KR102070351B1 - 다수의 디바이스들로부터의 데이터를 이용한 에너지 소비량 계산 - Google Patents
다수의 디바이스들로부터의 데이터를 이용한 에너지 소비량 계산 Download PDFInfo
- Publication number
- KR102070351B1 KR102070351B1 KR1020177021890A KR20177021890A KR102070351B1 KR 102070351 B1 KR102070351 B1 KR 102070351B1 KR 1020177021890 A KR1020177021890 A KR 1020177021890A KR 20177021890 A KR20177021890 A KR 20177021890A KR 102070351 B1 KR102070351 B1 KR 102070351B1
- Authority
- KR
- South Korea
- Prior art keywords
- activity
- data
- user
- metric
- value
- Prior art date
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1118—Determining activity level
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/28—Databases characterised by their database models, e.g. relational or object models
- G06F16/284—Relational databases
- G06F16/285—Clustering or classification
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/48—Other medical applications
- A61B5/4866—Evaluating metabolism
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F7/00—Methods or arrangements for processing data by operating upon the order or content of the data handled
- G06F7/02—Comparing digital values
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Animal Behavior & Ethology (AREA)
- Public Health (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Biophysics (AREA)
- General Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- General Engineering & Computer Science (AREA)
- Obesity (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Physiology (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
태양들은, 값들을 계산하도록 하는 상이한 프로세스들을 채용한 상이한 디바이스들을 갖는 상이한 소스들로부터 수신된 데이터로부터의 운동 메트릭 값들에 관한 것이다. 데이터는 제1 동작 프로토콜을 활용하는 접속된 디바이스로부터 수신될 수 있고, 제2 동작 프로토콜을 활용하는 디바이스에 의해 수신될 수 있다. 활동 메트릭은 수신된 데이터로부터 식별될 수 있고, 판정은 활동 메트릭이 최상의 이용가능한 데이터 소스를 이용하여 계산되는지 여부에 대해 이루어질 수 있다. 수신된 데이터가 최상의 이용가능한 데이터 소스를 표현하는 것으로 판정되는 경우, 수신된 데이터는 메트릭 데이터베이스에 추가될 수 있고, 수신된 데이터는 활동 그룹으로 분류될 수 있고, 에너지 소비량 값은 수신된 데이터로부터 계산될 수 있다.
Description
관련 출원의 교차 참조
본 출원은 2015년 1월 5일자로 출원되고 발명의 명칭이 "ENERGY EXPENDITURE CALCULATION USING DATA FROM MULTIPLE DEVICES"인 미국 가특허 출원 제62/099,851호의 이익 및 그에 대한 우선권을 주장한다. 상기 출원의 내용은 그 전체가 임의의 그리고 모든 비제한적인 목적들을 위해 본 명세서에 명확히 참고로 포함된다.
대부분의 사람들이 신체 단련(physical fitness)의 중요성을 이해하지만, 많은 이들이 규칙적인 운동 프로그램을 유지하는 데 요구되는 동기를 찾는 데에는 곤란을 느낀다. 몇몇 사람들은 달리기, 걷기, 및 자전거 타기와 같은 지속적으로 반복적인 모션들을 수반하는 운동 요법을 유지하는 것이 특히 어렵다는 것을 알게 된다.
게다가, 개인들은 운동을 업무 또는 일로 볼 수 있고, 이에 따라 운동을 그들의 일상 생활의 즐거운 측면들로부터 분리시킬 수 있다. 종종, 운동 활동과 다른 활동들 사이의 이러한 명확한 분리는 개인이 운동을 향해 가질 수 있는 동기의 양을 감소시킨다. 추가로, 개인들을 운동 활동에 참여시키도록 장려하는 것을 향해 지향되는 운동 활동 서비스들 및 시스템들은 또한 하나 이상의 특정 활동들에 너무 초점을 둘 수 있지만, 개인의 흥미는 무시된다. 이는 운동 활동에 참여하는 데 있어서 또는 운동 활동 서비스들 및 시스템들을 이용하는 데 있어서 사용자의 흥미를 더욱 감소시킬 수 있다.
많은 기존의 서비스들 및 디바이스들은 물리적 활동 동안에 열량 소모와 같은 사용자의 에너지 소비량의 정확한 평가를 제공하지 못한다. 따라서, 사용자들은 종종 "운동"으로 간주되지 않는 일상 활동들을 포함할 수 있는 소정 활동들이 그들의 건강에 미치는 이익들을 인식하지 못한다. 사용자들이 그들의 에너지 소비량을 모니터링하게 하기 위한 기존의 디바이스들은 종종 하기를 포함한 하나 이상의 결점들을 겪는다: 번거로운 수집 시스템들, 용인가능한 임계치를 넘는 부정확한 측정치들, 값들을 보고하는 데 있어서의 용인불가능한 지연속도(latency), 검출된 사용자 모션들에 기초한 잘못된 활동 분류, 상이한 사용자들 사이의 편차 처리의 실패, 예를 들어 달리기 및/또는 걷기와 같은 특정 활동으로서 분류되는 반복 거동의 부적절한 포함, 상대적으로 높은 전력 소비, 및/또는 이들 또는 다른 결점들의 조합.
따라서, 본 기술 분야에서 이들 단점들 중 적어도 하나 이상을 다루기 위한 개선된 시스템들 및 방법들이 요구된다.
하기는 본 발명의 일부 태양들의 기초적인 이해를 제공하기 위해 본 발명의 간략화된 발명의 내용을 제시한다. 이러한 발명의 내용은 본 발명의 광범위한 개요가 아니다. 본 발명의 핵심 또는 임계 요소들을 식별하거나 본 발명의 범주를 서술하도록 의도되지 않는다. 하기의 발명의 내용은 단지 하기에 제공되는 발명을 실시하기 위한 구체적인 내용에 대한 도입부로서 간략화된 형태로 본 발명의 일부 개념들을 제시한다.
예시적인 실시예들은 제1 동작 프로토콜을 활용하는 접속된 디바이스로부터 데이터를 수신하도록 구성된 시스템, 방법, 장치, 및 컴퓨터 판독가능 매체에 관한 것일 수 있다. 일 실시예에서, 데이터는 제2 동작 프로토콜을 활용하는 프로세서에 의해 수신될 수 있다. 또한, 수신된 데이터로부터 활동 메트릭이 식별될 수 있다. 소정 실시예들에서, 식별된 활동 메트릭은 최상의 이용가능한 데이터 소스가 활동 메트릭을 계산하는 데 이용되는지 여부를 판정하도록 하기 위해 메트릭 데이터베이스와 비교될 수 있다. 활동 메트릭이 최상의 이용가능한 데이터 소스로부터 계산되는 경우, 수신된 데이터는 메트릭 데이터베이스에 추가될 수 있고, 수신된 데이터는 활동 그룹으로 분류될 수 있고, 사용자에 대한 에너지 소비량이 하나 이상의 저장된 활동 메트릭들로부터 계산될 수 있다.
일 실시예에서, 사용자에 의해 수행되고 있는 활동은 활동 분류의 사용자 입력에 기초하여 식별된다.
다른 예시적인 실시예는 제1 동작 프로토콜을 활용하는 접속된 디바이스로부터 데이터를 수신하도록 구성된 시스템, 방법, 장치, 및 컴퓨터 판독가능 매체에 관한 것일 수 있다. 일 실시예에서, 데이터는 제2 동작 프로토콜을 활용하는 프로세서에 의해 수신될 수 있다. 또한, 수신된 데이터로부터 활동 메트릭이 식별될 수 있다. 소정 실시예들에서, 식별된 활동 메트릭은 최상의 이용가능한 데이터 소스가 활동 메트릭을 계산하는 데 이용되는지 여부를 판정하도록 하기 위해 메트릭 데이터베이스와 비교될 수 있다. 활동 메트릭이 최상의 이용가능한 데이터 소스로부터 계산되는 경우, 수신된 데이터는 메트릭 데이터베이스에 추가될 수 있고, 수신된 데이터는 활동 그룹으로 분류될 수 있고, 신뢰도 가중화가 활동 메트릭과 연관될 수 있고, 사용자에 대한 에너지 소비량 값이 하나 이상의 저장된 활동 메트릭들로부터 계산될 수 있고, 신뢰도 값이 계산되어 계산된 에너지 소비량 값과 연관될 수 있다.
또 다른 예시적인 실시예는 제1 시간 프레임 동안의 사용자의 이동에 기초하여 최종 누적 운동 메트릭을 계산하도록 구성된 시스템, 방법, 장치, 및 컴퓨터 판독가능 매체에 관한 것일 수 있다. 소정 실시예들에서, 제1 시간 프레임은 제1 및 제2 기간을 포함할 수 있다. 또한, 소정 실시예들에서, 제1 및 제2 값들은 제1 및 제2 디바이스들 상에서 이행된 프로세스에 기인한 운동 메트릭들을 표현하는 제1 및 제2 소스들로부터 수신될 수 있다. 제1 값은 제1 소스 및 제1 디바이스에 기초한 수정 스칼라(modification scalar)와 연관될 수 있다. 또한, 제1 소스 및 제2 소스로부터의 데이터를 표준화하는 데 표준화 인자가 사용될 수 있다. 추가로, 누적 표준화된 운동 메트릭이 조정된 제1 값 및 조정된 제2 값을 이용하여 계산될 수 있다.
도 1은 예시적인 실시예들에 따른, 개인 트레이닝을 제공하도록 그리고/또는 사용자의 물리적 이동으로부터 데이터를 획득하도록 구성될 수 있는 예시적인 시스템을 도시한다.
도 2는 도 1의 시스템의 일부분일 수 있거나 도 1의 시스템과 통신할 수 있는 예시적인 컴퓨터 디바이스를 도시한다.
도 3은 예시적인 실시예들에 따른, 사용자에 의해 착용될 수 있는 예시적인 센서 조립체를 도시한다.
도 4는 예시적인 실시예들에 따른, 사용자에 의해 착용될 수 있는 다른 예시적인 센서 조립체를 도시한다.
도 5는 사용자의 의복 상에/내에 위치된 물리적 센서들을 포함할 수 있고/있거나 사용자의 2군데의 움직이고 있는 신체 부위들 사이의 관계의 식별에 기초할 수 있는 감지 입력을 위한 예시적인 위치들을 도시한다.
도 6은 에너지 소비량 및 속력을 포함한 메트릭들을 계산하도록 구현될 수 있는 예시적인 흐름도를 도시한다.
도 7a 및 도 7b는 개인의 활동을 분류하고/하거나 개인의 에너지 소비량 값들을 계산하는 데 활용될 수 있는 예시적인 흐름도들을 도시한다.
도 8a는 직접적으로든 간접적으로든 서로 통신하는 것이 불가능한 전체적으로 상이한 디바이스들 상에서 이행될 수 있는 2개 이상의 상이한 프로세스들에 의해 획득된 에너지 소비량 추정치들에 기초하여 누적 에너지 소비량 추정치를 계산하는 데 이용될 수 있는 예시적인 흐름도를 도시한다. 도 8b는 일 실시예에 따른, 누적 표준화된 운동 메트릭을 계산하는 흐름도를 도시한다.
도 9는 하나 이상의 소스들로부터 수신된 데이터로부터 사용자의 에너지 소비량을 계산하기 위한 프로세스의 일 구현예를 개략적으로 도시한다.
도 10은 하나 이상의 소스들로부터 수신된 데이터로부터 사용자의 에너지 소비량을 계산하기 위한 프로세스의 다른 구현예를 개략적으로 도시한다.
도 11은 계산된 에너지 소비량 값과 연관되는 신뢰도 값의 계산을 위한 프로세스의 일 구현예를 개략적으로 도시한다.
도 12는 소셜 피드(social feed)에 활동 정보를 게시하기 위한 프로세스의 흐름도이다.
도 13은 상이한 소스들에서 상이한 프로세스들로부터 도출된 2개의 상이한 메트릭들을 활용하는 예시적인 구현예를 도시한 흐름도이다.
도 2는 도 1의 시스템의 일부분일 수 있거나 도 1의 시스템과 통신할 수 있는 예시적인 컴퓨터 디바이스를 도시한다.
도 3은 예시적인 실시예들에 따른, 사용자에 의해 착용될 수 있는 예시적인 센서 조립체를 도시한다.
도 4는 예시적인 실시예들에 따른, 사용자에 의해 착용될 수 있는 다른 예시적인 센서 조립체를 도시한다.
도 5는 사용자의 의복 상에/내에 위치된 물리적 센서들을 포함할 수 있고/있거나 사용자의 2군데의 움직이고 있는 신체 부위들 사이의 관계의 식별에 기초할 수 있는 감지 입력을 위한 예시적인 위치들을 도시한다.
도 6은 에너지 소비량 및 속력을 포함한 메트릭들을 계산하도록 구현될 수 있는 예시적인 흐름도를 도시한다.
도 7a 및 도 7b는 개인의 활동을 분류하고/하거나 개인의 에너지 소비량 값들을 계산하는 데 활용될 수 있는 예시적인 흐름도들을 도시한다.
도 8a는 직접적으로든 간접적으로든 서로 통신하는 것이 불가능한 전체적으로 상이한 디바이스들 상에서 이행될 수 있는 2개 이상의 상이한 프로세스들에 의해 획득된 에너지 소비량 추정치들에 기초하여 누적 에너지 소비량 추정치를 계산하는 데 이용될 수 있는 예시적인 흐름도를 도시한다. 도 8b는 일 실시예에 따른, 누적 표준화된 운동 메트릭을 계산하는 흐름도를 도시한다.
도 9는 하나 이상의 소스들로부터 수신된 데이터로부터 사용자의 에너지 소비량을 계산하기 위한 프로세스의 일 구현예를 개략적으로 도시한다.
도 10은 하나 이상의 소스들로부터 수신된 데이터로부터 사용자의 에너지 소비량을 계산하기 위한 프로세스의 다른 구현예를 개략적으로 도시한다.
도 11은 계산된 에너지 소비량 값과 연관되는 신뢰도 값의 계산을 위한 프로세스의 일 구현예를 개략적으로 도시한다.
도 12는 소셜 피드(social feed)에 활동 정보를 게시하기 위한 프로세스의 흐름도이다.
도 13은 상이한 소스들에서 상이한 프로세스들로부터 도출된 2개의 상이한 메트릭들을 활용하는 예시적인 구현예를 도시한 흐름도이다.
본 발명의 태양들은 운동선수의 물리적 이동에 관한 운동 데이터를 획득, 저장, 및/또는 프로세싱하는 것을 수반한다. 운동 데이터는 하나 이상의 비일시적 저장 매체들에서 능동적으로 또는 수동적으로 감지 및/또는 저장될 수 있다. 다른 추가의 태양들은 운동 데이터를 이용하여, 예를 들어 계산된 운동 속성들, 가이던스(guidance)를 제공하는 피드백 신호들, 및/또는 다른 정보와 같은 출력을 생성하는 것에 관한 것이다. 이들 및 다른 태양들은 개인 트레이닝 시스템의 하기의 예시적인 예들의 맥락에서 논의될 것이다.
다양한 실시예들의 하기의 설명에서는, 본 명세서의 일부를 형성하고, 본 발명의 태양들이 실시될 수 있는 다양한 실시예들이 예로서 도시된 첨부 도면을 참조한다. 다른 실시예들이 이용될 수 있고, 본 발명의 범주 및 사상으로부터 벗어나지 않으면서 구조적 및 기능적 변경이 이루어질 수 있다는 것이 이해될 것이다. 또한, 본 발명 내의 소제목들은 본 발명의 제한적인 태양들로서 간주되어서는 안 되며, 예시적인 실시예들은 예시적인 소제목들로 제한되지 않는다.
I. 예시적인 개인 트레이닝 시스템
A. 예시적인 네트워크들
본 발명의 태양들은 복수의 네트워크들에 걸쳐서 활용될 수 있는 시스템들 및 방법들에 관한 것이다. 이와 관련하여, 소정 실시예들은 동적 네트워크 환경들에 적응하도록 구성될 수 있다. 추가 실시예들은 상이한 별개의 네트워크 환경들에서 동작가능할 수 있다. 도 1은, 예시적인 실시예들에 따른, 개인 트레이닝 시스템(100)의 일례를 도시한다. 예시적인 시스템(100)은 하나 이상의 상호접속된 네트워크들, 예컨대 예시적인 BAN(body area network)(102), LAN(local area network)(104), 및 WAN(wide area network)(106)을 포함할 수 있다. 도 1에 도시된 바와 같이(그리고, 본 명세서 전체에 걸쳐서 기술되는 바와 같이), 하나 이상의 네트워크들(예컨대, BAN(102), LAN(104), 및/또는 WAN(106))은 서로 중첩할 수 있거나 또는 달리 서로 포괄적일 수 있다. 당업자는, 예시적인 네트워크들(102 내지 106)이 하나 이상의 상이한 통신 프로토콜들 및/또는 네트워크 아키텍처들을 각각이 포함할 수 있고 또한 서로에게로의 또는 다른 네트워크들로의 게이트웨이들을 갖도록 구성될 수 있는 로직 네트워크들이라는 것을 이해할 것이다. 예를 들어, BAN(102), LAN(104) 및/또는 WAN(106) 각각은 동일한 물리적 네트워크 아키텍처, 예컨대 셀룰러 네트워크 아키텍처(108) 및/또는 WAN 아키텍처(110)에 동작가능하게 접속될 수 있다. 예를 들어, BAN(102) 및 LAN(104) 양측 모두의 컴포넌트로 간주될 수 있는 휴대용 전자 디바이스(112)는 아키텍처들(108 및/또는 110) 중 하나 이상을 통해 데이터 및 제어 신호들을 하나 이상의 통신 프로토콜들, 예컨대 TCP(Transmission Control Protocol), IP(Internet Protocol), 및 UDP(User Datagram Protocol)에 따라 네트워크 메시지들로/로부터 변환하도록 구성된 네트워크 어댑터 또는 NIC(network interface card)를 포함할 수 있다. 이러한 프로토콜들은 본 기술 분야에 주지되어 있으며, 따라서 본 명세서에서는 더 상세하게 논의되지 않을 것이다.
네트워크 아키텍처들(108, 110)은, 예를 들어 케이블, 섬유, 위성, 전화, 셀룰러, 무선 등과 같은 임의의 타입(들) 또는 토폴로지(들)의 하나 이상의 정보 분배 네트워크(들)를 단독으로 또는 조합(들)으로 포함할 수 있으며, 이와 같이, 하나 이상의 유선 또는 무선 통신 채널들(WiFi®, Bluetooth®, NFC(Near-Field Communication) 및/또는 ANT 기술들을 포함하지만 이들로 제한되지 않음)을 갖는 것과 같이 다양하게 구성될 수 있다. 따라서, 도 1의 네트워크 내의 임의의 디바이스(예컨대, 휴대용 전자 디바이스(112) 또는 본 명세서에 기술된 임의의 다른 디바이스)는 상이한 로직 네트워크들(102 내지 106) 중 하나 이상에 대해 포괄적인 것으로 간주될 수 있다. 전술한 사항을 염두에 두고서, 예시적인 BAN 및 LAN(이는 WAN(106)에 커플링될 수 있음)의 예시적인 컴포넌트들이 기술될 것이다.
1. 예시적인 LAN
LAN(104)은, 예를 들어 컴퓨터 디바이스(114)와 같은 하나 이상의 전자 디바이스들을 포함할 수 있다. 컴퓨터 디바이스(114), 또는 시스템(100)의 임의의 다른 컴포넌트는 전화, 음악 플레이어, 태블릿, 넷북, 또는 임의의 휴대용 디바이스와 같은 모바일 단말기를 포함할 수 있다. 다른 실시예들에서, 컴퓨터 디바이스(114)는 미디어 플레이어 또는 레코더, 데스크톱 컴퓨터, 서버(들), 및 예를 들어 Microsoft® XBOX, Sony® 플레이스테이션(Playstation), 및/또는 Nintendo® 위(Wii) 게임 콘솔들과 같은 게이밍 콘솔을 포함할 수 있다. 당업자는 이들이 단지 설명의 목적을 위한 예시적인 디바이스들이고 본 발명이 어떠한 콘솔 또는 컴퓨팅 디바이스로도 제한되지 않는다는 것을 이해할 것이다.
당업자는 컴퓨터 디바이스(114)의 설계 및 구조가 여러 가지 인자들, 예컨대 그의 의도된 목적에 따라 변할 수 있다는 것을 이해할 것이다. 컴퓨터 디바이스(114)의 하나의 예시적인 구현예가 컴퓨팅 디바이스(200)의 블록 다이어그램을 도시하고 있는 도 2에 제공된다. 당업자는 도 2의 개시 내용이 본 명세서에 개시된 임의의 디바이스에 적용가능할 수 있다는 것을 이해할 것이다. 디바이스(200)는 하나 이상의 프로세서들, 예컨대 프로세서(202-1, 202-2)(대체로, 본 명세서에서 "프로세서들(202)" 또는 "프로세서(202)"로 지칭됨)를 포함할 수 있다. 프로세서들(202)은 상호접속 네트워크 또는 버스(204)를 거쳐서 서로 또는 다른 컴포넌트들과 통신할 수 있다. 프로세서(202)는 하나 이상의 프로세싱 코어들, 예컨대 코어들(206-1, 206-2)(본 명세서에서 "코어들(206)" 또는 더 일반적으로는 "코어(206)"로 지칭됨)을 포함할 수 있는데, 이는 단일 IC(integrated circuit) 칩 상에 구현될 수 있다.
코어들(206)은 공유 캐시(208) 및/또는 사유 캐시(예컨대, 캐시들(210-1, 210-2) 각각)를 포함할 수 있다. 하나 이상의 캐시들(208/210)은 프로세서(202)의 컴포넌트들에 의한 더 빠른 액세스를 위해 시스템 메모리, 예컨대 메모리(212)에 저장된 데이터를 국부적으로 캐싱할 수 있다. 메모리(212)는 칩셋(216)을 거쳐서 프로세서들(202)과 통신할 수 있다. 캐시(208)는 소정 실시예들에서 시스템 메모리(212)의 일부분일 수 있다. 메모리(212)는 RAM(random access memory) 및 ROM(read only memory)을 포함할 수 있지만 이들로 제한되지 않으며, 솔리드 스테이트 메모리, 광학 또는 자기 저장소, 및/또는 전자 정보를 저장하는 데 사용될 수 있는 임의의 다른 매체 중 하나 이상을 포함할 수 있다. 또 다른 실시예들은 시스템 메모리(212)를 생략할 수 있다.
시스템(200)은 하나 이상의 I/O 디바이스들(예컨대, 각각이 대체적으로 I/O 디바이스(214)로 지칭되는 I/O 디바이스들(214-1 내지 214-3))을 포함할 수 있다. 하나 이상의 I/O 디바이스들(214)로부터의 I/O 데이터는 하나 이상의 캐시들(208, 210) 및/또는 시스템 메모리(212)에 저장될 수 있다. I/O 디바이스들(214) 각각은 임의의 물리적 또는 무선 통신 프로토콜을 이용하여 시스템(100)의 컴포넌트와 동작가능 통신하도록 영구적으로 또는 일시적으로 구성될 수 있다.
도 1로 되돌아가면, 4개의 예시적인 I/O 디바이스들(요소들(116 내지 122)로서 도시됨)이 컴퓨터 디바이스(114)와 통신하고 있는 것으로 도시되어 있다. 당업자는 디바이스들(116 내지 122) 중 하나 이상이 독립형 디바이스들일 수 있거나 또는 컴퓨터 디바이스(114) 이외의 다른 디바이스와 연관될 수 있다는 것을 이해할 것이다. 예를 들어, 하나 이상의 I/O 디바이스들은 BAN(102) 및/또는 WAN(106)의 컴포넌트와 연관될 수 있거나 또는 그와 상호작용할 수 있다. I/O 디바이스들(116 내지 122)은, 예를 들어 센서들과 같은 운동 데이터 획득 유닛들을 포함할 수 있지만 이로 제한되지 않는다. 하나 이상의 I/O 디바이스들은 사용자, 예컨대 사용자(124)로부터의 운동 파라미터를 감지, 검출, 및/또는 측정하도록 구성될 수 있다. 예들은, 특히, 가속도계, 자이로스코프, 위치 판정 디바이스(예컨대, GPS), 광(비가시광을 포함함) 센서, 온도(주변 온도 및/또는 체온을 포함함) 센서, 수면 패턴 센서, 심박수 모니터, 이미지 캡처링 센서, 습도 센서, 힘 센서, 나침반, 각속도 센서, 및/또는 이들의 조합들을 포함하지만 이들로 제한되지 않는다.
추가 실시예들에서, I/O 디바이스들(116 내지 122)은 출력(예컨대, 청각적, 시각적, 또는 촉각적 큐(cue))을 제공하기 위해 그리고/또는 입력, 예컨대 운동선수(124)로부터의 사용자 입력을 수신하기 위해 사용될 수 있다. 이들 예시적인 I/O 디바이스들에 대한 예시적인 사용들이 하기에 제공되지만, 당업자는 그러한 논의들이 본 발명의 범주 내에 있는 많은 옵션들 중 단지 일부를 설명하는 것이라는 것을 이해할 것이다. 또한, 임의의 데이터 획득 유닛, I/O 디바이스, 또는 센서에 대한 언급은 하나 이상의 I/O 디바이스, 데이터 획득 유닛, 및/또는 본 명세서에 개시되거나 본 기술 분야에 공지되어 있는 센서를 (개별적으로든 조합으로든) 가질 수 있는 일 실시예를 개시하는 것으로 해석되어야 한다.
(하나 이상의 네트워크들에 걸친) 하나 이상의 디바이스들로부터의 정보는 여러 가지 상이한 파라미터들, 메트릭들, 또는 하기를 포함하지만 그들로 제한되지 않는 생리학적 특성들을 제공하는 데 사용될 수 있다(또는 그들의 형식으로 활용될 수 있다): 모션 파라미터들, 예컨대 속력, 가속도, 거리, 취해진 스텝들, 방향, 다른 것들에 대한 소정 신체 부분들 또는 객체들의 상대적 이동, 또는 각속도, 직선수차율(rectilinear rate) 또는 이들의 조합들로서 표현될 수 있는 다른 모션 파라미터들, 생리학적 파라미터들, 예컨대 열량, 심박수, 땀 검출, 수고, 소비된 산소, 산소 반응 속도(oxygen kinetics), 및 하나 이상의 카테고리들, 예컨대 압력, 충격힘들, 운동선수에 관한 정보, 예컨대 신장, 체중, 연령, 인구학적 정보, 및 이들의 조합들 내에 속할 수 있는 다른 메트릭들.
시스템(100)은 파라미터들, 메트릭들, 또는 시스템(100) 내에서 수집되거나 달리 시스템(100)에 제공된 생리학적 특성들을 비롯한 운동 데이터를 송신 및/또는 수신하도록 구성될 수 있다. 일례로서, WAN(106)은 서버(111)를 포함할 수 있다. 서버(111)는 도 2의 시스템(200)의 하나 이상의 컴포넌트들을 가질 수 있다. 일 실시예에서, 서버(111)는 적어도 프로세서 및 메모리, 예컨대 프로세서(206) 및 메모리(212)를 포함한다. 서버(111)는 비일시적 컴퓨터 판독가능 매체 상에 컴퓨터 실행가능 명령어들을 저장하도록 구성될 수 있다. 명령어들은 운동 데이터, 예컨대 시스템(100) 내에서 수집된 미처리 또는 프로세싱된 데이터를 포함할 수 있다. 시스템(100)은 데이터, 예컨대 에너지 소비 점수들을 소셜 네트워킹 웹사이트로 송신하도록 또는 그러한 사이트를 호스팅하도록 구성될 수 있다. 서버(111)는 하나 이상의 사용자들이 운동 데이터에 액세스하게 하도록 그리고/또는 운동 데이터를 비교하게 하도록 하는 데 활용될 수 있다. 이와 같이, 서버(111)는 운동 데이터 또는 다른 정보에 기초하여 통지를 송신 및/또는 수신하도록 구성될 수 있다.
