WO2014209005A1 - 라이프 스타일 분석 시스템 및 방법 - Google Patents

라이프 스타일 분석 시스템 및 방법 Download PDF

Info

Publication number
WO2014209005A1
WO2014209005A1 PCT/KR2014/005621 KR2014005621W WO2014209005A1 WO 2014209005 A1 WO2014209005 A1 WO 2014209005A1 KR 2014005621 W KR2014005621 W KR 2014005621W WO 2014209005 A1 WO2014209005 A1 WO 2014209005A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
reference model
lifestyle
behavior
user
Prior art date
Application number
PCT/KR2014/005621
Other languages
English (en)
French (fr)
Inventor
조위덕
Original Assignee
아주대학교산학협력단
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 아주대학교산학협력단 filed Critical 아주대학교산학협력단
Priority to US14/901,561 priority Critical patent/US20160371454A1/en
Publication of WO2014209005A1 publication Critical patent/WO2014209005A1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/01—Social networking
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
    • G16Z99/00—Subject matter not provided for in other main groups of this subclass
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients

Definitions

  • the present invention relates to a technology for managing a lifestyle, and more particularly, to collect big data of an individual's life log, to store a reference model generated using the same, and to collect a life collected from a user based on the stored reference model.
  • the present invention relates to a technique for analyzing a user's disposition by comparing log data and extracting similarities and differences.
  • the current IT products and care services (childcare and growth care, care for the elderly, care for the elderly, mental healing care, financial forecast management in a rapidly changing economic situation, etc.) are end users 'humans' and their complex characteristics (social relations). , Psychology, physiology, emotions, etc.) are not easy to understand, express and quantify.
  • Korean Patent Publication No. 2012-0045459 "Life Care Service Provision System” has been proposed.
  • a life care service technology for collecting lifelog information required for checking a user's health status and analyzing lifelog information to provide life care information used to manage a user's lifestyle is disclosed.
  • the present invention is derived to solve the above problems of the prior art, and an object of the present invention is to provide a lifestyle analysis system and method.
  • the present invention collects big data of an individual's lifelog, stores a reference model generated using the same, and compares lifelog data collected from a user based on the stored reference model to extract similarities and differences.
  • An object of the present invention is to provide a lifestyle analysis system and method for analyzing a user's disposition.
  • a lifestyle analysis system includes a log collector, a reference model storage unit, a pattern extractor, a propensity analyzer, and a personalized model generator.
  • the log collector collects lifelogs of a plurality of users.
  • the reference model storage unit stores a reference model generated by analyzing a behavior sequence based on the collected lifelog.
  • the pattern extractor extracts a similar behavior pattern by mining data in the stored reference model using a lifelog collected from a user in real time.
  • the propensity analyzer analyzes a user's disposition using the extracted similar behavior pattern.
  • the personalized model generator generates a personalized lifestyle model based on the analyzed user disposition.
  • the life log may include at least one of private data, public data, personal data, anonymous data, connected data, and sensor data. It may include.
  • the reference model storage unit extracts the behavior sequence from the collected lifelog, analyzes the similarity between the extracted behavior sequences, and aligns the behavior sequences with high similarity by using a sequence alignment technique.
  • the similarity behavior sequence may be stored as a reference model in the form of an ontology connected in a tree form.
  • the reference model storage unit may store the aligned reference models by analyzing similarities between the extracted behavior sequences using at least one of whether they occur within a preset time and whether the information included in the behavior sequences is the same.
  • the propensity analysis unit compares the data obtained from the lifelog collected from the user with the data that can be obtained based on a reference model that stores the expert knowledge data and experience data analyzed based on the experiences of multiple users under the same input conditions.
  • the user's disposition can be analyzed by extracting similarities and differences.
  • the propensity analyzer may analyze the individual propensity by analyzing the activity information in the individual social network included in the collected lifelog.
  • the lifestyle analysis method includes a log collection step, a reference model storage step, a pattern extraction step, a propensity analysis step, and a personalization model generation step.
  • the log collecting step collects life logs of a plurality of users.
  • the reference model storing step stores a reference model generated by analyzing a behavior sequence based on the collected lifelog.
  • the pattern extraction step extracts similar behavior patterns by mining data in the stored reference model using life logs collected from users in real time.
  • the disposition analysis step analyzes a user's disposition using the extracted similar behavior pattern.
  • the personalization model generation step generates a personalized lifestyle model based on the analyzed user disposition.
  • the life log may include at least one of private data, public data, personal data, anonymous data, connected data, and sensor data. It may include.
  • the storing of the reference model may include extracting the behavior sequence from the collected lifelog, analyzing the similarity between the extracted behavior sequences, and aligning the high similarity behavior sequence using a sequence alignment technique. Accordingly, the high similarity behavior sequence may be stored as a reference model in the form of an ontology connected in a tree form.
  • the reference model storing step may store an aligned reference model by analyzing the similarity between the extracted behavior sequences using at least one of whether the information is included within a predetermined time and whether the information included in the behavior sequence is the same. .
  • the propensity analysis step includes data obtained from a reference model that stores experience data analyzed based on expert knowledge data and multiple users' experiences under the same input condition, and data of life logs collected from the users.
  • the user's disposition can be analyzed by comparing and extracting similarities and differences.
  • the propensity analysis step may analyze the individual propensity by analyzing the activity information in the individual social network included in the collected lifelog.
  • the present invention is similar by storing a reference model generated by collecting lifelogs of multiple users, analyzing behavior sequences based on the collected lifelogs, and mining data from the stored reference models using lifelogs collected from users in real time. It extracts behavior patterns, analyzes the user's disposition using the extracted similar behavior patterns, and creates personalized lifestyle models based on the analyzed user dispositions, so that users or experts do not have to set the behavior sequence directly.
  • the collected lifelog can be used to generate a reference model, which can evolve over time as it changes appropriately over time.
  • data obtained based on a reference model that stores expert knowledge data and experience data analyzed based on experiences of multiple users under the same input conditions when analyzing a user's disposition and a life log collected from the user By comparing the data from and analyzing similarities and differences, you can create a personalized model more easily.
  • FIG. 1 is a diagram illustrating a configuration of a lifestyle autonomous care system according to an embodiment of the present invention.
  • FIG. 2 is a diagram illustrating a configuration of a reference modeling apparatus for modeling a generalized lifestyle according to an embodiment of the present invention.
  • FIG. 3 is a diagram illustrating a configuration of a personalized modeling device for personalized lifestyle modeling according to an embodiment of the present invention.
  • FIG. 4 is a flowchart illustrating a process of managing a lifestyle in a lifestyle autonomous care system according to an embodiment of the present invention.
  • FIG. 5 is a flowchart illustrating a process of generating a reference model in a reference modeling apparatus according to an embodiment of the present invention.
  • FIG. 6 is a flowchart illustrating a process of generating a personalized lifestyle model in a personalized modeling apparatus according to an embodiment of the present invention.
  • FIG. 7 is a diagram illustrating an example of a reference model generated according to an embodiment of the present invention.
  • FIG. 8 is a diagram illustrating a configuration of a lifestyle analysis system according to an embodiment of the present invention.
  • FIG. 9 is a flowchart illustrating a lifestyle analysis method according to an embodiment of the present invention.
  • FIG. 10 illustrates an example of generating a reference model according to an embodiment of the present invention.
  • FIG. 11 is a diagram illustrating still another example of generation of a reference model according to an embodiment of the present invention.
  • a lifestyle analysis system includes a log collector, a reference model storage unit, a pattern extractor, a propensity analyzer, and a personalized model generator.
  • the log collector collects lifelogs of a plurality of users.
  • the reference model storage unit stores a reference model generated by analyzing a behavior sequence based on the collected lifelog.
  • the pattern extractor extracts a similar behavior pattern by mining data in the stored reference model using a lifelog collected from a user in real time.
  • the propensity analyzer analyzes a user's disposition using the extracted similar behavior pattern.
  • the personalized model generator generates a personalized lifestyle model based on the analyzed user disposition.
  • the life log may include at least one of private data, public data, personal data, anonymous data, connected data, and sensor data. It may include.
  • the reference model storage unit extracts the behavior sequence from the collected lifelog, analyzes the similarity between the extracted behavior sequences, and aligns the behavior sequences with high similarity by using a sequence alignment technique.
  • the similarity behavior sequence may be stored as a reference model in the form of an ontology connected in a tree form.
  • the reference model storage unit may store the aligned reference models by analyzing similarities between the extracted behavior sequences using at least one of whether they occur within a preset time and whether the information included in the behavior sequences is the same.
  • the propensity analysis unit compares the data obtained from the lifelog collected from the user with the data that can be obtained based on a reference model that stores the expert knowledge data and experience data analyzed based on the experiences of multiple users under the same input conditions.
  • the user's disposition can be analyzed by extracting similarities and differences.
  • the propensity analyzer may analyze the individual propensity by analyzing the activity information in the individual social network included in the collected lifelog.
  • the lifestyle analysis method includes a log collection step, a reference model storage step, a pattern extraction step, a propensity analysis step, and a personalization model generation step.
  • the log collecting step collects life logs of a plurality of users.
  • the reference model storing step stores a reference model generated by analyzing a behavior sequence based on the collected lifelog.
  • the pattern extraction step extracts similar behavior patterns by mining data in the stored reference model using life logs collected from users in real time.
  • the disposition analysis step analyzes a user's disposition using the extracted similar behavior pattern.
  • the personalization model generation step generates a personalized lifestyle model based on the analyzed user disposition.
  • the life log may include at least one of private data, public data, personal data, anonymous data, connected data, and sensor data. It may include.
  • the storing of the reference model may include extracting the behavior sequence from the collected lifelog, analyzing the similarity between the extracted behavior sequences, and aligning the high similarity behavior sequence using a sequence alignment technique. Accordingly, the high similarity behavior sequence may be stored as a reference model in the form of an ontology connected in a tree form.
  • the reference model storing step may store an aligned reference model by analyzing the similarity between the extracted behavior sequences using at least one of whether the information is included within a predetermined time and whether the information included in the behavior sequence is the same. .
  • the propensity analysis step includes data obtained from a reference model that stores experience data analyzed based on expert knowledge data and multiple users' experiences under the same input condition, and data of life logs collected from the users.
  • the user's disposition can be analyzed by comparing and extracting similarities and differences.
  • the propensity analysis step may analyze the individual propensity by analyzing the activity information in the individual social network included in the collected lifelog.
  • FIG. 1 is a diagram illustrating a configuration of a lifestyle autonomous care system according to an embodiment of the present invention.
  • the lifestyle autonomous care system 100 may include a life log collection device 110, a reference modeling device 120, a personalized modeling device 130, and a service device 140.
  • the life log collection device 110 includes a private data management server 151, a public data management server 152, a personal computer 153, a smart phone 154, smart glasses 155, The life log may be collected by communicating with the smart watch 157, the bicycle 158, the treadmill 159, the car 160, and the like.
  • the life log includes at least one of private data, public data, personal data, anonymous data, connected data, and sensor data. It may include.
  • the private data may include a schedule, an address book, credit card usage information, medical records, shopping history, call records, text records, bank transaction records, stock transaction records, and various financial transaction records.
  • Public data may include traffic information, weather information, various statistical data, and the like.
  • Personal data can include favorites, search history, social networking service (SNS) conversation history, download history, and blog history.
  • SNS social networking service
  • Anonymous data can be the subject information (trend of public opinion), news, real-time search query ranking, etc., which are issued on SNS.
  • the connected data can be connected to a home or a vehicle, and can be used.
  • a room detection an RFID (personal identification, access record), a digital door lock, a smart home appliance (use information), a home network use record, the Internet Access points, vehicle navigation (movement paths, etc.), black boxes (video, audio records), driving recorders (driving hours, driving patterns, etc.) are possible.
  • the sensor data may be data measured through a dedicated device, an environmental sensor, a smart device, a medical device, a personal exercise device, or a personal activity measuring device.
  • the dedicated device may be a calorie measurement device, posture measurement politics, thermometer, stress measurement politics, oral breath measurement politics, drinking measurement politics, travel distance / speed, GPS-based position measurement politics, apnea measurement politics, snoring measurement politics, etc. Do.
  • Environmental sensors can be temperature sensors, humidity sensors, illuminance sensors, CCTV (distance, public transport, buildings, etc.), carbon dioxide sensors, ozone sensor, carbon monoxide sensor, dust sensor, UV sensor.
  • Smart devices include smart phones, head-mounted displays (such as Google Glass), and smart watches (such as Apple iWatch) .
  • the smart devices allow you to pay bills, use apps, use history, GPS (location), and record your applications. Data such as a video, audio, a photo, and a favorite music can be obtained.
  • the medical device may be an electronic balance, a body fat measuring device, a diabetes measuring device, a heart rate measuring device, a blood pressure measuring device, and the like, and the measured data may be included in the sensor data.
  • the personal exercise device may be an exercise device capable of measuring an exercise amount, such as a treadmill, a bicycle, a sensor that is requested for the sneaker, and the like, and the exercise amount measured from the exercise device may be included in the sensor data.
  • the life log collection device 110 may be configured as a separate device, but may be included in the reference modeling device 120 or the personalized modeling device 130.
  • the reference modeling device 120 receives the lifelog collected from the lifelog collection device 110 and generates a reference model using the collected lifelog.
  • the reference modeling apparatus 120 extracts a behavior sequence from the collected lifelog, analyzes the similarity between the extracted behavior sequences, and generates a reference model by aligning the behavior sequences using a sequence alignment technique. Can be. A more detailed description of the reference modeling device 120 will be described later with reference to FIG. 2.
  • the personalized modeling device 130 receives the lifelog collected from the lifelog collection device 110, analyzes personal tendencies using the collected lifelog, and generates a personalized lifestyle model for each tendency.
  • the personalized modeling device 130 extracts a behavior pattern that is repeated at least a predetermined number of times by individual from the collected lifelogs by using data mining techniques into individual behavior sequences, and activities in individual social networks included in the collected lifelogs. By analyzing the information, we can analyze individual dispositions and connect the behavior sequences of users with similar dispositions to create personalized lifestyle models for each disposition. A more detailed description of the personalized modeling device 130 will be described later with reference to FIG. 3.
  • the reference model generated by the reference modeling device 120 and the personalized lifestyle model generated by the personalized modeling device 130 tend to be more accurate as the lifelogs are accumulated.
  • reference models and personalized lifestyle models evolve over time because they automatically reflect behavior sequences that can change over time.
  • the reference model generated by the reference modeling device 120 in the reference modeling device 120 and the personalized lifestyle model generated by the personalized modeling device 130 are merged into one for service and provided to the service device 140. May be
  • the service device 140 may generate a user's behavior based on the user's current information collected using the reference model received from the reference modeling device 120 and the personalized lifestyle model received from the personalized modeling device 130. To determine whether the estimated user's behavior adversely affects the user's health.
  • the service device 140 may induce the user to avoid the estimated user's behavior.
  • the service device 140 may use a direct method and an indirect method as a method of avoiding the estimated user's behavior.
  • the direct method is a method of transmitting a user's possible behavior to the user so that the user can directly recognize and avoid possible behavior.
  • An indirect method is an unobtrusive technique that instructs a user to do something and avoids the user's action in advance. Thus, in an indirect method, the user may not be aware of possible behavior.
  • the user when the user further has a behavior sequence that makes the user feel better when walking along the flower path, the user may be provided to the user on the work route through the flower path to induce the user's mood to change.
  • FIG. 2 is a diagram illustrating a configuration of a reference modeling apparatus for modeling a generalized lifestyle according to an embodiment of the present invention.
  • the reference modeling apparatus 120 includes a controller 210, a log collector 212, a behavior sequence acquirer 214, a similarity analyzer 216, a reference model generator 218, and a communicator ( 220 and the storage 230.
  • the communication unit 220 is a communication interface device including a receiver and a transmitter to transmit and receive data by wire or wirelessly.
  • the communicator 220 may communicate with the lifelog collection device 110, the service device 140, and the reference model database 170, and may directly communicate with devices providing the lifelog to receive the lifelog.
  • the storage unit 230 may store an operating system, an application program, and the like for controlling the overall operation of the reference modeling apparatus 120, and may also store the collected lifelog and the generated reference model according to the present invention.
  • the storage unit 230 may be a storage device including a flash memory, a hard disk drive, and the like.
  • the log collection unit 212 may collect the life log or may receive the life log collected by the life log collection device 110 through the communication unit 220.
  • the behavior sequence acquirer 214 extracts a behavior sequence from the collected lifelog.
  • the behavior sequence acquisition unit 214 extracts a behavior sequence having at least one of stimulus thought, cognition, emotion, behavior, and result from the collected lifelog using data mining techniques.
  • the behavior sequence having stimulus thought, cognition, emotion, behavior and result may be expressed as in the example of Table 1 below.
  • the behavior sequence acquirer 214 may extract a behavior sequence from the collected lifelog, but may receive a behavior sequence from a user or an expert (such as a psychologist).
  • the similarity analyzer 216 analyzes the similarity between the behavior sequences obtained through the behavior sequence acquirer 214.
  • the similarity analyzer 216 may evaluate the similarity between the extracted behavior sequences using at least one of whether they occur within a preset time and whether the information included in the behavior sequences is the same.
  • the reference model generator 218 generates a reference model by aligning a sequence of actions using a sequence alignment technique.
  • the reference model generator 218 may generate an ontology-type reference model by connecting behavior sequences having high similarity in a tree form using the similarity of the extracted behavior sequences.
  • FIG. 7 is a diagram illustrating an example of a reference model generated according to an embodiment of the present invention.
  • FIG. 7 illustrates an example in which the behavior sequence of Table 1 is generated as a reference model.
  • the reference model is configured as a tree-shaped ontology model.
  • the sequence alignment technique applied by the reference model generator 218 is a technique mainly used for analyzing the similarity of nucleotide sequences in the field of bioinformatics, and may be modified and applied as shown in Table 2 below.
  • the controller 210 may control the overall operation of the reference modeling device 120.
  • the controller 210 may perform functions of the log collector 212, the behavior sequence acquirer 214, the similarity analyzer 216, and the reference model generator 218.
  • the controller 210, the log collector 212, the behavior sequence acquirer 214, the similarity analyzer 216, and the reference model generator 218 are illustrated separately to describe each function.
  • the controller 210 may include at least one processor configured to perform the functions of the log collector 212, the behavior sequence acquirer 214, the similarity analyzer 216, and the reference model generator 218. It may include.
  • the controller 210 may include at least one configured to perform some of the functions of the log collector 212, the behavior sequence acquirer 214, the similarity analyzer 216, and the reference model generator 218. It may include a processor.
  • FIG. 3 is a diagram illustrating a configuration of a personalized modeling device for personalized lifestyle modeling according to an embodiment of the present invention.
