WO2018225984A1

WO2018225984A1 - 해상 위험상황을 판단하는 방법 및 서버

Info

Publication number: WO2018225984A1
Application number: PCT/KR2018/006248
Authority: WO
Inventors: 임효혁
Original assignee: (주)한국해양기상기술
Priority date: 2017-06-08
Filing date: 2018-05-31
Publication date: 2018-12-13
Also published as: KR101790551B1

Abstract

본 발명은, 해상 위험상황을 판단하는 방법에 있어서, (a) 서버가, 웨어러블 장치로부터 측정되는 가속도 정보, 각속도 정보, 심박 정보, 위치 정보 중 적어도 하나를 획득하는 단계; 및 (b) 상기 서버가, 비교 패턴 데이터를 기계학습 데이터베이스를 참조로 하여 분석하는 프로세스, 상기 심박 정보 또는 상기 심박 정보의 시간적 추이 정보 중 적어도 하나가 기설정된 임계치를 벗어나는지의 여부를 분석하는 프로세스 중 적어도 하나를 수행함으로써 사용자가 위험상황에 있는지의 여부를 판단하는 단계;를 포함하는 방법 및 이를 이용한 서버를 개시한다.

Description

해상 위험상황을 판단하는 방법 및 서버

본 발명은 해상 위험상황을 판단하는 방법 및 서버에 관한 것으로, 보다 상세하게는 (a) 웨어러블 장치로부터 측정되는 가속도 정보, 각속도 정보, 심박 정보, 위치 정보 중 적어도 하나를 주기적 또는 비주기적으로 획득하고, (b) 상기 획득된 정보를 참조로 하여 적어도 하나 이상의 비교 패턴 데이터를 추출하고, 상기 비교 패턴 데이터를 기계학습 데이터베이스 - 상기 기계학습 데이터베이스는 적어도 하나 이상의 학습 대상자를 대상으로 상기 학습 대상자가 동작했던 참조 패턴 데이터를 학습함으로써 생성됨 - 를 참조로 하여 분석하는 프로세스, 상기 심박 정보 또는 상기 심박 정보의 시간적 추이 정보 중 적어도 하나가 기설정된 임계치를 벗어나는지의 여부를 분석하는 프로세스 중 적어도 하나를 수행함으로써 상기 웨어러블 장치를 착용한 사용자가 위험상황에 있는지의 여부를 판단하는 방법 및 이를 이용한 서버에 관한 것이다.

해양 인명 사고의 대부분은 위험상황을 인지하지 못하거나, 위험상황에 대처하지 못하는 상황에서 일어난다. 종래에는, 해양 스포츠 도중에 사람이 물에 빠지는 경우 안전요원이 이를 인지하고 구조를 하였기 때문에, 안전요원의 수가 적거나 해변에 사람이 많은 경우, 안전요원이 일일이 주변 상황을 살펴보기 어렵다는 한계가 있었다. 따라서, 사용자가 구조 신호를 직접 보내지 않더라도, 사용자가 처한 위험상황을 자동으로 인지하고 골든 아워(golden hour) 내에 구조될 수 있도록 지원하는 시스템이 필요하다. 또한, 밀물이나 폭풍 등의 외부적인 위험상황을 실시간으로 사용자 및 관제센터에 전송하며, 물에 빠지거나 조난 시 사용자의 탈출 및 구조대원의 구급활동이 빠르게 진행될 수 있도록 지원하는 위치기반 안전 서비스가 필요하다.

따라서, 본 발명은 상술한 문제점을 모두 해결하는 것을 그 목적으로 한다.

또한, 본 발명은 사용자가 착용한 웨어러블 장치로부터 측정되는 정보를 참조하여 위험상황을 판단하고, 위험상황에 처한 사용자가 구조될 수 있도록 지원하는 것을 다른 목적으로 한다.

또한, 본 발명은 사용자가 위험지역에 접근하는 것으로 감지되거나, 사용자가 위치한 지역에 기상 위험상황이 발생할 것으로 예측되는 경우, 사용자에게 알람을 전송하는 것을 또 다른 목적으로 한다.

상기 목적을 달성하기 위한 본 발명의 대표적인 구성은 다음과 같다.

본 발명의 일 태양에 따르면, 해상 위험상황을 판단하는 방법에 있어서, (a) 서버가, 웨어러블 장치로부터 측정되는 가속도 정보, 각속도 정보, 심박 정보, 위치 정보 중 적어도 하나를 주기적 또는 비주기적으로 획득하는 단계; 및 (b) 상기 서버가, 상기 획득된 정보를 참조로 하여 적어도 하나 이상의 비교 패턴 데이터를 추출하고, 상기 비교 패턴 데이터를 기계학습 데이터베이스 - 상기 기계학습 데이터베이스는 적어도 하나 이상의 학습 대상자를 대상으로 상기 학습 대상자가 동작했던 참조 패턴 데이터를 학습함으로써 생성됨 - 를 참조로 하여 분석하는 프로세스, 상기 심박 정보 또는 상기 심박 정보의 시간적 추이 정보 중 적어도 하나가 기설정된 임계치를 벗어나는지의 여부를 분석하는 프로세스 중 적어도 하나를 수행함으로써 상기 웨어러블 장치를 착용한 사용자가 위험상황에 있는지의 여부를 판단하는 단계;를 포함하는 방법이 제공된다.