LAN(104)으로 되돌아가면, 컴퓨터 디바이스(114)는 디스플레이 디바이스(116), 이미지 캡처링 디바이스(118), 센서(120), 및 운동 디바이스(122)와 동작가능 통신하는 것으로 도시되어 있는데, 이들은 이어서 예시적인 실시예들을 참조하여 하기에서 논의된다. 일 실시예에서, 디스플레이 디바이스(116)는 운동선수(124)에게 시청각 큐들을 제공하여 특정 운동 이동(athletic movement)을 수행하게 할 수 있다. 시청각 큐들은 컴퓨터 실행가능 명령어가 컴퓨터 디바이스(114), 또는 BAN(102) 및/또는 WAN의 디바이스를 비롯한 임의의 다른 디바이스 상에서 실행된 것에 응답하여 제공될 수 있다. 디스플레이 디바이스(116)는 터치스크린 디바이스일 수 있거나, 또는 달리 사용자 입력을 수신하도록 구성될 수 있다.
일 실시예에서, 데이터는 이미지 캡처링 디바이스(118) 및/또는 다른 센서들, 예컨대 센서(120)로부터 획득될 수 있고, 이러한 센서들은, 단독으로든 또는 다른 디바이스들과 조합하든, 운동 파라미터들 또는 저장된 정보를 검출(및/또는 측정)하는 데 사용될 수 있다. 이미지 캡처링 디바이스(118) 및/또는 센서(120)는 송수신기 디바이스를 포함할 수 있다. 일 실시예에서, 센서(128)는 적외선(IR), 전자기(EM), 또는 음향 송수신기를 포함할 수 있다. 예를 들어, 이미지 캡처링 디바이스(118) 및/또는 센서(120)는 운동선수(124)의 방향을 향하는 것을 포함해서 파형들을 환경 내로 송신할 수 있고, "반사"를 수신하거나 달리 그러한 방출 파형들의 변형들을 검출할 수 있다. 당업자는 다수의 상이한 데이터 스펙트럼들에 대응하는 신호들이 다양한 실시예들에 따라 활용될 수 있다는 것을 쉽게 이해할 것이다. 이와 관련하여, 디바이스들(118 및/또는 120)은 (예컨대, 시스템(100)이 아닌) 외부 소스들로부터 방출된 파형들을 검출할 수 있다. 예를 들어, 디바이스들(118 및/또는 120)은 열이 사용자(124) 및/또는 주변 환경으로부터 방출되고 있는 것을 검출할 수 있다. 따라서, 이미지 캡처링 디바이스(126) 및/또는 센서(128)는 하나 이상의 열 이미징 디바이스들을 포함할 수 있다. 일 실시예에서, 이미지 캡처링 디바이스(126) 및/또는 센서(128)는 범위 현상학(range phenomenology)을 수행하도록 구성된 IR 디바이스를 포함할 수 있다.
일 실시예에서, 운동 디바이스(122)는, 예를 들어 트레드밀(treadmill), 스텝 머신 등과 같은, 운동선수(124)가 물리적 이동을 수행하는 것을 허용하거나 용이하게 하도록 구성가능한 임의의 디바이스일 수 있다. 디바이스가 고정적이어야 한다는 요건은 없다. 이와 관련하여, 무선 기술들은 휴대용 디바이스들이 활용되게 하고, 이에 따라 자전거 또는 다른 모바일 운동 디바이스가 소정 실시예들에 따라 활용될 수 있다. 당업자는 장비(122)가 컴퓨터 디바이스(114)로부터 원격으로 수행되는, 운동 데이터를 포함하는 전자 디바이스를 수신하기 위한 인터페이스일 수 있거나 또는 이를 포함할 수 있다는 것을 이해할 것이다. 예를 들어, 사용자는 스포츠용 디바이스(BAN(102)에 관련하여 하기에 기술됨)를 사용할 수 있으며, 집 또는 장비(122)의 위치로 복귀 시, 운동 데이터를 요소(122), 또는 시스템(100)의 임의의 다른 디바이스 내로 다운로드할 수 있다. 본 명세서에 개시된 임의의 I/O 디바이스는 활동 데이터를 수신하도록 구성될 수 있다.
2. BAN
BAN(102)은 운동 데이터의 수집을 수신, 송신, 또는 달리 가능하게 하도록 구성된 2개 이상의 디바이스들(수동형 디바이스들을 포함함)을 포함할 수 있다. 예시적인 디바이스들은, 하나 이상의 데이터 획득 유닛들, 센서들, 또는 I/O 디바이스들(116 내지 122)을 포함하지만 이들로 제한되지 않는, 본 기술 분야에 공지되어 있거나 본 명세서에 개시된 디바이스들을 포함할 수 있다. BAN(102)의 2개 이상의 컴포넌트들은 직접적으로 통신할 수 있고, 또한, 다른 실시예들에서, 통신은 BAN(102), LAN(104), 및/또는 WAN(106)의 일부분일 수 있는 제3 디바이스를 통해 행해질 수 있다. LAN(104) 또는 WAN(106)의 하나 이상의 컴포넌트들은 BAN(102)의 일부분을 형성할 수 있다. 소정 구현예들에서, 디바이스, 예컨대 휴대용 디바이스(112)가 BAN(102), LAN(104), 및/또는 WAN(106)의 일부인지 여부는 모바일 셀룰러 네트워크 아키텍처(108) 및/또는 WAN 아키텍처(110)와의 통신을 허용하는 액세스 포인트에 대한 운동선수의 근접성에 의존할 수 있다. 사용자 활동 및/또는 선호도는 또한 하나 이상의 컴포넌트들이 BAN(102)의 일부분으로서 활용되는지 여부에 영향을 줄 수 있다. 예시적인 실시예들이 하기에 제공된다.
사용자(124)는 임의의 수의 디바이스들, 예컨대 휴대용 디바이스(112), 신발 실장형 디바이스(126), 손목 착용형 디바이스(128), 및/또는 정보를 수집하는 데 이용되는 물리적 디바이스 또는 위치를 포함할 수 있는 감지 위치, 예컨대 감지 위치(130)와 연관될 수 있다(예컨대, 그들을 소유할 수 있고/있거나, 휴대할 수 있고/있거나, 착용할 수 있고/있거나, 그들과 상호작용할 수 있다). 하나 이상의 디바이스들(112, 126, 128, 및/또는 130)은 피트니스(fitness) 또는 운동 목적을 위해 특별하게 설계된 것이 아닐 수도 있다. 또한, 본 발명의 태양들은, 그들 중 일부가 피트니스 디바이스가 아닌 복수의 디바이스들로부터의 데이터를 활용하여 운동 데이터를 수집, 검출, 및/또는 측정하는 것에 관한 것이다. 소정 실시예들에서, BAN(102)(또는 임의의 다른 네트워크)의 하나 이상의 디바이스들은 특정 스포츠 용도를 위해 특별하게 설계된 피트니스 또는 스포츠용 디바이스를 포함할 수 있다. 본 명세서에서 사용된 바와 같이, "스포츠용 디바이스"라는 용어는 특정 스포츠 또는 피트니스 활동 동안에 사용 또는 연루될 수 있는 임의의 물리적 객체를 포함한다. 예시적인 스포츠용 디바이스들은 골프공, 농구공, 야구공, 축구공, 미식 축구공, 파워볼, 하키 퍽, 역기, 배트, 클럽, 스틱, 패들, 매트, 및 이들의 조합들을 포함할 수 있지만 이들로 제한되지 않는다. 추가 실시예들에서, 예시적인 피트니스 디바이스들은, 환경 자체, 예컨대 골 네트, 골대 링(hoop), 백보드, 경기장의 일부분, 예컨대 중앙선, 외곽 경계 표지, 베이스, 및 이들의 조합들을 비롯한, 특정 스포츠가 일어나는 스포츠 환경 내의 객체들을 포함할 수 있다.
이와 관련하여, 당업자는 하나 이상의 스포츠용 디바이스들이 또한 소정 구조물의 일부분일 수 있고(또는 소정 구조물을 형성할 수 있고), 역으로, 소정 구조물이 하나 이상의 스포츠용 디바이스들을 포함할 수 있거나 또는 스포츠용 디바이스와 상호작용하도록 구성될 수 있다는 것을 이해할 것이다. 예를 들어, 제1 구조물은, 제거가능할 수 있고 골 포스트(goal post)로 교체될 수 있는 농구 골대 링 및 백보드를 포함할 수 있다. 이와 관련하여, 하나 이상의 스포츠용 디바이스들은, 독립적으로든 또는 하나 이상의 구조물들과 연관되는 하나 이상의 센서들과 같은 다른 센서들과 함께든, 활용되는 정보를 제공할 수 있는 하나 이상의 센서들, 예컨대 도 1 내지 도 3과 관련하여 전술된 센서들 중 하나 이상을 포함할 수 있다. 예를 들어, 백보드는 백보드 상에의 농구공에 의한 힘 및 그 힘의 방향을 측정하도록 구성된 제1 센서를 포함할 수 있고, 골대 링은 힘을 검출하는 제2 센서를 포함할 수 있다. 유사하게, 골프 클럽은 샤프트 상의 그립 속성들을 검출하도록 구성된 제1 센서, 및 골프 공에 의한 충격을 측정하도록 구성된 제2 센서를 포함할 수 있다.
예시적인 휴대용 디바이스(112)를 고려하면, 그것은, 예를 들어 미국 캘리포니아주 쿠퍼티노 소재의 애플 인크.(Apple, Inc.)로부터 입수가능한 브랜드 디바이스들인 IPOD®, IPAD®, 또는 iPhone®을 비롯한 전화 또는 디지털 음악 플레이어, 또는 미국 워싱턴주 레드몬드 소재의 마이크로소프트(Microsoft)로부터 입수가능한 Zune® 또는 Microsoft® Windows 디바이스들을 포함하는 다목적 전자 디바이스일 수 있다. 본 기술 분야에 공지되어 있는 바와 같이, 디지털 미디어 플레이어들은 컴퓨터용 출력 디바이스, 입력 디바이스, 및/또는 저장 디바이스로서의 역할을 할 수 있다. 디바이스(112)는 BAN(102), LAN(104), 또는 WAN(106)에서 하나 이상의 디바이스들로부터 수집된 미처리 또는 프로세싱된 데이터를 수신하기 위한 입력 디바이스로서 구성될 수 있다. 하나 이상의 실시예들에서, 휴대용 디바이스(112)는 컴퓨터 디바이스(114)의 하나 이상의 컴포넌트들을 포함할 수 있다. 예를 들어, 휴대용 디바이스(112)는 디스플레이(116), 이미지 캡처링 디바이스(118), 및/또는 하나 이상의 데이터 획득 디바이스들, 예컨대 전술된 I/O 디바이스들(116 내지 122) 중 임의의 것을 추가적인 컴포넌트들과 함께 또는 추가적인 컴포넌트들 없이 포함하여, 모바일 단말기를 포함하게 할 수 있다.
a. 예시적인 의류/액세서리 센서들
소정 실시예들에서, I/O 디바이스들은 사용자(124)의 의복, 또는 시계, 암 밴드, 손목 밴드, 목걸이, 셔츠, 신발 등을 포함한 액세서리들 내에 형성될 수 있거나, 또는 다른 방식으로 이들과 연관될 수 있다. 이들 디바이스들은 사용자의 운동 이동을 모니터링하도록 구성될 수 있다. 그것들이 사용자(124)와 컴퓨터 디바이스(114)의 상호작용 동안의 운동 이동을 검출할 수 있고 그리고/또는 컴퓨터 디바이스(114)(또는 본 명세서에 개시된 임의의 다른 디바이스)와는 독립적으로 동작할 수 있다는 것이 이해될 것이다. 예를 들어, BAN(102) 내의 하나 이상의 디바이스들은 사용자와 컴퓨터 디바이스(114)의 근접성 또는 상호작용과는 무관하게 활동을 측정하는 종일 활동 모니터로서 기능하도록 구성될 수 있다. 하기의 단락들에 각각 기술되는, 도 3에 도시된 감지 시스템(302) 및 도 4에 도시된 디바이스 조립체(400)가 단지 예시적인 예들일 뿐이라는 것이 추가로 이해될 것이다.
i. 신발 실장형 디바이스
소정 실시예들에서, 도 1에 도시된 디바이스(126)는 본 명세서에 개시되고 그리고/또는 본 기술 분야에 공지되어 있는 것들을 포함하지만 이들로 제한되지 않는 하나 이상의 센서들을 포함할 수 있는 풋웨어를 포함할 수 있다. 도 3은 하나 이상의 센서 조립체들(304)을 제공하는 센서 시스템(302)의 하나의 예시적인 실시예를 도시한다. 조립체(304)는, 예를 들어 가속도계, 자이로스코프, 위치 판정 컴포넌트들, 힘 센서들, 및/또는 본 명세서에 개시되거나 본 기술 분야에 공지되어 있는 임의의 다른 센서와 같은 하나 이상의 센서들을 포함할 수 있다. 예시된 실시예에서, 조립체(304)는 힘 감응성 저항(force-sensitive resistor, FSR) 센서들(306)을 포함할 수 있는 복수의 센서들을 포함하지만, 다른 센서(들)가 활용될 수 있다. 포트(308)는 신발의 발바닥 구조물(309) 내에 위치될 수 있고, 대체로, 하나 이상의 전자 디바이스들과의 통신을 위해 구성된다. 포트(308)는 전자 모듈(310)과 통신하도록 선택적으로 제공될 수 있고, 발바닥 구조물(309)은 하우징(311), 또는 모듈(310)을 수용하는 다른 구조물을 선택적으로 포함할 수 있다. 센서 시스템(302)은 또한 FSR 센서들(306)을 포트(308)에 접속시켜서 포트(308)를 통한 모듈(310) 및/또는 다른 전자 디바이스와의 통신을 가능하게 하는 복수의 리드들(312)을 포함할 수 있다. 모듈(310)은 신발의 발바닥 구조물에서 웰(well) 또는 캐비티 내에 포함될 수 있고, 하우징(311)은 웰 또는 캐비티 내에 위치될 수 있다. 일 실시예에서, 적어도 하나의 자이로스코프 및 적어도 하나의 가속도계가 단일 하우징, 예컨대 모듈(310) 및/또는 하우징(311) 내에 제공된다. 적어도 하나의 추가의 실시예에서는, 동작 중일 때 방향 정보 및 각속도 데이터를 제공하도록 구성된 하나 이상의 센서들이 제공된다. 포트(308) 및 모듈(310)은 접속 및 통신을 위한 상보성 인터페이스들(314, 316)을 포함한다.
소정 실시예들에서, 도 3에 도시된 적어도 하나의 힘 감응성 저항(306)은 제1 및 제2 전극들 또는 전기 접촉부들(318, 320), 및 전극들(318, 320) 사이에 배치되어 전극들(318, 320)을 함께 전기적으로 접속시키는 힘 감응성 저항 재료(322)를 포함할 수 있다. 압력이 힘 감응성 재료(322)에 적용될 때, 힘 감응성 재료(322)의 저항성 및/또는 전도성이 변화하는데, 이는 전극들(318, 320) 사이의 전기 전위를 변화시킨다. 저항의 변화는 센서 시스템(302)에 의해 검출되어 센서(316) 상에 적용되는 힘을 검출하게 할 수 있다. 힘 감응성 저항 재료(322)는 소정 압력 하에 다양한 방식들로 그의 저항을 변화시킬 수 있다. 예를 들어, 힘 감응성 재료(322)는 재료가 압축될 때 감소하는 내부 저항을 가질 수 있다. 추가 실시예들은 "스마트 재료들"을 통해 구현될 수 있는 "체적 기반 저항(volume-based resistance)"을 활용할 수 있다. 다른 예로서, 재료(322)는 표면-대-표면 접촉의 정도를, 예컨대 두 장의 힘 감응성 재료(322) 사이에서 또는 힘 감응성 재료(322)와 한쪽 또는 양쪽의 전극들(318, 320) 사이에서 변화시킴으로써 저항을 변화시킬 수 있다. 일부 환경들에 있어서, 이러한 타입의 힘 감응성 저항 거동은 "접촉 기반 저항"으로 기술될 수 있다.
ii. 손목 착용형 디바이스
도 4에 도시된 바와 같이, 디바이스(400)(도 1에 도시된 감지 디바이스(128)를 포함할 수 있거나 또는 그를 닮을 수 있음)는, 예컨대 손목, 팔, 발목, 목 등의 둘레에, 사용자(124)가 착용하도록 구성될 수 있다. 디바이스(400)는 입력 메커니즘, 예컨대 디바이스(400)의 동작 동안에 사용되도록 구성된 누를 수 있는 입력 버튼(402)을 포함할 수 있다. 입력 버튼(402)은 제어기(404) 및/또는 임의의 다른 전자 컴포넌트들, 예컨대 도 1에 도시된 컴퓨터 디바이스(114)와 관련하여 논의된 요소들 중 하나 이상에 동작가능하게 접속될 수 있다. 제어기(404)는 하우징(406)에 임베디드될 수 있거나, 또는 달리 그의 일부분일 수 있다. 하우징(406)은 엘라스토머 컴포넌트(elastomeric component)들을 비롯한 하나 이상의 재료들로 형성될 수 있고, 하나 이상의 디스플레이들, 예컨대 디스플레이(408)를 포함할 수 있다. 디스플레이는 디바이스(400)의 조명가능한 부분으로 간주될 수 있다. 디스플레이(408)는 일련의 개별적인 조명 요소들 또는 라이트 부재들, 예컨대 LED 라이트들(410)을 포함할 수 있다. 조명들은 어레이로 형성될 수 있고, 제어기(404)에 동작가능하게 접속될 수 있다. 디바이스(400)는 전체 디스플레이(408)의 일부분 또는 컴포넌트로도 간주될 수 있는 표시기 시스템(412)을 포함할 수 있다. 표시기 시스템(412)은 디스플레이(408)(픽셀 부재(414)를 가질 수 있음)와 함께 또는 디스플레이(408)와는 완전히 별개로 동작하고 빛날 수 있다. 표시기 시스템(412)은 또한 복수의 추가적인 조명 요소들 또는 라이트 부재들을 포함할 수 있는데, 이들은 또한 예시적인 실시예에서 LED 라이트들의 형태를 취할 수 있다. 소정 실시예들에서, 표시기 시스템은, 예컨대 표시기 시스템(412)의 조명 부재들의 일부분을 빛나게 하여 하나 이상의 목표들을 향한 성취를 나타냄으로써, 목표들의 시각적 표시를 제공할 수 있다. 디바이스(400)는, 디스플레이(408) 및/또는 표시기 시스템(412)을 통해, 사용자의 활동에 기초하여 사용자가 획득한 활동 점수들 또는 통화의 면에서 표현되는 데이터를 디스플레이하도록 구성될 수 있다.
체결 메커니즘(416)이 분리될(disengaged) 수 있는데, 여기서 디바이스(400)는 사용자(124)의 손목 또는 일부분 둘레에 위치될 수 있고, 이어서, 체결 메커니즘(416)은 결합된(engaged) 위치에 배치될 수 있다. 일 실시예에서, 체결 메커니즘(416)은 컴퓨터 디바이스(114) 및/또는 디바이스들, 예컨대 디바이스들(120 및/또는 112)과의 동작가능한 상호작용을 위한 인터페이스 - 이러한 인터페이스는 USB 포트를 포함하지만 이로 제한되지 않음 - 를 포함할 수 있다. 소정 실시예들에서, 체결 부재는 하나 이상의 자석들을 포함할 수 있다. 일 실시예에서, 체결 부재는 가동 부분들이 없을 수 있고, 전적으로 자력에만 의존할 수 있다.
소정 실시예들에서, 디바이스(400)는 센서 조립체(도 4에는 도시되지 않음)를 포함할 수 있다. 센서 조립체는 본 명세서에 개시되고 그리고/또는 본 기술 분야에 공지되어 있는 것들을 비롯한 복수의 상이한 센서들을 포함할 수 있다. 예시적인 실시예에서, 센서 조립체는 본 명세서에 개시되거나 본 기술 분야에 공지되어 있는 임의의 센서에의 동작가능한 접속을 포함 또는 허용할 수 있다. 디바이스(400) 및/또는 그의 센서 조립체는 하나 이상의 외부 센서들로부터 획득된 데이터를 수신하도록 구성될 수 있다.
iii. 의류 및/또는 신체 위치 감지
도 1의 요소(130)는 물리적 장치, 예컨대 센서, 데이터 획득 유닛, 또는 다른 디바이스와 연관될 수 있는 예시적인 감지 위치를 나타낸다. 또한, 다른 실시예들에서, 그것은, 예컨대 이미지 캡처링 디바이스(예컨대, 이미지 캡처링 디바이스(118))를 통해, 모니터링되는 신체 부분 또는 영역의 특정 위치일 수 있다. 소정 실시예들에서, 요소(130)가 센서를 포함할 수 있어서, 요소들(130a, 130b)은 의류, 예컨대 선수복 내에 통합되는 센서들일 수 있다. 그러한 센서들은 사용자(124)의 신체의 임의의 희망 위치에 배치될 수 있다. 센서들(130a/b)은 BAN(102), LAN(104), 및/또는 WAN(106)의 하나 이상의 디바이스들(다른 센서들을 포함함)과 (예컨대, 무선으로) 통신할 수 있다. 소정 실시예들에서, 수동형 감지 표면들은 이미지 캡처링 디바이스(118) 및/또는 센서(120)에 의해 방출된 파형들, 예컨대 적외선 광을 반사시킬 수 있다. 일 실시예에서, 사용자(124)의 의류 상에 위치된 수동형 센서들은 유리로 제조된 대체로 구체(spherical)인 구조물들, 또는 파형들을 반사시킬 수 있는 다른 투명한 또는 반투명한 표면들을 포함할 수 있다. 상이한 종류의 의류가 활용될 수 있는데, 여기서 주어진 종류의 의류는 적절히 착용될 때 사용자(124)의 신체의 특정 부분에 근접하게 위치되도록 구성된 특정 센서들을 갖는다. 예를 들어, 골프복이 제1 구성예에서 의류 상에 배치되는 하나 이상의 센서들을 포함할 수 있고, 또한, 축구복이 제2 구성예에서 의류 상에 배치되는 하나 이상의 센서들을 포함할 수 있다.
도 5는 감지 입력을 위한 예시적인 위치들(예컨대, 감지 위치들(130a 내지 130o) 참조)을 도시한다. 이와 관련하여, 센서들은 사용자의 의복 상/내에 위치되는 물리적 센서들일 수 있고, 또한, 다른 실시예들에서, 센서 위치들(130a 내지 130o)은 2개의 움직이는 신체 부위들 사이의 관계의 식별에 기초할 수 있다. 예를 들어, 센서 위치(130a)는 이미지 캡처링 디바이스, 예컨대 이미지 캡처링 디바이스(118)로 사용자(124)의 모션들을 식별함으로써 판정될 수 있다. 따라서, 소정 실시예들에서, 센서는 특정 위치(예컨대, 센서 위치들(130a 내지 130o) 중 하나 이상)에 물리적으로 위치될 수 있는 것이 아니라, 예컨대 이미지 캡처링 디바이스(118) 또는 다른 위치들로부터 수집된 다른 센서 데이터로, 그 위치의 특성들을 감지하도록 구성된다. 이와 관련하여, 사용자의 신체의 전체적인 형상 또는 일부분은 소정 신체 부위들의 식별을 허용할 수 있다. 이미지 캡처링 디바이스가 활용되고 그리고/또는 물리적 센서가 사용자(124)에게 위치되는지 여부, 및/또는 다른 디바이스들(예컨대, 감지 시스템(302))로부터의 데이터를 이용하여, 디바이스 조립체(400) 및/또는 본 명세서에 개시되거나 본 기술 분야에 공지되어 있는 임의의 다른 디바이스 또는 센서가 활용되는지 여부와는 무관하게, 센서들은 신체 부위의 현재 위치를 감지할 수 있고 그리고/또는 신체 부위의 이동을 추적할 수 있다. 일 실시예에서, 위치(130m)에 관련된 감지 데이터는 사용자의 무게 중심(질량 중심으로도 알려져 있음)의 판정에 활용될 수 있다. 예를 들어, 위치들(130m 내지 130o) 중 하나 이상에 대한 위치(130a)와 위치(들)(130f/130l) 사이의 관계는 사용자의 무게 중심이 (예컨대, 점프 동안) 수직 축을 따라서 상승했는지 여부 또는 사용자가 그의 양 무릎을 굽히고 수축시킴으로써 점프를 "하는 척(fake)" 시도하고 있는지 여부를 판정하는 데 활용될 수 있다. 일 실시예에서, 센서 위치(1306n)는 사용자(124)의 흉골 쯤에 위치될 수 있다. 마찬가지로, 센서 위치(130o)는 사용자(124)의 배꼽에 근접하게 위치될 수 있다. 소정 실시예들에서, 센서 위치들(130m 내지 130o)로부터의 데이터는 사용자(124)에 대한 무게 중심을 판정하는 데 (단독으로 또는 다른 데이터와 조합하여) 활용될 수 있다. 추가 실시예들에서, 다수의 센서 위치들, 예컨대 센서들(130m 내지 130o) 사이의 관계는 사용자(124)의 배향 및/또는 사용자(124)의 몸통의 비틀기(twisting)와 같은 회전력을 판정할 시에 활용될 수 있다. 또한, 하나 이상의 위치들, 예컨대 위치(들)는 모멘트 위치의 중심으로서 활용될 수 있다(또는, 그 중심을 근사화시킬 수 있다). 예를 들어, 일 실시예에서, 위치들(130m 내지 130o) 중 하나 이상은 사용자(124)의 모멘트 위치의 중심점으로서의 역할을 할 수 있다. 다른 실시예에서, 하나 이상의 위치들은 특정 신체 부위들 또는 영역들의 모멘트의 중심으로서의 역할을 할 수 있다.
예시적인 메트릭 계산
본 발명의 태양들은 에너지 소비량, 속력, 거리, 페이스(pace), 힘, 및/또는 기타 다른 것들을 포함하지만 이들로 제한되지 않는, 운동의 하나 이상의 활동 메트릭들을 계산하는 데 활용될 수 있는 시스템들 및 방법들에 관한 것이다. 계산들은 실시간으로 수행될 수 있어서, 사용자가 하나 이상의 활동 동안에 실시간 피드백을 획득할 수 있게 한다. 소정 실시예들에서, 복수의 메트릭들에 대한 모든 계산은 동일한 세트의 속성들, 또는 공통 그룹의 속성들 중의 서브세트의 속성들 등을 이용하여 추정될 수 있다. 일 실시예에서, 에너지 소비량의 계산은 제1 세트의 속성들에 대해서, 그리고 걷는 것, 달리는 것, 특정 스포츠를 하는 것, 또는 특정 활동을 이행하는 것과 같은, 운동선수에 의해 수행되고 있는 활동을 분류하지 않고서 수행될 수 있다. 일 실시예에서, 에너지 소비량의 판정은 임의의 활동 타입 템플릿들 없이 행해져서, 활동 타입을 분류하지 않고서 에너지 소비량이 센서 데이터 및/또는 그의 파생물들로부터 계산될 수 있다. 예를 들어, 에너지 소비량은 운동선수가, 예를 들어 걷는 것 또는 축구를 하는 것과 같은 제1 활동 또는 제2 활동을 수행하고 있는지와는 무관하게 동일한 세트의 속성들을 이용하여 소정 실시예들에 따라 계산될 수 있다.
소정 구현예들에서, 계산된 에너지 소비량의 계산은 제1 세트의 속성들을 이용하여 수행될 수 있고, 예를 들어 속력과 같은 다른 메트릭은 동일한 세트의 속성들 또는 동일한 속성들의 서브세트로부터 판정될 수 있다. 일 실시예에서, 복수의 메트릭들의 판정은 핵심 속성들의 선택을 이용하여 이행될 수 있다. 일례에서, 이러한 속성 계산은 사용자의 걷기 및/또는 달리기의 에너지 소비량 및/또는 속력을 추정하는 데 이용될 수 있다. 일례에서, 걷기 및/또는 달리기의 에너지 소비량 및/또는 속력이 동일한 세트의 속성들, 또는 공통 그룹의 속성들 중의 서브세트의 속성들 등을 이용하여 추정될 수 있다.
본 명세서에 기술되는 시스템들 및 방법들은 활동 데이터(실시간 활동 데이터 등)로부터의 계산된 속성들을 하나 이상의 모델들과 비교할 수 있는데, 여기서 하나 이상의 모델들은 운동선수가 수행한 활동 타입에 대해 캡처된 데이터를 포함하지 않을 수도 있다(그리고, 예컨대 에너지 소비량 계산에 대해, 분류되지 않을 수도 있다). 이러한 방식으로, 하나 이상의 모델들은 사용자에 의해 수행되고 있는 특정 활동에 불가지론적(agnostic)일 수 있다. 예를 들어, 활동 디바이스는 농구 활동을 수행하는 사용자로부터 정보를 수신할 수 있고, 적어도 하나의 모델이 농구 활동들로부터의 임의의 데이터를 포함하지 않을 수도 있다.
