WO2014107013A1 - 사용자의 이동행위를 구분하는 모바일 장치, 사용자의 이동행위 구분방법 및 이를 위한 계층적 트리 모델 생성방법 - Google Patents

사용자의 이동행위를 구분하는 모바일 장치, 사용자의 이동행위 구분방법 및 이를 위한 계층적 트리 모델 생성방법 Download PDF

Info

Publication number
WO2014107013A1
WO2014107013A1 PCT/KR2013/012381 KR2013012381W WO2014107013A1 WO 2014107013 A1 WO2014107013 A1 WO 2014107013A1 KR 2013012381 W KR2013012381 W KR 2013012381W WO 2014107013 A1 WO2014107013 A1 WO 2014107013A1
Authority
WO
WIPO (PCT)
Prior art keywords
behavior
movement
user
acceleration data
mobile device
Prior art date
Application number
PCT/KR2013/012381
Other languages
English (en)
French (fr)
Inventor
박영택
김제민
전명중
바트셀렘
Original Assignee
숭실대학교산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 숭실대학교산학협력단 filed Critical 숭실대학교산학협력단
Priority to CN201380069657.7A priority Critical patent/CN104904244B/zh
Publication of WO2014107013A1 publication Critical patent/WO2014107013A1/ko
Priority to US14/791,776 priority patent/US9253604B2/en

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W4/00—Services specially adapted for wireless communication networks; Facilities therefor
    • H04W4/02—Services making use of location information
    • H04W4/025—Services making use of location information using location based information parameters
    • H04W4/027—Services making use of location information using location based information parameters using movement velocity, acceleration information
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
    • G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04W—WIRELESS COMMUNICATION NETWORKS
    • H04W88/00—Devices specially adapted for wireless communication networks, e.g. terminals, base stations or access point devices
    • H04W88/02—Terminal devices