본 발명의 다른 태양에 따르면, 해상 위험상황을 판단하는 서버에 있어서, 웨어러블 장치로부터 측정되는 가속도 정보, 각속도 정보, 심박 정보, 위치 정보 중 적어도 하나를 주기적 또는 비주기적으로 획득하는 통신부; 및 상기 통신부를 통해 획득된 정보를 참조로 하여 적어도 하나 이상의 비교 패턴 데이터를 추출하고, 상기 비교 패턴 데이터를 기계학습 데이터베이스 - 상기 기계학습 데이터베이스는 적어도 하나 이상의 학습 대상자를 대상으로 상기 학습 대상자가 동작했던 참조 패턴 데이터를 학습함으로써 생성됨 - 를 참조로 하여 분석하는 프로세스, 상기 심박 정보 또는 상기 심박 정보의 시간적 추이 정보 중 적어도 하나가 기설정된 임계치를 벗어나는지의 여부를 분석하는 프로세스 중 적어도 하나를 수행함으로써 상기 웨어러블 장치를 착용한 사용자가 위험상황에 있는지의 여부를 판단하는 프로세서;를 포함하는 서버가 제공된다.

이 외에도, 본 발명을 구현하기 위한 다른 방법, 장치, 시스템 및 상기 방법을 실행하기 위한 컴퓨터 프로그램을 기록하기 위한 컴퓨터 판독 가능한 기록 매체가 더 제공된다.

본 발명에 따르면, 사용자가 착용한 웨어러블 장치로부터 측정되는 정보를 참조하여 위험상황을 판단하고, 위험상황에 처한 사용자가 구조될 수 있도록 지원할 수 있다.

또한, 사용자가 위험지역에 접근하는 것으로 감지되거나, 사용자가 위치한 지역에 기상 위험상황이 발생할 것으로 예측되는 경우, 사용자에게 알람을 전송할 수 있다.

도 1은 본 발명의 일 실시예에 따른 해상 위험상황을 판단하는 서버를 포함하는 전체 시스템의 구성도,

도 2는 본 발명의 일 실시예에 따른 해상 위험상황을 판단하는 방법을 설명하기 위한 예시도,

도 3은 본 발명의 일 실시예에 따른 해상 위험상황을 판단하는 방법의 흐름도,

도 4는 본 발명의 다른 일 실시예에 따른 해상 위험상황을 판단하는 방법의 흐름도,

도 5는 본 발명의 또 다른 일 실시예에 따른 해상 위험상황을 판단하는 방법의 흐름도.

후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예에 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다.

또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.

이하에서는, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 바람직한 실시예들에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.

도 1은 본 발명의 일 실시예에 따른 해상 위험상황을 판단하는 서버를 포함하는 전체 시스템의 구성도를 도시하고 있다.

도 1을 참조하면, 본 발명에 따른 전체 시스템은 서버(100), 웨어러블 장치(200), 복수의 외부 시스템(300) 등을 포함할 수 있다. 여기서, 외부 시스템(300)은 기상 관측 서버, 구급 서버 등의 외부 서버 또는 이들 서버와 연동되는 장치, 단말 등을 포함할 수 있다.

또한, 본 발명의 해상 위험상황을 판단하는 서버(100)는 프로세서(110), 통신부(120) 등을 포함할 수 있는데, 도 1 및 도 2를 참조로 하여 구체적으로 설명하도록 한다.

먼저, 통신부(120)는 웨어러블 장치(200)로부터 측정되는 가속도 정보, 각속도 정보, 심박 정보, 위치 정보 중 적어도 하나를 주기적 또는 비주기적으로 획득할 수 있다. 여기서, 웨어러블 장치(200)는 가속도 센서, 각속도 센서, 심박 센서, GPS 등을 포함할 수 있는데, 웨어러블 장치(200)의 세부 구성 및 기능에 대해서는 후술하도록 한다.

다음으로, 프로세서(110)는 통신부(120)를 통해 획득된 정보를 참조로 하여 적어도 하나 이상의 비교 패턴 데이터를 추출하는 기능을 수행할 수 있다.

예시적으로, 비교 패턴 데이터는 가속도 정보와 각속도 정보를 참조하여 추출하는 동작 패턴 데이터일 수 있다. 구체적으로, 가속도 센서를 이용한 직선 운동 데이터와 자이로 센서를 이용한 각속도 운동 데이터를 이용하여 사용자의 다양한 동작을 3차원으로 인식할 수 있을 것이다.

가령, 사용자의 신체부위에 속한 복수의 모니터링 포인트의 시간별 상대적 위치 정보를 분석함으로써, 적어도 하나 이상의 비교 패턴 데이터를 추출할 수 있을 것이다. 여기서, 모니터링 포인트는 복수의 뼈가 서로 연결되는 관절 부위 및 뼈의 끝부분인 골단 부위을 포함할 수 있는데, 각각의 상대적인 위치 관계를 형성하고 있는 손목 관절이나 팔꿈치 어깨 관절, 허리, 골반 등의 부위를 포함할 수 있을 것이다.

여기서, 본 설명에서는 복수의 모니터링 포인트의 정보를 분석하여 비교 패턴 데이터를 추출하는 것으로 상정하였으나, 이에 한정되지 않고 웨어러블 장치를 착용한 신체의 어느 한 부위만을 모니터링 포인트로 간주하여, 하나의 모니터링 포인트만으로도 비교 패턴 데이터를 추출할 수 있을 것이다.