  • the personalized modeling device 130 may include a controller 310, a log collector 312, a behavior sequence acquirer 314, a propensity analyzer 316, a lifestyle model generator 318,
  • the communication unit 320 and the storage unit 330 may be included.
  • the communication unit 320 is a communication interface device including a receiver and a transmitter to transmit and receive data by wire or wirelessly.
  • the communicator 320 may communicate with the lifelog collection device 110, the service device 140, and the lifestyle model database 180, and may directly communicate with devices providing the lifelog to receive the lifelog. .
  • the storage unit 330 may store an operating system, an application program, and the like for controlling the overall operation of the personalized modeling device 130, and may also store the collected lifelog and the personalized lifestyle model generated according to the present invention.
  • the storage unit 330 may be a storage device including a flash memory, a hard disk drive, and the like.
  • the log collector 312 may collect a life log or may receive the life log collected by the life log collection device 110 through the communication unit 320.
  • the behavior sequence acquirer 314 extracts individual behavior sequences from the collected lifelogs.
  • the behavior sequence acquirer 314 may search for a behavior pattern that is repeated more than a predetermined number of times in the collected lifelog using a data mining technique and extract the behavior pattern into individual behavior sequences.
  • the behavior sequence acquirer 314 may extract the behavior sequence from the collected lifelog, but may receive the behavior sequence from the user or expert.
  • the propensity analyzer 316 analyzes individual propensities using the collected lifelogs.
  • the propensity analysis unit 316 analyzes individual propensities by grasping individual interests, tastes, eating habits, and activities from individual social networks' activity information included in the collected lifelog.
  • the activity information in the social network may include the number of times of access to the social network, the number of visitors, the number of registered friends, the number of posts, the number of responses, the context analysis of the posted posts.
  • the behavior sequence acquisition unit 314 and the shaping analysis unit 316 may use Hadoop and MapReduce technologies, which are distributed computing technologies, to analyze a large lifelog. That is, the behavior sequence acquisition unit 314 and the shaping analysis unit 316 may store and manage an individual behavior sequence through the Hadoop system, and may distribute the analysis technique through MapReduce.
  • Hadoop and MapReduce technologies which are distributed computing technologies, to analyze a large lifelog. That is, the behavior sequence acquisition unit 314 and the shaping analysis unit 316 may store and manage an individual behavior sequence through the Hadoop system, and may distribute the analysis technique through MapReduce.
  • the lifestyle model generator 318 connects the user's behavior sequences with similar inclinations and generates a personalized lifestyle model for each inclination.
  • the lifestyle model generator 318 analyzes the similarity between behavior sequences of users having similar inclinations and connects the behavior sequences with high similarity in the form of a tree to personalize the ontology-type personalized lifestyle model for each inclination. Can be generated.
  • the individual heuristics that psychology and physiologists have already devised are used to identify each individual's heuristics, and surveys are used to identify individual heuristics. You can check the fitness of the habit model.
  • the relationship between the user's personal lifestyle model and the heuristic can be identified, the fitness of the personal lifestyle model can be judged based on the heuristic (associated with the psychologist and physiologist), and the heuristic can be analyzed to re-adjust the personal lifestyle model. have.
  • the heuristics of individuals are estimated through existing accumulated behavior sequences and personal lifestyle models, and similar behaviors between individual lifestyle models are searched by searching the user's behavior sequences with the same or similar heuristics. It would be desirable to derive patterns and verify the suitability of individual lifestyle models.
  • the controller 310 may control the overall operation of the personalized modeling device 130.
  • the controller 310 may perform functions of the log collector 312, the behavior sequence acquirer 314, the propensity analyzer 316, and the lifestyle model generator 318.
  • the controller 310, the log collector 312, the behavior sequence acquirer 314, the propensity analyzer 316, and the lifestyle model generator 318 are illustrated separately to explain each function.
  • the controller 310 may include at least one processor configured to perform the functions of the log collector 312, the behavior sequence acquirer 314, the propensity analyzer 316, and the lifestyle model generator 318, respectively. It may include.
  • the controller 310 may be configured to perform some of the functions of each of the log collector 312, the behavior sequence acquirer 314, the propensity analyzer 316, and the lifestyle model generator 318. It may include one processor.
  • FIG. 4 is a flowchart illustrating a process of managing a lifestyle in a lifestyle autonomous care system according to an embodiment of the present invention.
  • the lifestyle autonomous care system 100 may include private data, public data, personal data, anonymous data, connected data, and the like.
  • a lifelog including at least one of sensor data is collected (S410).
  • the lifestyle autonomous care system 100 generates a reference model using the collected lifelog (S412). At this time, the lifestyle autonomous care system 100 extracts the behavior sequence from the collected lifelog, analyzes the similarity between the extracted behavior sequences, and aligns the behavior sequence by using a sequence alignment technique to construct a reference model. Can be generated. A more detailed description of generating the reference model will be described later with reference to FIG. 5.
  • the lifestyle autonomous care system 100 analyzes individual propensities using the collected lifelogs and generates a personalized lifestyle model for each propensity (S414).
  • the lifestyle autonomous care system 100 extracts a behavior pattern that is repeated at least a predetermined number of times from the collected lifelog by using a data mining technique as an individual behavior sequence, and includes the individual social network included in the collected lifelog. Analyze personality trends by analyzing activity information in, and create a personalized lifestyle model for each propensity by linking user's behavior sequences with similar tendencies. A more detailed description of creating a personalized lifestyle model will be described later with reference to FIG. 6.
  • the lifestyle autonomous care system 100 estimates possible user behaviors by reflecting current information of the user collected in the reference model and the personalized lifestyle model (S416).
  • the lifestyle autonomous care system 100 checks whether the estimated user's behavior adversely affects the user's health (S418).
  • the lifestyle autonomous care system 100 induces the user to avoid the estimated user's behavior (S420).
  • the lifestyle autonomous care system 100 transmits a user's behavior that may occur to induce the user to avoid the estimated user's behavior, or instructs the user to perform a user's behavior in advance. You can do that.
  • FIG. 5 is a flowchart illustrating a process of generating a reference model in a reference modeling apparatus according to an embodiment of the present invention.
  • the reference modeling device 120 may include private data, public data, personal data, anonymous data, connected data, and sensor data.
  • a lifelog including at least one of sensor data is collected.
  • the reference modeling apparatus 120 extracts an action sequence from the collected lifelog.
  • the reference modeling apparatus 120 may extract a behavior sequence having at least one of stimulus thought, cognition, emotion, behavior, and result from the collected lifelog using a data mining technique.
  • the reference modeling apparatus 120 analyzes similarities between the extracted behavior sequences.
  • the reference modeling apparatus 120 may analyze and analyze the similarity between the extracted behavior sequences using at least one of whether the information is included within a predetermined time and information included in the behavior sequences.
  • the reference modeling apparatus 120 generates a reference model by aligning a behavior sequence by using a sequence alignment technique.
  • the reference modeling apparatus 120 may generate an ontology-type reference model by connecting the behavior sequences having a high similarity using a similarity of the extracted behavior sequences in a tree form.
  • FIG. 6 is a flowchart illustrating a process of generating a personalized lifestyle model in a personalized modeling apparatus according to an embodiment of the present invention.
  • the personalized modeling device 130 may include private data, public data, personal data, anonymous data, connected data, and sensors.
  • a lifelog including at least one of sensor data is collected (S610).
  • the personalized modeling device 130 extracts an individual action sequence from the collected lifelog (S620).
  • the personalized modeling apparatus 130 may extract a behavior pattern that is repeated more than a predetermined number of times from the collected lifelog using the data mining technique as the individual behavior sequence.
  • the personalized modeling device 130 analyzes individual propensity using the collected lifelog (S630).
  • the personalized modeling device 130 may analyze personality tendencies by analyzing activity information in individual social networks included in the collected lifelog.
  • the personalized modeling apparatus 130 generates a personalized lifestyle model for each propensity by connecting behavior sequences of users having similar propensities (S640).
  • the personalized modeling device 130 may analyze similarities between behavior sequences of users having similar inclinations, and generate ontology-type personalized lifestyle models for each propensity by connecting behavior sequences with high similarity in a tree form. .
  • FIG. 8 is a diagram illustrating a configuration of a lifestyle analysis system according to an embodiment of the present invention.
  • the lifestyle analysis system 800 of FIG. 8 may be a system partially included in the lifestyle autonomous care system 100 shown in FIG. 1.
  • the process of generating a reference model and a process of generating a personalized lifestyle model generate each model independently or in parallel by using the collected lifelog.
  • the lifestyle analysis system illustrated in FIG. 8 may be generated by referring to a reference model when generating a personalized lifestyle model.
  • the lifestyle analysis system 800 may include a log collector 810, a reference model storage 820, a pattern extractor 830, and a propensity analyzer 840. And a personalization model generator 850.
  • the log collection unit 810 collects life logs of a plurality of users, and the life log collection device 110 may include a private data management server 151, a public data management server 152, and a personal computer. 153, the smart phone 154, the smart glasses 155, the smart watch 157, the bicycle 158, the treadmill 159, the vehicle 160, and the like to collect the life log.
  • the life log includes at least one of private data, public data, personal data, anonymous data, connected data, and sensor data. It may include, a detailed description thereof will be omitted below.
  • the reference model storage unit 820 stores a reference model generated by analyzing a behavior sequence based on the lifelog collected in the log collection unit 810.
  • the reference model storage unit 820 extracts the behavior sequence from the life log collected by the log collection unit 810, analyzes the similarity between the extracted behavior sequences, and sequence-aligns the high sequence behaviors.
  • the highly similar behavior sequences can be stored as a reference model in the form of an ontology connected in a tree form.
  • the reference model storage unit 820 may store the sorted reference model by analyzing the similarity between the extracted behavior sequences using at least one of whether they occur within a preset time and whether the information included in the behavior sequences is the same. Can be.
  • the reference model storage unit 820 may store the reference model generated from the reference modeling apparatus 120 of FIG. 2 described above. At this time, the process of generating the reference model in the reference modeling device 120 has been described in detail with reference to FIG.
  • FIG. 7 is a diagram illustrating an example of a reference model generated according to an embodiment of the present invention. Since a detailed description thereof has been described above, it will be omitted below.
  • FIG. 10 is a diagram illustrating an example of generating a reference model according to an embodiment of the present invention, which will be briefly described with reference to FIG. 2.
  • the reference model storage unit 820 extracts a behavior sequence having at least one of stimulus thoughts, cognition, emotions, behaviors, and results from a collected lifelog using a data mining technique. At this time, the behavior sequence having stimulus thought, cognition, emotion, behavior and result may be expressed as shown in FIG. In addition, the reference model storage unit 820 analyzes the similarity using the behavior sequence, thereby constructing a high similarity behavior sequence as a tree-shaped ontology model as shown in FIG. 10 (b), and based on this, FIG. 10 (c).
  • the reference model is stored in the form of indexing nodes as follows.
  • the sequence alignment technique applied in the process of generating the reference model is a technique mainly used for analyzing the similarity of nucleotide sequences in the field of bioinformatics, and may be modified and applied as shown in Table 2, as described above.
  • the indexing node may be stored by indexing the base sequence letters of the modified base sequence information as shown in FIG.
  • the life log collection device 110 may be configured as a separate device, but may be included in the reference modeling device 120.
  • the pattern extractor 830 generates a personalized model by using a life log collected in real time from a user, thereby similarly acting by mining the life log of the collected user in a reference model in which the life logs of the plurality of users are stored. Extract the pattern.
  • the extracted similar behavior pattern is extracted from the reference model storage unit 820 including experience data analyzed based on expert knowledge data or multiple user's experiences.
  • the propensity analyzer 840 analyzes a user's disposition using the similar behavior pattern extracted by the pattern extractor 830.
  • the propensity analysis unit 840 is based on the data that can be obtained based on the reference model that stores the expert knowledge data and the experience data analyzed based on the experiences of multiple users under the same input conditions and the life log collected from the user The user's disposition is analyzed by comparing data and extracting similarities and differences.
  • the propensity analyzer 840 may analyze individual propensities by using activity information of individual social networks included in the lifelog collected by the log collector 810.
  • the personalization model generator 850 generates a personalized lifestyle model based on the user disposition analyzed by the disposition analyzer 840.
  • the lifelog collected from the user may be data similar to a reference model, that is, a generalized model, generated based on lifelog information of multiple users, or may be significantly different data.
  • the personalized model generation unit 850 generates a personalized lifestyle model by distinguishing the data that is similar to the reference model from the data that is significantly different.
  • the personalized model generator 850 may model the reference model and other data as a personalized lifestyle model, and the modeled personalized data may be stored in the reference model storage unit 820 as a reference model.
  • the reference model storage unit 820 may continue to expand the reference model by feeding back and additionally storing the personalized data over time, that is, by generalizing the personalized data.
  • the personalization model generator 850 may generate a personalization model by using the personalized model device 130 illustrated in FIG. 3, and analyzes the similarity between behavior sequences of users having similar inclinations, and the similarity degree. High behavior sequences can be linked in a tree to create personalized lifestyle models in ontology. Since a more detailed description thereof has been described above, the following description will be omitted.
  • FIG. 9 is a flowchart illustrating a lifestyle analysis method according to an embodiment of the present invention. This will be briefly described based on the description of FIG. 8.
  • step S910 is a step of collecting the lifelogs of a plurality of users, the log collecting unit 810 collects the lifelogs of the plurality of users, and the lifelog collection device 110 stores private data.
  • Management server 151 public data (Public Data) management server 152, personal computer 153, smart phone 154, smart glasses 155, smart watch 157, bicycle 158, treadmill ( 159, the life log is collected by communicating with the vehicle 160, and the like.
  • Public Data Public Data
  • the life log includes at least one of private data, public data, personal data, anonymous data, connected data, and sensor data. It may include, a detailed description thereof will be omitted below.
  • Step S920 is a step of storing a reference model.
  • the reference model storage unit 820 stores a reference model generated by analyzing a behavior sequence based on the lifelog collected by the log collector 810.
  • the reference model storage unit 820 extracts the behavior sequence from the life log collected by the log collection unit 810, analyzes the similarity between the extracted behavior sequences, and sequence-aligns the high sequence behaviors.
  • the highly similar behavior sequences can be stored as a reference model in the form of an ontology connected in a tree form.
  • the reference model storage unit 820 may store the reference model generated from the reference modeling apparatus 120 of FIG. 2 described above. At this time, the process of generating the reference model in the reference modeling device 120 has been described in detail with reference to FIG.
  • FIG. 11 is a diagram illustrating still another example of generation of a reference model according to an embodiment of the present invention.
  • a process of generating a reference model is as follows.
  • a process of generating a reference model is as follows.
  • a general reference sequence is extracted (c), and the data is appropriately extended to generate a generalized lifestyle model (d).
  • the generated generalized lifestyle model is a reference model, which is stored in a lifestyle bank, i.e., a repository of reference models.
  • the lifestyle bank corresponds to the reference model storage 820.
  • the reference model storage unit 820 may store information fed back from the user.
  • the reference model storage unit 820 evolves over time because it automatically reflects a sequence of behaviors that may vary over time.
  • Step S930 is a step of extracting a similar behavior pattern, the pattern extraction unit 830 to generate a personalized model using the life log collected in real time from the user, the life log of the collected user in real time of the plurality of users Similar behavior patterns are extracted by data mining from the reference model where the lifelog is stored.
  • the extracted similar behavior pattern is extracted from the reference model storage unit 820 including experience data analyzed based on expert knowledge data or multiple user's experiences.
  • the propensity of the user is analyzed.
  • the propensity analyzer 840 analyzes the propensity of the user by using the similar behavior pattern extracted by the pattern extractor 830.
  • the propensity analysis unit 840 is based on the data that can be obtained based on the reference model that stores the expert knowledge data and the experience data analyzed based on the experiences of multiple users under the same input conditions and the life log collected from the user The user's disposition is analyzed by comparing data and extracting similarities and differences.
  • the propensity analyzer 840 may analyze individual propensities by using activity information of individual social networks included in the lifelog collected by the log collector 810.
  • Step S950 is a step of generating a personalized lifestyle model
  • the personalized model generation unit 850 generates a personalized lifestyle model based on the user disposition analyzed by the propensity analyzer 840.
  • the lifelog collected from the user may be data similar to a reference model, that is, a generalized model, generated based on lifelog information of multiple users, or may be significantly different data.
  • the personalized model generation unit 850 generates a personalized lifestyle model by distinguishing the data that is similar to the reference model from the data that is significantly different.
  • the personalization model generator 850 may generate a personalization model by using the personalized model device 130 illustrated in FIG. 3, and analyzes the similarity between behavior sequences of users having similar inclinations, and the similarity degree. High behavior sequences can be linked in a tree to create personalized lifestyle models in ontology.
  • the personalized model generator 850 may model the reference model and other data as a personalized lifestyle model, and the modeled personalized data may be stored in the reference model storage unit 820 as a reference model.
  • the reference model storage unit 820 may continue to expand the reference model by feeding back and additionally storing the personalized data over time, that is, by generalizing the personalized data.
  • Personalized lifestyle model means a lifestyle model for a particular individual that is different from the reference model.
  • a personalized lifestyle model may be formed when a response to a particular stimulus, a particular motivational factor is out of range from any of the plurality of reference models, or difficult to be described by any of the plurality of reference models. Can be.
  • models having high similarities among the personalized lifestyle models generated individually may be derived.
  • a new reference model may be derived in consideration of the frequency of occurrence of the plurality of personalized lifestyle models and the probability of reproducing causality.
  • the lifestyle analysis method may be implemented in the form of program instructions that can be executed by various computer means and recorded in a computer readable medium.
  • the computer readable medium may include program instructions, data files, data structures, etc. alone or in combination.
  • Program instructions recorded on the media may be those specially designed and constructed for the purposes of the present invention, or they may be of the kind well-known and available to those having skill in the computer software arts.
  • Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks, and magnetic tape, optical media such as CD-ROMs, DVDs, and magnetic disks, such as floppy disks.
  • Examples of program instructions include not only machine code generated by a compiler, but also high-level language code that can be executed by a computer using an interpreter or the like.
  • the hardware device described above may be configured to operate as one or more software modules to perform the operations of the present invention, and vice versa.
  • the present invention relates to a technology for managing a lifestyle, and more particularly, to collect big data of an individual's life log, to store a reference model generated using the same, and to collect a life collected from a user based on the stored reference model.
  • the present invention relates to a technique for analyzing a user's disposition by comparing log data and extracting similarities and differences.
  • a lifestyle analysis system includes a log collector, a reference model storage unit, a pattern extractor, a propensity analyzer, and a personalized model generator.

