WO2020141641A1 - 수면 유도 장치 - Google Patents

수면 유도 장치 Download PDF

Info

Publication number
WO2020141641A1
WO2020141641A1 PCT/KR2019/000116 KR2019000116W WO2020141641A1 WO 2020141641 A1 WO2020141641 A1 WO 2020141641A1 KR 2019000116 W KR2019000116 W KR 2019000116W WO 2020141641 A1 WO2020141641 A1 WO 2020141641A1
Authority
WO
WIPO (PCT)
Prior art keywords
frequency
breathing
sound
user
breath
Prior art date
Application number
PCT/KR2019/000116
Other languages
English (en)
French (fr)
Inventor
신강수
윤희남
Original Assignee
엘지전자 주식회사
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 엘지전자 주식회사 filed Critical 엘지전자 주식회사
Priority to PCT/KR2019/000116 priority Critical patent/WO2020141641A1/ko
Priority to KR1020217019871A priority patent/KR102573023B1/ko
Priority to US17/420,829 priority patent/US20220088346A1/en
Publication of WO2020141641A1 publication Critical patent/WO2020141641A1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
    • A61M21/02—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis for inducing sleep or relaxation, e.g. by direct nerve stimulation, hypnosis, analgesia
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/08—Detecting, measuring or recording devices for evaluating the respiratory organs
    • A61B5/0816—Measuring devices for examining respiratory frequency
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10K—SOUND-PRODUCING DEVICES; METHODS OR DEVICES FOR PROTECTING AGAINST, OR FOR DAMPING, NOISE OR OTHER ACOUSTIC WAVES IN GENERAL; ACOUSTICS NOT OTHERWISE PROVIDED FOR
    • G10K11/00—Methods or devices for transmitting, conducting or directing sound in general; Methods or devices for protecting against, or for damping, noise or other acoustic waves in general
    • G10K11/16—Methods or devices for protecting against, or for damping, noise or other acoustic waves in general
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
    • A61M2021/0005—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus
    • A61M2021/0027—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus by the hearing sense
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M21/00—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis
    • A61M2021/0005—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus
    • A61M2021/0088—Other devices or methods to cause a change in the state of consciousness; Devices for producing or ending sleep by mechanical, optical, or acoustical means, e.g. for hypnosis by the use of a particular sense, or stimulus modulated by a simulated respiratory frequency
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2205/00—General characteristics of the apparatus
    • A61M2205/02—General characteristics of the apparatus characterised by a particular materials
    • A61M2205/0272—Electro-active or magneto-active materials
    • A61M2205/0294—Piezoelectric materials
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2205/00—General characteristics of the apparatus
    • A61M2205/42—Reducing noise
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2205/00—General characteristics of the apparatus
    • A61M2205/50—General characteristics of the apparatus with microprocessors or computers
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2209/00—Ancillary equipment
    • A61M2209/08—Supports for equipment
    • A61M2209/088—Supports for equipment on the body
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2230/00—Measuring parameters of the user
    • A61M2230/40—Respiratory characteristics
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61M—DEVICES FOR INTRODUCING MEDIA INTO, OR ONTO, THE BODY; DEVICES FOR TRANSDUCING BODY MEDIA OR FOR TAKING MEDIA FROM THE BODY; DEVICES FOR PRODUCING OR ENDING SLEEP OR STUPOR
    • A61M2230/00—Measuring parameters of the user
    • A61M2230/40—Respiratory characteristics
    • A61M2230/42—Rate

