합의 차분 값들의 최소값을 제1 열의 값으로 식별할 수 있다. For example, the first column may mean the minimum value (min). The
예를 들어, 제2 열은, 최대값(max)을 의미할 수 있다. 프로세서(210)는 한 걸음을 구성하는 이동 구간 합의 차분 값들의 최대값을 제2 열의 값으로 식별할 수 있다.For example, the second column may mean the maximum value (max). The
예를 들어, 제3 열은, 평균값(mean)을 의미할 수 있다. 프로세서(210)는 한 걸음을 구성하는 이동 구간 합의 차분 값들의 평균값을 제3 열의 값으로 식별할 수 있다.For example, the third column may mean the average value. The
예를 들어, 제4 열은, 표준편차(standard deviation)를 의미할 수 있다. 프로세서(210)는 한 걸음을 구성하는 이동 구간 합의 차분 값들의 표준편차를 제4 열의 값으로 식별할 수 있다.For example, the fourth column may mean standard deviation. The
예를 들어, 제5 열은, RMS(root mean squared) 값을 의미할 수 있다. 프로세서(210)는 한 걸음을 구성하는 이동 구간 합의 차분 값들의 RMS 값을 제5 열의 값으로 식별할 수 있다.For example, the fifth column may mean the root mean squared (RMS) value. The
예를 들어, 제6 열은, P2P(peak-to-peak) 값을 의미할 수 있다. 프로세서(210)는 한 걸음을 구성하는 이동 구간 합의 차분 값들을 나타내는 트랜드의 peak 값들의 차이를 제6 열의 값으로 식별할 수 있다.For example, the sixth column may mean a P2P (peak-to-peak) value. The
예를 들어, 제7 열은, peak count 값을 의미할 수 있다. 프로세서(210)는 한 걸음을 구성하는 이동 구간 합의 차분 값들을 나타내는 트랜드의 peak 값의 개수를 제7 열의 값으로 식별할 수 있다. For example, the 7th column may mean the peak count value. The
예를 들어, 제8 열은, SMA(signal magnitude area) 값을 의미할 수 있다. 프로세서(210)는 한 걸음을 구성하는 이동 구간 합의 차분 값들을 나타내는 트랜드의 SMA 값을 제8 열의 값으로 식별할 수 있다. For example, the 8th column may mean a signal magnitude area (SMA) value. The
예를 들어, 제9 열은, MAD(mean amplitude deviation) 값을 의미할 수 있다. 프로세서(210)는 한 걸음을 구성하는 이동 구간 합의 차분 값들을 나타내는 트랜드의 MAD 값을 제9 열의 값으로 식별할 수 있다. For example, the 9th column may refer to the mean amplitude deviation (MAD) value. The
예를 들어, 제10 열은, COV(coefficient of variance) 값을 의미할 수 있다. 프로세서(210)는 한 걸음을 구성하는 이동 구간 합의 차분 값들의 COV(coefficient of variance) 값을 제10 열의 값으로 식별할 수 있다. For example, the 10th column may indicate a coefficient of variance (COV) value. The
도 13은 일 실시 예에 따른, 전자 장치의 동작을 도시하는 흐름도이다. FIG. 13 is a flowchart illustrating the operation of an electronic device, according to an embodiment.
도 13을 참조하면, 동작 1310에서, 프로세서(210)는 제1 걸음들에 따른 보행 패턴에 관한 값들을 식별할 수 있다. 예를 들어, 프로세서(210)는 제1 걸음들에 따른 특징 값들에 기반하여, 제1 걸음들에 따른 보행 패턴에 관한 값들을 식별할 수 있다. 예를 들어, 프로세서(210)는 제1 걸음들에 따른 특징 값들에 기반하여 구성된 행렬에 지정된 행렬을 곱하여, 제1 걸음들에 따른 보행 패턴에 관한 값들로 구성된 제1 행렬을 식별할 수 있다. Referring to FIG. 13, in
동작 1320에서, 프로세서(210)는 제2 걸음들에 따른 보행 패턴에 관한 값들을 식별할 수 있다. 예를 들어, 프로세서(210)는 제2 걸음들에 따른 특징 값들에 기반하여, 제2 걸음들에 따른 보행 패턴에 관한 값들을 식별할 수 있다. 예를 들어, 프로세서(210)는 제2 걸음들에 따른 특징 값들에 기반하여 구성된 행렬에 지정된 행렬을 곱하여, 제2 걸음들에 따른 보행 패턴에 관한 값들로 구성된 제2 행렬을 식별할 수 있다. 예를 들어, 제2 걸음들에 따른 보행 패턴에 관한 값들은 사용자의 보행 이력에 따라 학습된 값일 수 있다.In
일 실시 예에 따르면, 제1 걸음들의 특징 값들 및 제2 걸음들의 특징 값들이 많을수록 연산량이 증가하고, 지정된 모델의 학습 효과가 떨어질 수 있다. 따라서, 프로세서(210)는 다양한 특징 값들을 보행 패턴에 따른 특징 값들로 식별하여 보행 패턴의 차원을 감소시킬 수 있다. According to one embodiment, as the feature values of the first steps and the feature values of the second steps increase, the amount of computation increases and the learning effect of the designated model may decrease. Accordingly, the
동작 1330에서, 프로세서(210)는 모집단을 구성할 수 있다. 예를 들어, 프로세서(210)는 제1 걸음들에 따른 보행 패턴에 관한 값들 및 제2 걸음들에 따른 보행 패턴에 관한 값들을, 복수의 걸음들에 따른 보행 패턴에 관한 값들을 포함하는 모집단으로 구성할 수 있다. At
예를 들어, 프로세서(210)는 제1 걸음들에 따른 보행 패턴에 관한 값들 및 제2 걸음들에 따른 보행 패턴에 관한 값들을 복수의 걸음들에 따른 보행 패턴에 관한 값들로 식별할 수 있다. 프로세서(210)는 복수의 걸음들에 따른 보행 패턴에 관한 값들을 포함하는 모집단을 제3 행렬로 표현할 수 있다. For example, the
동작 1340에서, 프로세서(210)는 복수의 걸음들에 따른 적합도에 대한 정보에 기반하여, 모집단 중 적어도 일부를 식별할 수 있다. 예를 들어, 프로세서(210)는 모집단에 기반하여 획득된, 복수의 걸음들에 따른 적합도에 대한 정보에 기반하여, 모집단 중 적어도 일부를 식별할 수 있다. In
일 실시 예에 따르면, 프로세서(210)는 모집단에 기반하여, 복수의 걸음들에 따른 적합도에 대한 정보를 획득할 수 있다. 예를 들어, 프로세서(210)는 제3 행렬로 표현된 모집단 중 각 열의 대표 값을 식별할 수 있다. 일 예로, 프로세서(210)는 제3 행렬로 표현된 모집단 중 각 열의 평균(mean) 값을 대표 값으로 식별할 수 있다. 프로세서(210)는 제3 행렬로 표현된 모집단 중 각 열의 평균 값을 대표 값으로 식별하는 것에 기반하여, 복수의 걸음들에 따른 적합도에 대한 정보를 획득할 수 있다. 복수의 걸음들에 따른 적합도에 대한 정보는 제4 행렬로 표현될 수 있다. According to one embodiment, the
일 실시 예에 따르면, 프로세서(210)는, 복수의 걸음들에 따른 적합도에 대한 정보에 기반하여, 모집단 중 적어도 일부를 식별할 수 있다. 프로세서(210)는 복수의 걸음들에 따른 적합도가 높은 순으로, 모집단 중 적어도 일부를 식별할 수 있다. According to one embodiment, the
동작 1350에서, 프로세서(210)는 보행 패턴에 대한 학습을 수행할 수 있다. 예를 들어, 프로세서(210)는 모집단 중 적어도 일부에 기반하여, 사용자의 보행 패턴에 대한 학습을 수행할 수 있다. In
일 실시 예에 따르면, 프로세서(210)는 보행 패턴에 대한 학습을 반복함으로써, 보행 패턴을 업데이트할 수 있다. 프로세서(210)는 보행 패턴에 대한 학습에 따른 보행 패턴의 변화량이 기준 범위 내임을 식별하는 것에 기반하여, 보행 패턴이 충분히 학습되었음을 식별할 수 있다. 프로세서(210)는 보행 패턴이 충분히 학습되었음을 식별하는 것에 기반하여, 보행 패턴에 대한 학습을 중단할 수 있다. According to one embodiment, the
동작 1310 내지 동작 1350에 따른 동작의 구체적인 예가 도 14 내지 도 18에서 후술될 것이다. Specific examples of operations according to
도 14는 일 실시 예에 따른 지정된 행렬의 예를 도시한다. Figure 14 shows an example of a designated matrix according to one embodiment.
도 15는 일 실시 예에 따른 모집단을 나타내는 행렬의 예를 도시한다.Figure 15 shows an example of a matrix representing a population according to one embodiment.
도 16은 일 실시 예에 따른 적합도에 대한 정보를 나타내는 행렬의 예를 도시한다.Figure 16 shows an example of a matrix representing information on fitness according to an embodiment.
도 17은 일 실시 예에 따른 모집단의 적어도 일부를 나타내는 행렬의 예를 도시한다. Figure 17 shows an example of a matrix representing at least a portion of the population according to one embodiment.
