WO2025005491A1 - 샘플링 주기가 변경된 데이터를 획득하는 전자 장치 및 그 제어 방법 - Google Patents

샘플링 주기가 변경된 데이터를 획득하는 전자 장치 및 그 제어 방법 Download PDF

Info

Publication number
WO2025005491A1
WO2025005491A1 PCT/KR2024/007175 KR2024007175W WO2025005491A1 WO 2025005491 A1 WO2025005491 A1 WO 2025005491A1 KR 2024007175 W KR2024007175 W KR 2024007175W WO 2025005491 A1 WO2025005491 A1 WO 2025005491A1
Authority
WO
WIPO (PCT)
Prior art keywords
data
electronic device
sampling period
time
point
Prior art date
Legal status (The legal status 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 status listed.)
Ceased
Application number
PCT/KR2024/007175
Other languages
English (en)
French (fr)
Inventor
이영섭
배민영
이재길
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Samsung Electronics Co Ltd
Korea Advanced Institute of Science and Technology KAIST
Original Assignee
Samsung Electronics Co Ltd
Korea Advanced Institute of Science and Technology KAIST
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
Priority claimed from KR1020230088422A external-priority patent/KR20250001814A/ko
Application filed by Samsung Electronics Co Ltd, Korea Advanced Institute of Science and Technology KAIST filed Critical Samsung Electronics Co Ltd
Priority to EP24832274.5A priority Critical patent/EP4730165A1/en
Priority to CN202480043717.6A priority patent/CN121511453A/zh
Publication of WO2025005491A1 publication Critical patent/WO2025005491A1/ko
Priority to US19/433,602 priority patent/US20260119610A1/en
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F11/00—Error detection; Error correction; Monitoring
    • G06F11/30—Monitoring
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/0464—Convolutional networks [CNN, ConvNet]
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/048—Activation functions
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/06—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons
    • G06N3/063—Physical realisation, i.e. hardware implementation of neural networks, neurons or parts of neurons using electronic means
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/084—Backpropagation, e.g. using gradient descent
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/088—Non-supervised learning, e.g. competitive learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/09—Supervised learning