Definitions

  • the present invention relates to a sleep inducing device that determines a characteristic frequency based on a user's respiratory frequency and induces a user's sleep by outputting a breathing tuning sound according to the characteristic frequency.
  • Artificial intelligence is a field of computer science and information technology that studies how computers can do thinking, learning, and self-development that human intelligence can do. It means to be able to imitate.
  • the present invention is to solve the above-mentioned problems, the object of the present invention is to determine the characteristic frequency based on the user's breathing frequency, and output a breathing tuning sound according to the characteristic frequency to provide a sleep inducing device for inducing the user's sleep To provide.
  • the sound output unit for outputting a sound
  • a sensing unit for obtaining a user's breathing signal
  • a processor that determines a characteristic frequency of the breath tuned sound based on the result, and outputs the breath tuned sound according to the characteristic frequency, wherein the characteristic frequency is at least one cycle unit of the size and frequency of the breath tuned sound. The number of times to repeat over time.
  • the operation method of the sleep inducing device includes: acquiring a user's breathing signal, obtaining a user's breathing frequency based on the breathing signal, and retrieving a breathing tune sound based on the breathing frequency Determining a characteristic frequency, and outputting the respiratory tuned sound according to the characteristic frequency, wherein the characteristic frequency is repeated for at least one cycle of the size and frequency of the respiratory tuned sound for a unit time. It is the number of times.
  • the present invention can help the user to enter the sleep state quickly by inducing the user's breathing to become slower and slower by using sound having a characteristic frequency.
  • the present invention is to reduce the characteristic frequency step by step, or by reducing while maintaining a preset value and the breathing frequency, to prevent a large difference between the frequency of the user's actual breathing and the frequency of the breath synchronization sound, breathing naturally It can be induced to breathe according to the tuned sound.
  • the present invention has the advantage of further reducing the time for the user to enter the sleep state by applying a breathing induction signal having a characteristic frequency to the noise masking sound, thereby achieving the effect of reducing the ambient noise along with the induction of breathing by the user. have.
  • the present invention has the advantage that by using the reinforcement learning, it is possible to find the optimum value, such as the point in time of changing the characteristic frequency, the amount of change in the characteristic frequency, the maximum size of the breath tuned sound, and the type of breath tuned sound.
  • FIG. 1 is a block diagram for explaining a sleep guiding device related to the present invention.
  • FIG. 2 is a view for explaining a method of operating the sleep guiding device according to an embodiment of the present invention.
  • FIG. 3 is a view for explaining a breathing signal and a breath synchronization sound according to an embodiment of the present invention.
  • FIG. 4 is a view for explaining in detail the breath synchronization sound according to an embodiment of the present invention.
  • FIG. 5 is a view for explaining the size, frequency, and characteristic frequency of a breathing tuning sound according to an embodiment of the present invention.
  • FIG. 6 is a view for explaining the setting of the characteristic frequency using the reinforcement learning model according to an embodiment of the present invention.
  • the sleep guidance device described herein includes a mobile phone, a smart phone, a laptop computer, a terminal for digital broadcasting, a personal digital assistants (PDA), a portable multimedia player (PMP), navigation, and a slate PC. ), tablet PC (tablet PC), ultrabook (ultrabook), wearable device (wearable device, for example, a smart watch (smartwatch), glass type (smart glass), HMD (head mounted display), etc. Can.
  • FIG. 1 is a block diagram for explaining a sleep guiding device related to the present invention.
  • the sleep inducing device 100 may also be applied to a fixed terminal such as a smart TV, a desktop computer, and a digital signage.
  • the sleep guiding device 100 may be applied to a fixed or movable robot.
  • the sleep inducing apparatus 100 may perform the function of a voice agent.
  • the voice agent may be a program that recognizes a user's voice and outputs a response suitable for the recognized user's voice as a voice.
  • the sleep induction device 100 includes a wireless communication unit 110, an input unit 120, a running processor 130, a sensing unit 140, an output unit 150, an interface unit 160, a memory 170, a processor 180 ) And a power supply unit 190.
  • the wireless communication unit 110 may include at least one of a broadcast receiving module 111, a mobile communication module 112, a wireless Internet module 113, a short-range communication module 114, and a location information module 115.
  • the broadcast receiving module 111 receives a broadcast signal and/or broadcast related information from an external broadcast management server through a broadcast channel.
  • the mobile communication module 112 includes technical standards or communication methods for mobile communication (eg, Global System for Mobile Communication (GSM), Code Division Multi Access (CDMA), Code Division Multi Access 2000 (CDMA2000), EV -Enhanced Voice-Data Optimized or Enhanced Voice-Data Only (DO), Wideband CDMA (WCDMA), High Speed Downlink Packet Access (HSDPA), High Speed Uplink Packet Access (HSUPA), Long Term Evolution (LTE), LTE-A (Long Term Evolution-Advanced) transmits and receives wireless signals to and from at least one of a base station, an external terminal, and a server on a mobile communication network constructed according to (Long Term Evolution-Advanced).
  • GSM Global System for Mobile Communication
  • CDMA Code Division Multi Access
  • CDMA2000 Code Division Multi Access 2000
  • WCDMA Wideband CDMA
  • HSDPA High Speed Downlink Packet Access
  • HSUPA High Speed Uplink Packet Access
  • the wireless Internet module 113 refers to a module for wireless Internet access, and may be built in or external to the sleep guidance device 100.
  • the wireless Internet module 113 is configured to transmit and receive wireless signals in a communication network according to wireless Internet technologies.
  • Wireless Internet technologies include, for example, WLAN (Wireless LAN), Wi-Fi (Wireless-Fidelity), Wi-Fi (Wireless Fidelity) Direct, DLNA (Digital Living Network Alliance), WiBro (Wireless Broadband), WiMAX (World) Interoperability for Microwave Access (HSDPA), High Speed Downlink Packet Access (HSDPA), High Speed Uplink Packet Access (HSUPA), Long Term Evolution (LTE), and Long Term Evolution-Advanced (LTE-A).
  • WLAN Wireless LAN
  • Wi-Fi Wireless-Fidelity
  • Wi-Fi Wireless Fidelity
  • Direct Wireless Internet technologies
  • DLNA Digital Living Network Alliance
  • WiBro Wireless Broadband
  • WiMAX Worldwide Interoperability for Microwave Access
  • HSDPA High Speed Downlink Packet Access
  • HSUPA High Speed Uplink Packet Access
  • LTE Long Term Evolution
  • LTE-A Long Term Evolution-Advanced
  • the short-range communication module 114 is for short-range communication, BluetoothTM, Radio Frequency Identification (RFID), Infrared Data Association (IrDA), Ultra Wideband (UWB), ZigBee, NFC (Near Field Communication), Wi-Fi (Wireless-Fidelity), Wi-Fi Direct, Wireless USB (Wireless Universal Serial Bus) using at least one of the technology, it can support short-range communication.
  • RFID Radio Frequency Identification
  • IrDA Infrared Data Association
  • UWB Ultra Wideband
  • ZigBee ZigBee
  • NFC Near Field Communication
  • Wi-Fi Wireless-Fidelity
  • Wi-Fi Direct Wireless USB (Wireless Universal Serial Bus) using at least one of the technology, it can support short-range communication.
  • the location information module 115 is a module for acquiring a location (or current location) of a mobile terminal, and typical examples thereof include a Global Positioning System (GPS) module or a Wireless Fidelity (WiFi) module.
  • GPS Global Positioning System
  • WiFi Wireless Fidelity
  • the terminal utilizes a GPS module, the location of the mobile terminal can be acquired using a signal sent from a GPS satellite.
  • the input unit 120 may include a camera 121 for inputting a video signal, a microphone 122 for receiving an audio signal, and a user input unit 123 for receiving information from a user.
  • the voice data or image data collected by the input unit 120 may be analyzed and processed by a user's control command.
  • the input unit 120 is for input of image information (or signals), audio information (or signals), data, or information input from a user.
  • the sleep inducing device 100 may include one or more It may be provided with a camera (121).
  • the camera 121 processes image frames such as still images or moving pictures obtained by an image sensor in a video call mode or a shooting mode.
  • the processed image frame may be displayed on the display unit 151 or stored in the memory 170.
  • the microphone 122 processes external sound signals as electrical voice data.
  • the processed voice data may be variously used according to a function (or an application program being executed) performed by the sleep inducing device 100. Meanwhile, various noise reduction algorithms for removing noise generated in the process of receiving an external sound signal may be implemented in the microphone 122.
  • the user input unit 123 is for receiving information from a user. When information is input through the user input unit 123,
  • the processor 180 may control the operation of the sleep guidance device 100 to correspond to the inputted information.
  • the user input unit 123 is a mechanical input means (or a mechanical key, for example, a button located on the front or rear or side of the sleep guide device 100, a dome switch, a jog wheel, a jog Switch, etc.) and a touch-type input means.
  • the touch-type input means is made of a virtual key, a soft key or a visual key displayed on the touch screen through software processing, or a part other than the touch screen It may be made of a touch key (touch key) disposed on.
  • the learning processor 130 may be configured to receive, classify, store, and output information to be used for data mining, data analysis, intelligent decision making, and machine learning algorithms and techniques.
  • the learning processor 130 may be received, detected, detected, generated, predefined, or otherwise output by the terminal or communicated with other components, devices, terminals, or terminals in a received, detected, detected, generated, predefined, or otherwise manner It may include one or more memory units configured to store data output by the device.
  • the learning processor 130 may include a memory integrated or implemented in a terminal. In some embodiments, the learning processor 130 may be implemented using the memory 170.
  • the learning processor 130 may be implemented using memory associated with the terminal, such as external memory coupled directly to the terminal or memory maintained in a server communicating with the terminal.
  • the learning processor 130 may be implemented using memory maintained in a cloud computing environment, or other remote memory location accessible by a terminal through a communication method such as a network.
  • the learning processor 130 typically includes one or more databases for identifying, indexing, categorizing, manipulating, storing, retrieving, and outputting data for use in supervised or unsupervised learning, data mining, predictive analytics, or other machines. It can be configured to store on.
  • the information stored in the learning processor 130 can be utilized by one or more other controllers of the processor 180 or terminal using any of a variety of different types of data analysis algorithms and machine learning algorithms.
  • fuzzy logic e.g probability theory
  • neural networks Boltzmann machines, vector quantization, pulse neural networks, support vector machines, maximum margin classifier, hill climbing, inductive logic system Bayesian network , Peritnet (e.g. finite state machine, milli machine, Moore finite state machine), classifier tree (e.g. perceptron tree, support vector tree, Markov tree, decision tree forest, random forest), stake models and systems, artificial Convergence, sensor fusion, image fusion, reinforcement learning, augmented reality, pattern recognition, automated planning, and more.
  • fuzzy logic eg probability theory
  • neural networks Boltzmann machines, vector quantization, pulse neural networks, support vector machines, maximum margin classifier, hill climbing, inductive logic system Bayesian network , Peritnet (e.g. finite state machine, milli machine, Moore finite state machine), classifier tree (e.g. perceptron tree, support vector tree, Markov tree, decision tree forest, random forest), stake models and systems, artificial Convergence, sensor fusion, image fusion
  • the processor 180 may determine or predict at least one executable action of the terminal based on the generated information, or determined using data analysis and machine learning algorithms. To this end, the processor 180 may request, search, receive, or utilize data of the learning processor 130, and may use the terminal to perform a predicted operation or an operation determined to be preferable among the at least one executable operation. Can be controlled.
  • the processor 180 may perform various functions for implementing intelligent emulation (ie, a knowledge-based system, a reasoning system, and a knowledge acquisition system). It can be applied to various types of systems (eg, fuzzy logic systems), including adaptive systems, machine learning systems, artificial neural networks, and the like.
  • intelligent emulation ie, a knowledge-based system, a reasoning system, and a knowledge acquisition system. It can be applied to various types of systems (eg, fuzzy logic systems), including adaptive systems, machine learning systems, artificial neural networks, and the like.
  • the processor 180 also involves speech and natural language speech processing, such as an I/O processing module, an environmental condition module, a speech-to-text (STT) processing module, a natural language processing module, a work flow processing module, and a service processing module. It may include sub-modules that enable calculation.
  • speech and natural language speech processing such as an I/O processing module, an environmental condition module, a speech-to-text (STT) processing module, a natural language processing module, a work flow processing module, and a service processing module. It may include sub-modules that enable calculation.
  • Each of these sub-modules can have access to one or more systems or data and models at the terminal, or a subset or superset thereof.
  • each of these sub-modules can provide various functions, including vocabulary index, user data, work flow model, service model, and automatic speech recognition (ASR) system.
  • ASR automatic speech recognition
  • processor 180 or terminal may be implemented with the submodules, systems, or data and models.
  • the processor 180 may be configured to detect and detect requirements based on the user's intention or contextual conditions expressed in user input or natural language input.
  • the processor 180 may actively derive and acquire information necessary to completely determine a requirement based on a context condition or a user's intention. For example, the processor 180 may actively derive information necessary to determine a requirement by analyzing historical data including historical input and output, pattern matching, unambiguous words, and input intention.
  • the processor 180 may determine a task flow for executing a function that responds to a requirement based on a context condition or a user's intention.
  • the processor 180 collects, detects, extracts, and detects signals or data used in data analysis and machine learning operations through one or more sensing components in the terminal, in order to collect information for processing and storage in the learning processor 130 And/or receive.
  • Collecting information may include sensing information through a sensor, extracting information stored in the memory 170, or receiving information from another terminal, entity, or external storage device through communication means.
  • the processor 180 may collect and store usage history information in the terminal.
  • the processor 180 may use the stored usage history information and predictive modeling to determine the best match for executing a specific function.
  • the processor 180 may receive or sense surrounding environment information or other information through the sensing unit 140.
  • the processor 180 may receive a broadcast signal and/or broadcast-related information, a radio signal, and radio data through the radio communication unit 110.
  • the processor 180 may receive image information (or a corresponding signal), audio information (or a corresponding signal), data, or user input information from the input unit 120.
  • the processor 180 collects information in real time, processes or classifies information (for example, a knowledge graph, command policy, personalization database, conversation engine, etc.), and processes the processed information in the memory 170 or the learning processor 130 ).
  • information for example, a knowledge graph, command policy, personalization database, conversation engine, etc.
  • the processor 180 can control the components of the terminal to perform the determined operation. In addition, the processor 180 may perform the determined operation by controlling the terminal according to the control command.
  • the processor 180 analyzes historical information indicating execution of a specific operation through data analysis and machine learning algorithms and techniques, and performs updating of previously learned information based on the analyzed information. Can.
  • the processor 180 may improve the accuracy of future performance of data analysis and machine learning algorithms and techniques based on the updated information along with the learning processor 130.
  • the sensing unit 140 may include one or more sensors for sensing at least one of information in the mobile terminal, surrounding environment information surrounding the mobile terminal, and user information.
  • the sensing unit 140 includes a proximity sensor 141, an illumination sensor 142, a touch sensor, an acceleration sensor, a magnetic sensor, and gravity G-sensor, gyroscope sensor, motion sensor, RGB sensor, infrared sensor (IR sensor), fingerprint scan sensor, ultrasonic sensor , Optical sensor (e.g., camera (see 121)), microphone (refer to 122), battery gauge, environmental sensor (e.g. barometer, hygrometer, thermometer, radioactivity sensor, Thermal sensor, gas sensor, etc.), and a chemical sensor (eg, an electronic nose, a health care sensor, a biometric sensor, etc.).
  • the mobile terminal disclosed in the present specification may combine and use information sensed by at least two or more of these sensors.
  • the output unit 150 is for generating output related to vision, hearing, or tactile sense, and includes at least one of a display unit 151, an audio output unit 152, a hap tip module 153, and an optical output unit 154 can do.
  • the display unit 151 displays (outputs) information processed by the sleep guidance device 100.
  • the display unit 151 may display execution screen information of an application program driven by the sleep guidance device 100, or UI (User Interface) or GUI (Graphic User Interface) information according to the execution screen information. have.
  • the display unit 151 may form a mutual layer structure with the touch sensor or may be integrally formed, thereby realizing a touch screen.
  • the touch screen may function as a user input unit 123 that provides an input interface between the sleep guidance device 100 and a user, and at the same time, provide an output interface between the sleep guidance device 100 and a user.
  • the audio output unit 152 may output audio data received from the wireless communication unit 110 or stored in the memory 170 in a call signal reception, call mode or recording mode, voice recognition mode, broadcast reception mode, or the like.
  • the audio output unit 152 may include at least one of a receiver, a speaker, and a buzzer.
  • the haptic module 153 generates various tactile effects that the user can feel.
  • a typical example of the tactile effect generated by the haptic module 153 may be vibration.
  • the light output unit 154 outputs a signal for notifying the occurrence of an event using the light of the light source of the sleep induction device 100.
  • Examples of events generated by the sleep inducing device 100 may include receiving a message, receiving a call signal, missed calls, alarms, schedule notifications, receiving emails, and receiving information through an application.
  • the interface unit 160 serves as a passage with various types of external devices connected to the sleep inducing device 100.
  • the interface unit 160 connects a device equipped with a wired/wireless headset port, an external charger port, a wired/wireless data port, a memory card port, and an identification module. It may include at least one of a port, an audio input/output (I/O) port, a video input/output (I/O) port, and an earphone port.
  • I/O audio input/output
  • I/O video input/output
  • earphone port an earphone port
  • the identification module is a chip that stores various information for authenticating the use authority of the sleep inducing device 100, a user identification module (UIM), a subscriber identity module (SIM), and a universal user And an authentication module (universal subscriber identity module; USIM).
  • the device provided with the identification module (hereinafter referred to as an'identification device') may be manufactured in a smart card format. Accordingly, the identification device may be connected to the sleep guidance device 100 through the interface unit 160.
  • the memory 170 stores data supporting various functions of the sleep guidance device 100.
  • Memory 170 is a plurality of applications (application program or application (application)) driven by the sleep inducing device 100, data, instructions for the operation of the sleep inducing device 100, the learning processor 130 of Data for operation (eg, at least one algorithm information for machine learning, etc.) may be stored.
  • applications application program or application (application)
  • data data, instructions for the operation of the sleep inducing device 100
  • the learning processor 130 of Data for operation eg, at least one algorithm information for machine learning, etc.
  • the processor 180 generally controls the overall operation of the sleep guidance device 100.
  • the processor 180 may provide or process appropriate information or functions to the user by processing signals, data, information, etc. input or output through the above-described components or by driving an application program stored in the memory 170.
  • the processor 180 may control at least some of the components discussed with reference to FIG. 1 in order to drive an application program stored in the memory 170. Furthermore, the processor 180 may operate by combining at least two or more of the components included in the sleep inducing device 100 for driving the application program.
  • the power supply unit 190 receives external power and internal power to supply power to each component included in the sleep inducing device 100.
  • the power supply unit 190 includes a battery, and the battery may be a built-in battery or a replaceable battery.
  • the processor 180 controls the operation related to the application program, and generally the overall operation of the sleep inducing device 100. For example, when the state of the sleep inducing device satisfies a set condition, the processor 180 may execute or release a lock state that restricts input of a user's control command to applications.
  • the sensor unit 140 may include a wireless communication unit 110.
  • FIG. 2 is a view for explaining a method of operating the sleep guiding device according to an embodiment of the present invention.
  • the operation method of the sleep inducing apparatus 100 includes: obtaining a user's breathing signal (S210), obtaining a user's breathing frequency based on the user's breathing signal (S230), breathing It may include the step of determining the characteristic frequency of the respiratory tuning sound based on the frequency (S250) and outputting the respiratory tuning sound according to the characteristic frequency (S270).
  • FIG. 3 is a view for explaining a breathing signal and a breath synchronization sound according to an embodiment of the present invention.
  • the processor 180 may acquire data related to a user's breathing through the sensing unit 140.
  • the data related to the user's breathing may be data used to measure the user's breathing signal.
  • the data related to the user's breathing may be a sensing value of the piezoelectric sensor.
  • the piezoelectric sensor may be installed on the bed, and the processor 180 may receive a detection value from the piezoelectric sensor in communication with the piezoelectric sensor.
  • the detection value may vary depending on the user's breathing signal.
  • data related to a user's breathing may be a detection value of the belt.
  • the belt may be worn on the user's body (chest), and the processor 180 may communicate with the belt to receive a sensed value from the belt.
  • the detection value may vary depending on the user's breathing signal.
  • data related to the user's breathing may be a measurement value of a radar sensor that detects the user's breathing.
  • the processor 180 may communicate with the radar sensor and receive a measurement value from the radar sensor.
  • the measured value may vary depending on the user's breathing signal.
  • any device capable of acquiring data related to the user's breathing can be used.
  • an external device such as a piezoelectric sensor, a belt, or a radar sensor may acquire a breathing signal 310 using data related to breathing, and may transmit the breathing signal 310 to the sleep inducing device 100.
  • the sensing unit 140 may receive the respiratory signal 310 from an external device.
  • a piezoelectric sensor, a belt, a radar sensor, and other devices capable of acquiring data related to breathing may be one component of the sensing unit 140 of the sleep guidance device 100.
  • the sensing unit 140 may directly acquire the user's breathing signal 310.
  • the processor 180 may obtain a user's breathing frequency based on the user's breathing signal 310.
  • the breathing frequency may mean the number of breaths per unit time.
  • the breathing frequency of the user's breathing signal may be obtained based on a breathing signal in a predetermined time period.
  • a breathing frequency may be obtained based on the number of breaths from a time point 5 minutes before the current time point to a current time point.
  • the processor may determine a characteristic frequency of the breath tuned sound according to the user's breathing frequency. In addition, the processor may output the breath tuning sound 320 according to the characteristic frequency.
  • FIG. 4 is a view for explaining in detail the breath synchronization sound according to an embodiment of the present invention.
  • the breathing tuning sound 320 may be a sound that combines the breathing induction signal 322 with the noise masking sound 321.
  • the noise masking sound 321 may be a sound for reducing the ambient noise 410.
  • the noise masking sound 321 may include white noise, pink noise, brown noise, and the like.
  • the breathing induction signal 322 may be a signal that induces the user's breathing to induce the user's sleep.
  • the breath synchronization sound 320 includes a noise masking sound 321, when the breath synchronization sound 320 is combined with the ambient noise 410, an ambient noise reduction effect 420 may occur.
  • the breath synchronization sound 320 since the breath synchronization sound 320 includes a breath induction signal 322, the breath synchronization sound 320 may generate a surrounding noise reduction effect 420 and a breath induction effect 430.
  • FIG. 5 is a view for explaining the size, frequency, and characteristic frequency of a breathing tuning sound according to an embodiment of the present invention.
  • the characteristic frequency may be the number of times that at least one cycle of the size and frequency of the breath-tuned sound is repeated for a unit time.
  • the characteristic frequency may refer to the frequency of the breathing induction signal included in the breath tuning sound.
  • 5A is a diagram showing a cycle of the size of the breath tuning sound.
  • the breath synchronization sound 510 may be a sound in which the size of a noise masking sound is changed according to a breath induction signal. That is, the size of the breath tuning sound 510 may be changed according to the breath induction signal.
  • the size of the respiratory tuning sound 510 may be changed between the maximum value (Amax) and the minimum value (Amin).
  • a section c from the maximum value (Amax) of the size of the breath tuning sound 510 to the next maximum value (Amax) may constitute one cycle.
  • a section from the minimum value (Amin) of the size of the breath tuning sound 510 to the next minimum value (Amin) may constitute one cycle.
  • the characteristic frequency may be the number of times the cycle of the size of the breath tuning sound 510 is repeated for a unit time.
  • the characteristic frequency may be 24 times/min.
  • the size of the breath tuning sound 510 may reach the maximum value (Amax) or the minimum value (Amin) 24 times for 1 minute.