한편, 각 동작 패턴의 시작과 끝을 구별하기 위해, 동작의 특징을 추출하거나 시간별 에너지 변화 등을 계산하여 동작의 구간을 결정함으로써, 하나의 비교 패턴 데이터로 정의할 수 있을 것이다.

다른 예로서, 가속도 정보 및 각속도 정보 중 적어도 하나에 GPS 정보가 결합된 시간 별 위치변동 데이터를 비교 패턴 데이터로 추출할 수 있을 것이다. 해양 레저나 수상 활동 시 물살에 휩쓸리거나 갯바위에서 추락하는 상황, 갯고랑 등에 빠지는 돌발상황이 발생할 수 있는데, GPS 정보를 참조함으로써, 이러한 경우에도 비교 패턴 데이터가 추출될 수 있을 것이다.

또한, 상기 예시에 한정되지 않고, 동작 패턴 데이터와 심박 정보가 결합된 데이터, 가속도 정보와 심박 정보가 결합된 데이터 등 다양한 조합의 데이터가 하나의 비교 패턴 데이터 군으로 정의될 수 있을 것이다.

다음으로, 프로세서(110)는 비교 패턴 데이터를 기계학습 데이터베이스를 참조로 하여 분석하는 프로세스, 심박 정보 또는 심박 정보의 시간적 추이 정보 중 적어도 하나가 기설정된 임계치를 벗어나는지의 여부를 분석하는 프로세스 중 적어도 하나를 수행함으로써 웨어러블 장치(200)를 착용한 사용자가 위험상황에 있는지의 여부를 판단하는 기능을 수행할 수 있다.

먼저, 기계학습 데이터베이스는 적어도 하나 이상의 학습 대상자를 대상으로 학습 대상자가 동작했던 참조 패턴 데이터를 학습함으로써 생성될 수 있는데, 참조 패턴 데이터는 위험상황 패턴 데이터 그룹 또는 정상상황 패턴 데이터 그룹으로 분류될 수 있을 것이다.

여기서, 사용자로부터 추출된 비교 패턴 데이터가 참조 패턴 데이터 중 위험상황 패턴 데이터의 적어도 하나에 대응되거나, 참조 패턴 데이터 중 정상상황 패턴 데이터와 기설정된 수치 이상으로 차이가 남이 감지되면, 사용자가 위험상황에 있는 것으로 판단할 수 있을 것이다.

가령, 비교 패턴 데이터가, 위험상황 패턴 데이터 중, 물에 빠진 상황에서 허우적거리는 동작 패턴으로 나타날 수 있는 것으로 학습된 데이터나, 물 속에서 수직으로 오르내리는 패턴 류로 학습된 데이터, 또는 이상 수치의 심박을 나타내며 물 속으로 잠기는 것으로 예측되는 데이터 등에 대응되는 경우 사용자가 위험상황에 있는 것으로 판단할 수 있을 것이다.

또한, 위험상황 패턴 데이터 그룹에 대응되는 패턴이 존재하지 않더라도, 정상상황 패턴 데이터와 어느 정도의 수치 이상으로 차이가 나면, 이를 비정상적인 움직임으로 간주하여 사용자가 위험상황에 있는 것으로 판단할 수 있으며, 이러한 과정이 반복됨으로써 기계학습 데이터베이스의 정확도가 더욱 높아질 수 있을 것이다.

한편, 프로세서(110)는 심박 정보 또는 심박 정보의 시간적 추이 정보 중 적어도 하나가 기설정된 임계치를 벗어나는지의 여부를 분석하는 프로세스를 수행함으로써, 외부적인 상황이나 건강 상의 문제로 사용자에게서 어떠한 움직임도 측정되지 않거나, 급격한 심박 수 이상이 측정되는 경우 사용자가 위험상황에 있는지의 여부를 판단할 수 있을 것이다.

다음으로, 프로세서(110)는, 사용자가 위험상황에 있는 것으로 판단되면, 사용자가 위험상황에 있는지의 여부를 확인하기 위하여 통신부(120)를 통해 사용자에게 알림을 전송하여 소정의 피드백을 요청하거나, 사용자의 위치 정보를 참조로 하여 사용자가 구조되도록 지원하는 기능을 수행할 수 있다.

여기서, 사용자가 위험상황에 있을 확률이 소정의 수치 이상이면 구조 대원 또는 구조 드론을 파견하거나 구급 센터에 신호를 전송하여 사용자가 구조될 수 있도록 지원하고, 사용자가 위험상황에 있을 확률이 소정의 수치 미만이면 사용자에게 위험상황에 처한 것이 맞는지 확인하도록 설정될 수 있을 것이다.

또한, 사용자에게 알림을 전송하여 사용자가 처한 상황을 확인하는 경우, 사용자가 웨어러블 장치(200)에 구비된 소정의 입력부(가령, 버튼이나 터치 화면)를 통해 피드백을 보내거나, 정상상황이라는 제스처를 취하면, 프로세서(110)가 이를 인식함으로써 사용자가 처한 상황을 확인할 수 있을 것이다.

다음으로, 프로세서(110)는, 사용자의 위치 정보를 참조로 하여, 사용자가 소정의 데이터베이스에 기저장된 위험지역에 접근하는 것으로 감지되거나, 사용자가 위치한 지역에 기상 위험상황이 발생할 것으로 예측되는 경우, 통신부(120)를 통해 사용자에게 알람을 전송하는 기능을 수행할 수 있을 것이다.