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Epidemiology (AREA)
  • Data Mining & Analysis (AREA)
  • Pathology (AREA)
  • Databases & Information Systems (AREA)
  • Biomedical Technology (AREA)
  • Tourism & Hospitality (AREA)
  • Marketing (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Child & Adolescent Psychology (AREA)
  • Computing Systems (AREA)
  • Developmental Disabilities (AREA)
  • Hospice & Palliative Care (AREA)
  • Social Psychology (AREA)
  • Psychiatry (AREA)
  • Psychology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
  • Medical Treatment And Welfare Office Work (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

본 발명은 라이프 스타일을 관리하는 기술에 관한 것으로, 보다 상세하게는 개인의 라이프 로그의 빅데이터를 수집하고, 그를 이용해 생성된 레퍼런스 모델을 저장하고, 상기 저장된 레퍼런스 모델을 기반으로 사용자로부터 수집된 라이프 로그 데이터를 비교하여 유사점과 차이점을 추출함으로써 상기 사용자의 성향을 분석하는 기술에 관한 것이다. 이러한 목적을 달성하기 위하여 본 발명의 일 실시예에 따른 라이프 스타일 분석 시스템은 로그 수집부, 레퍼런스 모델 저장부, 패턴 추출부, 성향 분석부 및 개인화 모델 생성부를 포함한다.