다수의 메트릭들을 계산한 일례로서, 시스템들 및 방법들은 데이터의 하나 이상의 시간 윈도우들에 대한 속력을 계산할 것인지 여부를 판정하도록 구현될 수 있다. 본 발명의 소정 태양들은 운동 데이터를 분류하는 것을 포함하는 속력 또는 거리의 판정에 관한 것이다. 그러나, 전술된 바와 같이, 다른 태양들은 운동 데이터를 활동 타입들(걷기, 달리기, 농구, 전력질주하기, 축구, 미식축구 등)로 분류하지 않고서 에너지 소비량 값들을 계산하는 것에 관한 것이지만, 예를 들어 속력 및/또는 거리와 같은 다른 메트릭들의 계산을 위해 에너지 소비량을 계산하도록 활용되는 동일한 데이터의 적어도 일부분을 분류하는 것은 본 발명의 범주 내에 있다. 일 구현예에서, 속력(또는 다른 메트릭)은 에너지 소비량 값들의 판정으로부터 도출된 데이터의 적어도 일부분으로부터 판정될 수 있다. 소정 실시예들에 따르면, 속성들은 본 명세서에 개시되는 또는 본 기술분야에 공지되어 있는 임의의 디바이스와 같은 단일 디바이스 상에서 계산된다. 일 실시예에서, 메트릭들의 속성들 및 계산은 단일 디바이스 상에서 계산된다. 그러한 일 실시예에서, 사용자의 부속기관 상에 착용되도록 구성된 디바이스는 센서 데이터를 수신하도록 그리고 속성들 및 속성들로부터의 복수의 메트릭들을 계산하도록 구성될 수 있다. 일 실시예에서, 단일 디바이스는 적어도 하나의 특질을 계산하는 데 활용되는 데이터를 캡처하도록 구성된 적어도 하나의 센서를 포함한다. 소정 실시예들에 따르면, 속성들은 단일 디바이스 상에 위치된 하나 이상의 센서들로부터 계산된다.
예시적인 에너지 소비량 계산
본 명세서에 기술되는 시스템들 및 방법들 중 하나 이상은 에너지 소비량의 추정치를 계산할 수 있다. 이와 같이, 본 명세서에 기술되는 시스템들 및 방법들 중 하나 이상은 도 6의 컴포넌트들 중 적어도 하나를 구현할 수 있다. 따라서, 일례에서, 도 6은 프로세싱되지 않은 센서 데이터(달리, 미처리 센서 데이터로 지칭됨)로부터 에너지 소비량을 계산하는 데 사용될 수 있는 컴포넌트들을 기술한다. 일 구성예에서, 디바이스(112, 126, 128, 130, 및/또는 400)와 같은 디바이스가 사용자에 의해 수행되고 있는 하나 이상의 활동들과 연관된 데이터를 캡처할 수 있다. 상기 디바이스는 하기를 포함하지만 이들로 제한되지 않는 하나 이상의 센서들을 포함할 수 있다: 가속도계, 자이로스코프, 위치 판정 디바이스(예컨대, GPS), 광 센서, 온도(주변 온도 및/또는 체온을 포함함) 센서, 심박수 모니터, 이미지 캡처링 센서, 습도 센서 및/또는 이들의 조합들. 이러한 캡처된 활동 데이터는, 이어서, 사용자와 연관된 하나 이상의 에너지 소비량 값들을 계산하는 데 이용될 수 있다.
일 구현예에서, 센서 데이터는 디바이스(112, 126, 128, 130, 및/또는 400)와 같은 제1 디바이스로부터 수신될 수 있는데, 여기서 상기 제1 디바이스는 제1 동작 프로토콜을 활용할 수 있다. 이러한 제1 동작 프로토콜은 제1 디바이스의 동작/제1 디바이스에 의해 실행되는 하나 이상의 태스크들을 제어하도록 구성된 하나 이상의 프로세스들을 포함할 수 있다. 일례에서, 제1 동작 프로토콜과 같은 동작 프로토콜은, 특히, 운영 체제 또는 프로그램 코드로 지칭될 수 있다. 또한, 제1 디바이스는, 특히, 제1 제조자와 연관될 수 있다. 일례에서, 제1 디바이스로부터 수신된 데이터는 제2 동작 프로토콜을 활용하는 제2 디바이스에 의해 수신될 수 있다. 따라서, 상기 제2 디바이스는 디바이스들(112, 126, 128, 130, 및/또는 400) 중 하나 이상을 포함할 수 있고, 따라서 상기 제2 디바이스의 제2 동작 프로토콜은 제1 동작 프로토콜과 완전히 호환가능한 것은 아니다. 당업자는 상이한 동작 프로토콜들에 관해서 발생할 수 있는 다양한 호환불가능성들을 인식할 것이다. 예를 들어, 데이터는 제1 신택스(syntax) 또는 방법론(methodology)을 이용하여 제1 동작 프로토콜에 의해 프로세싱, 조작, 및/또는 포맷화될 수 있고, 제2 신택스 또는 방법론을 이용하여 제2 동작 프로토콜에 의해 프로세싱, 조작, 및/또는 포맷화될 수 있다. 이러한 방식으로, 제1 동작 프로토콜 및 제2 동작 프로토콜은, 대체적으로, 특히, 서로 호환불가능한 것으로서 또는 서로 완전히 호환가능하지는 않는 것으로 기술될 수 있다. 따라서, 일 구현예에서, 본 명세서에 기술되는 시스템들 및 방법들은 제1 동작 프로토콜을 활용하는 제1 디바이스로부터 수신된 데이터, 및 제2 동작 프로토콜을 활용하는 제2 디바이스에 의해 수신된 데이터를 이용하여 하나 이상의 에너지 소비량 값들을 계산하는 데 활용될 수 있다.
일 구현예에서, 개인에 의해 소비되는 산소량의 추정이 상기 개인에 의한 유효 신진대사 당량(metabolic equivalent), 또는 에너지 소비량의 추정치를 계산하는 데 이용될 수 있다. 예를 들어, 일 실시예에서, 개인에 의해 소비되는 산소 1 리터는 대략 5 킬로칼로리(5 kcal)의 에너지 소비량과 연관될 수 있다. 추가로 또는 대안으로, 당업자는 개인에 의한 산소 소비에 기초하여 에너지 소비량의 계산을 위한 다양한 대안의 방법론들이 존재함을 인식할 것이다.
일 실시예에서, 개인에 의한 산소 소비는 단위 질량당, 예컨대 킬로그램당 산소량(VO2/㎏)으로서 측정될 수 있다. 일 구현예에서, 본 명세서에 기술되는 시스템들 및 방법들은 특정 활동들과 연관된 실제 및/또는 추정된 산소 소비와 관련된 값들, 예컨대 하나 이상의 비일시적 컴퓨터 판독가능 매체들 상에 컴퓨터 실행가능 명령어들로서 저장되는 값들을 활용할 수 있다. 특정 실시예들에서, 값들은 하나 이상의 특정 활동들을 수행하는 하나 이상의 개인들로부터 수집된 실제 데이터(달리, 트레이닝 데이터로 지칭됨)일 수 있거나 또는 실제 데이터로부터 도출될 수 있다. 예를 들어, 본 명세서에 기술되는 시스템들 및 방법들은, 특히, 농구하기, 축구하기, 테니스치기, 걷기, 조깅하기, 달리기, 및 전력질주하기, 앉기, 스쿼트하기(squatting), 및/또는 이들의 조합들을 포함하는 활동들을 수행하는 하나 이상의 개인들에 의한 산소 소비와 관련된 트레이닝 데이터를 활용할 수 있다. 당업자는 개인이 하나 이상의 규정된 활동들을 수행하고 있는 동안에 산소 소비를 모니터링하는 데 활용될 수 있는 다양한 테스팅 절차들을 인식할 것이다. 추가로, 다수의 산소 소비 데이터 포인트들이 활동 동안에 수집될 수 있다는 것이 당업자에게는 쉽게 이해될 것이다. 더욱이, 하나 이상의 데이터 조작 프로세스들이, 특히, 특정 활동 동안에 그리고 기록된 질량(예컨대, 킬로그램 등의 단위로 측정됨) 및/또는 개인 또는 클래스 특정 정보(예컨대, 특히, 성별, 체중, 신장, 연령, 체지방율)에 기초하여 평균 산소 소비를 계산하도록 상기 수집된 데이터 포인트들에 대해 수행될 수 있다.
일 구현예에서, 트레이닝 데이터는 하나 이상의 특정 활동들을 수행하는 하나 이상의 개인들에 대해 기록될 수 있는데, 여기서 상기 트레이닝 데이터는 하나 이상의 특정 활동들 동안의 하나 이상의 시점들에서 소비되는 산소량에 관련된 정보, 및 개인 및/또는 클래스 특정 정보(예컨대, 특정 활동들을 수행하는 개인들의 질량)에 관련된 정보를 포함한다. 추가로, 트레이닝 데이터는 디바이스(112, 126, 128, 130, 및/또는 400)와 같은 디바이스로부터의 센서 데이터를 포함할 수 있다. 이러한 방식으로, 트레이닝 데이터는 하나 이상의 활동들 동안에 소비되는 하나 이상의 산소량들에 관련된 정보 외에도 하나 이상의 센서 출력들에 관련된 정보를 저장할 수 있다. 일 구현예에서, 산소 소비 데이터 외에도 저장된 센서 데이터는 가속도계, 자이로스코프, 위치 판정 디바이스(예컨대, GPS), 광 센서, 온도(주변 온도 및/또는 체온을 포함함) 센서, 심박수 모니터, 이미지 캡처링 센서, 습도 센서 및/또는 이들의 조합들 중 하나 이상으로부터의 데이터를 포함할 수 있다. 예를 들어, 트레이닝 데이터는, 활동 동안에, 예를 들어 축구하기 동안에 소비되는 산소량에 관련된 정보 외에도, 가속도계 센서로부터의 저장된 데이터를 포함할 수 있다.
따라서, 본 명세서에 기술되는 시스템들 및 방법들은 활동과 연관된 하나 이상의 계산된 속성들을 포함하는 트레이닝 데이터를 포함할 수 있다. 더욱이, 활동과 연관된 하나 이상의 속성들은 활동 동안의 하나 이상의 시점들에서 사람의 단위 체중당 소비되는 하나 이상의 산소량들, 및/또는 상기 활동 동안에 사용자의 하나 이상의 모션들을 모니터링하는 디바이스와 연관된 센서들로부터의 하나 이상의 출력들에 기초한 하나 이상의 계산된 값들을 포함할 수 있다. 예를 들어, 일 구현예에서, 가속도계 센서의 출력은 3개의 축들(x-축, y-축, 및 z-축) 각각에 대한 가속도 값을 포함할 수 있다. 따라서, 일 구현예에서, 가속도계 센서가 감응하게 되는 각자의 축들(x-축, y-축, 및 z-축)과 연관된 복수의 가속도 값들은 단일 가속도 데이터 포인트로서 그룹화될 수 있다. 다른 구현예에서, 가속도 값은 하나 이상의 속성들을 계산하도록 디바이스(112, 126, 128, 130, 및/또는 400)와 같은 디바이스와 연관된 프로세서, 예컨대 프로세서(202)에 의해 프로세싱될 수 있다.
일례에서, 센서로부터 수신된 하나 이상의 데이터 포인트들이 사용자의 하나 이상의 모션들을 표현하는 데이터세트 내에 종합된다. 따라서, 하나 이상의 데이터 포인트들은 하나 이상의 트렌드들 및/또는 메트릭들이 데이터로부터 추출되게 하는 방식으로 데이터를 표현하도록 프로세싱될 수 있다. 일례에서, 가속도계로부터 출력된 가속도 데이터가 벡터 놈("vector norm")을 계산하도록 프로세싱(변환)될 수 있다. 일례에서 벡터 놈의 표준 편차, 벡터 놈의 미분, 및/또는 벡터 놈의 FFT(Fast Fourier Transform)를 계산하도록 추가의 또는 대안의 변환들이 채용될 수 있다. 당업자는 소정 변환들이 2개 이상의 센서들로부터의 센서 데이터들을 조합할 수 있고/있거나 그러한 센서 데이터들을 신상(biographical) 데이터(예컨대, 신장, 연령, 체중 등)와 같은 다른 데이터와 조합할 수 있다는 것을 이해할 것이다. 다른 실시예들에서, 변환은 단일 센서들로부터의 데이터만을 활용할 수 있어서, 다수의 센서들로부터의 센서 데이터들이 혼합되지 않게 한다.
일례에서, 하나 이상의 속성들이 수신된 데이터로부터 계산될 수 있고, 여기서 속성들은 사용자의 하나 이상의 모션들을 표현하는 데이터세트 상에서 실행될 수 있는 하나 이상의 변환 프로세스들에 후속해서 계산될 수 있다. 이와 관련하여, 다수의 사용자들로부터의 데이터세트들은 활동이 데이터세트 내에 있지 않은 사용자에 대한 비교로서 이용될 수 있다. 이는 사용자의 활동을 활동 타입(예컨대, 걷기, 달리기, 특정 스포츠를 하기)으로 분류하지 않고서 이루어질 수 있고, 소정 실시예들에서, 사용자는 모델들에 대한 속성 값들을 획득하는 데 이용되는 데이터 내의 트레이닝 데이터를 수집하는 부분으로서 이행되지 않은 활동을 수행하고 있는 중일 수 있다.
다른 예에서, 본 명세서에 기술되는 시스템들 및 방법들은 센서 데이터로부터 하나 이상의 메트릭들을 추정하도록 구현될 수 있다. 이들 메트릭들은, 특히, 에너지 소비량의 추정, 사용자가 달리는 중인지, 걷는 중인지, 아니면 다른 활동을 수행하는 중인지에 대한 추정, 및/또는 사용자가 이동하고 있는 속력 및 거리(페이스)의 추정 등을 포함할 수 있다. 예를 들어, 도 6으로부터의 흐름도(600)의 블록(601)은 하나 이상의 속성들로부터 에너지 소비량을 계산하는 예시적인 구현예를 도시한다. 개별적으로, 블록(603)은 에너지 소비량 메트릭과 동일한 데이터 및/또는 동일한 속성들로부터의 하나 이상의 계산된 속성들(동일한 센서들로부터 도출될 수 있음)을 이용하여 판정될 수 있는 속력을 계산하기 위한 예시적인 구현예에 관한 것이다.
따라서, 본 명세서에 기술되는 시스템들 및 방법들은, 특히, 가속도계, 심박수 센서, 자이로스코프, 위치 판정 디바이스(예컨대, GPS), 광(비가시광을 포함함) 센서, 온도(주변 온도 및/또는 체온을 포함함) 센서, 수면 패턴 센서, 이미지 캡처링 센서, 습도 센서, 힘 센서, 나침반, 각속도 센서, 및/또는 이들의 조합들을 포함하는 하나 이상의 상이한 센서 타입들로부터 수신된 데이터를 활용할 수 있다. 더욱이, 도 6으로부터의 흐름도(600)의 하나 이상의 컴포넌트들은 제1 동작 프로토콜을 활용하는 제1 디바이스에 의해 그리고 제2 동작 프로토콜을 활용하는 제2 디바이스로부터 수신된 데이터 등을 이용하여 구현될 수 있다.
더욱이, 가속도계 센서로부터 출력된 가속도 데이터와 연관된 속성들의 예가 기술되어 있지만, 당업자는 본 발명의 범주로부터 벗어나지 않으면서 다른 센서들이 단독으로 또는 또 다른 센서들 및 디바이스들과 조합하여 사용될 수 있다는 것을 이해할 것이다. 예를 들어, 심박수 모니터가 사용될 수 있는데, 여기서 심박수 모니터로부터 출력된 데이터는 BPM(beats per minute) 또는 당량의 단위로 심박수를 표현하는 데이터를 출력할 수 있다. 따라서, 심박수 데이터 포인트들 사이에 심박수 신호를 보간하여 소정 포인트들에서의 신호 드롭아웃들을 허용하도록, 출력된 심박수 데이터에 대해 하나 이상의 변환들이 수행될 수 있다. 더욱이, 심박수 모니터 또는 임의의 다른 센서와 연관된 센서 데이터에 대해 계산된 속성들은 가속도계 데이터와 관련하여 전술된 것들과 동일할 수 있거나 또는 그들과는 상이할 수 있다.
다른 구현예에서, 본 명세서에 기술되는 시스템들 및 방법들은 센서들의 조합들로부터의 센서 데이터를 분석할 수 있다. 예를 들어, 디바이스는, (하나 이상의 가속도계들 등으로부터의) 사용자의 하나 이상의 부속기관들의 모션에 관련된 정보 외에도, 심박수 모니터로부터의 사용자의 심박수에 관련된 정보를 수신할 수 있다. 일례에서, 디바이스는 사용자가 격렬한 운동을 나타내는 심박수를 갖는 것으로 판정할 수 있지만, 가속도계 데이터는 상기 사용자가 소정 기간 동안 휴식 중이었음을 나타낼 수 있다. 따라서, 디바이스는 사용자가 활동 주기 후에 지속적인 상승된 심박수를 갖고 있지만 현재는 상기 활동 후에 휴식 중인 것 등등으로 판정할 수 있다.
일 구현예에서, 트레이닝 데이터는, 특히, 사용자의 성별, 체중, 및/또는, 신장과 같은 하나 이상의 개인 특정 속성들에 (적어도 부분적으로) 기초하여 소비되는 산소량을 예측하기 위한 하나 이상의 모델들(달리, 전문가들 또는 전문가 모델들로 지칭됨)을 구성하는 데 이용될 수 있다. 따라서, 디바이스(112, 126, 128, 130, 및/또는 400)와 같은 디바이스와 연관된 하나 이상의 센서들로부터의 정보는 하나 이상의 속성들을 계산하는 데 이용될 수 있다. 이어서, 계산된 속성들은 하나 이상의 구성된 모델들과 연관된 속성들과 비교될 수 있고, 이에 의해, 계산된 속성들에 대응하는 모션 신호들(센서 출력 값들)을 출력하는 동안에 사용자에 의해 소비되고 있는 산소량을 예측하는 데 이용될 수 있다. 예를 들어, 사용자는 부속기관 상에 센서 디바이스를 착용한 채로 축구를 하는 것과 같은 활동을 수행하는 중일 수 있다. 센서 디바이스는, 이어서, 하나 이상의 속성들을 계산하도록 프로세싱될 수 있는 센서 값들을 출력할 수 있다. 후속으로, 하나 이상의 계산된 속성들은 하나 이상의 모델들과 연관된 하나 이상의 속성들과 비교될 수 있고, 축구를 하는 동안에 사용자에 의해 소비되고 있는 산소량의 추정이 이루어질 수 있다. 더욱이, 소비되고 있는 산소량의 상기 추정은 축구를 하고 있는 사용자에 의한 에너지 소비량 값들을 추정하는 데 이용될 수 있다. 이러한 프로세스는 도 6과 관련하여 더 상세히 기술된다. 소정 실시예들에서, 모든 센서 데이터는 일원화된 디바이스에서 생성된다. 일례에서, 일원화된 디바이스는 부속기관 착용형 디바이스이다. 소정 구성예들에서, 부속기관 착용형 디바이스는 가속도계, 위치 판정 센서(예컨대, GPS), 및 심박수 모니터 중 적어도 하나를 포함한다. 다른 예에서, 일원화된 디바이스는 신발과 같은 운동복 상에 또는 그 내에 위치되도록 구성된 센서를 포함한다. 또 다른 예에서, 적어도 2개의 상이한 디바이스들로부터의 센서가 데이터를 수집하는 데 활용된다. 적어도 하나의 실시예에서, 데이터를 캡처하는 데 활용되는 센서를 포함하는 디바이스는, 또한, 에너지 소비량의 출력을 제공하도록 구성된다. 일 실시예에서, 디바이스는 에너지 소비량에 관한 출력을 디스플레이하도록 구성된 디스플레이 디바이스를 포함한다. 추가 실시예들에서, 디바이스는 에너지 소비량에 관한 정보를 원격 디바이스로 송신하도록 구성된 통신 요소를 포함할 수 있다.
다른 구현예에서, 하나 이상의 속성들이 수신된 센서 데이터로부터 계산될 수 있고, 특히, 사용자의 속력/페이스를 예측하기 위한 하나 이상의 걷기 및/또는 달리기 모델들에 대한 입력들로서 이용될 수 있다. 그러한 구현예의 추가 세부사항들이 흐름도(600)의 블록(603)과 관련하여 기술된다.
도 6은 속성 계산의 예시적인 구현예를 도시한 흐름도이다. 일례에서, 이러한 속성 계산은 사용자에 의해 수행되고 있는 활동과 연관된 하나 이상의 메트릭들을 추정하는 데 이용될 수 있고, 여기서 상기 추정은 에너지 소비 속력, 및/또는 하나 이상의 다른 메트릭들을 포함할 수 있다. 일례에서, 걷기 및/또는 달리기의 에너지 소비량 및/또는 속력이 동일한 세트의 속성들, 또는 공통 그룹의 속성들 중의 서브세트의 속성들 등을 이용하여 추정될 수 있다.
사용자의 이동에 관련된 정보는 사용자를 모니터링하는 하나 이상의 센서 디바이스들과 연관된 하나 이상의 센서들로부터의 하나 이상의 데이터 신호들로서 출력될 수 있다. 일 구현예에서, 도 6은, 특히, 디바이스(112, 126, 128, 130, 및/또는 400)와 같은 센서 디바이스와 연관될 수 있는 적어도 하나의 프로세서, 예컨대 프로세서 유닛(202)에 의해 수행되는 하나 이상의 프로세스들을 표현한다. 따라서, 디바이스들은 활동 동안에 사용자에 의해 소비되고 있는 산소량을 직접적으로 모니터링하지 않을 수도 있다. 일 구현예에서, 하나 이상의 센서 디바이스들은 사용자에 의해 수행되고 있는 하나 이상의 활동들과 연관되는 하나 이상의 모션들을 모니터링할 수 있다. 더욱이, 일 배열예에서, 수신된 활동 데이터는 소정 속성들을 보일 수 있는 활동들에 대한 관찰된 산소 소비 값들과 상관될 수 있고, 하나 이상의 산소 소비 모델들과 연관될 수 있다.
하나 이상의 실시예들은 하나 이상의 센서들로부터 센서 데이터를 수신한다(예컨대, 블록(602) 참조). 소정 실시예들에서, 센서 데이터는 사용자에 의해 착용된 디바이스와 연관될 수 있다. 일례에서, 그리고 전술된 바와 같이, 상기 디바이스는, 특히, 디바이스(112, 126, 128, 130, 및/또는 400)일 수 있다. 따라서, 센서 데이터는 도 2로부터의 프로세서(202)와 같은 프로세서에 의해 수신될 수 있고, 본 명세서에 기술되고/되거나 당업계에 공지되어 있는 하나 이상의 센서들로부터 수신될 수 있다. 일 구현예에서, 블록(602)에서, 센서 데이터는, 특히, 25 ㎐의 주파수로 가속도계로부터 수신될 수 있다. 추가로 또는 대안으로, 센서 데이터는 5.0초 내지 5.5초의 윈도우들에서 가속도계와 같은 센서로부터 수신될 수 있다. 일 실시예에서, 윈도우(또는 시간 프레임)는 길이가 약 5.12초일 수 있다. 윈도우는 센서 데이터가 사용자에 의해 수행되고 있는 하나 이상의 활동들과 연관된 사용자의 하나 이상의 모션들에 대해 기록되는 기간일 수 있다. 일 구현예에서, 단순한 윈도우는 센서 데이터의 128개 샘플들(데이터 포인트들)을 포함할 수 있는데, 여기서 센서 데이터의 1개 샘플은 가속도계의 3개의 직교축들(x-축, y-축, 및 z-축) 각각에 대한 값, 및 벡터 놈 값을 포함할 수 있다. 또 다른 구현예에서, 일 구현예에서의 가속도계로부터 수신된 센서 데이터가 중첩되지 않는 윈도우들(예컨대, 각각이 128개 샘플들을 포함하고/하거나, 동시가 아니라 단일로 수신되고/되거나, 서로 별개인 센서 데이터의 5.12초-길이 그룹들) 내에 수용될 수 있다. 그러나, 대안의 실시예들에서, 당업자는 본 명세서에 기술되는 시스템들 및 방법들이 가속도계의 임의의 동작 주파수와 함께, 임의의 시간 길이를 측정하는 윈도우 길이와 함께, 그리고 주어진 윈도우 내에서부터의 센서 데이터의 임의의 개수의 샘플들을 이용하여 채용될 수 있다는 것을 용이하게 이해할 것이다. 데이터는, 예를 들어 블록(604)에서와 같이, 그것이 수신됨에 따라 유효화될 수 있다. 데이터 유효화는, 특히, 하나 이상의 임계 값들에 대한 수신된 센서 데이터의 하나 이상의 값들의 사람 등을 포함할 수 있다.
본 발명의 추가 태양들은 데이터로부터 하나 이상의 속성들을 계산하는 것에 관한 것이다(예컨대, 블록(606) 참조). 하나 이상의 속성들의 계산은 본 명세서에 기술된 것들과 같은 유효화 프로토콜들 후에 발생할 수 있다. 일 구현예에서, 하나 이상의 속성들이 샘플 윈도우(예컨대, 전술된 128개 샘플 윈도우)에서 수신된 샘플들 중 하나 이상에 대해 계산될 수 있다. 속성 계산은 데이터가 수집됨에 따라 실시간으로 발생할 수 있다.
추가 실시예들은, 하나 이상의 센서들로부터 수신된 데이터와 연관되고 사용자에 의해 수행되고 있는 하나 이상의 활동들을 나타내는 하나 이상의 계산된 속성들을 하나 이상의 모델들과 연관된 하나 이상의 속성들과 비교할 수 있다. 일례에서, 하나 이상의 속성들이 하나 이상의 모델들과 비교될 수 있다(예컨대, 블록(608) 참조). 예를 들어, 에너지 소비량의 계산들에 대해, 하나 이상의 속성들이 산소 소비 모델들과 비교될 수 있다. 다른 예에서, 속성들은, 특히, (걷기 중의) 스텝들, (달리기 중의) 주폭(stride)들, 또는 사용자에 의한 다른 이동들의 개수의 추정에 대한 모델들, 및/또는 사용자의 속력 및 거리(페이스)의 추정에 대한 모델들 중 하나 이상에 대한 입력들로서 이용될 수 있다(예컨대, 흐름도(600)의 블록(603) 참조). 더욱이, 도 6으로부터 명백한 바와 같이, 하나 이상의 계산된 속성들은 하나 이상의 모델들로의 입력들로서 이용되어, 일례에서, 에너지 소비량의 추정을 위한 모델이, 스텝 속도(step rate), 걷기 속력, 및/또는 달리기 속력 등의 계산을 위한 모델과는 별개로 실행될 수 있게 할 수 있다. 전술된 바와 같이, 하나 이상의 모델들은 메모리(212)와 같은 메모리 등에 저장될 수 있고, 센서 디바이스를 비롯한 디바이스와 연관될 수 있다.
일 구현예에서, 모델은 하나 이상의 활동들을 이행하는 하나 이상의 사용자의 수행 동안에 수집된 정보(예컨대, 트레이닝 데이터), 및 일례에서, 예측된 산소 소비를 포함할 수 있다. 모델들은, 운동선수가 수행하고 있는 활동과는 상이함에도 불구하고, 속성들 사이에 유사한 관계들을 가질 수 있는 활동들로부터의 트레이닝 데이터를 포함할 수 있다. 이와 같이, 모델들은 산소 소비의 정확한 예측자들로서의 역할을 할 수 있다. 따라서, 모델은 하나 이상의 상이한 활동들과 연관된 트레이닝 데이터를 포함할 수 있다. 예를 들어, 모델은, 특히, 축구를 하는 것 및 농구를 하는 것과 연관된, 하나 이상의 모니터링 프로세스들로부터 수신된 트레이닝 데이터를 포함할 수 있다. 이러한 방식으로, 축구 및 농구 활동 데이터의 소정 이동들과 연관된 산소 소비 데이터는 (활동들 동안의 상이한 기간들 등에 대한 하나 이상의 사전결정된 수치 범위들 내에서) 유사할 수 있다.