예시적으로, 도 2를 참조하면, 사용자가 갯골, 갯바위 등의 눈에 잘 보이지 않는 위험지형에 접근하는 경우나, 사용자가 위치한 지역에 밀물이나 썰물, 쓰나미, 태풍 등의 기상 위험상황이 발생할 것으로 예측되는 등의 경우에 프로세서(110)가 사용자에게 알람을 전송할 수 있을 것이다. 또한, 특정 사용자뿐만 아니라, 해당 지역의 모든 사용자에게 알람을 전송할 수도 있을 것이다.

여기서, 알람은 사용자가 접근하는 위험지역의 위험 정도 및 사용자가 위치한 지역에 발생할 것으로 예측되는 기상 위험상황의 위험 정도에 따라, 단계별로 설정될 수 있을 것이다. 가령, 밀물이 들어오기 1시간 전에는 LED 등이 노란색으로 점등되고, 30분 전에는 LED 등이 빨간색으로 바뀌며, 10분 전에는 LED 등이 빨간색으로 깜빡임과 동시에 경보가 울리는 것으로 설정될 수 있을 것이다. 또한 위험지역의 경계를 일반지역, 주의지역, 접근금지지역 등으로 구분하여 알람을 달리할 수 있을 것이다.

다음으로, 프로세서(110)는, 사용자의 비교 패턴 데이터를 기계학습 데이터베이스를 참조로 하여 분석함으로써, 사용자의 신체 정보 또는 건강 정보 중 적어도 하나를 예측하고, 예측된 신체 정보 또는 예측된 건강 정보를 참조로 하여 사용자가 위험상황에 있는지의 여부를 판단하는 기능을 수행할 수 있다.

예시적으로, 사용자가 어려서 움직임이 명확하지 않거나, 신체의 어느 부위가 불편한 상태여서 신체가 불편하지 않은 사람들의 움직임 패턴과는 차이가 있을 경우, 사용자에게서 추출된 비교 패턴 데이터를 기계학습 데이터베이스와 비교하여, 사용자의 키, 몸무게, 나이와 같은 신체 정보와, 사용자의 장애 여부, 질환 여부와 같은 건강 정보를 예측할 수 있을 것이다.

이를 참조로 하여, 사용자의 비교 패턴 데이터가 기계학습 데이터베이스의 일반적인 데이터와 비교했을 때에는 정상상황에 대응되는 것으로 분석되지만, 기계학습 데이터베이스의 참조 패턴 데이터 중 사용자의 신체 정보나 건강 정보와 유사한 학습대상자들의 참조 패턴 데이터 군에서는 위험상황에 대응되는 것으로 분석되거나, 외부의 의학 정보를 참조로 하여 사용자의 동작 패턴이나 심박 수치에 이상이 있는 것으로 분석되는 경우, 사용자가 위험상황에 있다고 판단할 수 있을 것이다.

다음으로, 도 2를 참조하면 웨어러블 장치(200)는 손목이나 목과 같은 신체 부위에 착용되는 형태일 수 있으며, 구명조끼에 넣을 수 있는 포켓형 장비로도 구현되어, 선박의 선원들도 유용하게 이용할 수 있을 것이다. 여기서, 웨어러블 장치(200)는 상술한 바와 같이 가속도 센서, 각속도 센서, 심박 센서, GPS 등을 포함할 수 있는데, 이에 한정되지 않고 온도 센서, 기압 센서, 습도 센서 등도 포함할 수 있을 것이다.

또한, 본 설명에서는 웨어러블 장치(200)가 해상에서 이용되는 것으로 상정하였지만, 미아 방지 용도, 독거노인 모니터링 용도, 단체활동에서 많은 인원을 컨트롤하기 위한 용도 등으로 이용될 수 있을 것이다.

한편, 웨어러블 장치(200)에 사용자의 개인 정보가 연동되도록 구현될 수 있을 것이다. 사용자가 단말을 통해 직접 개인 정보 및 건강 정보를 입력하거나, 사용자가 간단한 정보만 입력하면 프로세서(110)가 의료 기관의 서버로부터 사용자의 의료 기록을 획득하여 사용자의 위험상황 판단에 참조하도록 구현될 수도 있을 것이다.

이하에서는, 도 3을 참조로 하여 본 발명의 일 실시예에 따른 해상 위험상황을 판단하는 방법의 흐름을 설명하도록 한다.

구체적으로, 프로세서(110)가 통신부(120)를 통하여 웨어러블 장치(200)로부터 측정되는 가속도 정보, 각속도 정보, 심박 정보, 위치 정보 중 적어도 하나를 주기적 또는 비주기적으로 획득하고(S310), 획득된 정보를 참조로 하여 적어도 하나 이상의 비교 패턴 데이터를 추출할 수 있다(S320).

여기서, 비교 패턴 데이터가 기계학습 데이터베이스에서 관리되는 참조 패턴 데이터 중 위험상황 패턴 데이터에 대응되거나, 정상상황 패턴 데이터와 기설정된 수치 이상으로 차이가 나면(S330), 사용자가 위험상황에 있는지의 여부를 확인하기 위하여 사용자에게 알림을 전송하여 소정의 피드백을 요청하거나, 위치 정보를 참조로 하여 사용자가 구조되도록 지원할 수 있다(S340).