도 18은 일 실시 예에 따른 보행 패턴에 대한 학습 결과의 예를 도시한다. Figure 18 shows an example of a learning result for a walking pattern according to an embodiment.
도 14를 참조하면, 프로세서(210)는 행렬(1410)을 식별할 수 있다. 예를 들어, 행렬(1410)은 메모리(230)에 저장된 상태일 수 있다. 예를 들어, 행렬(1410)은 미리 모델링 된 상태일 수 있다. 실시 예에 따라, 프로세서(210)는 행렬(1410)을 전자 장치(200)와 연결된 외부 전자 장치(예: 서버)로부터 수신할 수 있다. Referring to FIG. 14, the
일 실시 예에 따르면, 행렬(1410)은 제1 걸음들에 따른 보행 패턴에 관한 값들을 식별하기 위해 사용될 수 있다. 행렬(1410)은 제2 걸음들에 따른 보행 패턴에 관한 값들을 식별하기 위해 사용될 수 있다. According to one embodiment, the
도 15를 참조하면, 프로세서(210)는 제1 걸음들에 대한 특징 값들을 나타내는 행렬(예: 도 12의 행렬(1210))에 행렬(1410)을 곱함으로써, 제1 걸음들에 따른 보행 패턴에 관한 값들을 식별할 수 있다. 프로세서(210)는 제1 걸음들에 따른 보행 패턴에 관한 값들을 행렬(1512)로 나타낼 수 있다. 예를 들어, 제1 걸음들의 수는 10회 일 수 있다. 행렬(1512)은 10X3으로 구성될 수 있다.Referring to FIG. 15, the
프로세서(210)는 제2 걸음들에 대한 특징 값들을 나타내는 행렬에 행렬(1410)을 곱함으로써, 제2 걸음들에 따른 보행 패턴에 관한 값들을 식별할 수 있다. 프로세서(210)는 제2 걸음들에 따른 보행 패턴에 관한 값들을 행렬(1511)로 나타낼 수 있다. 예를 들어, 제2 걸음들의 수는 10회 일 수 있다. 행렬(1511)은 10X3으로 구성될 수 있다. 예를 들어, 제2 걸음들은, 제1 걸음들이 식별되기 전 발생될 수 있다. 예를 들어, 제2 걸음들은, 제1 걸음들이 식별되기 전 미리 학습된 걸음들일 수 있다. The
일 실시 예에 따르면, 프로세서(210)는 모집단을 구성할 수 있다. 프로세서(210)는 제1 걸음들에 따른 보행 패턴에 관한 값들 및 제2 걸음들에 따른 보행 패턴에 관한 값들을 복수의 걸음들에 따른 보행 패턴에 관한 값들을 포함하는 모집단으로 구성할 수 있다. 예를 들어, 프로세서(210)는 제1 걸음들에 따른 보행 패턴에 관한 값들을 포함하는 행렬(1512) 및 제2 걸음들에 따른 보행 패턴에 관한 값들을 포함하는 행렬(1511)을 결합함으로써, 행렬(1510)을 식별할 수 있다. According to one embodiment, the
일 실시 예에 따르면, 행렬(1510)은 복수의 걸음들에 따른 보행 패턴에 관한 값들로 구성될 수 있다. 행렬(1510)의 행은 복수의 걸음들을 의미할 수 있다. 복수의 걸음들은 20회일 수 있다. 행렬(1510)은 20X3으로 구성될 수 있다. According to one embodiment, the
도 16을 참조하면, 프로세서(210)는 행렬(1510)에서 각 행을 3 차원 좌표계로 나타낼 수 있다. 행렬(1510)의 1 열은 x 축의 좌표 값을 의미할 수 있다. 행렬(1510)의 2 열은 y 축의 좌표 값을 의미할 수 있다. 행렬(1510)의 3 열은 z 축의 좌표 값을 의미할 수 있다. 예를 들어, 행렬(1510)의 1 행은 제1 좌표에 대응할 수 있다. 행렬(1510)의 2 행은 제2 좌표에 대응할 수 있다. 프로세서(210)는 행렬(1510)에 기반하여, 제1 좌표 내지 제20 좌표를 식별할 수 있다. 프로세서(210)는 제1 좌표 내지 제20 좌표의 평균 좌표를 식별할 수 있다. 프로세서(210)는 제1 좌표 내지 제20 좌표 각각과 평균 좌표 사이의 유클리디안 거리를 식별할 수 있다. 프로세서(210)는 제1 좌표부터 제20 좌표까지의 각각의 좌표와 평균 좌표 사이의 유클리디안 거리를 식별함으로써, 복수의 걸음들에 따른 적합도에 대한 정보를 식별할 수 있다. 프로세서(210)는 복수의 걸음들에 따른 적합도에 대한 정보를 행렬(1610)으로 나타낼 수 있다. 예를 들어, 행렬(1610)의 각 행은 각각의 걸음에 대한 적합도를 의미할 수 있다. 일 예로, 행렬(1610)의 1 행은 제2 걸음들의 첫번째 걸음에 대한 적합도를 의미할 수 있다.Referring to FIG. 16, the
도 17을 참조하면, 프로세서(210)는 복수의 걸음들에 따른 적합도에 대한 정보에 기반하여, 모집단 중 적어도 일부를 식별할 수 있다. 예를 들어, 프로세서(210)는 적합도가 높은 상위 10 개의 걸음들을 식별함으로써, 모집단 중 적어도 일부를 식별할 수 있다. 프로세서(210)는 적합도가 높은 상위 10 개의 걸음들에 따른 보행 패턴에 관한 값들을 행렬(1710)으로 나타낼 수 있다. Referring to FIG. 17, the
도 18을 참조하면, 프로세서(210)는 도 14 내지 도 17에 따른 동작을 수행함으로써, 사용자의 보행 패턴에 대한 학습을 수행할 수 있다. Referring to FIG. 18, the
일 실시 예에 따르면, 프로세서(210)는 행렬(1710)에 대응하는 10 개의 제1 좌표들(1810)을 식별할 수 있다. 프로세서(210)는 행렬(1710)에 포함된 보행 패턴에 관한 값들 및 새롭게 획득된 보행 패턴에 관한 값들을 이용하여, 보행 패턴에 대한 학습을 수행함으로써, 제2 좌표들(1820)을 식별할 수 있다. 프로세서(210)는 제1 좌표들(1810)의 대표 값 및 제2 좌표들(1820) 사이의 유클리디안 거리를 식별할 수 있다. 프로세서(210)는 제1 좌표들(1810)의 대표 값 및 제2 좌표들(1820) 사이의 유클리디안 거리를 학습에 따른 보행 패턴의 변화량으로 식별할 수 있다. 프로세서(210)는 학습에 따른 보행 패턴의 변화량이 기준 범위 내인지 여부를 식별할 수 있다. According to one embodiment, the
일 실시 예에 따르면, 프로세서(210)는 유효 보행 구간이 식별될 때마다, 보행 패턴에 대한 학습을 수행할 수 있다. 프로세서(210)는 사용자의 보행 패턴을 진화적으로 학습할 수 있다. 예를 들어, 프로세서(210)는 학습에 따른 보행 패턴의 변화량이 기준 범위 밖임을 식별하는 것에 기반하여, 보행 패턴에 대한 학습을 반복할 수 있다. According to one embodiment, the
예를 들어, 프로세서(210)는 보행 패턴에 대한 학습에 따라 제3 좌표들(1830)을 식별할 수 있다. 프로세서(210)는 제2 좌표들(1820)의 대표 값 및 제3 좌표들(1830)의 대표 값 사이의 유클리디안 거리를 학습에 따른 보행 패턴의 변화량으로 식별할 수 있다. 프로세서(210)는 학습에 따른 보행 패턴의 변화량이 기준 범위 밖임을 식별할 수 있다. 프로세서(210)는 보행 패턴에 대한 학습에 따라 제4 좌표들을 식별할 수 있다. 프로세서(210)는 제3 좌표들(1830)의 대표 값 및 제4 좌표들(1840)의 대표 값 사이의 유클리디안 거리를 학습에 따른 보행 패턴의 변화량으로 식별할 수 있다. 프로세서(210)는 학습에 따른 보행 패턴의 변화량이 기준 범위 내임을 식별할 수 있다. 프로세서(210)는 학습에 따른 보행 패턴의 변화량이 기준 범위 내임을 식별하는 것에 기반하여, 보행 패턴이 충분히 학습되었음을 식별할 수 있다. 프로세서(210)는 보행 패턴이 충분히 학습되었음을 식별하는 것에 기반하여, 보행 패턴에 대한 학습을 중단할 수 있다.For example, the
도 19는 일 실시 예에 따른 프로세서의 동작 모드의 예를 도시한다. Figure 19 shows an example of an operation mode of a processor according to an embodiment.