Definitions

  • the present invention relates to a mobile device for classifying a user's mobile behavior, a method for classifying a user's mobile behavior, and a method of generating a hierarchical tree model therefor.
  • sensors mounted in smartphones such as acceleration sensors, gyroscope sensors, geomagnetic sensors, gravity sensors, light sensors, proximity sensors, and motion recognition sensors (APP; APP) is being developed in various ways.
  • Korean Patent Laid-Open Publication No. 2011-0126057 name of the invention: a device for determining a moving state, a method for determining a moving state, and a recording medium discloses an acceleration variation period and a horizontal direction of a vertical component in an output of an acceleration sensor. The technique which compares the acceleration fluctuation period of a component and determines which state a user is in is disclosed.
  • the present invention is to solve the above-mentioned problems of the prior art, and some embodiments of the present invention partially overlap the data collected from the acceleration sensor to generate a hierarchical tree model that can improve the accuracy of feature extraction for movement behavior.
  • the purpose is to provide a method.
  • some embodiments of the present invention and a mobile device that can be distinguished with a high reliability of the specific movement behavior of the user based on a hierarchical tree model configured using only the data collected from the acceleration sensor Another purpose is to provide a method for distinguishing a user's mobile behavior.
  • a mobile device for distinguishing a user's movement behavior the acceleration sensor; A buffer for collecting acceleration data output from the acceleration sensor according to a specific movement behavior of the user; An extraction unit for extracting a feature element for a specific movement behavior of the user based on the acceleration data collected in a buffer; And a moving behavior determination unit for inputting a feature element extracted by the extracting unit into a hierarchical tree model configured in advance to distinguish which moving behavior corresponds to a specific moving behavior of the user, and the hierarchical tree model extracts a feature for each moving behavior.
  • the element is pre-configured based on the element, and the feature element for each movement action may include a first frame group configured to separate acceleration data collected by each movement action by a predetermined time unit, and separately by each movement action.
  • the acceleration data is extracted based on a second frame group configured to separate the acceleration data into a different time unit from the preset time unit so that some acceleration data overlaps with the first frame group.
  • the method for generating a hierarchical tree model for distinguishing the movement behavior of a user possessing a mobile device to collect the acceleration data for each movement behavior from the acceleration sensor in the mobile device step; Acceleration data divided by each movement behavior is separated into a predetermined time unit to form a first frame group, and acceleration data divided by each movement behavior is separated into a predetermined time unit and a different time unit, thereby partially accelerating the first frame group. Constructing a second frame group that overlaps the frame group; Extracting feature elements for each movement behavior distinguished from other movement behaviors based on the first frame group and the second frame group; And constructing a hierarchical tree model based on the feature elements for each movement.
  • a method for classifying a movement of a user using a mobile device comprising: collecting acceleration data output from an acceleration sensor in a mobile device according to a specific movement of a user; Extracting feature elements for a specific movement behavior of the user based on the acceleration data; And inputting the extracted feature elements into a pre-configured hierarchical tree model to distinguish which movement actions a user's specific movement behavior corresponds to, and the hierarchical tree model preliminarily based on the extracted feature elements for each movement behavior.
  • the feature element for each movement behavior includes a first frame group configured by separating acceleration data collected separately for each movement behavior by a predetermined time unit and acceleration data collected separately for each movement behavior. It is extracted based on a second frame group configured to overlap some of the acceleration data with the first frame group by separating the time unit from another unit of time.
  • the method of generating a hierarchical tree model which is one of the above-described means for solving the problems of the present invention, extracts a feature element for each movement behavior based on a first frame group and a second frame group configured to overlap some acceleration data, thereby allowing a user to
  • a hierarchical tree model can be created to distinguish with a certain degree of certain mobile behaviors with higher reliability and accuracy.
  • the mobile device which is one of the problem solving means of the present invention, and the user's movement behavior classification method using the same by using a pre-configured hierarchical tree model reflecting the optimally extracted feature elements for each movement behavior
  • Acceleration data can be used to accurately classify which movements correspond to a particular movement.
  • a separate device such as a GPS or a microphone is not required for the classification operation, the energy of the mobile device can be used more efficiently.
  • FIG. 1 is a view for explaining a method of distinguishing a user's mobile behavior according to the prior art.
  • FIG. 2 is a block diagram showing a mobile device for distinguishing a user's mobile behavior according to an embodiment of the present invention.
  • 3 is a view for explaining an example of extracting feature elements for movement behavior.
  • FIG. 4 is a flowchart illustrating a hierarchical tree model generation method according to an embodiment of the present invention.
  • FIG. 5 is a diagram for describing a hierarchical tree model generation method according to another exemplary embodiment of the present invention.
  • FIG. 6 is a flowchart illustrating a method of distinguishing a user's mobile behavior according to an embodiment of the present invention.
  • FIG. 1 is a view for explaining a method of distinguishing a user's mobile behavior according to the prior art.
  • the operation of generating a model for each mobile behavior can be performed.
  • data may be collected from the acceleration sensor mounted in the smart phone as shown in FIG. 1.
  • An acceleration sensor capable of recording 50 times per second can be used.
  • GMM Transportation Gaussian Mixture Model
  • weights of Gaussians and average / covariance of data representing Gaussians can be calculated, and based on the calculation results, real user movement can be distinguished.
  • data may be collected from an acceleration sensor and a microphone mounted in the smartphone, respectively, as shown in FIG. 1.
  • a microphone capable of recording 500 times per second may be used.
  • the technique proposed in the present invention can more accurately distinguish the movement behavior of the user without using such a conventional Gaussian mixture model (GMM) or hidden Markov model (HMM).
  • GMM Gaussian mixture model
  • HMM hidden Markov model
  • the mobile device 100 may include an acceleration sensor 110, a buffer 120, an extractor 130, a hierarchical tree model 140, a movement behavior determining unit 150, a GPS 160, It is configured to include a display unit 170 and the communication unit 180.
  • the mobile device 100 shown in FIG. 2 is only one implementation example of the present invention, and may be modified to form various combinations based on the components shown in FIG. 2.
  • the mobile terminal 100 may be implemented as a portable terminal or a computer capable of transmitting and receiving data through a network.
  • the portable terminal is, for example, a wireless communication device that ensures portability and mobility, and includes a personal communication system (PCS), a global system for mobile communications (GSM), a personal digital cellular (PDC), a personal handyphone system (PHS), PDA (Personal Digital Assistant), International Mobile Telecommunication (IMT) -2000, Code Division Multiple Access (CDMA) -2000, W-Code Division Multiple Access (W-CDMA), Wireless Broadband Internet (WBro) terminal, Smartphone All types of handheld based wireless communication devices such as phones, smart pads, and the like may be included.
  • the computer may include, for example, a notebook, desktop, laptop, tablet PC, or the like equipped with a web browser.
  • the mobile terminal 100 may be connected to various servers through a network.
  • the network refers to a connection structure capable of exchanging data or information between respective nodes such as terminals and servers.
  • Examples of such a network include a mobile radio communication network, a satellite broadcast network, an analog broadcast network, Digital Multimedia Broadcasting (DMB) Network, Internet, Local Area Network (LAN), Wireless Local Area Network (WLAN), Wide Area Network (WAN), Personal Area Network (PAN), etc. Does not.
  • An application including a function for distinguishing a user's mobile behavior proposed in the present invention may be installed by downloading to the mobile device 100 or may be installed during production by the manufacturer of the terminal.
  • the acceleration sensor 110 is installed in the mobile device 100 to measure the change in speed.
  • the acceleration sensor 110 is not particularly limited by the sensing method, the sensing principle, the external condition, and the like.
  • the buffer 120 collects acceleration data output from the acceleration sensor 110 according to a specific movement behavior of the user.
  • the buffer 120 is a kind of high-speed storage device that exchanges acceleration data between the acceleration sensor 110 and the extraction unit 130 to be described later.
  • the buffer 120 compensates for a difference in transmission speed or processing speed between the two configurations, and compensates for both configurations. It can be combined well.
  • the acceleration data collected in the buffer 120 may vary depending on the type of specific movement, and the specific movement of the user may be, for example, “running”, “walking”, “stopping”, “subway riding”, “ Bus boarding ”and“ car boarding ”.
  • the buffer 120 may collect acceleration data output to the acceleration sensor 110 for about 3 seconds.
  • the extractor 130 extracts a feature element for a specific movement behavior of the user based on the acceleration data collected in the buffer 120.
  • the extractor 130 compresses the acceleration data for about 3 seconds output from the acceleration sensor 110 in one unit according to a specific movement behavior of the user.
  • the extractor 130 includes a vertical average, a vertical standard deviation, a vertical average crossing rate, a vertical 75 percentile, a vertical interquatile, a vertical spectrum average, a vertical frequency congestion, a horizontal average, a horizontal standard deviation, a horizontal average crossing rate, and a horizontal 75 Percentiles, horizontal interquatiles, horizontal spectrum averages, horizontal frequency congestion, vertical-horizontal correlation, and the like can be extracted.
  • the extractor 130 may extract a feature element for a specific movement behavior of the user by using the same method as that of extracting feature elements for each movement behavior from the hierarchical tree model 140 which will be described later.
  • the extractor 130 may extract a feature element for a specific movement behavior of the user by any other method without particular limitation.
  • the movement behavior determination unit 150 inputs the feature elements extracted by the extraction unit 130 into the hierarchical tree model 140 configured in advance to distinguish which movement behavior a user's specific movement behavior corresponds to. That is, the movement behavior determining unit 150 may search for the extracted feature elements in the hierarchical tree model 140 that is matched with the extracted feature elements for the specific movement behavior of the user, and may determine the user's specific features according to the matching result. It is possible to determine which movement behavior corresponds to the movement.
  • the hierarchical tree model 140 is pre-configured based on feature elements extracted for each movement.
  • the feature element for each movement behavior is extracted based on the first frame group and the second frame group, which will be described in detail with reference to FIG. 3.
  • 3 is a view for explaining an example of extracting feature elements for movement behavior.
  • a first frame group is formed by dividing acceleration data collected by each movement by a predetermined time unit.
  • the acceleration data collected for a “running” movement can be separated by three seconds to form a first group of frames including Frame 1, Frame 2, and Frame 3, with each frame running 150 “Running”. Sample data.
  • a second frame group is formed by dividing the acceleration data collected by each movement into a time unit different from the above-described preset time unit, and the second frame group is part of the first frame group.
  • the acceleration data is configured to overlap.
  • a second frame group including frame 1, frame 2, and frame 3 may be formed by separating the acceleration data collected for the same “running” movement behavior in time units other than 3 seconds.
  • Each frame can consist of 300 "running" sample data. At this time, some acceleration data overlap in the first frame group and the second frame group.
  • a hierarchical tree model 140 may be constructed that reflects optimally extracted feature elements for each movement.
  • the movement behavior determining unit 150 may reliably classify which movement behavior is the specific movement behavior of the user.
  • the hierarchical tree model 140 is a core configuration for distinguishing a user's movement by the acceleration data alone.
  • the hierarchical tree model 140 may be pre-configured before a specific user's movement occurs and stored in the mobile device 100 or mobile.
  • the device 100 may be stored in a server or a database connected through a network.
  • the hierarchical tree model 140 may include a plurality of hierarchical models in order to continuously determine at least two times which specific mobile behavior corresponds to a specific mobile behavior, and the first hierarchical model 141 as shown in FIG. It may be configured to include the 2-1 layer model 142a and the 2-2 layer model 142b.
  • the first hierarchical model 141 is preconfigured based on the feature elements of the vehicle boarding behavior and the non-transportation vehicle transportation behavior
  • the second-tier hierarchical model 142a is adapted to the mobile behavior using a plurality of preset transportation modes.
  • the second-2 layer model 142b is preconfigured based on the feature elements for running, walking and stopping movement.
  • the movement behavior determination unit 150 may determine which movement behavior a specific movement behavior of the user corresponds to in conjunction with the hierarchical tree model 140, and the first determination unit associated with the first hierarchical model 141 described above. 151 and the second determination unit 152 associated with the 2-1, 2-2 hierarchical models 142a and 142b. That is, the first determination unit 151 inputs a feature element extracted by the extraction unit 130 to the first hierarchical model 141 so that the specific movement of the user corresponds to any movement of the vehicle boarding behavior or the non-ride behavior. Can be determined.
  • the second determination unit 152 is a feature element extracted by the extraction unit 130 in the 2-1 layered model 142a when the specific movement behavior of the user is classified as a vehicle riding behavior by the first determination unit 151.
  • the second determination unit 152 may extract the 130 from the second-second hierarchical model 142b. By inputting the extracted feature elements, it is possible to determine whether a specific movement of the user corresponds to running, walking and stopping. As such, the movement behavior determination unit 150 may classify the movement behavior of the user at least two times consecutively along the tree root of the hierarchical tree model 140 to increase the accuracy of the classification.
  • the global positioning system (GPS) 160 is installed in the mobile device 100 to receive location information of the mobile device 100.
  • the location information may include two-dimensional data consisting of longitude and latitude values or three-dimensional data consisting of longitude, latitude and height values.
  • the movement behavior determination unit 150 When the above-described movement behavior determination unit 150 receives the position information from the GPS 160, the movement behavior determination unit 150 inputs the hierarchical tree model 140 based on the position information and divides the result. Can be calibrated or checked more accurately. That is, the location information received from the GPS 160 may play a supporting role for determining which mobile behavior corresponds to a specific mobile behavior of the user.
  • the display unit 170 displays the above-described determination result of the moving behavior determination unit 150 on the screen.
  • the user may check the performance of the mobile device 100 to distinguish the user's mobile behavior through the screen.
  • the communicator 180 may transmit the determination result of the above-described mobile behavior determination unit 150 to a server or other device connected to the mobile device 100 through a network. Servers or other devices can process this information to provide intelligent services to users.
  • the intelligent service may be provided by an application installed inside the mobile device 100 without passing through the communication unit 180.
  • each component illustrated in FIG. 2 may be configured as a kind of 'module'.
  • 'modules' refer to hardware or hardware components such as Field Programmable Gate Arrays (FPGAs) or Application Specific Integrated Circuits (ASICs), and modules play certain roles.
  • modules are not meant to be limited to software or hardware.
  • the module may be configured to be in an addressable storage medium and may be configured to execute one or more processors.
  • the functionality provided by the components and modules may be combined into a smaller number of components and modules or further separated into additional components and modules.
  • the hierarchical tree model 140 described above may be configured by the method described below, and may be stored in advance in the mobile device 100 or in a server or database connected to the mobile device 100 through a network. Through this hierarchical tree model 140, the specific movement behavior of the user possessing the mobile device 100 may be distinguished.
  • the mobile device 100 may be a test terminal used by an administrator for the hierarchical tree model 140 or a terminal in which a separate application is installed.
  • the acceleration data from the acceleration sensor 110 in the mobile device 100 is collected by dividing each movement behavior (S210). For example, the mobile device 100 may separately collect the acceleration data for the "walking" movement behavior and the acceleration data for the "bus boarding” behavior.
  • the mobile device 100 extracts a feature element for each movement by using a first frame group configured based on acceleration data classified for each movement action and a second frame group configured to partially overlap with the first frame group. (S220). As described above with reference to the first drawing of FIG. 3, the mobile device 100 configures the first frame group (frames 1, 2, 3) by dividing the acceleration data classified for each movement by a predetermined time unit. In addition, as described above with reference to the second drawing of FIG. 3, the mobile device 100 separates the acceleration data divided for each movement into a time unit different from a preset time unit so that some acceleration data overlaps with the first frame group. Second frame groups (frames 1, 2, and 3). Based on the first frame group and the second frame group configured as described above, the mobile device 100 may extract highly reliable feature elements for each mobile behavior distinguished from other mobile behaviors.
  • the mobile device 100 constructs a hierarchical tree model 140 based on the feature elements for each mobile behavior extracted in this way (S230).
  • the hierarchical tree model 140 may be generated by using only the acceleration sensor in the mobile device 100 to reliably distinguish which movement behavior the user corresponds to.
  • FIG. 5 is a diagram for describing a hierarchical tree model generation method according to another exemplary embodiment of the present invention.
  • the mobile device 100 To generate a hierarchical tree model that can distinguish each movement such as “walk”, “run”, “bus move”, “car move”, “subway move”, and the like, the mobile device 100 is illustrated in FIG. ) To collect the acceleration data from the acceleration sensor (110) (1). Subsequently, the mobile device 100 classifies the collected acceleration data for each movement behavior, and classifies the collected acceleration data so that each movement behavior forms a hierarchy (2). For example, each movement may be stratified such that acceleration data corresponding to the “walking” and the “running” actions are placed under the “non-transport ride” activity. Using the first frame group configured based on the acceleration data classified for each movement behavior and the second frame group configured to partially overlap with the first frame group, the mobile device 100 distinguishes each movement behavior from other movement behaviors. Each feature element is extracted (3). The mobile device 100 constructs a hierarchical tree model 140 of various types as shown in FIG.
  • FIG. 6 is a flowchart illustrating a method of distinguishing a user's mobile behavior according to an embodiment of the present invention. That is, based on the hierarchical tree model 140 stored in the mobile device 100 or previously stored in a server or database connected to the mobile device 100 via a network, the mobile device 100 may distinguish the user's movement behavior. Can be.
  • the mobile device 100 collects acceleration data output from the acceleration sensor 110 in the mobile device 100 according to a specific movement of the user (S310).
  • the specific movement behavior of the user may be, for example, any one of “running”, “walking”, “stop”, “subway boarding”, “bus boarding”, and “car boarding”.
  • the mobile device 100 extracts a feature element for a specific movement behavior of the user based on the acceleration data (S320).
  • the extraction method may be the same as the method described above with reference to FIGS. 4 and 5, but is not particularly limited.
  • the mobile device 100 inputs the extracted feature elements into a pre-configured hierarchical tree model to distinguish which mobile behavior corresponds to a specific mobile behavior (S330).
  • the hierarchical tree model is preconfigured based on the extracted feature elements for each movement.
  • the characteristic element for each movement behavior is a first frame group configured by dividing the acceleration data collected separately for each movement behavior by a predetermined time unit, and the acceleration data collected separately for each movement behavior for a preset time.
  • the acceleration data is extracted based on a second frame group configured to overlap some of the acceleration data with the first frame group by separating the unit from a time unit.
  • the mobile device 100 may determine whether the user's specific mobile behavior corresponds to the specific mobile behavior through a process of determining at least two times in succession.
  • the mobile device 100 may go through a first determination process for distinguishing which of the specific movements of the user corresponds to a vehicle ride behavior or a non-ride behavior. Subsequently, when the specific movement of the user corresponds to the vehicle boarding behavior, the mobile device 100 may distinguish which means of transportation among the plurality of transportation means set in advance. Alternatively, when the specific movement of the user corresponds to the non-transportation of transportation, the mobile device 100 may distinguish which movement of the user from the running, walking and stopping corresponds to the specific movement.
  • the mobile device 100 may further determine whether to receive location information from the GPS 160 (S340). If the received location information exists (Yes), after the mobile device 100 corrects the result of the movement behavior classified in step S330 based on the location information (S350), the corrected result is the user's movement behavior. It may be determined (S360). If the received location information does not exist (No), the mobile device 100 may determine the result of the movement behavior classified in operation S330 as the movement behavior of the user (S360).
  • the mobile device proposed by the present invention and the user's movement behavior classification method using the same by using a pre-configured hierarchical tree model that reflects the feature elements extracted optimally for each movement behavior, the user's specific movement Acceleration data can be used to pinpoint what kind of movement an action corresponds to.
  • the energy of the mobile device can be used more efficiently.
  • an embodiment of the present invention may be implemented in the form of a recording medium including instructions executable by a computer, such as a program module executed by the computer.
  • Computer readable media can be any available media that can be accessed by a computer and includes both volatile and nonvolatile media, removable and non-removable media.
  • computer readable media may include both computer storage media and communication media.
  • Computer storage media includes both volatile and nonvolatile, removable and non-removable media implemented in any method or technology for storage of information such as computer readable instructions, data structures, program modules or other data.
  • Communication media typically includes computer readable instructions, data structures, program modules, or other data in a modulated data signal such as a carrier wave, or other transmission mechanism, and includes any information delivery media.