다음으로, 도 4를 참조로 하여 본 발명의 다른 일 실시예에 따른 해상 위험상황을 판단하는 방법의 흐름을 설명하도록 한다.

구체적으로, 프로세서(110)는 웨어러블 장치(200)로부터 측정되는 가속도 정보, 각속도 정보, 심박 정보, 위치 정보 중 적어도 하나를 주기적 또는 비주기적으로 획득하고(S410), 획득된 정보를 참조로 하여 제1 비교 패턴 데이터를 추출할 수 있다(S420).

여기서, 기계학습 데이터베이스에 제1 비교 패턴 데이터에 대응되는 패턴이 존재하면(S430), 제1 비교 패턴 데이터가 기계학습 데이터베이스의 위험상황 패턴 데이터에 대응되거나, 정상상황 패턴 데이터와 기설정된 수치 이상으로 차이가 나는지 분석하고(S440), S440 단계를 통하여 사용자가 위험상황에 있는 것으로 판단되면, 사용자가 위험상황에 있는지의 여부를 확인하기 위하여 사용자에게 알림을 전송하여 소정의 피드백을 요청하거나, 위치 정보를 참조로 하여 사용자가 구조되도록 지원할 수 있다(S450).

한편, 상기 S430 단계에서 기계학습 데이터베이스에 제1 비교 패턴 데이터에 대응되는 패턴이 존재하지 않으면, 제1 비교 패턴 데이터에 대응되는 시점 이후에 추출되는 사용자의 비교 패턴 데이터를 모니터링하여, 기계학습 데이터베이스에 대응되는 패턴이 존재하는지 여부를 판단할 수 있다(S460).

여기서, 프로세서(110)는 비교 패턴 데이터가 위험상황 패턴 데이터에 대응되는지 여부를 판단하여(S470), 비교 패턴 데이터가 위험상황 패턴에 대응되면, 비교 패턴 데이터가 추출된 시점 이전에 추출된 제1 비교 패턴 데이터를 신규 패턴 데이터로서 위험상황 패턴 데이터의 그룹에 추가하고(S480), 사용자가 위험상황에 있는지의 여부를 확인하기 위하여 사용자에게 알림을 전송하여 소정의 피드백을 요청하거나, 위치 정보를 참조로 하여 사용자가 구조되도록 지원할 수 있을 것이다(S450).

또한, 상기 S470 단계에서 비교 패턴 데이터가 위험상황 패턴 데이터에 대응되지 않고 정상상황 패턴데이터에 대응되면, 제1 비교 패턴 데이터를 신규 패턴 데이터로서 정상상황 패턴 데이터의 그룹에 추가할 수 있을 것이다(S490).

즉, 기계학습 데이터베이스에 제1 비교 패턴 데이터에 대응되는 패턴이 존재하지 않으면, 제1 비교 패턴 데이터가 추출된 시점 이후에 추출되는 사용자의 비교 패턴 데이터를 분석함으로써, 해당 비교 패턴 데이터의 속성을 제1 비교 패턴 데이터에 부여하여 기계학습 데이터베이스에 추가할 수 있을 것이다.

다음으로, 도 5를 참조로 하여 본 발명의 또 다른 일 실시예에 따른 해상 위험상황을 판단하는 방법의 흐름을 설명하도록 한다.

구체적으로, 프로세서(110)는 웨어러블 장치(200)로부터 측정되는 가속도 정보, 각속도 정보, 심박 정보, 위치 정보 중 적어도 하나를 주기적 또는 비주기적으로 획득하고(S510), 획득된 정보를 참조로 하여 제1 비교 패턴 데이터를 추출한 후 연달아 제2 비교 패턴 데이터를 추출할 수 있다(S520).

여기서, 기계학습 데이터베이스에 제1 비교 패턴 데이터 및 제2 비교 패턴 데이터에 대응되는 패턴이 존재하면(S530), 제1 비교 패턴 데이터 및 제2 비교 패턴 데이터가 기계학습 데이터베이스의 위험상황 패턴 데이터에 대응되거나, 정상상황 패턴 데이터와 기설정된 수치 이상으로 차이가 나는지 분석하고(S540), 상기 S540 단계에서 사용자가 위험상황에 있는 것으로 판단되면, 사용자가 위험상황에 있는지의 여부를 확인하기 위하여 사용자에게 알림을 전송하여 소정의 피드백을 요청하거나, 위치 정보를 참조로 하여 사용자가 구조되도록 지원할 수 있을 것이다(S550).

한편, 상기 S530 단계에서 기계학습 데이터베이스에 제1 비교 패턴 데이터 및 제2 비교 패턴 데이터에 대응되는 패턴이 존재하지 않는 경우, 제1 비교 패턴 데이터 및 제2 비교 패턴 데이터 중 어느 하나만 기계학습 데이터베이스에 대응되는 패턴이 존재하면, 해당 비교 패턴 데이터의 속성을, 기계학습 데이터베이스에 대응되는 패턴이 존재하지 않는 나머지 비교 패턴 데이터의 속성에 부여할 수 있을 것이다(S560).