도 19를 참조하면, 프로세서(210)는 제1 모드(1910), 제2 모드(1920), 제3 모드(1930), 및 제4 모드(1940) 중 하나로 동작할 수 있다. 예를 들어, 프로세서(210)는 동작 모드에 기반하여, 보행 패턴을 학습할 수 있다. Referring to FIG. 19 , the
일 실시 예에 따르면, 프로세서(210)는, 제1 모드(1910)에 기반하여, 메모리(230)에 저장된, 사용자의 보행 이력 및 제2 보행 패턴에 관한 제4 정보를 초기화할 수 있다. 예를 들어, 제2 보행 패턴은 사용자의 보행 이력에 기반하여 식별될 수 있다. 제2 보행 패턴은 학습된 보행 패턴을 의미할 수 있다. 예를 들어, 제1 모드(1910)에서, 프로세서(210)는 보행 패턴을 학습하지 않은 상태로 동작할 수 있다. 예를 들어, 제1 모드(1910)는 idle 모드(또는 idle 상태)로 참조될 수 있다. According to one embodiment, the
일 실시 예에 따르면, 프로세서(210)는 제2 모드(1920)에 기반하여, 센서(220)를 이용하여 사용자의 보행 패턴에 관한 데이터를 획득할 수 있다. 예를 들어, 프로세서(210)는 제2 모드(1920)에서, 보행 패턴을 학습하기 위해, 사용자의 보행 패턴에 관한 데이터를 획득할 수 있다. 예를 들어, 제2 모드(1920)에서, 프로세서(210)는 유효 보행 구간을 식별할 수 있다. 프로세서(210)는 유효 보행 구간 내의 걸음들에 관한 특징 값들을 식별함으로써, 보행 패턴에 관한 데이터를 획득할 수 있다. According to one embodiment, the
일 실시 예에 따르면, 프로세서(210)는 제3 모드(1930)에 기반하여, 사용자의 보행 패턴에 관한 데이터를 학습할 수 있다. 예를 들어, 제3 모드(1930)에서, 프로세서(210)는 제2 모드(1920)로 동작하는 동안 획득된 보행 패턴에 관한 데이터를 학습할 수 있다. 프로세서(210)는 보행 패턴에 관한 데이터가 학습하기 위해 충분히 획득된 경우, 프로세서(210)는 제3 모드(1930)에서, 획득된 보행 패턴에 관한 데이터를 학습할 수 있다. 예를 들어, 프로세서(210)는 사용자의 평상 시 보행 패턴을 학습함으로써, 보행 패턴을 업데이트할 수 있다. 프로세서(210)는 학습된 보행 패턴을 제2 보행 패턴으로 식별할 수 있다. According to one embodiment, the
일 실시 예에 따르면, 프로세서(210)는 제4 모드(1940)에 기반하여, 사용자의 보행 패턴에 관한 데이터를 학습하는 동작을 중단할 수 있다. 예를 들어, 프로세서(210)는 학습에 따른 보행 패턴의 변화량이 기준 범위 내임을 식별하는 것에 기반하여, 사용자의 보행 패턴에 관한 데이터를 학습하는 동작을 중단할 수 있다. According to one embodiment, the
일 실시 예에 따르면, 프로세서(210)는, 전자 장치(200)의 사용자가 변경됨을 식별하는 것에 기반하여, 프로세서(210)의 동작 모드를 제1 모드(1910)로 설정할 수 있다. 프로세서(210)는 제1 모드(1910)에서 학습된 보행 패턴인 제2 보행 패턴에 관한 제4 정보를 초기화할 수 있다. 일 예로, 프로세서(210)는, 제1 모드에서, 사용자의 성별 및 성명 중 적어도 하나가 변경됨을 식별하는 것에 기반하여, 사용자가 변경됨을 식별할 수 있다. According to one embodiment, the
일 실시 예에 따르면, 프로세서(210)는 제1 모드(1910)로 동작하는 동안, 유효 보행 구간을 식별하는 것에 응답하여, 프로세서(210)의 동작 모드를 제1 모드(1910)로부터 제2 모드(1920)로 변경할 수 있다. According to one embodiment, while operating in the
일 실시 예에 따르면, 프로세서(210)는 제2 모드(1920)로 동작하는 동안, 보행 패턴에 관한 데이터가 학습하기 위해 충분히 획득되었음을 식별하는 것에 응답하여, 프로세서(210)의 동작 모드를 제2 모드(1920)로부터 제3 모드(1930)로 변경할 수 있다. According to one embodiment, the
일 실시 예에 따르면, 프로세서(210)는 제3 모드(1930)로 동작하는 동안, 보행 패턴의 학습이 완료되는 것에 응답하여, 프로세서(210)의 동작 모드를 제3 모드(1930)로부터 제2 모드(1920)로 변경할 수 있다. 일 실시 예에 따르면, 프로세서(210)는 제3 모드(1930)로 동작하는 동안, 보행 패턴의 학습 결과에 기반하여, 프로세서(210)의 동작 모드를 제3 모드(1930)로부터 제2 모드(1920)로 변경할 수 있다. 예를 들어, 프로세서(210)는 보행 패턴의 변화량이 기준 범위 내임을 식별하는 것에 기반하여, 프로세서(210)의 동작 모드를 제3 모드(1930)로부터 제2 모드(1920)로 변경할 수 있다. 예를 들어, 프로세서(210)는 보행 패턴이 학습(또는 진화 학습)된 횟수가 기준 횟수 이상임을 식별하는 것에 기반하여, 프로세서(210)의 동작 모드를 제3 모드(1930)로부터 제2 모드(1920)로 변경할 수 있다. 예를 들어, 프로세서(210)는 보행 패턴이 학습된 시간이 기준 시간 이상임을 식별하는 것에 기반하여, 프로세서(210)의 동작 모드를 제3 모드(1930)로부터 제2 모드(1920)로 변경할 수 있다. According to one embodiment, the
일 실시 예에 따르면, 프로세서(210)는 제4 모드(1940)로 동작하는 동안, 사용자의 신체 프로필이 변경되었음을 식별하는 것에 기반하여, 프로세서(210)의 동작 모드를 제4 모드(1940)로부터 제2 모드(1920)로 변경할 수 있다. 일 실시 예에 따르면, 프로세서(210)는 제4 모드(1940)로 동작하는 동안, 보행 패턴의 변화량이 기준 범위 밖임을 식별하는 것에 기반하여, 프로세서(210)의 동작 모드를 제4 모드(1940)로부터 제2 모드(1920)로 변경할 수 있다. According to one embodiment, the
도 20a 및 도 20b는 일 실시 예에 따른 보행 패턴에 대한 값들이 3차원의 좌표들로 표시되는 예를 도시한다. Figures 20A and 20B show an example in which values for a walking pattern according to an embodiment are displayed as three-dimensional coordinates.
일 실시 예에 따르면, 프로세서(210)는 사용자마다 보행 패턴(또는 보행 습관)이 상이하기 때문에, 사용자의 보행 패턴이 기준 보행 패턴(예: 일반 사용자의 보행 패턴)과 상이한 경우에도, 낙상이 발생할 확률이 높다고 판단하지 않을 수 있다. 프로세서(210)는 사용자의 보행 환경에 따라 낙상이 발생할 확률을 변경할 수 있다. According to one embodiment, the
일 실시 예에 따르면, 프로세서(210)는 사용자의 제1 보행 패턴 및 기준 보행 패턴 사이의 차이를 나타내는 제1 값, 사용자의 제1 보행 패턴 및 사용자의 제2 보행 패턴(예: 학습된 보행 패턴) 사이의 차이를 나타내는 제2 값, 및 사용자의 보행 환경에 관한 제2 정보에 기반하여, 사용자에게 낙상이 발생할 확률 값을 식별할 수 있다. According to one embodiment, the
예를 들어, 프로세서(210)는 제1 보행 패턴 및 기준 보행 패턴 사이의 차이를 나타내는 제1 값에 기반하여, 제1 유사도를 식별할 수 있다. 프로세서(210)는 제1 보행 패턴 및 제2 보행 패턴 사이의 차이를 나타내는 제2 값에 기반하여, 제2 유사도를 식별할 수 있다. 프로세서(210)는 제1 유사도, 제2 유사도, 및 사용자의 보행 환경에 관한 제2 정보에 기반하여, 사용자에게 낙상이 발생할 확률 값을 식별할 수 있다. For example, the
예를 들어, 프로세서(210)는 수학식 5를 이용하여, 사용자에게 낙상이 발생할 확률 값을 식별할 수 있다. For example, the
수학식 5를 참조하면, S는 사용자에게 낙상이 발생할 확률 값이다. S'은 S1에 기반하여 설정될 수 있다. S1은 제2 보행 패턴 및 기준 보행 패턴 사이의 유사도이다. S1이 임계 값(threshold, 수학식 5의 thrd) 이상인 경우, S'은 0으로 설정될 수 있다. S1이 임계 값 미만인 경우, S'은 S2로 설정될 수 있다. S2는 제1 보행 패턴 및 기준 보행 패턴 사이의 제1 유사도이다. S3는 제1 보행 패턴 및 제2 보행 패턴 사이의 제2 유사도이다. E는 제2 정보 기반하여 식별된 보행 환경에 대한 값이다. α(alpha), β(beta), 및 γ(gamma)는 계수(coefficient)이다. 예를 들어, 프로세서(210)는 제2 정보에 기반하여, 보행 환경에 대한 값(E)을 식별할 수 있다. 프로세서(210)는 날씨, 경사도, 보행 주파수(또는 보행 속력), 및/또는 전자 장치(200)의 이동 상태에 기반하여, 보행 환경에 대한 값(E)을 식별할 수 있다. 예를 들어, 프로세서(210)는 퍼지 집합에 기반하여 보행 환경에 대한 값(E)을 식별할 수 있다. 예를 들어, 퍼지 집합은 표 2와 같이 구성될 수 있다. Referring to