  • the cycle of the size of the breath synchronization sound 510 may be the same as the cycle of the breath induction signal. Therefore, the frequency of the respiratory induction signal may be the same as the characteristic frequency of the respiratory tuning sound 510.
  • the frequency of the breath synchronization sound 510 is the same, and only the size of the breath synchronization sound 510 may be changed.
  • 5B is a diagram showing a cycle of the frequency of the breath tuning sound.
  • the breath synchronization sound 520 may be a sound in which the frequency of the noise masking sound is changed according to the breath induction signal. That is, the frequency of the breath tuning sound 520 may be changed according to the breath induction signal.
  • the frequency of the breath tuning sound 520 may be changed between a maximum value and a minimum value.
  • a section d from the minimum value of the frequency of the respiratory tuning sound 520 to the next minimum value may constitute one cycle.
  • a section from the maximum value of the frequency of the respiratory tuning sound 520 to the next maximum value may constitute one cycle.
  • the characteristic frequency may be the number of times the cycle of the frequency of the breath tuning sound 520 is repeated for a unit time.
  • the characteristic frequency may be 24 times/min.
  • the frequency of the breath tuning sound 510 may reach the maximum value or the minimum value 24 times for 1 minute.
  • the cycle of the frequency of the breath tuning sound 520 may be the same as the cycle of the breath induction signal. Therefore, the frequency of the respiratory induction signal may be the same as the characteristic frequency.
  • the size of the breath tuning sound 520 is constant and only the frequency of the breath tuning sound 520 may be changed. That is, since the size of the noise masking sound is constant and only the frequency is changed according to the breath induction signal, the size of the breath tuning sound 520 may be constant.
  • FIG. 5A the size of the breath tuning sound is changed according to the breath induction signal
  • FIG. 5B the frequency of the breath tuning sound is changed according to the breath induction signal
  • the frequency can be changed.
  • the characteristic frequency may refer to the number of times the cycle of the size and frequency of the breath tuning sound is repeated for a unit time.
  • the processor can change the characteristic frequency of the breath tuned sound.
  • the interval of one cycle may be changed according to the characteristic frequency of the breath tuned sound. That is, if the characteristic frequency is increased, the time required for one cycle to be completed may be reduced (ie, the cycle may be shortened). Conversely, when the characteristic frequency decreases, the time required to complete one cycle may increase (that is, the cycle may be long).
  • the time (that is, the cycle) required to complete at least one cycle of the size and frequency of the breath tuned sound may be changed.
  • the processor may determine a characteristic frequency of the breath tuned sound based on the breath frequency.
  • the characteristic frequency of the breath tuning sound may be smaller than the respiratory frequency.
  • the breathing frequency when a person sleeps, the breathing frequency may be smaller than the normal (if not sleepy) breathing frequency.
  • a person's breathing frequency may gradually decrease as the person enters the surface from normal (if not sleepy).
  • a user who listens to the breath tuning sound can breathe naturally by tuning to the characteristic frequency of the breath tuning sound. For example, if the user is not sleepy and the breathing frequency is 24 times/min, if the breathing tuning sound is output according to the characteristic frequency of 22 times/min, the user's breath will naturally be induced to the frequency of 22 times/min. Can.
  • the characteristic frequency smaller than the breathing frequency
  • the characteristic frequency is smaller than the respiratory frequency
  • the characteristic frequency and the respiratory frequency may be the same at some time points or in some sections.
  • the maximum value of the characteristic frequency may be a user's normal breathing frequency.
  • the minimum value of the characteristic frequency may be a breathing frequency when the user sleeps.
  • the reason why the maximum value of the characteristic frequency is the user's normal breathing frequency is because the purpose of outputting the breath synchronization sound is to induce the user's breathing slowly.
  • the reason why the minimum value of the characteristic frequency is the breathing frequency at the time of the user's sleep is because inducing the user's breathing to the breathing frequency at the time of the user's sleep is the final purpose of outputting the breathing tuning sound.
  • the user's breathing information may be stored in the memory.
  • the user's breathing information may be obtained based on the user's past breathing signal, and may be stored in memory in advance.
  • the user's breathing information may include the user's normal (if not sleepy) breathing frequency and the user's sleeping breathing frequency.
  • the processor may start the operation of the sleep guiding device.
  • the processor may output a breath tuned sound according to the first frequency.
  • the first frequency may be equal to or less than the normal (if not sleepy) breathing frequency of the user previously stored in the memory.
  • the processor may reduce the characteristic frequency of the breath tuned sound.
  • the processor may determine the characteristic frequency such that the difference between the characteristic frequency and the respiratory frequency maintains a preset value.
  • the processor may reduce the characteristic frequency so that the difference between the characteristic frequency and the respiratory frequency maintains a preset value.
  • the processor may output a breathing tuning sound at a characteristic frequency of 22 times/min so that the difference between the breathing frequency and the characteristic frequency is maintained 2 times/min.
  • the processor may output a breathing tuning sound at a characteristic frequency of 20 times/min so that the difference between the breathing frequency and the characteristic frequency is maintained at 2 times/min.
  • the processor may gradually decrease the characteristic frequency of the breath tuned sound based on the breathing frequency.
  • the processor may change the characteristic frequency of the breath tuning sound from the first frequency to a second frequency smaller than the first frequency based on the breathing frequency, and output a breath tuning sound according to the second frequency.
  • the processor may determine a time point of changing the characteristic frequency from the first frequency to the second frequency based on the breathing frequency obtained while the breathing tuning sound is output according to the first frequency.
  • the processor may decide to change the characteristic frequency from the first frequency to the second frequency.
  • the breathing tuning sound is output according to the first frequency, but the user's breathing frequency is not reduced because the user is not drowsy. Even in this case, if the characteristic frequency is reduced, the difference between the user's current breathing frequency and the characteristic frequency becomes too large, and it is difficult to induce the user's breathing.
  • the processor can keep the characteristic frequency at the first frequency. Then, when the user becomes drowsy and the respiratory frequency of the user decreases, the processor may change the characteristic frequency from the first frequency to the second frequency.
  • the processor may output a breath synchronization sound according to the first frequency, and output a breath synchronization sound according to the second frequency when the difference between the user's breath frequency and the first frequency decreases within a predetermined size.
  • the first frequency is 22 times/min and the user's breathing frequency is 24 times/min when the sleep induction device is first operated.
  • the processor can output a breath-tuned sound according to a frequency of 22 times/min. And when the user's breathing frequency is reduced to 23 times/min, the processor may change the first frequency to the second frequency (for example, 20 times/min).
  • the processor may output a breathing tuning sound according to the second frequency, and if the difference between the user's breathing frequency and the second frequency becomes smaller than a predetermined size, the processor may output the breathing tuning sound according to the third frequency smaller than the second frequency.
  • the processor outputs a synchronized breathing sound according to a frequency of 20 times/min. And when the user's breathing frequency is reduced to 21 times/min, the processor may change the second frequency to a third frequency (eg, 18 times/min).
  • a third frequency eg, 18 times/min.
  • the processor may output a breath synchronization sound according to the first frequency, and output a breath synchronization sound according to the second frequency when the user's breath frequency and the first frequency become the same.
  • the first frequency is 22 times/min and the user's breathing frequency is 24 times/min when the sleep induction device is first operated.
  • the processor can output a breath-tuned sound according to a frequency of 22 times/min.
  • the processor may change the first frequency to the second frequency (eg, 20 times/min).
  • the processor may output a breath synchronization sound according to the second frequency, and output a breath synchronization sound according to a third frequency smaller than the second frequency when the user's breath frequency and the second frequency are the same.
  • the processor outputs a synchronized breathing sound according to a frequency of 20 times/min.
  • the processor may change the second frequency to a third frequency (for example, 18 times/min).
  • the processor may change the characteristic frequency of the breath tuning sound in a preset time unit regardless of the breathing frequency during which the breath tuning sound is being output.
  • the processor may determine the characteristic frequency as the first frequency based on the user's breathing frequency stored in the memory, and output a breathing tuning sound according to the first frequency.
  • the processor may output the breathing tuning sound according to the second frequency smaller than the first frequency.
  • the processor may output the breathing tune sound according to the third frequency smaller than the second frequency.
  • the amount of change in frequency may always be the same or may be different.
  • the first frequency may be 20 times/min
  • the second frequency may be 18 times/min
  • the third frequency may be 16 times/min.
  • the first frequency may be 20 times/min
  • the second frequency may be 18 times/min
  • the third frequency may be 15 times/min.
  • At least one of a time point for changing the characteristic frequency and an amount of change in the characteristic frequency may be determined by the reinforcement learning model.
  • AI artificial intelligence
  • AI Artificial intelligence
  • Machine learning is a field of artificial intelligence that is a research field that gives computers the ability to learn without explicit programming.
  • machine learning can be said to be a technology that studies and builds systems and algorithms for learning, based on empirical data, performing predictions and improving one's own performance. Rather than performing strictly defined static program instructions, machine learning algorithms take the form of building a specific model to derive predictions or decisions based on input data.
  • machine learning' can be used interchangeably with the term'machine learning'.
  • Decision trees are an analysis method that performs classification and prediction by charting decision rules in a tree structure.
  • Bayesian network is a model that expresses the probabilistic relationship (conditional independence) between multiple variables in a graph structure. Bayesian networks are suitable for data mining through unsupervised learning.
  • the support vector machine is a model of supervised learning for pattern recognition and data analysis, and is mainly used for classification and regression analysis.
  • An artificial neural network is a model of a biological neuron's operation principle and a connection relationship between neurons.
  • a number of neurons, called nodes or processing elements, are connected in the form of a layer structure. It is an information processing system.
  • ANN Artificial Neural Network
  • an artificial neural network may mean an overall model having a problem-solving ability by changing the intensity of synaptic binding through artificial neurons (nodes) that form a network through synaptic coupling.
  • ANN Artificial Neural Network
  • An artificial neural network may include a plurality of layers, and each of the layers may include a plurality of neurons. Also, an artificial neural network (ANN) may include a neuron and a synapse connecting a neuron.
  • ANNs Artificial Neural Networks
  • the pattern of connections between neurons in different layers (2) the process of updating the weight of connections (3) the previous layer ( layer) can be defined by an activation function that takes a weighted sum of the input and generates an output value.
  • ANNs Artificial Neural Networks
  • DNN Deep Neural Network
  • RNN Recurrent Neural Network
  • BPDNN Bidirectional Recurrent Deep Neural Network
  • MLP Multilayer Perceptron
  • CNN Convolutional Neural Network
  • ANNs Artificial neural networks are divided into single layer neural networks and multi layer neural networks according to the number of layers.
  • General single layer neural networks are composed of an input layer and an output layer.
  • general multi-layer neural networks are composed of an input layer, a hidden layer, and an output layer.
  • the input layer is a layer that accepts external data
  • the number of neurons in the input layer is the same as the number of input variables
  • the hidden layer is located between the input layer and the output layer and receives signals from the input layer. Take and extract the characteristics and transfer them to the output layer.
  • the output layer receives a signal from the hidden layer and outputs it to the outside.
  • the input signal between neurons is multiplied and multiplied by each connection strength having a value between 0 and 1, and when this sum is greater than the threshold value of the neuron, the neuron is activated and implemented as an output value through an activation function.
  • a deep neural network including a plurality of hidden layers between an input layer and an output layer is deep learning, which is a type of machine learning technology. It may be a representative artificial neural network that implements (deep learning).
  • deep learning may be used interchangeably with the term “deep learning”.
  • ANNs Artificial neural networks
  • training refers to parameters of an artificial neural network (ANN) using training data in order to achieve the purpose of classifying, regressing, or clustering input data. It can mean the process of determining (parameter).
  • parameters of an artificial neural network include weights applied to synapses and biases applied to neurons. These parameters are internal parameters and can be determined or updated through training of an artificial neural network (ANN).
  • ANN artificial neural network
  • the artificial neural network learned by the training data may classify or cluster input data according to a pattern of the input data.
  • an artificial neural network trained using training data may be referred to as a trained model in this specification.
  • ANN artificial neural network
  • the artificial neural network (ANN) learning method can be largely classified into supervised learning, unsupervised learning, semi-supervised learning, and reinforcement learning. have.
  • Supervised learning is a method of machine learning to infer a function from training data.
  • outputting a continuous value is called regression, and predicting and outputting a class of an input vector can be called classification.
  • ANN artificial neural network
  • the label means a correct answer (or a result value) that an artificial neural network (ANN) should infer when training data is input to an artificial neural network (ANN). Can.
  • a correct answer (or a result value) that an artificial neural network (ANN) should infer is called a label or labeling data.
  • labeling training data for training an artificial neural network ANN
  • labeling data for training data labeling
  • training data and a label corresponding to the training data constitute one training set, and in the form of a training set for an artificial neural network (ANN). Can be entered.
  • ANN artificial neural network
  • the training data indicates a plurality of features
  • the labeling of the training data means that the features indicated by the training data are labeled. can do.
  • the training data may represent the characteristics of the input object in vector form.
  • An artificial neural network can infer a function for an association relationship between training data and labeling data using training data and labeling data.
  • an artificial neural network (ANN) can determine (optimize) parameters of an artificial neural network (ANN) by evaluating an inferred function.
  • Unsupervised learning is a kind of machine learning, and no label is given for training data.
  • unsupervised learning may be a learning method of training an artificial neural network to find and classify patterns in training data itself, rather than an association relationship between training data and labels corresponding to training data.
  • unsupervised learning examples include clustering or independent component analysis.
  • Examples of artificial neural networks using unsupervised learning include a generative adversarial network (GAN) and an autoencoder (AE).
  • GAN generative adversarial network
  • AE autoencoder
  • a generative adversarial network is a machine learning method that improves performance by competing between two different artificial intelligences, a generator and a discriminator.
  • the generator is a model for creating new data, and new data can be generated based on the original data.
  • the discriminator is a model that recognizes a pattern of data, and may serve to discriminate whether or not the new data generated by the generator is based on the original data.
  • the generator can learn by receiving the data that did not deceive the discriminator (discriminator), and the discriminator (discriminator) can receive and learn the deceived data from the generator (generator). Accordingly, the generator may evolve to deceive the discriminator as best as possible, and may evolve to discriminate between the discriminator original data and the data generated by the generator.
  • Autoencoder is a neural network that aims to reproduce the input itself as an output.
  • An autoencoder includes an input layer, a hidden layer, and an output layer, and input data passes through the input layer and enters the hidden layer.
  • data output from the hidden layer enters the output layer.
  • the number of nodes in the output layer is larger than the number of nodes in the hidden layer, the dimension of data increases, and thus decompression or decoding is performed.
  • the autoencoder adjusts the connection strength of neurons through learning, so that input data is represented as hidden layer data.
  • information is expressed in fewer neurons than the input layer.
  • the input data can be reproduced as an output, which may mean that the hidden layer has discovered and expressed a hidden pattern from the input data.
  • Semi-supervised learning is a kind of machine learning, and may mean a learning method using a mode of training data with a label and training data without a label.
  • an artificial neural network that determines or continuously updates parameters may be referred to as a reinforcement learning model).
  • the reinforcement learning model may be mounted on the sleep guidance device 100.
  • the reinforcement learning model may be implemented by hardware, software, or a combination of hardware and software, and when part or all of the reinforcement learning model is implemented by software, one or more instructions constituting the reinforcement learning model may be stored in memory.
  • the processor provides the user's breathing frequency to the reinforcement learning model as an environment, and the breathing synchronization is based on'at least one of a change point of the characteristic frequency and a change amount of the characteristic frequency' recommended by the reinforcement learning model. Output the sound, and train the reinforcement learning model using the user's reaction.
  • Reinforcement learning is the theory that if given an environment where agents can judge what to do every moment, they can find the best path to experience without data.
  • Reinforcement learning may be performed mainly by a Markov Decision Process (MDP).
  • MDP Markov Decision Process
  • MDP Markov Decision Process
  • the agent may mean a sleep induction device, more specifically, a reinforcement learning model.
  • an environment in which information necessary for an agent (reinforcement learning model) to perform the next action is configured that is, a user's breathing frequency may be given to the agent (reinforcement learning model).
  • the processor may output a breath tuned sound according to at least one of a time point for changing a characteristic frequency recommended by an agent (enhanced learning model) and a change amount of the characteristic frequency.
  • the processor may acquire a user's response corresponding to the outputted breath synchronization sound.
  • the processor may reward the reinforcement learning model when the user's response is positive, and may provide a penalty to the reinforcement learning model when the user's response is negative.
  • the agent may update the parameters of the neural network based on rewards and penalties.
  • the agent experiences repeated iterations until the future reward reaches its peak, so that the optimal policy, that is, the user's response is the most positive,'time and characteristic of changing the characteristic frequency It is possible to obtain at least one of the amount of frequency change.
  • the user's reaction may include at least one of a change in a user's breathing frequency, a user's movement, and a time required for the user to enter a sleep state.
  • the positive response of the user means that at least one of the change of the user's breathing frequency, the user's movement, and the time required for the user to enter the sleep state is changed in the direction in which the user quickly enters the sleep state. can do.
  • a positive user's response may include a decrease in the user's breathing frequency, a faster decrease, a decrease in the user's backtrack, or a decrease in the time required for the user to enter a sleep state.
  • the negative reaction of the user means that at least one of the change of the user's breathing frequency, the user's movement, and the time required for the user to enter the sleep state is changed in the direction in which the user enters the sleep state lately. can do.
  • a negative user's response may include an increase in the user's breathing frequency, a decrease in the frequency at which the breathing frequency decreases, an increase in the user's backlash, or an increase in the time required for the user to enter a sleep state. can do.
  • the characteristic frequency is changed according to the respiratory frequency. That is, so far, it has been described that the noise masking sound is always the same, and that the breathing guidance signal is changed.
  • the processor can adjust the maximum volume of the breath tuned sound. Specifically, the processor may adjust the maximum size of the breath tuned sound by changing the size of the noise masking sound.
  • the processor may adjust the maximum volume of the breath tuned sound based on environmental information.
  • the environmental information may include the magnitude of ambient noise.
  • the processor may adjust the size of the noise masking sound, that is, the maximum size of the breath tuned sound, based on the size of the ambient noise.
  • the noise level of the surroundings may be greater than during the daytime.
  • the noise level may increase.
  • the processor can maximize the noise masking effect even if the size of the ambient noise is changed by adjusting the size of the noise masking sound.
  • the respiration frequency is provided as an environment to the reinforcement learning model, and the reinforcement learning model recommends at least one of a time point for changing the characteristic frequency and an amount of change in the characteristic frequency.
  • the reinforcement learning model additionally considers environmental information, the point in time of changing the characteristic frequency, the amount of change in the characteristic frequency, the maximum size of the respiratory tuning sound, and the type of the respiratory tuning sound (for example, white noise, Pink noise, brown noise, etc.).
  • the processor provides the user's breathing frequency and environmental information to the reinforcement learning model as an environment, and the'time to change the characteristic frequency, the amount of change in the characteristic frequency, and the maximum size of the breath tuning sound recommended by the reinforcement learning model And a breath synchronization sound based on'at least one of types of breath synchronization sounds', and training a reinforcement learning model using a user's reaction.
  • an agent configured with information necessary for the next action, that is, a user's respiratory frequency and environmental information (amount of ambient noise, surroundings) The type of noise, etc.) can be given to the agent (reinforcement learning model).
  • the third processor according to the agent (reinforcement learning model) recommended'at the time of changing the characteristic frequency, the amount of change in the characteristic frequency, the maximum size of the breath tuning sound and at least one of the types of breath tuning sounds,' breath synchronization Sound can be output.
  • the processor may acquire a user's response corresponding to the outputted breath synchronization sound.
  • the processor may reward the reinforcement learning model when the user's response is positive, and may provide a penalty to the reinforcement learning model when the user's response is negative.
  • the agent (reinforcement learning model) may update the parameters of the neural network based on rewards and penalties.
  • the agent experiences repeated iterations until the future reward reaches its highest point, so that the optimal policy, that is, the user's reaction is most positive,'the point of change of characteristic frequency, characteristic
  • the optimal policy that is, the user's reaction is most positive,'the point of change of characteristic frequency, characteristic
  • the amount of change in frequency, the maximum size of the breath tuned sound, and at least one of the types of breath tuned sounds may be determined.
  • the present invention induces the user's breathing to become slower and slower by using sound having a characteristic frequency, thereby helping the user to quickly enter a sleep state.
  • the present invention is to reduce the characteristic frequency step by step, or by reducing while maintaining a preset value and the breathing frequency, to prevent a large difference between the frequency of the user's actual breathing and the frequency of the breath synchronization sound, breathing naturally It can be induced to breathe according to the tuned sound.
  • the present invention has the advantage of further reducing the time for the user to enter the sleep state by applying a breathing induction signal having a characteristic frequency to the noise masking sound, thereby achieving the effect of reducing the ambient noise along with the induction of breathing by the user. have.
  • the present invention has the advantage that by using the reinforcement learning, it is possible to find the optimum value, such as the point in time of changing the characteristic frequency, the amount of change in the characteristic frequency, the maximum size of the breath tuned sound, and the type of breath tuned sound.
  • the x-axis represents the user's respiratory frequency. Also, the y-axis represents the frequency with which the user's respiratory frequency appears.
  • the solid line means the user's breathing frequency when the breathing tuning sound is heard
  • the dotted line means the user's breathing frequency when the breathing tuning sound is not heard.
  • the position of the arrow 710 means the magnitude of the characteristic frequency.
  • the frequency at which the user's actual respiratory frequency is similar to the characteristic frequency (0.2 Hz) is much higher than the dotted line.
  • the frequency indicating the overall low frequency also has a higher solid line than the dotted line.
  • the y-axis of the graph of FIG. 8 represents the frequency of the frequency of the user's breathing frequency as an amplitude.
  • the solid line means the user's breathing frequency when the breathing tuning sound is heard
  • the dotted line means the user's breathing frequency when the breathing tuning sound is not heard.
  • the above-described present invention can be embodied as computer readable codes on a medium on which a program is recorded.
  • the computer-readable medium includes all types of recording devices in which data that can be read by a computer system are stored. Examples of computer-readable media include a hard disk drive (HDD), solid state disk (SSD), silicon disk drive (SDD), ROM, RAM, CD-ROM, magnetic tape, floppy disk, and optical data storage device. There is this.
  • the computer may include a processor 180 of the terminal.