Landscapes

  • Engineering & Computer Science (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Radar, Positioning & Navigation (AREA)
  • Remote Sensing (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Telephone Function (AREA)
  • Navigation (AREA)

Abstract

본 발명은 사용자의 이동행위를 구분하는 모바일 장치, 사용자의 이동행위 구분방법 및 이를 위한 계층적 트리 모델 생성방법에 관한 것이다. 특히, 모바일 장치는 가속도 센서; 사용자의 특정 이동행위에 따라 가속도 센서로부터 출력되는 가속도 데이터를 수집하는 버퍼; 버퍼에 수집된 가속도 데이터를 기초로 사용자의 특정 이동행위에 대한 특징 요소를 추출하는 추출부; 및 추출부에서 추출한 특징 요소를 미리 구성된 계층적 트리 모델에 입력하여 사용자의 특정 이동행위가 어떤 이동행위에 해당하는지 구분하는 이동행위 판단부를 포함하고, 계층적 트리 모델은 각 이동행위마다 추출된 특징 요소를 기초로 미리 구성되고, 각 이동행위에 대한 특징 요소는, 각 이동행위 별로 구분하여 수집된 가속도 데이터를 미리 설정된 시간 단위로 분리하여 구성된 제 1 프레임 그룹과, 각 이동행위 별로 구분하여 수집된 가속도 데이터를 상기 미리 설정된 시간 단위와 다른 시간 단위로 분리하여 일부 가속도 데이터가 제 1 프레임 그룹과 오버랩 되도록 구성된 제 2 프레임 그룹을 기초로 추출된 것이다.