표 2를 참조하면, 프로세서(210)는 퍼지 집합들을 구성할 수 있다. 집합 W는 날씨에 대한 원소를 포함할 수 있다. 집합 S는 경사도에 대한 원소를 포함할 수 있다. 집합 F는 보행 주파수에 대한 원소를 포함할 수 있다. 집합 P는 이동 상태에 대한 원소를 포함할 수 있다. 프로세서(210)는 퍼지 멤버십 함수에 따른 퍼지 추론에 기반하여, 집합 W, 집합 S, 집합 F, 및 집합 P의 원소 중 적어도 일부를 식별할 수 있다. 프로세서(210)는 식별된 원소에 기반하여, 보행 환경에 대한 값(E)을 식별할 수 있다.Referring to Table 2, the
도 20a를 참조하면, 프로세서(210)는 현재 보행 패턴인 제1 보행 패턴에 관한 값들에 따른 제1 좌표들(2010)을 식별할 수 있다. 예를 들어, 현재 보행 패턴은 정상 보행 상태에서 획득될 수 있다. 프로세서(210)는 기준 보행 패턴인 제2 보행 패턴에 관한 값들에 따른 제2 좌표들(2020)을 식별할 수 있다. 프로세서(210)는 제1 좌표들(2010)의 대표 값(예: 평균 값) 및 제2 좌표들(2020)의 대표 값(예: 평균 값) 사이의 유클리디안 거리에 기반하여, 유사도를 식별할 수 있다. 예를 들어, 유클리디안 거리가 짧을수록 유사도가 1에 가까운 값으로 식별될 수 있다. 프로세서(210)는 제1 좌표들(2010)의 대표 값 및 제2 좌표들(2020)의 대표 값 사이의 유클리디안 거리에 기반하여, 유사도를 1에 가까운 값으로 식별할 수 있다. Referring to FIG. 20A, the
도 20b를 참조하면, 프로세서(210)는 현재 보행 패턴인 제1 보행 패턴에 관한 값들에 따른 제3 좌표들(2030)을 식별할 수 있다. 예를 들어, 현재 보행 패턴은 비정상 보행 상태에서 획득될 수 있다. 일 예로, 현재 보행 패턴은 사용자가 한쪽 다리를 저는 상태서 획득될 수 있다. 프로세서(210)는 기준 보행 패턴인 제2 보행 패턴에 관한 값들에 따른 제2 좌표들(2020)을 식별할 수 있다. 프로세서(210)는 제3 좌표들(2030)의 대표 값 및 제2 좌표들(2020)의 대표 값 사이의 유클리디안 거리에 기반하여, 유사도를 식별할 수 있다. 예를 들어, 프로세서(210)는 제3 좌표들(2030)의 대표 값(예: 평균 값) 및 제2 좌표들(2020)의 대표 값(예: 평균 값) 사이의 유클리디안 거리에 기반하여, 유사도를 0에 가까운 값으로 식별할 수 있다. Referring to FIG. 20B, the
도 21a 및 도 21b는 일 실시 예에 따른 낙상 위험을 경고하기 위한 화면의 예를 도시한다. 21A and 21B show an example of a screen for warning of the risk of falling according to an embodiment.
도 21a 및 도 21b를 참조하면, 프로세서(210)는 전자 장치(200)와 연결된 외부 전자 장치(2100)를 통해 낙상 위험을 미리 경고하기 위한 알림을 제공할 수 있다. 예를 들어, 프로세서(210)는 낙상 위험을 경고하기 위한 알림을 제공하도록 외부 전자 장치(2100)를 야기하기 위한 신호를 외부 전자 장치(2100)에게 송신할 수 있다. Referring to FIGS. 21A and 21B , the
일 실시 예에 따르면, 프로세서(210)는 사용자에게 낙상이 발생할 확률 값을 식별할 수 있다. 프로세서(210)는 식별된 확률 값에 기반하여, 임계 값을 복수의 후보 임계 값들 중 하나로 식별할 수 있다. 예를 들어, 프로세서(210)는 사용자에게 낙상이 발상할 확률 값에 기반하여, 낙상 위험도를 '낮음', '보통', '높음', 및 '아주 높음' 중 하나로 식별할 수 있다. 프로세서(210)는 낙상 위험도에 따른 복수의 후보 임계 값들 중 하나를 식별할 수 있다. 예를 들어, 낙상 위험도에 따른 복수의 후보 임계 값들은 상술한 표 1과 같이 설정될 수 있다. According to one embodiment, the
일 실시 예에 따르면, 프로세서(210)는 사용자에게 낙상이 발생될 확률 값이 지정된 조건을 만족하는 것에 기반하여, 사용자에게 낙상 위험을 미리 경고하기 위한 알림을 제공할 수 있다. 실시 예에 따라, 프로세서(210)는 전자 장치(200)의 디스플레이를 이용하여 사용자에게 낙상 위험을 경고하기 위한 알림을 표시할 수 있다. According to one embodiment, the
도 21a를 참조하면, 프로세서(210)는 외부 전자 장치(2100)의 디스플레이를 이용하여, 화면(2110)을 표시할 수 있다. 화면(2110)은 낙상 위험도를 나타내는 텍스트(2111) 및 보행 환경에 관한 경고를 나타내는 텍스트(2112)를 포함할 수 있다. 예를 들어, 텍스트(2112)는 통해 보행 환경에 대한 정보 및 위험 요소에 대한 정보를 나타내도록 구성될 수 있다. 텍스트(2112)는 빗길에 대한 위험을 알리기 위해 표시될 수 있다.Referring to FIG. 21A, the
도 21b를 참조하면, 프로세서(210)는 외부 전자 장치(2100)의 디스플레이를 이용하여, 화면(2120)을 표시할 수 있다. 화면(2120)은 낙상 위험도를 나타내는 텍스트(2121) 및 보행 환경에 관한 경고를 나타내는 텍스트(2122)를 포함할 수 있다. 예를 들어, 텍스트(2122)는 통해 보행 환경에 대한 정보 및 위험 요소에 대한 정보를 나타내도록 구성될 수 있다. 텍스트(2122)는 눈이 오는 날 사용자의 행동을 가이드하기 위해 표시될 수 있다. Referring to FIG. 21B, the
일 실시 예에 따르면, 전자 장치(200)는, 적어도 하나의 센서(220), 메모리(230), 및 프로세서(210)를 포함할 수 있다. 상기 프로세서(210)는, 상기 적어도 하나의 센서(220)를 이용하여, 상기 전자 장치(200)의 사용자의 제1 보행 패턴에 관한 제1 정보 및 상기 사용자의 보행 환경에 관한 제2 정보를 획득하도록 설정될 수 있다. 상기 프로세서(210)는, 상기 제1 정보 및 상기 메모리(230)에 저장된, 기준 보행 패턴에 관한 제3 정보에 기반하여, 상기 제1 보행 패턴 및 상기 기준 보행 패턴 사이의 차이를 나타내는 제1 값을 식별하도록 설정될 수 있다. 상기 프로세서(210)는, 상기 제1 정보 및 상기 메모리(230)에 저장되고, 상기 사용자의 보행 이력에 기반하여 식별된, 상기 사용자의 제2 보행 패턴에 관한 제4 정보에 기반하여, 상기 제1 보행 패턴 및 상기 제2 보행 패턴 사이의 차이를 나타내는 제2 값을 식별하도록 설정될 수 있다. 상기 프로세서(210)는, 상기 제1 값, 상기 제2 값, 및 상기 제2 정보에 기반하여, 낙상 검출과 관련된 임계 값을 식별하도록 설정될 수 있다. 상기 프로세서(210)는, 상기 임계 값과 상기 적어도 하나의 센서(220)를 통해 획득되는 값 사이의 비교에 기반하여, 상기 낙상 검출을 실행하도록 설정될 수 있다. According to one embodiment, the
일 실시 예에 따르면, 상기 적어도 하나의 센서(220)는, 가속도 센서(220), 자이로 센서(220), 및 기압 센서(220)를 더 포함할 수 있다. 상기 프로세서(210)는, 상기 가속도 센서(220)를 이용하여, 지정된 시간 구간 동안 획득된 제1 데이터에 기반하여, 상기 제1 보행 패턴에 관한 상기 제1 정보를 획득하도록 설정될 수 있다. 상기 프로세서(210)는, 상기 가속도 센서(220), 상기 자이로 센서(220), 및 상기 기압 센서(220), 및 상기 통신 회로(240) 중 적어도 하나를 이용하여 획득된 제2 데이터에 기반하여, 상기 사용자의 보행 환경에 관한 상기 제2 정보를 획득하도록 설정될 수 있다. According to one embodiment, the at least one
일 실시 예에 따르면, 상기 프로세서(210)는, 상기 지정된 시간 구간 동안, 3축 방향에 각각 대응하는 가속도 트랜드들을 획득하도록 설정될 수 있다. 상기 프로세서(210)는, 상기 가속도 트랜드들에 기반하여, 이동 구간 합의 차분 값에 기반하여, 상기 사용자의 상기 제1 보행 패턴을 식별하도록 설정될 수 있다. According to one embodiment, the
일 실시 예에 따르면, 상기 사용자의 보행 환경에 관한 상기 제2 정보는, 상기 전자 장치(200)의 이동 경로의 경사도에 대한 정보, 상기 전자 장치(200)의 이동 상태에 대한 정보, 및 상기 지정된 시간 구간 동안의 날씨에 대한 정보 중 적어도 하나를 포함할 수 있다. According to one embodiment, the second information about the user's walking environment includes information about the slope of the movement path of the