Description

라이프 스타일 분석 시스템 및 방법
본 발명은 라이프 스타일을 관리하는 기술에 관한 것으로, 보다 상세하게는 개인의 라이프 로그의 빅데이터를 수집하고, 그를 이용해 생성된 레퍼런스 모델을 저장하고, 상기 저장된 레퍼런스 모델을 기반으로 사용자로부터 수집된 라이프 로그 데이터를 비교하여 유사점과 차이점을 추출함으로써 상기 사용자의 성향을 분석하는 기술에 관한 것이다.
한국은 특히 생활습관병 환자가 가파르게 증가하고 있는데, 단순히 식생활의 서구화, 고령화, 비만인구 증가만으로 설명되지 못하는 대사성질환 유사환자들이 유아 및 청소기부터 나타나고 있다. 이에 대해 의료 약물적 치료로도 해결이 잘 안되고 만성질환으로 발전됨에 따라 국민건강보험의 의료비용이 지속적으로 증가하고 있다. 그 해결책으로써 생활습관의학(lifestyle medicine)이 중요해지고 있으나, 전통적 문진 문서방식, 지속적 치료 효과 및 환자의 체계적 관리와 실질효과의 어려움 등 문제점이 많아 적용하는데 어려움이 있다.
현재의 각종 IT제품과 케어 서비스(어린이보호 및 성장케어, 노약자 보호케어, 일반인들의 정신적 힐링케어, 급변하는 경제상황에서의 재정예측관리 등)들은 최종 사용자인 '인간'과 그 복합적 특성(사회관계, 심리, 생리, 감성 등)에 대한 이해와 표현 및 정량화가 용이하지 않음에 따라 적용 및 고도화에 근본적 한계가 있다.
특히, 라이프 스타일(Lifestyle)로 대변되는 '나'를 결정짓는 요소에 대한 고려가 부족하고, 복합적이고 다양한 특성을 지닌 인간을 특징적으로 표현할 도구나 방식의 어려움에 직면해 있다.
이를 극복하기 위한 방안으로 전세계적으로 라이프 로그(Lifelog) 데이터를 활용하는 다양한 연구가 진행되고 있지만, 라이프 로그 수집을 위한 혁신적 디바이스의 부재와 방대한 데이터의 의미적인 분석의 난제를 여전히 해결 못하고 있다.
종래의 라이프 케어 서비스 기술의 한 예로, 한국공개특허 제2012-0045459호 "라이프 케어 서비스 제공 시스템"이 제안되었다. 상기 선행기술에서는 사용자의 건강 상태를 확인하는데 요구되는 라이프로그 정보를 수집하고 라이프 로그 정보를 분석하여, 사용자의 생활 습관을 관리하는데 사용되는 라이프 케어 정보를 제공하는 라이프 케어 서비스 기술이 개시되었다
하지만, 종래의 선행기술은 라이프 로그 정보를 분석하여, 사용자의 생활 습관을 관리하기 위해서는 먼저 생활습관을 설정하는 과정이 필요하고, 특정 상황에 대응되는 룰을 기설정해야만 하였다. 선행기술에서 기설정한 룰들은 개인차가 존재할 수 있으나 고려하고 있지 않으며, 시대흐름에 따라 적절하게 변경되지 못하고 있으며, 룰을 설정하는 방법에 대한 구체적인 기술을 언급하고 있지 않다. 또한, 선행기술은 라이프 로그를 분석함에 있어서도 인간의 다양성을 고려하지 않고 있다.
따라서, 개인의 라이프 로그의 빅데이터를 수집하고, 그를 이용한 의미 기반 분석을 수행하여 일반적인 행동 시퀀스, 개인화된 생활습관에 따른 행동 시퀀스를 추출하고, 추출된 행동 시퀀스를 모델링하여, 사용자의 상태에 따른 이후 발생할 행동을 유추하고, 유추되는 행동을 바람직한 방향으로 유도하여 사용자의 건강을 관리하는 방법이 요구된다.
본 발명은 상기와 같은 종래 기술의 문제점을 해결하고자 도출된 것으로서, 라이프 스타일 분석 시스템 및 방법을 제공하는 것을 목적으로 한다.
구체적으로, 본 발명은 개인의 라이프 로그의 빅데이터를 수집하고, 그를 이용해 생성된 레퍼런스 모델을 저장하고, 상기 저장된 레퍼런스 모델을 기반으로 사용자로부터 수집된 라이프 로그 데이터를 비교하여 유사점과 차이점을 추출함으로써 상기 사용자의 성향을 분석하는 라이프 스타일 분석 시스템 및 방법을 제공하는 것을 목적으로 한다.
이러한 목적을 달성하기 위하여 본 발명의 일 실시예에 따른 라이프 스타일 분석 시스템은 로그 수집부, 레퍼런스 모델 저장부, 패턴 추출부, 성향 분석부 및 개인화 모델 생성부를 포함한다.
상기 로그 수집부는 다수 사용자의 라이프 로그를 수집한다. 상기 레퍼런스 모델 저장부는 상기 수집된 라이프 로그를 기반으로 행동 시퀀스를 분석함으로써 생성된 레퍼런스 모델을 저장한다. 상기 패턴 추출부는 사용자로부터 실시간 수집되는 라이프 로그를 이용해 상기 저장된 레퍼런스 모델에서 데이터 마이닝함으로써 유사 행동 패턴을 추출한다. 상기 성향 분석부는 상기 추출된 유사 행동 패턴을 이용하여 사용자의 성향을 분석한다 상기 개인화 모델 생성부는 상기 분석된 사용자 성향을 기반으로 개인화된 생활습관 모델을 생성한다.
또한, 상기 라이프 로그는 비밀 데이터(Private Data), 공개 데이터(Public Data), 개인 데이터(Personal Data), 익명 데이터(Anonymous Data), 접속 데이터(Connected Data) 및 센서 데이터(Sensor Data) 중에서 적어도 하나를 포함할 수 있다.
또한, 상기 레퍼런스 모델 저장부는 상기 수집된 라이프 로그에서 상기 행동 시퀀스를 추출하고, 상기 추출된 행동 시퀀스 간의 유사도를 분석하고, 상기 유사도가 높은 행동 시퀀스를 시퀀스 정렬(sequence alignment) 기법을 이용하여 정렬함으로써 상기 유사도가 높은 행동 시퀀스를 트리 형태로 연결된 온톨로지 형태의 레퍼런스 모델로써 저장할 수 있다.
또한, 상기 레퍼런스 모델 저장부는 기 설정된 시간 내에서 발생되었는지 여부 및 행동 시퀀스에 포함된 정보를 동일 여부 중에서 적어도 하나를 이용하여 상기 추출된 행동 시퀀스 간의 유사도를 분석함으로써 정렬된 레퍼런스 모델을 저장할 수 있다.
또한, 상기 성향 분석부는 동일한 입력 조건에서 전문가 지식 데이터 및 다수 사용자의 경험을 기반으로 분석된 경험 데이터를 저장하고 있는 레퍼런스 모델을 기반으로 얻을 수 있는 데이터와 상기 사용자로부터 수집된 라이프 로그의 데이터를 비교하고 유사점과 차이점을 추출함으로써 상기 사용자의 성향을 분석할 수 있다.
또한, 상기 성향 분석부는 상기 수집된 라이프 로그에 포함된 개인별 소셜 네트워크에서의 활동 정보를 분석함으로써 상기 개인별 성향을 분석할 수 있다.
한편, 본 발명의 일 실시예에 따른 라이프 스타일 분석 방법은 로그 수집단계, 레퍼런스 모델 저장단계, 패턴 추출단계, 성향 분석단계 및 개인화 모델 생성단계를 포함한다.
상기 로그 수집단계는 다수 사용자의 라이프 로그를 수집한다. 상기 레퍼런스 모델 저장단계는 상기 수집된 라이프 로그를 기반으로 행동 시퀀스를 분석함으로써 생성된 레퍼런스 모델을 저장한다. 상기 패턴 추출단계는 사용자로부터 실시간 수집되는 라이프 로그를 이용해 상기 저장된 레퍼런스 모델에서 데이터 마이닝함으로써 유사 행동 패턴을 추출한다. 상기 성향 분석단계는 상기 추출된 유사 행동 패턴을 이용하여 사용자의 성향을 분석한다 상기 개인화 모델 생성단계는 상기 분석된 사용자 성향을 기반으로 개인화된 생활습관 모델을 생성한다.
또한, 상기 라이프 로그는 비밀 데이터(Private Data), 공개 데이터(Public Data), 개인 데이터(Personal Data), 익명 데이터(Anonymous Data), 접속 데이터(Connected Data) 및 센서 데이터(Sensor Data) 중에서 적어도 하나를 포함할 수 있다.
또한, 상기 레퍼런스 모델 저장단계는 상기 수집된 라이프 로그에서 상기 행동 시퀀스를 추출하고, 상기 추출된 행동 시퀀스 간의 유사도를 분석하고, 상기 유사도가 높은 행동 시퀀스를 시퀀스 정렬(sequence alignment) 기법을 이용하여 정렬함으로써 상기 유사도가 높은 행동 시퀀스를 트리 형태로 연결된 온톨로지 형태의 레퍼런스 모델로써 저장할 수 있다.
또한, 상기 레퍼런스 모델 저장단계는 기 설정된 시간 내에서 발생되었는지 여부 및 행동 시퀀스에 포함된 정보를 동일 여부 중에서 적어도 하나를 이용하여 상기 추출된 행동 시퀀스 간의 유사도를 분석함으로써 정렬된 레퍼런스 모델을 저장할 수 있다.
또한, 상기 성향 분석단계는 동일한 입력 조건에서 전문가 지식 데이터 및 다수 사용자의 경험을 기반으로 분석된 경험 데이터를 저장하고 있는 레퍼런스 모델을 기반으로 얻을 수 있는 데이터와 상기 사용자로부터 수집된 라이프 로그의 데이터를 비교하고 유사점과 차이점을 추출함으로써 상기 사용자의 성향을 분석할 수 있다.
또한, 상기 성향 분석단계는 상기 수집된 라이프 로그에 포함된 개인별 소셜 네트워크에서의 활동 정보를 분석함으로써 상기 개인별 성향을 분석할 수 있다.
본 발명은 다수 사용자의 라이프 로그를 수집하고, 수집된 라이프 로그를 기반으로 행동 시퀀스를 분석함으로써 생성된 레퍼런스 모델을 저장하고, 사용자로부터 실시간 수집되는 라이프 로그를 이용해 상기 저장된 레퍼런스 모델에서 데이터 마이닝함으로써 유사 행동 패턴을 추출하고, 상기 추출된 유사 행동 패턴을 이용하여 사용자의 성향을 분석하고, 상기 분석된 사용자 성향을 기반으로 개인화된 생활습관 모델을 생성하기 때문에 사용자 또는 전문가가 직접 행동 시퀀스를 설정하지 않아도 수집된 라이프 로그를 이용하여 레퍼런스 모델을 생성할 수 있으며, 시간의 흐름에 따라 쌓여가는 데이터에 따라 적절하게 변경되기 때문에 시간에 따라 진화될 수 있다.
본 발명은 사용자의 성향을 분석할 때 동일한 입력 조건에서 전문가 지식 데이터 및 다수 사용자의 경험을 기반으로 분석된 경험 데이터를 저장하고 있는 레퍼런스 모델을 기반으로 얻을 수 있는 데이터와 상기 사용자로부터 수집된 라이프 로그의 데이터를 비교하고 유사점과 차이점을 추출함으로써 분석하기 때문에, 개인화된 모델을 보다 쉽게 생성할 수 있다.
도 1은 본 발명의 일 실시예에 따른 라이프 스타일 자율 케어 시스템의 구성을 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 일반화된 라이프 스타일 모델링하는 레퍼런스 모델링 장치의 구성을 도시한 도면이다.
도 3은 본 발명의 일 실시예에 따른 개인화된 라이프 스타일 모델링하는 개인화된 모델링 장치의 구성을 도시한 도면이다.
도 4는 본 발명의 일 실시예에 따른 라이프 스타일 자율 케어 시스템에서 라이프 스타일을 관리하는 과정을 도시한 흐름도이다.
도 5는 본 발명의 일 실시예에 따른 레퍼런스 모델링 장치에서 레퍼런스 모델을 생성하는 과정을 도시한 흐름도이다.
도 6은 본 발명의 일 실시예에 따른 개인화된 모델링 장치에서 개인화된 생활습관 모델을 생성하는 과정을 도시한 흐름도이다.
도 7은 본 발명의 일 실시예에 따라 생성된 레퍼런스 모델의 예를 도시한 도면이다.
도 8은 본 발명의 일 실시예에 따른 라이프 스타일 분석 시스템의 구성을 도시한 도면이다.
도 9는 본 발명의 일 실시예에 따른 라이프 스타일 분석 방법의 흐름도이다.
도 10은 본 발명의 일 실시예에 따른 레퍼런스 모델의 생성 예를 도시한 도면이다.
도 11은 본 발명의 일 실시예에 따른 레퍼런스 모델의 또 다른 생성 예를 도시한 도면이다.
이러한 목적을 달성하기 위하여 본 발명의 일 실시예에 따른 라이프 스타일 분석 시스템은 로그 수집부, 레퍼런스 모델 저장부, 패턴 추출부, 성향 분석부 및 개인화 모델 생성부를 포함한다.
상기 로그 수집부는 다수 사용자의 라이프 로그를 수집한다. 상기 레퍼런스 모델 저장부는 상기 수집된 라이프 로그를 기반으로 행동 시퀀스를 분석함으로써 생성된 레퍼런스 모델을 저장한다. 상기 패턴 추출부는 사용자로부터 실시간 수집되는 라이프 로그를 이용해 상기 저장된 레퍼런스 모델에서 데이터 마이닝함으로써 유사 행동 패턴을 추출한다. 상기 성향 분석부는 상기 추출된 유사 행동 패턴을 이용하여 사용자의 성향을 분석한다 상기 개인화 모델 생성부는 상기 분석된 사용자 성향을 기반으로 개인화된 생활습관 모델을 생성한다.
또한, 상기 라이프 로그는 비밀 데이터(Private Data), 공개 데이터(Public Data), 개인 데이터(Personal Data), 익명 데이터(Anonymous Data), 접속 데이터(Connected Data) 및 센서 데이터(Sensor Data) 중에서 적어도 하나를 포함할 수 있다.
또한, 상기 레퍼런스 모델 저장부는 상기 수집된 라이프 로그에서 상기 행동 시퀀스를 추출하고, 상기 추출된 행동 시퀀스 간의 유사도를 분석하고, 상기 유사도가 높은 행동 시퀀스를 시퀀스 정렬(sequence alignment) 기법을 이용하여 정렬함으로써 상기 유사도가 높은 행동 시퀀스를 트리 형태로 연결된 온톨로지 형태의 레퍼런스 모델로써 저장할 수 있다.
또한, 상기 레퍼런스 모델 저장부는 기 설정된 시간 내에서 발생되었는지 여부 및 행동 시퀀스에 포함된 정보를 동일 여부 중에서 적어도 하나를 이용하여 상기 추출된 행동 시퀀스 간의 유사도를 분석함으로써 정렬된 레퍼런스 모델을 저장할 수 있다.
또한, 상기 성향 분석부는 동일한 입력 조건에서 전문가 지식 데이터 및 다수 사용자의 경험을 기반으로 분석된 경험 데이터를 저장하고 있는 레퍼런스 모델을 기반으로 얻을 수 있는 데이터와 상기 사용자로부터 수집된 라이프 로그의 데이터를 비교하고 유사점과 차이점을 추출함으로써 상기 사용자의 성향을 분석할 수 있다.
또한, 상기 성향 분석부는 상기 수집된 라이프 로그에 포함된 개인별 소셜 네트워크에서의 활동 정보를 분석함으로써 상기 개인별 성향을 분석할 수 있다.
한편, 본 발명의 일 실시예에 따른 라이프 스타일 분석 방법은 로그 수집단계, 레퍼런스 모델 저장단계, 패턴 추출단계, 성향 분석단계 및 개인화 모델 생성단계를 포함한다.
상기 로그 수집단계는 다수 사용자의 라이프 로그를 수집한다. 상기 레퍼런스 모델 저장단계는 상기 수집된 라이프 로그를 기반으로 행동 시퀀스를 분석함으로써 생성된 레퍼런스 모델을 저장한다. 상기 패턴 추출단계는 사용자로부터 실시간 수집되는 라이프 로그를 이용해 상기 저장된 레퍼런스 모델에서 데이터 마이닝함으로써 유사 행동 패턴을 추출한다. 상기 성향 분석단계는 상기 추출된 유사 행동 패턴을 이용하여 사용자의 성향을 분석한다 상기 개인화 모델 생성단계는 상기 분석된 사용자 성향을 기반으로 개인화된 생활습관 모델을 생성한다.
또한, 상기 라이프 로그는 비밀 데이터(Private Data), 공개 데이터(Public Data), 개인 데이터(Personal Data), 익명 데이터(Anonymous Data), 접속 데이터(Connected Data) 및 센서 데이터(Sensor Data) 중에서 적어도 하나를 포함할 수 있다.
또한, 상기 레퍼런스 모델 저장단계는 상기 수집된 라이프 로그에서 상기 행동 시퀀스를 추출하고, 상기 추출된 행동 시퀀스 간의 유사도를 분석하고, 상기 유사도가 높은 행동 시퀀스를 시퀀스 정렬(sequence alignment) 기법을 이용하여 정렬함으로써 상기 유사도가 높은 행동 시퀀스를 트리 형태로 연결된 온톨로지 형태의 레퍼런스 모델로써 저장할 수 있다.
또한, 상기 레퍼런스 모델 저장단계는 기 설정된 시간 내에서 발생되었는지 여부 및 행동 시퀀스에 포함된 정보를 동일 여부 중에서 적어도 하나를 이용하여 상기 추출된 행동 시퀀스 간의 유사도를 분석함으로써 정렬된 레퍼런스 모델을 저장할 수 있다.
또한, 상기 성향 분석단계는 동일한 입력 조건에서 전문가 지식 데이터 및 다수 사용자의 경험을 기반으로 분석된 경험 데이터를 저장하고 있는 레퍼런스 모델을 기반으로 얻을 수 있는 데이터와 상기 사용자로부터 수집된 라이프 로그의 데이터를 비교하고 유사점과 차이점을 추출함으로써 상기 사용자의 성향을 분석할 수 있다.
또한, 상기 성향 분석단계는 상기 수집된 라이프 로그에 포함된 개인별 소셜 네트워크에서의 활동 정보를 분석함으로써 상기 개인별 성향을 분석할 수 있다.
상기 목적 외에 본 발명의 다른 목적 및 특징들은 첨부 도면을 참조한 실시 예에 대한 설명을 통하여 명백히 드러나게 될 것이다.
본 발명의 바람직한 실시예를 첨부된 도면들을 참조하여 상세히 설명한다. 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
그러나, 본 발명이 실시예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
이하에서는, 본 발명의 일 실시 예에 따른 라이프 스타일 자율 케어 시스템 및 방법을 첨부된 도 1 내지 도 7을 참조하여 상세히 설명한다.
도 1은 본 발명의 일 실시예에 따른 라이프 스타일 자율 케어 시스템의 구성을 도시한 도면이다.
도 1을 참조하면, 라이프 스타일 자율 케어 시스템(100)은 라이프 로그 수집 장치(110), 레퍼런스 모델링 장치(120), 개인화된 모델링 장치(130) 및 서비스 장치(140)를 포함할 수 있다.
라이프 로그 수집 장치(110)는 비밀 데이터(Private Data) 관리서버(151), 공개 데이터(Public Data) 관리서버(152), 개인용 컴퓨터(153), 스마트 폰(154), 스마트 안경(155), 스마트 시계(157), 자전거(158), 런닝머신(159), 자동차(160) 등과 통신하여 라이프 로그를 수집할 수 있다.
이때, 라이프 로그는 비밀 데이터(Private Data), 공개 데이터(Public Data), 개인 데이터(Personal Data), 익명 데이터(Anonymous Data), 접속 데이터(Connected Data) 및 센서 데이터(Sensor Data) 중에서 적어도 하나를 포함할 수 있다.
여기서, 비밀 데이터(Private Data)는 일정, 주소록, 신용카드 사용내용, 의료기록, 쇼핑 내역, 통화기록, 문자 기록, 은행 거래 기록, 주식 거래 기록, 각종 금융 거래 기록 등이 가능하다.
공개 데이터(Public Data)는 교통정보, 날씨정보, 각종 통계 데이터 등이 가능하다.
개인 데이터(Personal Data)는 즐겨 찾기, 검색기록, SNS(Social Networking Service]) 대화 기록, 다운로드 기록, 블로그 기록 등이 가능하다.
익명 데이터(Anonymous Data)는 SNS에서 이슈화되는 주제 정보(여론의 추이), 뉴스, 실시간 검색어 순위 등이 가능하다.