Description

사용자의 이동행위를 구분하는 모바일 장치, 사용자의 이동행위 구분방법 및 이를 위한 계층적 트리 모델 생성방법
본 발명은 사용자의 이동행위를 구분하는 모바일 장치, 사용자의 이동행위 구분방법 및 이를 위한 계층적 트리 모델 생성방법에 관한 것이다.
최근 스마트 폰(Smart Phone)과 같은 모바일 장치가 널리 사용되고 있고, 가속도 센서, 자이로스코프 센서, 지자기 센서, 중력 센서, 광 센서, 근접 센서 및 동작 인식 센서 등과 같이 스마트 폰 내에 장착된 센서를 활용한 어플리케이션 (앱; APP)이 다양하게 개발되고 있는 실정이다.
특히, 스마트 폰을 사용 중인 사용자가 어떠한 상태로 이동하고 있는가에 대하여 판단하는 기술에 대한 연구 및 판단 기술을 바탕으로 지능형 서비스를 제공하는 기술에 대한 연구도 이루어지고 있다. 이때, 사용자의 이동 행위를 판단하기 위해서 스마트 폰 내 센서로부터 수신된 데이터를 정제하여 의미있는 데이터를 얻는 기술이 필요하다.
이와 관련하여, 한국공개특허 제2011-0126057호(발명의 명칭: 이동 상태를 판별하는 장치, 이동 상태를 판별하는 방법 및 기록 매체)는 가속도 센서의 출력 중 수직방향 성분의 가속도 변동 주기와 수평방향 성분의 가속도 변동 주기를 비교하여, 이용자가 어떤 상태에 있는지 판별하는 기술에 대해 개시하고 있다.
다만, 이러한 기술과 다른 방식에 의해 사용자의 이동행위를 보다 정확하게 구별해낼 수 있는 방식에 대한 요구가 지속적으로 있어 왔다. 특히, GPS나 마이크로 폰 등을 사용하여 사용자의 이동행위를 구분하는 종래 기술의 경우, 스마트 폰의 배터리 소모량을 증가시킨다는 문제점이 있었다.
본 발명은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 본 발명의 일부 실시예는 가속도 센서로부터 수집된 데이터를 일부 오버랩 시켜 이동행위에 대한 특징 추출의 정확도를 향상시킬 수 있는 계층적 트리 모델 생성방법을 제공하는 데에 그 목적이 있다.
또한, 본 발명의 일부 실시예는 가속도 센서로부터 수집된 데이터만을 이용하여 구성된 계층적 트리 모델을 기초로 사용자의 특정 이동행위가 어떤 이동행위에 해당하는지 높은 신뢰도를 가지고 구분할 수 있는 모바일 장치 및 이를 이용한 사용자의 이동행위 구분방법을 제공하는 데에 다른 목적이 있다.
다만, 본 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상술한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본 발명의 일 실시예에 따른 사용자의 이동행위를 구분하는 모바일 장치는, 가속도 센서; 사용자의 특정 이동행위에 따라 가속도 센서로부터 출력되는 가속도 데이터를 수집하는 버퍼; 버퍼에 수집된 가속도 데이터를 기초로 상기 사용자의 특정 이동행위에 대한 특징 요소를 추출하는 추출부; 및 추출부에서 추출한 특징 요소를 미리 구성된 계층적 트리 모델에 입력하여 사용자의 특정 이동행위가 어떤 이동행위에 해당하는지 구분하는 이동행위 판단부를 포함하고, 계층적 트리 모델은 각 이동행위마다 추출된 특징 요소를 기초로 미리 구성되고, 각 이동행위에 대한 특징 요소는, 상기 각 이동행위 별로 구분하여 수집된 가속도 데이터를 미리 설정된 시간 단위로 분리하여 구성된 제 1 프레임 그룹과, 상기 각 이동행위 별로 구분하여 수집된 가속도 데이터를 상기 미리 설정된 시간 단위와 다른 시간 단위로 분리하여 일부 가속도 데이터가 상기 제 1 프레임 그룹과 오버랩 되도록 구성된 제 2 프레임 그룹을 기초로 추출된 것이다.
또한, 본 발명의 다른 실시예에 따른 모바일 장치를 소지한 사용자의 이동행위를 구분하기 위한 계층적 트리 모델을 생성하는 방법은, 모바일 장치 내 가속도 센서로부터 가속도 데이터를 각 이동행위 별로 구분하여 수집하는 단계; 각 이동행위 별로 구분된 가속도 데이터를 미리 설정된 시간 단위로 분리하여 제 1 프레임 그룹을 구성하고, 각 이동행위 별로 구분된 가속도 데이터를 미리 설정된 시간 단위와 다른 시간 단위로 분리하여 일부 가속도 데이터가 제 1 프레임 그룹과 오버랩 되는 제 2 프레임 그룹을 구성하는 단계; 제 1 프레임 그룹 및 제 2 프레임 그룹을 기초로 타 이동행위와 구별되는 각 이동행위마다의 특징 요소를 추출하는 단계; 및 각 이동행위마다의 특징 요소를 기초로 계층적 트리 모델을 구성하는 단계를 포함한다.
또한, 본 발명의 또 다른 실시예에 따른 모바일 장치를 이용하여 사용자의 이동행위를 구분하는 방법에 있어서, 사용자의 특정 이동행위에 따라 모바일 장치 내 가속도 센서로부터 출력되는 가속도 데이터를 수집하는 단계; 가속도 데이터를 기초로 사용자의 특정 이동행위에 대한 특징 요소를 추출하는 단계; 및 추출한 특징 요소를 미리 구성된 계층적 트리 모델에 입력하여 사용자의 특정 이동행위가 어떤 이동행위에 해당하는지 구분하는 단계를 포함하고, 계층적 트리 모델은 각 이동행위마다 추출된 특징 요소를 기초로 미리 구성되고, 각 이동행위에 대한 특징 요소는, 각 이동행위 별로 구분하여 수집된 가속도 데이터를 미리 설정된 시간 단위로 분리하여 구성된 제 1 프레임 그룹과, 각 이동행위 별로 구분하여 수집된 가속도 데이터를 미리 설정된 시간 단위와 다른 시간 단위로 분리하여 일부 가속도 데이터가 제 1 프레임 그룹과 오버랩 되도록 구성된 제 2 프레임 그룹을 기초로 추출된 것이다.
전술한 본 발명의 과제 해결 수단 중 어느 하나인 계층적 트리 모델 생성방법은 일부 가속도 데이터가 오버랩 되도록 구성된 제 1 프레임 그룹 및 제 2 프레임 그룹을 기초로 각 이동행위마다의 특징 요소를 추출함으로써, 사용자의 특정 이동행위가 어떤 이동행위에 해당하는지 보다 높은 신뢰성과 정확성을 가지고 구분하기 위한 계층적 트리 모델을 생성할 수 있다.
또한, 본 발명의 과제 해결 수단 중 어느 하나인 모바일 장치 및 이를 이용한 사용자의 이동행위 구분방법은 각 이동행위마다 최적으로 추출된 특징 요소가 반영되어 있는 미리 구성된 계층적 트리 모델을 이용함으로써, 사용자의 특정 이동행위가 어떤 이동행위에 해당하는지 가속도 데이터만으로도 정확하게 구분할 수 있다. 덧붙여, 구분 동작을 위하여 GPS나 마이크로 폰 등의 별도 장치가 필요하지 않기 때문에 모바일 장치의 에너지를 보다 효율적으로 사용할 수 있다.
도 1은 종래 기술에 따라 사용자의 이동행위를 구분하는 방법을 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시예에 따른 사용자의 이동행위를 구분하는 모바일 장치를 나타내는 구성도이다.
도 3은 이동행위에 대한 특징 요소를 추출하는 일 예를 설명하는 도면이다.
도 4 는 본 발명의 일 실시예에 따른 계층적 트리 모델 생성방법을 설명하기 위한 순서도이다.
도 5는 본 발명의 다른 실시예에 따른 계층적 트리 모델 생성방법을 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 사용자의 이동행위 구분방법을 설명하기 위한 순서도이다.
아래에서는 첨부한 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본 발명의 실시예를 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
도 1은 종래 기술에 따라 사용자의 이동행위를 구분하는 방법을 설명하기 위한 도면이다. 사용자의 이동행위를 구분하기 위하여 이동행위 별 모델을 선행적으로 생성하는 작업을 수행할 수 있다.
“걷기” 또는 “뛰기” 이동행위에 대한 모델을 생성하는 선행 작업을 수행하기 위해, 도 1에 도시된 것처럼 스마트 폰 내에 장착된 가속도 센서로부터 데이터를 수집할 수 있다(①). 초당 50번 기록 가능한 가속도 센서가 이용될 수 있다. 약 2시간 정도 수집된 데이터로부터 추출된 “걷기” 또는 “뛰기”에 대한 특징을 각각 이용하여(②) “걷기 가우시안 혼합 모델(Gaussian Mixture Models; GMM)”, “뛰기 가우시안 혼합 모델(GMM)” 또는 “교통수단 이동 가우시안 혼합 모델(GMM)”을 생성할 수 있다(③). 이들 모델을 기초로 가우시안의 가중치, 가우시안을 표현하는 데이터의 평균/공분산을 계산할 수 있고, 계산 결과를 바탕으로 실제 사용자의 이동행위를 구분해낼 수 있다.
또한, “버스이동” 또는 “지하철 이동” 이동행위에 대한 모델을 생성하는 선행 작업을 수행하기 위해, 도 1에 도시된 것처럼 스마트 폰 내에 장착된 가속도 센서 및 마이크로 폰으로부터 데이터를 각각 수집할 수 있다(①). 초당 500번 기록 가능한 마이크로 폰이 이용될 수 있다. 약 2시간 정도 수집된 데이터로부터 추출된 “버스이동” 또는 “지하철 이동”에 대한 특징을 각각 이용하여(②) “버스 이동 은닉 마코프 모델(Hidden Markov Models; HMM)” 또는 “지하철 이동 은닉 마코프 모델(HMM)”을 생성할 수 있다(③). 이들 모델을 기초로 상태 변환 매개변수를 추정할 수 있고, 추정 결과를 바탕으로 실제 사용자의 이동행위를 구분해낼 수 있다.
즉, 도 1에 도시된 것과 같은 기술을 이용하여 사용자의 이동행위가 걷기, 뛰기, 버스이동, 지하철 이동 중 어떤 것인지 구분해낼 수 있다. 다만, 본 발명에서 제안되는 기술은, 이러한 종래 가우시안 혼합 모델(GMM)이나 은닉 마코프 모델(HMM)을 사용하지 않고, 사용자의 이동행위를 보다 정확하게 구별해낼 수 있다.
도 2는 본 발명의 일 실시예에 따른 사용자의 이동행위를 구분하는 모바일 장치(100)를 나타내는 구성도이다. 도 2를 참조하면, 모바일 장치(100)는 가속도 센서(110), 버퍼(120), 추출부(130), 계층적 트리 모델(140), 이동행위 판단부(150), GPS(160), 표시부(170) 및 통신부(180)를 포함하여 구성된다. 다만, 도 2 에 도시된 모바일 장치(100)는 본 발명의 하나의 구현 예에 불과하며, 도 2에 도시된 구성요소들을 기초로 하여 다양한 조합을 이루도록 변형이 가능하다.