가령, 제1 비교 패턴 데이터는 기계학습 데이터베이스에 대응되는 패턴이 존재하고, 제2 비교 패턴 데이터는 대응되는 패턴이 존재하지 않는 경우, 제1 비교 패턴 데이터의 속성을 제2 비교 패턴 데이터의 속성에 부여할 수 있을 것이며, 반대의 경우도 적용될 수 있을 것이다.

다음 단계로, 추후 제1 비교 패턴 데이터 및 제2 비교 패턴 데이터의 조합이 연달아 감지되는 경우(S570), 제1 비교 패턴 데이터 및 제2 비교 패턴 데이터의 조합을 신규 패턴 데이터로서 상기 속성(S560 단계에서 부여된 속성)에 따라 기계학습 데이터베이스에 저장할 수 있을 것이다(S580).

한편, 상기 S570 단계에서, 추후 제1 비교 패턴 데이터 및 제2 비교 패턴 데이터의 조합이 감지되지 않고, 기계학습 데이터베이스에 대응되는 패턴이 존재하지 않는 비교 패턴 데이터만이 감지되면, 해당 비교 패턴 데이터를 신규 패턴 데이터로서 상기 속성에 따라 기계학습 데이터베이스에 저장할 수 있을 것이다(S590).

예시적으로, 제1 비교 패턴 데이터는 기계학습 데이터베이스에 대응되는 패턴이 존재하고, 제2 비교 패턴 데이터는 대응되는 패턴이 존재하지 않는 경우, 추후 제2 비교 패턴 데이터만 단독으로 감지되면, 제2 비교 패턴 데이터를 상기 속성에 따라 기계학습 데이터베이스에 저장할 수 있을 것이다.

이상 설명된 본 발명에 따른 실시예들은 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명이 상기 실시예들에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형을 꾀할 수 있다.

따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등하게 또는 등가적으로 변형된 모든 것들은 본 발명의 사상의 범주에 속한다고 할 것이다.

Claims

해상 위험상황을 판단하는 방법에 있어서,

(a) 서버가, 웨어러블 장치로부터 측정되는 가속도 정보, 각속도 정보, 심박 정보, 위치 정보 중 적어도 하나를 주기적 또는 비주기적으로 획득하는 단계; 및

(b) 상기 서버가, 상기 획득된 정보를 참조로 하여 적어도 하나 이상의 비교 패턴 데이터를 추출하고, 상기 비교 패턴 데이터를 기계학습 데이터베이스 - 상기 기계학습 데이터베이스는 적어도 하나 이상의 학습 대상자를 대상으로 상기 학습 대상자가 동작했던 참조 패턴 데이터를 학습함으로써 생성됨 - 를 참조로 하여 분석하는 프로세스, 상기 심박 정보 또는 상기 심박 정보의 시간적 추이 정보 중 적어도 하나가 기설정된 임계치를 벗어나는지의 여부를 분석하는 프로세스 중 적어도 하나를 수행함으로써 상기 웨어러블 장치를 착용한 사용자가 위험상황에 있는지의 여부를 판단하는 단계;

를 포함하는 방법.
제1항에 있어서,

상기 (b) 단계에서,

상기 서버는, 상기 비교 패턴 데이터가 상기 기계학습 데이터베이스에서 관리되는 참조 패턴 데이터 중 위험상황 패턴 데이터의 적어도 하나에 대응되거나, 상기 비교 패턴 데이터가 상기 참조 패턴 데이터 중 정상상황 패턴 데이터와 기설정된 수치 이상으로 차이가 남이 감지되면, 상기 사용자가 위험상황에 있는 것으로 판단하는 것을 특징으로 하는 방법.
제1항에 있어서,

상기 (b) 단계 이후에,

(c) 상기 사용자가 위험상황에 있는 것으로 판단되면, 상기 서버는, 상기 사용자가 위험상황에 있는지의 여부를 확인하기 위하여 상기 사용자에게 알림을 전송하여 소정의 피드백을 요청하거나, 상기 위치 정보를 참조로 하여 상기 사용자가 구조되도록 지원하는 단계;를 더 포함하는 것을 특징으로 하는 방법.
제1항에 있어서,

상기 서버는, 상기 사용자의 상기 위치 정보를 참조로 하여, 상기 사용자가 소정의 데이터베이스에 기저장된 위험지역에 접근하는 것으로 감지되거나, 상기 사용자가 위치한 지역에 기상 위험상황이 발생할 것으로 예측되는 경우, 상기 사용자에게 알람을 전송하는 것을 특징으로 하는 방법.
제4항에 있어서,

상기 사용자가 접근하는 상기 위험지역의 위험 정도 및 상기 사용자가 위치한 지역에 발생할 것으로 예측되는 상기 기상 위험상황의 위험 정도에 따라, 상기 알람이 단계별로 설정되는 것을 특징으로 하는 방법.
제1항에 있어서,

상기 서버는, 상기 웨어러블 장치로부터 측정되는 상기 가속도 정보 및 상기 각속도 정보를 참조로 하여, 상기 사용자의 신체부위에 속한 복수의 모니터링 포인트 - 상기 모니터링 포인트는 각각의 상대적인 위치 관계를 형성하고 있음 - 각각의 시간별 상대적 위치 정보를 분석함으로써, 적어도 하나 이상의 비교 패턴 데이터를 추출하는 것을 특징으로 하는 방법.
제6항에 있어서,

상기 모니터링 포인트는, 복수의 뼈가 서로 연결되는 관절 부위 및 뼈의 끝부분인 골단 부위을 포함하는 것을 특징으로 하는 방법.
제1항에 있어서,