접속 데이터(Connected Data)는 집 또는 차량 등에 접속한 기록 등이 가능하며, 예를 들어 재실감지, RFID(개인식별, 출입기록), 디지털 도어락, 스마트 가전(이용정보), 홈 네트워크 이용기록, 인터넷 이용기록(Access Point), 차량 네비게이션(이동경로 등), 블랙박스(영상, 음성 기록), 운행기록계(운전시간, 운전패턴 등) 등이 가능하다.
센서 데이터(Sensor Data)는 전용 디바이스, 환경 센서, 스마트 장치, 의료기기, 개인운동기기, 개인 활동량 측정 장치 등을 통해 측정된 데이터가 될 수 있다.
여기서, 전용 디바이스는 칼로리 측정 장치, 자세 측정 정치, 체온계, 스트레스 측정 정치, 구강구취 측정 정치, 음주 측정 정치, 이동거리/속도, GPS기반 위치 측정 정치, 무호흡 측정 정치, 코골이 측정 정치 등이 가능하다.
환경 센서는 온도 측정 센서, 습도 측정 센서, 조도 측정 센서, CCTV(거리, 대중교통, 건물 등), 이산화탄소 측정 센서, 오존량 측정 센서, 일산화탄소 측정 센서, 먼지량 측정 센서, 자외선 측정 센서 등이 가능하다.
스마트 장치는 스마트 폰, 헤드 마운트 디스플레이(Google Glass 등), 스마트 시계(Apple iWatch 등)이 있으며, 스마트 장치를 통해서 어플의 결제내역, 주로 사용하는 어플, 어플의 사용내역, GPS(위치), 기록된 영상, 음성, 사진, 선호하는 음악 등의 데이터를 획득할 수 있다.
의료기기는 전자저울, 체지방 측정장치, 당뇨 측정장치, 심박수 측정장치, 혈압 측정장치 등이 가능하며, 측정되는 데이터가 센서 데이터에 포함될 수 있다.
개인운동기기는 런닝머신, 자전거, 운동화에 부탁되는 센서 등과 같이 운동량을 측정할 수 있는 운동기기 등이 가능하며, 운동기기로부터 측정되는 운동량이 센서 데이터에 포함될 수 있다.
한편, 라이프 로그 수집 장치(110)는 별도의 장치로 구성될 수도 있지만, 레퍼런스 모델링 장치(120) 또는 개인화된 모델링 장치(130)에 포함되어 구성될 수도 있다.
레퍼런스 모델링 장치(120)는 라이프 로그 수집 장치(110)로부터 수집된 라이프 로그를 수신하고, 수집된 라이프 로그를 이용하여 레퍼런스 모델을 생성한다.
이때, 레퍼런스 모델링 장치(120)는 수집된 라이프 로그에서 행동 시퀀스를 추출하고, 추출된 행동 시퀀스 간의 유사도를 분석하고, 시퀀스 정렬(sequence alignment) 기법을 이용하여 행동 시퀀스를 정렬하여 레퍼런스 모델을 생성할 수 있다. 레퍼런스 모델링 장치(120)의 보다 상세한 설명은 이후 도 2를 참조하여 후술한다.
개인화된 모델링 장치(130)는 라이프 로그 수집 장치(110)로부터 수집된 라이프 로그를 수신하고, 수집된 라이프 로그를 이용하여 개인별 성향을 분석하고, 성향 별로 개인화된 생활습관 모델을 생성한다.
개인화된 모델링 장치(130)는 수집된 라이프 로그에서 데이터 마이닝 기법을 이용하여 개인별로 기설정된 횟수 이상 반복되는 행동 패턴을 개인별 행동 시퀀스로 추출하고, 수집된 라이프 로그에 포함된 개인별 소셜 네트워크에서의 활동정보를 분석하여 개인별 성향을 분석하고, 성향이 유사한 사용자의 행동 시퀀스를 연결하여 성향 별로 개인화된 생활습관 모델을 생성할 수 있다. 개인화된 모델링 장치(130)의 보다 상세한 설명은 이후 도 3을 참조하여 후술한다.
레퍼런스 모델링 장치(120)에서 레퍼런스 모델링 장치(120)에서 생성된 레퍼런스 모델과 개인화된 모델링 장치(130)에서 생성된 개인화된 생활습관 모델은 라이프 로그가 많이 쌓이면 쌓일수록 보다 정확해지는 경향을 가진다. 따라서, 레퍼런스 모델과 개인화된 생활습관 모델은 시간이 지나면서 시대에 따라 달라질 수 있는 행동 시퀀스를 자동적으로 반영하기 때문에 시간에 따라 진화되어 간다.
한편, 레퍼런스 모델링 장치(120)에서 레퍼런스 모델링 장치(120)에서 생성된 레퍼런스 모델과 개인화된 모델링 장치(130)에서 생성된 개인화된 생활습관 모델은 서비스를 위해 하나로 융합되어 서비스 장치(140)로 제공될 수도 있다.
서비스 장치(140)는 레퍼런스 모델링 장치(120)로부터 수신하는 레퍼런스 모델과 개인화된 모델링 장치(130)로부터 수신하는 개인화된 생활습관 모델을 이용하여 수집되는 사용자의 현재 정보를 근거로 발생 가능한 사용자의 행동을 추정하고, 추정된 사용자의 행동이 사용자의 건강에 좋지 못한 영향을 주는지 확인한다.
확인결과 추정된 사용자의 행동이 사용자의 건강에 좋지 못한 영향을 주는 경우, 서비스 장치(140)는 추정된 사용자의 행동을 회피하도록 사용자를 유도할 수 있다. 이때, 서비스 장치(140)는 추정된 사용자의 행동을 회피하도록 하는 방법으로 직접적인 방법과 간접적인 방법을 사용할 수 있다.
직접적인 방법은 발생 가능한 사용자의 행동을 사용자에게 송신하여 사용자가 발생 가능한 행동을 직접 인지하고 회피할 수 있도록 하는 방법이다.
간접적인 방법은 어너브트루시브(unobtrusive) 기법으로 사용자에게 어떤 행동을 지시하여 사전에 사용자의 행동이 발생하지 않도록 회피시키는 방법이다. 따라서, 간접적인 방법의 경우 사용자는 발생 가능한 행동을 인지하지 못하도록 할 수 있다.
예를 들어, 어떤 사용자의 개인화된 생활습관 모델을 확인해보니 기분이 나쁠 때, 집에 돌아가는 중에 위치한 고기집에서 고기를 폭식하는 행동 시퀀스를 가진고 있는 경우, 사용자의 현재 상태가 기분 나쁜 상태이고, 퇴근 중이고, 현재 사용자의 체중이 비만이면, 사용자에게 고기집이 없는 다른 경로를 추천함으로써 고기를 폭식하는 행동을 회피하도록 유도할 수 있다.
또한, 사용자가 꽃 길을 걸을 때 기분이 좋아지는 행동 시퀀스를 추가로 가지고 있는 경우, 꽃 길을 경유하는 퇴근 경로 사용자에게 제공하여 사용자의 기분이 바뀌도록 유도할 수도 있다.
도 2는 본 발명의 일 실시예에 따른 일반화된 라이프 스타일 모델링하는 레퍼런스 모델링 장치의 구성을 도시한 도면이다.
도 2를 참조하면, 레퍼런스 모델링 장치(120)는 제어부(210), 로그 수집부(212), 행동 시퀀스 획득부(214), 유사도 분석부(216), 레퍼런스 모델 생성부(218), 통신부(220) 및 저장부(230)를 포함할 수 있다.
통신부(220)는 수신기(Receiver)와 송신기(transmitter)를 포함하는 통신 인터페이스 장치로서 유선 또는 무선으로 데이터를 송수신한다. 통신부(220)는 라이프 로그 수집 장치(110), 서비스 장치(140) 및 레퍼런스 모델 데이터베이스(170)와 통신할 수 있고, 라이프 로그를 제공하는 장치들과 직접 통신하여 라이프 로그를 수신할 수도 있다.
저장부(230)는 레퍼런스 모델링 장치(120)의 전반적인 동작을 제어하기 위한 운영체제, 응용 프로그램 등을 저장하고, 또한 본 발명에 따라 수집된 라이프 로그와 생성된 레퍼런스 모델을 저장할 수 있다. 이때, 저장부(230)는 플래시 메모리, 하드 디스크 드라이브 등을 포함하는 스토리지 디바이스일 수 있다.
로그 수집부(212)는 라이프 로그를 수집하거나 또는 라이프 로그 수집 장치(110)에서 수집된 라이프 로그를 통신부(220)를 통해 수신할 수도 있다.
행동 시퀀스 획득부(214)는 수집된 라이프 로그에서 행동 시퀀스를 추출한다.
보다 상세히 설명하면, 행동 시퀀스 획득부(214)는 데이터 마이닝 기법을 이용하여 수집된 라이프 로그에서 자극사상, 인지, 정서, 행동 및 결과 중에서 적어도 하나를 가지는 행동 시퀀스를 추출한다. 이때, 자극사상, 인지, 정서, 행동 및 결과를 가지는 행동 시퀀스는 아래 <표 1>의 예와 같이 표현될 수 있다.
표 1
Figure PCTKR2014005621-appb-T000001
행동 시퀀스 획득부(214)는 수집된 라이프 로그에서 행동 시퀀스를 추출할 수도 있지만, 사용자 또는 전문가(심리학자 등)로부터 행동 시퀀스를 수신할 수도 있다.
유사도 분석부(216)는 행동 시퀀스 획득부(214)를 통해 획득된 행동 시퀀스 간의 유사도를 분석한다.
보다 상세히 설명하면, 유사도 분석부(216)는 기설정된 시간 내에서 발생되었는지 여부 및 행동 시퀀스에 포함된 정보를 동일 여부 중에서 적어도 하나를 이용하여 추출된 행동 시퀀스 간의 유사도를 평가할 수 있다.
레퍼런스 모델 생성부(218)는 시퀀스 정렬(sequence alignment) 기법을 이용하여 행동 시퀀스를 정렬하여 레퍼런스 모델을 생성한다.
보다 상세히 설명하면, 레퍼런스 모델 생성부(218)는 추출된 행동 시퀀스의 유사도를 이용하여 유사도가 높은 행동 시퀀스를 트리 형태로 연결하여 온톨로지 형태의 레퍼런스 모델을 생성할 수 있다.
도 7은 본 발명의 일 실시예에 따라 생성된 레퍼런스 모델의 예를 도시한 도면이다.
도 7은 상기 <표 1>의 행동 시퀀스를 레퍼런스 모델로 생성한 예로 도 7을 참조하면 레퍼런스 모델은 트리 형태의 온톨로지 모델로 구성됨을 확인할 수 있다.
레퍼런스 모델 생성부(218)에서 적용하는 시퀀스 정렬 기법은 바이오 인포 매틱스 분야에서 염기 서열의 유사도 분석에 주로 사용되는 기법으로 본 발명에서는 아래 <표 2>와 같이 변형하여 적용할 수 있다.
표 2
Figure PCTKR2014005621-appb-T000002
제어부(210)는 레퍼런스 모델링 장치(120)의 전반적인 동작을 제어할 수 있다. 그리고, 제어부(210)는 로그 수집부(212), 행동 시퀀스 획득부(214), 유사도 분석부(216) 및 레퍼런스 모델 생성부(218)의 기능을 수행할 수 있다. 제어부(210), 로그 수집부(212), 행동 시퀀스 획득부(214), 유사도 분석부(216) 및 레퍼런스 모델 생성부(218)를 구분하여 도시한 것은 각 기능들을 구별하여 설명하기 위함이다. 따라서 제어부(210)는 로그 수집부(212), 행동 시퀀스 획득부(214), 유사도 분석부(216) 및 레퍼런스 모델 생성부(218) 각각의 기능을 수행하도록 구성된(configured) 적어도 하나의 프로세서를 포함할 수 있다. 또한, 제어부(210)는 로그 수집부(212), 행동 시퀀스 획득부(214), 유사도 분석부(216) 및 레퍼런스 모델 생성부(218) 각각의 기능 중 일부를 수행하도록 구성된(configured) 적어도 하나의 프로세서를 포함할 수 있다.
도 3은 본 발명의 일 실시예에 따른 개인화된 라이프 스타일 모델링하는 개인화된 모델링 장치의 구성을 도시한 도면이다.
도 3을 참조하면, 개인화된 모델링 장치(130)는 제어부(310), 로그 수집부(312), 행동 시퀀스 획득부(314), 성향 분석부(316), 생활습관 모델 생성부(318), 통신부(320) 및 저장부(330)를 포함할 수 있다.
통신부(320)는 수신기(Receiver)와 송신기(transmitter)를 포함하는 통신 인터페이스 장치로서 유선 또는 무선으로 데이터를 송수신한다. 통신부(320)는 라이프 로그 수집 장치(110), 서비스 장치(140) 및 생활습관 모델 데이터베이스(180)와 통신할 수 있고, 라이프 로그를 제공하는 장치들과 직접 통신하여 라이프 로그를 수신할 수도 있다.
저장부(330)는 개인화된 모델링 장치(130)의 전반적인 동작을 제어하기 위한 운영체제, 응용 프로그램 등을 저장하고, 또한 본 발명에 따라 수집된 라이프 로그와 생성된 개인화된 생활습관 모델을 저장할 수 있다. 이때, 저장부(330)는 플래시 메모리, 하드 디스크 드라이브 등을 포함하는 스토리지 디바이스일 수 있다.
로그 수집부(312)는 라이프 로그를 수집하거나 또는 라이프 로그 수집 장치(110)에서 수집된 라이프 로그를 통신부(320)를 통해 수신할 수도 있다.
행동 시퀀스 획득부(314)는 수집된 라이프 로그에서 개인별 행동 시퀀스를 추출한다. 보다 상세히 설명하면, 행동 시퀀스 획득부(314)는 데이터 마이닝 기법을 이용하여 수집된 라이프 로그에서 개인별로 기설정된 횟수 이상 반복되는 행동 패턴을 검색하여 개인별 행동 시퀀스로 추출할 수 있다.
한편, 행동 시퀀스 획득부(314)는 수집된 라이프 로그에서 행동 시퀀스를 추출할 수도 있지만, 사용자 또는 전문가로부터 행동 시퀀스를 수신할 수도 있다.
성향 분석부(316)는 수집된 라이프 로그를 이용하여 개인별 성향을 분석한다. 보다 상세히 설명하면, 성향 분석부(316)는 수집된 라이프 로그에 포함된 개인별 소셜 네트워크에서의 활동정보에서 각 개인의 관심사, 취향, 식습관, 활동성 등을 파악하여 개인별 성향을 분석한다. 이때, 소셜 네트워크에서의 활동정보는 소셜 네트워크의 접속 횟수, 방문하는 대상, 등록된 친구의 수, 올린 글의 횟수, 답변횟수, 올린 글의 문맥분석 등을 포함할 수 있다.
행동 시퀀스 획득부(314)와 성형 분석부(316)는 대용량의 라이프 로그를 분석하기 위하여 분산 컴퓨팅 기술인 Hadoop, MapReduce 기술을 이용할 수 있다. 즉, 행동 시퀀스 획득부(314)와 성형 분석부(316)는 Hadoop 시스템을 통하여 개인의 행동 시퀀스를 저장 및 관리하고, MapReduce를 통하여 분석 기술을 분산 처리할 수도 있다.
생활습관 모델 생성부(318)는 성향이 유사한 사용자의 행동 시퀀스를 연결하여 성향 별로 개인화된 생활습관 모델을 생성한다.
보다 상세히 설명하면, 생활습관 모델 생성부(318)는 성향이 유사한 사용자의 행동 시퀀스들 간의 유사도를 분석하고, 유사도가 높은 행동 시퀀스를 트리 형태로 연결하여 온톨로지 형태의 개인화된 생활습관 모델을 성향 별로 생성할 수 있다.
한편, 개인이 자신의 결정이나 행동에 대하여 특정한 휴리스틱을 사용하며, 이 휴리스틱을 이용하여 개인 생활습관 모델의 적합성 검증이 필요하다.
개인 생활습관 모델의 적합성 검증은 심리학, 생리학자들이 이미 고안한 개인의 휴리스틱을 사용하여 각 개인의 휴리스틱을 파악하고, 개인의 휴리스틱 파악을 위한 방법으로 설문 조사 등을 이용하여 개인의 휴리스틱과 개인 생활습관 모델의 적합성을 확인할 수 있다.
그리고, 사용자의 개인 생활습관 모델과 휴리스틱간의 연관성을 파악하고, 휴리스틱을 바탕으로 개인 생활습관 모델의 적합성을 판정(심리학, 생리학자와 연계)하고, 휴리스틱을 분석하여 개인 생활습관 모델을 재조정할 수 있다.
하지만, 사용자 또는 전문가의 개입을 최소화하는 방안으로 기존 축적된 행동 시퀀스와 개인 생활습관 모델을 통하여 개인의 휴리스틱을 추정하고, 동일하거나 유사한 휴리스틱을 가진 사용자의 행동 시퀀스를 검색하여 개인 생활습관 모델간의 유사 패턴을 도출하여 개인 생활습관 모델의 적합성 검증하는 방법이 바람직하겠다.
제어부(310)는 개인화된 모델링 장치(130)의 전반적인 동작을 제어할 수 있다. 그리고, 제어부(310)는 로그 수집부(312), 행동 시퀀스 획득부(314), 성향 분석부(316) 및 생활습관 모델 생성부(318)의 기능을 수행할 수 있다. 제어부(310), 로그 수집부(312), 행동 시퀀스 획득부(314), 성향 분석부(316) 및 생활습관 모델 생성부(318)를 구분하여 도시한 것은 각 기능들을 구별하여 설명하기 위함이다. 따라서 제어부(310)는 로그 수집부(312), 행동 시퀀스 획득부(314), 성향 분석부(316) 및 생활습관 모델 생성부(318) 각각의 기능을 수행하도록 구성된(configured) 적어도 하나의 프로세서를 포함할 수 있다. 또한, 제어부(310)는 로그 수집부(312), 행동 시퀀스 획득부(314), 성향 분석부(316) 및 생활습관 모델 생성부(318) 각각의 기능 중 일부를 수행하도록 구성된(configured) 적어도 하나의 프로세서를 포함할 수 있다.
이하, 상기와 같이 구성된 본 발명에 따른 라이프 스타일 자율 케어 시스템에서 라이프 스타일을 관리하는 방법을 아래에서 도면을 참조하여 설명한다.
도 4는 본 발명의 일 실시예에 따른 라이프 스타일 자율 케어 시스템에서 라이프 스타일을 관리하는 과정을 도시한 흐름도이다.
도 4를 참조하면, 라이프 스타일 자율 케어 시스템(100)은 비밀 데이터(Private Data), 공개 데이터(Public Data), 개인 데이터(Personal Data), 익명 데이터(Anonymous Data), 접속 데이터(Connected Data) 및 센서 데이터(Sensor Data) 중에서 적어도 하나를 포함하는 라이프 로그를 수집한다(S410).
그리고, 라이프 스타일 자율 케어 시스템(100)은 수집된 라이프 로그를 이용하여 레퍼런스 모델을 생성한다(S412). 이때, 라이프 스타일 자율 케어 시스템(100)은 수집된 라이프 로그에서 행동 시퀀스를 추출하고, 추출된 행동 시퀀스 간의 유사도를 분석하고, 시퀀스 정렬(sequence alignment) 기법을 이용하여 행동 시퀀스를 정렬하여 레퍼런스 모델을 생성할 수 있다. 레퍼런스 모델을 생성하는 보다 상세한 설명은 이후 도 5를 참조하여 후술한다.
그리고, 라이프 스타일 자율 케어 시스템(100)은 수집된 라이프 로그를 이용하여 개인별 성향을 분석하고, 성향 별로 개인화된 생활습관 모델을 생성한다(S414).
이때, 라이프 스타일 자율 케어 시스템(100)은 데이터 마이닝 기법을 이용하여 수집된 라이프 로그에서 개인별로 기설정된 횟수 이상 반복되는 행동 패턴을 개인별 행동 시퀀스로 추출하고, 수집된 라이프 로그에 포함된 개인별 소셜 네트워크에서의 활동정보를 분석하여 개인별 성향을 분석하고, 성향이 유사한 사용자의 행동 시퀀스를 연결하여 성향 별로 개인화된 생활습관 모델을 생성할 수 있다. 개인화된 생활습관 모델을 생성하는 보다 상세한 설명은 이후 도 6을 참조하여 후술한다.
그리고, 라이프 스타일 자율 케어 시스템(100)은 레퍼런스 모델과 개인화된 생활습관 모델에 수집되는 사용자의 현재 정보를 반영하여 발생 가능한 사용자의 행동을 추정한다(S416).
그리고, 라이프 스타일 자율 케어 시스템(100)은 추정된 사용자의 행동이 사용자의 건강에 좋지 못한 영향을 주는지 확인한다(S418).
S418단계의 확인결과 추정된 사용자의 행동이 사용자의 건강에 좋지 못한 영향을 주는 경우, 라이프 스타일 자율 케어 시스템(100)은 추정된 사용자의 행동을 회피하도록 사용자를 유도한다(S420).