이때, 모바일 단말(100)은 네트워크를 통해 데이터를 송수신할 수 있는 휴대용 단말기 또는 컴퓨터로 구현될 수 있다. 여기서, 휴대용 단말기는 예를 들어, 휴대성과 이동성이 보장되는 무선 통신 장치로서, PCS(Personal Communication System), GSM(Global System for Mobile communications), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), WiBro(Wireless Broadband Internet) 단말, 스마트폰(Smart Phone), 스마트 패드(Smart Pad) 등과 같은 모든 종류의 핸드헬드(Handheld) 기반의 무선 통신 장치를 포함할 수 있다. 또한, 컴퓨터는 예를 들어, 웹 브라우저(WEB Browser)가 탑재된 노트북, 데스크톱(desktop), 랩톱(laptop), 테블릿 PC 등을 포함할 수 있다.
또한, 모바일 단말(100)은 네트워크(network)를 통해 각종 서버와 연결될 수 있다. 네트워크는 단말들 및 서버들과 같은 각각의 노드 상호 간에 데이터 또는 정보 교환이 가능한 연결 구조를 의미하는 것으로, 이러한 네트워크의 일 예에는 이동 통신(Mobile Radio Communication) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크, 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network) 등이 포함되나, 이에 한정되지는 않는다. 본 발명에서 제안되는 사용자의 이동행위를 구분할 수 있는 기능을 포함한 어플리케이션은 모바일 장치(100)에 다운로드를 통해 설치될 수 있고, 단말기의 제조업체에 의해 생산 시 설치될 수도 있다.
도 2를 다시 참고하여, 본 발명에서 제안되는 모바일 장치(100)의 각 구성에 대해 구체적으로 설명하기로 한다.
가속도 센서(110)는 모바일 장치(100) 내에 설치되어 속도의 변화를 측정한다. 센싱 방식, 센싱 원리, 외형적인 조건 등에 의해서 가속도 센서(110)는 특별하게 제한되지 않는다.
버퍼(120)는 사용자의 특정 이동행위에 따라 가속도 센서(110)로부터 출력되는 가속도 데이터를 수집한다. 버퍼(120)는 상술한 가속도 센서(110)와 후술할 추출부(130) 사이에서 가속도 데이터를 주고받는 일종의 고속 기억장치로서, 양 구성 간의 전송속도나 처리속도의 차이를 보상하고, 양 구성을 양호하게 결합시킬 수 있다.
이때, 버퍼(120)에 수집되는 가속도 데이터는 특정 이동행위의 종류에 따라 달라질 수 있고, 사용자의 특정 이동행위는 예를 들어 “달리기”, “걷기”, “정지”, “지하철 탑승”, “버스 탑승”, 및 “승용차 탑승” 중 어느 하나의 이동행위를 의미할 수 있다. 버퍼(120)는 약 3초간 가속도 센서(110)로붙터 출력되는 가속도 데이터를 수집할 수 있다.
추출부(130)는 버퍼(120)에 수집된 가속도 데이터를 기초로 사용자의 특정 이동행위에 대한 특징 요소를 추출한다.
예를 들어, 추출부(130)는 사용자의 특정 이동행위에 따라 가속도 센서(110)로부터 출력된 약 3초간의 가속도 데이터를 하나의 단위로 압축한다. 이에 대하여 추출부(130)는 수직 평균, 수직 표준 편차, 수직 평균 교차율, 수직 75 퍼센타일, 수직 인터쿼타일, 수직 스펙트럼의 평균, 수직 주파수 혼잡도, 수평 평균, 수평 표준 편차, 수평 평균 교차율, 수평 75 퍼센타일, 수평 인터쿼타일, 수평 스펙트럼의 평균, 수평 주파수 혼잡도, 수직-수평 상관관계 등을 추출할 수 있다.
덧붙여, 추출부(130)는 후술할 계층적 트리 모델(140)에서 각 이동행위에 대한 특징 요소를 추출하는 방식과 동일한 방식을 이용하여 사용자의 특정 이동행위에 대한 특징 요소를 추출할 수 있다. 다만, 추출부(130)는 특별한 제한 없이 기타 다른 방식에 의해 사용자의 특정 이동행위에 대한 특징 요소를 추출할 수 있다.
이동행위 판단부(150)는 추출부(130)에서 추출한 특징 요소를 미리 구성된 계층적 트리 모델(140)에 입력하여 사용자의 특정 이동행위가 어떤 이동행위에 해당하는지 구분한다. 즉, 이동행위 판단부(150)는 추출된 사용자의 특정 이동행위에 대한 특징 요소와 매칭되는 특징 요소를 미리 구성된 계층적 트리 모델(140) 내에서 검색할 수 있고, 매칭 결과에 따라 사용자의 특정 이동행위가 어떤 이동행위에 해당하는지 판단할 수 있다.
특히, 계층적 트리 모델(140)은 각 이동행위마다 추출된 특징 요소를 기초로 미리 구성된다. 이때, 각 이동행위에 대한 특징 요소는 제 1 프레임 그룹 및 제 2 프레임 그룹을 기초로 추출되는데, 도 3을 참고하여 구체적으로 설명한다. 도 3은 이동행위에 대한 특징 요소를 추출하는 일 예를 설명하는 도면이다.
도 3에서 첫번째 도면은, 각 이동행위 별로 구분하여 수집된 가속도 데이터를 미리 설정된 시간 단위로 분리하여 제 1 프레임 그룹을 구성한 것이다. 예를 들어, “달리기” 이동행위에 대해 수집된 가속도 데이터를 3초 단위로 분리하여 프레임 1, 프레임 2, 프레임 3을 포함하는 제 1 프레임 그룹을 구성할 수 있고, 각 프레임은 150개의 “달리기” 샘플 데이터로 이루어질 수 있다.
도 3에서 두번째 도면은, 각 이동행위 별로 구분하여 수집된 가속도 데이터를 상술한 미리 설정된 시간 단위와 다른 시간 단위로 분리하여 제 2 프레임 그룹을 구성한 것이고, 제 2 프레임 그룹은 제 1 프레임 그룹과 일부 가속도 데이터가 오버랩 되도록 구성된다. 예를 들어, 위와 동일한 “달리기” 이동행위에 대해 수집된 가속도 데이터를 3초 단위가 아닌 다른 시간 단위로 분리하여 프레임 1, 프레임 2, 프레임 3을 포함하는 제 2 프레임 그룹을 구성할 수 있고, 각 프레임은 300개의 “달리기” 샘플 데이터로 이루어질 수 있다. 이때, 일부 가속도 데이터가 제 1 프레임 그룹과 제 2 프레임 그룹에서 오버랩 된다.
이로 인하여 각 이동행위마다 최적으로 추출된 특징 요소를 반영한 계층적 트리 모델(140)이 구성될 수 있다. 또한, 이와 같이 가속도 데이터만으로 미리 구성된 계층적 트리 모델(140)을 이용하여 이동행위 판단부(150)는 사용자의 특정 이동행위가 어떤 이동행위인지 신뢰성 높게 구분할 수 있다.
아울러, 계층적 트리 모델(140)은 가속도 데이터만으로 사용자의 이동행위를 구분하기 위한 핵심적인 구성으로서, 실질적인 사용자의 특정 이동행위가 발생하기 이전에 미리 구성되어, 모바일 장치(100) 내에 저장되거나 모바일 장치(100)와 네트워크를 통해 연결된 서버 또는 데이터베이스 내에 저장될 수 있다.
다시 도 2를 참고하여 계층적 트리 모델(140) 및 이동행위 판단부(150)의 세부 구성을 설명한다.
계층적 트리 모델(140)은 사용자의 특정 이동행위가 어떤 이동행위에 해당하는지 적어도 2회 이상 연속적으로 판단하기 위하여 다수의 계층 모델을 포함할 수 있고, 도 2처럼 제 1 계층 모델(141), 제 2-1 계층 모델(142a) 및 제 2-2 계층 모델(142b)을 포함하여 구성될 수 있다. 제 1 계층 모델(141)은 교통수단 탑승 행위와 교통수단 미탑승 행위에 대한 특징 요소를 기초로 미리 구성된 것이고, 제 2-1 계층 모델(142a)은 미리 설정된 다수의 교통수단을 이용하는 이동행위에 대한 특징 요소를 기초로 미리 구성된 것이고, 제 2-2 계층 모델(142b)은 달리기, 걷기 및 정지 이동행위에 대한 특징 요소를 기초로 미리 구성된 것이다.
이동행위 판단부(150)는 계층적 트리 모델(140)와 연동하여 사용자의 특정 이동행위가 어떤 이동행위에 해당하는지 판단할 수 있고, 상술한 제 1 계층 모델(141)과 연관된 제 1 판단부(151) 및 제 2-1, 2-2 계층 모델(142a, 142b)과 연관된 제 2 판단부(152)를 포함하여 구성될 수 있다. 즉, 제 1 판단부(151)는 제 1 계층 모델(141)에 추출부(130)에서 추출한 특징 요소를 입력하여 사용자의 특정 이동행위가 교통수단 탑승 행위와 미탑승 행위 중 어떤 이동행위에 해당하는지 판단할 수 있다. 제 2 판단부(152)는 제 1 판단부(151)에서 사용자의 특정 이동행위가 교통수단 탑승 행위로 구분된 경우, 제 2-1 계층 모델(142a)에 추출부(130)에서 추출한 특징 요소를 입력하여 사용자의 특정 이동행위가 미리 설정된 다수의 교통수단(예를 들어, 승용차, 지하철, 버스) 탑승 중 어떤 교통수단 탑승행위에 해당하는지 판단할 수 있다. 또한, 제 2 판단부(152)는 제 1 판단부(151)에서 사용자의 특정 이동행위가 교통수단 미탑승 행위로 구분된 경우, 제 2-2 계층 모델(142b)에 추출부(130)에서 추출한 특징 요소를 입력하여 사용자의 특정 이동행위가 달리기, 걷기 및 정지 행위 중 어떤 이동행위에 해당하는지 판단할 수 있다. 이처럼 이동행위 판단부(150)는 계층적 트리 모델(140)의 트리 루트를 따라 적어도 2회 이상 연속적으로 사용자의 이동행위를 구분하여, 구분에 대한 정확성을 높일 수 있다.
GPS(160, Global Positioning System)은 모바일 장치(100) 내에 설치되어 모바일 장치(100)의 위치 정보를 수신한다. 이때, 위치 정보는 경도, 위도 값으로 이루어진 2차원 데이터 혹은 경도, 위도, 높이 값으로 이루어진 3차원 데이터를 포함할 수 있다.
이러한 GPS(160)로부터 상술한 이동행위 판단부(150)가 위치 정보를 전달받는 경우, 이동행위 판단부(150)는 위치 정보를 기초로, 계층적 트리 모델(140)에 입력하여 구분된 결과를 보다 정확하게 보정 또는 체크할 수 있다. 즉, GPS(160)에서 수신된 위치 정보는 사용자의 특정 이동행위가 어떤 이동행위에 해당하는지 판단하기 위한 보조적인 역할을 수행할 수 있다.
표시부(170)는 상술한 이동행위 판단부(150)의 판단 결과를 화면 상에 표시한다. 사용자는 화면을 통해 사용자의 이동행위를 구분하는 모바일 장치(100)의 성능을 확인할 수 있다.