일 실시 예에 따르면, 상기 프로세서(210)는, 상기 제2 데이터의 적어도 일부를, 상기 메모리(230)에 저장되고, 복수의 파라미터들에 의해 지시되는 지정된 모델의 입력 데이터로 설정함으로써, 상기 전자 장치(200)의 이동 상태에 대한 상기 정보를 획득하도록 설정될 수 있다. 상기 지정된 모델의 상기 복수의 파라미터들은, 상기 사용자의 보행 이력에 따라 획득된 제3 데이터의 학습에 기반하여 설정될 수 있다. According to one embodiment, the
일 실시 예에 따르면, 전자 장치(200)는 통신 회로(240)를 포함할 수 있다. 상기 프로세서(210)는, 상기 통신 회로(240)를 이용하여, 상기 전자 장치(200)와 연결된 서버로부터 상기 기준 보행 패턴에 관한 상기 제3 정보를 수신하도록 설정될 수 있다. 상기 프로세서(210)는, 상기 제3 정보를 상기 메모리(230)에 저장하도록 설정될 수 있다. 상기 제3 정보는, 상기 서버에 저장된 복수의 사용자들과 관련된 복수의 보행 패턴들에 기반하여 획득될 수 있다. According to one embodiment, the
일 실시 예에 따르면, 상기 프로세서(210)는, 상기 제1 보행 패턴에 관한 값들 및 상기 지정된 보행 패턴에 관한 값들 사이의 유클리디안 거리에 기반하여, 상기 제1 값을 식별하도록 설정될 수 있다. 상기 프로세서(210)는, 상기 제1 보행 패턴에 관한 값들 및 상기 제2 보행 패턴에 관한 값들 사이의 유클리디안 거리에 기반하여, 상기 제2 값을 식별하도록 설정될 수 있다. According to one embodiment, the
일 실시 예에 따르면, 상기 프로세서(210)는, 상기 사용자의 보행 이력에 기반하여, 상기 사용자의 보행 패턴에 대한 학습을 수행하도록 설정될 수 있다. 상기 프로세서(210)는, 상기 사용자의 보행 패턴에 대한 학습을 수행하는 것에 기반하여, 상기 제2 보행 패턴에 관한 상기 제4 정보를 획득하도록 설정될 수 있다. 상기 프로세서(210)는, 상기 제4 정보를 상기 메모리(230)에 저장하도록 설정될 수 있다. According to one embodiment, the
일 실시 예에 따르면, 상기 프로세서(210)는, 상기 사용자의 보행 이력에 기반하여, 상기 사용자의 복수의 걸음(step)들에 따른 보행 패턴에 관한 값들을 포함하는 모집단(population)을 식별하도록 설정될 수 있다. 상기 프로세서(210)는, 상기 모집단에 기반하여 획득된, 상기 복수의 걸음들에 따른 적합도(fitness)에 대한 정보에 기반하여, 상기 모집단 중 적어도 일부를 식별하도록 설정될 수 있다. 상기 프로세서(210)는, 상기 모집단 중 적어도 일부에 기반하여, 상기 사용자의 보행 패턴에 대한 학습을 수행하도록 설정될 수 있다. According to one embodiment, the
일 실시 예에 따르면, 상기 프로세서(210)는, 상기 적어도 하나의 센서(220)를 이용하여, 상기 사용자의 제1 걸음들(steps of the user)을 식별하도록 설정될 수 있다. 상기 프로세서(210)는, 상기 제1 걸음들 수가 지정된 횟수 이상임을 식별하는 것에 기반하여, 상기 제1 걸음들에 따른 특징 값들을 식별하도록 설정될 수 있다. 상기 프로세서(210)는, 상기 제1 걸음들에 따른 특징 값들에 기반하여, 상기 모집단을 구성하도록 설정될 수 있다. According to one embodiment, the
일 실시 예에 따르면, 상기 프로세서(210)는, 상기 제1 걸음들에 따른 특징 값들에 기반하여, 상기 제1 걸음들에 따른 보행 패턴에 관한 값들을 식별하도록 설정될 수 있다. 상기 프로세서(210)는, 상기 메모리(230)에 저장되고, 상기 제1 걸음들이 식별되기 전 발생된, 상기 사용자의 제2 걸음들에 따른 특징 값들에 기반하여, 상기 제2 걸음들에 따른 보행 패턴에 관한 값들을 식별하도록 설정될 수 있다. 상기 프로세서(210)는, 상기 제1 걸음들에 따른 보행 패턴에 관한 값들 및 상기 제2 걸음들에 따른 보행 패턴에 관한 값들을, 상기 복수의 걸음들에 따른 보행 패턴에 관한 값들을 포함하는 상기 모집단으로 구성하도록 설정될 수 있다. According to one embodiment, the
일 실시 예에 따르면, 상기 프로세서(210)는, 제1 모드 내지 제4 모드 중 하나로 동작하도록 설정될 수 있다. 상기 프로세서(210)는, 상기 제1 모드에 기반하여, 상기 메모리(230)에 저장된, 상기 사용자의 보행 이력 및 상기 제2 보행 패턴에 관한 상기 제4 정보를 초기화하도록 설정될 수 있다. 상기 프로세서(210)는, 상기 제2 모드에 기반하여, 상기 적어도 하나의 센서(220)를 이용하여, 상기 사용자의 보행 패턴에 관한 데이터를 획득하도록 설정될 수 있다. 상기 프로세서(210)는, 상기 제3 모드에 기반하여, 상기 사용자의 보행 패턴에 관한 데이터를 학습하도록 설정될 수 있다. 상기 프로세서(210)는, 상기 제4 모드에 기반하여, 상기 사용자의 보행 패턴에 관한 데이터를 학습하는 동작을 중단하도록 설정될 수 있다. According to one embodiment, the
일 실시 예에 따르면, 상기 프로세서(210)는, 상기 제1 값, 상기 제2 값, 및 상기 제2 정보에 기반하여, 상기 사용자에게 낙상이 발생할 확률 값을 식별하도록 설정될 수 있다. 상기 프로세서(210)는, 상기 확률 값에 기반하여, 상기 임계 값을 복수의 후보 임계 값들 중 하나로 식별하도록 설정될 수 있다. According to one embodiment, the
일 실시 예에 따르면, 전자 장치(200)는, 통신 회로(240)를 포함할 수 있다. 상기 프로세서(210)는, 상기 확률 값 및 상기 제2 정보에 기반하여, 상기 전자 장치(200)와 연결되고, 상기 사용자에게 착용된 외부 전자 장치(2100)를 통해, 낙상 위험(fall hazard)을 경고하기 위한 알림을 제공하도록 상기 외부 전자 장치(2100)를 야기하기 위한 신호를 상기 외부 전자 장치(2100)에게 송신하도록 설정될 수 있다. According to one embodiment, the
일 실시 예에 따르면, 전자 장치(200)의 방법은, 상기 전자 장치(200)의 적어도 하나의 센서(220)를 이용하여, 상기 전자 장치(200)의 사용자의 제1 보행 패턴에 관한 제1 정보 및 상기 사용자의 보행 환경에 관한 제2 정보를 획득하는 동작을 포함할 수 있다. 상기 방법은, 상기 제1 정보 및 상기 메모리(230)에 저장된, 기준 보행 패턴에 관한 제3 정보에 기반하여, 상기 제1 보행 패턴 및 상기 기준 보행 패턴 사이의 차이를 나타내는 제1 값을 식별하는 동작을 포함할 수 있다. 상기 방법은, 상기 제1 정보 및 상기 메모리(230)에 저장되고, 상기 사용자의 보행 이력에 기반하여 식별된, 상기 사용자의 제2 보행 패턴에 관한 제4 정보에 기반하여, 상기 제1 보행 패턴 및 상기 제2 보행 패턴 사이의 차이를 나타내는 제2 값을 식별하는 동작을 포함할 수 있다. 상기 방법은, 상기 제1 값, 상기 제2 값, 및 상기 제2 정보에 기반하여, 낙상 검출과 관련된 임계 값을 식별하는 동작을 포함할 수 있다. 상기 방법은, 상기 임계 값과 상기 적어도 하나의 센서(220)를 통해 획득되는 값 사이의 비교에 기반하여, 상기 낙상 검출을 실행하는 동작을 포함할 수 있다. According to one embodiment, the method of the
일 실시 예에 따르면, 상기 방법은, 상기 전자 장치(200)의 가속도 센서(220)를 이용하여, 지정된 시간 구간 동안 획득된 제1 데이터에 기반하여, 상기 제1 보행 패턴에 관한 상기 제1 정보를 획득하는 동작을 포함할 수 있다. 상기 방법은, 상기 가속도 센서(220), 상기 전자 장치(200)의 자이로 센서(220), 및 상기 전자 장치(200)의 기압 센서(220), 및 상기 전자 장치(200)의 통신 회로(240) 중 적어도 하나를 이용하여 획득된 제2 데이터에 기반하여, 상기 사용자의 보행 환경에 관한 상기 제2 정보를 획득하는 동작을 포함할 수 있다. According to one embodiment, the method uses the
일 실시 예에 따르면, 상기 방법은, 상기 지정된 시간 구간 동안, 3축 방향에 각각 대응하는 가속도 트랜드들을 획득하는 동작을 포함할 수 있다. 상기 방법은, 상기 가속도 트랜드들에 기반하여, 이동 구간 합의 차분 값에 기반하여, 상기 사용자의 상기 제1 보행 패턴을 식별하는 동작을 포함할 수 있다. According to one embodiment, the method may include acquiring acceleration trends corresponding to each of the three axes during the designated time period. The method may include identifying the first walking pattern of the user based on the acceleration trends and a difference value of the sum of movement sections.