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Anesthesiology (AREA)
  • General Health & Medical Sciences (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Public Health (AREA)
  • Acoustics & Sound (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pulmonology (AREA)
  • Pain & Pain Management (AREA)
  • Hematology (AREA)
  • Psychology (AREA)
  • Physiology (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Multimedia (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

수면 유도 장치가 개시된다. 본 발명의 실시 예에 따른 수면 유도 장치는, 음향을 출력하는 음향 출력부, 사용자의 호흡 신호를 획득하는 센싱부, 및, 상기 호흡 신호에 기초하여 상기 사용자의 호흡 주파수를 획득하고, 상기 호흡 주파수에 기초하여 호흡 동조 사운드의 특성 주파수를 결정하고, 상기 특성 주파수에 따라 상기 호흡 동조 사운드를 출력하는 프로세서를 포함한다.

Description

수면 유도 장치
본 발명은 사용자의 호흡 주파수에 기초하여 특성 주파수를 결정하고, 특성 주파수에 따라 호흡 동조 사운드를 출력함으로써 사용자의 수면을 유도하는 수면 유도 장치에 관한 것이다.
인공 지능(artificial intelligence)은 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미한다.
또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.
한편 최근에는 노이즈 마스킹 사운드를 이용하여 주변 소음을 저감함으로써 사용자의 편안한 수면을 유도하는 기술이 등장하고 있다.
다만 이러한 기술은 사용자의 수면을 방해하는 요소를 제거하는 것에 그칠 뿐으로, 능동적으로 사용자의 수면을 유도할 수 없다는 한계를 지니고 있다.
본 발명은 상술한 문제점을 해결하기 위한 것으로, 본 발명의 목적은 사용자의 호흡 주파수에 기초하여 특성 주파수를 결정하고, 특성 주파수에 따라 호흡 동조 사운드를 출력함으로써 사용자의 수면을 유도하는 수면 유도 장치를 제공하기 위함이다.
본 발명의 실시 예에 따른 수면 유도 장치는, 음향을 출력하는 음향 출력부, 사용자의 호흡 신호를 획득하는 센싱부, 및, 상기 호흡 신호에 기초하여 상기 사용자의 호흡 주파수를 획득하고, 상기 호흡 주파수에 기초하여 호흡 동조 사운드의 특성 주파수를 결정하고, 상기 특성 주파수에 따라 상기 호흡 동조 사운드를 출력하는 프로세서를 포함하고, 상기 특성 주파수는, 상기 호흡 동조 사운드의 크기 및 주파수 중 적어도 하나의 싸이클이 단위 시간 동안 반복되는 횟수이다.
본 발명의 실시 예에 따른 수면 유도 장치의 동작 방법은, 사용자의 호흡 신호를 획득하는 단계, 상기 호흡 신호에 기초하여 상기 사용자의 호흡 주파수를 획득하는 단계, 상기 호흡 주파수에 기초하여 호흡 동조 사운드의 특성 주파수를 결정하는 단계, 및, 상기 특성 주파수에 따라 상기 호흡 동조 사운드를 출력하는 단계를 포함하고, 상기 특성 주파수는, 상기 호흡 동조 사운드의 크기 및 주파수 중 적어도 하나의 싸이클이 단위 시간 동안 반복되는 횟수이다.
본 발명은 특성 주파수를 가지는 소리를 이용하여 사용자의 호흡이 점점 느려지도록 유도함으로써, 사용자가 수면 상태에 빨리 진입하는 것을 도울 수 있다.
또한 본 발명은 특성 주파수를 단계적으로 줄이거나, 호흡 주파수와 기 설정된 값을 유지하도록 하면서 줄임으로써, 사용자의 실제 호흡의 주파수와 호흡 동조 사운드의 주파수 사이에 큰 차이가 발생하는 것을 방지하고, 자연스럽게 호흡 동조 사운드에 따라 숨을 쉬도록 유도할 수 있다.
또한 본 발명은 특성 주파수를 가지는 호흡 유도 신호를 노이즈 마스킹 사운드에 입힘으로써, 사용자의 호흡 유도와 함께 주변 소음 저감의 효과까지 달성할 수 있어 사용자가 수면 상태에 돌입하는 시간을 더욱 줄일 수 있는 장점이 있다.
또한 본 발명은 강화 학습을 이용함으로써, 특성 주파수를 변경하는 시점, 특성 주파수의 변경 량, 호흡 동조 사운드의 최대 크기, 호흡 동조 사운드의 종류 등의 최적 값을 찾아낼 수 있는 장점이 있다.
도 1은 본 발명과 관련된 수면 유도 장치를 설명하기 위한 블록도이다.
도 2는 본 발명의 실시 예에 따른 수면 유도 장치의 동작 방법을 설명하기 위한 도면이다.
도 3은 본 발명의 실시 예에 따른 호흡 신호 및 호흡 동조 사운드를 설명하기 위한 도면이다.
도 4는 본 발명의 실시 예에 따른 호흡 동조 사운드를 구체적으로 설명하기 위한 도면이다.
도 5는 본 발명의 실시 예에 따른, 호흡 동조 사운드의 크기, 주파수 및 특성 주파수를 설명하기 위한 도면이다.
도 6은 본 발명의 실시 예에 따른 강화 학습 모델을 이용한 특성 주파수의 설정을 설명하기 위한 도면이다.
도 7 및 도 8은 본 발명에 따른 실험 결과를 도시한 도면이다.
이하, 첨부된 도면을 참조하여 본 명세서에 개시된 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다. 이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 명세서 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다. 또한, 본 명세서에 개시된 실시 예를 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 명세서에 개시된 실시 예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 명세서에 개시된 실시 예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 명세서에 개시된 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다.
본 명세서에서 설명되는 수면 유도 장치에는 휴대폰, 스마트 폰(smart phone), 노트북 컴퓨터(laptop computer), 디지털방송용 단말기, PDA(personal digital assistants), PMP(portable multimedia player), 네비게이션, 슬레이트 PC(slate PC), 태블릿 PC(tablet PC), 울트라북(ultrabook), 웨어러블 디바이스(wearable device, 예를 들어, 워치형 단말기 (smartwatch), 글래스형 단말기 (smart glass), HMD(head mounted display)) 등이 포함될 수 있다.
도 1은 본 발명과 관련된 수면 유도 장치를 설명하기 위한 블록도이다.
본 명세서에 기재된 실시 예에 따른 수면 유도 장치(100)는 스마트 TV, 데스크탑 컴퓨터, 디지털사이니지 등과 같은 고정 단말기에도 적용될 수도 있다.
또한, 본 발명의 실시 예에 따른 수면 유도 장치(100)는 고정 또는 이동 가능한 로봇에도 적용될 수 있다.
또한, 본 발명의 실시 예에 따른 수면 유도 장치(100)는 음성 에이전트의 기능을 수행할 수 있다. 음성 에이전트는 사용자의 음성을 인식하고, 인식된 사용자의 음성에 적합한 응답을 음성으로 출력하는 프로그램일 수 있다.
수면 유도 장치(100)는 무선 통신부(110), 입력부(120), 러닝 프로세서(130), 센싱부(140), 출력부(150), 인터페이스부(160), 메모리(170), 프로세서(180) 및 전원 공급부(190)를 포함할 수 있다.
무선 통신부(110)는, 방송 수신 모듈(111), 이동통신 모듈(112), 무선 인터넷 모듈(113), 근거리 통신 모듈(114), 위치정보 모듈(115) 중 적어도 하나를 포함할 수 있다.
방송 수신 모듈(111)은 방송 채널을 통하여 외부의 방송 관리 서버로부터 방송 신호 및/또는 방송 관련된 정보를 수신한다.
이동통신 모듈(112)은, 이동통신을 위한 기술표준들 또는 통신방식(예를 들어, GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), CDMA2000(Code Division Multi Access 2000), EV-DO(Enhanced Voice-Data Optimized or Enhanced Voice-Data Only), WCDMA(Wideband CDMA), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등)에 따라 구축된 이동 통신망 상에서 기지국, 외부의 단말, 서버 중 적어도 하나와 무선 신호를 송수신한다.
무선 인터넷 모듈(113)은 무선 인터넷 접속을 위한 모듈을 말하는 것으로, 수면 유도 장치(100)에 내장되거나 외장될 수 있다. 무선 인터넷 모듈(113)은 무선 인터넷 기술들에 따른 통신망에서 무선 신호를 송수신하도록 이루어진다.
무선 인터넷 기술로는, 예를 들어 WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), Wi-Fi(Wireless Fidelity) Direct, DLNA(Digital Living Network Alliance), WiBro(Wireless Broadband), WiMAX(World Interoperability for Microwave Access), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등이 있다.
근거리 통신 모듈(114)은 근거리 통신(Short range communication)을 위한 것으로서, 블루투스(Bluetooth™), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), UWB(Ultra Wideband), ZigBee, NFC(Near Field Communication), Wi-Fi(Wireless-Fidelity), Wi-Fi Direct, Wireless USB(Wireless Universal Serial Bus) 기술 중 적어도 하나를 이용하여, 근거리 통신을 지원할 수 있다.
위치정보 모듈(115)은 이동 단말기의 위치(또는 현재 위치)를 획득하기 위한 모듈로서, 그의 대표적인 예로는 GPS(Global Positioning System) 모듈 또는 WiFi(Wireless Fidelity) 모듈이 있다. 예를 들어, 단말기는 GPS모듈을 활용하면, GPS 위성에서 보내는 신호를 이용하여 이동 단말기의 위치를 획득할 수 있다.
입력부(120)는 영상 신호 입력을 위한 카메라(121), 오디오 신호를 수신하기 위한 마이크로폰(122), 사용자로부터 정보를 입력 받기 위한 사용자 입력부(123)를 포함할 수 있다.
입력부(120)에서 수집한 음성 데이터나 이미지 데이터는 분석되어 사용자의 제어명령으로 처리될 수 있다.
입력부(120)는 영상 정보(또는 신호), 오디오 정보(또는 신호), 데이터, 또는 사용자로부터 입력되는 정보의 입력을 위한 것으로서, 영상 정보의 입력을 위하여, 수면 유도 장치(100)는 하나 또는 복수의 카메라(121)들을 구비할 수 있다.
카메라(121)는 화상 통화모드 또는 촬영 모드에서 이미지 센서에 의해 얻어지는 정지영상 또는 동영상 등의 화상 프레임을 처리한다. 처리된 화상 프레임은 디스플레이부(151)에 표시되거나 메모리(170)에 저장될 수 있다.
마이크로폰(122)은 외부의 음향 신호를 전기적인 음성 데이터로 처리한다. 처리된 음성 데이터는 수면 유도 장치(100)에서 수행 중인 기능(또는 실행 중인 응용 프로그램)에 따라 다양하게 활용될 수 있다. 한편, 마이크로폰(122)에는 외부의 음향 신호를 입력 받는 과정에서 발생되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘이 구현될 수 있다.
사용자 입력부(123)는 사용자로부터 정보를 입력 받기 위한 것으로서, 사용자 입력부(123)를 통해 정보가 입력되면,
프로세서(180)는 입력된 정보에 대응되도록 수면 유도 장치(100)의 동작을 제어할 수 있다.
사용자 입력부(123)는 기계식 (mechanical) 입력수단(또는, 메커니컬 키, 예를 들어, 수면 유도 장치(100)의 전?후면 또는 측면에 위치하는 버튼, 돔 스위치 (dome switch), 조그 휠, 조그 스위치 등) 및 터치식 입력수단을 포함할 수 있다. 일 예로서, 터치식 입력수단은, 소프트웨어적인 처리를 통해 터치스크린에 표시되는 가상 키(virtual key), 소프트 키(soft key) 또는 비주얼 키(visual key)로 이루어지거나, 상기 터치스크린 이외의 부분에 배치되는 터치 키(touch key)로 이루어질 수 있다.
러닝 프로세서(130)는 데이터 마이닝, 데이터 분석, 지능형 의사 결정, 및 기계 학습 알고리즘 및 기술을 위해 이용될 정보를 수신, 분류, 저장 및 출력하도록 구성 될 수 있다.
러닝 프로세서(130)는 단말기에 의해 수신, 검출, 감지, 생성, 사전 정의 또는 다른 방식으로 출력되거나 수신, 검출, 감지, 생성, 사전 정의 또는 다른 방식으로 다른 컴포넌트, 디바이스, 단말기 또는 단말기와 통신하는 장치에 의해 출력되는 데이터를 저장하도록 구성된 하나 이상의 메모리 유닛을 포함 할 수 있다.
러닝 프로세서(130)는 단말기에 통합되거나 구현된 메모리를 포함 할 수 있다. 일부 실시 예에서, 러닝 프로세서(130)는 메모리(170)를 사용하여 구현 될 수 있다.
선택적으로 또는 부가 적으로, 러닝 프로세서(130)는 단말기에 직접 결합된 외부 메모리 또는 단말기와 통신하는 서버에서 유지되는 메모리와 같이 단말기와 관련된 메모리를 사용하여 구현 될 수 있다.
다른 실시 예에서, 러닝 프로세서(130)는 클라우드 컴퓨팅 환경에서 유지되는 메모리, 또는 네트워크와 같은 통신 방식을 통해 단말기에 의해 액세스 가능한 다른 원격 메모리 위치를 이용하여 구현 될 수 있다.
러닝 프로세서(130)는 일반적으로 감독 또는 감독되지 않은 학습, 데이터 마이닝, 예측 분석 또는 다른 머신에서 사용하기 위해 데이터를 식별, 색인화, 카테고리화, 조작, 저장, 검색 및 출력하기 위해 데이터를 하나 이상의 데이터베이스에 저장하도록 구성될 수 있다.
러닝 프로세서(130)에 저장된 정보는 다양한 상이한 유형의 데이터 분석 알고리즘 및 기계 학습 알고리즘 중 임의의 것을 사용하여 프로세서(180) 또는 단말기의 하나 이상의 다른 제어기에 의해 이용될 수 있다.
이러한, 알고리즘의 예로는, k-최근 인접 시스템, 퍼지 논리 (예: 가능성 이론), 신경 회로망, 볼츠만 기계, 벡터 양자화, 펄스 신경망, 지원 벡터 기계, 최대 마진 분류기, 힐 클라이밍, 유도 논리 시스템 베이지안 네트워크, 페리트넷 (예: 유한 상태 머신, 밀리 머신, 무어 유한 상태 머신), 분류기 트리 (예: 퍼셉트론 트리, 지원 벡터 트리, 마코프 트리, 의사 결정 트리 포리스트, 임의의 포리스트), 판돈 모델 및 시스템, 인공 융합, 센서 융합, 이미지 융합, 보강 학습, 증강 현실, 패턴 인식, 자동화 된 계획 등을 포함한다.
프로세서(180)는 데이터 분석 및 기계 학습 알고리즘을 사용하여 결정되거나, 생성된 정보에 기초하여 단말기의 적어도 하나의 실행 가능한 동작을 결정 또는 예측할 수 있다. 이를 위해, 프로세서(180)는 러닝 프로세서(130)의 데이터를 요청, 검색, 수신 또는 활용할 수 있고, 상기 적어도 하나의 실행 가능한 동작 중 예측되는 동작이나, 바람직한 것으로 판단되는 동작을 실행하도록 상기 단말기를 제어할 수 있다.
프로세서(180)는 지능적 에뮬레이션(즉, 지식 기반 시스템, 추론 시스템 및 지식 획득 시스템)을 구현하는 다양한 기능을 수행 할 수 있다. 이는 적응 시스템, 기계 학습 시스템, 인공 신경망 등을 포함하는, 다양한 유형의 시스템(예컨대, 퍼지 논리 시스템)에 적용될 수 있다.
프로세서(180)는, 또한 I/O 처리 모듈, 환경 조건 모듈, 음성 - 텍스트 (STT) 처리 모듈, 자연어 처리 모듈, 작업 흐름 처리 모듈 및 서비스 처리 모듈과 같이, 음성 및 자연 언어 음성 처리를 수반하는 연산을 가능하게 하는 서브 모듈을 포함할 수 있다.
이들 서브 모듈들 각각은, 단말기에서의 하나 이상의 시스템 또는 데이터 및 모델, 또는 이들의 서브셋 또는 수퍼 셋에 대한 액세스를 가질 수 있다. 또한, 이들 서브 모듈들 각각은, 어휘 색인, 사용자 데이터, 작업 흐름 모델, 서비스 모델 및 자동 음성 인식 (ASR) 시스템을 비롯한 다양한 기능을 제공할 수 있다.
다른 실시 예에서, 프로세서(180) 또는 단말기의 다른 양태는 상기 서브 모듈, 시스템, 또는 데이터 및 모델로 구현 될 수 있다.
일부 예에서, 러닝 프로세서(130)의 데이터에 기초하여, 프로세서(180)는 사용자 입력 또는 자연 언어 입력으로 표현된 문맥 조건 또는 사용자의 의도에 기초하여 요구 사항을 검출하고 감지하도록 구성 될 수 있다.
프로세서(180)는 문맥 조건 또는 사용자의 의도에 기초하여 요구 사항을 완전히 결정하는데 필요한 정보를 능동적으로 이끌어 내고, 획득할 수 있다. 예를 들어, 프로세서(180)는 역사적 입력 및 출력, 패턴 매칭, 모호하지 않은 단어, 입력 의도 등을 포함하는 과거 데이터를 분석함으로써 요구 사항을 결정하는데, 필요한 정보를 능동적으로 이끌어낼 수 있다.
프로세서(180)는 문맥 조건 또는 사용자의 의도에 기초하여 요구 사항에 응답하는 기능을 실행하기 위한 태스크 흐름을 결정할 수 있다.
프로세서(180)는 러닝 프로세서(130)에서 프로세싱 및 저장을 위한 정보를 수집하기 위해, 단말기에서 하나 이상의 감지 컴포넌트를 통해 데이터 분석 및 기계 학습 작업에 사용되는 신호 또는 데이터를 수집, 감지, 추출, 검출 및/또는 수신하도록 구성 될 수 있다.