다른 구현예에서, 제1 산소 소비 모델은 제2 산소 소비 모델에 이용되는 그들 하나 이상의 사용자들의 데이터와 동일한 하나 이상의 사용자들로부터의 데이터를 포함할 수 있다. 다른 구성예에서, 제1 모델 및 제2 모델은 동일한 하나 이상의 사용자들의 데이터를 이용할 수 있다. 또 다른 구성예에서, 모델과 연관된 데이터가 단일 데이터 수집 기간 동안에 동일한 하나 이상의 사용자들로부터, 또는 동일한 또는 상이한 날에 걸친 다수의 수집 기간들 등으로부터 캡처되었을 수도 있다. 일 구현예에서, 제1 모델은 제1 그룹의 하나 이상의 센서들로부터의 데이터와 연관될 수 있고, 제2 모델은 제2 그룹의 하나 이상의 센서들과 연관될 수 있는데, 여기서 제1 그룹은 동일한 센서 타입들 중 하나 이상을 공유할 수 있거나, 또는 어느 것과도 공유하지 않을 수도 있다. 일 구현예에서, 본 명세서에 기술되는 시스템들 및 방법들은 활동 데이터(실시간 활동 데이터 등)로부터의 계산된 속성들을 하나 이상의 모델들과 비교할 수 있는데, 여기서 하나 이상의 모델들은 그 활동 타입에 대해 캡처된 데이터를 포함하지 않을 수도 있다. 이러한 방식으로, 하나 이상의 모델들은 사용자에 의해 수행되고 있는 특정 활동에 불가지론적일 수 있다. 예를 들어, 활동 디바이스는 사용자가 농구 활동을 수행하는 것으로부터 정보를 수신할 수 있다. 이에 응답하여, 디바이스는 수신된 농구 활동 데이터를 프로세싱할 수 있고(예를 들어, 흐름도(600)의 블록(606)), 계산된 속성들을 하나 이상의 모델들과 비교할 수 있다(예를 들어, 블록(608)). 일 구현예에서, 하나 이상의 모델들은 농구에 관한 데이터를 포함할 수 있거나, 또는 포함하지 않을 수도 있다. 이러한 방식으로, 수신된 센서 데이터에 대한 계산된 하나 이상의 속성들은 하나 이상의 모델들에 대응할 수 있고, 여기서 모델들은 사용자에 의해 수행되고 있는 특정 활동에 관한 트레이닝 데이터를 포함할 필요가 없다.
일 구성예에서, 다른 모델들의 속성들과 중첩할 수 있거나 또는 중첩하지 않을 수도 있고 자신의 속성들을 각각 갖는 복수의 모델들이 활용될 수 있다. 하나의 예시적인 구현예에서, 각각의 모델은 20개 속성들과 연관될 수 있다. 다른 구성예에서, 본 명세서에 기술되는 시스템들 및 방법들은 각각의 모델에 대해 5개, 10개, 15개, 또는 21개 속성들을 저장할 수 있다. 그러나, 본 명세서에 기술되는 시스템들 및 방법들은 각각의 모델과 연관하여 임의의 개수의 속성들을 저장할 수 있고, 소정 실시예들에서, 제1 모델과 연관하여 저장된 속성들의 제1 개수는 제2 모델과 연관하여 저장된 속성들의 제2 개수와는 상이할 수 있다는 것이 당업자에게는 용이하게 이해될 것이다. 더욱이, 모델과 연관하여 저장된 하나 이상의 속성들은 대안으로 가중치들로 지칭될 수 있거나, 또는 모델을 디바이스로부터 수신된 센서 데이터로부터 계산된 그들 속성들과 비교하는 데 이용될 수 있는 관련된 가중 값들을 계산하는 데 이용될 수 있다. 따라서, 일 구현예에서, 사용자의 이동 데이터를 수집하는 센서 디바이스(또는 다수의 센서 디바이스들)로부터 수신된 데이터로부터 계산된 속성들의 개수는 하나 이상의 저장된 산소 소비 모델들과 연관된 속성들의 개수 또는 대안으로 가중치들의 개수와 동일할 수 있다.
하나 이상의 태양들은 저장된 하나 이상의 모델들의 총 개수로부터 제1 모델이 산소 소비의 가장 정확한 추정치를 제공할 확률을 계산할 수 있다. 예를 들어, 소정 그룹의 상이한(예컨대, 16개) 모델들 중의 특정 모델이 산소 소비의 가장 정확한 출력을 제공할 가능성이 가장 큰 확률이 계산될 수 있다. 계산들은, 예를 들어 블록(608)의 일부로서 수행될 수 있고, 사용자에 의해 수행되고 있는 활동을 나타내는 수신된 센서 데이터로부터 계산된 하나 이상의 속성들에 기초할 수 있다. 일 구현예에서, 수신된 센서 데이터로부터 계산된 속성들 사이의 근접성의 레벨, 및 저장된 산소 소비 모델들 중 하나 이상의 모델들과 연관된 그들 속성들 또는 대안으로 그들 가중치들이, 예를 들어 블록(608)의 일부로서 계산될 수 있다. 일 구현예에서, 본 명세서에 기술되는 시스템들 및 방법들은 입력 속성들을 저장된 모델(전문가)과 연관된 대응하는 가중치들과 비교하도록 하나 이상의 프로세스들을 실행할 수 있다. 일례에서, 블록(608)은 각각의 저장된 모델에 대한 확률을 계산할 수 있다. 따라서, 상기 확률은 계산된 하나 이상의 속성들이 주어진 모델에 대한 최상 피팅(best-fit)일 가능성을 표현할 수 있다. 예를 들어, 확률은 저장된 16개 모델들 각각 등에 대해 계산될 수 있다. 계산된 16개 확률들로부터의 최고 확률 값은 계산된 속성들 등에 대한 최상 피팅을 갖는 모델을 나타낸다.
일례에서, 블록(610)은 블록(608)으로부터 그들 계산된 속성들에 대한 최상 매칭(best-match) 또는 최상 피팅을 갖는 모델을 선택하도록 하는 하나 이상의 프로세스들을 표현한다. 전술된 바와 같이, 상기 최상 피팅 모델은 사용자의 활동을 모니터링하는 센서 디바이스로부터 수신된 데이터를 가장 근접하게 근사화하는 저장된 트레이닝 데이터를 표현한다. 일 구현예에서, 최상 피팅 모델은 1.0의 값에 가장 근접한 계산된 확률 값에 대응하는 모델일 수 있다. 다른 구현예에서, 블록(610)은 2개 이상의 모델들을 선택할 수 있다. 예를 들어, 사전정의된 편차, 변동, 및/또는 임계치 내에서 피팅하는 모델들이 선택될 수 있다(하이브리드-모델 전략으로 지칭됨).
예시적인 블록(612)으로 나타내진 바와 같이, 하나 이상의 실시예들은 선택된 모델(전문가)로부터 출력 값을 추정할 수 있다. 일례에서, 출력은 사용자에 의해 수행되고 있는 하나 이상의 활동들의 결과로서 산소 소비량의 추정치 내에 있을 수 있다. 따라서, 일례에서, 블록(612)은, 센서 데이터로부터 계산된 속성 값들과 가장 근접하게 매칭하는 선택된 모델(예컨대, 최상 피팅 모델)에 기초하여, 사용자에 의해 수행되고 있는 활동을 추정된 산소 소비 값과 상관시킬 수 있다. 일 구현예에서, 모델은 산소 소비의 하나 이상의 추정치들을 저장할 수 있는데, 여기서 산소 소비의 하나 이상의 추정치들은 사용자의 성별, 체중, 및/또는, 신장과 같은 적어도 하나의 개인 특정 값에 기초하여 저장될 수 있다. 따라서, 그리고 센서 디바이스로부터 수신된 센서 데이터와 연관된 하나 이상의 속성들에 기초하여, 블록(612)은 사용자에 의해 수행된 활동에 기초한 사용자에 의한 산소 소비량의 추정치를 되돌려줄 수 있다.
블록(614)은 모델 출력 값과 연관된 모션 메트릭을 추정하도록 구현될 수 있다. 일례에서, 모션 메트릭은 에너지 소비량 값일 수 있는데, 이는 산소 소비 값을 이용하여 추정될 수 있다. 전술된 바와 같이, 하나 이상의 방법들이 산소 소비 값으로부터 에너지 소비량을 계산하는 데 활용될 수 있다. 일례에서, 5 kcal의 추정된 에너지 소비량이 사용자에 의한 1L의 산소 소비와 연관된다. 그러나, 당업자는 산소 소비의 값에 기초하여 그리고 하나 이상의 개인 특정 값들(예컨대, 사용자의 신장 및 체중)을 이용하여 에너지 소비량을 계산하기 위한 다양한 다른 공식들을 인식할 것이다.
다른 구현예에서, (예컨대, 블록(606)에서) 계산된 하나 이상의 속성들은 센서 데이터가 걷기를 나타내는지, 달리기를 나타내는지, 아니면 사용자에 의해 수행되고 있는 다른 활동을 나타내는지의 판정, 및 추가로 또는 대안으로, 사용자가 걷는 중 또는 달리는 중인 속력 등의 판정 시에 이용될 수 있다. 따라서, 블록(606)에서 계산된 하나 이상의 속성들은 블록(603)에 대한 입력들로서 이용될 수 있다. 구체적으로, 하나 이상의 속성들은 블록(606)으로부터 결정 블록(616)으로 전달될 수 있다. 블록(616)에서, 사용자가 달리는 중이거나 걷는 중인지, 아니면 다른 활동을 수행하고 있는지 판정하도록 하나 이상의 프로세스들이 실행될 수 있다. 사용자가 달리기 또는 걷기 이외의 활동을 수행하고 있는 것으로 판정되는 경우, 흐름도는 블록(616)으로부터 블록(618)으로 진행한다. 따라서, 달리기 또는 걷기 이외의 활동을 수행하는 사용자에 대해, 사용자가 이동하고 있는 속력 등을 정의하기 위한 어떠한 프로세스들도 실행되지 않는다. 결정(616)에서 사용자가 달리는 중 또는 걷는 중인 것으로 판정되는 경우, 결정(620)은 활동이 걷기인지 아니면 달리기인지를 판정하도록 구현될 수 있다. 달리기 또는 걷기와 같은 활동을 선택하기 위한 예시적인 실시예들이 본 명세서에 제공된다. 일 실시예에서, 사용자가 달리는 중인 것으로 판정되는 경우, 하나 이상의 속성들은, 예컨대 속력을 판정하기 위해, 달리기 모델에 전달될 수 있다(예컨대, 블록(622) 참조). 그러나, 사용자가 걷는 중인 것으로 판정되는 경우, 소정 실시예들은, 예컨대 속력을 판정하기 위해, 하나 이상의 속성들을 걷기 모델에 전달할 수 있다(예컨대, 블록(624)).
다른 구현예에서, 본 명세서에 기술되는 시스템들 및 방법들은 디바이스(112, 126, 128, 130, 및/또는 400)와 같은 활동 디바이스로부터 수신된 하나 이상의 메트릭들을 이용하여 에너지 소비량을 계산하는 데 활용될 수 있다. 이와 같이, 하나 이상의 메트릭들은 사용자에 의해 수행되고 있는 활동에 관한 활동 메트릭들을 포함할 수 있다. 활동 메트릭들의 예들은, 특히, 하기를 포함할 수 있지만 이들로 제한되지 않는다: 속력, 페이스, 가속도, 산소 소비량, 신진대사 당량 값, 열량 소비 값, 힘, 심박수, 변화도(gradient), 또는 온도. 따라서, 일례에서, 도 7a에 개략적으로 도시된 흐름도(700)는 외부 디바이스로부터 수신된 데이터로부터 사용자의 에너지 소비량 값의 계산을 위한 하나 이상의 프로세스들을 기술할 수 있다. 또한, 일 구현예에서, 흐름도(700)의 하나 이상의 컴포넌트들은 제1 동작 프로토콜을 활용하는 하나 이상의 디바이스들에 의해 그리고 제2 동작 프로토콜을 활용하는 하나 이상의 별개의 디바이스들로부터 수신된 데이터를 이용하여 실행될 수 있다. 이와 같이, 이들 제1 및 제2 동작 프로토콜들은 본 명세서에 전술된 바와 같이 호환불가능성 문제들을 가질 수 있다.
하나의 특정 예에서, 도 7a에서의 흐름도(700)의 하나 이상의 컴포넌트들은, 전술된 바와 같이, 디바이스(112, 126, 128, 130, 및/또는 400)와 같은 디바이스에 의해 실행될 수 있다. 일 실시예에서, 사용자에 의해 착용되도록 구성된 디바이스, 예컨대 손목 착용형 디바이스 상에만 위치된 센서들은 모션 파라미터들을 검출하는 데 활용될 수 있다. 그러한 디바이스 상의 센서들로부터의 데이터는 활동을 분류하는 것 및/또는 에너지 소비량을 판정하는 것에 관한 하나 이상의 판정 시에 다른 센서들의 보조 없이 이용될 수 있다. 활동은 사용자(124)의 운동 및/또는 다른 신체 활동을 포함할 수 있다. 일 구현예에서, 도 7a는 일 실시예에 따라, 개인의 활동을 분류하고/하거나 개인의 에너지 소비량 값들을 계산하는 데 활용될 수 있는 예시적인 프로세스를 갖는 흐름도(700)를 개략적으로 도시한다. 도 7a는 복수의 서브요소들을 포함할 수 있는 예시적인 실시예들의 개관으로서 제공된다. 이와 관련하여, 도 7a에 뒤이은 나머지 도면들(및 관련된 개시내용)은 센서 데이터를 획득하고 에너지 소비량 값들을 제공하는 전체 시스템을 제공하도록 도 7a와 함께 그리고/또는 서로에게 선택적으로 이용될 수 있다. 다른 실시예들에 따르면, 하기에 논의되는 하나 이상의 상이한 시스템들 및 방법들은 단독으로, 또는, 특히, 하기 중 하나 이상을 제공하는 다른 개시된 시스템들 및 방법들의 일부와만 조합하여 이용될 수 있다: 스텝 카운트들, 활동 분류들, 및 에너지 소비량들. 스텝 수량화 시스템들 및 방법들의 다양한 실시예들은 저전력, 고충실도, 다계층(multi-tier) 기법을 이용한 정수 기반 스텝 카운터에 관한 것일 수 있다. 이들 및 다른 실시예들이 하기에 기술된다.
제1 실시예에 따르면, 하나 이상의 디바이스들(예컨대, 디바이스들(112, 126, 128, 130, 및/또는 400))과 연관된 하나 이상의 센서들로부터의 복수의 샘플들이 제1 기간 동안에 획득될 수 있다(예컨대, 블록(702) 참조). 소정 구성예들에서, 적어도 하나의 센서(예컨대, 센서(128))는 가속도계를 포함할 수 있다. 가속도계는 다중 축 가속도계일 수 있다. 그러나, 다른 실시예에서, 복수의 가속도계들이 활용될 수 있다. 다른 비-가속도계 기반 센서들이 또한, 가속도계와 조합하여 또는 개별적으로, 본 발명의 범주 내에 있다. 또한, 운동 변동 및/또는 생리학적 특성들을 검출 또는 측정하도록 구성가능한 임의의 센서(들)가 본 발명의 범주 내에 있다. 이와 관련하여, 데이터는, 예를 들어 위치 센서(예컨대, GPS), 심박수 센서, 힘 센서, 자이로스코프 등을 비롯한 복수의 센서들로부터 얻어질 수 있고, 그리고/또는 그들로부터 도출될 수 있다. 일 실시예에서, 다양한 시스템들 및 방법들이, 적어도 부분적으로 휴대용 디바이스 상에서 구현된다. 소정 실시예들에서, 휴대용 디바이스는 손목 착용형 디바이스(예컨대, 센서(128) 참조)일 수 있다. 일 실시예에서, 인간 부속기관(예컨대, 손목, 팔, 목, 발목, 다리 등) 상에 착용되도록 구성된 디바이스로부터의 센서 데이터는 다른 센서 데이터 없이 활용될 수 있다. 예컨대 가속도계 및/또는 다른 센서들을 통해 측정된 모션 데이터가 다중 세그먼트 임계치 기반 가속도 버퍼 내로 로딩될 수 있다.
추가 태양들은, 그러한 사용자(124)와 같은 사용자가 취한 스텝들의 수량과 같은 운동 파라미터를 검출 및/또는 측정하는 것에 관한 것이다. 검출된 파라미터들이 특정 행동 또는 활동을 나타내는지 여부를 판정하도록 하나 이상의 시스템 또는 방법들이 (예컨대, 가속도계 데이터를 포함하는 가속도 버퍼에서) 데이터의 다양한 부분들을 활용할 수 있다. 일 실시예에서, 스텝들의 수량은 사전정의된 기간 동안에 검출될 수 있다(예컨대, 블록(704) 참조). 여러 가지 상이한 시스템들 및 방법들이 소정 기간 동안에 사용자가 취한 스텝들의 개수를 수량화하는 데(또는 심지어 스텝들이 센서 데이터 내에 존재하는지 여부를 판정하는 데) 활용될 수 있다. 일 구현예에서, 주어진 기간 동안에 사용자가 취한 스텝들을 수량화하기 위한 시스템들 및 방법들이 2013년 1월 17일자로 출원된 미국 출원 제13/744,103호의 도 4 내지 도 8에 설명되어 있으며, 상기 출원의 전체 내용은 임의의 그리고 모든 비제한적인 목적들을 위해 본 명세서에 참고로 포함된다. 일례에서, 스텝 데이터 및/또는 다른 모션 데이터는, 예를 들어, 걷기 또는 달리기 중 어느 하나와 같은 활동의 분류 시에 활용될 수 있다(예컨대, 블록(706) 참조). 소정 구현예들에서, 데이터가 제1 카테고리(예컨대, 걷기) 또는 카테고리들의 그룹(예컨대, 걷기와 달리기) 내에 있는 것으로 분류될 수 없는 경우, 제1 방법은 수집된 데이터를 분석할 수도 있다. 일례에서, 검출된 파라미터들이 분류될 수 없는 경우, 유클리드 놈 방정식(Euclidean norm equation)이 추가 분석에 활용될 수 있다. 일례에서, 얻어진 값들의 평균 크기 벡터 놈(제곱합의 제곱근)이 활용될 수 있다. 또 다른 예에서, 상이한 방법이 제1 카테고리 또는 카테고리들의 그룹 내에서 분류에 이어서 데이터의 적어도 일부분을 분석할 수 있다. 일례에서, 본 명세서에 개시된 것들과 같은 스텝 알고리즘이 활용될 수 있다.
추가 예들은 분류된 활동 데이터 및/또는 미분류된 활동 데이터를 활용하여, 센서들 중 하나 이상에 의해 감지되는 바와 같은 사용자의 검출된 모션들의 에너지 소비량을 추정할 수 있다(예컨대, 블록(708)).
추가 예들은 적어도 하나의 활동 인자에 따라 에너지 소비량 값들을 조절하는 것에 관한 것이다. 일부 예들에서, 활동과 활동 인자 사이에는 일대일 상관성이 없다. 활동 인자의 선택은 식별된 활동, 취해진 스텝들, 심박수, 및 운동 강도와 같은 여러 개의 상이한 변수들에 기초할 수 있다.
다양한 예들의 태양들은 종래에 공지된 시스템들 및 방법들을 넘는 하나 이상의 이점들 및/또는 이득들을 제공할 수 있다. 소정 구현예들에서, 버퍼 필링(filling) 전략을 이용하여 단기 지속시간의 팔의 이동에 대한 거짓 포티지브(false positive)들이 감소되거나 제거된다. 분석(예컨대, FFT)을 위한 제약된 검색을 이용하는 것은 올바른 주파수(예컨대, 올바른 걷기 주파수가 두 발의 스텝들에 대해 얻어지도록 하는, 팔의 스윙보다는 수직 바운스에 관한 주파수들)를 선택하는 것을 도울 수 있다. 추가 예들에서, 모션 데이터 윈도우들의 중첩은 짧은 버스트(burst)의 활동들(예컨대, 스텝 활동들)의 개선된 검출을 허용할 수 있다. 마지막으로, 주파수 분석은, 센서들의 하나의 조합된 채널 상에서, 팔의 회전이 센서 출력들의 검출 및 측정을 분출하지 않도록 수행될 수 있다. 또한, 가속도계 채널들을 조합함으로써, 더 적은 분석(예컨대, 푸리에 변환 주파수 분석들)이 수행될 수 있다. 이는 배터리 수명을 개선할 수 있다. 이들 이점들 중 하나 이상은 물리적 모션들의 수행 동안에 사용자의 부속기관 상에 착용되도록 구성된 휴대용 디바이스 상에서 실현될 수 있다.
일 구현예에서, 프로세스(700)는 계산된 에너지 소비량 값을 표준화할 수 있다. 이와 같이, 일례에서, 프로세스(700)는 블록(710)에서 하나 이상의 표준화 프로세스들을 실행할 수 있다.
따라서, 블록(710)에서 실행된 것들과 같은 하나 이상의 표준화/표준 프로세스들은, 예를 들어 열량 소비량으로 표현될 수 있는 누적 에너지 소비량 값과 같은 운동 메트릭을 계산하는 데 이용될 수 있다. 사용자 활동의 분류와 같은 하나 이상의 기준들에 기초하여, 하나 이상의 표준화 인자들(또는 하나 이상의 인자들을 활용하는 프로세스들)이 판정될 수 있다. 예를 들어, 일 실시예에서, 사용자(124)의 활동들 중 적어도 하나는 (예컨대, 도 7a에 도시된 흐름도(700)의 블록(710) 또는 도 7b에 도시된 흐름도(720)의 블록(734)에서와 같이) 분류될 수 있고, 하나 이상의 대응하는 표준화 인자들이 운동 메트릭에 적용될 수 있다. 일례에서, 표준화된 운동 메트릭을 생성하도록 하는 활동 분류(또는 다른 변수(들))에 대한 표준화 인자들의 적용은, 운동들의 활동 레벨들의 개선된 비교를 허용할 수 있고/있거나 사용자들 사이의 협력을 촉진할 수 있고, 상이한 능력들의 사용자들 사이의 경쟁에 대한 결과들을 표준화할 수 있고, 다른 방식으로 활동을 권장할 수 있다. 일 실시예에서, 표준화된 에너지 소비량 값이 하기와 같이 계산될 수 있다:
[수학식 1]
NEEV = AF*지속시간
여기서,
NEV = 표준화된 에너지 소비량 값
AF = 활동 인자
지속기간 = 단계(706)에서 분류된 활동의 지속시간
블록(706)은 활동을 모니터링하는 센서들을 포함하는 디바이스에서, 그리고/또는 모바일 전화기(예컨대, 112 참조) 또는 서버(예컨대, 111 참조)와 같은, 프로세서를 포함하는 다른 디바이스에서 수행될 수 있다.
일부 실시예들에서, 수학식 1은 활동 인자 및 지속시간에 의해 승산되는 스칼라를 포함하도록 수정될 수 있다. 스칼라는 전형적인 에너지 표준화된 소비량 포인트들이 원하는 범위 내에 있도록 선택될 수 있다. 값들의 범위는 다양한 게임들 또는 경쟁들에 대해 원해질 수 있다.
수학식 1의 변형들이 본 발명의 다른 실시예들에서 이용될 수 있다. 예를 들어, NEEV들(또는 다른 메트릭들)이 MET 값, RMR 값, 지속시간 및/또는 스칼라를 활용하는 공식들로 계산될 수 있다. 일 실시예에서, NEEV들이 하기와 같이 계산된다:
[수학식 2]
NEEV = MET 값*지속시간*RMR*스칼라
여기서,
MET 값 = 블록(704)에서 판정될 수 있는 신진대사 당량 값
지속시간 = 블록(706)에서 분류된 활동과 같은 활동의 지속시간
RMR = 휴식 중 신진대사율
스칼라 = 하나 이상의 인자들에 기초하여 균일하게 적용될 수 있거나 또는 가변할 수 있는 수
이용된 RMR은 계산된 RMR 또는 디폴트 RMR일 수 있다. 계산된 RMR은 사용자의 신장, 연령, 체중, 성별, 및/또는 다른 인구학적 또는 생리학적 파라미터들과 같은 인자들의 함수일 수 있다. 소정 실시예들에서, 하나 이상의 인자들은 디바이스들(112, 126, 128, 130, 및/또는 400) 중 하나 이상의 디바이스들과 연관된 하나 이상의 센서들로부터 획득 및/또는 도출될 수 있고, 이에 따라, 수신된 운동 메트릭과 연관된 데이터의 사용자(124) 또는 소스에 의해 특정적으로 정의될 필요는 없을 수 있다. 디폴트 RMR은 상대적으로 다수의 사용자들에 대응하는 것으로 생각되는 값일 수 있다. 대안의 실시예들에서, 디폴트 RMR은 잘 알려진 운동선수, 저명인사, 또는 유명한 사람의 RMR에 대응할 수 있다. 디폴트 RMR의 이용은, 달리 비교될 수 없거나 비교되지 않을 많은 상이한 사용자들 사이의 활동 레벨들의 비교를 허용할 수 있다. 디폴트 RMR은, 또한, 사용자들 사이의 협력을 촉진할 수 있고/있거나, 상이한 능력들의 사용자들 사이의 경쟁을 표준화할 수 있고/있거나, 다른 방식으로 활동을 장려할 수 있다.
수학식 2에 나타낸 바와 같이, 스칼라는 선택적으로 구현될 수 있다. 수학식 2에 이용된 스칼라는 1, 3, 5, 또는 10과 같은 정수(whole number)일 수 있지만, 그렇게 요구되지는 않는다. 일부 실시예들에서, 스칼라는 전형적인 에너지 소비량 포인트들이 원하는 범위 내에 있도록 선택된다. 포인트들의 범위는 다양한 게임들 또는 경쟁들을 위해 그리고/또는 가상 통화 또는 포인트 시스템에 대한 관계를 제공하기 위해 바람직할 수 있다. 상이한 그리고 다양한 수학식들이 상이한 게임들, 활동들, 개체군 역학(population dynamics), 및 경쟁들에 대해 선택될 수 있다. 일례에서, 소정 그룹이 피트니스에 기초하여 플레이어들 사이의 핸디캡들을 설정할 수 있어서, NEEV들이 보다 긴 기간(들) 동안에 공통 활동 또는 활동들의 세트를 하는 그들 운동선수들에 대해서만 생성될 수 있다. 에너지 소비량 포인트 경쟁에 참여하는 그룹의 사용자들은 경쟁을 시작하기 전에 특정 수학식 또는 방법에 동의할 수 있다. 또한, 다른 실시예들에서, NEEV 계산은 운동선수들이 포인트들을 최대화하고자 또는 달리 시스템에서 하나 이상의 비정밀성들을 활용하는 활동들을 이행하는 것으로부터 값들을 "벌어들이"고자 시도하는 것을 방지하거나 방지하고자 시도하기 위해 하나 이상의 운동선수들 또는 사용자들에게 명료하게 개시되지 않을 수도 있다. 당업자가 이해하는 바와 같이, 모든 모델은 제한사항들을 가질 것이다. 그리고, 이와 관련하여, 이러한 혁신의 태양들은 본 명세서에 개시되는 하나 이상의 시스템들 및 방법들을 통해 부정확한 그리고/또는 비정밀한 데이터 값들을 최소화하고자 시도한다. 본 발명의 일부 실시예들에서, 사용자는 다수의 경쟁들에 참여할 수 있고, 상이한 계산 방법들 때문에 동일한 활동에 대해 상이한 값들을 획득할 수 있다. 예를 들어, 사용자는 고유 계산 방법들을 갖는 2개의 경쟁들에 참여하는 중일 수 있다. 사용자는 2개의 상이한 게임들에 대해서는 2개의 상이한 포인트 총계들을 그리고 그들의 전체 에너지 소비량에 대해서는 제3 포인트 총계를 획득할 수 있다. 일부 포인트 총계들은 전체 포인트 총계와는 별개로 유지될 수 있다.