이때, 라이프 스타일 자율 케어 시스템(100)은 추정된 사용자의 행동을 회피하도록 사용자를 유도하기 위해 발생 가능한 사용자의 행동을 사용자에게 송신하거나 또는 사용자에게 어떤 행동을 지시하여 사전에 사용자의 행동이 발생하지 않도록 할 수 있다.
도 5는 본 발명의 일 실시예에 따른 레퍼런스 모델링 장치에서 레퍼런스 모델을 생성하는 과정을 도시한 흐름도이다.
도 5를 참조하면, 레퍼런스 모델링 장치(120)는 비밀 데이터(Private Data), 공개 데이터(Public Data), 개인 데이터(Personal Data), 익명 데이터(Anonymous Data), 접속 데이터(Connected Data) 및 센서 데이터(Sensor Data) 중에서 적어도 하나를 포함하는 라이프 로그를 수집한다(S510).
그리고, 레퍼런스 모델링 장치(120)는 수집된 라이프 로그에서 행동 시퀀스를 추출한다(S520). 이때, 레퍼런스 모델링 장치(120)는 데이터 마이닝 기법을 이용하여 수집된 라이프 로그에서 자극사상, 인지, 정서, 행동 및 결과 중에서 적어도 하나를 가지는 행동 시퀀스를 추출할 수 있다.
그리고, 레퍼런스 모델링 장치(120)는 추출된 행동 시퀀스 간의 유사도를 분석한다(S530). 이때, 레퍼런스 모델링 장치(120)는 기설정된 시간 내에서 발생되었는지 여부 및 행동 시퀀스에 포함된 정보를 동일 여부 중에서 적어도 하나를 이용하여 추출된 행동 시퀀스 간의 유사도를 평가하여 분석할 수 있다.
그리고, 레퍼런스 모델링 장치(120)는 시퀀스 정렬(sequence alignment) 기법을 이용하여 행동 시퀀스를 정렬하여 레퍼런스 모델을 생성한다(S540). 이때, 레퍼런스 모델링 장치(120)는 추출된 행동 시퀀스의 유사도를 이용하여 유사도가 높은 행동 시퀀스를 트리 형태로 연결하여 온톨로지 형태의 레퍼런스 모델을 생성할 수 있다.
도 6은 본 발명의 일 실시예에 따른 개인화된 모델링 장치에서 개인화된 생활습관 모델을 생성하는 과정을 도시한 흐름도이다.
도 6을 참조하면, 개인화된 모델링 장치(130)는 비밀 데이터(Private Data), 공개 데이터(Public Data), 개인 데이터(Personal Data), 익명 데이터(Anonymous Data), 접속 데이터(Connected Data) 및 센서 데이터(Sensor Data) 중에서 적어도 하나를 포함하는 라이프 로그를 수집한다(S610).
그리고, 개인화된 모델링 장치(130)는 수집된 라이프 로그에서 개인별 행동 시퀀스를 추출한다(S620). 이때, 개인화된 모델링 장치(130)는 데이터 마이닝 기법을 이용하여 수집된 라이프 로그에서 개인별로 기설정된 횟수 이상 반복되는 행동 패턴을 개인별 행동 시퀀스로 추출할 수 있다.
그리고, 개인화된 모델링 장치(130)는 수집된 라이프 로그를 이용하여 개인별 성향을 분석한다(S630). 이때, 개인화된 모델링 장치(130)는 수집된 라이프 로그에 포함된 개인별 소셜 네트워크에서의 활동정보를 분석하여 개인별 성향을 분석할 수 있다.
그리고, 개인화된 모델링 장치(130)는 성향이 유사한 사용자의 행동 시퀀스를 연결하여 성향 별로 개인화된 생활습관 모델을 생성한다(S640). 이때, 개인화된 모델링 장치(130)는 성향이 유사한 사용자의 행동 시퀀스들 간의 유사도를 분석하고, 유사도가 높은 행동 시퀀스를 트리 형태로 연결하여 온톨로지 형태의 개인화된 생활습관 모델을 성향 별로 생성할 수 있다.
도 8은 본 발명의 일 실시예에 따른 라이프 스타일 분석 시스템의 구성을 도시한 도면이다.
설명에 앞서, 도8의 라이프 스타일 분석 시스템(800)은 도1에 도시된 본 발명의 일 실시예에 따른 라이프 스타일 자율 케어 시스템(100)에 일부 포함된 시스템일 수 있다.
또한, 본 발명은 지금까지 설명한 일 실시예에 따르면 레퍼런스 모델을 생성하는 과정 및 개인화된 생활습관 모델을 생성하는 과정이 수집된 라이프 로그를 이용함으로써 각각의 모델을 독립적으로, 혹은 병렬적으로 생성하지만, 도8에 도시된 라이프 스타일 분석 시스템에서는 개인화된 생활습관 모델 생성 시 레퍼런스 모델을 참고함으로써 생성할 수 있는 것을 특징으로 한다.
도8을 참조하면, 본 발명의 일 실시예에 따른 라이프 스타일 분석 시스템(800)은 로그 수집부(810), 레퍼런스 모델 저장부(820), 패턴 추출부(830), 성향 분석부(840) 및 개인화 모델 생성부(850)를 포함한다.
로그 수집부(810)는 다수 사용자의 라이프 로그를 수집하며, 라이프 로그 수집 장치(110)가 비밀 데이터(Private Data) 관리서버(151), 공개 데이터(Public Data) 관리서버(152), 개인용 컴퓨터(153), 스마트 폰(154), 스마트 안경(155), 스마트 시계(157), 자전거(158), 런닝머신(159), 자동차(160) 등과 통신함으로써 라이프 로그를 수집한다.
이때, 라이프 로그는 비밀 데이터(Private Data), 공개 데이터(Public Data), 개인 데이터(Personal Data), 익명 데이터(Anonymous Data), 접속 데이터(Connected Data) 및 센서 데이터(Sensor Data) 중에서 적어도 하나를 포함할 수 있으며, 이에 대한 더 자세한 설명은 상기에 설명했으므로 이하 생략하기로 한다.
레퍼런스 모델 저장부(820)는 로그 수집부(810)에 수집된 라이프 로그를 기반으로 행동 시퀀스를 분석함으로써 생성된 레퍼런스 모델을 저장한다.
이때, 레퍼런스 모델 저장부(820)는 로그 수집부(810)에 수집된 라이프 로그에서 상기 행동 시퀀스를 추출하고, 상기 추출된 행동 시퀀스 간의 유사도를 분석하고, 상기 유사도가 높은 행동 시퀀스를 시퀀스 정렬(sequence alignment) 기법을 이용하여 정렬함으로써 상기 유사도가 높은 행동 시퀀스를 트리 형태로 연결된 온톨로지 형태의 레퍼런스 모델로써 저장할 수 있다.
또한, 레퍼런스 모델 저장부(820)는 기 설정된 시간 내에서 발생되었는지 여부 및 행동 시퀀스에 포함된 정보를 동일 여부 중에서 적어도 하나를 이용하여 상기 추출된 행동 시퀀스 간의 유사도를 분석함으로써 정렬된 레퍼런스 모델을 저장할 수 있다.
레퍼런스 모델 저장부(820)는 상기에 설명한 도2의 레퍼런스 모델링 장치(120)로부터 생성된 레퍼런스 모델을 저장할 수 있다. 이때, 레퍼런스 모델링 장치(120)에서 레퍼런스 모델이 생성되는 과정은 상기에 도2를 참조하여 자세히 설명하였으므로, 이를 참조하도록 한다.
또한, 도 7은 본 발명의 일 실시예에 따라 생성된 레퍼런스 모델의 예를 도시한 도면이다. 이에 대한 더 자세한 설명은 상기에 설명했으므로 이하 생략하기로 한다.
또한, 도 10은 본 발명의 일 실시예에 따른 레퍼런스 모델의 생성 예를 도시한 도면으로, 이는 도2의 설명을 참조로 하여 간단히 설명하기로 한다.
도 10을 참조하면, 레퍼런스 모델 저장부(820)는 데이터 마이닝 기법을 이용하여 수집된 라이프 로그에서 자극사상, 인지, 정서, 행동 및 결과 중에서 적어도 하나를 가지는 행동 시퀀스를 추출한다. 이때, 자극사상, 인지, 정서, 행동 및 결과를 가지는 행동 시퀀스는 도 10(a)와 같이 표현될 수 있다. 그리고 레퍼런스 모델 저장부(820)는 상기 행동 시퀀스를 이용하여 유사도를 분석함으로써, 도 10(b)와 같이 유사도가 높은 행동 시퀀스를 트리 형태의 온톨로지 모델로 구성하고, 이를 기반으로 도 10(c)과 같이 인덱싱 노드(indexing nodes)의 형태로 레퍼런스 모델을 저장한다.
레퍼런스 모델이 생성되는 과정에서 적용되는 시퀀스 정렬 기법은 바이오 인포 매틱스 분야에서 염기 서열의 유사도 분석에 주로 사용되는 기법으로 상기의 <표 2>와 같이 변형하여 적용될 수 있음은 앞에서 설명한 바와 같다.
본 발명의 실시예에 따라서는, 도 10(c)와 같이 인덱싱 노드는 변형된 염기 서열 정보의 염기 서열 문자로 인덱싱하여 저장될 수도 있다.
한편, 라이프 로그 수집 장치(110)는 별도의 장치로 구성될 수도 있지만, 레퍼런스 모델링 장치(120)에 포함되어 구성될 수도 있다.
패턴 추출부(830)는 사용자로부터 실시간 수집되는 라이프 로그를 이용해 개인화된 모델을 생성하기 위함으로써, 상기 실시간 수집된 사용자의 라이프 로그를 상기 다수 사용자의 라이프 로그가 저장된 레퍼런스 모델에서 데이터 마이닝함으로써 유사 행동 패턴을 추출한다.
이때, 추출되는 유사 행동 패턴은 전문가 지식 데이터 또는 다수 사용자의 경험을 기반으로 분석된 경험 데이터를 포함하고 있는 레퍼런스 모델 저장부(820)에서 추출된다.
성향 분석부(840)는 패턴 추출부(830)에서 추출된 유사 행동 패턴을 이용하여 사용자의 성향을 분석한다.
이때, 성향 분석부(840)는 동일한 입력 조건에서 전문가 지식 데이터 및 다수 사용자의 경험을 기반으로 분석된 경험 데이터를 저장하고 있는 레퍼런스 모델을 기반으로 얻을 수 있는 데이터와 상기 사용자로부터 수집된 라이프 로그의 데이터를 비교하고 유사점과 차이점을 추출함으로써 상기 사용자의 성향을 분석한다.
또한, 성향 분석부(840)는 로그 수집부(810)에 수집된 라이프 로그에 포함된 개인별 소셜 네트워크에서의 활동 정보를 이용함으로서 개인별 성향을 분석할 수도 있다.
개인화 모델 생성부(850)는 성향 분석부(840)에서 분석된 사용자 성향을 기반으로 개인화된 생활습관 모델을 생성한다.
사용자로부터 수집된 라이프 로그는 다수 사용자들의 라이프 로그 정보를 기반으로 생성된 레퍼런스 모델, 즉 일반화된 모델과 유사한 데이터 일수도 있고, 또는 확연히 다른 데이터일 수도 있다.
따라서, 개인화 모델 생성부(850)는 레퍼런스 모델과 유사한 데이터와 확연히 다른 데이터를 구분함으로써, 개인화된 생활습관 모델을 생성한다.
또한, 개인화 모델 생성부(850)는 레퍼런스 모델과 다른 데이터를 개인화된 생활습관 모델로써 모델링 할 수 있고, 상기 모델링된 개인화된 데이터는 레퍼런스 모델로써 레퍼런스 모델 저장부(820)에 저장될 수 있다.
따라서 레퍼런스 모델 저장부(820)는 시간이 지남에 따라 개인화된 데이터를 피드백하여 추가로 저장함으로써, 즉, 개인화된 데이터를 일반화함으로써 레퍼런스 모델을 계속 확장시켜 나갈 수 있다.
또한, 개인화 모델 생성부(850)는 상기 도3에 도시된 개인화된 모델 장치(130)를 이용하여 개인화 모델을 생성할 수도 있으며, 성향이 유사한 사용자의 행동 시퀀스들 간의 유사도를 분석하고, 유사도가 높은 행동 시퀀스를 트리 형태로 연결하여 온톨로지 형태의 개인화된 생활습관 모델을 성향 별로 생성할 수 있다. 이에 대한 더 자세한 설명은 상기에 설명되어 있으므로 이하 설명은 생략하기로 한다.
도 9는 본 발명의 일 실시예에 따른 라이프 스타일 분석 방법의 흐름도이다. 이는 도 8의 설명을 기반으로 간략히 설명하기로 한다.
도 9를 참조하면, 단계S910은 다수 사용자의 라이프 로그를 수집하는 단계로, 로그 수집부(810)는 다수 사용자의 라이프 로그를 수집하며, 라이프 로그 수집 장치(110)가 비밀 데이터(Private Data) 관리서버(151), 공개 데이터(Public Data) 관리서버(152), 개인용 컴퓨터(153), 스마트 폰(154), 스마트 안경(155), 스마트 시계(157), 자전거(158), 런닝머신(159), 자동차(160) 등과 통신함으로써 라이프 로그를 수집한다.
이때, 라이프 로그는 비밀 데이터(Private Data), 공개 데이터(Public Data), 개인 데이터(Personal Data), 익명 데이터(Anonymous Data), 접속 데이터(Connected Data) 및 센서 데이터(Sensor Data) 중에서 적어도 하나를 포함할 수 있으며, 이에 대한 더 자세한 설명은 상기에 설명했으므로 이하 생략하기로 한다.
단계S920은 레퍼런스 모델을 저장하는 단계로, 레퍼런스 모델 저장부(820)는 로그 수집부(810)에 수집된 라이프 로그를 기반으로 행동 시퀀스를 분석함으로써 생성된 레퍼런스 모델을 저장한다.
이때, 레퍼런스 모델 저장부(820)는 로그 수집부(810)에 수집된 라이프 로그에서 상기 행동 시퀀스를 추출하고, 상기 추출된 행동 시퀀스 간의 유사도를 분석하고, 상기 유사도가 높은 행동 시퀀스를 시퀀스 정렬(sequence alignment) 기법을 이용하여 정렬함으로써 상기 유사도가 높은 행동 시퀀스를 트리 형태로 연결된 온톨로지 형태의 레퍼런스 모델로써 저장할 수 있다.
레퍼런스 모델 저장부(820)는 상기에 설명한 도2의 레퍼런스 모델링 장치(120)로부터 생성된 레퍼런스 모델을 저장할 수 있다. 이때, 레퍼런스 모델링 장치(120)에서 레퍼런스 모델이 생성되는 과정은 상기에 도2를 참조하여 자세히 설명하였으므로, 이를 참조하도록 한다.
도 11은 본 발명의 일 실시예에 따른 레퍼런스 모델의 또 다른 생성 예를 도시한 도면이다.
도 11을 참조하면, 레퍼런스 모델이 생성되는 과정은 다음과 같다. 로그 수집부(810)에 수집된 다수 사용자의 라이프 로그 데이터를 프로세싱하여 사용자의 행동을 인덱싱 하고(a), 인덱싱된 데이터를 마이닝하여 데이터의 상관관계를 도출한다(b). 이를 바탕으로 일반적인 레퍼런스 시퀀스를 추출하고(c), 데이터를 적절하게 확장함으로써 일반화된 라이프 스타일 모델을 생성한다(d). 상기 생성된 일반화된 라이프 스타일 모델이 레퍼런스 모델이며, 상기 레퍼런스 모델은 라이프 스타일 뱅크, 즉 레퍼런스 모델의 저장소에 저장된다. 다시 말해, 라이프 스타일 뱅크는 레퍼런스 모델 저장부(820)와 상응한다.
또한, 레퍼런스 모델 저장부(820)는 사용자로부터 피드백된 정보를 저장할 수도 있다. 따라서 레퍼런스 모델 저장부(820)는 시간이 지나면서 시대에 따라 달라질 수 있는 행동 시퀀스를 자동적으로 반영하기 때문에 시간에 따라 진화된다.
단계S930은 유사 행동 패턴을 추출하는 단계로, 패턴 추출부(830)는 사용자로부터 실시간 수집되는 라이프 로그를 이용해 개인화된 모델을 생성하기 위함으로써, 상기 실시간 수집된 사용자의 라이프 로그를 상기 다수 사용자의 라이프 로그가 저장된 레퍼런스 모델에서 데이터 마이닝함으로써 유사 행동 패턴을 추출한다.
이때, 추출되는 유사 행동 패턴은 전문가 지식 데이터 또는 다수 사용자의 경험을 기반으로 분석된 경험 데이터를 포함하고 있는 레퍼런스 모델 저장부(820)에서 추출된다.
단계S940은 사용자의 성향을 분석하는 단계로, 성향 분석부(840)는 패턴 추출부(830)에서 추출된 유사 행동 패턴을 이용하여 사용자의 성향을 분석한다.
이때, 성향 분석부(840)는 동일한 입력 조건에서 전문가 지식 데이터 및 다수 사용자의 경험을 기반으로 분석된 경험 데이터를 저장하고 있는 레퍼런스 모델을 기반으로 얻을 수 있는 데이터와 상기 사용자로부터 수집된 라이프 로그의 데이터를 비교하고 유사점과 차이점을 추출함으로써 상기 사용자의 성향을 분석한다.
또한, 성향 분석부(840)는 로그 수집부(810)에 수집된 라이프 로그에 포함된 개인별 소셜 네트워크에서의 활동 정보를 이용함으로서 개인별 성향을 분석할 수도 있다.
단계S950은 개인화된 생활습관 모델을 생성하는 단계로, 개인화 모델 생성부(850)는 성향 분석부(840)에서 분석된 사용자 성향을 기반으로 개인화된 생활습관 모델을 생성한다.
사용자로부터 수집된 라이프 로그는 다수 사용자들의 라이프 로그 정보를 기반으로 생성된 레퍼런스 모델, 즉 일반화된 모델과 유사한 데이터 일수도 있고, 또는 확연히 다른 데이터일 수도 있다.
따라서, 개인화 모델 생성부(850)는 레퍼런스 모델과 유사한 데이터와 확연히 다른 데이터를 구분함으로써, 개인화된 생활습관 모델을 생성한다.
또한, 개인화 모델 생성부(850)는 상기 도3에 도시된 개인화된 모델 장치(130)를 이용하여 개인화 모델을 생성할 수도 있으며, 성향이 유사한 사용자의 행동 시퀀스들 간의 유사도를 분석하고, 유사도가 높은 행동 시퀀스를 트리 형태로 연결하여 온톨로지 형태의 개인화된 생활습관 모델을 성향 별로 생성할 수 있다.
또한, 개인화 모델 생성부(850)는 레퍼런스 모델과 다른 데이터를 개인화된 생활습관 모델로써 모델링 할 수 있고, 상기 모델링된 개인화된 데이터는 레퍼런스 모델로써 레퍼런스 모델 저장부(820)에 저장될 수 있다.
따라서 레퍼런스 모델 저장부(820)는 시간이 지남에 따라 개인화된 데이터를 피드백하여 추가로 저장함으로써, 즉, 개인화된 데이터를 일반화함으로써 레퍼런스 모델을 계속 확장시켜 나갈 수 있다.
개인화된 생활습관 모델은 레퍼런스 모델과 상이한, 특수한 개인에 대한 생활습관 모델을 의미한다. 예를 들어 특정 자극, 특정 동기요인에 대한 반응이 복수의 레퍼런스 모델들 중 어느 것으로부터도 일정 범위 이상 벗어나 있거나 복수의 레퍼런스 모델들 중 어느 것으로도 설명되기 어려운 경우에 개인화된 생활습관 모델을 형성할 수 있다. 이러한 개인화된 생활습관 모델이 축적됨에 따라, 개별적으로 생성된 개인화된 생활습관 모델들 중 서로 유사도가 높은 모델들이 도출될 수 있다. 이렇게 도출된 복수의 개인화된 생활습관 모델들의 출현 빈도, 인과관계의 재현 확률 등을 고려하여 새로운 레퍼런스 모델이 도출될 수도 있다.
본 발명의 일 실시 예에 따른 라이프 스타일 분석 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 본 발명에서는 구체적인 구성 요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.
따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.
본 발명은 라이프 스타일을 관리하는 기술에 관한 것으로, 보다 상세하게는 개인의 라이프 로그의 빅데이터를 수집하고, 그를 이용해 생성된 레퍼런스 모델을 저장하고, 상기 저장된 레퍼런스 모델을 기반으로 사용자로부터 수집된 라이프 로그 데이터를 비교하여 유사점과 차이점을 추출함으로써 상기 사용자의 성향을 분석하는 기술에 관한 것이다.
이러한 목적을 달성하기 위하여 본 발명의 일 실시예에 따른 라이프 스타일 분석 시스템은 로그 수집부, 레퍼런스 모델 저장부, 패턴 추출부, 성향 분석부 및 개인화 모델 생성부를 포함한다.