통신부(180)는 상술한 이동행위 판단부(150)의 판단 결과를 모바일 장치(100)와 네트워크를 통해 연결된 서버나 기타 장치로 전달할 수 있다. 서버나 기타 장치는 이러한 정보를 가공하여 사용자에게 지능형 서비스를 제공할 수 있다. 지능형 서비스는 통신부(180)를 거치지 않고, 모바일 장치(100) 내부에 설치된 어플리케이션에 의해 제공될 수도 있다.
덧붙여, 도 2에서 도시된 각각의 구성요소는 일종의 '모듈'로 구성될 수 있다. 이러한 '모듈'은 소프트웨어 또는 Field Programmable Gate Array(FPGA) 또는 주문형 반도체(ASIC, Application Specific Integrated Circuit)과 같은 하드웨어 구성요소를 의미하며, 모듈은 어떤 역할들을 수행한다. 그렇지만 모듈은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. 모듈은 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 실행시키도록 구성될 수도 있다. 구성요소들과 모듈들에서 제공되는 기능은 더 작은 수의 구성요소들 및 모듈들로 결합되거나 추가적인 구성요소들과 모듈들로 더 분리될 수 있다.
한편, 본 발명의 각 실시예에 따른 계층적 트리 모델 생성방법에 대해 도 4 및 도 5를 참고하여 설명한다. 즉, 상술한 계층적 트리 모델(140)은 아래 설명하는 방법에 의해 구성되어, 모바일 장치(100) 내에 미리 저장되거나 모바일 장치(100)와 네트워크를 통해 연결된 서버 또는 데이터베이스 내에 미리 저장될 수 있다. 모바일 장치(100)를 소지한 사용자의 특정 이동행위가 어떤 이동행위에 해당하는지 이러한 계층적 트리 모델(140)을 통해 구분할 수 있다.
도 4 는 본 발명의 일 실시예에 따른 계층적 트리 모델 생성방법을 설명하기 위한 순서도이다. 여기서, 모바일 장치(100)는 계층적 트리 모델(140)에 대한 관리자 에 의해 사용되는 테스트용 단말 혹은 별도의 어플리케이션이 설치된 단말일 수 있다.
계층적 트리 모델(140)을 생성하기 위해, 모바일 장치(100) 내 가속도 센서(110)로부터 가속도 데이터를 각 이동행위 별로 구분하여 수집한다(S210). 예를 들어, 모바일 장치(100)는 “걷기” 이동행위에 대한 가속도 데이터와 “버스 탑승” 행위에 대한 가속도 데이터를 구분하여 수집할 수 있다.
각 이동행위 별로 구분된 가속도 데이터를 기초로 구성된 제 1 프레임 그룹, 및 제 1 프레임 그룹과 일부 오버랩 되도록 구성된 제 2 프레임 그룹을 이용하여 모바일 장치(100)는 각 이동행위마다의 특징 요소를 추출한다(S220). 도 3의 첫번째 도면을 참고하여 상술한 것처럼, 모바일 장치(100)는 각 이동행위 별로 구분된 가속도 데이터를 미리 설정된 시간 단위로 분리하여 제 1 프레임 그룹(프레임 1, 2, 3)을 구성한다. 또한, 도 3의 두번째 도면을 참고하여 상술한 것처럼, 모바일 장치(100)는 각 이동행위 별로 구분된 가속도 데이터를 미리 설정된 시간 단위와 다른 시간 단위로 분리하여 일부 가속도 데이터가 제 1 프레임 그룹과 오버랩 되는 제 2 프레임 그룹(프레임 1, 2, 3)을 구성한다. 이렇게 구성된 제 1 프레임 그룹 및 제 2 프레임 그룹을 기초로 모바일 장치(100)는, 타 이동행위와 구별되는 각 이동행위마다의 신뢰성 높은 특징 요소를 추출할 수 있다.
이렇게 추출되는 각 이동행위마다의 특징 요소를 기초로 모바일 장치(100)는 계층적 트리 모델(140)을 구성한다(S230). 이와 같이 모바일 장치(100) 내 가속도 센서만으로 사용자의 특정 이동행위가 어떤 이동행위에 해당하는지 신뢰성 높게 구분할 수 있는 계층적 트리 모델(140)을 생성할 수 있다.
도 5는 본 발명의 다른 실시예에 따른 계층적 트리 모델 생성방법을 설명하기 위한 도면이다.
“걷기”, “뛰기”, “버스 이동”, “승용차 이동”, “지하철 이동” 등과 같은 각 이동행위를 구분할 수 있는 계층적 트리 모델을 생성하기 위해, 도 5에 도시된 것처럼 모바일 장치(100) 내 가속도 센서(110)로부터 가속도 데이터를 수집한다(①). 이후, 모바일 장치(100)는 수집된 가속도 데이터를 각 이동행위 별로 구분하되, 각 이동행위가 계층을 이루도록 수집된 가속도 데이터를 구분한다(②). 예를 들어, “비교통수단 탑승” 행위 아래에 “걷기” 및 “뛰기” 행위에 각각 해당하는 가속도 데이터가 배치되도록 각 이동행위를 계층화할 수 있다. 각 이동행위 별로 구분된 가속도 데이터를 기초로 구성된 제 1 프레임 그룹, 및 제 1 프레임 그룹과 일부 오버랩 되도록 구성된 제 2 프레임 그룹을 이용하여, 모바일 장치(100)는 타 이동행위와 구별되는 각 이동행위마다의 특징 요소를 추출한다(③). 이렇게 추출되는 각 이동행위마다의 특징 요소를 기초로 모바일 장치(100)는 도 5에 도시된 것과 같은 다양한 형태의 계층적 트리 모델(140)을 구성한다(④).
한편, 도 4 및 도 5를 참고하여 설명된 계층적 트리 모델 생성방법을 기초로, 사용자의 이동행위를 구분하는 방법에 대해 도 6을 참고하여 상세하게 설명한다. 도 6은 본 발명의 일 실시예에 따른 사용자의 이동행위 구분방법을 설명하기 위한 순서도이다. 즉, 모바일 장치(100) 내에 미리 저장되거나 모바일 장치(100)와 네트워크를 통해 연결된 서버 또는 데이터베이스 내에 미리 저장된 계층적 트리 모델(140)을 토대로 하여, 모바일 장치(100)는 사용자의 이동행위를 구분할 수 있다.
모바일 장치(100)는 사용자의 특정 이동행위에 따라 모바일 장치(100) 내 가속도 센서(110)로부터 출력되는 가속도 데이터를 수집한다(S310). 이때, 사용자의 특정 이동행위는 예를 들어 “달리기”, “걷기”, “정지”, “지하철 탑승”, “버스 탑승”, 및 “승용차 탑승” 중 어느 하나의 이동행위일 수 있다.
이어서, 모바일 장치(100)는 가속도 데이터를 기초로 사용자의 특정 이동행위에 대한 특징 요소를 추출한다(S320). 이때, 추출하는 방식은 도 4 및 도 5를 참고하여 이미 상술한 방식과 동일할 수 있으나, 특별하게 제한되는 것은 아니다.
모바일 장치(100)는 추출한 특징 요소를 미리 구성된 계층적 트리 모델에 입력하여 사용자의 특정 이동행위가 어떤 이동행위에 해당하는지 구분한다(S330). 이때, 계층적 트리 모델은 각 이동행위마다 추출된 특징 요소를 기초로 미리 구성된 것이다. 또한, 각 이동행위에 대한 특징 요소는, 각 이동행위 별로 구분하여 수집된 가속도 데이터를 미리 설정된 시간 단위로 분리하여 구성된 제 1 프레임 그룹과, 각 이동행위 별로 구분하여 수집된 가속도 데이터를 미리 설정된 시간 단위와 다른 시간 단위로 분리하여 일부 가속도 데이터가 제 1 프레임 그룹과 오버랩 되도록 구성된 제 2 프레임 그룹을 기초로 추출된 것이다.
구체적으로, S330 단계에서 모바일 장치(100)는 적어도 2회 이상 연속적으로 판단하는 과정을 거쳐, 사용자의 특정 이동행위가 어떤 이동행위에 해당하는지 구분할 수 있다.
보다 구체적으로, 모바일 장치(100)는 사용자의 특정 이동행위가 교통수단 탑승 행위와 미탑승 행위 중 어떤 이동행위에 해당하는지 구분하는 제 1 판단 과정을 거칠 수 있다. 이후, 사용자의 특정 이동행위가 교통수단 탑승 행위에 해당하는 경우, 모바일 장치(100)는 사용자의 특정 이동행위가 미리 설정된 다수의 교통수단 중 어느 교통수단 탑승 행위에 해당하는지 구분할 수 있다. 또는 사용자의 특정 이동행위가 교통수단 미탑승 행위에 해당하는 경우, 모바일 장치(100)는 사용자의 특정 이동행위가 달리기, 걷기 및 정지 중 어느 이동 행위에 해당하는지 구분할 수 있다.
사용자의 특정 이동행위가 어떤 이동행위에 해당하는지 구분한 이후에, 모바일 장치(100)는 GPS(160)로부터 위치 정보를 수신하는지 추가적으로 판단할 수 있다(S340). 만약 수신된 위치 정보가 존재하는 경우(Yes), 모바일 장치(100)는 위치 정보를 기초로 S330 단계에서 구분된 이동행위 결과를 보정한 이후에(S350), 보정된 결과를 사용자의 이동행위로 확정할 수 있다(S360). 만약 수신된 위치 정보가 존재하지 않는 경우(No), 모바일 장치(100)는 S330단계에서 구분된 이동행위 결과를 사용자의 이동행위로 확정할 수 있다(S360).
지금까지 설명한 것처럼 본 발명에서 제안되는 모바일 장치 및 이를 이용한 사용자의 이동행위 구분방법은, 각 이동행위마다 최적으로 추출된 특징 요소가 반영되어 있는 미리 구성된 계층적 트리 모델을 이용함으로써, 사용자의 특정 이동행위가 어떤 이동행위에 해당하는지 가속도 데이터만으로도 정확하게 구분할 수 있다. 덧붙여, 구분 동작을 위하여 GPS나 마이크로 폰 등의 별도 장치가 필요하지 않기 때문에 모바일 장치의 에너지를 보다 효율적으로 사용할 수 있다.
아울러, 본 발명의 일 실시예는 컴퓨터에 의해 실행되는 프로그램 모듈과 같은 컴퓨터에 의해 실행가능한 명령어를 포함하는 기록 매체의 형태로도 구현될 수 있다. 컴퓨터 판독 가능 매체는 컴퓨터에 의해 액세스될 수 있는 임의의 가용 매체일 수 있고, 휘발성 및 비휘발성 매체, 분리형 및 비분리형 매체를 모두 포함한다. 또한, 컴퓨터 판독가능 매체는 컴퓨터 저장 매체 및 통신 매체를 모두 포함할 수 있다. 컴퓨터 저장 매체는 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈 또는 기타 데이터와 같은 정보의 저장을 위한 임의의 방법 또는 기술로 구현된 휘발성 및 비휘발성, 분리형 및 비분리형 매체를 모두 포함한다. 통신 매체는 전형적으로 컴퓨터 판독가능 명령어, 데이터 구조, 프로그램 모듈, 또는 반송파와 같은 변조된 데이터 신호의 기타 데이터, 또는 기타 전송 메커니즘을 포함하며, 임의의 정보 전달 매체를 포함한다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