운동 메트릭이 MET들을 활용하는 에너지 소비량에 관한 것인 그들 실시예들에서, 일부 활동들, 게임들, 및/또는 경쟁들은 상대적으로 낮은 MET 값들을 갖는 활동들에 대한 보상용 에너지 소비량 포인트들을 제한할 수 있다. 일부 실시예들에서, 상대적으로 낮은 MET 값들을 갖는 활동들에 대한 보상용 에너지 소비량 포인트들은, 또한, 모든 시간에 또는 다른 상황들에서 제한될 수 있다. MET 임계 값을 초과하지 않는 활동들에 대한 포인트들을 보상하지 않도록 도 7a에 도시된 프로세스 또는 다른 구현예들에 선택적 단계가 추가될 수 있다. 예를 들어, 예시적인 임계 값은 1.0, 2.0, 또는 3.0일 수 있다. 다른 실시예에서, 임계 값은 2.8과 동일할 수 있다. 상이한 게임들 및 경쟁들은 다른 임계 값들을 이용할 수 있다. MET 값이 임계치를 초과하지 않는 경우, 대응하는 활동을 무시하도록 그리고 에너지 소비량 포인트들을 계산할 때 활동을 이용하지 않도록 하는 단계가 구현될 수 있다.
다른 실시예는 대체적으로 적용되는 임계치를 가질 수 있지만, 게임들 또는 경쟁들이 진행 중인 경우 또는 적어도 소정 게임들 또는 경쟁들의 경우에는 갖지 않을 수 있다. 게임들 또는 경쟁들은 모든 값들에 기초할 수 있다. 다른 실시예에서, 임계치는 심지어 게임들 및 경쟁들에도 항상 적용될 수 있다. 다른 실시예에서, 상이한 임계치들, 예컨대 빠르게 달리기(brisk running)에 대한 것, 달리기에 대한 것, 걷기에 대한 것, 및 디폴트가 활동, 게임, 및/또는 경쟁에 의해 적용될 수 있다.
소정 구현예들에서, 예컨대 사용자(124)의 활동들 중 적어도 하나가 일 실시예에 따라 분류된 후, 블록(704)은 대응하는 MET 값을 판정하도록 구현될 수 있다. 예를 들어, MET 값은 빠르게 달리기, 중간 페이스의 달리기, 천천히 걷기, 또는 종래의 MET 테이블들에서 발견되는 임의의 다른 활동에 대응할 수 있다. 블록(704)에서와 같이 활동이 분류되지 않은 경우, 디폴트 MET 값이 선택 또는 도출될 수 있다. 일부 실시예에서, 다수의 디폴트 MET 값들이 활용될 수 있다. 활동의 세기, 지속시간, 또는 다른 특성(들)이 평가될 수 있는데, 이로부터 하나 이상의 디폴트 MET들이 적용될 수 있다. 이들 복수의 MET들은 중간값(median)들/평균들, 범위들, 또는 다른 통계적 접근법들을 통해 설정될 수 있다.
대안의 실시예들은 포인트 값들 및/또는 다른 수량들을 계산하기 위한 대안의 또는 추가의 수학식들을 이용할 수 있다. 수학식들은 측정 및/또는 계산된 값들의 미분을 포함할 수 있다. 기간들을 포함하는 미분은 속도 및 변화의 속도를 나타내는 데 사용될 수 있다. 예를 들어, 하나의 수학식이 활동 포인트들 또는 에너지 소비량 포인트들의 누적율을 판정하는 데 사용될 수 있다. 다른 수학식은 사전결정된 기간에 걸쳐서 누적된 활동 포인트들 또는 에너지 소비량 포인트들의 수량을 판정하는 데 사용될 수 있다.
일부 수학식들은 시간 외의 변수들을 사용할 수 있다. 예를 들어, 일부 수학식들은 활동 값들 또는 표준화된 에너지 소비량 값들 및/또는 스텝들의 함수로서의 값을 계산하는 데 사용될 수 있다. 활동 값들 또는 NEEV들 및 다른 변수들의 함수들인 값들을 계산하는 것은 다양한 활동들의 효율성들을 비교하는 데 이용될 수 있다. 예를 들어, 수학식은 더 빠른 페이스로 스텝들을 취하는 것이 더 빠른 스텝당 페이스에서 누적되는 활동 값들 또는 NEEV들을 초래할 수 있다는 것으로 판정하는 데 사용될 수 있다. 다른 예시적인 수학식이 사전결정된 거리 또는 거리 단위당 활동 값들 또는 NEEV들을 판정할 수 있다.
일부 수학식들은 속도 및 변화의 속도를 나타내는 측정 또는 계산된 값들의 1차 및 2차 미분들을 계산하는 데 사용될 수 있다. 예를 들어, 수학식이 주어진 시간에서의 활동 포인트들 또는 에너지 소비량 포인트들의 누적율을 계산 또는 추정하는 데 사용될 수 있다. 일부 실시예들에서, 활동 값들 또는 NEEV들의 순시 누적률이 디스플레이(235) 또는 모바일 디바이스의 일부분인 디스플레이를 통해 사용자에게 디스플레이될 수 있다.
표준화된 값들이 계산되기 전, 계산되는 동안, 그리고/또는 계산된 후 중 어느 한 때, 계산된 값들(미처리 값들, 프로세싱된 값들, 또는 NEEV들)은, 가산되는 것과 같이, 단계(708)에서 총계로 조합될 수 있다. 총계는 사용자(124)(및/또는 선택된 개인들 또는 사용자(124)에 의해 승인된 그룹들)가 다양한 기간들, 예컨대 수 일, 수 주, 및 수 개월에 걸쳐서 얼마나 많은 포인트들을 획득하는지 알게 할 수 있다. 총계들은, 또한, 다수의 기간들에 대해 계산될 수 있다. 예를 들어, 사용자는 24시간, 1주일, 1개월, 및 1년을 포함하는 기간들에 대한 총계들을 수신할 수 있다. 일부 실시예들에서, 사용자들은 다른 기간들을 선택할 수 있거나, 또는 기간들을 선택해제할 수 있다. 사용자는 다수의 기간들을 동시에 추적할 수 있고, 디바이스의 사용의 시작 또는 프로그램의 시작 이래의 포인트 보상을 추적할 수 있다. 임의의 주어진 기간에 대한 총계는 여러 활동들에 대해 획득된 포인트들을 표현할 수 있다. 예를 들어, 하루 중에, 사용자는 상이한 기간들 동안에 걷기, 조깅하기, 및 전력질주하기에 대한 포인트들을 수신할 수 있다. 전술된 바와 같이, 각각의 활동에 대해 획득된 값들은 대응하는 활동 인자의 함수일 수 있다.
수신된 활동 메트릭들로부터 사용자의 에너지 소비량을 계산하기 위한 다양한 추가의 또는 대안의 방법론들이 본 명세서에 기술된 본 발명의 범주로부터 벗어나지 않고서 활용될 수 있다. 도 7b는 사용자의 에너지 소비량을 계산하도록 실행될 수 있는 흐름도(720)의 일 구현예를 개략적으로 도시한다. 따라서, 일례에서, 흐름도(700)와 유사한 흐름도(720)는 디바이스(112, 126, 128, 130, 및/또는 400)와 같은 제1 디바이스에 의해 실행될 수 있고, 디바이스(112, 126, 128, 130, 및/또는 400)와 같은 제2 디바이스로부터 수신된 데이터를 활용할 수 있다. 또한, 제1 디바이스 및 제2 디바이스는, 특히, 상이한 동작 프로토콜들 또는 제조자들과 연관될 수 있다.
일례에서, 흐름도(720)는 하나 이상의 센서 디바이스들로부터 데이터를 수신할 수 있다. 당업자는, 이들 하나 이상의 센서 디바이스들이 사용자에 의해 착용될 수 있거나, 또는 사용자 이동의 원격 감지(예컨대, 사용자 이동을 추적하도록 구성된 원격 이미징 기술들 등)를 이용하여 센서 데이터를 생성할 수 있다는 것을 인식할 것이다. 이와 같이, 흐름도(720)는 사용자에 의해 수행되고 있는 활동에 관한 센서 데이터 통신 정보를 수신할 수 있다. 센서는, 특히, 가속도계, GPS 센서, 심박수 센서, 기압 센서, 온도계, 주변광 센서, 또는 나침반 센서 중 하나 이상을 포함할 수 있다. 일례에서, 센서는, 본 명세서에 전술된 바와 같이, 디바이스들(112, 126, 128, 130, 및/또는 400) 중 하나 이상에 포함될 수 있다. 따라서, 일 구현예에서, 흐름도(720)의 블록(722)에서, 센서 데이터가 수신될 수 있다.
일 구현예에서, 수신된 센서 데이터는 사용자에 의해 수행되고 있는 활동을 식별하는 정보를 포함할 수 있다. 이와 같이, 수신된 센서 데이터는 사용자가 현재 참여하고 있거나 이전에 참여한 스포츠 또는 다른 물리적 활동을 식별하는 정보를 포함할 수 있다. 일례에서, 하나 이상의 활동 인식 프로세스들이, 사용자가 참여하고 있는 하나 이상의 활동들을 식별하기 위해 센서 디바이스에 의해 실행될 수 있다. 당업자는 이와 관련하여 실행될 수 있는 다양한 활동 인식 프로세스들을 인식할 것이다. 이와 같이, 일례에서, 블록(724)에서, 수신된 센서 데이터로부터 활동이 식별될 수 있다. 이러한 방식으로, 일 구현예에서, 하나 이상의 활동 인식 프로세스들이 개별 디바이스에 의해 흐름도(720)와는 별개로 실행될 수 있다. 그러나, 당업자는, 블록(724)에서, 상기 활동이 수신된 센서 데이터에서 명료하게 식별되지 않은 상태로, 수신된 센서 데이터와 연관된 활동을 식별하도록 하나 이상의 활동 인식 프로세스들이 실행될 수 있음을 인식할 것이다. 이와 같이, 일례에서, 수신용 디바이스는 사용자가 참여하고 있는 하나 이상의 활동들을 식별하기 위해 수신된 센서 데이터로부터 하나 이상의 센서 데이터 패턴들을 식별할 수 있다.
일례에서, 하나 이상의 활동 메트릭들은 수신된 센서 데이터로부터 식별될 수 있다. 이들 활동 메트릭들은 사용자의 하나 이상의 물리적 이동들을 수량화하는 데 활용되는 값들을 포함할 수 있다. 이와 같이, 활동 메트릭은, 특히, 속력, 페이스, 사용자가 이동하고 있는 경사면, 심박수, 신진대사 당량 값, 열량 소비 값, 산소 소비량, 또는 힘 값을 포함할 수 있다. 이러한 방식으로, 흐름도(720)는 하나 이상의 개별 디바이스들, 예컨대 디바이스들(112, 126, 128, 130, 및/또는 400) 중 하나 이상에 의해 계산된 하나 이상의 활동 메트릭들을 수신할 수 있다. 일례에서, 흐름도(720)는 블록(726)에서 이들 하나 이상의 활동 메트릭들을 식별할 수 있다.
일 구현예에서, 사용자에 대한 에너지 소비량을 계산하기 위해, 하나 이상의 개인 활동 메트릭들이 데이터베이스로부터 검색될 수 있다. 예를 들어, 사용자의 에너지 소비량은, 특히, 사용자 신장, 체중, 성별, 휴식 중 심박수 값, 및/또는 신체 단련의 기선 레벨을 기록하는 메트릭 중 하나 이상에 기초할 수 있다. 이와 같이, 이들 하나 이상의 개인 활동 메트릭들은 데이터베이스에, 예컨대 디바이스들(112, 126, 128, 130, 및/또는 400) 중 하나 이상, 또는 서버(111)에 저장될 수 있다. 따라서, 당업자는 원격으로 또는 국부적으로, 또는 양측 모두의 조합으로, 그리고 본 명세서에 기술되는 본 발명의 범주로부터 벗어나지 않으면서, 저장된 데이터베이스 정보에 액세스하기 위해 활용될 수 있는 다양한 네트워크 통신 토폴로지들 및/또는 프로토콜들을 인식할 것이다. 일례에서, 흐름도(720)는 블록(728)에서 데이터베이스로부터 하나 이상의 개인 활동 메트릭들을 검색할 수 있다.
일 구현예에서, 사용자의 에너지 소비량 값을 계산하기 위해, 흐름도(720)는 하나 이상의 활동 특정 공식들을 활용할 수 있다. 예를 들어, 에너지 소비량 값은 블록(724)에서 식별된 활동에 기초하여, 그리고 식별된 활동에 특정적인 하나 이상의 공식들을 이용하여 계산될 수 있다. 이와 같이, 일례에서, 흐름도(720)는 데이터베이스로부터, 예컨대 서버(111) 및/또는 디바이스들(112, 126, 128, 130, 및/또는 400) 중 하나 이상으로부터 활동 특정 공식들을 검색할 수 있다. 일례에서, 활동 특정 공식들은, 블록(728)으로부터, 개인 활동 메트릭들과 동일한 데이터베이스로부터 검색될 수 있다. 일 구현예에서, 이들 활동 특정 공식들의 검색은 블록(730)에서 실행될 수 있다.
일례에서, 흐름도(720)는, 수신된 센서 데이터를 하나 이상의 검색된 개인 활동 메트릭들 및 활동 특정 공식들과 조합해서 이용하여 사용자의 에너지 소비량을 계산하도록 하는 하나 이상의 프로세스들을 실행할 수 있다. 이와 같이, 일례에서, 사용자에 대한 계산된 에너지 소비량은 하나 이상의 물리적 활동들에 참여하고 있는 동안의 주어진 기간에 걸쳐서 사용자에 의해 사용되는 에너지에 대응하는 수치 값을 출력할 수 있다. 일례에서, 계산된 에너지 소비량은, 특히, 줄(joule) 또는 칼로리의 단위로 표현될 수 있다. 따라서, 사용자에 대한 에너지 소비량 값의 계산은 흐름도(720)의 블록(732)에서 실행될 수 있다.
일 구현예에서, 하나 이상의 프로세스들이 사용자에 대한 계산된 에너지 소비량 값을 표준화하도록 실행될 수 있다. 이와 같이, 이러한 표준화는 계산된 에너지 소비량 값과 하나 이상의 다른 개인들에 대해 계산된 대응하는 에너지 소비량 값들의 비교를 허용하여, 성별, 신장, 체중, 및/또는 신체 단련의 기선 레벨의 인자들이 고려되게 할 수 있다. 따라서, 이러한 표준화는 흐름도(720)의 블록(734)에서 실행될 수 있고, 흐름도(700)의 블록(710)에서 실행되는 하나 이상의 프로세스들과 유사할 수 있다.
도 8a는, 직접적으로 또는 간접적으로, 서로 통신하는 것이 불가능한 전체적으로 상이한 디바이스들일 수 있는 2개 이상의 상이한 디바이스들에 의해 획득된 에너지 소비량 추정치들에 기초하여 사용자(124)에 대한 조합된 에너지 소비량 추정치를 계산할 시에 이용될 수 있는 예시적인 흐름도(800)를 도시한다. 하나의 예시적인 실시예에 따르면, 제1 운동 메트릭 값이 제1 소스로부터 제1 디바이스 상에서 이행될 수 있는 제1 프로세스로부터 도출될 수 있다(예컨대, 블록(802)). 예를 들어, 제1 프로세스는 사용자(124)에 의해 수행된 제1 운동 활동과 연관된 에너지 소비량 정보를 계산할 수 있다. 제1 소스는 값들을 판정하도록 또는 값들이 사용자 베이스에 대해 계산될 수 있게 되는 데이터를 획득하도록 구성된 데이터의 전자 저장소(예컨대, 비일시적 컴퓨터 판독가능 매체)일 수 있다. 일부 경우들에 있어서, 제1 에너지 소비량 정보는 제1 에너지 소비량 추정치 및 하나 이상의 상이한 타임스탬프들, 예컨대 제1 운동 활동의 시작과 연관된 제1 타임스탬프 및/또는 제1 운동 활동의 종료와 연관된 제2 타임스탬프를 포함할 수 있다. 프로세스는 특정 프로세스, 예컨대 흐름도(600)에 의해 개시된 것의 적어도 일부분에 기초하여 메트릭에 대한 값을 계산할 수 있다. 다른 추가 실시예들에서, 페이스, 가속도와 같은 다른 메트릭(들)이 단독으로 그리고/또는 에너지 소비량의 일부로서 또는 에너지 소비량과는 독립적으로 계산될 수 있다. (도 13은 2개 이상의 상이한 메트릭들의 예시적인 활용을 제공하는 흐름도(1300)를 도시한다.) 따라서, 에너지 소비량과 관련한 예들은 단지 예들일 뿐이며, 본 발명의 범주를 제한하도록 의도되지 않는다. 에너지 소비량과 같은 소정 파라미터들에 관한 데이터가 2개 이상의 센서들로부터 획득되거나 상이한 수학적 계산들에 의해 판정되는 사례들에서, 본 발명의 소정 태양들은 생성된 출력을 판정하도록 구현될 수 있다. 그러한 경우들에 있어서, 조합된 값들은 평균, 가중 평균, 또는 통계적 해(solution) 중 하나 이상을 이용하여 계산될 수 있다. 그러나, 그러한 계산들은 모든 상황에서 실용적인 것은 아닐 수도 있다. 이와 같이, 상이한 디바이스들을 사용하여 수집된 정보를 조합하는 다른 방법이 바람직할 수 있다.
제2 디바이스 상에서 이행되는 제2 프로세스로부터 도출된 제2 운동 메트릭 값이 제2 소스로부터 수신될 수 있다. 예를 들어, 제1 프로세스에서 사용된 센서들의 동일한 제1 집합으로부터의 데이터를 이용하여 에너지 소비량을 판정하는 대신에, 센서들의 제2 집합이 활용되었을 수 있고/있거나, 상이한 프로세스가 값을 판정하는 데 이용될 수 있다. 예를 들어, 제1 프로세스는 동일한 센서들(또는 그들 중 일부)로부터의 데이터를 이용하여 사용자의 운동 이동들을 활동 타입 또는 카테고리로 분류할 수 있는 반면, 제2 프로세스는 이동들을 카테고리 또는 타입으로 분류하지 않을 수도 있다. 일 실시예에서, 제1 소스는 사용자의 GPS 디바이스로부터 수집된 사용자의 데이터의 데이터베이스일 수 있는 반면, 제2 소스는 3-축 가속도계로부터 사용자 데이터를 수집하는 제2 데이터베이스일 수 있다. 제1 소스는 사용자가 제1 인증서들을 사용하여 로그인하게 하는 온라인 사용자 인터페이스를 가질 수 있고, 제2 소스는 동일한 사용자가 제2 인증서들을 사용하여 로그인하게 하는 온라인 사용자 인터페이스를 가질 수 있다. 제1 및 제2 소스가 경쟁자 서비스들일 수 있기 때문에, 그들은 서로에게 독립적일 수 있고, 이에 따라, 데이터를 수집하고/하거나 데이터를 비일시적 데이터베이스에 제공하기 위해, 그리고/또는 메트릭을 계산하기 위해 사용되는 디바이스들은 직접적으로 또는 간접적으로 통신하도록 구성가능하지 않을 수도 있다. 따라서, 디바이스들은 다른 소스(들)로부터의 정보로 직접적으로 업데이트되는 것이 가능하지 않을 수도 있다.
소정 실시예들에서, 수정 스칼라는 운동 메트릭 값들 중 적어도 하나에 적용될 수 있다(예컨대, 블록(806)). 전술된 바와 같이, 사용자의 활동에 관한 파라미터들은 하나 이상의 디바이스들 상에 위치될 수 있는 센서들을 사용하여 캡처될 수 있다. 센서들은 사용자의 모션, 생리학적 성질들, 및/또는 다른 파라미터들을 모니터링할 수 있다. 제1 센서는, 예를 들어 사용자가 달리고 있는 동안의 에너지 소비량 계산들과 같은 판정들을 더 정확하게 할 수 있고, 제2 센서는 판정들, 예컨대 사용자가 스쿼트를 수행하고 있는 동안의 에너지 소비량 계산들을 더 정확하게 할 수 있다. 예를 들어, 스케이트보드타기 또는 농구의 경우에는 다중-축 가속도계 및/또는 힘 센서가 GPS보다 더 정확할 수 있고, 다른 한편으로, 하이킹을 측정하는 경우에는 GPS 센서가 3-축 가속도계보다 더 정확할 수 있다. 그러나, 힘 센서와 조합된 GPS 센서는, 여전히, 훨씬 더 정밀하거나 정확한 결과들을 제공할 수 있다. 이는 스칼라가 데이터에 적용될 수 있는 이유에 대한 일례일 뿐이다. 스칼라는 사용자의 장비, 환경, 및/또는 다른 인자들의 공지된 또는 추정된 제한사항들에 기초하여 적용될 수 있다. 예를 들어, 시카고, 뉴욕, 또는 로스앤젤레스와 같은 인구밀집된 도시에서의 달리기는 사용자가 더 적은 빌딩 또는 신호 장애를 갖는 덜 인구밀집된 환경에서의 달리기를 이행하고 있던 경우만큼 정확하게 GPS 센서들로 캡처되지 않을 수도 있다. 또한, 사용자의 활동이 알려져 있거나, 추정되거나, 또는 입력되는 그들 실시예들에서, 활동은 생성된 데이터가 얼마나 정확하거나 정밀한지를 판정하는 데 이용될 수 있다. 따라서, 사전결정된 스칼라 또는 가변 스칼라 중 어느 하나가 적어도 하나의 소스로부터 수신된 데이터를 증강 또는 조절하는 데 이용될 수 있다.
제1 및/또는 제2 소스로부터의 데이터를 표준화하도록 구성된 하나 이상의 표준화 인자들이 적용될 수 있다(예컨대, 블록(808)). 본 발명의 다양한 실시예들에서, 인자들을 표준화하는 것은, 예를 들어 열량 소비량으로 표현될 수 있는 누적 에너지 소비량 값과 같은 운동 메트릭을 계산하는 데 이용될 수 있다. 사용자 활동의 분류와 같은 하나 이상의 기준들에 기초하여, 하나 이상의 표준화 인자들(또는 하나 이상의 인자들을 활용하는 프로세스들)이 판정될 수 있다. 예를 들어, 일 실시예에서, 사용자(124)의 활동들 중 적어도 하나가 (예컨대, 도 6 및 도 7에 각각 도시된 블록들(603 및/또는 706)에서와 같이) 분류될 수 있고, 하나 이상의 대응하는 표준화 인자들이 운동 메트릭에 적용될 수 있다. 하나의 예시적인 실시예에서, 표준화 인자들은 표준화된 운동 메트릭을 생성하기 위해 활동 분류들(또는 다른 변수(들))에 적용될 수 있는데, 이는 운동들의 활동 레벨들의 개선된 비교를 허용할 수 있고/있거나 사용자들 사이의 협력을 촉진할 수 있고, 상이한 능력들의 사용자들 사이의 경쟁에 대한 결과들을 표준화할 수 있고, 다른 방식으로 활동을 권장할 수 있다. 일 실시예에서, 표준화된 에너지 소비량 값은 수학식 1 및/또는 수학식 2를 사용하여 계산될 수 있는데, 전술되었고 계산될 수 있는 각각의 수학식은 활동을 모니터링하는 센서들을 포함하는 디바이스에서 그리고/또는 모바일 전화기(예컨대, 138 참조) 또는 서버(예컨대, 134 참조)와 같이, 프로세서를 포함하는 다른 디바이스에서 수행될 수 있다.
수학식 2에 나타낸 바와 같이, 스칼라는 선택적으로 구현될 수 있다. 수학식 2에 이용된 스칼라는 1, 3, 5, 또는 10과 같은 정수일 수 있지만, 그렇게 요구되지는 않는다. 일부 실시예들에서, 스칼라는 전형적인 에너지 소비량 포인트들이 원하는 범위 내에 있도록 선택된다. 포인트들의 범위는 다양한 게임들 또는 경쟁들을 위해 그리고/또는 가상 통화 또는 포인트 시스템에 대한 관계를 제공하기 위해 바람직할 수 있다. 상이한 그리고 다양한 수학식들이 상이한 게임들, 활동들, 개체군 역학, 및 경쟁들에 대해 선택될 수 있다. 일례에서, 소정 그룹이 피트니스에 기초하여 플레이어들 사이의 핸디캡들을 설정할 수 있어서, NEEV들이 보다 긴 기간(들) 동안에 공통 활동 또는 활동들의 세트를 하는 그들 운동선수들에 대해서만 생성될 수 있다. 에너지 소비량 포인트 경쟁에 참여하는 그룹의 사용자들은 경쟁을 시작하기 전에 특정 수학식 또는 방법에 동의할 수 있다. 또한, 다른 실시예들에서, NEEV 계산은 운동선수들이 포인트들을 최대화하고자 또는 달리 시스템에서 하나 이상의 비정밀성들을 활용하는 활동들을 이행하는 것으로부터 값들을 "벌어들이"고자 시도하는 것을 방지하거나 방지하고자 시도하기 위해 하나 이상의 운동선수들 또는 사용자들에게 명료하게 개시되지 않을 수도 있다. 당업자가 이해하는 바와 같이, 모든 모델은 제한사항들을 가질 것이다. 그리고, 이와 관련하여, 이러한 혁신의 태양들은 본 명세서에 개시되는 하나 이상의 시스템들 및 방법들을 통해 부정확한 그리고/또는 비정밀한 데이터 값들을 최소화하고자 시도한다. 본 발명의 일부 실시예들에서, 사용자는 다수의 경쟁들에 참여할 수 있고, 상이한 계산 방법들 때문에 동일한 활동에 대해 상이한 값들을 획득할 수 있다. 예를 들어, 사용자는 고유 계산 방법들을 갖는 2개의 경쟁들에 참여하는 중일 수 있다. 사용자는 2개의 상이한 게임들에 대해서는 2개의 상이한 포인트 총계들을 그리고 그들의 전체 에너지 소비량에 대해서는 제3 포인트 총계를 획득할 수 있다. 일부 포인트 총계들은 전체 포인트 총계와는 별개로 유지될 수 있다.
운동 메트릭이 MET들을 활용하는 에너지 소비량에 관한 것인 그들 실시예들에서, 일부 활동들, 게임들, 및/또는 경쟁들은 상대적으로 낮은 MET 값들을 갖는 활동들에 대한 보상용 에너지 소비량 포인트들을 제한할 수 있다. 일부 실시예들에서, 상대적으로 낮은 MET 값들을 갖는 활동들에 대한 보상용 에너지 소비량 포인트들은, 또한, 모든 시간에 또는 다른 상황들에서 제한될 수 있다. MET 임계 값을 초과하지 않는 활동들에 대한 포인트들을 보상하지 않도록 도 8에 도시된 프로세스 또는 다른 구현예들에 선택적 단계가 추가될 수 있다. 예를 들어, 예시적인 임계 값은 1.0, 2.0, 또는 3.0일 수 있다. 다른 실시예에서, 임계 값은 2.8과 동일할 수 있다. 상이한 게임들 및 경쟁들은 다른 임계 값들을 이용할 수 있다. MET 값이 임계치를 초과하지 않는 경우, 대응하는 활동을 무시하도록 그리고 에너지 소비량 포인트들을 계산할 때 활동을 이용하지 않도록 하는 단계가 구현될 수 있다.
다른 실시예는 대체적으로 적용되는 임계치를 가질 수 있지만, 게임들 또는 경쟁들이 진행 중인 경우 또는 적어도 소정 게임들 또는 경쟁들의 경우에는 갖지 않을 수 있다. 게임들 또는 경쟁들은 모든 값들에 기초할 수 있다. 다른 실시예에서, 임계치는 심지어 게임들 및 경쟁들에도 항상 적용될 수 있다. 다른 실시예에서, 상이한 임계치들, 예컨대 빠르게 달리기에 대한 것, 달리기에 대한 것, 걷기에 대한 것, 및 디폴트가 활동, 게임, 및/또는 경쟁에 의해 적용될 수 있다.