일 실시 예에 따르면, 상기 사용자의 보행 환경에 관한 상기 제2 정보는, 상기 전자 장치(200)의 이동 경로의 경사도에 대한 정보, 상기 전자 장치(200)의 이동 상태에 대한 정보, 및 상기 지정된 시간 구간 동안의 날씨에 대한 정보 중 적어도 하나를 포함할 수 있다.According to one embodiment, the second information about the user's walking environment includes information about the slope of the movement path of the
일 실시 예에 따르면, 상기 방법은, 상기 제1 보행 패턴에 관한 값들 및 상기 지정된 보행 패턴에 관한 값들 사이의 유클리디안 거리에 기반하여, 상기 제1 값을 식별하는 동작을 포함할 수 있다. 상기 방법은, 상기 제1 보행 패턴에 관한 값들 및 상기 제2 보행 패턴에 관한 값들 사이의 유클리디안 거리에 기반하여, 상기 제2 값을 식별하는 동작을 포함할 수 있다. According to one embodiment, the method may include identifying the first value based on a Euclidean distance between values related to the first walking pattern and values related to the specified walking pattern. The method may include identifying the second value based on a Euclidean distance between values for the first walking pattern and values for the second walking pattern.
일 실시 예에 따르면, 상기 방법은, 상기 사용자의 보행 이력에 기반하여, 상기 사용자의 보행 패턴에 대한 학습을 수행하는 동작을 포함할 수 있다. 상기 방법은, 상기 사용자의 보행 패턴에 대한 학습을 수행하는 것에 기반하여, 상기 제2 보행 패턴에 관한 상기 제4 정보를 획득하는 동작을 포함할 수 있다. 상기 방법은, 상기 제4 정보를 상기 메모리(230)에 저장하는 동작을 포함할 수 있다. According to one embodiment, the method may include learning about the user's walking pattern based on the user's walking history. The method may include acquiring the fourth information about the second walking pattern based on learning about the user's walking pattern. The method may include storing the fourth information in the
일 실시 예에 따르면, 프로세서(210)는 사용자에게 낙상 사고가 발생하기 전에, 낙상 위험도를 식별할 수 있다. 프로세서(210)는 낙상 위험도에 기반하여, 사용자에게 낙상 위험을 경고하기 위한 알림을 제공할 수 있다. 프로세서(210)는 낙상 위험도가 높은 경우, 낙상 감지 알고리즘의 민감도를 변경할 수 있다. 예를 들어, 프로세서(210)는 낙상 검출과 관련된 임계 값을 적응적으로 변경(또는 조정)할 수 있다. 본 문서에 개시된 다양한 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, 웨어러블 장치, 또는 가전 장치를 포함할 수 있다. 본 문서의 실시예에 따른 전자 장치는 전술한 기기들에 한정되지 않는다. According to one embodiment, the
본 문서의 다양한 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. "제1", "제2", 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: 제1) 구성요소가 다른(예: 제2) 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 제3 구성요소를 통하여 연결될 수 있다는 것을 의미한다.The various embodiments of this document and the terms used herein are not intended to limit the technical features described in this document to specific embodiments, but should be understood to include various changes, equivalents, or replacements of the embodiments. In connection with the description of the drawings, similar reference numbers may be used for similar or related components. The singular form of a noun corresponding to an item may include one or more of the above items, unless the relevant context clearly indicates otherwise. As used herein, “A or B”, “at least one of A and B”, “at least one of A or B”, “A, B or C”, “at least one of A, B and C”, and “A Each of phrases such as “at least one of , B, or C” may include any one of the items listed together in the corresponding phrase, or any possible combination thereof. Terms such as "first", "second", or "first" or "second" may be used simply to distinguish one element from another, and may be used to distinguish such elements in other respects, such as importance or order) is not limited. One (e.g. first) component is said to be "coupled" or "connected" to another (e.g. second) component, with or without the terms "functionally" or "communicatively". Where mentioned, it means that any of the components can be connected to the other components directly (e.g. wired), wirelessly, or through a third component.
본 문서의 다양한 실시 예들에서, 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. In various embodiments of this document, the term "module" used may include a unit implemented in hardware, software, or firmware, and is interchangeable with terms such as logic, logic block, component, or circuit, for example. It can be used as A module may be an integrated part or a minimum unit of the parts or a part thereof that performs one or more functions. For example, according to one embodiment, the module may be implemented in the form of an application-specific integrated circuit (ASIC).
본 문서의 다양한 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.Various embodiments of the present document are one or more instructions stored in a storage medium (e.g., built-in memory 136 or external memory 138) that can be read by a machine (e.g., electronic device 101). It may be implemented as software (e.g., program 140) including these. For example, a processor (e.g., processor 120) of a device (e.g., electronic device 101) may call at least one command among one or more commands stored from a storage medium and execute it. This allows the device to be operated to perform at least one function according to the at least one instruction called. The one or more instructions may include code generated by a compiler or code that can be executed by an 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 is a tangible device and does not contain signals (e.g. electromagnetic waves). This term refers to cases where data is stored semi-permanently in the storage medium. There is no distinction between temporary storage cases.
일 실시예에 따르면, 본 문서에 개시된 다양한 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: CD-ROM(compact disc read only memory))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어)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.According to one embodiment, methods according to various embodiments disclosed in this document may be provided and included in a computer program product. Computer program products are commodities and can be traded between sellers and buyers. A computer program product may be distributed in the form of a machine-readable storage medium (e.g. compact disc read only memory (CD-ROM)), or through an application store (e.g. Play Store), or on two user devices (e.g. : Smartphones) can be distributed (e.g. downloaded or uploaded) directly or online. In the case of online distribution, at least a portion of the computer program product may be at least temporarily stored or temporarily created in a machine-readable storage medium, such as the memory of a manufacturer's server, an application store's server, or a relay server.
다양한 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. 다양한 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. 다양한 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.According to various embodiments, each component (e.g., module or program) of the above-described components may include a single or plural entity, and some of the plurality of entities may be separately placed in other components. there is. According to various embodiments, one or more of the components or operations described above may be omitted, or one or more other components or operations may be added. Alternatively or additionally, multiple components (eg, modules or programs) may be integrated into a single component. In this case, the integrated component may perform one or more functions of each component of the plurality of components identically or similarly to those performed by the corresponding component of the plurality of components prior to the integration. . According to various embodiments, operations performed by a module, program, or other component may be executed sequentially, in parallel, iteratively, or heuristically, or one or more of the operations may be executed in a different order, or omitted. Alternatively, one or more other operations may be added.
Claims (20)
적어도 하나의 센서(220);
메모리(230); 및
프로세서(210)를 포함하고, 상기 프로세서(210)는,
상기 적어도 하나의 센서(220)를 이용하여, 상기 전자 장치(200)의 사용자의 제1 보행 패턴에 관한 제1 정보 및 상기 사용자의 보행 환경에 관한 제2 정보를 획득하고,
상기 제1 정보 및 상기 메모리(230)에 저장된, 기준 보행 패턴에 관한 제3 정보에 기반하여, 상기 제1 보행 패턴 및 상기 기준 보행 패턴 사이의 차이를 나타내는 제1 값을 식별하고,
상기 제1 정보 및 상기 메모리(230)에 저장되고, 상기 사용자의 보행 이력에 기반하여 식별된, 상기 사용자의 제2 보행 패턴에 관한 제4 정보에 기반하여, 상기 제1 보행 패턴 및 상기 제2 보행 패턴 사이의 차이를 나타내는 제2 값을 식별하고,
상기 제1 값, 상기 제2 값, 및 상기 제2 정보에 기반하여, 낙상 검출과 관련된 임계 값을 식별하고,
상기 임계 값과 상기 적어도 하나의 센서(220)를 통해 획득되는 값 사이의 비교에 기반하여, 상기 낙상 검출을 실행하도록 설정된
전자 장치(200).
In the electronic device 200,
at least one sensor 220;
memory(230); and
Includes a processor 210, wherein the processor 210 includes,
Using the at least one sensor 220, obtain first information about the first walking pattern of the user of the electronic device 200 and second information about the user's walking environment,
Based on the first information and third information about the reference walking pattern stored in the memory 230, identify a first value indicating a difference between the first walking pattern and the reference walking pattern,
Based on the first information and fourth information about the user's second walking pattern, which is stored in the memory 230 and identified based on the user's walking history, the first walking pattern and the second walking pattern identify a second value representing a difference between gait patterns;
Based on the first value, the second value, and the second information, identify a threshold value associated with fall detection,
configured to perform the fall detection based on a comparison between the threshold value and a value obtained through the at least one sensor 220.
Electronic device (200).