Claims (10)

  1. 사용자의 이동행위를 구분하는 모바일 장치에 있어서,
    가속도 센서;
    상기 사용자의 특정 이동행위에 따라 상기 가속도 센서로부터 출력되는 가속도 데이터를 수집하는 버퍼;
    상기 버퍼에 수집된 가속도 데이터를 기초로 상기 사용자의 특정 이동행위에 대한 특징 요소를 추출하는 추출부; 및
    상기 추출부에서 추출한 특징 요소를 미리 구성된 계층적 트리 모델에 입력하여 상기 사용자의 특정 이동행위가 어떤 이동행위에 해당하는지 구분하는 이동행위 판단부를 포함하고,
    상기 계층적 트리 모델은 각 이동행위마다 추출된 특징 요소를 기초로 미리 구성되고,
    상기 각 이동행위에 대한 특징 요소는, 상기 각 이동행위 별로 구분하여 수집된 가속도 데이터를 미리 설정된 시간 단위로 분리하여 구성된 제 1 프레임 그룹과, 상기 각 이동행위 별로 구분하여 수집된 가속도 데이터를 상기 미리 설정된 시간 단위와 다른 시간 단위로 분리하여 일부 가속도 데이터가 상기 제 1 프레임 그룹과 오버랩 되도록 구성된 제 2 프레임 그룹을 기초로 추출된 것인, 모바일 장치.
  2. 제 1 항에 있어서,
    상기 추출부는 상기 계층적 트리 모델에서 상기 각 이동행위에 대한 특징 요소를 추출하는 방식과 동일한 방식을 이용하여 상기 사용자의 특정 이동행위에 대한 특징 요소를 추출하는 모바일 장치.
  3. 제 1 항에 있어서,
    상기 이동행위 판단부는
    교통수단 탑승 행위와 미탑승 행위에 대한 특징 요소를 기초로 미리 구성된 제 1 계층 모델에 상기 추출부에서 추출한 특징 요소를 입력하여 상기 사용자의 특정 이동행위가 어떤 이동행위에 해당하는지 구분하는 제 1 판단부; 및
    상기 사용자의 특정 이동행위가 교통수단 탑승 행위로 구분된 경우 미리 설정된 다수의 교통수단에 대한 특징 요소를 기초로 미리 구성된 제 2-1 계층 모델에 상기 추출부에서 추출한 특징 요소를 입력하고,
    상기 사용자의 특정 이동행위가 교통수단 미탑승 행위로 구분된 경우 달리기, 걷기 및 정지에 대한 특징 요소를 기초로 미리 구성된 제 2-2 계층 모델에 상기 추출부에서 추출한 특징 요소를 입력하여 상기 사용자의 특정 이동행위가 어떤 이동행위에 해당하는지 구분하는 제 2 판단부를 포함하고,
    상기 계층적 트리 모델은 상기 제 1 계층 모델, 상기 제 2-1 계층 모델 및 상기 제 2-2 계층 모델을 포함하는, 모바일 장치.
  4. 제 1 항에 있어서,
    위치 정보를 수신하는 GPS를 더 포함하고,
    상기 GPS로부터 위치 정보를 전달받는 경우, 상기 이동행위 판단부는 상기 위치 정보를 기초로 상기 계층적 트리 모델에 입력하여 구분된 결과를 보정하는 모바일 장치.
  5. 제 1 항에 있어서,
    상기 계층적 트리 모델은 상기 모바일 장치 내에 저장되거나 상기 모바일 장치와 네트워크를 통해 연결된 서버 내에 저장되는 것인, 모바일 장치.
  6. 모바일 장치를 소지한 사용자의 이동행위를 구분하기 위한 계층적 트리 모델을 생성하는 방법에 있어서,
    상기 모바일 장치 내 가속도 센서로부터 가속도 데이터를 각 이동행위 별로 구분하여 수집하는 단계;
    상기 각 이동행위 별로 구분된 가속도 데이터를 미리 설정된 시간 단위로 분리하여 제 1 프레임 그룹을 구성하고, 상기 각 이동행위 별로 구분된 가속도 데이터를 상기 미리 설정된 시간 단위와 다른 시간 단위로 분리하여 일부 가속도 데이터가 상기 제 1 프레임 그룹과 오버랩 되는 제 2 프레임 그룹을 구성하는 단계;
    상기 제 1 프레임 그룹 및 상기 제 2 프레임 그룹을 기초로 타 이동행위와 구별되는 상기 각 이동행위마다의 특징 요소를 추출하는 단계; 및
    상기 각 이동행위마다의 특징 요소를 기초로 상기 계층적 트리 모델을 구성하는 단계를 포함하는계층적 트리 모델 생성방법.
  7. 모바일 장치를 이용하여 사용자의 이동행위를 구분하는 방법에 있어서,
    상기 사용자의 특정 이동행위에 따라 상기 모바일 장치 내 가속도 센서로부터 출력되는 가속도 데이터를 수집하는 단계;
    상기 가속도 데이터를 기초로 상기 사용자의 특정 이동행위에 대한 특징 요소를 추출하는 단계; 및
    상기 추출한 특징 요소를 미리 구성된 계층적 트리 모델에 입력하여 상기 사용자의 특정 이동행위가 어떤 이동행위에 해당하는지 구분하는 단계를 포함하고,
    상기 계층적 트리 모델은 각 이동행위마다 추출된 특징 요소를 기초로 미리 구성되고,
    상기 각 이동행위에 대한 특징 요소는, 상기 각 이동행위 별로 구분하여 수집된 가속도 데이터를 미리 설정된 시간 단위로 분리하여 구성된 제 1 프레임 그룹과, 상기 각 이동행위 별로 구분하여 수집된 가속도 데이터를 상기 미리 설정된 시간 단위와 다른 시간 단위로 분리하여 일부 가속도 데이터가 상기 제 1 프레임 그룹과 오버랩 되도록 구성된 제 2 프레임 그룹을 기초로 추출된 것인, 사용자의 이동행위 구분방법.
  8. 제 7 항에 있어서,
    상기 모바일 장치 내 GPS로부터 위치 정보를 전달받는 경우, 상기 위치 정보를 기초로 상기 구분하는 단계에서 구분된 결과를 보정하는 단계를 더 포함하는 사용자의 이동행위 구분방법.
  9. 제 7 항에 있어서, 상기 구분하는 단계는
    상기 사용자의 특정 이동행위가 어떤 이동행위에 해당하는지 적어도 2회 이상 연속적으로 판단하는 사용자의 이동행위 구분방법.
  10. 제 7 항에 있어서, 상기 구분하는 단계는
    상기 사용자의 특정 이동행위가 교통수단 탑승 행위와 미탑승 행위 중 어떤 이동행위에 해당하는지 구분하는 단계; 및
    상기 사용자의 특정 이동행위가 교통수단 탑승 행위에 해당하는 경우 미리 설정된 다수의 교통수단 중 어느 교통수단 탑승 행위에 해당하는지 구분하고, 상기 사용자의 특정 이동행위가 교통수단 미탑승 행위에 해당하는 경우 달리기, 걷기 및 정지 중 어느 이동 행위에 해당하는지 구분하는 단계를 포함하는 사용자의 이동행위 구분방법.
PCT/KR2013/012381 2013-01-07 2013-12-30 사용자의 이동행위를 구분하는 모바일 장치, 사용자의 이동행위 구분방법 및 이를 위한 계층적 트리 모델 생성방법 WO2014107013A1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201380069657.7A CN104904244B (zh) 2013-01-07 2013-12-30 用于区分用户运动的移动装置、区分用户运动的方法及其生成分层树模型的方法
US14/791,776 US9253604B2 (en) 2013-01-07 2015-07-06 Mobile device for distinguishing user's movement, method therefor, and method for generating hierarchical tree model therefor