Claims (13)

  1. 다수 사용자의 라이프 로그를 수집하는 로그 수집부;
    상기 수집된 라이프 로그를 기반으로 행동 시퀀스를 분석함으로써 생성된 레퍼런스 모델을 저장하는 레퍼런스 모델 저장부;
    사용자로부터 실시간 수집되는 라이프 로그를 이용해 상기 저장된 레퍼런스 모델에서 데이터 마이닝함으로써 유사 행동 패턴을 추출하는 패턴 추출부;
    상기 추출된 유사 행동 패턴을 이용하여 사용자의 성향을 분석하는 성향 분석부; 및
    상기 분석된 사용자 성향을 기반으로 개인화된 생활습관 모델을 생성하는 개인화 모델 생성부;
    를 포함하는 라이프 스타일 분석 시스템.
  2. 제1항에 있어서,
    상기 라이프 로그는,
    비밀 데이터(Private Data), 공개 데이터(Public Data), 개인 데이터(Personal Data), 익명 데이터(Anonymous Data), 접속 데이터(Connected Data) 및 센서 데이터(Sensor Data) 중에서 적어도 하나
    를 포함하는 라이프 스타일 분석 시스템.
  3. 제1항에 있어서,
    상기 레퍼런스 모델 저장부는
    상기 수집된 라이프 로그에서 상기 행동 시퀀스를 추출하고, 상기 추출된 행동 시퀀스 간의 유사도를 분석하고, 상기 유사도가 높은 행동 시퀀스를 시퀀스 정렬(sequence alignment) 기법을 이용하여 정렬함으로써 상기 유사도가 높은 행동 시퀀스를 트리 형태로 연결된 온톨로지 형태의 레퍼런스 모델로써 저장하는
    라이프 스타일 분석 시스템.
  4. 제3항에 있어서,
    상기 레퍼런스 모델 저장부는
    기 설정된 시간 내에서 발생되었는지 여부 및 행동 시퀀스에 포함된 정보를 동일 여부 중에서 적어도 하나를 이용하여 상기 추출된 행동 시퀀스 간의 유사도를 분석함으로써 정렬된 레퍼런스 모델을 저장하는
    라이프 스타일 분석 시스템.
  5. 제1항에 있어서,
    상기 성향 분석부는
    동일한 입력 조건에서 전문가 지식 데이터 및 다수 사용자의 경험을 기반으로 분석된 경험 데이터를 저장하고 있는 레퍼런스 모델을 기반으로 얻을 수 있는 데이터와 상기 사용자로부터 수집된 라이프 로그의 데이터를 비교하고 유사점과 차이점을 추출함으로써 상기 사용자의 성향을 분석하는
    라이프 스타일 분석 시스템.
  6. 제1항에 있어서,
    상기 성향 분석부는
    상기 수집된 라이프 로그에 포함된 개인별 소셜 네트워크에서의 활동 정보를 분석함으로써 상기 개인별 성향을 분석하는
    라이프 스타일 분석 시스템.
  7. 다수 사용자의 라이프 로그를 수집하는 로그 수집단계;
    상기 수집된 라이프 로그를 기반으로 행동 시퀀스를 분석함으로써 생성된 레퍼런스 모델을 저장하는 레퍼런스 모델 저장단계;
    사용자로부터 실시간 수집되는 라이프 로그를 이용해 상기 저장된 레퍼런스 모델에서 데이터 마이닝함으로써 유사 행동 패턴을 추출하는 패턴 추출단계;
    상기 추출된 유사 행동 패턴을 이용하여 사용자의 성향을 분석하는 성향 분석단계; 및
    상기 분석된 사용자 성향을 기반으로 개인화된 생활습관 모델을 생성하는 개인화 모델 생성단계;
    를 포함하는 라이프 스타일 분석 방법.
  8. 제7항에 있어서,
    상기 라이프 로그는,
    비밀 데이터(Private Data), 공개 데이터(Public Data), 개인 데이터(Personal Data), 익명 데이터(Anonymous Data), 접속 데이터(Connected Data) 및 센서 데이터(Sensor Data) 중에서 적어도 하나
    를 포함하는 라이프 스타일 분석 방법.
  9. 제7항에 있어서,
    상기 레퍼런스 모델 저장단계는
    상기 수집된 라이프 로그에서 상기 행동 시퀀스를 추출하고, 상기 추출된 행동 시퀀스 간의 유사도를 분석하고, 상기 유사도가 높은 행동 시퀀스를 시퀀스 정렬(sequence alignment) 기법을 이용하여 정렬함으로써 상기 유사도가 높은 행동 시퀀스를 트리 형태로 연결된 온톨로지 형태의 레퍼런스 모델로써 저장하는
    라이프 스타일 분석 방법.
  10. 제9항에 있어서,
    상기 레퍼런스 모델 저장단계는
    기 설정된 시간 내에서 발생되었는지 여부 및 행동 시퀀스에 포함된 정보를 동일 여부 중에서 적어도 하나를 이용하여 상기 추출된 행동 시퀀스 간의 유사도를 분석함으로써 정렬된 레퍼런스 모델을 저장하는
    라이프 스타일 분석 방법.
  11. 제7항에 있어서,
    상기 성향 분석단계는
    동일한 입력 조건에서 전문가 지식 데이터 및 다수 사용자의 경험을 기반으로 분석된 경험 데이터를 저장하고 있는 레퍼런스 모델을 기반으로 얻을 수 있는 데이터와 상기 사용자로부터 수집된 라이프 로그의 데이터를 비교하고 유사점과 차이점을 추출함으로써 상기 사용자의 성향을 분석하는
    라이프 스타일 분석 방법.
  12. 제7항에 있어서,
    상기 성향 분석단계는
    상기 수집된 라이프 로그에 포함된 개인별 소셜 네트워크에서의 활동 정보를 분석함으로써 상기 개인별 성향을 분석하는
    라이프 스타일 분석 방법.
  13. 제7항 내지 제12항 중 어느 한 항의 방법을 실행하기 위한 프로그램이 기록되어 있는 것을 특징으로 하는 판독 가능한 기록 매체.
PCT/KR2014/005621 2013-06-25 2014-06-25 라이프 스타일 분석 시스템 및 방법 WO2014209005A1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
US14/901,561 US20160371454A1 (en) 2013-06-25 2014-06-25 Lifestyle analysis system and method