정보 수집은 센서를 통해 정보를 감지하는 것, 메모리(170)에 저장된 정보를 추출하는 것 또는 통신 수단을 통해 다른 단말기, 엔티티 또는 외부 저장 장치로부터 정보를 수신하는 것을 포함 할 수 있다.
프로세서(180)는 단말기에서 사용 히스토리 정보를 수집하여, 저장할 수 있다.
프로세서(180)는 저장된 사용 히스토리 정보 및 예측 모델링을 사용하여 특정 기능을 실행하기 위한 최상의 매치를 결정할 수 있다.
프로세서(180)는 센싱부(140)를 통해 주변 환경 정보 또는 기타 정보를 수신하거나 감지 할 수 있다.
프로세서(180)는 무선 통신부(110)을 통해 방송 신호 및/또는 방송 관련 정보, 무선 신호, 무선 데이터를 수신할 수 있다.
프로세서(180)는 입력부(120)로부터 이미지 정보 (또는 해당 신호), 오디오 정보 (또는 해당 신호), 데이터 또는 사용자 입력 정보를 수신 할 수 있다.
프로세서(180)는 정보를 실시간으로 수집하고, 정보 (예를 들어, 지식 그래프, 명령 정책, 개인화 데이터베이스, 대화 엔진 등)를 처리 또는 분류하고, 처리 된 정보를 메모리(170) 또는 러닝 프로세서(130)에 저장할 수 있다.
단말기의 동작이 데이터 분석 및 기계 학습 알고리즘 및 기술에 기초하여 결정될 때, 프로세서(180)는 결정된 동작을 실행하기 위해 단말기의 구성 요소를 제어 할 수 있다. 그리고 프로세서(180)는 제어 명령에 따라 단말을 제어하여 결정된 동작을 수행 할 수 있다.
프로세서(180)는 특정 동작이 수행되는 경우, 데이터 분석 및 기계 학습 알고리즘 및 기법을 통해 특정 동작의 실행을 나타내는 이력 정보를 분석하고, 분석된 정보에 기초하여 이전에 학습 한 정보의 업데이트를 수행 할 수 있다.
따라서, 프로세서(180)는 러닝 프로세서(130)과 함께, 업데이트 된 정보에 기초하여 데이터 분석 및 기계 학습 알고리즘 및 기법의 미래 성능의 정확성을 향상시킬 수 있다.
센싱부(140)는 이동 단말기 내 정보, 이동 단말기를 둘러싼 주변 환경 정보 및 사용자 정보 중 적어도 하나를 센싱 하기 위한 하나 이상의 센서를 포함할 수 있다.
예를 들어, 센싱부(140)는 근접센서(141, proximity sensor), 조도 센서(142, illumination sensor), 터치 센서(touch sensor), 가속도 센서(acceleration sensor), 자기 센서(magnetic sensor), 중력 센서(G-sensor), 자이로스코프 센서(gyroscope sensor), 모션 센서(motion sensor), RGB 센서, 적외선 센서(IR 센서: infrared sensor), 지문인식 센서(finger scan sensor), 초음파 센서(ultrasonic sensor), 광 센서(optical sensor, 예를 들어, 카메라(121 참조)), 마이크로폰(microphone, 122 참조), 배터리 게이지(battery gauge), 환경 센서(예를 들어, 기압계, 습도계, 온도계, 방사능 감지 센서, 열 감지 센서, 가스 감지 센서 등), 화학 센서(예를 들어, 전자 코, 헬스케어 센서, 생체 인식 센서 등) 중 적어도 하나를 포함할 수 있다. 한편, 본 명세서에 개시된 이동 단말기는, 이러한 센서들 중 적어도 둘 이상의 센서에서 센싱되는 정보들을 조합하여 활용할 수 있다.
출력부(150)는 시각, 청각 또는 촉각 등과 관련된 출력을 발생시키기 위한 것으로, 디스플레이부(151), 음향 출력부(152), 햅팁 모듈(153), 광 출력부(154) 중 적어도 하나를 포함할 수 있다.
디스플레이부(151)는 수면 유도 장치(100)에서 처리되는 정보를 표시(출력)한다. 예를 들어, 디스플레이부(151)는 수면 유도 장치(100)에서 구동되는 응용 프로그램의 실행화면 정보, 또는 이러한 실행화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다.
디스플레이부(151)는 터치 센서와 상호 레이어 구조를 이루거나 일체형으로 형성됨으로써, 터치 스크린을 구현할 수 있다. 이러한 터치 스크린은, 수면 유도 장치(100)와 사용자 사이의 입력 인터페이스를 제공하는 사용자 입력부(123)로써 기능함과 동시에, 수면 유도 장치(100)와 사용자 사이의 출력 인터페이스를 제공할 수 있다.
음향 출력부(152)는 호신호 수신, 통화모드 또는 녹음 모드, 음성인식 모드, 방송수신 모드 등에서 무선 통신부(110)로부터 수신되거나 메모리(170)에 저장된 오디오 데이터를 출력할 수 있다.
음향 출력부(152)는 리시버(receiver), 스피커(speaker), 버저(buzzer) 중 적어도 하나 이상을 포함할 수 있다.
햅틱 모듈(haptic module)(153)은 사용자가 느낄 수 있는 다양한 촉각 효과를 발생시킨다. 햅틱 모듈(153)이 발생시키는 촉각 효과의 대표적인 예로는 진동이 될 수 있다.
광출력부(154)는 수면 유도 장치(100)의 광원의 빛을 이용하여 이벤트 발생을 알리기 위한 신호를 출력한다. 수면 유도 장치(100)에서 발생 되는 이벤트의 예로는 메시지 수신, 호 신호 수신, 부재중 전화, 알람, 일정 알림, 이메일 수신, 애플리케이션을 통한 정보 수신 등이 될 수 있다.
인터페이스부(160)는 수면 유도 장치(100)에 연결되는 다양한 종류의 외부 기기와의 통로 역할을 수행한다. 이러한 인터페이스부(160)는, 유/무선 헤드셋 포트(port), 외부 충전기 포트(port), 유/무선 데이터 포트(port), 메모리 카드(memory card) 포트, 식별 모듈이 구비된 장치를 연결하는 포트(port), 오디오 I/O(Input/Output) 포트(port), 비디오 I/O(Input/Output) 포트(port), 이어폰 포트(port)중 적어도 하나를 포함할 수 있다. 수면 유도 장치(100)에서는, 상기 인터페이스부(160)에 외부 기기가 연결되는 것에 대응하여, 연결된 외부 기기와 관련된 적절할 제어를 수행할 수 있다.
한편, 식별 모듈은 수면 유도 장치(100)의 사용 권한을 인증하기 위한 각종 정보를 저장한 칩으로서, 사용자 인증 모듈(user identify module; UIM), 가입자 인증 모듈(subscriber identity module; SIM), 범용 사용자 인증 모듈(universal subscriber identity module; USIM) 등을 포함할 수 있다. 식별 모듈이 구비된 장치(이하 '식별 장치')는, 스마트 카드(smart card) 형식으로 제작될 수 있다. 따라서 식별 장치는 상기 인터페이스부(160)를 통하여 수면 유도 장치(100)와 연결될 수 있다.
메모리(170)는 수면 유도 장치(100)의 다양한 기능을 지원하는 데이터를 저장한다.
메모리(170)는 수면 유도 장치(100)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 수면 유도 장치(100)의 동작을 위한 데이터들, 명령어들을, 러닝 프로세서(130)의 동작을 위한 데이터들(예를 들어, 머신 러닝을 위한 적어도 하나의 알고리즘 정보 등)을 저장할 수 있다.
프로세서(180)는 상기 응용 프로그램과 관련된 동작 외에도, 통상적으로 수면 유도 장치(100)의 전반적인 동작을 제어한다. 프로세서(180)는 위에서 살펴본 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 메모리(170)에 저장된 응용 프로그램을 구동함으로써, 사용자에게 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.
또한, 프로세서(180)는 메모리(170)에 저장된 응용 프로그램을 구동하기 위하여, 도 1와 함께 살펴본 구성요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(180)는 상기 응용프로그램의 구동을 위하여, 수면 유도 장치(100)에 포함된 구성요소들 중 적어도 둘 이상을 서로 조합하여 동작시킬 수 있다.
전원공급부(190)는 프로세서(180)의 제어 하에서, 외부의 전원, 내부의 전원을 인가 받아 수면 유도 장치(100)에 포함된 각 구성요소들에 전원을 공급한다. 이러한 전원공급부(190)는 배터리를 포함하며, 상기 배터리는 내장형 배터리 또는 교체 가능한 형태의 배터리가 될 수 있다.
한편, 앞서 살펴본 것과 같이, 프로세서(180)는 응용 프로그램과 관련된 동작과, 통상적으로 수면 유도 장치(100)의 전반적인 동작을 제어한다. 예를 들어, 프로세서(180)는 상기 수면 유도 장치의 상태가 설정된 조건을 만족하면, 애플리케이션들에 대한 사용자의 제어 명령의 입력을 제한하는 잠금 상태를 실행하거나, 해제할 수 있다.
한편 센서부(140)는 무선 통신부(110)를 포함할 수 있다.
도 2는 본 발명의 실시 예에 따른 수면 유도 장치의 동작 방법을 설명하기 위한 도면이다.
본 발명의 실시 예에 따른 수면 유도 장치(100)의 동작 방법은, 사용자의 호흡 신호를 획득하는 단계(S210), 사용자의 호흡 신호에 기초하여 사용자의 호흡 주파수를 획득하는 단계(S230), 호흡 주파수에 기초하여 호흡 동조 사운드의 특성 주파수를 결정하는 단계(S250) 및 특성 주파수에 따라 호흡 동조 사운드를 출력하는 단계(S270)를 포함할 수 있다.
도 3은 본 발명의 실시 예에 따른 호흡 신호 및 호흡 동조 사운드를 설명하기 위한 도면이다.
프로세서(180)는 센싱부(140)를 통하여 사용자의 호흡과 관련된 데이터를 획득할 수 있다. 여기서 사용자의 호흡과 관련된 데이터는 사용자의 호흡 신호를 측정하는데 사용되는 데이터일 수 있다.
일 례로, 사용자의 호흡과 관련된 데이터는, 압전 센서의 감지값일 수 있다. 이 경우 압전 센서는 침대에 설치될 수 있으며, 프로세서(180)는 압전 센서와 통신하여 압전 센서로부터 감지값을 수신할 수 있다. 이 경우 감지값은 사용자의 호흡 신호에 따라 달라질 수 있다.
다른 예로, 사용자의 호흡과 관련된 데이터는 벨트의 감지값일 수 있다. 이 경우 벨트는 사용자의 신체(흉부)에 착용될 수 있으며, 프로세서(180)는 벨트와 통신하여 벨트로부터 감지값을 수신할 수 있다. 이 경우 감지값은 사용자의 호흡 신호에 따라 달라질 수 있다.
다른 예로, 사용자의 호흡과 관련된 데이터는 사용자의 호흡을 감지하는 레이더 센서의 측정 값일 수 있다. 이 경우 프로세서(180)는 레이더 센서와 통신하여 레이더 센서로부터 측정 값을 수신할 수 있다. 이 경우 측정 값은 사용자의 호흡 신호에 따라 달라질 수 있다.
이 외에도 사용자의 호흡과 관련된 데이터를 획득할 수 있는 모든 장치가 사용될 수 있다.
한편 압전 센서, 벨트, 레이더 센서 등의 외부 기기로부터 호흡과 관련된 데이터를 획득한다고 설명하였으나 이에 한정되지 않는다. 구체적으로 압전 센서, 벨트, 레이더 센서 등의 외부 기기는 호흡과 관련된 데이터를 이용하여 호흡 신호(310)를 획득할 수 있으며, 호흡 신호(310)를 수면 유도 장치(100)로 전송할 수 있다. 이 경우 센싱부(140)는 외부 기기로부터 호흡 신호(310)를 수신할 수 있다.
한편 압전 센서, 벨트, 레이더 센서, 기타 호흡과 관련된 데이터를 획득할 수 있는 장치는 수면 유도 장치(100)의 센싱부(140)의 일 구성일 수 있다. 이 경우 센싱부(140)는 사용자의 호흡 신호(310)를 직접 획득할 수 있다.
한편 프로세서(180)는 사용자의 호흡 신호(310)에 기초하여 사용자의 호흡 주파수를 획득할 수 있다. 여기서 호흡 주파수란, 단위 시간 당 호흡 횟수를 의미할 수 있다.
한편 사용자의 호흡 신호의 호흡 주파수는 기 설정된 시간 구간의 호흡 신호에 기초하여 획득될 수 있다. 예를 들어 현 시점에서 5분 이전의 시점으로부터 현 시점까지의 호흡 횟수에 기초하여 호흡 주파수가 획득될 수 있다.
또한 프로세서는 사용자의 호흡 주파수에 따라 호흡 동조 사운드의 특성 주파수를 결정할 수 있다. 그리고 프로세서는 특성 주파수에 따라 호흡 동조 사운드(320)를 출력할 수 있다.
도 4는 본 발명의 실시 예에 따른 호흡 동조 사운드를 구체적으로 설명하기 위한 도면이다.
호흡 동조 사운드(320)는 노이즈 마스킹 사운드(321)에 호흡 유도 신호(322)를 결합한 사운드 일 수 있다.
여기서 노이즈 마스킹 사운드(321)는 주변 소음(410)을 저감하기 위한 사운드일 수 있다. 예를 들어 노이즈 마스킹 사운드(321)는 백색 소음, 핑크 소음, 브라운 소음 등을 포함할 수 있다.
호흡 유도 신호(322)는 사용자의 수면을 유도하기 위하여, 사용자의 호흡을 유도하는 신호일 수 있다.
한편 호흡 동조 사운드(320)는 노이즈 마스킹 사운드(321)를 포함하기 때문에, 호흡 동조 사운드(320)가 주변 소음(410)과 결합되는 경우 주변 소음 감쇄 효과(420)가 발생할 수 있다.
또한 호흡 동조 사운드(320)는 호흡 유도 신호(322)를 포함하기 때문에, 호흡 동조 사운드(320)는 주변 소음 감쇄 효과(420)를 발생시키는 것과 동시에 호흡 유도 효과(430)를 발생시킬 수 있다.
도 5는 본 발명의 실시 예에 따른, 호흡 동조 사운드의 크기, 주파수 및 특성 주파수를 설명하기 위한 도면이다.
특성 주파수는 호흡 동조 사운드의 크기 및 주파수 중 적어도 하나의 싸이클이 단위 시간 동안 반복되는 횟수일 수 있다.
또한 특성 주파수는 호흡 동조 사운드에 포함되는 호흡 유도 신호의 주파수를 의미할 수 있다.
도 5a는 호흡 동조 사운드의 크기의 싸이클을 도시한 도면이다.
호흡 동조 사운드(510)는 호흡 유도 신호에 따라 노이즈 마스킹 사운드의 크기를 변경한 사운드일 수 있다. 즉 호흡 동조 사운드(510)의 크기는 호흡 유도 신호에 따라 변경될 수 있다.
한편 호흡 유도 신호의 크기가 싸인파의 형태로 변경되기 때문에, 호흡 동조 사운드(510)의 크기는 최대값(Amax)과 최소값(Amin) 사이에서 변경될 수 있다.
한편 호흡 동조 사운드(510)의 크기의 최대값(Amax)으로부터 다음 최대값(Amax)까지의 구간(c)이 하나의 싸이클을 구성할 수 있다.
다른 예로, 호흡 동조 사운드(510)의 크기의 최소값(Amin)으로부터 다음 최소값(Amin)까지의 구간이 하나의 싸이클을 구성할 수 있다.
한편 특성 주파수는 호흡 동조 사운드(510)의 크기의 싸이클이 단위 시간 동안 반복되는 횟수일 수 있다.
예를 들어 호흡 동조 사운드(510)의 크기의 싸이클이 1분 동안 24회 반복되는 경우, 특성 주파수는 24회/min 이 될 수 있다. 이 경우 호흡 동조 사운드(510)의 크기는 1분 동안 최대 값(Amax) 또는 최소값(Amin)에 24회 도달할 수 있다.
또한 호흡 동조 사운드(510)의 크기의 싸이클은 호흡 유도 신호의 싸이클과 동일할 수 있다. 따라서 호흡 유도 신호의 주파수는 호흡 동조 사운드(510)의 특성 주파수와 동일할 수 있다.
한편 도 5a의 실시 예에서 호흡 동조 사운드(510)의 주파수는 동일하고, 호흡 동조 사운드(510)의 크기만 변경될 수 있다.
도 5b는 호흡 동조 사운드의 주파수의 싸이클을 도시한 도면이다.
호흡 동조 사운드(520)는 호흡 유도 신호에 따라 노이즈 마스킹 사운드의 주파수를 변경한 사운드일 수 있다. 즉 호흡 동조 사운드(520)의 주파수는 호흡 유도 신호에 따라 변경될 수 있다.
한편 호흡 유도 신호에 따라, 호흡 동조 사운드(520)의 주파수는 최대값과 최소값 사이에서 변경될 수 있다.
한편 호흡 동조 사운드(520)의 주파수의 최소 값으로부터 다음 최소 값까지의 구간(d)이 하나의 싸이클을 구성할 수 있다.
다른 예로, 호흡 동조 사운드(520)의 주파수의 최대 값으로부터 다음 최대 값까지의 구간이 하나의 싸이클을 구성할 수 있다.
한편 특성 주파수는 호흡 동조 사운드(520)의 주파수의 싸이클이 단위 시간 동안 반복되는 횟수일 수 있다.
예를 들어 호흡 동조 사운드(520)의 주파수의 싸이클이 1분 동안 24회 반복되는 경우, 특성 주파수는 24회/min 이 될 수 있다. 이 경우 호흡 동조 사운드(510)의 주파수는 1분 동안 최대 값 또는 최소값에 24회 도달할 수 있다.
또한 호흡 동조 사운드(520)의 주파수의 싸이클은 호흡 유도 신호의 싸이클과 동일할 수 있다. 따라서 호흡 유도 신호의 주파수는 특성 주파수와 동일할 수 있다.
한편 도 5b의 실시 예에서는 호흡 동조 사운드(520)의 크기는 일정하고 호흡 동조 사운드(520)의 주파수만 변경될 수 있다. 즉 노이즈 마스킹 사운드의 크기는 일정하고 호흡 유도 신호에 따라 주파수만 변경되기 때문에, 호흡 동조 사운드(520)의 크기는 일정할 수 있다.
한편 도 5a에서는 호흡 유도 신호에 따라 호흡 동조 사운드의 크기를, 도 5b에서는 호흡 유도 신호에 따라 호흡 동조 사운드의 주파수를 변경한다고 설명하였으나 이에 한정되지 않으며, 호흡 유도 신호에 따라 호흡 동조 사운드의 크기 및 주파수가 변경될 수 있다.
이 경우 특성 주파수는 호흡 동조 사운드의 크기 및 주파수의 싸이클이 단위 시간 동안 반복되는 횟수를 의미할 수 있다.
한편 프로세서는 호흡 동조 사운드의 특성 주파수를 변경할 수 있다.
구체적으로 호흡 동조 사운드는 특성 주파수에 따라 하나의 싸이클의 구간이 변경될 수 있다. 즉 특성 주파수가 커지면 하나의 싸이클이 완성되는데 소요되는 시간이 줄어들 수 있다(즉 주기가 짧아질 수 있다.). 반대로 특성 주파수가 작아지면 하나의 싸이클이 완성되는데 소요되는 시간이 늘어들 수 있다(즉 주기가 길어질 수 있다.).
따라서 프로세서가 호흡 동조 사운드의 특성 주파수를 변경함으로써, 호흡 동조 사운드의 크기 및 주파수 중 적어도 하나의 싸이클이 완성되는데 소요되는 시간(즉 주기)이 변경될 수 있다.
한편 프로세서는 호흡 주파수에 기초하여 호흡 동조 사운드의 특성 주파수를 결정할 수 있다.