소정 구현예들에서, 예컨대 사용자(124)의 활동들 중 적어도 하나가 일 실시예에 따라 분류된 후, 하나 이상의 프로세스들이 대응하는 MET 값을 판정하도록 구현될 수 있다. 예를 들어, MET 값은 빠르게 달리기, 중간 페이스의 달리기, 천천히 걷기, 또는 종래의 MET 테이블들에서 발견되는 임의의 다른 활동에 대응할 수 있다. 도 6 및 도 7의 블록(603 및/또는 706) 각각에서와 같이, 활동이 분류되지 않은 경우, 디폴트 MET 값이 선택 또는 도출될 수 있다. 일부 실시예에서, 다수의 디폴트 MET 값들이 활용될 수 있다. 활동의 세기, 지속시간, 또는 다른 특성(들)이 평가될 수 있는데, 이로부터 하나 이상의 디폴트 MET들이 적용될 수 있다. 이들 복수의 MET들은 중간값들/평균들, 범위들, 또는 다른 통계적 접근법들을 통해 설정될 수 있다.
사용자의 이동이 MET 테이블에 의해 정의된 운동과 매칭하지 않는 경우, 시스템(100)은 사용자에 의해 수행되고 있는 이동과 유사한 이동들을 포함하는 하나 이상의 운동들을 식별할 수 있다. 예를 들어, 시스템(100)은 사용자의 하체가 스쿼트와 유사하게 이동하고 상체가 푸시업과 유사하게 이동하는 것으로 판정할 수 있다. 시스템(100)은, 사용자가 태우는 열량의 양에 대한 근사치로서, 마치 사용자들이 스쿼트를 행하고 있던 것처럼, 그리고 그들이 푸시업을 행하고 있던 것처럼, 식별된 MET 테이블들을 사용하여 사용자가 태울 열량의 수치를 계산할 수 있다. 추가 실시예들에서, 새로운 엔트리가 생성될 수 있다. 이와 관련하여, 소정 실시예들은 새로운 이동들 및/또는 운동들의 엔트리 및 나중의 식별을 허용할 수 있다. 소정 실시예들에서, 사용자는 식별되지 않은 이동/운동에 대한 근사적인 열량 소비량에 관한 입력들을 제공할 수 있다. 또한, 다른 실시예들에서, 시스템(100)은, 예컨대 본 명세서에 논의된 바와 같은 하나 이상의 센서들로부터 열량 소비량을 계산할 수 있다. 또 다른 추가 실시예들에서, 시스템(100)은 이전에 알려지지 않은 이동들 또는 운동들에 대한 속성들, 예컨대 열량 소비량을 판정하는 데 있어서 사용자(및/또는 제3자)로부터의 입력뿐 아니라 하나 이상의 센서 판독치들을 활용할 수 있다. MET 테이블들이 없이 열량 소비량을 추정하는 예들은 잠재적 에너지에서의 변화들을 판정하는 것을 포함할 수 있지만 이들로 제한되지 않는다.
대안의 실시예들은 포인트 값들 및/또는 다른 수량들을 계산하기 위한 대안의 또는 추가의 수학식들을 이용할 수 있다(예컨대, 블록(들)(808 또는 810)의 일부). 수학식들은 측정 및/또는 계산된 값들의 미분을 포함할 수 있다. 기간들을 포함하는 미분은 속도 및 변화의 속도를 나타내는 데 사용될 수 있다. 예를 들어, 하나의 수학식이 활동 포인트들 또는 에너지 소비량 포인트들의 누적율을 판정하는 데 사용될 수 있다. 다른 수학식은 사전결정된 기간에 걸쳐서 누적된 활동 포인트들 또는 에너지 소비량 포인트들의 수량을 판정하는 데 사용될 수 있다.
일부 수학식들은 시간 외의 변수들을 사용할 수 있다. 예를 들어, 일부 수학식들은 활동 값들 또는 표준화된 에너지 소비량 값들 및/또는 스텝들의 함수로서의 값을 계산하는 데 사용될 수 있다. 활동 값들 또는 NEEV들 및 다른 변수들의 함수들인 값들을 계산하는 것은 다양한 활동들의 효율성들을 비교하는 데 이용될 수 있다. 예를 들어, 수학식은 더 빠른 페이스로 스텝들을 취하는 것이 더 빠른 스텝당 페이스에서 누적되는 활동 값들 또는 NEEV들을 초래할 수 있다는 것으로 판정하는 데 사용될 수 있다. 다른 예시적인 수학식이 사전결정된 거리 또는 거리 단위당 활동 값들 또는 NEEV들을 판정할 수 있다.
일부 수학식들은 속도 및 변화의 속도를 나타내는 측정 또는 계산된 값들의 1차 및 2차 미분들을 계산하는 데 사용될 수 있다. 예를 들어, 수학식이 주어진 시간에서의 활동 포인트들 또는 에너지 소비량 포인트들의 누적율을 계산 또는 추정하는 데 사용될 수 있다. 일부 실시예들에서, 활동 값들 또는 NEEV들의 순시 누적률이 디스플레이(235) 또는 모바일 디바이스의 일부분인 디스플레이를 통해 사용자에게 디스플레이될 수 있다.
표준화된 값들이 계산되기 전, 계산되는 동안, 및/또는 계산된 후, 계산된 값들(미처리 값들, 프로세싱된 값들, 또는 NEEV들)이 조합(예컨대, 가산)되어, 누적 값을 형성할 수 있다(예컨대, 제1 시간 프레임에 대한 최종 누적 표준화된 운동 메트릭을 계산할 수 있는 블록(810)). 총계는 사용자(124)(및/또는 선택된 개인들 또는 사용자(124)에 의해 승인된 그룹들)가 다양한 기간들, 예컨대 수 일, 수 주, 및 수 개월에 걸쳐서 얼마나 많은 포인트들을 획득하는지 알게 할 수 있다. 총계들은, 또한, 다수의 기간들에 대해 계산될 수 있다. 예를 들어, 사용자는 24시간, 1주일, 1개월, 및 1년을 포함하는 기간들에 대한 총계들을 수신할 수 있다. 일부 실시예들에서, 사용자들은 다른 기간들을 선택할 수 있거나, 또는 기간들을 선택해제할 수 있다. 사용자는 다수의 기간들을 동시에 추적할 수 있고, 디바이스의 사용의 시작 또는 프로그램의 시작 이래의 포인트 보상을 추적할 수 있다. 임의의 주어진 기간에 대한 총계는 여러 활동들에 대해 획득된 포인트들을 표현할 수 있다. 예를 들어, 하루 중에, 사용자는 상이한 기간들 동안에 걷기, 조깅하기, 및 전력질주하기에 대한 포인트들을 수신할 수 있다. 전술된 바와 같이, 각각의 활동에 대해 획득된 값들은 대응하는 활동 인자의 함수일 수 있다.
도 8b는 제1 시간 프레임에 대한 누적 표준화된 운동 메트릭을 계산하는 예시적인 실시예의 흐름도(811)를 도시한다. 예를 들어, 도 8b의 흐름도(811)의 전부 또는 일부가 흐름도(800)(도 8a)의 블록(810)의 일부로서 수행될 수 있다. 일 실시예에서, 조정된 제1 값이 제1 값으로부터 도출될 수 있고; 수정 스칼라 및 표준화 인자가 제1 값에 할당될 수 있다(예컨대, 블록(812)). 조정된 제2 값이 적어도 제2 값으로부터 도출될 수 있고(예컨대, 블록(814)), 표준화 인자가 제2 값에 할당될 수 있다. 당업자는 이들이 단지 예들일 뿐이라는 것을 이해할 것이다.
소정 실시예들은 제1 값 및 제2 값을 표현하는 운동 이동들에 중첩 시간이 있는지 여부를 판정할 수 있다(예컨대, 블록(816)). 예를 들어, 상기에 시사된 바와 같이, 센서들의 집합이 하나 이상의 디바이스들일 수 있고, 이들은 이어서 에너지 소비량 정보를 개별적으로 종합할 수 있다. 예를 들어, 사용자는 둘 이상의 상이한 벤더(vendor)들로부터의 센서들을 사용할 수 있는데, 여기서 제1 세트의 센서들은 에너지 소비량 정보를 제1 디바이스와 동기화하도록 구성될 수 있고, 제2 세트의 센서들은 에너지 소비량 정보를 제2 디바이스와 동기화하도록 구성될 수 있다. 그러한 경우들에 있어서, 에너지 소비량 정보는 상이한 디바이스들 상에서 개별적으로 합계가 될 수 있다. 예를 들어, 동일한 시간 동안 또는 동일한 시간의 적어도 일부분 동안, 제1 디바이스는 제1 세트의 센서들을 사용하여 수집된 5000 단위의 총 에너지 소비량 추정치를 저장할 수 있고, 제2 디바이스는 제2 세트의 센서들을 사용하여 수집된 6000 단위의 총 에너지 소비량 추정치를 저장할 수 있다. 종래 기술의 방법들 및 시스템들과는 달리, 소정 실시예들은 디폴트 또는 최고 값만을 이용하는 것이 아닐 수도 있다. 중첩이 있는 것으로 판정되는 경우, 하나 이상의 블록들이 더 정확한 소스를 판정 또는 선택하도록 그리고 대응하는 값의 속성을 비례적으로 부여하도록 구현될 수 있다(예컨대, 블록(818)). 예시적인 시스템들은 도 9의 블록(920), 도 11의 블록(1120)의 교시내용들, 및/또는 본 명세서 내의 다른 교시내용들 중 하나 이상을 활용할 수 있다.
일 실시예에서, 계산들은 사용자의 이력 데이터, 다른 사용자의 이력 데이터, 및 다른 감지 데이터(서로 이용가능하지 않을 수도 있음)를 사용할 수 있다. 예를 들어, 제2 소스는 제1 소스에 이용가능하지 않거나 또는 다른 방식으로 제1 소스의 데이터에서 다루어지지 않는 GPS 데이터를 제공할 수 있다. 예컨대 판정 프로세스에서 기상이 GPS 수신에 영향을 줄 수 있는 강도 또는 확인을 제공하기 위해 기상 데이터가 추가로 활용될 수 있다. 배터리 수명은, 또한, 디바이스(들)의 정확도를 변경할 수 있고, 따라서, 더 정확할 가능성이 있는 값으로 간주되는 속성일 수 있다. 그러나, 종래 기술의 시스템들 및 방법들과는 달리, 소스 및/또는 활동 스칼라(예컨대, 블록(806)으로부터의 스칼라)가 적용된 후에 임의의 판정이 이행될 수 있다. 프로세스는 표준화 인자를 고려 중인 소스들에 적용한 후에 발생할 수 있다. 따라서, 소정 실시예들에서, 블록(818) 전에, 고려 중인 조정된 값들이 표준화 및 스케일링될 수 있다. 블록(820)에 의해 도시된 바와 같이, 블록(810)의 판정은 중첩 기간 동안 비례 데이터를 이용하여 완결될 수 있다. 소정 실시예들에서, 최종 계산들, 예컨대 누적 메트릭 값은 누적 메트릭을 생성하기 위해 획득된 값들을 변경하지 않는다. 예를 들어, 제1 및/또는 제1 소스에서의 사용자의 데이터는 변경되지 않은 상태로 그대로 유지된다. 그러나, 누적 데이터는 복수의 상이한 이종의(disparate) 데이터 소스들을 추적할 수 있다.
도 9는 하나 이상의 소스들로부터 수신된 데이터로부터 사용자에 대한 에너지 소비량을 계산하기 위한 프로세스의 일 구현예를 개략적으로 도시한다. 이와 같이, 일례에서, 도 9의 흐름도(900)는 상이한 동작 프로토콜들을 활용하는 하나 이상의 디바이스들로부터 수신된 데이터로부터 사용자의 에너지 소비량을 계산하기 위한 프로세스를 개략적으로 도시한다. 일 구현예에서, 제1 디바이스는 제2 접속된 디바이스로부터 센서 데이터를 수신할 수 있다. 이와 같이, 당업자는 임의의 통신 프로토콜을 활용하는 임의의 접속 하드웨어, 펌웨어, 및/또는 소프트웨어가 제1 디바이스와 제2 디바이스 사이에서 정보를 통신하는 데 활용될 수 있다는 것을 인식할 것이다. 일례에서, 제1 디바이스는, 전술된 바와 같이, 디바이스들(112, 126, 128, 130, 및/또는 400) 중 하나 이상과 유사할 수 있다. 더욱이, 제2 접속된 디바이스는 디바이스들(112, 126, 128, 130, 및/또는 400) 중 하나 이상을 포함할 수 있고, 따라서 제2 접속된 디바이스는 제1 디바이스와는 상이한 동작 프로토콜을 활용할 수 있다. 상이한 동작 프로토콜들의 추가 세부사항들은 도 6과 관련하여 기술되어 있다. 따라서, 일례에서, 제1 디바이스는 흐름도(900)의 블록(902)에서 제2 접속된 디바이스로부터 데이터를 수신할 수 있다.
일례에서, 하나 이상의 프로세스들은 수신된 센서 데이터가 미처리 센서 데이터를 포함하는지 여부를 판정하도록 실행될 수 있다. 구체적으로, 미처리 센서 데이터는 하나 이상의 센서 디바이스들로부터 프로세싱되지 않은 또는 부분적으로 프로세싱된 출력 값들을 포함할 수 있다. 일 구현예에서, 미처리 센서 데이터는, 특히, 가속도계, 자이로스코프, 위치 판정 디바이스(예컨대, GPS), 광 센서, 온도(주변 온도 및/또는 체온을 포함함) 센서, 심박수 모니터, 이미지 캡처링 센서, 습도 센서, 및/또는 이들의 조합들로부터의 하나 이상의 센서들에 의해 생성된 수치 값들을 포함할 수 있다. 구체적으로, 미처리 센서 데이터는 하나 이상의 활동 메트릭들을 계산하는 데 활용되어서, 하나 이상의 추가 프로세스들이 에너지 소비량, 속력, 거리, 페이스, 힘, 및/또는 기타 다른 것들을 포함하지만 이들로 제한되지 않는 하나 이상의 활동 메트릭들에 도달하도록 미처리 데이터에 대해 실행될 수 있게 할 수 있다. 일례에서, 하나 이상의 프로세스들은, 결정 블록(904)에서, 수신된 센서 데이터가 미처리 센서 데이터를 포함하는지 여부를 판정하도록 실행될 수 있다.
일례에서, 수신된 센서 데이터가 미처리 센서 데이터를 포함하는 것으로 판정되는 경우, 흐름도(900)는 결정 블록(906)으로 진행하는데, 여기서 하나 이상의 프로세스들은 접속된 디바이스가 인식되는지 여부를 판정하도록 실행될 수 있다. 구체적으로, 그리고 전술된 바와 같이, 흐름도(900)는 제2 접속된 디바이스로부터 수신된 데이터를 사용하여 제1 디바이스에 의해 실행될 수 있다. 일 구현예에서, 제2 접속된 디바이스로부터 수신된 데이터는 제2 접속된 디바이스를 식별하는 정보를 포함할 수 있다. 이와 같이, 당업자는 이와 관련하여 활용될 수 있는 다양한 식별 방법론들을 인식할 것이다. 예를 들어, 데이터 패킷 헤더들은 제2 접속된 디바이스 등을 식별하는 하나 이상의 고유 식별 코드들을 포함할 수 있다. 이와 같이, 일례에서, 제2 접속된 디바이스로부터의 데이터의 수신 시, 하나 이상의 프로세스들은 제2 접속된 디바이스가 제1 디바이스에 알려져 있는지 여부를 판정하도록 실행될 수 있다. 일례에서, 제2 접속된 디바이스가 인식되는지 여부를 판정하도록 실행되는 이들 하나 이상의 프로세스들은 제1 디바이스가 이전에 통신했던 디바이스들의 데이터베이스를 검색할 수 있다. 이와 같이, 당업자는 인식된 디바이스들에 관한 정보를 저장하는 데 활용될 수 있는 다양한 데이터베이스 구성들을 인식할 것이다. 일례에서, 서버(111)는, 특히, 그러한 인식된 디바이스들의 데이터베이스를 저장하도록 활용될 수 있다.
일 구현예에서, 결정 블록(904)에서, 수신된 데이터가 미처리 데이터를 포함하는 것으로 판정되지 않은 경우, 흐름도(900)는 블록(908)으로 진행한다. 따라서, 일례에서, 하나 이상의 프로세스들은 수신된 데이터로부터 하나 이상의 활동 메트릭들을 식별하도록 실행될 수 있다. 이러한 방식으로, 수신된 데이터는 이전에 프로세싱된 정보를 포함하여, 수신된 데이터가 에너지 소비량, 속력, 거리, 페이스, 힘, 및/또는 기타 다른 것들을 포함하지만 이들로 제한되지 않는 하나 이상의 활동 메트릭들을 포함하게 할 수 있다.
결정 블록(906)으로 되돌아가서, 일례에서, 접속된 디바이스가 인식되지 않는 경우, 흐름도(900)는 블록(910)으로 진행하는데, 여기서 디바이스 정보에 대한 요청이 제1 디바이스로부터 제2 접속된 디바이스로 전송될 수 있다. 이와 같이, 일례에서, 디바이스 정보에 대한 이러한 요청은, 특히, 제2 접속된 디바이스의 고유 식별자, 및/또는 제2 접속된 디바이스의 네트워크 어드레스에 대한 요청을 포함할 수 있다. 그러나, 접속된 디바이스가 인식되는 경우, 흐름도(900)는 블록(912)으로 진행할 수 있는데, 여기서 하나 이상의 활동 메트릭들이 수신된 데이터로부터 계산될 수 있다. 이와 같이, 하나 이상의 활동 메트릭들은 제2 접속된 디바이스에 관련된, 데이터베이스에 저장된 정보에 기초하여 계산될 수 있다. 예를 들어, 제2 접속된 디바이스가 가속도계를 포함하는 것으로 판정되는 경우, 수신된 미처리 데이터는 가속도 데이터로서 식별될 수 있고, 가속도계로부터 수신된 데이터에 적절한 하나 이상의 활동 메트릭들을 계산하는 데 활용될 수 있다. 이와 같이, 디바이스 정보의 데이터베이스는 주어진 모니터링 디바이스/센서 디바이스의 특정 특성들에 기초하여 하나 이상의 활동 메트릭들을 계산하는 데 이용될 공식들을 포함할 수 있다. 이들 특정 특성들은 주어진 디바이스와 연관된 하나 이상의 정확도 메트릭들, 또는 주어진 디바이스와 연관된 동작 프로토콜/제조자의 하나 이상의 특성들을 포함할 수 있다. 더욱이, 당업자는, 본 명세서에 기술되는 본 발명의 범주로부터 벗어나지 않으면서, 다양한 미처리 데이터 타입들로부터 계산될 수 있는 다양한 활동 메트릭들을 인식할 것이다. 다른 예에서, 다수의 상이한 소스들로부터의 미처리 데이터는, 특히, 주어진 활동 메트릭을 계산하는 데 필요할 수 있다. 따라서, 에너지 소비량, 속력, 거리, 페이스, 힘, 및/또는 기타 다른 것들을 포함하지만 이들로 제한되지 않는 것과 같은 활동 메트릭이 흐름도(900)의 블록(912)에서 계산될 수 있다.
일례에서, 디바이스 정보에 대한 요청에 응답하여, 흐름도(900)는 결정 블록(914)으로 진행할 수 있다. 이와 같이, 일 구현예에서, 블록(910)에서 통신되는 그 요청에 응답하여 어떠한 디바이스 정보도 수신되지 않는 경우, 흐름도(900)는 블록(916)으로 진행할 수 있고, 수신된 센서 데이터는 폐기될 수 있다. 그러나, 디바이스 정보가 블록(910)에서 이루어진 요청에 응답하여 수신되는 경우, 흐름도(900)는 블록(918)으로 진행할 수 있고, 요청된 디바이스 정보는 결정 블록(906)과 관련하여 기술되는 디바이스 데이터베이스에 추가될 수 있다.
일례에서, 흐름도(900)는 주어진 소스(즉, 주어진 제2 접속된 디바이스)로부터의 활동 메트릭이 상기 특정 활동 메트릭에 대한 최상의 이용가능한 소스를 표현하는지 여부를 판정하도록 하는 하나 이상의 프로세스들을 실행할 수 있다. 예를 들어, 사용자는 개별 데이터 소스들(즉, 개별 센서 디바이스들)로부터 주어진 활동 메트릭을 계산하는 것이 가능할 수 있는 하나 이상의 활동 디바이스들을 활용하는 중일 수 있다. 이와 같이, 일 구현예에서, 흐름도(900)는 주어진 활동 메트릭의 최상의 이용가능한 소스를 판정하도록 하는 하나 이상의 프로세스들을 실행할 수 있다. 일 구현예에서, 하나 이상의 프로세스들이 수신된 활동 메트릭을 주어진 사용자에 대해 저장된 활동 메트릭들의 데이터베이스와 비교하도록 실행될 수 있다. 당업자는, 본 명세서에 기술되는 본 발명의 범주로부터 벗어나지 않으면서, 주어진 활동 기간 동안에 사용자에 대한 활동 메트릭들을 저장하도록 활용될 수 있는 여러 가지 상이한 데이터베이스 방법론들을 인식할 것이다. 이와 같이, 결정 블록(920)은 활동 메트릭을 수신할 수 있고, 활동 메트릭 데이터베이스 내의 동일한 활동 메트릭을 검색할 수 있다. 활동 메트릭이 데이터베이스 내에 이미 저장되어 있는 것이 아닌 것으로 판정되는 경우, 결정 블록(920)은 블록(922)으로 진행할 수 있고, 메트릭을 데이터베이스에 추가할 수 있다. 유사하게, 활동 메트릭이 데이터베이스 내에 이미 저장되었지만 데이터베이스 내에 저장된 활동 메트릭이 덜 신뢰성있는/덜 정확한 소스로부터의 데이터를 이용하여 계산된 것으로 판정되는 경우, 흐름도(900)는 블록(922)으로 진행할 수 있고, 저장된 활동 메트릭을 더 양호한 소스로부터의 새롭게 수신된 활동 메트릭으로 대체할 수 있다. 그러나, 결정 블록(920)에서, 활동 메트릭이 최상의 이용가능한 소스와 연관되지 않는 것으로 판정되는 경우, 흐름도(900)는 블록(924)으로 진행할 수 있고, 수신된 데이터를 폐기할 수 있다.
활동 메트릭 데이터베이스에의 활동 메트릭의 추가에 응답하여, 흐름도(900)는 블록(926)으로 진행할 수 있고, 데이터를 활동 그룹으로 분류할 수 있다. 이와 같이, 일례에서, 하나 이상의 저장된 활동 메트릭들에 기초하여, 사용자에 의해 수행되고 있는 활동은 사용자에 의해 잠재적으로 수행되고 있는 활동들의 그룹으로 분류될 수 있다. 이와 같이, 이러한 활동 그룹은 사용자가 참여하고 있는 중일 수 있는 하나 이상의 활동들을 포함하는 일반화된 분류일 수 있다. 예를 들어, 활동 그룹은 사용자에 대해 검출된 속력에 기초하여 분류되는 하나 이상의 활동들을 포함할 수 있다(예컨대, 고속 활동 메트릭은, 특히, 사이클링 또는 전력질주하기를 포함하는 활동 그룹이 될 수 있다).
일 구현예에서, 흐름도(900)는 블록(928)으로 진행할 수 있고, 하나 이상의 저장된 활동 메트릭들에 기초하여 그리고 사용자에 수행되고 있는 특정 활동을 식별하지 않으면서 사용자의 에너지 소비량을 계산할 수 있다. 구체적으로, 블록(926)에서, 수신된 데이터를 활동 그룹으로 분류한 경우, 흐름도(900)는 블록(928)으로 진행할 수 있으며, 저장된 활동 메트릭들 중 하나 이상에 기초하여, 에너지 소비량을 계산하는 데 활용될 수 있는 하나 이상의 공식들을 검색하도록 하는 하나 이상의 프로세스들을 실행할 수 있다. 다른 구현예에서, 사용자의 에너지 소비량은 추가 활동 인식 프로세스들에 이어서 계산될 수 있다. 구체적으로, 흐름도(900)는 블록(926)으로부터 블록(930)으로 진행할 수 있고, 활동 인식을 개선할(즉, 블록(926)으로부터 분류된 활동 그룹 내의 활동들의 수를 감소시킬) 메트릭 데이터베이스에 이미 저장되어 있지 않은 활동 메트릭을 식별할 수 있다. 하나의 특정 예에서, 블록(930)은 주어진 활동 기간 동안 사용자에 대한 메트릭 데이터베이스에 현재 저장되어 있지 않은 하나 이상의 추가 활동 메트릭들을 업데이트하도록 활용될 수 있는, 사용자가 이용가능한 것으로 알려져 있는 활동 인식 장비/디바이스들(예컨대, 사용자가 소유하는 활동 디바이스들)을 식별하도록 하는 하나 이상의 프로세스들을 실행할 수 있다.
일례에서, 흐름도(900)는 활동 인식을 개선하기 위해 추가 활동 인식 장비를 활용하라는 메시지를 사용자에게 통신할 수 있다. 이와 같이, 이러한 메시지는 블록(932)에서 사용자에게 통신될 수 있다. 일례에서, 메시지는, 사용자가 소유하고 있는 것으로 이미 알려져 있는 활동 인식 장비가, 사용자가 현재 참여하고 있는 활동의 인식을 개선하는 데 활용될 수 있음을 사용자에게 통지할 수 있다. 이에 응답하여, 사용자는 추천된 추가 활동 인식 디바이스들 중 하나 이상을 활성화시킬 수 있다. 이와 같이, 추가 활동 메트릭들이 수신될 수 있다. 따라서, 추가 활동 메트릭들이 수신되는 경우, 흐름도(900)는 결정 블록(934)으로부터 다시 블록(922)으로 선행할 수 있다. 그러나, 블록(934)에서 사용자에 대한 어떠한 추가 활동 메트릭도 수신되지 않는 경우, 흐름도(900)는 블록(928)으로 진행할 수 있다.
하나 이상의 활동 메트릭들로부터 사용자에 대한 에너지 소비량을 계산하기 위해, 사용자에 대한 하나 이상의 개인 메트릭들이 메트릭 디바이스로부터 검색될 수 있다. 일례에서, 사용자에 대한 하나 이상의 개인 메트릭들을 저장하는 데이터베이스는 사용자에 의해 수행되고 있는 활동에 기초하여 계산된 하나 이상의 활동 메트릭들을 저장하는 동일한 데이터베이스일 수 있다. 그러나, 당업자는, 본 명세서에 기술되는 본 발명의 범주로부터 벗어나지 않으면서, 개인 메트릭들 및 활동 메트릭들에 대한 개별 데이터베이스들이 활용될 있음을 인식할 것이다. 일례에서, 사용자에 대한 하나 이상의 개인 메트릭들이 블록(936)에서 검색될 수 있는데, 여기서 하나 이상의 개인 메트릭들은 성별, 체중, 신장, 연령, 체지방율, 및/또는 다른 인구학적 또는 생리학적 파라미터들 중 하나 이상을 포함할 수 있다.
사용자에 대한 표준화된 에너지 소비량은 하나 이상의 개인 메트릭들, 및 하나 이상의 활동 디바이스들에 의해 출력된 데이터로부터 계산되는 하나 이상의 활동 메트릭들에 기초하여 계산될 수 있다. 이와 같이, 당업자는, 전술된 바와 같이, 활동 메트릭들과 개인 메트릭들의 조합에 기초하여 에너지 소비를 계산하는 데 활용될 수 있는 다양한 공식들을 인식할 것이다. 더욱이, 이러한 표준화된 에너지 소비량의 계산은 도 7a 및 도 7b와 관련하여 기술된 표준화 프로세스들과 유사할 수 있다.
도 10은 하나 이상의 소스들로부터 수신된 데이터로부터 사용자에 대한 에너지 소비량을 계산하기 위한 프로세스의 다른 구현예를 개략적으로 도시한다. 일례에서, 도 10은 사용자에 의해 제공된 활동 분류에 기초하여 사용자에 대한 에너지 소비량을 계산하는 데 활용될 수 있다. 이와 같이, 일례에서, 흐름도(1000)는 블록(1002)에서 사용자로부터 활동 분류를 수신할 수 있고, 따라서, 수신된 활동 분류는 사용자에 의해 현재 수행되고 있는 활동의 식별을 포함한다.