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR10-2013-0072846 2013-06-25
KR1020130072846A KR101562247B1 (ko) 2013-06-25 2013-06-25 라이프 스타일 분석 시스템 및 방법

Publications (1)

Publication Number Publication Date
WO2014209005A1 true WO2014209005A1 (ko) 2014-12-31

Family

ID=52142263

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2014/005621 WO2014209005A1 (ko) 2013-06-25 2014-06-25 라이프 스타일 분석 시스템 및 방법

Country Status (3)

Country Link
US (1) US20160371454A1 (ko)
KR (1) KR101562247B1 (ko)
WO (1) WO2014209005A1 (ko)

Families Citing this family (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20170178024A1 (en) * 2015-12-22 2017-06-22 Luis S. Kida Unsupervised personalization service based on subject similarity modeling
KR101886221B1 (ko) * 2016-08-19 2018-08-08 아주대학교 산학협력단 라이프로그 데이터의 유사도 산출 방법 및 장치
US10977345B2 (en) * 2017-02-17 2021-04-13 TwoSesnse, Inc. Authentication session extension using ephemeral behavior detection
US10679012B1 (en) 2019-04-18 2020-06-09 Capital One Services, Llc Techniques to add smart device information to machine learning for increased context
KR102190446B1 (ko) * 2020-04-16 2020-12-11 주식회사 에이티에이엠 Tv 시청 데이터와 바이오 데이터를 융합한 헬스케어 시스템
CN112511971B (zh) * 2020-11-26 2022-08-16 西安建筑科技大学 一种基于手机信令数据的出行方式识别方法

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090095000A (ko) * 2008-03-04 2009-09-09 주식회사 비엔에스웍스 상황 적응적 서비스를 제공할 수 있는 라이프 스타일 관리시스템 및 그 방법
KR20090122080A (ko) * 2008-05-23 2009-11-26 엄두섭 라이프 케어 시스템
JP2010158267A (ja) * 2009-01-06 2010-07-22 Sony Corp ライフスタイルを評価するための方法、情報処理装置及びプログラム
US20110046519A1 (en) * 2009-08-21 2011-02-24 Fazal Raheman Prescription Zero: A non-pharmaceutical prescription device for prescribing, administering, monitoring, measuring and motivating a therapeutic lifestyle regimen for prevention and treatment of chronic diseases
KR20120045459A (ko) * 2010-10-29 2012-05-09 아주대학교산학협력단 라이프 케어 서비스 제공 시스템

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7369680B2 (en) * 2001-09-27 2008-05-06 Koninklijke Phhilips Electronics N.V. Method and apparatus for detecting an event based on patterns of behavior
US7899764B2 (en) * 2007-02-16 2011-03-01 Siemens Aktiengesellschaft Medical ontologies for machine learning and decision support
US20120221345A1 (en) * 2011-02-24 2012-08-30 Mcclure Douglas J Helping people with their health
US20120278095A1 (en) * 2011-04-28 2012-11-01 Tiatros Inc. System and method for creating and managing therapeutic treatment protocols within trusted health-user communities
US20130086163A1 (en) * 2011-10-04 2013-04-04 Siemens Medical Solutions Usa, Inc. Healthcare Information System Interface Supporting Social Media and Related Applications

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20090095000A (ko) * 2008-03-04 2009-09-09 주식회사 비엔에스웍스 상황 적응적 서비스를 제공할 수 있는 라이프 스타일 관리시스템 및 그 방법
KR20090122080A (ko) * 2008-05-23 2009-11-26 엄두섭 라이프 케어 시스템
JP2010158267A (ja) * 2009-01-06 2010-07-22 Sony Corp ライフスタイルを評価するための方法、情報処理装置及びプログラム
US20110046519A1 (en) * 2009-08-21 2011-02-24 Fazal Raheman Prescription Zero: A non-pharmaceutical prescription device for prescribing, administering, monitoring, measuring and motivating a therapeutic lifestyle regimen for prevention and treatment of chronic diseases
KR20120045459A (ko) * 2010-10-29 2012-05-09 아주대학교산학협력단 라이프 케어 서비스 제공 시스템

Also Published As

Publication number Publication date
KR20150000591A (ko) 2015-01-05
US20160371454A1 (en) 2016-12-22
KR101562247B1 (ko) 2015-10-23

Similar Documents

Publication Publication Date Title
WO2014209004A1 (ko) 라이프 스타일 서비스 디자인 시스템 및 방법
WO2014209005A1 (ko) 라이프 스타일 분석 시스템 및 방법
WO2012091360A2 (ko) 유저 맞춤형 컨텐츠 제공 방법 및 시스템
US9965553B2 (en) User agent with personality
WO2016068581A1 (en) Device and method of managing user information based on image
WO2014209006A1 (ko) 개인화된 라이프 스타일 모델링 장치 및 방법
EP3752973A1 (en) System and method for generating aspect-enhanced explainable description-based recommendations
JP6217228B2 (ja) 情報提供装置、プログラム及び情報提供システム
US9489352B1 (en) System and method for providing content to users based on interactions by similar other users
WO2016093630A1 (en) Semantic enrichment of trajectory data
KR20160051536A (ko) 이미지 기반으로 사용자 정보를 관리하는 디바이스 및 그 방법
Song et al. Eye-tracking and social behavior preference-based recommendation system
WO2017160133A2 (ko) 게시물 랭킹설정 방법 및 이를 위한 서비스 서버
WO2016194621A1 (ja) 情報処理装置、情報処理方法、及び、プログラム
US11392589B2 (en) Multi-vertical entity-based search system
WO2016021878A1 (ko) 정보 제공 시스템 및 방법
JP5827874B2 (ja) キーワード取得装置、コンテンツ提供システム、キーワード取得方法、プログラム及びコンテンツ提供方法
KR20150000590A (ko) 라이프스타일 데이터 관리 시스템 및 방법
WO2021206439A1 (ko) 액티브 시니어 자립 생활 지원 시스템
WO2013141667A1 (ko) 일상 건강 정보 제공 시스템 및 일상 건강 정보 제공 방법
KR20150108719A (ko) 사용자 독서 관리 시스템 및 방법
KR20170080551A (ko) 라이프스타일 데이터 관리 시스템 및 방법
KR20160037861A (ko) 라이프스타일 데이터 관리 시스템 및 방법
KR20160055749A (ko) 라이프 스타일 서비스 디자인 시스템 및 방법
CN108304076A (zh) 电子装置、视频播放应用的管理方法及相关产品

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: 14816935

Country of ref document: EP

Kind code of ref document: A1

NENP Non-entry into the national phase

Ref country code: DE

WWE Wipo information: entry into national phase

Ref document number: 14901561

Country of ref document: US

122 Ep: pct application non-entry in european phase

Ref document number: 14816935

Country of ref document: EP

Kind code of ref document: A1