이 경우 호흡 동조 사운드의 특성 주파수는 호흡 주파수보다 작을 수 있다.
구체적으로 사람의 수면 시 호흡 주파수는 평상시(졸리지 않은 경우)의 호흡 주파수보다 작을 수 있다.
또한 사람이 평상시(졸리지 않은 경우)로부터 수면으로 진입하면서 사람의 호흡 주파수는 점점 작아질 수 있다.
또한 호흡 동조 사운드를 듣는 사용자는 자연스럽게 호흡 동조 사운드의 특성 주파수에 동조하여 호흡을 할 수 있다. 예를 들어 사용자가 현재 졸리지 않은 상태여서 호흡 주파수가 24회/min인 경우, 22회/min인 특성 주파수에 따라 호흡 동조 사운드를 출력하면, 사용자의 호흡은 자연스럽게 22회/min의 주파수로 유도될 수 있다.
따라서 본 발명에서는 특성 주파수를 호흡 주파수보다 작게 함으로써, 사용자의 호흡이 느려지도록 유할 수 있다. 그리고 사용자의 호흡이 느려짐에 따라 사용자가 수면에 진입하는 시간이 단축될 수 있다.
한편 특성 주파수가 호흡 주파수보다 작다고 설명하였으나 경우에 따라서 일부 시점이나 일부 구간에서는 특성 주파수와 호흡 주파수가 같을 수도 있다.
한편 특성 주파수의 최대 값은 사용자의 평상시의 호흡 주파수일 수 있다. 또한 특성 주파수의 최소 값은 사용자의 수면 시의 호흡 주파수일 수 있다.
여기서 특성 주파수의 최대 값이 사용자의 평상시의 호흡 주파수인 이유는, 호흡 동조 사운드를 출력하는 목적이 사용자의 호흡을 느리게 유도하는 것이기 때문이다.
또한 특성 주파수의 최소 값이 사용자의 수면 시의 호흡 주파수인 이유는, 사용자의 호흡을 사용자의 수면 시의 호흡 주파수로 유도하는 것이 호흡 동조 사운드를 출력하는 최종 목적이기 때문이다.
한편 메모리에는 사용자의 호흡 정보가 저장되어 있을 수 있다.
구체적으로 사용자의 호흡 정보는 사용자의 과거의 호흡 신호에 기초하여 획득되어, 메모리에 미리 저장되어 있을 수 있다.
여기서 사용자의 호흡 정보는, 사용자의 평상시(졸리지 않은 경우)의 호흡 주파수 및 사용자의 수면 시 호흡 주파수를 포함할 수 있다.
이하에서는 수면 유도 장치가 동작을 시작한 다음으로부터 사용자가 수면 상태에 진입하기까지의 과정을 구체적으로 설명한다.
사용자로부터 동작 시작의 입력이 수신되는 경우 또는 센싱부에 의해 사용자가 잠자리에 들려는 것이 감지된 경우(침대에 누운 경우), 프로세서는 수면 유도 장치의 동작을 시작할 수 있다.
이 경우 프로세서는 제1 주파수에 따라 호흡 동조 사운드를 출력할 수 있다.
여기서 제1 주파수는, 메모리에 기 저장된 사용자의 평상시(졸리지 않은 경우)의 호흡 주파수와 동일하거나 작을 수 있다.
한편 프로세서는 호흡 동조 사운드의 특성 주파수를 감소시킬 수 있다.
아래에서는 사용자의 호흡 주파수에 연동하여 특성 주파수를 변경하는 제1 실시 예 및 사용자의 호흡 주파수에 기초하여 단계적으로 특성 주파수를 변경하는 제2 실시 예에 대하여 설명한다.
제1 실시 예에서, 프로세서는 특성 주파수와 호흡 주파수의 차가 기 설정된 값을 유지하도록 특성 주파수를 결정할 수 있다.
구체적으로 프로세서는 특성 주파수와 호흡 주파수의 차가 기 설정된 값을 유지하도록 특성 주파수를 감소시킬 수 있다.
예를 들어 사용자의 호흡 신호의 호흡 주파수가 24회/min인 경우, 프로세서는 호흡 주파수와 특성 주파수의 차가 2회/min를 유지하도록 호흡 동조 사운드를 22회/min의 특성 주파수로 출력할 수 있다. 또한 사용자의 호흡 신호의 호흡 주파수가 22회/min로 줄어든 경우, 프로세서는 호흡 주파수와 특성 주파수의 차가 2회/min를 유지하도록 호흡 동조 사운드를 20회/min의 특성 주파수로 출력할 수 있다.
제2 실시 예에서, 프로세서는 호흡 주파수에 기초하여 호흡 동조 사운드의 특성 주파수를 단계적으로 감소시킬 수 있다.
구체적으로 프로세서는 호흡 주파수에 기초하여 호흡 동조 사운드의 특성 주파수를 제1 주파수로부터 제1 주파수보다 더 작은 제2 주파수로 변경하고, 제2 주파수에 따라 호흡 동조 사운드를 출력할 수 있다.
이 경우 프로세서는 제1 주파수에 따라 호흡 동조 사운드가 출력되는 동안 획득되는 호흡 주파수에 기초하여 특성 주파수를 제1 주파수로부터 제2 주파수로 변경하는 시점을 결정할 수 있다.
예를 들어 제1 주파수에 따라 호흡 동조 사운드가 출력되는 동안 사용자에게 졸음이 와서, 사용자의 호흡 주파수가 줄어들었다고 가정한다. 이 경우 프로세서는 특성 주파수를 제1 주파수로부터 제2 주파수로 변경하는 것으로 결정할 수 있다.
다른 예를 들어, 제1 주파수에 따라 호흡 동조 사운드가 출력되었으나, 사용자에게 졸음이 오지 않아서, 사용자의 호흡 주파수가 줄어들지 않았다고 가정한다. 이 경우에도 특성 주파수를 줄이게 되면, 사용자의 현재 호흡의 주파수와 특성 주파수의 차가 너무 커지게 되어, 사용자의 호흡을 유도하기 힘들다.
따라서 이 경우, 프로세서는 특성 주파수를 제1 주파수로 계속 유지할 수 있다. 그리고 이후에 사용자에게 졸음이 와서 사용자의 호흡 주파수가 줄어들면, 프로세서는 특성 주파수를 제1 주파수로부터 제2 주파수로 변경할 수 있다.
한편 프로세서는 제1 주파수에 따라 호흡 동조 사운드를 출력하고, 사용자의 호흡 주파수와 제1 주파수의 차가 일정 크기 이내로 작아지면 제2 주파수에 따라 호흡 동조 사운드를 출력할 수 있다.
예를 들어 일정 크기가 1회/min 이라고 가정한다. 그리고 제1 주파수가 22회/min, 수면 유도 장치의 최초 동작 시 사용자의 호흡 주파수가 24회/min인 것으로 가정한다.
프로세서는 22회/min의 주파수에 따라 호흡 동조 사운드를 출력할 수 있다. 그리고 사용자의 호흡 주파수가 23회/min로 줄어들면, 프로세서는 제1 주파수를 제2 주파수(예를 들어 20회/min)로 변경할 수 있다.
마찬가지로, 프로세서는 제2 주파수에 따라 호흡 동조 사운드를 출력하고, 사용자의 호흡 주파수와 제2 주파수의 차가 일정 크기 이내로 작아지면 제2 주파수보다 작은 제3 주파수에 따라 호흡 동조 사운드를 출력할 수 있다.
예를 들어 프로세서는 20회/min의 주파수에 따라 호흡 동조 사운드를 출력하고 있다. 그리고 사용자의 호흡 주파수가 21회/min로 줄어들면, 프로세서는 제2 주파수를 제3 주파수(예를 들어 18회/min)로 변경할 수 있다.
한편 프로세서는 제1 주파수에 따라 호흡 동조 사운드를 출력하고, 사용자의 호흡 주파수와 제1 주파수가 동일해지면 제2 주파수에 따라 호흡 동조 사운드를 출력할 수 있다.
예를 들어 제1 주파수가 22회/min, 수면 유도 장치의 최초 동작 시 사용자의 호흡 주파수가 24회/min인 것으로 가정한다.
프로세서는 22회/min의 주파수에 따라 호흡 동조 사운드를 출력할 수 있다. 그리고 사용자의 호흡 주파수가 22회/min로 줄어들면, 프로세서는 제1 주파수를 제2 주파수(예를 들어 20회/min)로 변경할 수 있다.
마찬가지로, 프로세서는 제2 주파수에 따라 호흡 동조 사운드를 출력하고, 사용자의 호흡 주파수와 제2 주파수가 동일해지면 제2 주파수보다 작은 제3 주파수에 따라 호흡 동조 사운드를 출력할 수 있다.
예를 들어 프로세서는 20회/min의 주파수에 따라 호흡 동조 사운드를 출력하고 있다. 그리고 사용자의 호흡 주파수가 20회/min로 줄어들면, 프로세서는 제2 주파수를 제3 주파수(예를 들어 18회/min)로 변경할 수 있다.
한편 제3 실시 예로써, 프로세서는 호흡 동조 사운드가 출력되는 동안의 호흡 주파수에 관계 없이, 기 설정된 시간 단위로 호흡 동조 사운드의 특성 주파수를 변경할 수 있다.
구체적으로 프로세서는 메모리에 저장된 사용자의 호흡 주파수에 기초하여 특성 주파수를 제1 주파수로 결정하고, 제1 주파수에 따라 호흡 동조 사운드를 출력할 수 있다.
그리고 제1 주파수에 따라 호흡 동조 사운드가 출력되기 시작한 후 기 설정된 시간이 경과하면, 프로세서는 제1 주파수보다 작은 제2 주파수에 따라 호흡 동조 사운드를 출력할 수 있다.
또한 제2 주파수에 따라 호흡 동조 사운드가 출력되기 시작한 후 기 설정된 시간이 경과하면, 프로세서는 제2 주파수보다 작은 제3 주파수에 따라 호흡 동조 사운드를 출력할 수 있다.
한편 주파수의 변경량은 항상 동일할 수도 있으며 상이할 수도 있다. 예를 들어 제1 주파수는 20회/min, 제2 주파수는 18회/min, 제3 주파수는 16회/min일 수 있다. 다른 예를 들어 제1 주파수는 20회/min, 제2 주파수는 18회/min, 제3 주파수는 15회/min일 수 있다.
한편 특성 주파수를 변경하는 시점 및 특성 주파수의 변경 량 중 적어도 하나는 강화 학습 모델에 의하여 결정될 수도 있다.
이와 관련해서는 도 6을 참고하여 설명한다.
강화학습 모델을 이용한 특성 주파수의 변경을 설명하기에 앞서, 먼저 인공 지능(artificial intelligence, AI)에 대하여 간략히 설명한다.
인공 지능(artificial intelligence, AI)은 인간의 지능으로 할 수 있는 사고, 학습, 자기계발 등을 컴퓨터가 할 수 있도록 하는 방법을 연구하는 컴퓨터 공학 및 정보기술의 한 분야로, 컴퓨터가 인간의 지능적인 행동을 모방할 수 있도록 하는 것을 의미한다.
또한, 인공지능은 그 자체로 존재하는 것이 아니라, 컴퓨터 과학의 다른 분야와 직간접으로 많은 관련을 맺고 있다. 특히 현대에는 정보기술의 여러 분야에서 인공지능적 요소를 도입하여, 그 분야의 문제 풀이에 활용하려는 시도가 매우 활발하게 이루어지고 있다.
머신 러닝(machine learning)은 인공지능의 한 분야로, 컴퓨터에 명시적인 프로그램 없이 배울 수 있는 능력을 부여하는 연구 분야이다.
구체적으로 머신 러닝은, 경험적 데이터를 기반으로 학습을 하고 예측을 수행하고 스스로의 성능을 향상시키는 시스템과 이를 위한 알고리즘을 연구하고 구축하는 기술이라 할 수 있다. 머신 러닝의 알고리즘들은 엄격하게 정해진 정적인 프로그램 명령들을 수행하는 것이라기보다, 입력 데이터를 기반으로 예측이나 결정을 이끌어내기 위해 특정한 모델을 구축하는 방식을 취한다.
용어 ‘머신 러닝’은 용어 ‘기계 학습’과 혼용되어 사용될 수 있다.
기계 학습에서 데이터를 어떻게 분류할 것인가를 놓고, 많은 기계 학습 알고리즘이 개발되었다. 의사결정나무(Decision Tree)나 베이지안 망(Bayesian network), 서포트벡터머신(support vector machine, SVM), 그리고 인공신경망(Artificial neural network) 등이 대표적이다.
의사결정나무는 의사결정규칙(Decision Rule)을 나무구조로 도표화하여 분류와 예측을 수행하는 분석방법이다.
베이지안 망은 다수의 변수들 사이의 확률적 관계(조건부독립성：conditional independence)를 그래프 구조로 표현하는 모델이다. 베이지안 망은 비지도 학습(unsupervised learning)을 통한 데이터마이닝(data mining)에 적합하다.
서포트벡터머신은 패턴인식과 자료분석을 위한 지도 학습(supervised learning)의 모델이며, 주로 분류와 회귀분석을 위해 사용한다.
인공신경망(Artificial Neural Network, ANN)은 생물학적 뉴런의 동작원리와 뉴런간의 연결 관계를 모델링한 것으로 노드(node) 또는 처리 요소(processing element)라고 하는 다수의 뉴런들이 레이어(Layer) 구조의 형태로 연결된 정보처리 시스템이다.
인공 신경망(Artificial Neural Network, ANN)은 기계 학습에서 사용되는 모델로써, 기계학습과 인지과학에서 생물학의 신경망(동물의 중추신경계중 특히 뇌)에서 영감을 얻은 통계학적 학습 알고리즘이다.
구체적으로 인공신경망(Artificial Neural Network, ANN)은 시냅스의 결합으로 네트워크를 형성한 인공 뉴런(노드)이 학습을 통해 시냅스의 결합 세기를 변화시켜, 문제 해결 능력을 가지는 모델 전반을 의미할 수 있다.
용어 인공신경망(Artificial Neural Network, ANN)은 용어 뉴럴 네트워크(Neural Network)와 혼용되어 사용될 수 있다.
인공신경망(Artificial Neural Network, ANN)은 복수의 레이어(layer)를 포함할 수 있고, 레이어들 각각은 복수의 뉴런(neuron)을 포함할 수 있다. 또한 인공신경망(Artificial Neural Network, ANN)은 뉴런(neuron)과 뉴런(neuron)을 연결하는 시냅스(synapse)를 포함할 수 있다.
인공 신경망(Artificial Neural Network, ANN)은 일반적으로 다음의 세가지 인자, 즉 (1) 다른 레이어(layer)의 뉴런들 사이의 연결 패턴 (2) 연결의 가중치를 갱신하는 학습 과정 (3) 이전 레이어(layer)로부터 수신되는 입력에 대하여 가중 합을 취하여 출력값을 생성하는 활성화 함수에 의해 정의될 수 있다.
인공 신경망(Artificial Neural Network, ANN)은, DNN(Deep Neural Network), RNN(Recurrent Neural Network), BRDNN(Bidirectional Recurrent Deep Neural Network), MLP(Multilayer Perceptron), CNN(Convolutional Neural Network)와 같은 방식의 네트워크 모델들을 포함할 수 있으나, 이에 한정되지 않는다.
본 명세서에서 용어 ‘레이어’는 용어 ‘계층’과 혼용되어 사용될 수 있다.
인공신경망(Artificial Neural Network, ANN)은 계층(layer) 수에 따라 단층 신경망(Single Layer Neural Networks)과 다층 신경망(Multi Layer Neural Networks)으로 구분된다.
일반적인 단층 신경망(Single Layer Neural Networks)은, 입력층과 출력층으로 구성된다.
또한 일반적인 다층신경망(Multi Layer Neural Networks)은 입력층과 은닉층, 출력층으로 구성된다.
입력층(input layer)은 외부의 자료들을 받아들이는 층으로서, 입력층의 뉴런 수는 입력되는 변수의 수와 동일하며, 은닉층(hidden layer)은 입력층과 출력층 사이에 위치하며 입력층으로부터 신호를 받아 특성을 추출하여 출력층으로 전달한다. 출력층(output layer)은 은닉층으로부터 신호를 받아 외부로 출력한다. 뉴런간의 입력신호는 0에서 1 사이의 값을 갖는 각각의 연결강도와 곱해진 후 합산되며 이 합이 뉴런의 임계치보다 크면 뉴런이 활성화되어 활성화 함수를 통하여 출력값으로 구현된다.
한편 입력층(input layer)과 출력 층(output layer) 사이에 복수의 은닉층(hidden layer)을 포함하는 심층 신경망(Deep Neural Network, DNN)은, 기계 학습(machine learning) 기술의 한 종류인 딥 러닝(deep learning)을 구현하는 대표적인 인공 신경망일 수 있다.
한편 용어 ‘딥 러닝’은 용어 ‘심층 학습’과 혼용되어 사용될 수 있다.
인공 신경망(Artificial Neural Network, ANN)은 훈련 데이터(training data)를 이용하여 학습(training)될 수 있다. 여기서 학습(training)이란, 입력 데이터를 분류(classification)하거나 회귀분석(regression)하거나 군집화(clustering)하는 등의 목적을 달성하기 위하여, 학습 데이터를 이용하여 인공 신경망(Artificial Neural Network, ANN)의 파라미터(parameter)를 결정하는 과정을 의미할 수 있다.
인공 신경망(Artificial Neural Network, ANN)의 파라미터의 대표적인 예시로써, 시냅스에 부여되는 가중치(weight)나 뉴런에 적용되는 편향(bias)을 들 수 있다. 이러한 파라미터는 내부 파라미터로써, 인공 신경망(Artificial Neural Network, ANN)의 트레이닝을 통하여 결정되거나 업데이트 될 수 있다.
인공 신경망(Artificial Neural Network, ANN)의 파라미터의 또 다른 예시로써, 레이어의 개수, 뉴런의 개수, 다른 레이어(layer)의 뉴런들 사이의 연결 패턴, 이전 레이어(layer)로부터 수신되는 입력에 대하여 가중 합을 취하여 출력값을 생성하는 활성화 함수를 들 수 있다. 이러한 파라미터는 외부 파라미터로써, 사용자에 의하여 설정될 수 있다.
훈련 데이터에 의하여 학습된 인공 신경망은, 입력 데이터를 입력 데이터가 가지는 패턴에 따라 분류(classification)하거나 군집화 (clustering)할 수 있다.
한편 훈련 데이터를 이용하여 학습된 인공 신경망을, 본 명세서에서는 학습 모델(a trained model)이라 명칭할 수 있다.
다음은 인공 신경망(Artificial Neural Network, ANN)의 학습 방식에 대하여 설명한다.
인공 신경망(Artificial Neural Network, ANN)의 학습 방식은 크게, 지도 학습(Supervised Learning), 비 지도 학습(Unsupervised Learning), 준 지도 학습(semi-supervised learning), 강화 학습(Reinforcement learning)으로 분류될 수 있다.
지도 학습(Supervised Learning)은 훈련 데이터(Training Data)로부터 하나의 함수를 유추해내기 위한 기계 학습(Machine Learning)의 한 방법이다.
그리고 이렇게 유추되는 함수 중, 연속 적인 값을 출력하는 것을 회귀분석(Regression)이라 하고, 입력 벡터의 클래스(class)를 예측하여 출력하는 것을 분류(Classification)라고 할 수 있다.
지도 학습에서는, 훈련 데이터(training data)에 대한 레이블(label)이 주어진 상태에서 인공 신경망(Artificial Neural Network, ANN)을 학습시킨다.