블록(1002)에서 사용자로부터 수신된 활동 분류와는 별개로, 흐름도(1000)는 블록(1004)에서 접속된 디바이스로부터 데이터를 수신할 수 있다. 따라서, 그리고 도 9와 관련하여 전술된 바와 같이, 상기 접속된 디바이스는, 본 명세서에 기술되는 본 발명의 범주로부터 벗어나지 않으면서, 당업자에게 알려져 있는 임의의 네트워크 토폴로지/방법론을 통해서 접속될 수 있다. 이와 같이, 접속된 디바이스는, 특히, 가속도계, 자이로스코프, 위치 판정 디바이스(예컨대, GPS), 광 센서, 온도(주변 온도 및/또는 체온을 포함함) 센서, 심박수 모니터, 이미지 캡처링 센서, 습도 센서, 및/또는 이들의 조합들을 포함하는 하나 이상의 활동 센서들을 갖는 활동 인식 디바이스를 포함할 수 있다. 더욱이, 접속된 디바이스로부터 수신된 데이터는 수신된 데이터가 추가 프로세싱에 적합한지 여부를 판정하도록 하나 이상의 임계 값들과 비교될 수 있다. 이와 같이, 그리고 결정 블록(1006)에서, 수신된 데이터는 하나 이상의 임계 값들과 비교될 수 있다. 수신된 데이터가 하나 이상의 임계 값들을 초과하는 경우, 흐름도(1000)는 결정 블록(1008)으로 진행할 수 있다. 그러나, 수신된 데이터가 테스트된 임계 값들 중 하나 이상을 초과하지 않는 경우, 흐름도(1000)는 블록(1010)으로 진행할 수 있고, 수신된 데이터는 폐기될 수 있다.
일 구현예에서, 하나 이상의 프로세스들은 블록(1004)에서 수신된 데이터가 블록(1004)에서 데이터를 수신한 디바이스와 동일한 동작 프로토콜을 활용하는 디바이스로부터 수신되었는지를 판정하도록 실행될 수 있다. 이와 같이, 일례에서, 하나 이상의 프로세스들은, 결정 블록(1008)에서, 수신된 데이터를 출력한 디바이스와 연관된 동작 프로토콜을 판정할 수 있다. 이들 하나 이상의 프로세스들은, 일례에서, 수신된 데이터에 포함된 디바이스 식별 정보에 기초하여, 수신된 데이터를 출력한 디바이스와 연관된 동작 프로토콜을 식별할 수 있다. 일 구현예에서, 수신된 데이터를 생성한 디바이스가 데이터를 수신한 디바이스와는 상이한 동작 프로토콜을 활용하는 것이 발견된 경우, 흐름도(1000)는 블록(1012)으로 진행할 수 있다. 이와 같이, 하나 이상의 프로세스들은 수신용 동작 프로토콜과의 호환성을 위해 수신된 데이터를 컨디셔닝하도록 실행될 수 있다. 이러한 방식으로, 하나 이상의 프로세스들은 수신용 디바이스와 연관된 동작 프로토콜과의 호환성을 위해 수신된 데이터의 신택스를 포맷화 또는 증강하도록 실행될 수 있다. 이들 하나 이상의 프로세스들은 블록(1012)에서 실행될 수 있고, 도 6과 관련하여 논의된 하나 이상의 컨디셔닝 프로세스들과 유사할 수 있다.
일 구현예에서, 블록(1004)에서 수신된 데이터는 하나 이상의 활동 메트릭들을 포함할 수 있다. 이와 같이, 그리고 흐름도(1000)의 블록(1014)에서, 하나 이상의 프로세스들은, 도 9와 관련하여 논의된 활동 메트릭 데이터베이스와 유사하게, 수신된 활동 메트릭들을 식별하도록 그리고 상기 활동 메트릭들을 데이터베이스에 추가하도록 실행될 수 있다. 또한, 하나 이상의 활동 메트릭들을 포함하는 수신된 활동 데이터에 기초하여, 하나 이상의 프로세스들은 수신된 데이터를 활동 그룹으로 분류하도록 실행될 수 있다 이러한 분류는 블록(1016)에서 실행될 수 있거나, 또는 도 9의 블록(926)에서 실행되는 그들 하나 이상의 프로세스들과 유사할 수 있다.
일 구현예에서, 흐름도(1000)는 하나 이상의 저장된 활동 메트릭들에 기초하여 사용자에 대한 에너지 소비량을 계산할 수 있다. 이와 같이, 하나 이상의 프로세스들은, 이용가능한 활동 메트릭 정보에 기초하여 에너지 소비량을 계산하는 데 활용될 수 있는 하나 이상의 공식들 외에도, 하나 이상의 저장된 활동 메트릭들을 검색하도록 실행될 수 있다. 이와 같이, 저장된 활동 메트릭들에 기초한 사용자의 에너지 소비량의 계산은 블록(1018)에서 실행될 수 있고, 도 9로부터의 블록(928)과 유사할 수 있다.
도 7a 및 도 7b와 관련하여 기술된 바와 같이 사용자에 대한 표준화된 에너지 소비율을 계산하기 위해, 흐름도(1000)는 메트릭 데이터베이스에 저장된 사용자에 대한 하나 이상의 개인 메트릭들을 검색할 수 있다. 이와 같이, 이들 개인 메트릭들은 사용자 성별, 체중, 신장, 연령, 체지방율, 및/또는 다른 인구학적 또는 생리학적 파라미터들을 포함할 수 있다. 하나 이상의 개인 메트릭들의 이러한 검색은 블록(1020)에서 실행될 수 있고, 도 9로부터의 블록(936)과 유사할 수 있다. 따라서, 프로세스(1000)는 블록(1022)에서 표준화된 에너지 소비량을 계산할 수 있다. 일례에서, 블록(1022)에서의 표준화된 에너지 소비량의 계산은 도 9의 블록(938)에서 실행되는 그들 프로세스들과 유사할 수 있다.
도 11은 계산된 에너지 소비량과 연관될 신뢰도 값의 계산뿐 아니라 수신된 센서 데이터에 기초한 사용자에 대한 에너지 소비량 값의 계산을 위한 프로세스의 다른 구현예를 개략적으로 도시한다. 따라서, 일 구현예에서, 흐름도(1100)는, 도 9로부터의 블록(902)과 유사하게, 블록(1102)에서 접속된 디바이스로부터 데이터를 수신할 수 있다. 이에 응답하여, 흐름도(1100)는 수신된 데이터가 미처리 데이터를 포함하는지 여부를 판정하도록 하는 하나 이상의 프로세스들을 실행할 수 있다. 일 구현예에서, 이들 하나 이상의 프로세스들은, 도 9로부터의 블록(904)과 유사하게, 결정 블록(1104)에서 실행될 수 있다. 수신된 데이터가 미처리 데이터를 포함하는 것으로 판정되는 경우, 흐름도(1100)는 결정 블록(1106)으로 진행할 수 있고, 하나 이상의 프로세스들은 접속된 디바이스가 수신용 디바이스에 의해 인식되는지 여부를 판정하도록 실행될 수 있다. 접속된 디바이스가 수신용 디바이스에 의해 인식되는지 여부를 판정하도록 실행되는 이들 하나 이상의 프로세스들은 도 9의 결정 블록(906)에서 실행된 그들 프로세스들과 유사할 수 있다.
결정 블록(1104)에서 실행된 그들 프로세스들에 응답하여, 수신된 데이터가 미처리 데이터를 포함하지 않는 것으로 판정되는 경우, 하나 이상의 추가 프로세스들이 수신된 데이터로부터 하나 이상의 활동 메트릭들을 식별하도록 실행될 수 있다. 이들 활동 메트릭 인식 프로세스들은 블록(1108)에서 실행될 수 있고, 도 9의 블록(908)에서 실행되는 그들 프로세스들과 유사할 수 있다.
결정 블록(1106)으로 다시 되돌아가서, 결정 블록(1106)에서 실행되는 그들 프로세스들이, 접속된 디바이스가 인식되지 않은 것으로 판정하는 경우, 흐름도(1100)는 블록(1110)으로 진행할 수 있다. 따라서, 하나 이상의 프로세스들은 블록(1110)에서 디바이스 정보에 대한 요청을 접속된 디바이스로 전송하도록 실행될 수 있다. 이와 같이, 블록(1110)은 도 9로부터의 블록(910)과 유사할 수 있다. 그러나, 접속된 디바이스가 결정 블록(1106)에서 인식되는 경우, 흐름도(1100)는 블록(1112)으로 진행할 수 있고, 수신된 데이터로부터 활동 메트릭을 계산할 수 있다. 이러한 방식으로, 블록(1112)은 도 9로부터의 블록(912)과 유사할 수 있다.
블록(1110)에서 통신된 디바이스 정보에 대한 요청에 응답하여, 디바이스 정보가 접속된 디바이스로부터 수신되는 경우, 흐름도(1110)는 결정 블록(1114)으로부터 블록(1118)으로 진행할 수 있다. 이와 같이, 수신된 디바이스 정보는 블록(1118)에서 데이터베이스에 추가될 수 있다. 그러나, 요청이 블록(1110)에서 통신되는 것에 응답하여 어떠한 디바이스 정보도 수신되지 않는 경우, 블록(1116)에서, 수신된 센서 데이터는 폐기될 수 있다. 이러한 방식으로, 결정 블록(1114)은 도 9로부터의 블록(914)과 유사할 수 있고, 블록들(1116, 1180)은 도 9로부터의 블록들(916, 918)과 유사할 수 있다.
결정 블록(1120)은 블록(1102)에서 접속된 디바이스로부터 수신된 하나 이상의 활동 메트릭들이 상기 활동 메트릭들의 하나 이상의 최상의 이용가능한 소스들을 표현하는지 여부를 판정하도록 하는 하나 이상의 프로세스들을 실행할 수 있다. 이러한 방식으로, 결정 블록(1120)은 도 9로부터의 결정 블록(920)과 유사할 수 있다. 이어서, 수신된 활동 메트릭들이 데이터의 최상의 이용가능한 소스를 표현하지 않는 것으로 판정되는 경우, 흐름도(1100)는 블록(1124)으로 진행할 수 있고, 수신된 데이터는 폐기될 수 있다. 역으로, 결정 블록(1120)에서 실행된 하나 이상의 프로세스들이, 수신된 활동 메트릭들이 최상의 이용가능한 데이터 소스를 표현하는 것으로 판정하는 경우, 흐름도(1100)는 블록(1122)으로 진행할 수 있고, 데이터를 메트릭 데이터베이스에 추가할 수 있다. 이러한 방식으로, 블록(1122)은 도 9로부터의 블록(922)과 유사할 수 있다. 더욱이, 수신된 데이터는 활동 그룹으로 분류될 수 있고, 따라서, 활동 그룹은 블록(1102)에서 수신된 데이터와 연관될 수 있는 하나 이상의 활동들을 표현할 수 있다. 활동 그룹으로의 데이터의 이러한 분류는 블록(1126)에서 실행될 수 있고, 도 9의 블록(926)에서 실행되는 그들 프로세스들과 유사할 수 있다.
일 구현예에서, 신뢰도 가중화가 메트릭 데이터베이스에 저장된 활동 메트릭과 연관될 수 있다. 이와 같이, 신뢰도 가중화는 하나 이상의 활동 메트릭들과 연관된 정확도를 표현하는 수치 값을 포함할 수 있다. 일례에서, 신뢰도 가중화는 주어진 활동 메트릭을 계산하는 데 이용되는 데이터의 소스에 기초할 수 있다. 예를 들어, 특정 활동 메트릭은 다수의 상이한 센서 타입들로부터 수신된 센서 데이터로부터 계산될 수 있고, 따라서, 제1 센서 타입이 제2 센서 타입보다 더 정확한 데이터를 출력하게 할 수 있다. 이어서, 특정 활동 메트릭은 제2 센서 타입 등으로부터 출력된 데이터보다 제1 센서 타입으로부터 출력된 데이터로부터 계산될 때 더 정확할 수 있다. 이러한 방식으로, 신뢰도 가중화는 상기 활동 메트릭을 계산하기 위해 데이터가 수신되게 된 하나 이상의 소스 디바이스들에 기초하여 활동 메트릭과 연관될 수 있다.
다른 예에서, 신뢰도 가중화는 사용자에 의해 수행되고 있는 특정 활동에 기초할 수 있다. 예를 들어, 활동 메트릭은 사용자와 연관된 에너지 소비량 값을 포함할 수 있다. 그러나, 이러한 에너지 소비량 활동 메트릭과 연관된 신뢰도 가중화는 사용자에 의해 수행되고 있는 특정 활동을 고려할 수 있다. 예를 들어, 하나 이상의 활동 인식 프로세스들이, 사용자가 사이클링을 하는 중인 것으로 판정하는 경우, 제1 신뢰도 가중화가 활동 메트릭과 연관될 수 있다. 그러나, 하나 이상의 활동 인식 프로세스들이, 사용자가 달리기를 하는 중인 것으로 판정하는 경우, 제2 신뢰도 가중화가 활동 메트릭과 연관될 수 있다. 구체적으로, 제1 신뢰도 가중화는, 특정 활동 인식 디바이스가 주어진 경우에 사이클링에 대해 계산된 에너지 소비량이 동일한 활동 인식 디바이스가 주어진 경우에 달리기에 대해 계산된 에너지 소비량보다 덜 정확할 가능성이 있음을 고려할 수 있다. 일 구현예에서, 신뢰도 가중화는 블록(1128)에서 메트릭 데이터베이스에 저장된 활동 메트릭과 연관될 수 있다. 또 다른 예에서, 신뢰도 가중화는 계산된 활동 메트릭과 연관된 하나 이상의 환경 조건들을 고려할 수 있다. 이와 같이, 환경 조건들은, 특히, 수신된 센서 데이터와 연관된 신호 대 잡음비를 포함할 수 있다.
일례에서, 하나 이상의 프로세스들은 하나 이상의 저장된 활동 메트릭들로부터 사용자의 에너지 소비량을 계산하도록 실행될 수 있고, 따라서, 하나 이상의 저장된 활동 메트릭들은, 특히, 속력, 페이스, 사용자가 이동하고 있는 경사면, 심박수, 신진대사 당량 값, 열량 소비 값, 산소 소비량, 또는 힘 값 중 하나 이상을 포함하게 할 수 있다. 이러한 방식으로, 에너지 소비량 값은 사용자가 참여하는 중인 것으로 판정되는 인식된 활동 및/또는 활동 그룹에 특정적인 하나 이상의 공식들을 이용하여 계산될 수 있다. 이와 같이, 일례에서, 하나 이상의 저장된 활동 메트릭들에 기초한 사용자에 대한 에너지 소비량의 계산은 흐름도(1100)의 블록(1130)에서 실행될 수 있다.
일 구현예에서, 하나 이상의 프로세스들은 에너지 소비량의 계산 시에 활용되는 활동 메트릭들과 연관된 하나 이상의 신뢰도 가중치들을 검색하도록 실행될 수 있다. 이러한 방식으로, 특히, 블록(1102)에서 수신된 데이터의 소스, 블록(1126)에서 식별된 활동/활동 그룹, 및/또는 하나 이상의 환경 조건들에 기초한 하나 이상의 신뢰도 가중치들은 데이터베이스, 예컨대 블록(1128)과 관련하여 기술된 데이터베이스로부터 검색될 수 있다. 일례에서, 하나 이상의 신뢰도 가중치들의 검색이 블록(1132)에서 실행될 수 있다. 따라서, 일례에서, 하나 이상의 프로세스들은 사용자에 대해, 그리고 이어서 에너지 소비량의 계산 시에 활용되는 활동 메트릭들과 관련되는 검색된 신뢰도 가중치들에 기초하여, 계산된 에너지 소비량에 대한 신뢰도 값을 계산하도록 실행될 수 있다. 당업자는, 본 명세서에 기술되는 본 발명의 범주로부터 벗어나지 않으면서, 계산된 에너지 소비량과 연관된 신뢰도 값을 계산하도록 활용될 수 있는 다양한 공식들을 인식할 것이다. 이와 같이, 일례에서, 신뢰도 값을 계산하도록 실행되는 하나 이상의 프로세스들은 블록(1134)과 연관될 수 있다.
도 12는 소셜 피드에 활동 정보를 게시하기 위한 프로세스의 흐름도이다. 구체적으로, 흐름도(1200)는 접속된 디바이스로부터 센서 데이터를 수신할 수 있다. 이러한 방식으로, 흐름도(1200)는 제1 동작 프로토콜을 활용하는 제1 디바이스에 의해 실행되어, 제1 디바이스가 제2 동작 프로토콜을 활용하는 제2 디바이스와 통신하게 할 수 있다. 이와 같이, 일례에서, 흐름도(1200)의 블록(1202)에서, 센서 데이터는 접속된 디바이스로부터 수신될 수 있고, 따라서, 블록(1202)은 도 11로부터의 블록(1102)과 유사할 수 있다.
일 구현예에서, 하나 이상의 프로세스들은 접속된 디바이스로 수신된 데이터를 변환하도록 실행될 수 있다. 이와 같이, 이들 하나 이상의 프로세스들은 수신된 데이터를 변환하여, 하나 이상의 활동 메트릭들 등을 추출할 수 있다. 일례에서, 수신된 데이터는 하나 이상의 활동 메트릭들이 계산될 수 있게 되는 미처리 데이터를 포함할 수 있다. 다른 예에서, 수신된 데이터는 하나 이상의 활동 메트릭들로서 해석될 수 있는 사전프로세싱된 정보를 포함할 수 있다. 이와 같이, 이들 활동 메트릭들은, 특히, 속력, 페이스, 사용자가 이동하는 있는 경사면, 심박수, 신진대사 당량 값, 열량 소비 값, 산소 소비량, 또는 힘 값을 포함할 수 있다. 일 구현예에서, 블록(1204)에서, 수신된 데이터는 변환될 수 있다.
일례에서, 흐름도(1200)는 수신된 센서 데이터와 연관된 하나 이상의 활동들을 식별할 수 있다. 이와 같이, 일 구현예에서, 수신된 센서 데이터와 연관된 활동은 수신된 센서 데이터에 대해 실행되는 하나 이상의 활동 인식 프로세스들에 기초하여, 또는 수신된 센서 데이터 내에서 통신되는 활동의 명시적 식별(예컨대, 수신된 센서 데이터 내에서 통신되는 활동 식별자)에 기초하여 식별될 수 있다. 이와 같이, 당업자는, 본 명세서에 기술되는 본 발명의 범주로부터 벗어나지 않으면서, 이와 관련하여 활용될 수 있는 다양한 활동 인식 프로세스들을 인식할 것이다. 또한, 일례에서, 수신된 센서 데이터와 연관된 하나 이상의 활동들의 식별은 흐름도(1200)의 블록(1206)에서 실행될 수 있다.
일례에서, 흐름도(1200)는 수신된 센서 데이터 및 하나 이상의 식별된 활동들에 기초하여 데이터베이스로부터 하나 이상의 소셜 접속들을 식별할 수 있다. 이와 같이, 하나 이상의 소셜 접속들은 하나 이상의 소셜 네트워크들과 연관될 수 있다. 구체적으로, 하나 이상의 소셜 네트워크들은 공통 흥미들(예컨대, 운동 활동 흥미들 등)을 갖는 개인들의 그룹들을 포함할 수 있다. 또한, 하나 이상의 소셜 접속들이 식별될 수 있게 되는 데이터베이스는 국부적으로, 예컨대 디바이스들(112, 126, 128, 130, 및/또는 400) 중 하나 이상에 저장될 수 있거나, 또는 원격 서버, 예컨대 서버(111) 등에 저장된 원격 데이터베이스일 수 있다. 이러한 방식으로, 하나 이상의 프로세스들은 사용자에 의해 수행되고 있는 하나 이상의 특정 활동들에 기초하여 하나 이상의 소셜 접속들을 식별하도록 실행될 수 있다. 따라서, 이들 하나 이상의 식별 프로세스들은 흐름도(1200)의 블록(1208)에서 실행될 수 있다.
일례에서, 데이터 피드(달리, 피드로 지칭됨), 전자 메시지 보드, 또는 통신 채널은 사용자에 의해 수행되고 있는 활동에 관한 정보를 통신하기 위해 사용자에 의해 활용될 수 있다. 이와 같이, 일 구현예에서, 데이터 피드는 운동 수행 정보를 사용자와 연관된 하나 이상의 소셜 접속들과 통신할 수 있다. 이러한 방식으로, 사용자는 사용자에 의해 수행되고 있는 활동에 관한 실시간 정보를 통신하여, 상기 하나 이상의 소셜 접속들이 그들 자신의 운동 수행들을 사용자와 연관된 실시간 수행과 비교할 수 있게 할 수 있다. 일례에서, 하나 이상의 프로세스들은, 블록(1206)과 연관된 검출된 활동, 및 블록(1208)에서 식별된 소셜 접속들에 기초하여, 사용자와 연관된 소셜 피드에 운동 수행 정보를 게시할 수 있다. 일례에서, 이러한 게시는 블록(1210)에서 실행될 수 있다.
도 13은 2개의 상이한 프로세스들로부터 도출된, 2개의 상이한 소스들로부터의 2개의 상이한 메트릭들을 활용하는 예시적인 구현예를 도시한 흐름도(1300)이다. 예를 들어, 예시적인 결정 블록(1302)에서, 제1 메트릭(예컨대, 페이스 및/또는 에너지 소비량 메트릭)이 제1 소스(예컨대, 도 8a의 블록(802)의 제1 소스)로부터 획득되었고 메트릭(예컨대, 에너지 소비량 및/또는 페이스 메트릭)이 제2 소스(예컨대, 도 8b의 블록(804)의 제2 소스)로부터 획득되었는지 여부가 판정될 수 있다. 일 실시예에서, 페이스는 제1 소스 및 제2 소스로부터 제공될 수 있다. 일 실시예에서, 다수의 소스들로부터의 에너지 소비량 메트릭은 동일한 또는 유사한 프로세스들(페이스의 계산과는 별개일 수 있음)로부터 제공될 수 있다. 제1 소스는 제1 시간 프레임의 적어도 일부분 동안에 운동선수의 위치 데이터를 수신하는 단계, 및 위치 데이터에 기초하여, 제1 시간 프레임의 관련 부분 동안에 운동선수의 페이스를 판정하는 단계를 포함하는 제1 프로세스를 활용할 수 있다. 제2 소스는 제1 시간 프레임의 적어도 일부분 동안에 운동선수에 의해 취해진 스텝들의 수량을 판정하는 단계, 및 적어도 판정된 스텝들의 수량에 기초하여, 제1 시간 프레임의 관련 부분 동안에 운동선수의 페이스를 판정하는 단계를 포함하는 제2 프로세스를 활용할 수 있다.
제1 및 제2 소스들이 서로 독립적이고 서로의 데이터에 액세스하지 않음에도 불구하고, 소정 실시예들은 소스의 데이터 및/또는 추가 데이터 중 어느 하나를 활용할 수 있다. 예를 들어, 일 실시예에서, 페이스 메트릭은 어느 하나의 소스로부터 독립적인 데이터베이스 상에 저장된 인구학적 정보와 조합되어, 수정된 에너지 소비량 메트릭을 생성하게 할 수 있다(예컨대, 블록(1304)). 그러나, 결정 블록(1302)이 부정적인 경우, 블록(1306)은 계산 시에 에너지 소비량 메트릭을 활용하도록 구현될 수 있다. 일 실시예에서, 제1 및 제2 소스들 양측 모두로부터 수신된 페이스 메트릭은 제1 및 제2 소스로부터 독립적인 중앙 데이터베이스에 위치된 인구학적 정보와 조합되어, 수정된 에너지 소비량 메트릭을 생성하게 한다.
소정 실시예들에서, 페이스 메트릭들과 인구학적 정보의 조합은 제1 소스 및 제1 디바이스 중 적어도 하나의 아이덴티티에 기초하여 제1 프로세스로부터 계산된 값으로부터의 제1 프로세스 값의 수정의 일부분이다.
블록(1308)은 수정된 에너지 소비량 메트릭(예컨대, 블록(1304)에서 판정됨) 또는 수신된 에너지 소비량이 더 신뢰성있거나 정확한지 여부를 판정하도록 구현될 수 있다. 더 신뢰성있거나 정확한 경우, 블록(1310)이 구현될 수 있는데, 여기서 수정된 에너지 소비량 메트릭이 계산 시에 제1 또는 제2 소스로부터의 데이터 중 적어도 일부분에 이용될 수 있다. 더 신뢰성있거나 정확한 것이 아닌 경우, 블록(1306)은 후속 계산 시에 제1 또는 제2 소스로부터의 데이터 중 적어도 일부분에 대한 에너지 소비량 메트릭을 이용하도록 구현될 수 있다.
의심의 여지를 피하기 위해, 본 출원은 하기에 번호매김된 항목들("항목" 또는 "항목들"로 지칭됨)에서 설명되는 발명 요지로 확장된다:
1. 컴퓨터 실행가능 명령어들을 포함하는 비일시적 컴퓨터 판독가능 매체로서,
컴퓨터 실행가능 명령어들은, 프로세서에 의해 실행될 때, 적어도,
접속된 디바이스로부터 데이터를 수신하는 것 - 접속된 디바이스는 제1 운영 체제를 활용하고, 프로세서는 제2 운영 체제를 활용함 -;
수신된 데이터와 연관된 활동 메트릭을 식별하는 것;
수신된 데이터를 메트릭 데이터베이스에 저장하는 것;
수신된 데이터를 활동 그룹으로 분류하는 것;
분류된 활동 그룹에 기초하여, 하나 이상의 저장된 활동 메트릭들을 하나 이상의 각자의 신뢰도 가중치들과 연관시키는 것;
하나 이상의 저장된 활동 메트릭들로부터 사용자의 에너지 소비량 값을 계산하는 것; 및
하나 이상의 신뢰도 가중치들에 기초하여, 에너지 소비량 값과 연관되는 신뢰도 값을 계산하는 것을 수행하도록 구성된, 비일시적 컴퓨터 판독가능 매체.
2. 항목 1에 있어서, 메트릭 데이터베이스에 수신된 데이터를 저장하기 전에,
수신된 데이터와 메트릭 데이터베이스를 비교함으로써, 수신된 데이터가 활동 메트릭에 대한 데이터의 최상의 이용가능한 소스인지 여부를 판정하는 것 -
수신된 데이터가 활동 메트릭에 대한 데이터의 최상의 이용가능한 소스가 아닌 경우에는, 수신된 데이터를 폐기함 - 을 추가로 포함하는, 비일시적 컴퓨터 판독가능 매체.
3. 항목 1 또는 항목 2에 있어서, 신뢰도 값은 계산된 에너지 소비량 값의 정확도를 표현하는, 비일시적 컴퓨터 판독가능 매체.
4. 항목 1 내지 항목 3 중 어느 하나의 항목에 있어서, 하나 이상의 신뢰도 가중치들 중의 하나의 신뢰도 가중치는 접속된 디바이스의 하나 이상의 특성들에 기초하여 활동 메트릭과 연관되는, 비일시적 컴퓨터 판독가능 매체.
5. 항목 1 내지 항목 4 중 어느 하나의 항목에 있어서, 하나 이상의 신뢰도 가중치들 중의 하나의 신뢰도 가중치는 하나 이상의 환경 인자들에 기초하여 활동 메트릭과 연관되는, 비일시적 컴퓨터 판독가능 매체.
6. 항목 5에 있어서, 하나 이상의 환경 인자들은 수신된 데이터의 신호 대 잡음비를 포함하는, 비일시적 컴퓨터 판독가능 매체.
7. 항목 1 내지 항목 6 중 어느 하나의 항목에 있어서, 수신된 데이터는 미처리 센서 데이터인, 비일시적 컴퓨터 판독가능 매체.
8. 항목 7에 있어서, 활동 메트릭은 프로세서에 의해 미처리 센서 데이터로부터 계산되는, 비일시적 컴퓨터 판독가능 매체.
9. 항목 1 내지 항목 6 중 어느 하나의 항목에 있어서, 수신된 데이터는 접속된 디바이스에 의해 사전계산된 활성 메트릭을 포함하는, 비일시적 컴퓨터 판독가능 매체.
10. 항목 1 내지 항목 9 중 어느 하나의 항목에 있어서, 활동 그룹은 메트릭 데이터베이스에 저장된 하나 이상의 활동 메트릭들에 기초하여 인식될 수 있는 하나 이상의 활동들을 포함하는, 비일시적 컴퓨터 판독가능 매체.
11. 항목 10에 있어서, 컴퓨터 실행가능 명령어들은, 프로세서에 의해 실행될 때,
메트릭 데이터베이스에 저장되어 있지 않은 추가 활동 메트릭을 식별하여, 활동 그룹 내의 활동들의 수를 감소시킴으로써 활동 인식을 개선하는 것을 수행하도록 추가로 구성된, 비일시적 컴퓨터 판독가능 매체.