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2013-0001693 2013-01-07
KR1020130001693A KR101422767B1 (ko) 2013-01-07 2013-01-07 사용자의 이동행위를 구분하는 모바일 장치, 사용자의 이동행위 구분방법 및 이를 위한 계층적 트리 모델 생성방법

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US14/791,776 Continuation US9253604B2 (en) 2013-01-07 2015-07-06 Mobile device for distinguishing user's movement, method therefor, and method for generating hierarchical tree model therefor

Publications (1)

Publication Number Publication Date
WO2014107013A1 true WO2014107013A1 (ko) 2014-07-10

Family

ID=51062305

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2013/012381 WO2014107013A1 (ko) 2013-01-07 2013-12-30 사용자의 이동행위를 구분하는 모바일 장치, 사용자의 이동행위 구분방법 및 이를 위한 계층적 트리 모델 생성방법

Country Status (4)

Country Link
US (1) US9253604B2 (ko)
KR (1) KR101422767B1 (ko)
CN (1) CN104904244B (ko)
WO (1) WO2014107013A1 (ko)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104267811A (zh) * 2014-09-22 2015-01-07 联想(北京)有限公司 终端设备和控制终端设备的方法
WO2016200076A1 (ko) * 2015-06-08 2016-12-15 삼성전자 주식회사 휴대 전자 장치 및 그 동작 방법
US9851705B2 (en) 2014-06-30 2017-12-26 Lenovo (Beijing) Co., Ltd. Terminal apparatus and method for controlling terminal apparatus
US10137737B2 (en) 2015-06-08 2018-11-27 Samsung Electronics Co., Ltd. Portable electronic device and operating method therefor

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101923020B1 (ko) * 2017-03-13 2018-11-28 제이지인더스트리 주식회사 교통수단을 통한 이동 중의 구매에 대해 리워드를 제공하는 방법
CN109002189B (zh) * 2017-06-07 2021-09-07 斑马智行网络(香港)有限公司 一种运动识别方法、装置、设备和计算机存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2264988A1 (en) * 2009-06-18 2010-12-22 Deutsche Telekom AG Method of detecting a current user activity and environment context of a user of a mobile phone using an accelerator sensor and a microphone, computer program product, and mobile phone
KR20110101343A (ko) * 2010-03-08 2011-09-16 한국과학기술원 이동단말기에 구비된 가속도 센서를 이용한 위치값 인식 업데이트 주기 조절 장치 및 방법과 그 방법을 수행하는 명령어를 포함하는 컴퓨터 판독가능 기록매체
KR20110136671A (ko) * 2010-06-13 2011-12-21 김용환 이동 통신 단말기의 이동상태 정보를 공유하는 방법
KR20120056687A (ko) * 2010-11-25 2012-06-04 삼성전자주식회사 위치정보 제공 장치 및 방법

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4946626B2 (ja) 2007-05-23 2012-06-06 日本電気株式会社 位置推定システム、位置推定装置及びそれらに用いる位置推定方法並びにそのプログラム
JP5163023B2 (ja) * 2007-09-19 2013-03-13 沖電気工業株式会社 位置情報解析装置、位置情報解析方法および位置情報解析システム
CN101695445B (zh) * 2009-10-29 2011-11-23 浙江大学 一种基于加速度传感器的步态身份识别方法
CN101894252B (zh) * 2010-03-29 2012-12-05 天津大学 基于3轴加速度传感器信号的步行运动分类方法
JP5459179B2 (ja) 2010-05-14 2014-04-02 カシオ計算機株式会社 移動状態判別装置、移動状態判別方法およびプログラム
US9599632B2 (en) * 2012-06-22 2017-03-21 Fitbit, Inc. Fitness monitoring device with altimeter
US9250958B2 (en) * 2012-11-19 2016-02-02 Qualcomm Innovation Center, Inc. System, method, and apparatus for improving application-launch latencies

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP2264988A1 (en) * 2009-06-18 2010-12-22 Deutsche Telekom AG Method of detecting a current user activity and environment context of a user of a mobile phone using an accelerator sensor and a microphone, computer program product, and mobile phone
KR20110101343A (ko) * 2010-03-08 2011-09-16 한국과학기술원 이동단말기에 구비된 가속도 센서를 이용한 위치값 인식 업데이트 주기 조절 장치 및 방법과 그 방법을 수행하는 명령어를 포함하는 컴퓨터 판독가능 기록매체
KR20110136671A (ko) * 2010-06-13 2011-12-21 김용환 이동 통신 단말기의 이동상태 정보를 공유하는 방법
KR20120056687A (ko) * 2010-11-25 2012-06-04 삼성전자주식회사 위치정보 제공 장치 및 방법

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9851705B2 (en) 2014-06-30 2017-12-26 Lenovo (Beijing) Co., Ltd. Terminal apparatus and method for controlling terminal apparatus
CN104267811A (zh) * 2014-09-22 2015-01-07 联想(北京)有限公司 终端设备和控制终端设备的方法
WO2016200076A1 (ko) * 2015-06-08 2016-12-15 삼성전자 주식회사 휴대 전자 장치 및 그 동작 방법
US10137737B2 (en) 2015-06-08 2018-11-27 Samsung Electronics Co., Ltd. Portable electronic device and operating method therefor
US10647252B2 (en) 2015-06-08 2020-05-12 Samsung Electronics Co., Ltd. Portable electronic device and operating method therefor

Also Published As

Publication number Publication date
KR101422767B1 (ko) 2014-07-30
US9253604B2 (en) 2016-02-02
KR20140091128A (ko) 2014-07-21
US20150312720A1 (en) 2015-10-29
CN104904244B (zh) 2018-11-02
CN104904244A (zh) 2015-09-09

Similar Documents

Publication Publication Date Title
WO2014107013A1 (ko) 사용자의 이동행위를 구분하는 모바일 장치, 사용자의 이동행위 구분방법 및 이를 위한 계층적 트리 모델 생성방법
Abualsaud et al. A survey on mobile crowd-sensing and its applications in the IoT era
CN109919251B (zh) 一种基于图像的目标检测方法、模型训练的方法及装置
CN101938691B (zh) 多模态邻近度检测
CN109556621B (zh) 一种路线规划的方法及相关设备
KR20210138076A (ko) 측위 측정 정보 보고 방법, 단말 및 네트워크 장치
CN111951157B (zh) 图像处理方法、设备及存储介质
CN112477873B (zh) 一种基于车联网的辅助驾驶和车辆安全管理系统
CN103748862A (zh) 情境提取
US20180247526A1 (en) Crowdsourced air quality monitoring system
CN109064746A (zh) 一种信息处理方法、终端和计算机可读存储介质
Bhargava et al. Senseme: a system for continuous, on-device, and multi-dimensional context and activity recognition
CN114722937A (zh) 一种异常数据检测方法、装置、电子设备和存储介质
CN106210094A (zh) 周边热点路况展示方法、第一客户端、服务端及系统
CN112464831B (zh) 视频分类方法、视频分类模型的训练方法及相关设备
CN116861198A (zh) 数据处理方法、装置及存储介质
Cao et al. Towards activity recognition through multidimensional mobile data fusion with a smartphone and deep learning
WO2023005865A1 (zh) 一种室内地图构建方法以及相关装置
CN109740121A (zh) 一种移动终端的搜索方法、移动终端及存储介质
CN115062197A (zh) 考勤数据检测方法、装置及存储介质
CN111901740B (zh) 一种数据的处理方法、装置及设备
Gil et al. inContexto: A fusion architecture to obtain mobile context
CN110110232A (zh) 页面推广链接过滤方法、计算机可读存储介质及移动终端
Alam et al. Estimating indoor crowd density and movement behavior using WiFi sensing
Liu Design of connected and autonomous vehicle communication terminal based on 5th generation mobile communication network slicing model

Legal Events

Date Code Title Description
121 Ep: the epo has been informed by wipo that ep was designated in this application

Ref document number: 13869971

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 13869971

Country of ref document: EP

Kind code of ref document: A1