상기 적어도 하나의 센서(220)는,
가속도 센서(220);
자이로 센서(220); 및
기압 센서(220)를 더 포함하고,
상기 프로세서(210)는,
상기 가속도 센서(220)를 이용하여, 지정된 시간 구간 동안 획득된 제1 데이터에 기반하여, 상기 제1 보행 패턴에 관한 상기 제1 정보를 획득하고,
상기 가속도 센서(220), 상기 자이로 센서(220), 및 상기 기압 센서(220), 및 상기 통신 회로(240) 중 적어도 하나를 이용하여 획득된 제2 데이터에 기반하여, 상기 사용자의 보행 환경에 관한 상기 제2 정보를 획득하도록 더 설정된
전자 장치(200).
According to claim 1,
The at least one sensor 220,
Acceleration sensor 220;
Gyro sensor 220; and
Further comprising an air pressure sensor 220,
The processor 210,
Using the acceleration sensor 220, the first information about the first walking pattern is acquired based on the first data acquired during a designated time period,
Based on second data acquired using at least one of the acceleration sensor 220, the gyro sensor 220, the barometric pressure sensor 220, and the communication circuit 240, the user's walking environment further configured to obtain the second information about
Electronic device (200).
상기 지정된 시간 구간 동안, 3축 방향에 각각 대응하는 가속도 트랜드들을 획득하고,
상기 가속도 트랜드들에 기반하여, 이동 구간 합의 차분 값에 기반하여, 상기 사용자의 상기 제1 보행 패턴을 식별하도록 더 설정된
전자 장치(200).
The method of claim 2, wherein the processor 210:
During the designated time period, acceleration trends corresponding to each of the three axes are acquired,
Based on the acceleration trends, based on the difference value of the movement section sum, further configured to identify the first walking pattern of the user
Electronic device (200).
상기 전자 장치(200)의 이동 경로의 경사도에 대한 정보, 상기 전자 장치(200)의 이동 상태에 대한 정보, 및 상기 지정된 시간 구간 동안의 날씨에 대한 정보 중 적어도 하나를 포함하는
전자 장치(200).
The method according to any one of claims 2 to 3, wherein the second information about the user's walking environment is,
Containing at least one of information about the slope of the movement path of the electronic device 200, information about the movement state of the electronic device 200, and information about the weather during the designated time period.
Electronic device (200).
상기 제2 데이터의 적어도 일부를, 상기 메모리(230)에 저장되고, 복수의 파라미터들에 의해 지시되는 지정된 모델의 입력 데이터로 설정함으로써, 상기 전자 장치(200)의 이동 상태에 대한 상기 정보를 획득하도록 더 설정되고,
상기 지정된 모델의 상기 복수의 파라미터들은,
상기 사용자의 보행 이력에 따라 획득된 제3 데이터의 학습에 기반하여 설정된
전자 장치(200).
The method of claim 4, wherein the processor 210:
Obtaining the information about the movement state of the electronic device 200 by setting at least part of the second data as input data of a designated model stored in the memory 230 and indicated by a plurality of parameters It is further set to
The plurality of parameters of the specified model are,
Set based on learning of third data obtained according to the user's walking history
Electronic device (200).
통신 회로(240)를 더 포함하고,
상기 프로세서(210)는,
상기 통신 회로(240)를 이용하여, 상기 전자 장치(200)와 연결된 서버로부터 상기 기준 보행 패턴에 관한 상기 제3 정보를 수신하고,
상기 제3 정보를 상기 메모리(230)에 저장하도록 설정되고,
상기 제3 정보는,
상기 서버에 저장된 복수의 사용자들과 관련된 복수의 보행 패턴들에 기반하여 획득된
전자 장치(200).
According to any one of claims 1 to 5,
Further comprising a communication circuit 240,
The processor 210,
Receiving the third information about the reference walking pattern from a server connected to the electronic device 200 using the communication circuit 240,
is set to store the third information in the memory 230,
The third information is,
Obtained based on a plurality of walking patterns related to a plurality of users stored in the server
Electronic device (200).
상기 제1 보행 패턴에 관한 값들 및 상기 지정된 보행 패턴에 관한 값들 사이의 유클리디안 거리에 기반하여, 상기 제1 값을 식별하고,
상기 제1 보행 패턴에 관한 값들 및 상기 제2 보행 패턴에 관한 값들 사이의 유클리디안 거리에 기반하여, 상기 제2 값을 식별하도록 더 설정된
전자 장치(200).
The method of any one of claims 1 to 6, wherein the processor 210:
Identifying the first value based on a Euclidean distance between the values for the first gait pattern and the values for the designated gait pattern,
further configured to identify the second value based on a Euclidean distance between the values for the first walking pattern and the values for the second walking pattern.
Electronic device (200).
상기 사용자의 보행 이력에 기반하여, 상기 사용자의 보행 패턴에 대한 학습을 수행하고,
상기 사용자의 보행 패턴에 대한 학습을 수행하는 것에 기반하여, 상기 제2 보행 패턴에 관한 상기 제4 정보를 획득하고,
상기 제4 정보를 상기 메모리(230)에 저장하도록 더 설정된
전자 장치(200).
The method of any one of claims 1 to 7, wherein the processor 210:
Based on the user's walking history, learn about the user's walking pattern,
Based on learning about the user's walking pattern, obtain the fourth information about the second walking pattern,
Further set to store the fourth information in the memory 230
Electronic device (200).
상기 사용자의 보행 이력에 기반하여, 상기 사용자의 복수의 걸음(step)들에 따른 보행 패턴에 관한 값들을 포함하는 모집단(population)을 식별하고,
상기 모집단에 기반하여 획득된, 상기 복수의 걸음들에 따른 적합도(fitness)에 대한 정보에 기반하여, 상기 모집단 중 적어도 일부를 식별하고,
상기 모집단 중 적어도 일부에 기반하여, 상기 사용자의 보행 패턴에 대한 학습을 수행하도록 설정된
전자 장치(200).
The method of claim 8, wherein the processor 210:
Based on the user's walking history, identify a population containing values regarding a walking pattern according to a plurality of steps of the user,
Identifying at least a portion of the population based on information about fitness according to the plurality of steps obtained based on the population,
Based on at least some of the population, set to perform learning about the user's walking pattern
Electronic device (200).
상기 적어도 하나의 센서(220)를 이용하여, 상기 사용자의 제1 걸음들(steps of the user)을 식별하고,
상기 제1 걸음들의 수가 지정된 횟수 이상임을 식별하는 것에 기반하여, 상기 제1 걸음들에 따른 특징 값들을 식별하고,
상기 제1 걸음들에 따른 특징 값들에 기반하여, 상기 모집단을 구성하도록 더 설정된
전자 장치(200).
The method of claim 9, wherein the processor 210:
Using the at least one sensor 220, identify first steps of the user,
Based on identifying that the number of first steps is more than a specified number, identify feature values according to the first steps,
Based on the characteristic values according to the first steps, further configured to configure the population
Electronic device (200).
상기 제1 걸음들에 따른 특징 값들에 기반하여, 상기 제1 걸음들에 따른 보행 패턴에 관한 값들을 식별하고,
상기 메모리(230)에 저장되고, 상기 제1 걸음들이 식별되기 전 발생된, 상기 사용자의 제2 걸음들에 따른 특징 값들에 기반하여, 상기 제2 걸음들에 따른 보행 패턴에 관한 값들을 식별하고,
상기 제1 걸음들에 따른 보행 패턴에 관한 값들 및 상기 제2 걸음들에 따른 보행 패턴에 관한 값들을, 상기 복수의 걸음들에 따른 보행 패턴에 관한 값들을 포함하는 상기 모집단으로 구성하도록 설정된
전자 장치(200).
The method of claim 10, wherein the processor 210:
Based on the feature values according to the first steps, identify values related to a walking pattern according to the first steps,
Based on feature values according to the user's second steps, which are stored in the memory 230 and generated before the first steps are identified, identify values related to the walking pattern according to the second steps; ,
The values related to the walking pattern according to the first steps and the values related to the walking pattern according to the second steps are set to be configured as the population including the values related to the walking pattern according to the plurality of steps.
Electronic device (200).
제1 모드 내지 제4 모드 중 하나로 동작하고,
상기 제1 모드에 기반하여, 상기 메모리(230)에 저장된, 상기 사용자의 보행 이력 및 상기 제2 보행 패턴에 관한 상기 제4 정보를 초기화하고,
상기 제2 모드에 기반하여, 상기 적어도 하나의 센서(220)를 이용하여, 상기 사용자의 보행 패턴에 관한 데이터를 획득하고,
상기 제3 모드에 기반하여, 상기 사용자의 보행 패턴에 관한 데이터를 학습하고,
상기 제4 모드에 기반하여, 상기 사용자의 보행 패턴에 관한 데이터를 학습하는 동작을 중단하도록 설정된
전자 장치(200).
The method of any one of claims 1 to 11, wherein the processor 210:
Operates in one of the first to fourth modes,
Based on the first mode, initializing the fourth information about the user's walking history and the second walking pattern stored in the memory 230,
Based on the second mode, obtain data about the user's walking pattern using the at least one sensor 220,
Based on the third mode, learn data about the user's walking pattern,
Based on the fourth mode, set to stop the operation of learning data about the user's walking pattern
Electronic device (200).
상기 제1 값, 상기 제2 값, 및 상기 제2 정보에 기반하여, 상기 사용자에게 낙상이 발생할 확률 값을 식별하고,
상기 확률 값에 기반하여, 상기 임계 값을 복수의 후보 임계 값들 중 하나로 식별하도록 설정된
전자 장치(200).
The method of any one of claims 1 to 12, wherein the processor 210:
Based on the first value, the second value, and the second information, identify a probability value of a fall occurring in the user,
Based on the probability value, set to identify the threshold as one of a plurality of candidate thresholds.
Electronic device (200).
통신 회로(240)를 더 포함하고,
상기 프로세서(210)는,
상기 확률 값 및 상기 제2 정보에 기반하여, 상기 전자 장치(200)와 연결되고, 상기 사용자에게 착용된 외부 전자 장치(2100)를 통해, 낙상 위험(fall hazard)을 경고하기 위한 알림을 제공하도록 상기 외부 전자 장치(2100)를 야기하기 위한 신호를 상기 외부 전자 장치(2100)에게 송신하도록 더 설정된
전자 장치(200).
According to claim 13,
Further comprising a communication circuit 240,
The processor 210,
Based on the probability value and the second information, to provide a notification to warn of a fall hazard through an external electronic device 2100 connected to the electronic device 200 and worn by the user. Further set to transmit a signal for causing the external electronic device 2100 to the external electronic device 2100
Electronic device (200).
상기 전자 장치(200)의 적어도 하나의 센서(220)를 이용하여, 상기 전자 장치(200)의 사용자의 제1 보행 패턴에 관한 제1 정보 및 상기 사용자의 보행 환경에 관한 제2 정보를 획득하는 동작;
상기 제1 정보 및 상기 메모리(230)에 저장된, 기준 보행 패턴에 관한 제3 정보에 기반하여, 상기 제1 보행 패턴 및 상기 기준 보행 패턴 사이의 차이를 나타내는 제1 값을 식별하는 동작;
상기 제1 정보 및 상기 전자 장치(200)의 메모리(230)에 저장되고, 상기 사용자의 보행 이력에 기반하여 식별된, 상기 사용자의 제2 보행 패턴에 관한 제4 정보에 기반하여, 상기 제1 보행 패턴 및 상기 제2 보행 패턴 사이의 차이를 나타내는 제2 값을 식별하는 동작;
상기 제1 값, 상기 제2 값, 및 상기 제2 정보에 기반하여, 낙상 검출과 관련된 임계 값을 식별하는 동작; 및
상기 임계 값과 상기 적어도 하나의 센서(220)를 통해 획득되는 값 사이의 비교에 기반하여, 상기 낙상 검출을 실행하는 동작을 포함하는
방법.
In the method of the electronic device 200,
Obtaining first information about the first walking pattern of the user of the electronic device 200 and second information about the user's walking environment using at least one sensor 220 of the electronic device 200. movement;
An operation of identifying a first value indicating a difference between the first walking pattern and the reference walking pattern, based on the first information and third information about the reference walking pattern stored in the memory 230;
Based on the first information and fourth information about the user's second walking pattern, which is stored in the memory 230 of the electronic device 200 and identified based on the user's walking history, the first identifying a second value representing a difference between a gait pattern and the second gait pattern;
identifying a threshold value related to fall detection based on the first value, the second value, and the second information; and
Comprising the operation of executing the fall detection based on a comparison between the threshold value and a value obtained through the at least one sensor 220.
method.
상기 전자 장치(200)의 가속도 센서(220)를 이용하여, 지정된 시간 구간 동안 획득된 제1 데이터에 기반하여, 상기 제1 보행 패턴에 관한 상기 제1 정보를 획득하는 동작; 및
상기 가속도 센서(220), 상기 전자 장치(200)의 자이로 센서(220), 및 상기 전자 장치(200)의 기압 센서(220), 및 상기 전자 장치(200)의 통신 회로(240) 중 적어도 하나를 이용하여 획득된 제2 데이터에 기반하여, 상기 사용자의 보행 환경에 관한 상기 제2 정보를 획득하는 동작을 더 포함하는
방법.
According to claim 15,
Obtaining the first information about the first walking pattern using the acceleration sensor 220 of the electronic device 200, based on first data acquired during a designated time period; and
At least one of the acceleration sensor 220, the gyro sensor 220 of the electronic device 200, the barometric pressure sensor 220 of the electronic device 200, and the communication circuit 240 of the electronic device 200 Based on the second data obtained using, further comprising the operation of acquiring the second information about the user's walking environment.
method.
상기 지정된 시간 구간 동안, 3축 방향에 각각 대응하는 가속도 트랜드들을 획득하는 동작; 및
상기 가속도 트랜드들에 기반하여, 이동 구간 합의 차분 값에 기반하여, 상기 사용자의 상기 제1 보행 패턴을 식별하는 동작을 더 포함하는
방법.
According to claim 16,
Obtaining acceleration trends corresponding to each of the three axes during the designated time period; and
Based on the acceleration trends, based on a difference value of the sum of movement sections, further comprising identifying the first walking pattern of the user
method.
상기 전자 장치(200)의 이동 경로의 경사도에 대한 정보, 상기 전자 장치(200)의 이동 상태에 대한 정보, 및 상기 지정된 시간 구간 동안의 날씨에 대한 정보 중 적어도 하나를 포함하는
방법.
The method of any one of claims 16 to 17, wherein the second information about the user's walking environment is,
Containing at least one of information about the slope of the movement path of the electronic device 200, information about the movement state of the electronic device 200, and information about the weather during the designated time period.
method.
상기 제1 보행 패턴에 관한 값들 및 상기 지정된 보행 패턴에 관한 값들 사이의 유클리디안 거리에 기반하여, 상기 제1 값을 식별하는 동작; 및
상기 제1 보행 패턴에 관한 값들 및 상기 제2 보행 패턴에 관한 값들 사이의 유클리디안 거리에 기반하여, 상기 제2 값을 식별하는 동작을 더 포함하는
방법.
The method according to any one of claims 15 to 18,
identifying the first value based on a Euclidean distance between values for the first walking pattern and values for the specified walking pattern; and
Further comprising identifying the second value based on a Euclidean distance between the values for the first walking pattern and the values for the second walking pattern.
method.
상기 사용자의 보행 이력에 기반하여, 상기 사용자의 보행 패턴에 대한 학습을 수행하는 동작;
상기 사용자의 보행 패턴에 대한 학습을 수행하는 것에 기반하여, 상기 제2 보행 패턴에 관한 상기 제4 정보를 획득하는 동작; 및
상기 제4 정보를 상기 메모리(230)에 저장하는 동작을 더 포함하는
방법. The method according to any one of claims 15 to 19,
An operation of learning about the user's walking pattern based on the user's walking history;
Obtaining the fourth information about the second walking pattern based on learning about the user's walking pattern; and
Further comprising the operation of storing the fourth information in the memory 230.
method.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
PCT/KR2023/009120 WO2024075935A1 (en) | 2022-10-07 | 2023-06-29 | Electronic device and method for performing fall detection |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR20220129024 | 2022-10-07 | ||
KR1020220129024 | 2022-10-07 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20240049065A true KR20240049065A (en) | 2024-04-16 |
Family
ID=90882802
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020220143186A KR20240049065A (en) | 2022-10-07 | 2022-10-31 | Electronic device and method for performing fall detection |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR20240049065A (en) |
-
2022
- 2022-10-31 KR KR1020220143186A patent/KR20240049065A/en unknown
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11899845B2 (en) | Electronic device for recognizing gesture and method for operating the same | |
KR102582594B1 (en) | Method and apparatus for garmet suggestion using neural networks | |
US11669201B2 (en) | Electronic device and method for input coordinate prediction | |
KR20240049065A (en) | Electronic device and method for performing fall detection | |
KR20230038972A (en) | Wearable electronic device including sensor and method of operating the same | |
KR20220043534A (en) | Electronic device providing contents recommendation service and method thereof | |
EP4350418A1 (en) | Wearable device for sensing wearing by user | |
KR20220045489A (en) | Electronic device identifying information related to walking and operation method of the same | |
US20220354422A1 (en) | Method for detecting biometric information and electronic device supporting the same | |
KR20220079172A (en) | Method for detecting hand washing behavior and electronic device thereof | |
US20230169834A1 (en) | Device and method of providing audiovisual content for the disabled | |
US20220401815A1 (en) | Method for providing workout data using a plurality of electronic devices and electronic devices therefor | |
US20240033575A1 (en) | Wearable electronic device for outputting information on exercise, and control method of wearable electronic device | |
US20220366664A1 (en) | Electronic device and method for capturing image in the electronic device | |
US20230325006A1 (en) | Wearable device and method for detecting motion gesture of wearable device | |
KR20240047891A (en) | Exercise data processing method and electronic device performing the same | |
US20230197264A1 (en) | Method for monitoring users and providing information, and device thereof | |
US20230118067A1 (en) | Electronic device and method to measure bioelectrical impedance | |
US20240094971A1 (en) | Wearable device for providing information about an application through an external display and method of controlling the wearable device | |
EP4287206A1 (en) | Electronic device and operation method of electronic device | |
KR20240057296A (en) | Electronic device for controlling a display device and method of operating the same | |
KR20230105049A (en) | Wearable electronic device that can be mounted on user's head and method for providing function using biometric information in the electronic device | |
KR20220126555A (en) | Electronic device and method for determining user's step length using motion sensor and gps module of electronic device | |
KR20230090195A (en) | Electronic device to determine output data in external device and the method for operating same | |
KR20220149355A (en) | Electronic device including sensor device and method for thereof |