상기 서버는, 상기 사용자의 상기 비교 패턴 데이터를 상기 기계학습 데이터베이스를 참조로 하여 분석함으로써, 상기 사용자의 신체 정보 또는 건강 정보 중 적어도 하나를 예측하고, 상기 예측된 신체 정보 또는 상기 예측된 건강 정보를 참조로 하여 상기 사용자가 위험상황에 있는지의 여부를 판단하는 것을 특징으로 하는 방법.
제1항에 있어서,

상기 서버는,

상기 사용자로부터 제1 비교 패턴 데이터를 추출한 것으로 분석될 때, 상기 기계학습 데이터베이스에 상기 제1 비교 패턴 데이터에 대응되는 패턴 데이터가 존재하지 않으면, 상기 제1 비교 패턴 데이터에 대응되는 시점 이후에 추출되는 상기 사용자의 비교 패턴 데이터를 모니터링하여 상기 기계학습 데이터베이스에 저장되어 있는 참조 패턴 데이터에 대응되는 패턴이 존재하는지 여부를 판단하고,

상기 사용자의 비교 패턴 데이터가 상기 참조 패턴 데이터 중 위험상황 패턴 데이터에 대응되는 것으로 판단되면, 상기 제1 비교 패턴 데이터를 신규 패턴 데이터로서 상기 위험상황 패턴 데이터의 그룹에 추가하고, 상기 사용자의 비교 패턴 데이터가 상기 참조 패턴 데이터 중 정상상황 패턴 데이터에 대응되는 것으로 판단되면, 상기 제1 비교 패턴 데이터를 신규 패턴 데이터로서 상기 정상상황 패턴 데이터의 그룹에 추가하는 것을 특징으로 하는 방법.
제1항에 있어서,

상기 서버는,

상기 사용자로부터 제1 비교 패턴 데이터를 추출한 후 연달아 제2 비교 패턴 데이터를 추출한 것으로 분석되고, 상기 제1 비교 패턴 데이터 및 상기 제2 비교 패턴 데이터 중 어느 하나만 상기 기계학습 데이터베이스에 저장된 참조 패턴 데이터와 대응되고 나머지 하나는 상기 기계학습 데이터베이스에 저장된 참조 패턴 데이터에 대응되지 않으면, 상기 제1 비교 패턴 데이터 및 상기 제2 비교 패턴 데이터 중 상기 기계학습 데이터베이스에 저장된 참조 패턴 데이터에 대응되는 비교 패턴 데이터의 속성을 상기 기계학습 데이터베이스의 참조 패턴 데이터에 대응되지 않는 비교 패턴 데이터의 속성에 부여하되,

(i) 추후 상기 제1 비교 패턴 데이터 및 상기 제2 비교 패턴 데이터의 조합이 연달아 감지되면, 상기 제1 비교 패턴 데이터 및 상기 제2 비교 패턴 데이터의 조합을 신규 패턴 데이터로서 상기 속성에 따라 상기 기계학습 데이터베이스에 저장하고, (ii) 상기 제1 비교 패턴 데이터 및 상기 제2 비교 패턴 데이터의 조합 중 상기 기계학습 데이터베이스의 참조 패턴 데이터에 대응되지 않는 비교 패턴 데이터만이 감지되면, 상기 기계학습 데이터베이스의 참조 패턴 데이터에 대응되지 않는 비교 패턴 데이터를 신규 패턴 데이터로서 상기 속성에 따라 상기 기계학습 데이터베이스에 저장하는 것을 특징으로 하는 방법.
해상 위험상황을 판단하는 서버에 있어서,

웨어러블 장치로부터 측정되는 가속도 정보, 각속도 정보, 심박 정보, 위치 정보 중 적어도 하나를 주기적 또는 비주기적으로 획득하는 통신부; 및

상기 통신부를 통해 획득된 정보를 참조로 하여 적어도 하나 이상의 비교 패턴 데이터를 추출하고, 상기 비교 패턴 데이터를 기계학습 데이터베이스 - 상기 기계학습 데이터베이스는 적어도 하나 이상의 학습 대상자를 대상으로 상기 학습 대상자가 동작했던 참조 패턴 데이터를 학습함으로써 생성됨 - 를 참조로 하여 분석하는 프로세스, 상기 심박 정보 또는 상기 심박 정보의 시간적 추이 정보 중 적어도 하나가 기설정된 임계치를 벗어나는지의 여부를 분석하는 프로세스 중 적어도 하나를 수행함으로써 상기 웨어러블 장치를 착용한 사용자가 위험상황에 있는지의 여부를 판단하는 프로세서;

를 포함하는 서버.
제11항에 있어서,

상기 프로세서는, 상기 비교 패턴 데이터가 상기 기계학습 데이터베이스에서 관리되는 참조 패턴 데이터 중 위험상황 패턴 데이터의 적어도 하나에 대응되거나, 상기 비교 패턴 데이터가 상기 참조 패턴 데이터 중 정상상황 패턴 데이터와 기설정된 수치 이상으로 차이가 남이 감지되면, 상기 사용자가 위험상황에 있는 것으로 판단하는 것을 특징으로 하는 서버.
제11항에 있어서,