여기서 레이블(label)이란, 훈련 데이터(training data)가 인공 신경망(Artificial Neural Network, ANN)에 입력되는 경우 인공 신경망(Artificial Neural Network, ANN)이 추론해 내야 하는 정답(또는 결과 값)을 의미할 수 있다.
본 명세서에서는 훈련 데이터(training data)가 입력되는 경우 인공 신경망(Artificial Neural Network, ANN)이 추론해 내야 하는 정답(또는 결과값)을 레이블(label) 또는 레이블링 데이터(labeling data)이라 명칭 한다.
또한 본 명세서에서는, 인공 신경망(Artificial Neural Network, ANN)의 학습을 위하여 훈련 데이터(training data)에 레이블(label)을 다는 것을, 훈련 데이터(training data)에 레이블링 데이터(labeling data)를 레이블링 한다(labeling)라고 명칭 한다.
이 경우 훈련 데이터(training data)와 훈련 데이터에 대응하는 레이블(label)은 하나의 트레이닝 셋(training set)을 구성하고, 인공 신경망(Artificial Neural Network, ANN)에는 트레이닝 셋(training set)의 형태로 입력될 수 있다.
한편 훈련 데이터(training data)는 복수의 특징(feature)을 나타내고, 훈련 데이터에 레이블(label)이 레이블링(labeling)된다는 것은 훈련 데이터(training data)가 나타내는 특징에 레이블(label)이 달린다는 것을 의미할 수 있다. 이 경우 훈련 데이터(training data)는 입력 객체의 특징을 벡터 형태로 나타낼 수 있다.
인공 신경망(Artificial Neural Network, ANN)은 훈련 데이터와 레이블링 데이터(labeling data)를 이용하여, 훈련 데이터와 레이블링 데이터(labeling data)의 연관 관계에 대한 함수를 유추할 수 있다. 또한 인공 신경망(Artificial Neural Network, ANN)은 유추된 함수에 대한 평가를 통해 인공 신경망(Artificial Neural Network, ANN)의 파라미터를 결정(최적화) 할 수 있다.
비 지도 학습(Unsupervised Learning)은 기계 학습의 일종으로, 훈련 데이터에 대한 레이블(label)이 주어지지 않는다.
구체적으로, 비 지도 학습(Unsupervised Learning)은, 훈련 데이터 및 훈련 데이터에 대응하는 레이블(label)의 연관 관계 보다는, 훈련 데이터 자체에서 패턴을 찾아 분류하도록 인공 신경망을 학습시키는 학습 방법일 수 있다.
비 지도 학습(Unsupervised Learning)의 예로는, 군집화(Clustering) 또는 독립 성분 분석(Independent Component Analysis)을 들 수 있다.
본 명세서에서 용어 ‘군집화’는 용어 ‘클러스터링’과 혼용되어 사용될 수 있다.
비지도 학습을 이용하는 인공 신경망의 일례로 생성적 적대 신경망(Generative Adversarial Network, GAN), 오토 인코더(Autoencoder, AE)를 들 수 있다.
생성적 적대 신경망(Generative Adversarial Network, GAN)이란, 생성기(generator)와 판별기(discriminator), 두 개의 서로 다른 인공지능이 경쟁하며 성능을 개선하는 머신러닝 방법이다.
이 경우 생성기(generator)는 새로운 데이터를 창조하는 모형으로, 원본 데이터를 기반으로 새로운 데이터를 생성할 수 있다.
또한 판별기(discriminator)는 데이터의 패턴을 인식하는 모형으로, 원본데이터를 기반으로 생성기(generator)에서 생성한 새로운 데이터에 대한 진위 여부를 감별하는 역할을 수행할 수 있다.
그리고 생성기(generator)는 판별기(discriminator)를 속이지 못한 데이터를 입력 받아 학습하며, 판별기(discriminator)는 생성기(generator)로부터 속은 데이터를 입력 받아 학습할 수 있다. 이에 따라 생성기(generator)는 판별기(discriminator)를 최대한 잘 속이도록 진화할 수 있고, 판별기(discriminator) 원본 데이터와 생성기(generator)에 의해 생성된 데이터를 잘 구분하도록 진화할 수 있다.
오토 인코더(Autoencoder, AE)는 입력 자체를 출력으로 재현하는 것을 목표로 하는 신경망이다.
오토 인코더(Autoencoder, AE)는 입력층, 은닉층 및 출력층을 포함하며, 입력 데이터는 입력 데이터가 입력 계층을 통과하여 은닉 계층으로 들어간다.
이 경우 은닉 계층의 노드 수가 입력 계층의 노드 수보다 적으므로 데이터의 차원이 줄어들게 되며, 이에 따라 압축 또는 인코딩이 수행되게 된다.
또한 은닉 계층에서 출력한 데이터는 출력 계층으로 들어간다. 이 경우 출력 계층의 노드 수는 은닉 계층의 노드 수보다 많으므로, 데이터의 차원이 늘어나게 되며, 이에 따라 압축 해제 또는 디코딩이 수행되게 된다.
한편 오토 인코더(Autoencoder, AE)는 학습을 통해 뉴런의 연결 강도를 조절함으로써 입력 데이터가 은닉층 데이터로 표현된다. 은닉층에서는 입력층보다 적은 수의 뉴런으로 정보를 표현하는데 입력 데이터를 출력으로 재현할 수 있다는 것은, 은닉층이 입력 데이터로부터 숨은 패턴을 발견하여 표현했다는 것을 의미할 수 있다.
준 지도 학습(Semi-Supervised Learning)은 기계 학습의 일종으로, 레이블(label)이 주어진 훈련 데이터와 레이블(label)이 주어지지 않은 훈련 데이터를 모드 사용하는 학습 방법을 의미할 수 있다.
준지도 학습의 기법 중 하나로, 레이블이 주어지지 않은 훈련 데이터의 레이블을 추론한 후 추론된 라벨을 이용하여 학습을 수행하는 기법이 있으며, 이러한 기법은 레이블링에 소요되는 비용이 큰 경우에 유용하게 사용될 수 있다.
한편 강화 학습을 통하여 학습을 수행함으로써, 파라미터를 결정되거나 지속적으로 업데이트 하는 인공 신경망을, 본 명세서에서는 강화 학습 모델)이라 명칭할 수 있다.
한편 강화 학습 모델은 수면 유도 장치(100)에 탑재될 수 있다.
한편 강화 학습 모델은 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합으로 구현될 수 있으며, 강화 학습 모델의 일부 또는 전부가 소프트웨어로 구현되는 경우 강화 학습 모델을 구성하는 하나 이상의 명령어는 메모리에 저장될 수 있다.
그리고 프로세서는 사용자의 호흡 주파수를 환경(environment)으로써 강화 학습 모델에 제공하고, 강화 학습 모델이 추천하는 ‘상기 특성 주파수를 변경하는 시점 및 상기 특성 주파수의 변경 량 중 적어도 하나’에 기초하여 호흡 동조 사운드를 출력하고, 사용자의 반응을 이용하여 상기 강화 학습 모델을 트레이닝 할 수 있다.
강화 학습(Reinforcement learning)은, 에이전트(Agent)가 매순간 어떤 행동을 해야 좋을지 판단할 수 있는 환경이 주어진다면, 데이터 없이 경험으로 가장 좋을 길을 찾을 수 있다는 이론이다.
강화 학습(Reinforcement Learning)은 주로 마르코프 결정 과정(Markov Decision Process, MDP)에 의하여 수행될 수 있다.
마르코프 결정 과정(Markov Decision Process, MDP)을 설명하면, 첫번째로 에이전트가 다음 행동을 하기 위해 필요한 정보들이 구성된 환경(environment) 이 주어지며, 두번째로 그 환경에서 에이전트가 어떻게 행동(action)할지 정의하고, 세번째로 에이전트가 무엇을 잘하면 보상(reward)를 주고 무엇을 못하면 벌점(penalty)을 줄지 정의하며, 네번째로 미래의 보상이 최고점에 이를 때까지 반복 경험하여 최적의 정책(policy)을 도출하게 된다.
마르코프 결정 과정을 본 발명에 적용하면, 에이전트는 수면 유도 장치, 더욱 구체적으로는 강화 학습 모델을 의미할 수 있다.
또한 첫번째로, 본 발명에서는 에이전트(강화 학습 모델)가 다음 행동을 하기 위해 필요한 정보들이 구성된 환경, 즉 사용자의 호흡 주파수가 에이전트(강화 학습 모델)에게 주어질 수 있다.
또한 두번째로, 본 발명에서는 에이전트(강화 학습 모델)이 주어진 호흡 주파수를 이용하여 어떻게 행동할 것인지, 즉 특성 주파수를 변경하는 시점 및 특성 주파수의 변경 량 중 적어도 하나를 어떻게 추천할 것인지 결정할 수 있다.
또한 세번째로 프로세서는, 에이전트(강화 학습 모델)가 추천한 특성 주파수를 변경하는 시점 및 특성 주파수의 변경량 중 적어도 하나에 따라, 호흡 동조 사운드를 출력할 수 있다. 그리고 프로세서는 출력된 호흡 동조 사운드에 대응하는 사용자의 반응을 획득할 수 있다. 그리고 프로세서는, 사용자의 반응이 긍정적으로 되는 경우 강화 학습 모델에 보상(reward)을 부여하고, 사용자의 반응이 부정적으로 되는 경우 강화 학습 모델에 벌점(penalty)을 부여할 수 있다. 이 경우 에이전트(강화 학습 모델)은 보상(reward) 및 벌점(penalty)에 기초하여 뉴럴 네트워크의 파라미터를 업데이트 할 수 있다.
또한 네번째로, 에이전트(강화 학습 모델)은 미래의 보상이 최고점에 이를 때까지 반복 경험하여, 최적의 정책(policy), 즉 사용자의 반응이 가장 긍정적으로 되는, ‘특성 주파수를 변경하는 시점 및 특성 주파수의 변경 량 중 적어도 하나’를 획득할 수 있다.
여기서 사용자의 반응은 사용자의 호흡 주파수의 변경, 사용자의 움직임 및 사용자가 수면 상태에 진입하기 까지의 소요 시간 중 적어도 하나를 포함할 수 있다.
그리고 사용자의 반응이 긍정적으로 된다는 것은, 사용자의 호흡 주파수의 변경, 사용자의 움직임 및 사용자가 수면 상태에 진입하기 까지의 소요 시간 중 적어도 하나가 사용자가 수면 상태에 빨리 진입하는 방향으로 변경되는 것을 의미할 수 있다.
예를 들어 긍정적인 사용자의 반응은, 사용자의 호흡 주파수가 줄어들거나, 더욱 빠르게 줄어들거나, 사용자의 뒤척임이 줄어들거나, 사용자가 수면 상태에 진입하기까지의 소요 시간이 줄어드는 것 등을 포함할 수 있다.
또한 사용자의 반응이 부정적으로 된다는 것은, 사용자의 호흡 주파수의 변경, 사용자의 움직임 및 사용자가 수면 상태에 진입하기까지의 소요 시간 중 적어도 하나가 사용자가 수면 상태에 늦게 진입하는 방향으로 변경되는 것을 의미할 수 있다.
예를 들어 부정적인 사용자의 반응은, 사용자의 호흡 주파수가 커지거나, 호흡 주파수가 줄어드는 폭이 작아지거나, 사용자의 뒤척임이 늘어나거나, 사용자가 수면 상태에 진입하기까지의 소요 시간이 늘어나는 것 등을 포함할 수 있다.
한편 앞선 실시 예에서는, 호흡 주파수에 따라 특성 주파수를 변경하는 것을 설명하였다. 즉 지금까지는 노이즈 마스킹 사운드는 항상 동일하다는 가정하에, 호흡 유도 신호를 변경하는 내용에 대하여 설명하였다.
이하에서는 호흡 유도 신호와 함께 노이즈 마스킹 사운드를 변경하는 내용에 대하여 설명한다.
프로세서는 호흡 동조 사운드의 최대 크기를 조절할 수 있다. 구체적으로 프로세서는 노이즈 마스킹 사운드의 크기를 변경함으로써 호흡 동조 사운드의 최대 크기를 조절할 수 있다.
이 경우 프로세서는 환경 정보에 기초하여 호흡 동조 사운드의 최대 크기를 조절할 수 있다.
여기서 환경 정보란 주변 소음의 크기를 포함할 수 있다. 이 경우 프로세서는 주변 소음의 크기에 기초하여 노이즈 마스킹 사운드의 크기, 즉 호흡 동조 사운드의 최대 크기를 조절할 수 있다.
예를 들어 낮에는 밤에 비해 주변 소음의 크기가 클 수 있다. 다른 예를 들어 음악이나 텔레비전이 켜져 있는 상태에서는 주변 소음의 크기가 커질 수 있다. 이와 같은 경우 프로세서는 노이즈 마스킹 사운드의 크기를 조절함으로써, 주변 소음의 크기가 달라지더라도 노이즈 마스킹 효과를 최대화 할 수 있다.
한편 앞서 강화 학습 모델에게 호흡 주파수가 환경으로써 제공되고, 강화 학습 모델은 특성 주파수를 변경하는 시점 및 특성 주파수의 변경 량 중 적어도 하나를 추천한다고 설명한 바 있다.
그리고 또 다른 실시 예로써, 강화 학습 모델은 환경 정보까지 추가적으로 고려하여, 특성 주파수를 변경하는 시점, 특성 주파수의 변경 량, 호흡 동조 사운드의 최대 크기 및 호흡 동조 사운드의 종류(예를 들어 백색 소음, 핑크 소음, 브라운 소음 등) 중 적어도 하나를 결정할 수 있다.
구체적으로 프로세서는 사용자의 호흡 주파수 및 환경 정보를 환경(environment)으로써 강화 학습 모델에 제공하고, 강화 학습 모델이 추천하는 ‘특성 주파수를 변경하는 시점, 특성 주파수의 변경 량, 호흡 동조 사운드의 최대 크기 및 호흡 동조 사운드의 종류 중 적어도 하나’에 기초하여 호흡 동조 사운드를 출력하고, 사용자의 반응을 이용하여 강화 학습 모델을 트레이닝 할 수 있다.
마르코프 결정 과정을 본 실시 예에 적용하면, 첫번째로, 본 발명에서는 에이전트(강화 학습 모델)가 다음 행동을 하기 위해 필요한 정보들이 구성된 환경, 즉 사용자의 호흡 주파수 및 환경 정보(주변 소음의 크기, 주변 소음의 종류 등)가 에이전트(강화 학습 모델)에게 주어질 수 있다.
또한 두번째로, 본 발명에서는 에이전트(강화 학습 모델)이 주어진 호흡 주파수 및 환경 정보를 이용하여 어떻게 행동할 것인지, 즉 특성 주파수를 변경하는 시점, 특성 주파수의 변경 량, 호흡 동조 사운드의 최대 크기 및 호흡 동조 사운드의 종류 중 적어도 하나를 어떻게 추천할 것인지 결정할 수 있다.
또한 세번째로 프로세서는, 에이전트(강화 학습 모델)가 추천한 ‘특성 주파수를 변경하는 시점, 특성 주파수의 변경 량, 호흡 동조 사운드의 최대 크기 및 호흡 동조 사운드의 종류 중 적어도 하나’에 따라, 호흡 동조 사운드를 출력할 수 있다. 그리고 프로세서는 출력된 호흡 동조 사운드에 대응하는 사용자의 반응을 획득할 수 있다. 그리고 프로세서는, 사용자의 반응이 긍정적으로 되는 경우 강화 학습 모델에 보상(reward)을 부여하고, 사용자의 반응이 부정적으로 되는 경우 강화 학습 모델에 벌점(penalty)을 부여할 수 있다. 이 경우 에이전트(강화 학습 모델)은 보상(reward) 및 벌점(penalty)에 기초하여 뉴럴 네트워크의 파라미터를 업데이트 할 수 있다.
또한 네번째로, 에이전트(강화 학습 모델)은 미래의 보상이 최고점에 이를 때까지 반복 경험하여, 최적의 정책(policy), 즉 사용자의 반응이 가장 긍정적으로 되는, ‘특성 주파수를 변경하는 시점, 특성 주파수의 변경 량, 호흡 동조 사운드의 최대 크기 및 호흡 동조 사운드의 종류 중 적어도 하나’를 결정할 수 있다.
이와 같이 본 발명은 특성 주파수를 가지는 소리를 이용하여 사용자의 호흡이 점점 느려지도록 유도함으로써, 사용자가 수면 상태에 빨리 진입하는 것을 도울 수 있다.
또한 본 발명은 특성 주파수를 단계적으로 줄이거나, 호흡 주파수와 기 설정된 값을 유지하도록 하면서 줄임으로써, 사용자의 실제 호흡의 주파수와 호흡 동조 사운드의 주파수 사이에 큰 차이가 발생하는 것을 방지하고, 자연스럽게 호흡 동조 사운드에 따라 숨을 쉬도록 유도할 수 있다.
또한 본 발명은 특성 주파수를 가지는 호흡 유도 신호를 노이즈 마스킹 사운드에 입힘으로써, 사용자의 호흡 유도와 함께 주변 소음 저감의 효과까지 달성할 수 있어 사용자가 수면 상태에 돌입하는 시간을 더욱 줄일 수 있는 장점이 있다.
또한 본 발명은 강화 학습을 이용함으로써, 특성 주파수를 변경하는 시점, 특성 주파수의 변경 량, 호흡 동조 사운드의 최대 크기, 호흡 동조 사운드의 종류 등의 최적 값을 찾아낼 수 있는 장점이 있다.
도 7 및 도 8은 본 발명에 따른 실험 결과를 도시한 도면이다.
도 7의 그래프에서 x축은 사용자의 호흡 주파수를 의미한다. 또한 y 축은 사용자의 호흡 주파수가 나타난 빈도수를 의미한다.
그리고 실선은 호흡 동조 사운드를 들려줬을 때의 사용자의 호흡 주파수를 의미하며, 점선은 호흡 동조 사운드를 들려주지 않았을 때의 사용자의 호흡 주파수를 의미한다.
또한 화살표(710)의 위치는 특성 주파수의 크기를 의미한다.
도 7을 참고하면, 사용자의 실제 호흡 주파수가 특성 주파수(0.2 Hz)와 유사한 빈도는, 점선보다 실선이 훨씬 높은 것을 알 수 있다.
이는 호흡 동조 사운드를 돌려줬을 때, 사용자의 실제 호흡이 호흡 동조 사운드의 특성 주파수와 유사하게 유도되었음을 나타낸다.
또한 전반적으로 낮은 주파수를 나타내는 빈도 역시, 점선보다 실선이 높은 것을 알 수 있다.
이는 호흡 동조 사운드를 들려줬을 때, 사용자의 실제 호흡의 주파수가 호흡 동조 사운드에 따라 작아졌음을 나타낸다.
도 8의 그래프의 y 축은 사용자의 호흡 주파수가 나타난 빈도수를 진폭으로 표시한 것이다.
그리고 실선은 호흡 동조 사운드를 들려줬을 때의 사용자의 호흡 주파수를 의미하며, 점선은 호흡 동조 사운드를 들려주지 않았을 때의 사용자의 호흡 주파수를 의미한다.
도 8을 참고하여도, 호흡 동조 사운드를 돌려줬을 때, 사용자의 실제 호흡이 호흡 동조 사운드의 특성 주파수(720)와 유사하게 유도되고, 사용자의 실제 호흡의 주파수가 호흡 동조 사운드에 따라 작아졌음을 나타낸다.
전술한 본 발명은, 프로그램이 기록된 매체에 컴퓨터가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 컴퓨터가 읽을 수 있는 매체는, 컴퓨터 시스템에 의하여 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록장치를 포함한다. 컴퓨터가 읽을 수 있는 매체의 예로는, HDD(Hard Disk Drive), SSD(Solid State Disk), SDD(Silicon Disk Drive), ROM, RAM, CD-ROM, 자기 테이프, 플로피 디스크, 광 데이터 저장 장치 등이 있다. 또한, 상기 컴퓨터는 단말기의 프로세서(180)를 포함할 수도 있다.

Claims (15)

  1. 음향을 출력하는 음향 출력부;
    사용자의 호흡 신호를 획득하는 센싱부; 및
    상기 호흡 신호에 기초하여 상기 사용자의 호흡 주파수를 획득하고, 상기 호흡 주파수에 기초하여 호흡 동조 사운드의 특성 주파수를 결정하고, 상기 특성 주파수에 따라 상기 호흡 동조 사운드를 출력하는 프로세서;를 포함하고,
    상기 특성 주파수는,
    상기 호흡 동조 사운드의 크기 및 주파수 중 적어도 하나의 싸이클이 단위 시간 동안 반복되는 횟수인
    수면 유도 장치.
  2. 제 1항에 있어서,
    상기 특성 주파수는,
    상기 호흡 주파수보다 작은
    수면 유도 장치.
  3. 제 2항에 있어서,
    상기 프로세서는,
    상기 특성 주파수와 상기 호흡 주파수의 차가 기 설정된 값을 유지하도록 상기 특성 주파수를 결정하는
    수면 유도 장치.
  4. 제 1항에 있어서,
    상기 프로세서는,
    제1 주파수에 따라 상기 호흡 동조 사운드를 출력하고,
    상기 호흡 주파수에 기초하여 상기 호흡 동조 사운드의 특성 주파수를 상기 제1 주파수로부터 상기 제1 주파수보다 더 작은 제2 주파수로 변경하고 상기 제2 주파수에 따라 상기 호흡 동조 사운드를 출력하는
    수면 유도 장치.
  5. 제 4항에 있어서,
    상기 프로세서는,
    상기 제1 주파수에 따라 상기 호흡 동조 사운드가 출력되는 동안 획득되는 상기 호흡 주파수에 기초하여, 상기 특성 주파수를 상기 제1 주파수로부터 상기 제2 주파수로 변경하는 시점을 결정하는
    수면 유도 장치.
  6. 제 5항에 있어서,
    상기 프로세서는,
    상기 제1 주파수에 따라 상기 호흡 동조 사운드를 출력하고, 상기 사용자의 호흡 주파수와 상기 제1 주파수의 차가 일정 크기 이내로 작아지면, 상기 제2 주파수에 따라 상기 호흡 동조 사운드를 출력하는
    수면 유도 장치.
  7. 제 5항에 있어서,
    상기 프로세서는,
    상기 제1 주파수에 따라 상기 호흡 동조 사운드를 출력하고 상기 사용자의 호흡 주파수가 작아져상기 제1 주파수와 동일해지면, 상기 제2 주파수에 따라 상기 호흡 동조 사운드를 출력하는
    수면 유도 장치.
  8. 제 4항에 있어서,
    상기 프로세서는,
    상기 제1 주파수에 따라 상기 호흡 동조 사운드를 출력하고 기 설정된 시간이 경과하면, 상기 제2 주파수에 따라 상기 호흡 동조 사운드를 출력하는
    수면 유도 장치.
  9. 제 1항에 있어서,
    상기 프로세서는,
    상기 사용자의 호흡 주파수를 환경(environment)으로써 강화 학습 모델에 제공하고, 상기 강화 학습 모델이 추천하는 ‘상기 특성 주파수를 변경하는 시점 및 상기 특성 주파수의 변경 량 중 적어도 하나’에 기초하여 상기 호흡 동조 사운드를 출력하고, 상기 사용자의 반응을 이용하여 상기 강화 학습 모델을 트레이닝 하는
    수면 유도 장치.
  10. 제 9항에 있어서,
    상기 사용자의 반응은,
    상기 사용자의 호흡 주파수의 변경, 상기 사용자의 움직임 및 상기 사용자가 수면 상태에 진입하기까지의 소요 시간 중 적어도 하나를 포함하는
    수면 유도 장치.
  11. 제 1항에 있어서,
    상기 특성 주파수의 최소값은,
    상기 사용자의 수면 중 호흡 주파수인
    수면 유도 장치.
  12. 제 1항에 있어서,
    상기 프로세서는,
    환경 정보에 기초하여 상기 호흡 동조 사운드의 최대 크기를 조절하는
    수면 유도 장치.
  13. 제 1항에 있어서,
    상기 프로세서는,
    상기 사용자의 호흡 주파수 및 환경 정보가 환경(environment)으로써 강화 학습 모델에 제공하고, 상기 강화 학습 모델이 추천하는 ‘상기 특성 주파수를 변경하는 시점, 상기 특성 주파수의 변경 량, 상기 호흡 동조 사운드의 최대 크기 및 상기 호흡 동조 사운드의 종류 중 적어도 하나’에 기초하여 상기 호흡 동조 사운드를 출력하고, 사용자의 반응을 이용하여 상기 강화 학습 모델을 트레이닝 하는
    수면 유도 장치.
  14. 제 1항에 있어서,
    상기 호흡 동조 사운드는,
    노이즈 마스킹 사운드에 호흡 유도 신호를 결합한 사운드이고,
    상기 특성 주파수는,
    상기 호흡 유도 신호의 주파수인
    수면 유도 장치.
  15. 사용자의 호흡 신호를 획득하는 단계;
    상기 호흡 신호에 기초하여 상기 사용자의 호흡 주파수를 획득하는 단계;
    상기 호흡 주파수에 기초하여 호흡 동조 사운드의 특성 주파수를 결정하는 단계; 및
    상기 특성 주파수에 따라 상기 호흡 동조 사운드를 출력하는 단계를 포함하고,
    상기 특성 주파수는,
    상기 호흡 동조 사운드의 크기 및 주파수 중 적어도 하나의 싸이클이 단위 시간 동안 반복되는 횟수인
    수면 유도 장치의 동작 방법.
PCT/KR2019/000116 2019-01-03 2019-01-03 수면 유도 장치 WO2020141641A1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
PCT/KR2019/000116 WO2020141641A1 (ko) 2019-01-03 2019-01-03 수면 유도 장치
KR1020217019871A KR102573023B1 (ko) 2019-01-03 2019-01-03 수면 유도 장치
US17/420,829 US20220088346A1 (en) 2019-01-03 2019-01-03 Sleep inducing device

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
PCT/KR2019/000116 WO2020141641A1 (ko) 2019-01-03 2019-01-03 수면 유도 장치

Publications (1)

Publication Number Publication Date
WO2020141641A1 true WO2020141641A1 (ko) 2020-07-09

Family

ID=71407196

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/000116 WO2020141641A1 (ko) 2019-01-03 2019-01-03 수면 유도 장치

Country Status (3)

Country Link
US (1) US20220088346A1 (ko)
KR (1) KR102573023B1 (ko)
WO (1) WO2020141641A1 (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113729641A (zh) * 2021-10-12 2021-12-03 南京润楠医疗电子研究院有限公司 一种基于条件对抗网络的非接触式睡眠分期系统
WO2023063459A1 (ko) * 2021-10-15 2023-04-20 엘지전자 주식회사 수면 유도 장치 및 그것의 동작방법
CN115970125B (zh) * 2023-01-06 2023-08-08 中国人民解放军海军特色医学中心 助眠声波的自动化调节系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5437642B2 (ko) * 1974-06-05 1979-11-16
US20110288431A1 (en) * 2008-11-17 2011-11-24 Toronto Rehabilitation Institute Method and apparatus for monitoring breathing cycle by frequency analysis of an acoustic data stream
KR20130141289A (ko) * 2012-06-15 2013-12-26 코오롱글로텍주식회사 숙면 유도용 생체 신호 모니터링 시스템 및 방법
US20150367097A1 (en) * 2014-06-24 2015-12-24 Yazmonit Ltd. System and Method for Inducing Sleep
KR101687321B1 (ko) * 2015-03-05 2016-12-16 주식회사 프라센 수면 유도 장치 및 이를 포함하는 수면 관리 시스템

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101400399A (zh) * 2006-03-14 2009-04-01 皇家飞利浦电子股份有限公司 用于诱导对象进入睡眠的系统

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5437642B2 (ko) * 1974-06-05 1979-11-16
US20110288431A1 (en) * 2008-11-17 2011-11-24 Toronto Rehabilitation Institute Method and apparatus for monitoring breathing cycle by frequency analysis of an acoustic data stream
KR20130141289A (ko) * 2012-06-15 2013-12-26 코오롱글로텍주식회사 숙면 유도용 생체 신호 모니터링 시스템 및 방법
US20150367097A1 (en) * 2014-06-24 2015-12-24 Yazmonit Ltd. System and Method for Inducing Sleep
KR101687321B1 (ko) * 2015-03-05 2016-12-16 주식회사 프라센 수면 유도 장치 및 이를 포함하는 수면 관리 시스템

Also Published As

Publication number Publication date
KR20210089782A (ko) 2021-07-16
US20220088346A1 (en) 2022-03-24
KR102573023B1 (ko) 2023-08-31

Similar Documents

Publication Publication Date Title
WO2019182265A1 (ko) 인공 지능 기기 및 그의 동작 방법
WO2020235712A1 (ko) 콘텐츠 기반의 스타일을 갖는 텍스트 또는 음성을 생성하는 인공 지능 장치 및 그 방법
WO2020213750A1 (ko) 객체를 인식하는 인공 지능 장치 및 그 방법
WO2020235696A1 (ko) 스타일을 고려하여 텍스트와 음성을 상호 변환하는 인공 지능 장치 및 그 방법
WO2019031707A1 (en) MOBILE TERMINAL AND METHOD FOR CONTROLLING A MOBILE TERMINAL USING MACHINE APPRENTICESHIP
WO2020050595A1 (ko) 음성 인식 서비스를 제공하는 서버
WO2020138624A1 (en) Apparatus for noise canceling and method for the same
WO2018117428A1 (en) Method and apparatus for filtering video
WO2020218632A1 (ko) 인공지능 장치
WO2018143630A1 (ko) 상품을 추천하는 디바이스 및 방법
WO2020184748A1 (ko) 교통 정보에 기반한 오토 스탑 시스템을 제어하는 인공 지능 장치 및 그 방법
WO2018128362A1 (en) Electronic apparatus and method of operating the same
WO2020230933A1 (ko) 사용자의 음성을 인식하는 인공 지능 장치 및 그 방법
WO2020184746A1 (ko) 주행 정보에 기반한 오토 스탑 시스템을 제어하는 인공 지능 장치 및 그 방법
WO2020204221A1 (ko) 공기 조화기
EP3545436A1 (en) Electronic apparatus and method of operating the same
WO2020213758A1 (ko) 음성으로 상호작용하는 인공 지능 장치 및 그 방법
WO2021112642A1 (en) Voice user interface
WO2021006404A1 (ko) 인공지능 서버
WO2020184753A1 (ko) 음성 추출 필터를 이용하여 음성 제어를 수행하는 인공 지능 장치 및 그 방법
WO2018084576A1 (en) Electronic device and controlling method thereof
WO2021006405A1 (ko) 인공지능 서버
WO2019164120A1 (ko) 전자 장치 및 그 제어 방법
WO2020130260A1 (en) Mobile terminal and method of operating the same
WO2020230926A1 (ko) 인공 지능을 이용하여, 합성 음성의 품질을 평가하는 음성 합성 장치 및 그의 동작 방법

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: 19908019

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 20217019871

Country of ref document: KR

Kind code of ref document: A

NENP Non-entry into the national phase

Ref country code: DE

122 Ep: pct application non-entry in european phase

Ref document number: 19908019

Country of ref document: EP

Kind code of ref document: A1