Definitions

  • This document relates to an electronic device for acquiring data with a changed sampling period and a control method thereof.
  • Time series classification is actively used in problems such as activity recognition, power usage monitoring, and defect classification in manufacturing. Recently, a huge amount of time series data is generated/acquired in real time, but there is a limit to continuously storing high-resolution data in the hardware (e.g., memory) of electronic devices. For example, in the healthcare field, when storing user medical data in electronic devices, the storage cycle of the sensor may be reduced due to the storage capacity limitation of the electronic device. Accordingly, accurate time series classification may be difficult.
  • a control method of an electronic device can be provided that can improve the performance of a time series classification model by performing time series classification using a small amount of data acquired and stored according to a high sampling period and most of the data acquired and stored according to a low sampling period, in a state where some data according to a high sampling period is stored in the electronic device.
  • An electronic device includes at least one sensor, a memory, and at least one processor, wherein the memory includes instructions that, when executed, cause the at least one processor to generate second data including information on properties of data corresponding to a first point in time among first data acquired during a first time interval through the at least one sensor at a first sampling period, the first point in time being a point in time included in the first time interval, interpolate the generated second data to generate third data based on a second sampling period having a different sampling period from the first sampling period, and apply a weight to data corresponding to at least one restoration target point in time among the generated third data to generate fourth data based on the second sampling period, wherein the weight is determined based on a correlation between a property of the data corresponding to the at least one restoration target point in time and the first data acquired during the first time interval, and wherein the data corresponding to the at least one restoration target point in time may include data not acquired by the at least one sensor.
  • a method for controlling an electronic device includes: generating second data including information on properties of data corresponding to a first point in time among first data acquired during a first time interval through at least one sensor of the electronic device with one sampling period; wherein the first point in time is a time included in the first time interval, and wherein interpolating the generated second data generates third data based on a second sampling period having a different sampling period from the first sampling period; and generating fourth data based on the second sampling period by applying a weight to data corresponding to at least one restoration target point in time among the generated third data, wherein the weight is determined based on a correlation between a property of the data corresponding to the restoration target point in time and the first data acquired during the first time interval, and wherein the data corresponding to the restoration target point in time may include data not acquired by the at least one sensor.
  • FIG. 2 is an exemplary diagram for explaining a function or operation of acquiring data (e.g., fourth data) with a changed sampling period according to one embodiment of the present document.
  • data e.g., fourth data
  • FIG. 3a is an exemplary diagram illustrating a function or operation of training a reconstructor and/or a classification module using data acquired at a high sampling rate, according to one embodiment of the present document.
  • FIG. 3b is an exemplary diagram for explaining a function or operation of obtaining data with a changed sampling period and classifying a class of data with a changed sampling period using a reconstructor and/or a classification module according to one embodiment of the present document.
  • FIG. 4 is an exemplary flowchart illustrating a process for performing the function or operation described in FIG. 3a.
  • FIGS. 5 and 6 are exemplary drawings for explaining the function or operation of an up-sampler included in a reconstruction module according to one embodiment of the present document.
  • FIG. 7a is an exemplary drawing for explaining a comparative example in which data at a restoration target point in time restored according to a conventional technique does not match data that should have actually been measured.
  • FIG. 7b is an exemplary drawing illustrating an embodiment in which data at a point in time when restoration is performed according to one embodiment of the present document substantially matches data that should have actually been measured.
  • FIG. 1 is a block diagram of an electronic device (101) within a network environment (100) according to various embodiments.
  • an electronic device (101) may communicate with an electronic device (102) via a first network (198) (e.g., a short-range wireless communication network), or may communicate with at least one of an electronic device (104) or a server (108) via a second network (199) (e.g., a long-range wireless communication network).
  • the electronic device (101) may communicate with the electronic device (104) via the server (108).
  • the electronic device (101) may include a processor (120), a memory (130), an input module (150), an audio output module (155), a display module (160), an audio module (170), a sensor module (176), an interface (177), a connection terminal (178), a haptic module (179), a camera module (180), a power management module (188), a battery (189), a communication module (190), a subscriber identification module (196), or an antenna module (197).
  • the electronic device (101) may omit at least one of these components (e.g., the connection terminal (178)), or may have one or more other components added.
  • some of these components e.g., the sensor module (176), the camera module (180), or the antenna module (197) may be integrated into one component (e.g., the display module (160)).
  • the processor (120) may control at least one other component (e.g., a hardware or software component) of an electronic device (101) connected to the processor (120) by executing, for example, software (e.g., a program (140)), and may perform various data processing or calculations.
  • the processor (120) may store a command or data received from another component (e.g., a sensor module (176) or a communication module (190)) in a volatile memory (132), process the command or data stored in the volatile memory (132), and store result data in a nonvolatile memory (134).
  • the processor (120) may include a main processor (121) (e.g., a central processing unit or an application processor) or an auxiliary processor (123) (e.g., a graphics processing unit, a neural processing unit (NPU), an image signal processor, a sensor hub processor, or a communication processor) that can operate independently or together with the main processor (121).
  • a main processor (121) e.g., a central processing unit or an application processor
  • an auxiliary processor (123) e.g., a graphics processing unit, a neural processing unit (NPU), an image signal processor, a sensor hub processor, or a communication processor
  • the auxiliary processor (123) may be configured to use less power than the main processor (121) or to be specialized for a given function.
  • the auxiliary processor (123) may be implemented separately from the main processor (121) or as a part thereof.
  • the auxiliary processor (123) may control at least a portion of functions or states associated with at least one of the components of the electronic device (101) (e.g., the display module (160), the sensor module (176), or the communication module (190)), for example, while the main processor (121) is in an inactive (e.g., sleep) state, or together with the main processor (121) while the main processor (121) is in an active (e.g., application execution) state.
  • the auxiliary processor (123) e.g., an image signal processor or a communication processor
  • the auxiliary processor (123) may include a hardware structure specialized for processing artificial intelligence models.
  • the artificial intelligence models may be generated through machine learning. Such learning may be performed, for example, in the electronic device (101) itself on which the artificial intelligence model is executed, or may be performed through a separate server (e.g., server (108)).
  • the learning algorithm may include, for example, supervised learning, unsupervised learning, semi-supervised learning, or reinforcement learning, but is not limited to the examples described above.
  • the artificial intelligence model may include a plurality of artificial neural network layers.
  • the artificial neural network may be one of a deep neural network (DNN), a convolutional neural network (CNN), a recurrent neural network (RNN), a restricted Boltzmann machine (RBM), a deep belief network (DBN), a bidirectional recurrent deep neural network (BRDNN), deep Q-networks, or a combination of two or more of the above, but is not limited to the examples described above.
  • the artificial intelligence model may additionally or alternatively include a software structure.
  • the memory (130) can store various data used by at least one component (e.g., processor (120) or sensor module (176)) of the electronic device (101).
  • the data can include, for example, software (e.g., program (140)) and input data or output data for commands related thereto.
  • the memory (130) can include volatile memory (132) or nonvolatile memory (134).
  • the program (140) may be stored as software in memory (130) and may include, for example, an operating system (142), middleware (144), or an application (146).
  • the input module (150) can receive commands or data to be used in a component of the electronic device (101) (e.g., a processor (120)) from an external source (e.g., a user) of the electronic device (101).
  • the input module (150) can include, for example, a microphone, a mouse, a keyboard, a key (e.g., a button), or a digital pen (e.g., a stylus pen).
  • the audio output module (155) can output an audio signal to the outside of the electronic device (101).
  • the audio output module (155) can include, for example, a speaker or a receiver.
  • the speaker can be used for general purposes such as multimedia playback or recording playback.
  • the receiver can be used to receive an incoming call. According to one embodiment, the receiver can be implemented separately from the speaker or as a part thereof.
  • the display module (160) can visually provide information to an external party (e.g., a user) of the electronic device (101).
  • the display module (160) can include, for example, a display, a holographic device, or a projector and a control circuit for controlling the device.
  • the display module (160) can include a touch sensor configured to detect a touch, or a pressure sensor configured to measure the intensity of a force generated by the touch.
  • the audio module (170) can convert sound into an electrical signal, or vice versa, convert an electrical signal into sound. According to one embodiment, the audio module (170) can obtain sound through an input module (150), or output sound through an audio output module (155), or an external electronic device (e.g., an electronic device (102)) (e.g., a speaker or a headphone) directly or wirelessly connected to the electronic device (101).
  • an electronic device e.g., an electronic device (102)
  • a speaker or a headphone directly or wirelessly connected to the electronic device (101).
  • the sensor module (176) can detect an operating state (e.g., power or temperature) of the electronic device (101) or an external environmental state (e.g., user state) and generate an electric signal or data value corresponding to the detected state.
  • the sensor module (176) can include, for example, a gesture sensor, a gyro sensor, a barometric pressure sensor, a magnetic sensor, an acceleration sensor, a grip sensor, a proximity sensor, a color sensor, an IR (infrared) sensor, a biometric sensor, a temperature sensor, a humidity sensor, or an illuminance sensor.
  • the interface (177) may support one or more designated protocols that may be used to directly or wirelessly connect the electronic device (101) with an external electronic device (e.g., the electronic device (102)).
  • the interface (177) may include, for example, a high definition multimedia interface (HDMI), a universal serial bus (USB) interface, an SD card interface, or an audio interface.
  • HDMI high definition multimedia interface
  • USB universal serial bus
  • SD card interface Secure Digital Card
  • connection terminal (178) may include a connector through which the electronic device (101) may be physically connected to an external electronic device (e.g., the electronic device (102)).
  • the connection terminal (178) may include, for example, an HDMI connector, a USB connector, an SD card connector, or an audio connector (e.g., a headphone connector).
  • the haptic module (179) can convert an electrical signal into a mechanical stimulus (e.g., vibration or movement) or an electrical stimulus that a user can perceive through a tactile or kinesthetic sense.
  • the haptic module (179) can include, for example, a motor, a piezoelectric element, or an electrical stimulation device.
  • the camera module (180) can capture still images and moving images.
  • the camera module (180) can include one or more lenses, image sensors, image signal processors, or flashes.
  • the power management module (188) can manage power supplied to the electronic device (101).
  • the power management module (188) can be implemented as, for example, at least a part of a power management integrated circuit (PMIC).
  • PMIC power management integrated circuit
  • the battery (189) can power at least one component of the electronic device (101).
  • the battery (189) can include, for example, a non-rechargeable primary battery, a rechargeable secondary battery, or a fuel cell.
  • the communication module (190) may support establishment of a direct (e.g., wired) communication channel or a wireless communication channel between the electronic device (101) and an external electronic device (e.g., the electronic device (102), the electronic device (104), or the server (108)), and performance of communication through the established communication channel.
  • the communication module (190) may operate independently from the processor (120) (e.g., the application processor) and may include one or more communication processors that support direct (e.g., wired) communication or wireless communication.
  • the communication module (190) may include a wireless communication module (192) (e.g., a cellular communication module, a short-range wireless communication module, or a GNSS (global navigation satellite system) communication module) or a wired communication module (194) (e.g., a local area network (LAN) communication module or a power line communication module).
  • a wireless communication module (192) e.g., a cellular communication module, a short-range wireless communication module, or a GNSS (global navigation satellite system) communication module
  • a wired communication module (194) e.g., a local area network (LAN) communication module or a power line communication module.
  • a corresponding communication module may communicate with an external electronic device (104) via a first network (198) (e.g., a short-range communication network such as Bluetooth, wireless fidelity (WiFi) direct, or infrared data association (IrDA)) or a second network (199) (e.g., a long-range communication network such as a legacy cellular network, a 5G network, a next-generation communication network, the Internet, or a computer network (e.g., a LAN or WAN)).
  • a first network (198) e.g., a short-range communication network such as Bluetooth, wireless fidelity (WiFi) direct, or infrared data association (IrDA)
  • a second network (199) e.g., a long-range communication network such as a legacy cellular network, a 5G network, a next-generation communication network, the Internet, or a computer network (e.g., a LAN or WAN)
  • a computer network e.g.,
  • the wireless communication module (192) may use subscriber information (e.g., an international mobile subscriber identity (IMSI)) stored in the subscriber identification module (196) to identify or authenticate the electronic device (101) within a communication network such as the first network (198) or the second network (199).
  • subscriber information e.g., an international mobile subscriber identity (IMSI)
  • IMSI international mobile subscriber identity
  • the wireless communication module (192) can support a 5G network and next-generation communication technology after a 4G network, for example, NR access technology (new radio access technology).
  • the NR access technology can support high-speed transmission of high-capacity data (eMBB (enhanced mobile broadband)), terminal power minimization and connection of multiple terminals (mMTC (massive machine type communications)), or high reliability and low latency (URLLC (ultra-reliable and low-latency communications)).
  • eMBB enhanced mobile broadband
  • mMTC massive machine type communications
  • URLLC ultra-reliable and low-latency communications
  • the wireless communication module (192) can support, for example, a high-frequency band (e.g., mmWave band) to achieve a high data transmission rate.
  • a high-frequency band e.g., mmWave band
  • the wireless communication module (192) may support various technologies for securing performance in a high-frequency band, such as beamforming, massive multiple-input and multiple-output (MIMO), full dimensional MIMO (FD-MIMO), array antenna, analog beam-forming, or large scale antenna.
  • the wireless communication module (192) may support various requirements specified in an electronic device (101), an external electronic device (e.g., an electronic device (104)), or a network system (e.g., a second network (199)).
  • the wireless communication module (192) can support a peak data rate (e.g., 20 Gbps or more) for eMBB realization, a loss coverage (e.g., 164 dB or less) for mMTC realization, or a U-plane latency (e.g., 0.5 ms or less for downlink (DL) and uplink (UL) each, or 1 ms or less for round trip) for URLLC realization.
  • a peak data rate e.g., 20 Gbps or more
  • a loss coverage e.g., 164 dB or less
  • U-plane latency e.g., 0.5 ms or less for downlink (DL) and uplink (UL) each, or 1 ms or less for round trip
  • the antenna module (197) can transmit or receive signals or power to or from the outside (e.g., an external electronic device).
  • the antenna module (197) can include an antenna including a radiator formed of a conductor or a conductive pattern formed on a substrate (e.g., a PCB).
  • the antenna module (197) can include a plurality of antennas (e.g., an array antenna).
  • at least one antenna suitable for a communication method used in a communication network, such as the first network (198) or the second network (199) can be selected from the plurality of antennas by, for example, the communication module (190).
  • a signal or power can be transmitted or received between the communication module (190) and the external electronic device through the selected at least one antenna.
  • another component e.g., a radio frequency integrated circuit (RFIC)
  • RFIC radio frequency integrated circuit
  • the antenna module (197) may form a mmWave antenna module.
  • the mmWave antenna module may include a printed circuit board, an RFIC positioned on or adjacent a first side (e.g., a bottom side) of the printed circuit board and capable of supporting a designated high-frequency band (e.g., a mmWave band), and a plurality of antennas (e.g., an array antenna) positioned on or adjacent a second side (e.g., a top side or a side) of the printed circuit board and capable of transmitting or receiving signals in the designated high-frequency band.
  • a first side e.g., a bottom side
  • a plurality of antennas e.g., an array antenna
  • peripheral devices e.g., a bus, a general purpose input and output (GPIO), a serial peripheral interface (SPI), or a mobile industry processor interface (MIPI)
  • GPIO general purpose input and output
  • SPI serial peripheral interface
  • MIPI mobile industry processor interface
  • commands or data may be transmitted or received between the electronic device (101) and an external electronic device (104) via a server (108) connected to a second network (199).
  • Each of the external electronic devices (102, or 104) may be the same or a different type of device as the electronic device (101).
  • all or part of the operations executed in the electronic device (101) may be executed in one or more of the external electronic devices (102, 104, or 108). For example, when the electronic device (101) is to perform a certain function or service automatically or in response to a request from a user or another device, the electronic device (101) may, instead of executing the function or service itself or in addition, request one or more external electronic devices to perform at least a part of the function or service.
  • One or more external electronic devices that have received the request may execute at least a part of the requested function or service, or an additional function or service related to the request, and transmit the result of the execution to the electronic device (101).
  • the electronic device (101) may process the result as it is or additionally and provide it as at least a part of a response to the request.
  • cloud computing, distributed computing, mobile edge computing (MEC), or client-server computing technology may be used.
  • the electronic device (101) may provide an ultra-low latency service by using, for example, distributed computing or mobile edge computing.
  • the external electronic device (104) may include an IoT (Internet of Things) device.
  • the server (108) may be an intelligent server using machine learning and/or a neural network.
  • the external electronic device (104) or the server (108) may be included in the second network (199).
  • the electronic device (101) can be applied to intelligent services (e.g., smart home, smart city, smart car, or healthcare) based on 5G communication technology and IoT-related technology.
  • FIG. 2 is an exemplary diagram for explaining a function or operation of acquiring data (e.g., fourth data) with a changed sampling period according to one embodiment of the present document.
  • FIG. 3b is an exemplary diagram for explaining a function or operation of acquiring data with a changed sampling period and classifying a class of the data with a changed sampling period using a reconstructor and/or a classification module according to one embodiment of the present document.
  • FIG. 5 and FIG. 6 are exemplary diagrams for explaining a function or operation of an up sampler (314) included in a reconstructor module (310) according to one embodiment of the present document.
  • an electronic device (101) e.g., a processor (120)
  • the first data may include, for example, data illustrated in FIG. 6. , data , or data
  • the second data according to one embodiment of the present document may correspond to at least one of the data shown in FIG.
  • the property according to one embodiment of the present document may include, for example, trend information (e.g., information on whether the data value increases or decreases) of the first data during a time interval specified with respect to a first point in time (e.g., a interval 10 minutes before and after 40 minutes as the center), phase information (e.g., whether it is a sine function waveform) of the first data during a time interval specified with respect to the first point in time (e.g., a interval 10 minutes before and after 40 minutes as the center), and/or information on data determined to be unnecessary for up-sampling among data acquired during a time interval specified with respect to the first point in time (e.g., a interval 10 minutes before and after 40 minutes as the center).
  • trend information e.g., information on whether the data value increases or decreases
  • phase information e.g., whether it is a sine function waveform
  • the first data e.g., a time interval specified with respect to the first point in time
  • phase information e.g
  • the function or operation of converting the first data into the second data according to one embodiment of the present document may be performed by the encoder (312) included in the reconstruction module (310) according to one embodiment of the present document.
  • An encoder (312) according to one embodiment of the present document may generate second data including information related to properties of first data.
  • An encoder (312) according to one embodiment of the present document may optionally include at least one attention layer and/or a convolution layer.
  • a sampling period of the first data and a sampling period of the second data according to one embodiment of the present document may have substantially the same sampling period (e.g., 1 minute).
  • An electronic device (101) (e.g., processor (120)) may, in operation 220, interpolate the second data generated according to operation 210 to generate third data based on a second sampling period (e.g., 10 seconds) having a different sampling period from the first sampling period (e.g., 1 minute).
  • Operation 220 according to one embodiment of the present document may be performed by, for example, a reconstruction module (310) included in the processor (120).
  • the third data according to one embodiment of the present document may be, for example, data illustrated in FIG. 6.
  • Operation 220 according to one embodiment of the present document may be performed by an encoder (312) and/or an up-sampler (314) included in the processor (120).
  • An electronic device (101) (e.g., processor (120)) according to one embodiment of the present document, in operation 230, generates third data (e.g., data) generated according to operation 220. ) can generate fourth data based on the second sampling period by applying a weight to data (e.g., data at the restoration target point in time that is not acquired by at least one sensor (e.g., sensor module (176)) corresponding to at least one restoration target point in time (e.g., a point in time when 40 minutes and 30 seconds have passed since data acquisition).
  • the fourth data may be, for example, data illustrated in FIG. 6.
  • the function or operation of the up sampler (314) according to one embodiment of this document to generate fourth data by applying weights will be described in more detail with reference to FIGS. 5 and 6.
  • the electronic device (101) (e.g., the up sampler (314)) may, in operation 510, acquire trend and phase information for a restoration target point in time (e.g., a point in time when 40 minutes and 10 seconds, 40 minutes and 20 seconds, 40 minutes and 30 seconds, 40 minutes and 40 seconds, and 40 minutes and 50 seconds have elapsed from the point in time when the data was first acquired, respectively) among interpolated data (e.g., the second data).
  • the trend and phase information may be input as an input (e.g., Q) of at least one attention layer (314b) included in the up sampler (314).
  • the electronic device (101) (e.g., the up sampler (314)) according to one embodiment of the present document may, in operation 520, acquire interpolated data (e.g., the data ) can obtain trend and phase information for the entire time interval (e.g., 50 minutes).
  • the trend and phase information according to one embodiment of the present document can be input as an input (e.g., K) of at least one attention layer (314b) included in the up sampler (314).
  • the electronic device (101) (e.g., the up sampler (314)) according to one embodiment of the present document, in operation 530, interpolates data (e.g., data ) can obtain information on interpolated data (e.g., data) according to one embodiment of this document.
  • information can be input as an input (e.g., V) of at least one attention layer (314b) included in the up sampler (314).
  • the electronic device (101) e.g., up sampler (314)
  • compares the trend and phase information acquired according to operations 510 and 520 in operation 540 to interpolate data e.g., data
  • interpolated data e.g., data
  • the electronic device (101) may generate (e.g., restore) data corresponding to the restoration target time point by assigning a high weight to the data corresponding to the restoration target time point (e.g., the time points at which 40 minutes 10 seconds, 40 minutes 20 seconds, 40 minutes 30 seconds, 40 minutes 40 seconds, and 40 minutes 50 seconds have passed from the time point at which data was first acquired, respectively.
  • the up-sampler (314) may include at least one Fully Connected Layer (314a), at least one Attention Layer (314b), and/
  • An electronic device (101) e.g., a processor (120)
  • upsampled data e.g., data
  • Time series classification can be performed by a classification module (320) included in the processor (120).
  • the electronic device (101) e.g., processor (120)
  • the electronic device (101) can perform first data (e.g., data) as input to the reconstruction module (310).
  • first data e.g., data
  • data can be input into the reconstruction module (310).
  • first data is, data
  • the electronic device (101) e.g., processor (120)
  • the electronic device (101) may input the output data that has passed through the reconstruction module (310) into the classification module (320).
  • the electronic device (101) e.g., processor (120)
  • the electronic device (101) e.g., processor (120)
  • the electronic device (101) may control the classification module (320) so that the data having different sampling periods and/or phases input to the classification module (320) are classified into the same class by correcting the error of the data input to the classification module (320) using a consistency regulation technique when there are two or more types of data input to the classification module (320) (e.g., when data having different sampling periods and/or phases are input to the classification module (320).
  • the classification module (320) according to one embodiment of this document can learn a class for a specific cycle and/or phase through such a function or operation, and the result of such learning can be applied to data input to the classification module (320) thereafter.
  • FIG. 3a is an exemplary diagram illustrating a function or operation of training a reconstructor and/or a classification module using data acquired at a high sampling rate according to one embodiment of the present document.
  • FIG. 4 is an exemplary flowchart illustrating a process for performing the function or operation described in FIG. 3a.
  • an electronic device (101) e.g., a processor (120)
  • acquires data can be used to train the reconstruction module (310) and/or the classification module (320).
  • the electronic device (101) e.g., processor (120)
  • the electronic device (101) can, in operation 420, generate and/or classify restored data using the result of the learning according to operation 410.
  • the electronic device (101) according to one embodiment of the present document can generate and/or classify data obtained based on a high sampling period (e.g., ) by downsampling one or more downsampled data (e.g. , ) can be generated.
  • An electronic device (101) according to one embodiment of the present document can generate one or more down-sampled data (e.g., , ) is input to the reconstruction module (310) and the output data (e.g. , ) can be obtained.
  • An electronic device (101) according to one embodiment of the present document can obtain data (e.g., data obtained based on a high sampling period) ) and output data (e.g. ) can be compared with each other.
  • An electronic device (101) (e.g., a reconstruction module (310)) according to one embodiment of the present document can obtain data (e.g., a reconstruction module (310)) based on a high sampling period. ) and output data (e.g.
  • the electronic device (101) may acquire data (e.g., the degree of similarity of the data) based on a high sampling period for the reconstruction module (310). ) and output data (e.g. ) can be trained to reduce the mean square error between the two.
  • the electronic device (101) can classify the class of data input to the classification module (320).
  • the electronic device (101) e.g., processor (120)
  • the electronic device (101) can classify the class of data input to the classification module (320) when the types of data input to the classification module (320) are two or more (e.g., ,
  • the classification module (320) can be controlled so that data with different sampling periods and/or phases input to the classification module (320) are classified into the same class.
  • the classification module (320) can learn a class for a specific period and/or phase through such a function or operation, and the result of such learning can be applied to data input to the classification module (320) thereafter.
  • FIG. 7a is an exemplary drawing for explaining a comparative example in which data at a restoration target point in time (730) restored according to a conventional technique does not match data (710) that should have actually been measured.
  • FIG. 7b is an exemplary drawing for explaining an embodiment in which data at a restoration target point in time (730) restored according to one embodiment of the present document substantially matches data (710) that should actually have been measured.
  • FIG. 7a a comparative example is illustrated in which, in a conventional technique, data at a restored restoration target point in time (730) does not match data (710) that should have actually been measured, and therefore accurate class classification cannot be performed.
  • FIG. 7b an embodiment is illustrated in which data at a restored restoration target point in time (730) that is restored based on data (720) acquired with a low sampling period substantially matches data (710) that should actually have been measured, according to one embodiment of the present document. In this way, according to various embodiments of the present document, accurate time series classification can be performed using restored data.
  • An electronic device e.g., the electronic device (101) of FIG. 1) according to one embodiment of the present document includes at least one sensor (e.g., the sensor module (176) of FIG. 1), a memory, and at least one processor (e.g., the processor (120) of FIG.
  • a method for controlling an electronic device includes: generating second data including information on properties of data corresponding to a first point in time among first data acquired during a first time interval through at least one sensor of the electronic device with one sampling period; wherein the first point in time is a time included in the first time interval, and wherein interpolating the generated second data generates third data based on a second sampling period having a different sampling period from the first sampling period; and generating fourth data based on the second sampling period by applying a weight to data corresponding to at least one restoration target point in time among the generated third data, wherein the weight is determined based on a correlation between a property of the data corresponding to the restoration target point in time and the first data acquired during the first time interval, and wherein the data corresponding to the restoration target point in time may include data not acquired by the at least one sensor.
  • Electronic devices may be devices of various forms.
  • the electronic devices may include, for example, portable communication devices (e.g., smart phones), computer devices, portable multimedia devices, portable medical devices, cameras, wearable devices, or home appliance devices.
  • portable communication devices e.g., smart phones
  • portable multimedia devices portable medical devices
  • cameras e.g., wearable devices
  • home appliance devices electronic devices according to embodiments of this document are not limited to the above-described devices.
  • first, second, or first or second may be used merely to distinguish one component from another, and do not limit the components in any other respect (e.g., importance or order).
  • a component e.g., a first
  • another component e.g., a second
  • functionally e.g., a third component
  • module used in various embodiments of this document may include a unit implemented in hardware, software or firmware, and may be used interchangeably with terms such as logic, logic block, component, or circuit, for example.
  • a module may be an integrally configured component or a minimum unit of the component or a part thereof that performs one or more functions.
  • a module may be implemented in the form of an application-specific integrated circuit (ASIC).
  • ASIC application-specific integrated circuit
  • Various embodiments of the present document may be implemented as software (e.g., a program (2540)) including one or more instructions stored in a storage medium (e.g., an internal memory (2536) or an external memory (2538)) readable by a machine (e.g., an electronic device (2501)).
  • a processor of the machine e.g., the electronic device (2501)
  • the one or more instructions may include code generated by a compiler or code executable by an interpreter.
  • the machine-readable storage medium may be provided in the form of a non-transitory storage medium.
  • 'non-transitory' simply means that the storage medium is a tangible device and does not contain signals (e.g. electromagnetic waves), and the term does not distinguish between cases where data is stored semi-permanently or temporarily on the storage medium.
  • the method according to various embodiments disclosed in the present document may be provided as included in a computer program product.
  • the computer program product may be traded between a seller and a buyer as a commodity.
  • the computer program product may be distributed in the form of a machine-readable storage medium (e.g., a compact disc read only memory (CD-ROM)), or may be distributed online (e.g., downloaded or uploaded) via an application store (e.g., Play StoreTM) or directly between two user devices (e.g., smart phones).
  • an application store e.g., Play StoreTM
  • at least a part of the computer program product may be at least temporarily stored or temporarily generated in a machine-readable storage medium, such as a memory of a manufacturer's server, a server of an application store, or an intermediary server.
  • each of the components may include a single or multiple entities, and some of the multiple entities may be separated and placed in other components.
  • one or more of the components or operations of the aforementioned components may be omitted, or one or more other components or operations may be added.
  • the multiple components e.g., modules or programs
  • the integrated component may perform one or more functions of each of the multiple components identically or similarly to those performed by the corresponding component of the multiple components before the integration.
  • the operations performed by the modules, programs or other components may be executed sequentially, in parallel, repeatedly, or heuristically, or one or more of the operations may be executed in a different order, omitted, or one or more other operations may be added.

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Data Mining & Analysis (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Quality & Reliability (AREA)
  • Neurology (AREA)
  • Telephone Function (AREA)
  • Arrangements For Transmission Of Measured Signals (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Evolutionary Biology (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

샘플링 주기가 변경된 데이터를 획득하는 전자 장치 및 그 제어 방법이 개시된다. 본 문서의 일 실시예에 따른 전자 장치는, 적어도 하나의 센서, 메모리, 및 적어도 하나의 프로세서를 포함하고, 상기 메모리는, 실행 시에, 상기 적어도 하나의 프로세서로 하여금, 제1 샘플링 주기로 상기 적어도 하나의 센서를 통해 제1 시간 구간 동안 획득된 제1 데이터 중 제1 시점에 대응하는 데이터의 속성에 대한 정보를 포함하는 제2 데이터를 생성하고, 상기 생성된 제2 데이터를 보간(interpolation)하여, 상기 제1 샘플링 주기와 상이한 샘플링 주기를 가지는 제2 샘플링 주기에 기반한 제3 데이터를 생성하고, 상기 생성된 제3 데이터 중 적어도 하나의 복원 대상 시점에 대응하는 데이터에 가중치를 적용하여 상기 제2 샘플링 주기에 기반한 제4 데이터를 생성하도록 하는 인스트럭션들을 포함할 수 있다.

Description

샘플링 주기가 변경된 데이터를 획득하는 전자 장치 및 그 제어 방법
본 문서는, 샘플링 주기가 변경된 데이터를 획득하는 전자 장치 및 그 제어 방법에 관한 것이다.
전자 장치, 예를 들어, 스마트 폰과 같은 휴대용 전자 장치를 통해 제공되는 다양한 서비스 및 부가 기능들이 점차 증가하고 있다. 이러한 전자 장치의 효용 가치를 높이고, 다양한 사용자들의 욕구를 만족시키기 위해서 통신 서비스 제공자 또는 전자 장치 제조사들은 다양한 기능들을 제공하고 다른 업체와의 차별화를 위해 전자 장치를 경쟁적으로 개발하고 있다. 이에 따라, 전자 장치를 통해서 제공되는 다양한 기능들도 점점 고도화 되고 있다.
시계열 분류(time series classification)는 활동 인식, 전력 사용 모니터링, 제조업에서의 결함 분류 등의 문제에 적극 활용되고 있다. 최근, 방대한 양의 시계열 데이터는 실시간으로 생성/획득되고 있으나, 고해상도의 데이터를 전자 장치의 하드웨어(예: 메모리)에 계속적으로 저장하기에는 한계가 존재한다. 예를 들어, 헬스 케어 분야에서 전자 장치에 사용자 의료 데이터를 저장하는 경우, 전자 장치의 저장 용량 제한으로 센서의 저장 주기가 낮아질 수 있다. 이에 따라, 정확한 시계열 분류에 어려움이 따를 수 있다.
본 문서의 일 실시예에 따르면, 예를 들어, 높은 샘플링 주기에 따른 데이터가 전자 장치에 일부 저장된 상태에서, 적은 양의 높은 샘플링 주기에 따라 획득 및 저장된 데이터와 낮은 샘플링 주기에 따라 획득 및 저장된 대부분의 데이터를 이용하여 시계열 분류를 수행함으로써, 시계열 분류 모델의 성능을 향상시킬 수 있는 전자 장치가 제공될 수 있다.
본 문서의 일 실시예에 따르면, 예를 들어, 높은 샘플링 주기에 따른 데이터가 전자 장치에 일부 저장된 상태에서, 적은 양의 높은 샘플링 주기에 따라 획득 및 저장된 데이터와 낮은 샘플링 주기에 따라 획득 및 저장된 대부분의 데이터를 이용하여 시계열 분류를 수행함으로써, 시계열 분류 모델의 성능을 향상시킬 수 있는 전자 장치의 제어 방법이 제공될 수 있다.
본 문서의 일 실시예에 따른 전자 장치는, 적어도 하나의 센서, 메모리, 및 적어도 하나의 프로세서를 포함하고, 상기 메모리는, 실행 시에, 상기 적어도 하나의 프로세서로 하여금, 제1 샘플링 주기로 상기 적어도 하나의 센서를 통해 제1 시간 구간 동안 획득된 제1 데이터 중 제1 시점에 대응하는 데이터의 속성에 대한 정보를 포함하는 제2 데이터를 생성하고, 상기 제1 시점은 상기 제1 시간 구간에 포함되는 시점이고, 상기 생성된 제2 데이터를 보간(interpolation)하여, 상기 제1 샘플링 주기와 상이한 샘플링 주기를 가지는 제2 샘플링 주기에 기반한 제3 데이터를 생성하고, 상기 생성된 제3 데이터 중 적어도 하나의 복원 대상 시점에 대응하는 데이터에 가중치를 적용하여 상기 제2 샘플링 주기에 기반한 제4 데이터를 생성하도록 하는 인스트럭션들을 포함하고, 상기 가중치는, 상기 적어도 하나의 복원 대상 시점에 대응하는 데이터의 속성과 상기 제1 시간 구간 동안 획득된 상기 제1 데이터 사이의 관련성에 기반하여 결정되고, 및 상기 적어도 하나의 복원 대상 시점에 대응하는 데이터는, 상기 적어도 하나의 센서에 의하여 획득되지 않은 데이터를 포함할 수 있다.
본 문서의 일 실시예에 따른 전자 장치를 제어하는 방법은, 1 샘플링 주기로 상기 전자 장치의 적어도 하나의 센서를 통해 제1 시간 구간 동안 획득된 제1 데이터 중 제1 시점에 대응하는 데이터의 속성에 대한 정보를 포함하는 제2 데이터를 생성하는 동작과, 상기 제1 시점은 상기 제1 시간 구간에 포함되는 시점이고, 상기 생성된 제2 데이터를 보간(interpolation)하여, 상기 제1 샘플링 주기와 상이한 샘플링 주기를 가지는 제2 샘플링 주기에 기반한 제3 데이터를 생성하는 동작과, 상기 생성된 제3 데이터 중 적어도 하나의 복원 대상 시점에 대응하는 데이터에 가중치를 적용하여 상기 제2 샘플링 주기에 기반한 제4 데이터를 생성하는 동작을 포함하고, 상기 가중치는, 상기 복원 대상 시점에 대응하는 데이터의 속성과 상기 제1 시간 구간 동안 획득된 상기 제1 데이터 사이의 관련성에 기반하여 결정되고, 및 상기 복원 대상 시점에 대응하는 데이터는, 상기 적어도 하나의 센서에 의하여 획득되지 않은 데이터를 포함할 수 있다.
도 1은, 본 문서의 다양한 실시 예들에 따른, 네트워크 환경 내의 전자 장치의 블록도이다.
도 2는, 본 문서의 일 실시예에 따라, 샘플링 주기가 변경된 데이터(예: 제4 데이터)를 획득하는 기능 또는 동작을 설명하기 위한 예시 도면이다.
도 3a는, 본 문서의 일 실시예에 따라, 높은 샘플링 주기에 따라 획득된 데이터를 이용하여 재구성 모듈(reconstructor) 및/또는 분류 모듈(classification moduel)을 학습시키는 기능 또는 동작을 설명하기 위한 예시 도면이다.
도 3b는, 본 문서의 일 실시예에 따른 재구성 모듈(reconstructor) 및/또는 분류 모듈(classification moduel)을 이용하여, 샘플링 주기가 변경된 데이터를 획득하고, 샘플링 주기가 변경된 데이터의 클래스를 분류하는 기능 또는 동작을 설명하기 위한 예시 도면이다.
도 4는, 도 3a에서 설명된 기능 또는 동작을 수행하는 프로세스를 나타내는 예시적인 순서도이다.
도 5 및 도 6은, 본 문서의 일 실시예에 따른 재구성 모듈에 포함되는 업 샘플러의 기능 또는 동작을 설명하기 위한 예시 도면들이다.
도 7a는, 종래의 기술에 따라 복원된 복원 대상 시점에서의 데이터가 실제로 측정되었어야 할 데이터와 불일치하는 비교 예를 설명하기 위한 예시 도면이다.
도 7b는, 본 문서의 일 실시예에 따라 복원된 복원 대상 시점에서의 데이터가 실제로 측정되었어야 할 데이터와 실질적으로 일치하는 실시예를 설명하기 위한 예시 도면이다.
도 1은, 다양한 실시예들에 따른, 네트워크 환경(100) 내의 전자 장치(101)의 블록도이다.
도 1을 참조하면, 네트워크 환경(100)에서 전자 장치(101)는 제 1 네트워크(198)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(102)와 통신하거나, 또는 제 2 네트워크(199)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(104) 또는 서버(108) 중 적어도 하나와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 서버(108)를 통하여 전자 장치(104)와 통신할 수 있다. 일실시예에 따르면, 전자 장치(101)는 프로세서(120), 메모리(130), 입력 모듈(150), 음향 출력 모듈(155), 디스플레이 모듈(160), 오디오 모듈(170), 센서 모듈(176), 인터페이스(177), 연결 단자(178), 햅틱 모듈(179), 카메라 모듈(180), 전력 관리 모듈(188), 배터리(189), 통신 모듈(190), 가입자 식별 모듈(196), 또는 안테나 모듈(197)을 포함할 수 있다. 어떤 실시예에서는, 전자 장치(101)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(178))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(176), 카메라 모듈(180), 또는 안테나 모듈(197))은 하나의 구성요소(예: 디스플레이 모듈(160))로 통합될 수 있다.
프로세서(120)는, 예를 들면, 소프트웨어(예: 프로그램(140))를 실행하여 프로세서(120)에 연결된 전자 장치(101)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일실시예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(120)는 다른 구성요소(예: 센서 모듈(176) 또는 통신 모듈(190))로부터 수신된 명령 또는 데이터를 휘발성 메모리(132)에 저장하고, 휘발성 메모리(132)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(134)에 저장할 수 있다. 일실시예에 따르면, 프로세서(120)는 메인 프로세서(121)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(123)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(101)가 메인 프로세서(121) 및 보조 프로세서(123)를 포함하는 경우, 보조 프로세서(123)는 메인 프로세서(121)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(123)는 메인 프로세서(121)와 별개로, 또는 그 일부로서 구현될 수 있다.
보조 프로세서(123)는, 예를 들면, 메인 프로세서(121)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(121)를 대신하여, 또는 메인 프로세서(121)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(121)와 함께, 전자 장치(101)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(160), 센서 모듈(176), 또는 통신 모듈(190))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(180) 또는 통신 모듈(190))의 일부로서 구현될 수 있다. 일실시예에 따르면, 보조 프로세서(123)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다. 인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능 모델이 수행되는 전자 장치(101) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(108))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.
메모리(130)는, 전자 장치(101)의 적어도 하나의 구성요소(예: 프로세서(120) 또는 센서 모듈(176))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(140)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(130)는, 휘발성 메모리(132) 또는 비휘발성 메모리(134)를 포함할 수 있다.
프로그램(140)은 메모리(130)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(142), 미들 웨어(144) 또는 어플리케이션(146)을 포함할 수 있다.
입력 모듈(150)은, 전자 장치(101)의 구성요소(예: 프로세서(120))에 사용될 명령 또는 데이터를 전자 장치(101)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(150)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.
음향 출력 모듈(155)은 음향 신호를 전자 장치(101)의 외부로 출력할 수 있다. 음향 출력 모듈(155)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일실시예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.
디스플레이 모듈(160)은 전자 장치(101)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(160)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일실시예에 따르면, 디스플레이 모듈(160)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.
오디오 모듈(170)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일실시예에 따르면, 오디오 모듈(170)은, 입력 모듈(150)을 통해 소리를 획득하거나, 음향 출력 모듈(155), 또는 전자 장치(101)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(102))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.
센서 모듈(176)은 전자 장치(101)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일실시예에 따르면, 센서 모듈(176)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.
인터페이스(177)는 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일실시예에 따르면, 인터페이스(177)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.
연결 단자(178)는, 그를 통해서 전자 장치(101)가 외부 전자 장치(예: 전자 장치(102))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일실시예에 따르면, 연결 단자(178)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.
햅틱 모듈(179)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일실시예에 따르면, 햅틱 모듈(179)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.
카메라 모듈(180)은 정지 영상 및 동영상을 촬영할 수 있다. 일실시예에 따르면, 카메라 모듈(180)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.
전력 관리 모듈(188)은 전자 장치(101)에 공급되는 전력을 관리할 수 있다. 일실시예에 따르면, 전력 관리 모듈(188)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.
배터리(189)는 전자 장치(101)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일실시예에 따르면, 배터리(189)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.
통신 모듈(190)은 전자 장치(101)와 외부 전자 장치(예: 전자 장치(102), 전자 장치(104), 또는 서버(108)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(190)은 프로세서(120)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일실시예에 따르면, 통신 모듈(190)은 무선 통신 모듈(192)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(194)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(198)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(199)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(104)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(192)은 가입자 식별 모듈(196)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크 내에서 전자 장치(101)를 확인 또는 인증할 수 있다.
무선 통신 모듈(192)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(192)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(192)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(192)은 전자 장치(101), 외부 전자 장치(예: 전자 장치(104)) 또는 네트워크 시스템(예: 제 2 네트워크(199))에 규정되는 다양한 요구사항을 지원할 수 있다. 일실시예에 따르면, 무선 통신 모듈(192)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.
안테나 모듈(197)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일실시예에 따르면, 안테나 모듈(197)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제 1 네트워크(198) 또는 제 2 네트워크(199)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(190)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(190)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(197)의 일부로 형성될 수 있다.
다양한 실시예에 따르면, 안테나 모듈(197)은 mmWave 안테나 모듈을 형성할 수 있다. 일실시예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제 1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제 2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.
상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.
일실시예에 따르면, 명령 또는 데이터는 제 2 네트워크(199)에 연결된 서버(108)를 통해서 전자 장치(101)와 외부의 전자 장치(104)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(102, 또는 104) 각각은 전자 장치(101)와 동일한 또는 다른 종류의 장치일 수 있다. 일실시예에 따르면, 전자 장치(101)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(102, 104, 또는 108) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(101)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(101)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(101)로 전달할 수 있다. 전자 장치(101)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(101)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시예에 있어서, 외부의 전자 장치(104)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(108)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일실시예에 따르면, 외부의 전자 장치(104) 또는 서버(108)는 제 2 네트워크(199) 내에 포함될 수 있다. 전자 장치(101)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.
도 2는, 본 문서의 일 실시예에 따라, 샘플링 주기가 변경된 데이터(예: 제4 데이터)를 획득하는 기능 또는 동작을 설명하기 위한 예시 도면이다. 도 3b는, 본 문서의 일 실시예에 따른 재구성 모듈(reconstructor) 및/또는 분류 모듈(classification moduel)을 이용하여, 샘플링 주기가 변경된 데이터를 획득하고, 샘플링 주기가 변경된 데이터의 클래스를 분류하는 기능 또는 동작을 설명하기 위한 예시 도면이다. 도 5 및 도 6은, 본 문서의 일 실시예에 따른 재구성 모듈(310)에 포함되는 업 샘플러(314)의 기능 또는 동작을 설명하기 위한 예시 도면들이다.
도 2 및 도 3b를 참조하면, 본 문서의 일 실시예에 따른 전자 장치(101)(예: 프로세서(120))는, 동작 210에서, 제1 샘플링 주기(예: 낮은 샘플링 주기로서, 예시적으로 1분)로 적어도 하나의 센서(예: 도 1의 센서 모듈(176))를 통해 제1 시간 구간(예: 30분)동안 획득된 제1 데이터(예: 사용자의 심박수 데이터) 중 제1 시점에 대응하는 데이터(예: 심박수 데이터를 최초 획득한 후 40분이 경과된 시점의 심박수 데이터)의 속성에 대한 정보를 포함하는 제2 데이터를 생성할 수 있다. 본 문서의 일 실시예에 따른 제1 데이터는, 예를 들어, 도 6에서 도시된 데이터
Figure PCTKR2024007175-appb-img-000001
, 데이터
Figure PCTKR2024007175-appb-img-000002
, 또는 데이터
Figure PCTKR2024007175-appb-img-000003
중 적어도 하나의 데이터와 대응될 수 있다. 본 문서의 일 실시예에 따른 제2 데이터는, 예를 들어, 도 6에 도시된 데이터
Figure PCTKR2024007175-appb-img-000004
와 대응될 수 있다. 본 문서의 일 실시예에 따른 속성은, 예를 들어, 제1 시점을 기준으로 지정된 시간 구간(예: 40분을 중심으로 하여 전 후 10분 사이의 구간) 동안의 제1 데이터의 트렌드 정보(예: 데이터 값이 증가하는지 또는 감소하는지 여부에 대한 정보), 제1 시점을 기준으로 지정된 시간 구간(예: 40분을 중심으로 하여 전 후 10분 사이의 구간) 동안의 제1 데이터의 위상 정보(예: 사인(sine) 함수 파형인지 여부) 및/또는 제1 시점을 기준으로 지정된 시간 구간(예: 40분을 중심으로 하여 전 후 10분 사이의 구간) 동안에 획득된 데이터 중 업 샘플링에 불필요하다고 판단되는 데이터에 대한 정보(예: 노이즈에 대한 정보)를 포함할 수 있다. 본 문서의 일 실시예에 따른 제1 데이터를 제2 데이터로 변환하는 기능 또는 동작은, 본 문서의 일 실시예에 따른 재구성 모듈(310)에 포함된 인코더(312)에 의하여 수행될 수 있다. 본 문서의 일 실시예에 따른 인코더(312)는, 제1 데이터의 속성과 관련된 정보를 포함하는 제2 데이터를 생성할 수 있다. 본 문서의 일 실시예예 따른 인코더(312)는, 선택적으로, 적어도 하나의 어텐션 레이어(attention layer) 및/또는 컨볼루션 레이어(convolution layer)를 포함할 수 있다. 본 문서의 일 실시예에 따른 제1 데이터의 샘플링 주기와 제2 데이터의 샘플링 주기는 서로 실질적으로 동일한 샘플링 주기(예: 1분)를 가질 수 있다.
본 문서의 일 실시예에 따른 전자 장치(101)(예: 프로세서(120))는, 동작 220에서, 동작 210에 따라 생성된 제2 데이터를 보간(interpolation)하여, 제1 샘플링 주기(예: 1분)와 상이한 샘플링 주기를 가지는 제2 샘플링 주기(예: 10초)에 기반한 제3 데이터를 생성할 수 있다. 본 문서의 일 실시예예 따른 동작 220은, 예를 들어, 프로세서(120)에 포함되는 재구성 모듈(310)에 의해 수행될 수 있다. 본 문서의 일 실시예 따른 제3 데이터는, 예를 들어, 도 6에 도시된 데이터
Figure PCTKR2024007175-appb-img-000005
와 대응될 수 있다. 본 문서의 일 실시예에 따른 동작 220은, 프로세서(120)에 포함되는 인코더(312) 및/또는 업 샘플러(314)에 의하여 수행될 수 있다.
본 문서의 일 실시예에 따른 전자 장치(101)(예: 프로세서(120))는, 동작 230에서, 동작 220에 따라 생성된 제3 데이터(예: 데이터
Figure PCTKR2024007175-appb-img-000006
) 중 적어도 하나의 복원 대상 시점(예: 데이터 획득 후 40분 30초가 경과한 시점)에 대응하는 데이터(예: 복원 대상 시점에서의 데이터로서, 적어도 하나의 센서(예: 센서 모듈(176))에 의하여 획득되지 않은 데이터)에 가중치를 적용하여 제2 샘플링 주기에 기반한 제4 데이터를 생성할 수 있다. 본 문서의 일 실시예에 따른 제4 데이터는, 예를 들어, 도 6에 도시된 데이터
Figure PCTKR2024007175-appb-img-000007
와 대응될 수 있다. 본 문서의 일 실시예에 따른 업 샘플러(314)가 가중치를 적용하여 제4 데이터를 생성하는 기능 또는 동작에 대해서는 도 5 및 도 6을 참조하여 보다 상세하게 설명하기로 한다.
도 5를 참조하면, 본 문서의 일 실시예에 따른 전자 장치(101)(예: 업 샘플러(314))는, 동작 510에서, 보간된 데이터(예: 제2 데이터) 중, 복원 대상 시점(예: 데이터가 최초로 획득된 시점으로부터 40분 10초, 40분 20초, 40분 30초, 40분 40초 및 40분 50초가 각각 경과한 시점)에 대한 트렌드 및 위상 정보를 획득할 수 있다. 본 문서의 일 실시예에 따른 트렌드 및 위상 정보는, 업 샘플러(314)에 포함되는 적어도 하나의 어텐션 레이어(314b)의 입력(예: Q)으로서 입력될 수 있다. 본 문서의 일 실시예에 따른 전자 장치(101)(예: 업 샘플러(314))는, 동작 520에서, 보간된 데이터(예: 데이터
Figure PCTKR2024007175-appb-img-000008
)의 전체 시간 구간(예: 50분) 에 대한 트렌드 및 위상 정보를 획득할 수 있다. 본 문서의 일 실시예에 따른 트렌드 및 위상 정보는, 업 샘플러(314)에 포함되는 적어도 하나의 어텐션 레이어(314b)의 입력(예: K)으로서 입력될 수 있다. 본 문서의 일 실시예에 따른 전자 장치(101)(예: 업 샘플러(314))는, 동작 530에서, 보간된 데이터(예: 데이터
Figure PCTKR2024007175-appb-img-000009
)의 정보를 획득할 수 있다. 본 문서의 일 실시예에 따른 보간된 데이터(예: 데이터
Figure PCTKR2024007175-appb-img-000010
)의 정보는, 업 샘플러(314)에 포함되는 적어도 하나의 어텐션 레이어(314b)의 입력(예: V)으로서 입력될 수 있다. 본 문서의 일 실시예에 따른 전자 장치(101)(예: 업 샘플러(314))는, 동작 540에서, 동작 510 및 동작 520에 따라 획득된 트렌드 및 위상 정보를 비교하여, 보간된 데이터(예: 데이터
Figure PCTKR2024007175-appb-img-000011
)에 가중치를 적용할 수 있다. 예를 들면, 복원 대상 시점(예: 데이터가 최초로 획득된 시점으로부터 40분 10초, 40분 20초, 40분 30초, 40분 40초 및 40분 50초가 각각 경과한 시점)에 대한 각각의 트렌드 및 위상 정보가 이미 획득되어 보간된 데이터(예: 데이터
Figure PCTKR2024007175-appb-img-000012
)의 특정한 시간 구간에서의 트렌드 및 위상 정보와 관련성이 있다고 판단된 경우(예: 트렌드 및 위상 정보가 오차 범위 내에서 서로 유사하다고 판단된 경우), 본 문서의 일 실시예에 따른 전자 장치(101)는, 복원 대상 시점(예: 데이터가 최초로 획득된 시점으로부터 40분 10초, 40분 20초, 40분 30초, 40분 40초 및 40분 50초가 각각 경과한 시점)에 대응하는 데이터에 높은 가중치를 부여하여 복원 대상 시점에 대응하는 데이터를 생성(예: 복원)할 수 있다. 본 문서의 일 실시예에 따른 업 샘플러(314)는, 적어도 하나의 Fully Connected Layer(314a), 적어도 하나의 어텐션 레이어(314b) 및/또는 적어도 하나의 컨볼루션 레이어(314c)를 포함할 수 있다.
본 문서의 일 실시예에 따른 전자 장치(101)(예: 프로세서(120))는, 업 샘플링된 데이터(예: 데이터
Figure PCTKR2024007175-appb-img-000013
)를 이용하여 시계열 분류를 수행할 수 있다. 본 문서의 일 실시예에 따른 시계열 분류는, 프로세서(120)에 포함되는 분류 모듈(320)에 의하여 수행될 수 있다. 다시 도 3b를 참조하면, 본 문서의 일 실시예에 따른 전자 장치(101)(예: 프로세서(120))는, 재구성 모듈(310)에 대한 입력으로서, 제1 데이터(예: 데이터
Figure PCTKR2024007175-appb-img-000014
, 및/또는 데이터
Figure PCTKR2024007175-appb-img-000015
)를 재구성 모듈(310)로 입력할 수 있다. 본 문서의 일 실시예에 따른 제1 데이터(예: 데이터
Figure PCTKR2024007175-appb-img-000016
)는, 데이터
Figure PCTKR2024007175-appb-img-000017
가 재구성 모듈(310)을 거쳐 업 샘플링 되어 출력된 결과 값을 다운 샘플링 한 데이터를 의미할 수 있다. 본 문서의 일 실시예에 따른 전자 장치(101)(예: 프로세서(120))는, 재구성 모듈(310)을 거친 출력 데이터를 분류 모듈(320)에 입력할 수 있다. 본 문서의 일 실시예에 따른 전자 장치(101)(예: 프로세서(120))는, 분류 모듈(320)에 입력된 데이터의 클래스를 분류할 수 있다. 본 문서의 일 실시예에 따른 전자 장치(101)(예: 프로세서(120))는, 분류 모듈(320)에 입력된 데이터의 타입이 2 이상인 경우(예: 샘플링 주기 및/또는 위상이 서로 상이한 데이터가 분류 모듈(320)에 입력된 경우), 일관성 규제 기술을 이용하여 분류 모듈(320)에 입력된 데이터의 오차를 보정함으로써 분류 모듈(320)에 입력된 서로 상이한 샘플링 주기 및/또는 위상을 가지는 데이터가 동일한 클래스로 분류되도록 분류 모듈(320)을 제어할 수 있다. 본 문서의 일 실시예에 따른 분류 모듈(320)은 이와 같은 기능 또는 동작을 통하여 특정한 주기 및/또는 위상에 대한 클래스를 학습할 수 있으며, 이와 같은 학습의 결과는, 이후에 분류 모듈(320)에 입력되는 데이터에 적용될 수 있다.
도 3a는, 본 문서의 일 실시예에 따라, 높은 샘플링 주기에 따라 획득된 데이터를 이용하여 재구성 모듈(reconstructor) 및/또는 분류 모듈(classification module)을 학습시키는 기능 또는 동작을 설명하기 위한 예시 도면이다. 도 4는, 도 3a에서 설명된 기능 또는 동작을 수행하는 프로세스를 나타내는 예시적인 순서도이다.
도 3a 및 도 4를 참조하면, 본 문서의 일 실시예에 따른 전자 장치(101)(예: 프로세서(120))는, 동작 410에서, 높은 샘플링 주기에 기반하여 획득된 데이터(예:
Figure PCTKR2024007175-appb-img-000018
)를 이용하여 재구성 모듈(310) 및/또는 분류 모듈(320)을 학습시킬 수 있다. 본 문서의 일 실시예에 따른 전자 장치(101)(예: 프로세서(120))는, 동작 420에서, 동작 410에 따른 학습의 결과를 이용하여 복원된 데이터를 생성 및/또는 분류할 수 있다. 본 문서의 일 실시예에 따른 전자 장치(101)는, 높은 샘플링 주기에 기반하여 획득된 데이터(예:
Figure PCTKR2024007175-appb-img-000019
)를 다운 샘플링하여 하나 이상의 다운 샘플링된 데이터(예:
Figure PCTKR2024007175-appb-img-000020
,
Figure PCTKR2024007175-appb-img-000021
)를 생성할 수 있다. 본 문서의 일 실시예에 따른 전자 장치(101)는, 하나 이상의 다운 샘플링된 데이터(예:
Figure PCTKR2024007175-appb-img-000022
,
Figure PCTKR2024007175-appb-img-000023
)를 재구성 모듈(310)로 입력하여, 출력 데이터(예:
Figure PCTKR2024007175-appb-img-000024
,
Figure PCTKR2024007175-appb-img-000025
)를 획득할 수 있다. 본 문서의 일 실시예에 따른 전자 장치(101)는, 높은 샘플링 주기에 기반하여 획득된 데이터(예:
Figure PCTKR2024007175-appb-img-000026
)와 출력 데이터(예:
Figure PCTKR2024007175-appb-img-000027
)를 서로 비교할 수 있다. 본 문서의 일 실시예에 따른 전자 장치(101)(예: 재구성 모듈(310))는, 높은 샘플링 주기에 기반하여 획득된 데이터(예:
Figure PCTKR2024007175-appb-img-000028
)와 출력 데이터(예:
Figure PCTKR2024007175-appb-img-000029
)를 서로 비교한 결과(예: 데이터의 유사 정도)를 이용하여 학습될 수 있다. 예를 들어, 데이터의 유사 정도가 미리 지정된 오차 범위 내에 포함되는 경우, 업 샘플링이 적절하게 수행되고 있다고 학습(예: 판단)될 수 있다. 또는, 데이터의 유사 정도가 미리 지정된 오차 범위를 초과하는 경우, 본 문서의 일 실시예에 따른 전자 장치(101)는, 재구성 모듈(310)에 대해 높은 샘플링 주기에 기반하여 획득된 데이터(예:
Figure PCTKR2024007175-appb-img-000030
)와 출력 데이터(예:
Figure PCTKR2024007175-appb-img-000031
) 사이의 평균 제곱 오차를 감소시키는 방향으로 재구성 모듈(310)을 학습시킬 수 있다. 본 문서의 일 실시예에 따른 전자 장치(101)(예: 프로세서(120))는, 분류 모듈(320)에 입력된 데이터의 클래스를 분류할 수 있다. 본 문서의 일 실시예에 따른 전자 장치(101)(예: 프로세서(120))는, 분류 모듈(320)에 입력된 데이터의 타입이 2 이상인 경우(예:
Figure PCTKR2024007175-appb-img-000032
,
Figure PCTKR2024007175-appb-img-000033
가 입력된 경우), 일관성 규제 기술을 이용하여 분류 모듈(320)에 입력된 데이터의 오차를 보정함으로써 분류 모듈(320)에 입력된 서로 상이한 샘플링 주기 및/또는 위상을 가지는 데이터가 동일한 클래스로 분류되도록 분류 모듈(320)을 제어할 수 있다. 본 문서의 일 실시예에 따른 분류 모듈(320)은 이와 같은 기능 또는 동작을 통하여 특정한 주기 및/또는 위상에 대한 클래스를 학습할 수 있으며, 이와 같은 학습의 결과는, 이후에 분류 모듈(320)에 입력되는 데이터에 적용될 수 있다.
도 7a는, 종래의 기술에 따라 복원된 복원 대상 시점(730)에서의 데이터가 실제로 측정되었어야 할 데이터(710)와 불일치하는 비교 예를 설명하기 위한 예시 도면이다. 도 7b는, 본 문서의 일 실시예에 따라 복원된 복원 대상 시점(730)에서의 데이터가 실제로 측정되었어야 할 데이터(710)와 실질적으로 일치하는 실시예를 설명하기 위한 예시 도면이다.
도 7a를 참조하면, 종래의 기술에 따른 경우, 복원된 복원 대상 시점(730)에서의 데이터가 실제로 측정되었어야 할 데이터(710)와 불일치하여, 정확한 클래스 분류가 수행되지 못하는 비교 예가 도시된다. 그러나, 도 7b를 참조하면, 본 문서의 일 실시예에 따라, 낮은 샘플링 주기로 획득된 데이터(720)를 기반으로 복원된 복원 대상 시점(730)에서의 데이터가 실제로 측정되었어야 할 데이터(710)와 실질적으로 일치하는 실시예가 도시된다. 이와 같이, 본 문서의 다양한 실시예들에 따르면, 복원된 데이터를 이용하여 정확한 시계열 분류가 수행될 수 있다.
본 문서의 일 실시예에 따른 전자 장치(예: 도 1의 전자 장치(101))는, 적어도 하나의 센서(예: 도 1의 센서 모듈(176)), 메모리, 및 적어도 하나의 프로세서(예: 도 1의 프로세서(120))를 포함하고, 상기 메모리는, 실행 시에, 상기 적어도 하나의 프로세서로 하여금, 제1 샘플링 주기로 상기 적어도 하나의 센서를 통해 제1 시간 구간 동안 획득된 제1 데이터 중 제1 시점에 대응하는 데이터의 속성에 대한 정보를 포함하는 제2 데이터를 생성하고, 상기 제1 시점은 상기 제1 시간 구간에 포함되는 시점이고, 상기 생성된 제2 데이터를 보간(interpolation)하여, 상기 제1 샘플링 주기와 상이한 샘플링 주기를 가지는 제2 샘플링 주기에 기반한 제3 데이터를 생성하고, 상기 생성된 제3 데이터 중 적어도 하나의 복원 대상 시점에 대응하는 데이터에 가중치를 적용하여 상기 제2 샘플링 주기에 기반한 제4 데이터를 생성하도록 하는 인스트럭션들을 포함하고, 상기 가중치는, 상기 적어도 하나의 복원 대상 시점에 대응하는 데이터의 속성과 상기 제1 시간 구간 동안 획득된 상기 제1 데이터 사이의 관련성에 기반하여 결정되고, 및 상기 적어도 하나의 복원 대상 시점에 대응하는 데이터는, 상기 적어도 하나의 센서에 의하여 획득되지 않은 데이터를 포함할 수 있다.
본 문서의 일 실시예에 따른 전자 장치를 제어하는 방법은, 1 샘플링 주기로 상기 전자 장치의 적어도 하나의 센서를 통해 제1 시간 구간 동안 획득된 제1 데이터 중 제1 시점에 대응하는 데이터의 속성에 대한 정보를 포함하는 제2 데이터를 생성하는 동작과, 상기 제1 시점은 상기 제1 시간 구간에 포함되는 시점이고, 상기 생성된 제2 데이터를 보간(interpolation)하여, 상기 제1 샘플링 주기와 상이한 샘플링 주기를 가지는 제2 샘플링 주기에 기반한 제3 데이터를 생성하는 동작과, 상기 생성된 제3 데이터 중 적어도 하나의 복원 대상 시점에 대응하는 데이터에 가중치를 적용하여 상기 제2 샘플링 주기에 기반한 제4 데이터를 생성하는 동작을 포함하고, 상기 가중치는, 상기 복원 대상 시점에 대응하는 데이터의 속성과 상기 제1 시간 구간 동안 획득된 상기 제1 데이터 사이의 관련성에 기반하여 결정되고, 및 상기 복원 대상 시점에 대응하는 데이터는, 상기 적어도 하나의 센서에 의하여 획득되지 않은 데이터를 포함할 수 있다.
본 문서에 개시된 다양한 실시예들에 따른 전자 장치는 다양한 형태의 장치가 될 수 있다. 전자 장치는, 예를 들면, 휴대용 통신 장치(예: 스마트 폰), 컴퓨터 장치, 휴대용 멀티미디어 장치, 휴대용 의료 기기, 카메라, 웨어러블 장치, 또는 가전 장치를 포함할 수 있다. 본 문서의 실시예에 따른 전자 장치는 전술한 기기들에 한정되지 않는다.
본 문서의 다양한 실시예들 및 이에 사용된 용어들은 본 문서에 기재된 기술적 특징들을 특정한 실시예들로 한정하려는 것이 아니며, 해당 실시예의 다양한 변경, 균등물, 또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 또는 관련된 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 아이템에 대응하는 명사의 단수 형은 관련된 문맥상 명백하게 다르게 지시하지 않는 한, 상기 아이템 한 개 또는 복수 개를 포함할 수 있다. 본 문서에서, "A 또는 B", "A 및 B 중 적어도 하나", "A 또는 B 중 적어도 하나", "A, B 또는 C", "A, B 및 C 중 적어도 하나", 및 "A, B, 또는 C 중 적어도 하나"와 같은 문구들 각각은 그 문구들 중 해당하는 문구에 함께 나열된 항목들 중 어느 하나, 또는 그들의 모든 가능한 조합을 포함할 수 있다. "제 1", "제 2", 또는 "첫째" 또는 "둘째"와 같은 용어들은 단순히 해당 구성요소를 다른 해당 구성요소와 구분하기 위해 사용될 수 있으며, 해당 구성요소들을 다른 측면(예: 중요성 또는 순서)에서 한정하지 않는다. 어떤(예: 제 1) 구성요소가 다른(예: 제 2) 구성요소에, "기능적으로" 또는 "통신적으로"라는 용어와 함께 또는 이런 용어 없이, "커플드" 또는 "커넥티드"라고 언급된 경우, 그것은 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로(예: 유선으로), 무선으로, 또는 제 3 구성요소를 통하여 연결될 수 있다는 것을 의미한다.
본 문서의 다양한 실시예들에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구현된 유닛을 포함할 수 있으며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로와 같은 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는, 상기 부품의 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 일실시예에 따르면, 모듈은 ASIC(application-specific integrated circuit)의 형태로 구현될 수 있다.
본 문서의 다양한 실시예들은 기기(machine)(예: 전자 장치(2501)) 의해 읽을 수 있는 저장 매체(storage medium)(예: 내장 메모리(2536) 또는 외장 메모리(2538))에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어(예: 프로그램(2540))로서 구현될 수 있다. 예를 들면, 기기(예: 전자 장치(2501))의 프로세서는, 저장 매체로부터 저장된 하나 이상의 명령어들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 상기 호출된 적어도 하나의 명령어에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 상기 하나 이상의 명령어들은 컴파일러에 의해 생성된 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장 매체는, 비일시적(non-transitory) 저장 매체의 형태로 제공될 수 있다. 여기서, '비일시적'은 저장 매체가 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장 매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다.
일 실시예에 따르면, 본 문서에 개시된 다양한 실시예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory(CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 또는 두 개의 사용자 장치들(예: 스마트 폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
본 문서의 일 실시예에 따르면, 상기 기술한 구성요소들의 각각의 구성요소(예: 모듈 또는 프로그램)는 단수 또는 복수의 개체를 포함할 수 있으며, 복수의 개체 중 일부는 다른 구성요소에 분리 배치될 수도 있다. 본 문서의 일 실시예에 따르면, 전술한 해당 구성요소들 중 하나 이상의 구성요소들 또는 동작들이 생략되거나, 또는 하나 이상의 다른 구성요소들 또는 동작들이 추가될 수 있다. 대체적으로 또는 추가적으로, 복수의 구성요소들(예: 모듈 또는 프로그램)은 하나의 구성요소로 통합될 수 있다. 이런 경우, 통합된 구성요소는 상기 복수의 구성요소들 각각의 구성요소의 하나 이상의 기능들을 상기 통합 이전에 상기 복수의 구성요소들 중 해당 구성요소에 의해 수행되는 것과 동일 또는 유사하게 수행할 수 있다. 본 문서의 일 실시예에 따르면, 모듈, 프로그램 또는 다른 구성요소에 의해 수행되는 동작들은 순차적으로, 병렬적으로, 반복적으로, 또는 휴리스틱하게 실행되거나, 상기 동작들 중 하나 이상이 다른 순서로 실행되거나, 생략되거나, 또는 하나 이상의 다른 동작들이 추가될 수 있다.

Claims (15)

  1. 전자 장치에 있어서,
    적어도 하나의 센서,
    메모리, 및
    적어도 하나의 프로세서를 포함하고,
    상기 메모리는, 상기 적어도 하나의 프로세서에 의해 실행 시에, 상기 전자 장치로 하여금,
    제1 샘플링 주기로 상기 적어도 하나의 센서를 통해 제1 시간 구간 동안 획득된 제1 데이터 중 제1 시점에 대응하는 데이터의 속성에 대한 정보를 포함하는 제2 데이터를 생성하고, 상기 제1 시점은 상기 제1 시간 구간에 포함되는 시점이고,
    상기 생성된 제2 데이터를 보간(interpolation)하여, 상기 제1 샘플링 주기와 상이한 샘플링 주기를 가지는 제2 샘플링 주기에 기반한 제3 데이터를 생성하고,
    상기 생성된 제3 데이터 중 적어도 하나의 복원 대상 시점에 대응하는 데이터에 가중치를 적용하여 상기 제2 샘플링 주기에 기반한 제4 데이터를 생성하도록 하는 인스트럭션들을 포함하고,
    상기 가중치는, 상기 적어도 하나의 복원 대상 시점에 대응하는 데이터의 속성과 상기 제1 시간 구간 동안 획득된 상기 제1 데이터 사이의 관련성에 기반하여 결정되고, 및
    상기 적어도 하나의 복원 대상 시점에 대응하는 데이터는, 상기 적어도 하나의 센서에 의하여 획득되지 않은 데이터인 것을 특징으로 하는, 전자 장치.
  2. 제1항에 있어서,
    상기 속성은, 상기 제1 시점에 대응하는 데이터의 트렌드 정보 및/또는 주기성 정보를 포함하는 것을 특징으로 하는, 전자 장치.
  3. 제1항 또는 제2항에 있어서,
    상기 메모리는, 실행 시에, 상기 적어도 하나의 프로세서로 하여금,
    상기 제1 샘플링 주기보다 짧은 샘플링 주기를 가지는 제3 샘플링 주기에 기반한 데이터를 다운 샘플링하여 학습을 수행하도록 하는 인스트럭션을 더 포함하는 것을 특징으로 하는, 전자 장치.
  4. 제1항 내지 제3항 중 어느 한 항에 있어서,
    상기 전자 장치는, 상기 제4 데이터의 클래스를 분류하도록 설정된 분류 모듈(classification module)을 더 포함하고,
    상기 메모리는, 실행 시에, 상기 적어도 하나의 프로세서로 하여금,
    상기 다운 샘플링 된 데이터가 상기 분류 모듈에 의해 분류된 결과들의 오차를 보정함으로써 상기 분류 모듈을 학습시키는 인스트럭션을 더 포함하는 것을 특징으로 하는, 전자 장치.
  5. 제1항 내지 제4항 중 어느 한 항에 있어서,
    상기 관련성은, 상기 복원 대상 시점에 대응하는 데이터의 속성 및 상기 제1 시간 구간 동안 획득된 상기 제1 데이터가 어텐션 레이어(attention layer)를 거쳐 출력된 결과에 기반하여 결정되는 것을 특징으로 하는, 전자 장치.
  6. 제1항 내지 제5항 중 어느 한 항에 있어서,
    상기 제2 샘플링 주기는, 상기 제1 샘플링 주기보다 짧은 샘플링 주기를 가지는 것을 특징으로 하는, 전자 장치.
  7. 제1항 내지 제6항 중 어느 한 항에 있어서,
    상기 복원 대상 시점은, 상기 제1 시간 주기에 포함되는 시점인 것을 특징으로 하는, 전자 장치.
  8. 제1항 내지 제7항 중 어느 한 항에 있어서,
    상기 메모리는, 실행 시에, 상기 적어도 하나의 프로세서로 하여금,
    상기 어텐션 레이어의 결과에 상기 제3 데이터를 컨볼루션하여 상기 제4 데이터를 생성하도록 하는 인스트럭션을 더 포함하는 것을 특징으로 하는, 전자 장치.
  9. 제1항 내지 제8항 중 어느 한 항에 있어서,
    상기 메모리는, 실행 시에, 상기 적어도 하나의 프로세서로 하여금,
    상기 분류 모듈을 이용하여 상기 제4 데이터의 클래스를 분류하도록 하는 인스트럭션을 더 포함하는 것을 특징으로 하는, 전자 장치.
  10. 제1항 내지 제9항 중 어느 한 항에 있어서,
    상기 전자 장치는, 상기 제2 데이터를 생성하는 인코더를 더 포함하고,
    상기 인코더는, 상기 어텐션 레이어와 컨볼루션 레이어를 포함하는 것을 특징으로 하는, 전자 장치.
  11. 방법에 있어서,
    제1 샘플링 주기로 전자 장치의 적어도 하나의 센서를 통해 제1 시간 구간 동안 획득된 제1 데이터 중 제1 시점에 대응하는 데이터의 속성에 대한 정보를 포함하는 제2 데이터를 생성하는 동작과, 상기 제1 시점은 상기 제1 시간 구간에 포함되는 시점이고,
    상기 생성된 제2 데이터를 보간(interpolation)하여, 상기 제1 샘플링 주기와 상이한 샘플링 주기를 가지는 제2 샘플링 주기에 기반한 제3 데이터를 생성하는 동작과,
    상기 생성된 제3 데이터 중 적어도 하나의 복원 대상 시점에 대응하는 데이터에 가중치를 적용하여 상기 제2 샘플링 주기에 기반한 제4 데이터를 생성하는 동작을 포함하고,
    상기 가중치는, 상기 복원 대상 시점에 대응하는 데이터의 속성과 상기 제1 시간 구간 동안 획득된 상기 제1 데이터 사이의 관련성에 기반하여 결정되고, 및
    상기 복원 대상 시점에 대응하는 데이터는, 상기 적어도 하나의 센서에 의하여 획득되지 않은 데이터인 것을 특징으로 하는, 방법.
  12. 제11항에 있어서,
    상기 속성은, 상기 제1 시점에 대응하는 데이터의 트렌드 정보 및/또는 주기성 정보를 포함하는 것을 특징으로 하는, 방법.
  13. 제11항 또는 제12항에 있어서,
    상기 제1 샘플링 주기보다 짧은 샘플링 주기를 가지는 제3 샘플링 주기에 기반한 데이터를 다운 샘플링하여 학습을 수행하는 동작을 더 포함하는 것을 특징으로 하는, 방법.
  14. 제11항 내지 제13항 중 어느 한 항에 있어서,
    상기 전자 장치는, 상기 제4 데이터의 클래스를 분류하도록 설정된 분류 모듈(classification module)을 더 포함하고,
    상기 전자 장치를 제어하는 방법은, 상기 다운 샘플링 된 데이터가 상기 분류 모듈에 의해 분류된 결과들의 오차를 보정함으로써 상기 분류 모듈을 학습시키는 동작을 더 포함하는 것을 특징으로 하는, 방법.
  15. 제11항 내지 제14항 중 어느 한 항에 있어서,
    상기 관련성은, 상기 복원 대상 시점에 대응하는 데이터의 속성 및 상기 제1 시간 구간 동안 획득된 상기 제1 데이터가 어텐션 레이어(attention layer)를 거쳐 출력된 결과에 기반하여 결정되는 것을 특징으로 하는, 방법.
PCT/KR2024/007175 2023-06-29 2024-05-27 샘플링 주기가 변경된 데이터를 획득하는 전자 장치 및 그 제어 방법 Ceased WO2025005491A1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
EP24832274.5A EP4730165A1 (en) 2023-06-29 2024-05-27 Electronic device for obtaining data having changed sampling period, and control method therefor
CN202480043717.6A CN121511453A (zh) 2023-06-29 2024-05-27 用于获得具有改变的采样周期的数据的电子设备及其控制方法
US19/433,602 US20260119610A1 (en) 2023-06-29 2025-12-26 Electronic device for obtaining data having changed sampling period, and control method therefor

Applications Claiming Priority (4)

Application Number Priority Date Filing Date Title
KR10-2023-0084455 2023-06-29
KR20230084455 2023-06-29
KR1020230088422A KR20250001814A (ko) 2023-06-29 2023-07-07 샘플링 주기가 변경된 데이터를 획득하는 전자 장치 및 그 제어 방법
KR10-2023-0088422 2023-07-07

Related Child Applications (1)

Application Number Title Priority Date Filing Date
US19/433,602 Continuation US20260119610A1 (en) 2023-06-29 2025-12-26 Electronic device for obtaining data having changed sampling period, and control method therefor

Publications (1)

Publication Number Publication Date
WO2025005491A1 true WO2025005491A1 (ko) 2025-01-02

Family

ID=93938862

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2024/007175 Ceased WO2025005491A1 (ko) 2023-06-29 2024-05-27 샘플링 주기가 변경된 데이터를 획득하는 전자 장치 및 그 제어 방법

Country Status (4)

Country Link
US (1) US20260119610A1 (ko)
EP (1) EP4730165A1 (ko)
CN (1) CN121511453A (ko)
WO (1) WO2025005491A1 (ko)

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2021140303A (ja) * 2020-03-03 2021-09-16 トヨタ自動車株式会社 学習方法、学習システム及び学習プログラム
US20220230067A1 (en) * 2019-10-04 2022-07-21 Ntt Communications Corporation Learning device, learning method, and learning program
JP2022171732A (ja) * 2022-03-31 2022-11-11 ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド 信号サンプリング品質の判定方法および装置、サンプリング品質分類モデルのトレーニング方法および装置、電子機器、記憶媒体並びにコンピュータプログラム
US20220379492A1 (en) * 2019-11-20 2022-12-01 Hitachi, Ltd. Information processing device and information processing method
KR20230057327A (ko) * 2021-05-12 2023-04-28 네이버클라우드 주식회사 시계열 기반 이상 탐지 방법 및 시스템

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20220230067A1 (en) * 2019-10-04 2022-07-21 Ntt Communications Corporation Learning device, learning method, and learning program
US20220379492A1 (en) * 2019-11-20 2022-12-01 Hitachi, Ltd. Information processing device and information processing method
JP2021140303A (ja) * 2020-03-03 2021-09-16 トヨタ自動車株式会社 学習方法、学習システム及び学習プログラム
KR20230057327A (ko) * 2021-05-12 2023-04-28 네이버클라우드 주식회사 시계열 기반 이상 탐지 방법 및 시스템
JP2022171732A (ja) * 2022-03-31 2022-11-11 ベイジン バイドゥ ネットコム サイエンス テクノロジー カンパニー リミテッド 信号サンプリング品質の判定方法および装置、サンプリング品質分類モデルのトレーニング方法および装置、電子機器、記憶媒体並びにコンピュータプログラム

Also Published As

Publication number Publication date
CN121511453A (zh) 2026-02-10
US20260119610A1 (en) 2026-04-30
EP4730165A1 (en) 2026-04-22

Similar Documents

Publication Publication Date Title
US12418700B2 (en) Electronic device for providing content recommendation service, and method therefor
US20220343106A1 (en) Electronic device for processing data based on artificial intelligence model and method for operating the same
WO2025005491A1 (ko) 샘플링 주기가 변경된 데이터를 획득하는 전자 장치 및 그 제어 방법
US12088921B2 (en) Electronic device for reducing low-light noise and method for operating the same
EP4394568A1 (en) Method for displaying execution screen of application, and electronic device for supporting same
WO2024172288A1 (ko) 가상 현실 상에서 공연 콘텐트를 제공하는 전자 장치 및 그 제어 방법
US11929079B2 (en) Electronic device for managing user model and operating method thereof
KR20250001814A (ko) 샘플링 주기가 변경된 데이터를 획득하는 전자 장치 및 그 제어 방법
US20220004841A1 (en) Electronic device for rearranging kernels of neural network and operating method thereof
KR102925761B1 (ko) 디스플레이 패널 상의 외부 객체의 접촉을 처리하는 전자 장치 및 방법
US20240370513A1 (en) Method for executing application and electronic device supporting the same
US12541996B2 (en) Electronic device, operating method of electronic device, and recording medium
US20250371180A1 (en) Electronic device and method of transmitting, by electronic device, character string data of which privacy is secured
US20250371423A1 (en) Electronic device providing results output through shared artificial intelligence model to multiple applications and method for controlling the same
US20240201644A1 (en) Display control method and electronic device for supporting same
US20240202590A1 (en) Electronic device and operation method of electronic device for performing calculation using artificial intelligence model
US20250191134A1 (en) Electronic device and method for processing image including text
EP4647887A1 (en) Electronic device for processing image and method for operating same
US20240241513A1 (en) Method and apparatus for updating predictive model predicting product failure
EP4727140A1 (en) Electronic device and video processing method using same
EP4575772A1 (en) Electronic device comprising neural processing unit, and operating method therefor
EP4373206A1 (en) Method for performing wireless communication and electronic device supporting same
KR20250052236A (ko) 오디오 데이터를 처리하는 전자 장치 및 이의 제어 방법
KR20250063077A (ko) 이미지를 생성하는 전자 장치와 이의 동작 방법
KR20240151094A (ko) 이동 방향을 식별하는 전자 장치 및 그 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: 24832274

Country of ref document: EP

Kind code of ref document: A1

WWE Wipo information: entry into national phase

Ref document number: 2024832274

Country of ref document: EP

WWE Wipo information: entry into national phase

Ref document number: 202617006547

Country of ref document: IN

ENP Entry into the national phase

Ref document number: 2024832274

Country of ref document: EP

Effective date: 20260119

NENP Non-entry into the national phase

Ref country code: DE

ENP Entry into the national phase

Ref document number: 2024832274

Country of ref document: EP

Effective date: 20260119

ENP Entry into the national phase

Ref document number: 2024832274

Country of ref document: EP

Effective date: 20260119

WWP Wipo information: published in national office

Ref document number: 202617006547

Country of ref document: IN

WWP Wipo information: published in national office

Ref document number: 2024832274

Country of ref document: EP