상기 프로세서는, 상기 사용자가 위험상황에 있는 것으로 판단되면, 상기 사용자가 위험상황에 있는지의 여부를 확인하기 위하여 상기 통신부를 통해 상기 사용자에게 알림을 전송하여 소정의 피드백을 요청하거나, 상기 위치 정보를 참조로 하여 상기 사용자가 구조되도록 지원하는 것을 특징으로 하는 서버.
제11항에 있어서,

상기 프로세서는, 상기 사용자의 상기 위치 정보를 참조로 하여, 상기 사용자가 소정의 데이터베이스에 기저장된 위험지역에 접근하는 것으로 감지되거나, 상기 사용자가 위치한 지역에 기상 위험상황이 발생할 것으로 예측되는 경우, 상기 통신부를 통해 상기 사용자에게 알람을 전송하는 것을 특징으로 하는 서버.
제14항에 있어서,

상기 사용자가 접근하는 상기 위험지역의 위험 정도 및 상기 사용자가 위치한 지역에 발생할 것으로 예측되는 상기 기상 위험상황의 위험 정도에 따라, 상기 알람이 단계별로 설정되는 것을 특징으로 하는 서버.
제11항에 있어서,

상기 프로세서는, 상기 웨어러블 장치로부터 측정되는 상기 가속도 정보 및 상기 각속도 정보를 참조로 하여, 상기 사용자의 신체부위에 속한 복수의 모니터링 포인트 - 상기 모니터링 포인트는 각각의 상대적인 위치 관계를 형성하고 있음 - 각각의 시간별 상대적 위치 정보를 분석함으로써, 적어도 하나 이상의 비교 패턴 데이터를 추출하는 것을 특징으로 하는 서버.
제16항에 있어서,

상기 모니터링 포인트는, 복수의 뼈가 서로 연결되는 관절 부위 및 뼈의 끝부분인 골단 부위을 포함하는 것을 특징으로 하는 서버.
제11항에 있어서,

상기 프로세서는, 상기 사용자의 상기 비교 패턴 데이터를 상기 기계학습 데이터베이스를 참조로 하여 분석함으로써, 상기 사용자의 신체 정보 또는 건강 정보 중 적어도 하나를 예측하고, 상기 예측된 신체 정보 또는 상기 예측된 건강 정보를 참조로 하여 상기 사용자가 위험상황에 있는지의 여부를 판단하는 것을 특징으로 하는 서버.
제11항에 있어서,

상기 프로세서는,

상기 사용자로부터 제1 비교 패턴 데이터를 추출한 것으로 분석될 때, 상기 기계학습 데이터베이스에 상기 제1 비교 패턴 데이터에 대응되는 패턴 데이터가 존재하지 않으면, 상기 제1 비교 패턴 데이터에 대응되는 시점 이후에 추출되는 상기 사용자의 비교 패턴 데이터를 모니터링하여 상기 기계학습 데이터베이스에 저장되어 있는 참조 패턴 데이터에 대응되는 패턴이 존재하는지 여부를 판단하고,

상기 사용자의 비교 패턴 데이터가 상기 참조 패턴 데이터 중 위험상황 패턴 데이터에 대응되는 것으로 판단되면, 상기 제1 비교 패턴 데이터를 신규 패턴 데이터로서 상기 위험상황 패턴 데이터의 그룹에 추가하고, 상기 사용자의 비교 패턴 데이터가 상기 참조 패턴 데이터 중 정상상황 패턴 데이터에 대응되는 것으로 판단되면, 상기 제1 비교 패턴 데이터를 신규 패턴 데이터로서 상기 정상상황 패턴 데이터의 그룹에 추가하는 것을 특징으로 하는 서버.
제11항에 있어서,

상기 프로세서는,

상기 사용자로부터 제1 비교 패턴 데이터를 추출한 후 연달아 제2 비교 패턴 데이터를 추출한 것으로 분석되고, 상기 제1 비교 패턴 데이터 및 상기 제2 비교 패턴 데이터 중 어느 하나만 상기 기계학습 데이터베이스에 저장된 참조 패턴 데이터와 대응되고 나머지 하나는 상기 기계학습 데이터베이스에 저장된 참조 패턴 데이터에 대응되지 않으면, 상기 제1 비교 패턴 데이터 및 상기 제2 비교 패턴 데이터 중 상기 기계학습 데이터베이스에 저장된 참조 패턴 데이터에 대응되는 비교 패턴 데이터의 속성을 상기 기계학습 데이터베이스의 참조 패턴 데이터에 대응되지 않는 비교 패턴 데이터의 속성에 부여하되,

(i) 추후 상기 제1 비교 패턴 데이터 및 상기 제2 비교 패턴 데이터의 조합이 연달아 감지되면, 상기 제1 비교 패턴 데이터 및 상기 제2 비교 패턴 데이터의 조합을 신규 패턴 데이터로서 상기 속성에 따라 상기 기계학습 데이터베이스에 저장하고, (ii) 상기 제1 비교 패턴 데이터 및 상기 제2 비교 패턴 데이터의 조합 중 상기 기계학습 데이터베이스의 참조 패턴 데이터에 대응되지 않는 비교 패턴 데이터만이 감지되면, 상기 기계학습 데이터베이스의 참조 패턴 데이터에 대응되지 않는 비교 패턴 데이터를 신규 패턴 데이터로서 상기 속성에 따라 상기 기계학습 데이터베이스에 저장하는 것을 특징으로 하는 서버.