12. 항목 1 내지 항목 11 중 어느 하나의 항목에 있어서, 사용자의 에너지 소비량을 계산하기 위해, 프로세서는 사용자의 연령, 체중, 신장, 및 성별을 포함하는, 메트릭 데이터베이스에 저장된 개인 활동 메트릭들을 활용하는, 비일시적 컴퓨터 판독가능 매체.
13. 항목 12에 있어서, 개인 활동 메트릭들은 사용자의 휴식 중 심박수를 포함하는, 비일시적 컴퓨터 판독가능 매체.
14. 항목 12 또는 항목 13에 있어서, 사용자의 에너지 소비량을 계산하기 위해, 프로세서는 활동이 사용자에 의해 수행되고 있는 시간을 포함하는 수행 활동 메트릭들, 및 속력, 변화도, 힘, 심박수, 산소 소비량, 신진대사 당량, 및 열량 카운트로부터 선택된 적어도 하나의 수행 활동 메트릭을 추가로 활용하는, 비일시적 컴퓨터 판독가능 매체.
15. 항목 12 내지 항목 14 중 어느 하나의 항목에 있어서, 컴퓨터 실행가능 명령어들은, 프로세서에 의해 실행될 때,
개인 활동 메트릭들에 기초하여 사용자의 에너지 소비량 값을 표준화하는 것을 수행하도록 추가로 구성된, 비일시적 컴퓨터 판독가능 매체.
16. 장치로서,
프로세서;
사용자로부터 활동 분류 입력을 그리고 접속된 디바이스로부터 센서 데이터를 수신하도록 구성된 입력 인터페이스 - 접속된 디바이스는 제1 동작 프로토콜을 활용하고, 입력 인터페이스는 제2 동작 프로토콜을 활용함 -; 및
컴퓨터 판독가능 명령어들을 저장하는 메모리를 포함하고,
컴퓨터 실행가능 명령어들은, 프로세서에 의해 실행될 때, 장치로 하여금,
사용자로부터의 활동 분류 입력에 기초하여, 사용자에 의해 수행되고 있는 활동을 식별하게 하고;
수신된 센서 데이터와 연관된 활동 메트릭을 식별하게 하고;
수신된 센서 데이터를 메트릭 데이터베이스에 저장하게 하고;
수신된 센서 데이터를 활동 그룹으로 분류하게 하고;
분류된 활동 그룹에 기초하여, 메트릭 데이터베이스에 저장된 하나 이상의 활동 메트릭들을 하나 이상의 각자의 신뢰도 가중치들과 연관시키게 하고;
하나 이상의 저장된 활동 메트릭들로부터 사용자의 에너지 소비량을 계산하게 하고;
하나 이상의 신뢰도 가중치들에 기초하여, 에너지 소비량 값과 연관되는 신뢰도 값을 계산하게 하는, 장치.
17. 항목 16에 있어서, 컴퓨터 판독가능 명령어들은, 프로세서에 의해 실행될 때, 추가로, 장치로 하여금, 수신된 센서 데이터를 메트릭 데이터베이스에 저장하기 전에,
수신된 센서 데이터와 메트릭 데이터베이스를 비교함으로써, 수신된 센서 데이터가 식별된 활동 메트릭에 대한 데이터의 최상의 이용가능한 소스인지 여부를 판정하게 하고,
수신된 센서 데이터가 식별된 활동 메트릭에 대한 데이터의 최상의 이용가능한 소스가 아닌 경우에는, 수신된 센서 데이터를 폐기하는, 장치.
18. 항목 17에 있어서, 컴퓨터 판독가능 명령어들은, 프로세서에 의해 실행될 때, 추가로, 장치로 하여금,
수신된 데이터와 임계 값의 비교에 의해, 수신된 데이터가 식별된 활동 메트릭에 대한 데이터의 최상의 이용가능한 소스인지 여부를 판정하게 하는, 장치.
19. 항목 16 내지 항목 18 중 어느 하나의 항목에 있어서, 컴퓨터 판독가능 명령어들은, 프로세서에 의해 실행될 때, 추가로, 장치로 하여금,
제2 동작 프로토콜과의 호환성을 위해 수신된 데이터를 컨디셔닝하게 하는, 장치.
20. 항목 16 내지 항목 19 중 어느 하나의 항목에 있어서, 접속된 디바이스는 GPS, 가속도계, 심박수 센서, 및 자이로스코프로 이루어진 그룹으로부터 선택된 센서를 포함하는, 장치.
21. 항목 16 내지 항목 20 중 어느 하나의 항목에 있어서, 사용자의 에너지 소비량을 계산하기 위해, 프로세서는 사용자의 연령, 체중, 신장, 및 성별을 포함하는, 메트릭 데이터베이스에 저장된 개인 활동 메트릭들을 활용하는, 장치.
22. 항목 21에 있어서, 개인 활동 메트릭들은 사용자의 휴식 중 심박수를 포함하는, 장치.
23. 적어도 제1 기간 및 제2 기간을 포함하는 제1 시간 프레임 동안에 운동선수의 운동 이동들에 기초하여 최종 누적 운동 메트릭을 계산하는 컴퓨터 구현 방법으로서,
제1 디바이스 상에서 이행되는 제1 프로세스로부터 도출된 제1 운동 메트릭을 표현하는 제1 값을 제1 소스로부터 수신하는 단계;
제1 소스와는 독립적인 제2 소스로부터, 제2 디바이스 상에서 이행되는 제2 프로세스로부터 도출된 제1 운동 메트릭을 표현하는 제2 값을 수신하는 단계;
제1 소스 및 제1 디바이스 중 적어도 하나의 아이덴티티에 기초하여, 수정 스칼라를 제1 값에 연관시키는 단계;
제1 소스 및 제2 소스로부터 수신된 데이터를 표준화하도록 구성된 표준화 인자를 할당하는 단계; 및
조정된 제1 값 및 조정된 제2 값을 이용하여 제1 시간 프레임 동안의 최종 누적 표준화된 운동 메트릭을 계산하는 단계를 포함하고,
조정된 제1 값은 제1 값, 수정 스칼라, 및 할당된 표준화 인자로부터 도출되고, 조정된 제2 값은 적어도 제2 값 및 할당된 표준화 인자로부터 도출되는, 방법.
24. 항목 23에 있어서, 표준화 인자 및 수정 스칼라는 제1 값에 각각 적용되는, 방법.
25. 항목 23 또는 항목 24에 있어서, 할당된 표준화 인자 또는 수정 스칼라 중 하나는 제1 값에 직접적으로 적용되어 임시의(interim) 제1 값을 제공하고, 표준화 인자 및 수정 스칼라 중 다른 하나는 임시의 제1 값에 적용되는, 방법.
26. 항목 23 내지 항목 25 중 어느 하나의 항목에 있어서,
제1 값이 제1 시간 프레임 내의 제1 기간 동안의 운동 이동들을 표현하고, 제2 값이 제1 시간 프레임 내의 제2 기간 동안의 운동 이동들을 표현하는 것으로 판정하는 단계를 추가로 포함하고,
최종 누적 표준화된 운동 메트릭의 계산 단계는 조정된 제1 값 및 조정된 제2 값을 합산하여 최종 누적 표준화된 운동 메트릭을 생성하는 단계를 포함하는, 방법.
27. 항목 23 내지 항목 26 중 어느 하나의 항목에 있어서, 표준화 인자는 운동선수에 의해 수행되고 있는 활동에 기초하여 제1 값에 할당되는, 방법.
28. 항목 23 내지 항목 27 중 어느 하나의 항목에 있어서,
제1 값이 제1 시간 프레임 내의 제1 기간 동안의 운동 이동들을 표현하고, 제2 값이 제1 시간 프레임 내의 제2 기간 동안의 운동 이동들을 표현하는 것으로 판정하는 단계 - 제1 기간 및 제2 기간 중 적어도 일부는 중첩함 - 를 추가로 포함하고;
최종 표준화된 누적 운동 메트릭을 계산하는 단계는,
제1 소스가 운동 이동들을 더 잘 표현하는 것으로 판정하는 단계, 및 이에 응답하여, 제1 값의 속성을 중첩에 비례적으로 부여하는 단계를 포함하는, 방법.
29. 항목 23 내지 항목 28 중 어느 하나의 항목에 있어서, 제1 운동 메트릭은 에너지 소비량 메트릭을 포함하는, 방법.
30. 항목 23 내지 항목 29 중 어느 하나의 항목에 있어서, 운동 메트릭은 페이스 메트릭을 포함하는, 방법.
31. 항목 30에 있어서, 제1 프로세스는,
제1 시간 프레임의 적어도 일부분 동안에 운동선수의 위치 데이터를 수신하는 단계; 및
위치 데이터에 기초하여, 제1 시간 프레임의 관련 부분 동안에 운동선수의 페이스를 판정하는 단계를 포함하고,
제2 프로세스는,
제1 시간 프레임의 적어도 일부분 동안에 운동선수에 의해 취해진 스텝들의 수량을 판정하는 단계; 및
적어도 판정된 스텝들의 수량에 기초하여, 제1 시간 프레임의 관련 부분 동안에 운동선수의 페이스를 판정하는 단계를 포함하는, 방법.
32. 항목 30 또는 항목 31에 있어서,
제1 및 제2 소스들 양측 모두로부터 수신된 페이스 메트릭을 제1 및 제2 소스로부터 독립적인 중앙 데이터베이스에 위치된 인구학적 정보와 조합하여, 에너지 소비량 메트릭을 생성하는 단계를 추가로 포함하는, 방법.
33. 항목 32에 있어서, 페이스 메트릭들과 인구학적 정보의 조합은 제1 소스 및 제1 디바이스 중 적어도 하나의 아이덴티티에 기초하여 제1 프로세스로부터 계산된 값으로부터의 제1 프로세스 값의 수정의 일부분인, 방법.
34. 항목 33에 있어서, 운동 메트릭은 에너지 소비량 메트릭 및 페이스 메트릭 양측 모두를 포함하고,
방법은,
제1 및 제2 소스들 양측 모두로부터 수신된 페이스 메트릭을 제1 및 제2 소스로부터 독립적인 중앙 데이터베이스에 저장된 인구학적 정보와 조합하여, 수정된 에너지 소비량 메트릭을 생성하는 단계; 및
에너지 소비량 메트릭을 사용할 것인지 아니면 수정된 에너지 소비량을 사용할 것인지를 판정하는 단계를 추가로 포함하는, 방법.
35. 항목 33 또는 항목 34에 있어서, 제1 시간 프레임의 제1 기간 및 제2 기간이 중첩되는, 방법.
결론
실시예들의 태양들은 본 발명의 예시적인 실시예들의 면에서 기술되었다. 첨부된 항목들의 범주 및 사상 내의 많은 다른 실시예들, 수정예들, 및 변형예들이 본 발명의 검토로부터 당업자들에게 떠오를 것이다. 예를 들어, 당업자는 예시적인 도면들에 도시된 단계들이 인용된 순서 외의 순서로 수행될 수 있다는 것 및 예시된 하나 이상의 단계들이 실시예들의 태양들에 따라 선택적일 수 있다는 것을 이해할 것이다.
Claims (22)
- 운동 시스템으로서,
프로세서;
디스플레이; 및
컴퓨터 실행가능 명령어들을 포함하는 비일시적 컴퓨터 판독가능 매체를 포함하고,
상기 컴퓨터 실행가능 명령어들은, 상기 프로세서에 의해 실행될 때, 상기 프로세서로 하여금, 적어도,
접속된 디바이스로부터, 상기 접속된 디바이스와 연관된 하나 이상의 센서들로부터 수집된 사용자의 운동 데이터를 수신하고 - 상기 접속된 디바이스는 제1 운영 체제를 활용하고, 상기 프로세서는 제2 운영 체제를 활용함 - ,
상기 수신된 운동 데이터와 연관된 활동 메트릭을 식별하며,
상기 수신된 운동 데이터를 운동 활동 그룹으로 분류하기 전에, 상기 수신된 운동 데이터와 메트릭 데이터베이스를 비교함으로써, 상기 수신된 운동 데이터가 상기 활동 메트릭에 대한 데이터의 최상의 이용가능한 소스인지 여부를 판정하고,
상기 수신된 운동 데이터가 상기 활동 메트릭에 대한 최상의 이용가능한 데이터 소스로부터 수집되지 않은 것이라고 판정한 것에 기초하여, 상기 수신된 데이터를 폐기하며,
상기 수신된 운동 데이터가 상기 활동 메트릭에 대한 최상의 이용가능한 데이터 소스로부터 수집된 것이라고 판정한 것에 기초하여,
상기 메트릭 데이터베이스에, 상기 수신된 데이터와 연관된 것으로 식별된 활동 메트릭을 저장하고,
상기 수신된 운동 데이터를 운동 활동 그룹으로 분류하며,
상기 저장된 활동 메트릭을 하나 이상의 신뢰도 가중치들 중 제1 신뢰도 가중치 - 상기 제1 신뢰도 가중치는 상기 운동 활동 그룹 및 상기 접속된 디바이스의 하나 이상의 특성들에 기초하여 판정됨 - 와 연관시키고,
상기 저장된 활동 메트릭으로부터, 사용자의 에너지 소비량 값을 계산하고,
상기 제1 신뢰도 가중치에 기초하여, 상기 에너지 소비량 값과 연관되도록 신뢰도 값을 계산하고,
상기 디스플레이 상에, 상기 사용자의 계산된 에너지 값을 디스플레이하도록 구성되는 것인, 운동 시스템. - 제1항에 있어서,
상기 사용자로부터 활동 분류 입력을 수신하고 상기 접속된 디바이스로부터 센서 데이터를 수신하도록 구성된 입력 인터페이스를 추가로 포함하는, 운동 시스템. - 제1항에 있어서,
상기 신뢰도 값은 상기 계산된 에너지 소비량 값의 정확도를 표현하는 것인, 운동 시스템. - 삭제
- 제1항에 있어서,
상기 하나 이상의 신뢰도 가중치들로부터의, 제2 신뢰도 가중치가 상기 활동 메트릭과 연관되며, 상기 제2 신뢰도 가중치는 하나 이상의 환경 인자들에 기초하여 판정되는 것인, 운동 시스템. - 제5항에 있어서,
상기 하나 이상의 환경 인자들은 상기 수신된 운동 데이터의 신호 대 잡음비를 포함하는 것인, 운동 시스템. - 제1항에 있어서,
상기 수신된 운동 데이터는 미처리 센서 데이터인 것인, 운동 시스템. - 제7항에 있어서,
상기 활동 메트릭은, 상기 프로세서에 의해, 상기 미처리 센서 데이터로부터 계산되는 것인, 운동 시스템. - 제1항에 있어서,
상기 수신된 운동 데이터는 상기 접속된 디바이스에 의해 사전계산된 상기 활동 메트릭을 포함하는 것인, 운동 시스템. - 제1항에 있어서,
상기 운동 활동 그룹은 상기 메트릭 데이터베이스에 저장된 하나 이상의 활동 메트릭들에 기초하여 인식될 수 있는 하나 이상의 활동들을 포함하는 것인, 운동 시스템. - 제10항에 있어서,
상기 비일시적 컴퓨터 판독가능 매체는, 상기 프로세서에 의해 실행될 때, 상기 프로세서로 하여금, 상기 메트릭 데이터베이스에 저장되어 있지 않은 추가 활동 메트릭을 식별하여, 상기 운동 활동 그룹 내의 활동들의 수를 감소시킴으로써 활동 인식을 개선하도록 구성되는 컴퓨터 실행가능 명령어들을 추가로 포함하는 것인, 운동 시스템. - 제1항에 있어서,
상기 사용자의 상기 에너지 소비량 값을 계산하는 것은, 상기 사용자의 연령, 체중, 신장, 및 성별 중 적어도 2개를 포함하는, 상기 메트릭 데이터베이스에 저장된 개인 활동 메트릭들을 프로세싱하는 것을 포함하는 것인, 운동 시스템. - 제12항에 있어서,
상기 사용자의 상기 에너지 소비량 값을 계산하는 것은, 상기 메트릭 데이터베이스에 저장된 상기 개인 활동 메트릭들을 활용하는 것을 포함하고,
상기 개인 활동 메트릭들은 상기 사용자의 휴식중 심박수를 추가로 포함하는 것인, 운동 시스템. - 제12항에 있어서,
상기 사용자의 상기 에너지 소비량 값을 계산하는 것은, 상기 사용자에 의해 활동이 수행되고 있는 시간을 포함하는 수행 활동 메트릭들, 및 속력, 변화도(gradient), 힘, 심박수, 산소 소비량, 신진대사 당량, 및 열량 카운트로부터 선택된 적어도 하나의 수행 활동 메트릭을 활용하는 것을 포함하는 것인, 운동 시스템. - 제14항에 있어서, 상기 비일시적 컴퓨터 판독가능 매체는, 상기 프로세서에 의해 실행될 때, 상기 프로세서로 하여금, 상기 개인 활동 메트릭들에 기초하여 상기 사용자의 상기 에너지 소비량 값을 표준화하게 하는 컴퓨터 실행가능 명령어들을 추가로 포함하는 것인, 운동 시스템.
- 제1 시간 프레임 동안의 운동선수의 운동 이동(athletic movement)들에 기초하여 최종 누적 운동 메트릭을 계산하는 컴퓨터 구현 방법으로서,
제1 소스로부터, 제1 디바이스 상에서 이행되는 제1 프로세스 동안 수집된 제1 센서 데이터로부터 도출된 제1 운동 메트릭을 표현하는 제1 값을 전자적으로 수신하는 단계;
상기 제1 소스와는 독립적인 제2 소스로부터, 제2 디바이스 상에서 이행되는, 상기 제1 프로세스와는 독립적인 제2 프로세스 동안 수집된 제2 센서 데이터로부터 도출된 상기 제1 운동 메트릭을 표현하는 제2 값을 전자적으로 수신하는 단계;
상기 제1 소스 및 상기 제2 소스 중 적어도 하나로부터, 상기 제1 시간 프레임 동안 상기 운동선수에 의해 수행되는 활동을 식별하는 정보를 수신하는 단계;
상기 제1 소스 및 상기 제1 디바이스 중 적어도 하나의 아이덴티티에 기초하여, 수정 스칼라(modification scalar)를 상기 제1 값에 적용함으로써 수정된 제1 값을 계산하는 단계 - 상기 수정 스칼라는 상기 제1 시간 프레임 동안의 상기 제1 디바이스의 위치에 기인하는 상기 제1 디바이스의 제한사항들을 정정함 - ;
상기 식별된 활동에 기초하여, 상기 제1 소스 및 상기 제2 소스로부터 수신된 데이터를 표준화하도록 구성된 표준화 인자를 판정하는 단계 - 상기 표준화 인자는 수신된 운동 메트릭을 표준화된 운동 메트릭으로 변환하는 데 사용됨 - ;
상기 표준화 인자를 상기 수정된 제1 값에 적용함으로써 조정된 제1 값을 계산하는 단계;
상기 표준화 인자를 상기 제2 값에 적용함으로써 조정된 제2 값을 계산하는 단계;
상기 제 1 센서 데이터가 수집된 시간 및 상기 제2 센서 데이터가 수집된 시간 중 적어도 일부가 중첩된다고 판정한 것에 기초하여, 상기 적어도 일부의 시간 동안 수집된 데이터를 상기 조정된 제1 값 또는 상기 조정된 제2 값 중 하나에 부여하는 단계;
상기 조정된 제1 값 및 상기 조정된 제2 값을 가산함으로써 상기 제1 시간 프레임에 대한 최종 누적 표준화된 운동 메트릭을 계산하는 단계; 및
상기 최종 표준화된 운동 메트릭을 출력하는 단계
를 포함하는 방법. - 삭제
- 삭제
- 제16항에 있어서,
상기 제1 값이 상기 제1 시간 프레임 내의 제1 기간 동안의 운동 이동들을 표현하고, 상기 제2 값이 상기 제1 시간 프레임 내의 제2 기간 동안의 운동 이동들을 표현하는 것으로 판정하는 단계를 추가로 포함하는, 방법. - 삭제
- 제16항에 있어서,
상기 제1 소스 또는 상기 제2 소스 중 어느 것이 상기 제1 운동 메트릭에 대한 최상의 이용가능한 소스인지를 판정하는 단계; 및
상기 판정된 최상의 이용가능한 소스에 기초하여, 상기 적어도 일부의 시간 동안 수집된 데이터를 상기 조정된 제1 값 또는 상기 조정된 제2 값 중 하나에 부여하는 단계를 추가로 포함하는, 방법. - 제16항에 있어서,
상기 제1 디바이스는 손목 착용형 운동 모니터링 디바이스를 포함하고 상기 제2 디바이스는 신발 상의 또는 신발 내의 센서를 포함하는 것인, 방법.
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
US201562099851P | 2015-01-05 | 2015-01-05 | |
US62/099,851 | 2015-01-05 | ||
PCT/US2016/012207 WO2016112024A1 (en) | 2015-01-05 | 2016-01-05 | Energy expenditure calculation using data from multiple devices |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20170102952A KR20170102952A (ko) | 2017-09-12 |
KR102070351B1 true KR102070351B1 (ko) | 2020-01-29 |
Family
ID=55299737
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020177021890A KR102070351B1 (ko) | 2015-01-05 | 2016-01-05 | 다수의 디바이스들로부터의 데이터를 이용한 에너지 소비량 계산 |
Country Status (6)
Country | Link |
---|---|
US (1) | US10657156B2 (ko) |
EP (1) | EP3242594B1 (ko) |
JP (1) | JP6560354B2 (ko) |
KR (1) | KR102070351B1 (ko) |
CN (1) | CN107249456B (ko) |
WO (1) | WO2016112024A1 (ko) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101839257B1 (ko) | 2013-10-14 | 2018-03-15 | 나이키 이노베이트 씨.브이. | 운동 움직임 속성으로부터의 페이스 및 에너지 지출의 계산 |
US10463906B2 (en) | 2018-02-02 | 2019-11-05 | Jaxamo Ltd. | Exercise devices, systems, and methods |
KR102039411B1 (ko) * | 2018-08-23 | 2019-11-04 | 동국대학교 산학협력단 | 개인 맞춤형 운동량 연산 장치 및 이의 동작 방법 |
KR102066001B1 (ko) * | 2018-09-10 | 2020-01-14 | 인하대학교 산학협력단 | 운동 지수기반의 운동 코칭 방법 및 시스템 |
US10695614B2 (en) * | 2018-10-15 | 2020-06-30 | Jaxamo Ltd | System and method for monitoring or assessing physical fitness from disparate exercise devices and activity trackers |
CN111783107B (zh) * | 2020-07-09 | 2022-07-26 | 杭州安恒信息技术股份有限公司 | 一种多源可信数据接入方法、装置及设备 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2013082436A1 (en) * | 2011-12-02 | 2013-06-06 | Fitlinxx, Inc. | Intelligent activity monitoring |
US20140164611A1 (en) * | 2010-09-30 | 2014-06-12 | Fitbit, Inc. | Tracking user physical activity with multiple devices |
Family Cites Families (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US3797010A (en) * | 1972-07-31 | 1974-03-12 | R Adler | Jogging computer |
FI117959B (fi) * | 2003-04-29 | 2007-05-15 | Polar Electro Oy | Menetelmä ja laite ihmisen painon hallintaan |
US8170109B2 (en) * | 2006-03-23 | 2012-05-01 | Nds Limited | System for analysis of motion |
US7690556B1 (en) * | 2007-01-26 | 2010-04-06 | Dp Technologies, Inc. | Step counter accounting for incline |
US20090103435A1 (en) * | 2007-10-17 | 2009-04-23 | Nokia Corporation | Dynamic rate adaptation for distributed wireless network |
JP2011508615A (ja) * | 2007-12-07 | 2011-03-17 | ナイキ インコーポレーティッド | カーディオバスキュラーマイル |
EP3352107A1 (en) * | 2008-03-03 | 2018-07-25 | NIKE Innovate C.V. | Interactive athletic equipment system |
EP2210557A1 (en) * | 2009-01-21 | 2010-07-28 | Koninklijke Philips Electronics N.V. | Determining energy expenditure of a user |
US20110054359A1 (en) * | 2009-02-20 | 2011-03-03 | The Regents of the University of Colorado , a body corporate | Footwear-based body weight monitor and postural allocation, physical activity classification, and energy expenditure calculator |
US9141087B2 (en) * | 2009-04-26 | 2015-09-22 | Nike, Inc. | Athletic watch |
US9122250B2 (en) * | 2009-04-26 | 2015-09-01 | Nike, Inc. | GPS features and functionality in an athletic watch system |
US9291713B2 (en) * | 2011-03-31 | 2016-03-22 | Strava, Inc. | Providing real-time segment performance information |
WO2013109776A1 (en) * | 2012-01-18 | 2013-07-25 | Nike International Ltd. | Activity points |
KR101789462B1 (ko) * | 2012-01-19 | 2017-10-23 | 나이키 이노베이트 씨.브이. | 에너지 소비 |
US9374397B2 (en) * | 2012-05-17 | 2016-06-21 | Pokos Communications Corp | Method and system for searching, sensing, discovering, screening, enabling awareness, alerting, sharing, sending, receiving, buying, selling, and otherwise transmitting stories, content, interests, data, goods and services among known and unknown devices in a communication network |
EP2745777A1 (en) | 2012-12-19 | 2014-06-25 | Stichting IMEC Nederland | Device and method for calculating cardiorespiratory fitness level and energy expenditure of a living being |
US20140244209A1 (en) * | 2013-02-22 | 2014-08-28 | InvenSense, Incorporated | Systems and Methods for Activity Recognition Training |
US10318708B2 (en) | 2013-03-14 | 2019-06-11 | Nike, Inc. | System and method for monitoring athletic activity from multiple body locations |
GB2512305B (en) | 2013-03-25 | 2018-05-02 | Toumaz Healthcare Ltd | Apparatus and Method for Estimating Energy Expenditure |
US10188347B2 (en) * | 2013-08-23 | 2019-01-29 | Nike, Inc. | Energy expenditure device |
WO2015042667A1 (en) * | 2013-09-27 | 2015-04-02 | Rookie Me Ip Pty Ltd | A computer implemented method of determining athletic aptitude |
US20150374240A1 (en) * | 2014-06-26 | 2015-12-31 | Salutron, Inc. | Heart Rate Inference Based On Accelerometer And Cardiac Model |
US10265024B2 (en) * | 2014-07-26 | 2019-04-23 | Salutron, Inc. | Sensor system for heart rate measurement per axis of shared orientation |
-
2016
- 2016-01-05 WO PCT/US2016/012207 patent/WO2016112024A1/en active Application Filing
- 2016-01-05 KR KR1020177021890A patent/KR102070351B1/ko active IP Right Grant
- 2016-01-05 US US14/988,216 patent/US10657156B2/en active Active
- 2016-01-05 EP EP16702821.6A patent/EP3242594B1/en active Active
- 2016-01-05 JP JP2017535741A patent/JP6560354B2/ja active Active
- 2016-01-05 CN CN201680009540.3A patent/CN107249456B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20140164611A1 (en) * | 2010-09-30 | 2014-06-12 | Fitbit, Inc. | Tracking user physical activity with multiple devices |
WO2013082436A1 (en) * | 2011-12-02 | 2013-06-06 | Fitlinxx, Inc. | Intelligent activity monitoring |
Also Published As
Publication number | Publication date |
---|---|
US20160196326A1 (en) | 2016-07-07 |
CN107249456B (zh) | 2020-11-13 |
JP2018508244A (ja) | 2018-03-29 |
CN107249456A (zh) | 2017-10-13 |
JP6560354B2 (ja) | 2019-08-14 |
KR20170102952A (ko) | 2017-09-12 |
EP3242594B1 (en) | 2021-10-06 |
US10657156B2 (en) | 2020-05-19 |
EP3242594A1 (en) | 2017-11-15 |
WO2016112024A1 (en) | 2016-07-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US11862334B2 (en) | Flight time | |
JP6794259B2 (ja) | アスレチック運動属性からのペースとエネルギー消費量の計算 | |
KR102303952B1 (ko) | 다수의 디바이스들로부터의 데이터를 이용한 에너지 소비량 계산 | |
KR102070351B1 (ko) | 다수의 디바이스들로부터의 데이터를 이용한 에너지 소비량 계산 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |