KR102519725B1 - 사용자의 인지 기능 상태를 식별하는 기법 - Google Patents
사용자의 인지 기능 상태를 식별하는 기법 Download PDFInfo
- Publication number
- KR102519725B1 KR102519725B1 KR1020220114972A KR20220114972A KR102519725B1 KR 102519725 B1 KR102519725 B1 KR 102519725B1 KR 1020220114972 A KR1020220114972 A KR 1020220114972A KR 20220114972 A KR20220114972 A KR 20220114972A KR 102519725 B1 KR102519725 B1 KR 102519725B1
- Authority
- KR
- South Korea
- Prior art keywords
- user
- information
- cognitive function
- voice data
- function state
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 81
- 230000001149 cognitive effect Effects 0.000 title claims description 18
- 230000003920 cognitive function Effects 0.000 claims abstract description 129
- 238000003860 storage Methods 0.000 claims description 45
- 238000012360 testing method Methods 0.000 claims description 22
- 230000006998 cognitive state Effects 0.000 claims description 15
- 208000010877 cognitive disease Diseases 0.000 claims description 13
- 238000012216 screening Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 210000004185 liver Anatomy 0.000 claims description 2
- 238000004891 communication Methods 0.000 description 51
- 238000013528 artificial neural network Methods 0.000 description 33
- 230000000694 effects Effects 0.000 description 24
- 230000006870 function Effects 0.000 description 16
- 230000008859 change Effects 0.000 description 12
- 238000010586 diagram Methods 0.000 description 8
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 7
- 230000008569 process Effects 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 208000024827 Alzheimer disease Diseases 0.000 description 6
- 239000000090 biomarker Substances 0.000 description 6
- 206010012289 Dementia Diseases 0.000 description 5
- 230000007774 longterm Effects 0.000 description 4
- 239000008280 blood Substances 0.000 description 3
- 210000004369 blood Anatomy 0.000 description 3
- 238000013527 convolutional neural network Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 208000027061 mild cognitive impairment Diseases 0.000 description 3
- 238000010295 mobile communication Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000005236 sound signal Effects 0.000 description 3
- 230000007480 spreading Effects 0.000 description 3
- 238000003892 spreading Methods 0.000 description 3
- 238000012549 training Methods 0.000 description 3
- 230000003213 activating effect Effects 0.000 description 2
- 201000007201 aphasia Diseases 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000008449 language Effects 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 108091063796 miR-206 stem-loop Proteins 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 230000004936 stimulating effect Effects 0.000 description 2
- 208000014644 Brain disease Diseases 0.000 description 1
- 208000028698 Cognitive impairment Diseases 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 241000283973 Oryctolagus cuniculus Species 0.000 description 1
- XUIMIQQOPSSXEZ-UHFFFAOYSA-N Silicon Chemical compound [Si] XUIMIQQOPSSXEZ-UHFFFAOYSA-N 0.000 description 1
- 241000270666 Testudines Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 210000004556 brain Anatomy 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000007278 cognition impairment Effects 0.000 description 1
- 230000006999 cognitive decline Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000010562 histological examination Methods 0.000 description 1
- 230000001771 impaired effect Effects 0.000 description 1
- 230000000415 inactivating effect Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 206010027175 memory impairment Diseases 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000001151 other effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 229910052710 silicon Inorganic materials 0.000 description 1
- 239000010703 silicon Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012030 stroop test Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000010409 thin film Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
-
- 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
- A61B5/4803—Speech analysis specially adapted for diagnostic purposes
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
- A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/02—Feature extraction for speech recognition; Selection of recognition unit
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/04—Segmentation; Word boundary detection
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/22—Procedures used during a speech recognition process, e.g. man-machine dialogue
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L15/00—Speech recognition
- G10L15/26—Speech to text systems
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/48—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use
- G10L25/51—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination
- G10L25/66—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00 specially adapted for particular use for comparison or discrimination for extracting parameters related to health condition
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/78—Detection of presence or absence of voice signals
- G10L25/87—Detection of discrete points within a voice signal
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/90—Pitch determination of speech signals
-
- G—PHYSICS
- G10—MUSICAL INSTRUMENTS; ACOUSTICS
- G10L—SPEECH ANALYSIS TECHNIQUES OR SPEECH SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING TECHNIQUES; SPEECH OR AUDIO CODING OR DECODING
- G10L25/00—Speech or voice analysis techniques not restricted to a single one of groups G10L15/00 - G10L21/00
- G10L25/93—Discriminating between voiced and unvoiced parts of speech signals
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
- G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
- G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
Landscapes
- Health & Medical Sciences (AREA)
- Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Public Health (AREA)
- Medical Informatics (AREA)
- Audiology, Speech & Language Pathology (AREA)
- General Health & Medical Sciences (AREA)
- Acoustics & Sound (AREA)
- Multimedia (AREA)
- Human Computer Interaction (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Neurology (AREA)
- Pathology (AREA)
- Epidemiology (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Veterinary Medicine (AREA)
- Signal Processing (AREA)
- Psychiatry (AREA)
- Physiology (AREA)
- Primary Health Care (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- Child & Adolescent Psychology (AREA)
- Psychology (AREA)
- Neurosurgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Hospice & Palliative Care (AREA)
- Developmental Disabilities (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Fuzzy Systems (AREA)
- Mathematical Physics (AREA)
- User Interface Of Digital Computer (AREA)
Abstract
본 개시의 몇몇 실시예에 의하면 장치의 적어도 하나의 프로세서에 의해 사용자의 인지 기능 상태를 식별하는 방법이 개시된다. 상기 방법은: 사용자 정보, 적어도 하나의 음성 데이터 및 적어도 하나의 음성 데이터와 관련된 발화 시간 정보를 인지 기능 상태 식별 모델에 입력하는 단계; 및 상기 인지 기능 상태 식별 모델에서 출력된 제1 출력 데이터에 기초하여 사용자의 인지 기능 상태를 식별하는 단계;를 포함할 수 있다.
Description
본 개시는 사용자의 인지 기능 상태를 식별하는 기법에 관한 것으로, 구체적으로 사용자 정보, 적어도 하나의 음성 데이터 및 적어도 하나의 음성 데이터와 관련된 발화 시간 정보에 기초하여 사용자의 인지 기능 상태를 식별하는 장치 및 그 방법에 관한 것이다.
알츠하이머 질환(Alzheimer's Disease, AD)은 노화에 따라 수반되는 뇌 질환으로서, 점진적인 기억력 장애, 인지력 결손, 개인 성격의 변화 등을 초래하는 질병이다. 그리고, 치매(dementia)는 정상적으로 생활해오던 사람이 다양한 원인에 인해 뇌기능이 손상되면서 발생하는, 지속적이고 전반적인 인지 기능의 저하 상태를 의미한다. 여기서 인지 기능이란 기억력, 언어 능력, 시공간 파악 능력, 판단력 및 추상적 사고력 등 다양한 지적 능력을 가리키는 것으로서, 각 인지 기능은 뇌의 특정 부위와 밀접한 관련이 있다. 치매의 가장 흔한 형태가 알츠하이머 질환이다.
알츠하이머 질환, 치매 또는 경도 인지 장애를 진단하기 위한 다양한 방법들이 제시되고 있다. 예컨대, 후각 조직의 miR-206의 발현 수준을 이용하여 알츠하이머 질환 또는 경도 인지 장애를 진단하는 방법, 혈액 내에서 특징적으로 증가하는 바이오 마커를 이용하여 치매를 진단하는 방법 등이 알려져 있다.
그러나, 후각 조직의 miR-206을 이용하기 위해서는 조직 검사에 필요한 특수 장비 또는 검사가 필요하고, 혈액 내의 바이오 마커를 이용하기 위해서는 침습적인 방법으로 환자의 혈액을 채취해야 하므로, 환자의 거부감이 상대적으로 크다는 단점이 각각 존재한다.
따라서, 별도의 특수 장비 또는 검사 없이, 환자가 거부감을 거의 느끼지 않는 방법으로 사용자의 인지 기능 상태를 진단할 수 있는 방법을 개발할 필요성이 절실한 실정이다.
본 개시는 전술한 문제 및 다른 문제를 해결하는 것을 목적으로 한다. 본 개시의 몇몇 실시예가 이루고자 하는 기술적 과제는, 환자가 거부감을 거의 느끼지 않는 방법으로 정확하게 치매를 진단하는 것을 그 목적으로 한다.
본 개시에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 개시의 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 개시의 몇몇 실시예에 의한 장치의 적어도 하나의 프로세서에 의해 사용자의 인지 기능 상태를 식별하는 방법에 있어서, 상기 방법은: 사용자 정보, 적어도 하나의 음성 데이터 및 적어도 하나의 음성 데이터와 관련된 발화 시간 정보를 인지 기능 상태 식별 모델에 입력하는 단계; 및 상기 인지 기능 상태 식별 모델에서 출력된 제1 출력 데이터에 기초하여 사용자의 인지 기능 상태를 식별하는 단계;를 포함할 수 있다.
본 개시의 몇몇 실시예에 의하면, 상기 제1 출력 데이터는, 상기 사용자의 인지 기능 상태와 관련된 인지 기능 상태 값 및 상기 사용자가 인지 선별 검사 수행 시 획득 가능한 예측 스코어 값 중 적어도 하나를 포함할 수 있다.
본 개시의 몇몇 실시예에 의하면, 상기 인지 기능 상태 식별 모델에서 출력된 제1 출력 데이터에 기초하여 사용자의 인지 기능 상태를 식별하는 단계는: 상기 인지 기능 상태 값에 기초하여 상기 사용자의 인지 기능 상태를 결정하는 단계; 및 상기 예측 스코어 값에 기초하여 상기 사용자의 상기 인지 기능 상태의 강도를 결정하는 단계;를 포함할 수 있다.
본 개시의 몇몇 실시예에 의하면, 상기 인지 기능 상태 식별 모델은: 상기 적어도 하나의 음성 데이터 및 상기 발화 시간 정보에 기초하여 상기 적어도 하나의 음성 데이터를 텍스트 데이터로 변환하는 변환기; 상기 텍스트 데이터에 기초하여 제2 출력 데이터를 생성하는 제1 모델; 상기 제2 출력 데이터에 기초하여 언어적 특성 정보 및 음성적 특징 정보를 추출하는 로직 기반 이벤트 처리기; 및 상기 언어적 특성 정보, 상기 음성적 특징 정보 및 상기 사용자 정보에 기초하여 상기 제1 출력 데이터를 생성하는 적어도 하나의 모델;을 포함할 수 있다.
본 개시의 몇몇 실시예에 의하면, 상기 제2 출력 데이터는, 어절 정보, 운율 정보, 간투사 정보 및 음절 단위 음성 데이터를 포함할 수 있다.
본 개시의 몇몇 실시예에 의하면, 상기 어절 정보는, 상기 텍스트 데이터에 포함된 적어도 하나의 단어에 대한 정보 및 상기 적어도 하나의 단어가 발화된 시간에 대한 정보를 포함할 수 있다.
본 개시의 몇몇 실시예에 의하면, 상기 운율 정보는, 상기 적어도 하나의 단어를 상기 사용자가 발화 시 음의 강약, 음의 장단 및 음의 고저 중 적어도 하나와 관련된 정보를 포함할 수 있다.
본 개시의 몇몇 실시예에 의하면, 상기 간투사 정보는, 상기 텍스트 데이터에 포함된 적어도 하나의 간투사 각각의 종류, 상기 적어도 하나의 간투사 각각의 발화 시간, 상기 적어도 하나의 간투사 각각의 반복 횟수 및 상기 적어도 하나의 간투사 각각의 전체 반복 시간에 대한 정보를 포함할 수 있다.
본 개시의 몇몇 실시예에 의하면, 상기 언어적 특성 정보는, 상기 적어도 하나의 간투사의 사용 빈도에 대한 정보 및 상기 적어도 하나의 음성 데이터에 기 설정된 단어가 포함되는 지와 관련된 정보를 포함할 수 있다.
본 개시의 몇몇 실시예에 의하면, 상기 음성적 특징 정보는, 상기 사용자가 발화 시 소요된 총 발화 시간에 대한 정보, 상기 총 발화 시간 대비 상기 사용자가 발화 도중 발화를 멈춘 빈도에 대한 정보 및 상기 총 발화 시간 대비 상기 사용자가 발화 도중 발화를 멈춘 총 시간에 대한 정보 중 적어도 하나를 포함할 수 있다.
본 개시의 몇몇 실시예에 의하면, 상기 적어도 하나의 음성 데이터는, 제1 음성 데이터 획득 방법 및 상기 제1 음성 데이터 획득 방법과 상이한 제2 음성 데이터 획득 방법 중 적어도 하나에 기초하여 획득될 수 있다.
본 개시의 몇몇 실시예에 의하면, 상기 제1 음성 데이터 획득 방법은: 하나의 스토리와 관련된 복수의 이미지가 순차적으로 하나씩 사용자 단말기에서 디스플레이되도록 야기하는 것과 연동하여 상기 복수의 이미지 각각과 관련된 복수의 제1 음성 데이터를 획득하는 제1 태스크를 수행하는 단계; 및 이미지 디스플레이 없이 상기 하나의 스토리에 대한 정보가 사용자 단말기에서 디스플레이되도록 야기하는 것과 연동하여 제2 음성 데이터를 획득하는 제2 태스크를 수행하는 단계;를 포함할 수 있다.
본 개시의 몇몇 실시예에 의하면, 상기 제2 음성 데이터 획득 방법은: 사용자 단말기가 문장이 포함된 제1 화면을 디스플레이하도록 야기하는 제3 태스크(task)를 수행하는 단계; 상기 사용자 단말기가 상기 제1 화면 대신 움직이는 객체를 디스플레이하는 것과 연동하여 사용자의 눈이 포함된 영상을 획득하도록 야기하는 제4 태스크를 수행하는 단계; 및 상기 사용자 단말기가 상기 문장이 가려진 제2 화면을 디스플레이하는 것과 연동하여 상기 적어도 하나의 음성 데이터가 포함된 녹음 파일을 획득하도록 야기하는 제5 태스크를 수행하는 단계;를 포함할 수 있다.
본 개시의 몇몇 실시예에 의하면, 상기 사용자 정보는, 상기 사용자의 나이 정보, 성별 정보 및 상기 사용자의 인지 검사 결과 데이터 중 적어도 하나를 포함할 수 있다.
본 개시의 몇몇 실시예에 의한 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램은 장치의 적어도 하나의 프로세서에서 실행되는 경우, 사용자의 인지 기능 상태를 식별하는 단계들을 수행하며, 상기 단계들은: 사용자 정보, 적어도 하나의 음성 데이터 및 적어도 하나의 음성 데이터와 관련된 발화 시간 정보를 인지 기능 상태 식별 모델에 입력하는 단계; 및 상기 인지 기능 상태 식별 모델에서 출력된 제1 출력 데이터에 기초하여 사용자의 인지 기능 상태를 식별하는 단계;를 포함할 수 있다.
본 개시의 몇몇 실시예에 의하면, 사용자의 인지 기능 상태를 식별하는 장치는: 적어도 하나의 프로그램 명령이 저장된 저장부; 및 상기 적어도 하나의 프로그램 명령을 수행하는 적어도 하나의 프로세서; 를 포함하고, 상기 적어도 하나의 프로세서는, 사용자 정보, 적어도 하나의 음성 데이터 및 적어도 하나의 음성 데이터와 관련된 발화 시간 정보를 인지 기능 상태 식별 모델에 입력하고, 상기 인지 기능 상태 식별 모델에서 출력된 제1 출력 데이터에 기초하여 사용자의 인지 기능 상태를 식별할 수 있다.
본 개시에서 얻을 수 있는 기술적 해결 수단은 이상에서 언급한 해결 수단들로 제한되지 않으며, 언급하지 않은 또 다른 해결 수단들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 개시에 따른 사용자의 인지 기능 상태를 식별하는 기법의 효과에 대해 설명하면 다음과 같다.
본 개시의 몇몇 실시예에 의하면, 사용자가 거부감을 거의 느끼지 않는 방법으로 정확하게 사용자의 인지 기능 상태를 진단할 수 있다.
본 개시를 통해 얻을 수 있는 효과는 이상에서 언급한 효과로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 개시가 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 개시의 다양한 실시예들이 도면들을 참조로 설명되며, 여기서 유사한 참조 번호들은 총괄적으로 유사한 구성요소들을 지칭하는데 이용된다. 이하의 실시예에서, 설명 목적을 위해, 다수의 특정 세부사항들이 하나 이상의 실시예들의 총체적 이해를 제공하기 위해 제시된다. 그러나, 그러한 실시예(들)가 이러한 구체적인 세부사항들 없이 실시될 수 있음은 명백할 것이다.
도 1은 본 개시의 몇몇 실시예에 따른 사용자의 인지 기능 상태를 식별하는 시스템을 설명하기 위한 개략도이다.
도 2는 본 개시의 몇몇 실시예에 따라 적어도 하나의 음성 데이터를 획득하는 방법의 일례를 설명하기 위한 흐름도이다.
도 3 내지 도 5는 본 개시의 몇몇 실시예에 따라 적어도 하나의 음성 데이터를 획득하는 방법의 일례를 설명하기 위한 도면이다.
도 6 및 도 7은 본 개시의 몇몇 실시예에 따라 적어도 하나의 음성 데이터를 획득할 때 디스플레이되는 복수의 이미지를 설명하기 위한 도면이다.
도 8은 본 개시의 몇몇 실시예에 따라 적어도 하나의 음성 데이터를 획득하는 방법의 다른 일례를 설명하기 위한 흐름도이다.
도 9 내지 도 11은 본 개시의 몇몇 실시예에 따라 적어도 하나의 음성 데이터를 획득하는 방법의 다른 일례를 설명하기 위한 도면이다.
도 12는 본 개시의 몇몇 실시예에 따라 사용자의 인지 기능 상태를 식별하는 방법의 일례를 설명하기 위한 흐름도이다.
도 13은 본 개시의 몇몇 실시예에 따라 사용자의 인지 기능 상태를 식별하는 방법의 일례를 설명하기 위한 도면이다.
도 1은 본 개시의 몇몇 실시예에 따른 사용자의 인지 기능 상태를 식별하는 시스템을 설명하기 위한 개략도이다.
도 2는 본 개시의 몇몇 실시예에 따라 적어도 하나의 음성 데이터를 획득하는 방법의 일례를 설명하기 위한 흐름도이다.
도 3 내지 도 5는 본 개시의 몇몇 실시예에 따라 적어도 하나의 음성 데이터를 획득하는 방법의 일례를 설명하기 위한 도면이다.
도 6 및 도 7은 본 개시의 몇몇 실시예에 따라 적어도 하나의 음성 데이터를 획득할 때 디스플레이되는 복수의 이미지를 설명하기 위한 도면이다.
도 8은 본 개시의 몇몇 실시예에 따라 적어도 하나의 음성 데이터를 획득하는 방법의 다른 일례를 설명하기 위한 흐름도이다.
도 9 내지 도 11은 본 개시의 몇몇 실시예에 따라 적어도 하나의 음성 데이터를 획득하는 방법의 다른 일례를 설명하기 위한 도면이다.
도 12는 본 개시의 몇몇 실시예에 따라 사용자의 인지 기능 상태를 식별하는 방법의 일례를 설명하기 위한 흐름도이다.
도 13은 본 개시의 몇몇 실시예에 따라 사용자의 인지 기능 상태를 식별하는 방법의 일례를 설명하기 위한 도면이다.
이하에서는 도면을 참조하여 본 개시에 따른 장치의 제어 방법의 다양한 실시예(들)를 상세하게 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
본 개시의 목적 및 효과, 그리고 그것들을 달성하기 위한 기술적 구성들은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 본 개시의 하나 이상의 실시예들을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 개시의 적어도 하나의 실시예의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
본 개시의 용어들은 본 개시에서의 기능을 고려하여 정의된 용어들로써 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 또한, 첨부된 도면은 본 개시의 하나 이상의 실시예를 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 개시의 기술적 사상이 제한되지 않으며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
이하의 설명에서 사용되는 구성요소에 대한 접미사 "모듈" 및 "부"는 본 개시의 작성의 용이함만이 고려되어 부여되거나 혼용되는 것으로서, 그 자체로 서로 구별되는 의미 또는 역할을 갖는 것은 아니다.
제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되지는 않는다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 따라서, 이하에서 언급되는 제1 구성요소는 본 개시의 기술적 사상 내에서 제2 구성 요소가 될 수도 있다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 즉, 달리 특정되지 않거나 단수 형태를 지시하는 것으로 문맥상 명확하지 않은 경우, 본 개시와 청구범위에서 단수는 일반적으로 "하나 또는 그 이상"을 의미하는 것으로 해석되어야 한다.
본 개시에서, "포함하는", "포함한다" 또는 "가지다" 등의 용어는 본 개시상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
본 개시에서 "또는"이라는 용어는 배타적 의미의 "또는"이 아니라 내포적 의미의 "또는"으로 이해되어야 한다. 즉, 달리 특정되지 않거나 문맥상 명확하지 않은 경우에, "X는 A 또는 B를 이용한다"는 자연적인 내포적 치환 중 하나를 의미하는 것으로 의도된다. 즉, X가 A를 이용하거나; X가 B를 이용하거나; 또는 X가 A 및 B 모두를 이용하는 경우, "X는 A 또는 B를 이용한다"가 이들 경우들 어느 것으로도 적용될 수 있다. 또한, 본 개시에 사용된 "및/또는"이라는 용어는 열거된 관련 아이템들 중 하나 이상의 아이템의 가능한 모든 조합을 지칭하고 포함하는 것으로 이해되어야 한다.
본 개시에서 사용되는 용어 "정보" 및 "데이터"는 서로 상호 교환 가능하도록 사용될 수 있다.
다른 정의가 없다면, 본 개시에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 개시의 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 특별히 정의되어 있지 않는 한 과도하게 해석되지 않는다.
그러나 본 개시는 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있다. 단지 본 개시의 몇몇 실시예들은 본 개시의 기술분야에서 통상의 지식을 가진 자에게 본 개시의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 개시는 청구항의 범주에 의해 정의될 뿐이다. 그러므로 그 정의는 본 개시 전반에 걸친 내용을 토대로 내려져야 할 것이다.
본 개시의 몇몇 실시예에 따르면, 장치의 적어도 하나의 프로세서(이하, '프로세서'라고 지칭함)는 사용자 정보, 적어도 하나의 음성 데이터 및 적어도 하나의 음성 데이터와 관련된 발화 시간 정보를 인지 기능 상태 식별 모델에 입력한 후 출력된 제1 출력 데이터에 기초하여 사용자의 인지 기능 상태를 식별할 수 있다.
이하에서는 도 1을 참조하여 사용자의 인지 기능 상태를 식별하는 시스템을 설명하고, 도 2 내지 도 11을 참조하여 적어도 하나의 음성 데이터를 획득하는 방법을 설명하고, 도 12 및 도 13를 참조하여 사용자의 인지 기능 상태를 식별하는 방법을 설명한다.
도 1은 본 개시의 몇몇 실시예에 따른 사용자의 인지 기능 상태를 식별하는 시스템을 설명하기 위한 개략도이다.
도 1을 참조하면, 사용자의 인지 기능 상태를 식별하는 시스템은 인지 기능 상태를 식별하는 장치(100) 및 인지 기능 상태 식별을 필요로 하는 사용자의 사용자 단말기(200)를 포함할 수 있다. 그리고, 장치(100)와 사용자 단말기(200)는 유/무선 네트워크(300)를 통해 통신이 연결될 수 있다. 다만, 도 1에 도시된 시스템을 구성하는 구성요소들은 사용자의 인지 기능 상태를 식별하는 시스템을 구현하는데 있어서 필수적인 것은 아니어서, 위에서 열거된 구성요소들 보다 많거나, 또는 적은 구성요소들을 가질 수 있다.
본 개시의 장치(100)는 유/무선 네트워크(wire/wireless network)(300)를 통하여 사용자 단말기(200)와 페어링 또는 연결(pairing or connecting) 가능하며, 이를 통해 소정 데이터를 송/수신할 수 있다. 이 경우, 유/무선 네트워크(300)를 통해 송/수신되는 데이터는 송/수신 전에 변환(converting)될 수 있다. 여기서, “유/무선 네트워크”(300)라 함은, 장치(100)와 사용자 단말기(200) 사이에서 페어링 또는/및 데이터 송수신을 위해 다양한 통신 규격 내지 프로토콜을 지원하는 통신 네트워크를 통칭한다. 이러한 유/무선 네트워크(300)는, 규격에 의해 현재 또는 향후 지원될 통신 네트워크를 모두 포함하며, 그를 위한 하나 또는 그 이상의 통신 프로토콜들을 모두 지원 가능하다.
사용자의 인지 기능 상태를 식별하는 장치(100)는 프로세서(110), 저장부(120) 및 통신부(130)를 포함할 수 있다. 도 1에 도시된 구성요소들은 장치(100)를 구현하는데 있어서 필수적인 것은 아니어서, 본 개시에서 설명되는 장치(100)는 위에서 열거된 구성요소들 보다 많거나, 또는 적은 구성요소들을 가질 수 있다.
본 개시의 장치(100)의 각 구성요소는 실제 구현되는 장치(100)의 사양에 따라 통합, 추가, 또는 생략될 수 있다. 즉, 필요에 따라, 2 이상의 구성요소가 하나의 구성요소로 합쳐지거나 하나의 구성요소가 2 이상의 구성요소로 세분화될 수 있다. 또한, 각 블록에서 수행하는 기능은 본 개시의 실시예를 설명하기 위한 것이며, 그 구체적인 동작이나 장치는 본 발명의 권리범위를 제한하지 아니한다.
본 개시에서 설명되는 장치(100)는 데이터(data), 콘텐츠(content), 서비스(service) 및 애플리케이션(application) 등을 송신 및 수신 중 적어도 하나 이상을 수행하는 모든 디바이스를 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.
본 개시의 장치(100)에는 예를 들어, 서버(server), PC(Personal Computer), 마이크로프로세서, 메인프레임 컴퓨터, 디지털 프로세서, 디바이스 제어기 등과 같은 고정형 디바이스(standing device) 스마트 폰(Smart Phone), 태블릿 PC(Tablet PC), 노트북(Notebook) 등과 같은 모바일 디바이스(mobile device or handheld device)가 모두 포함될 수 있다. 다만, 이에 한정되는 것은 아니다.
본 개시에서, "서버"라 함은, 다양한 종류의 사용자 단말기 즉, 클라이언트(client)로 데이터를 공급 또는 그로부터 데이터를 수신하는 장치 혹은 시스템을 의미한다. 서버로 예컨대, 웹 페이지(web page), 웹 컨텐트 또는 웹 서비스(web content or web service)를 제공하는 웹 서버(Web server)나 포털 서버(portal server), 광고 데이터(advertising data)를 제공하는 광고 서버(advertising server), 컨텐트를 제공하는 컨텐트 서버(content server), SNS(Social Network Service)를 제공하는 SNS 서버, 제조업체(manufacturer)에서 제공하는 서비스 서버(service server), VoD(Video on Demand)나 스트리밍(streaminng) 서비스 제공을 위한 MVPD(Multichannel Video Programming Distributor), 유료 서비스(pay service) 등을 제공하는 서비스 서버 등이 포함될 수 있다.
본 개시에서 장치(100)로 명명하는 경우, 그 의미는 문맥에 따라 서버를 의미하나, 고정형 디바이스 또는 모바일 디바이스를 의미할 수도 있고 특별히 언급하지 않는다면 모두 포함하는 의미로 사용될 수도 있다.
프로세서(110)는 응용 프로그램과 관련된 동작 외에도 통상적으로 장치(100)의 전반적인 동작을 제어할 수 있다. 프로세서(110)는 장치(100)의 구성요소들을 통해 입력 또는 출력되는 신호, 데이터, 정보 등을 처리하거나 저장부(120)에 저장된 응용 프로그램을 구동함으로써, 적절한 정보 또는 기능을 제공 또는 처리할 수 있다.
프로세서(110)는 저장부(120)에 저장된 응용 프로그램을 구동하기 위하여 장치(100)의 구성요소들 중 적어도 일부를 제어할 수 있다. 나아가, 프로세서(110)는 응용 프로그램의 구동을 위하여 장치(100)에 포함된 구성요소들 중 적어도 둘 이상을 서로 조합하여 동작시킬 수 있다.
프로세서(110)는 하나 이상의 코어로 구성될 수 있으며, 다양한 상용 프로세서들 중 임의의 프로세서일 수 있다. 예를 들어, 프로세서(110)는 장치의 중앙 처리 장치(CPU: Central Processing Unit), 범용 그래픽 처리 장치 (GPUGP: General Purpose Graphics Processing Unit), 텐서 처리 장치(TPU: Tensor Processing Unit) 등을 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.
본 개시의 프로세서(110)는 듀얼 프로세서 또는 기타 멀티프로세서 아키텍처로 구성될 수 있다. 다만, 이에 한정되는 것은 아니다.
프로세서(110)는 저장부(120)에 저장된 컴퓨터 프로그램에 기록된 인지 기능 상태 식별 모델을 이용하여 사용자의 인지 기능 상태를 식별할 수 있다.
저장부(120)는, 장치(100)의 다양한 기능을 지원하는 데이터를 저장할 수 있다. 저장부(120)는 장치(100)에서 구동되는 다수의 응용 프로그램(application program 또는 애플리케이션(application)), 장치(100)의 동작을 위한 데이터들, 명령어들, 적어도 하나의 프로그램 명령을 저장할 수 있다. 이러한 응용 프로그램 중 적어도 일부는, 무선 통신을 통해 외부 서버로부터 다운될 수 있다. 또한, 이러한 응용 프로그램 중 적어도 일부는, 장치(100)의 기본적인 기능을 위하여 출고 당시부터 장치(100) 상에 존재할 수도 있다. 한편, 응용 프로그램은, 저장부(120)에 저장되고, 장치(100) 상에 설치되어 프로세서(110)에 의하여 장치(100)의 동작(또는 기능)을 수행하도록 구동될 수 있다.
저장부(120)는 프로세서(110)에서 생성하거나 결정한 임의의 형태의 정보 및 통신부(130)를 통해 수신한 임의의 형태의 정보를 저장할 수 있다.
저장부(120)는 플래시 메모리 타입(flash memory type), 하드디스크 타입(hard disk type), SSD 타입(Solid State Disk type), SDD 타입(Silicon Disk Drive type), 멀티미디어 카드 마이크로 타입(multimedia card micro type), 카드 타입의 메모리(예를 들어 SD 또는 XD 메모리 등), 램(random access memory; RAM), SRAM(static random access memory), 롬(read-only memory; ROM), EEPROM(electrically erasable programmable read-only memory), PROM(programmable read-only memory), 자기 메모리, 자기 디스크 및 광디스크 중 적어도 하나의 타입의 저장매체를 포함할 수 있다. 장치(100)는 인터넷(internet) 상에서 저장부(120)의 저장 기능을 수행하는 웹 스토리지(web storage)와 관련되어 동작될 수도 있다.
본 개시의 몇몇 실시예에 따르면, 저장부(120)는 사용자의 인지 기능 상태를 식별하는 인지 기능 상태 식별 모델을 저장하고 있을 수 있다. 프로세서(110)는 인지 기능 상태 식별 모델에 사용자 정보, 적어도 하나의 음성 데이터 및 적어도 하나의 음성 데이터와 관련된 발화 시간 정보를 입력하여 사용자의 인지 기능 상태를 식별할 수 있다. 이는 도 12 및 도 13을 참조하여 좀더 자세히 설명한다.
본 개시에서 인지 기능 상태 식별 모델은, 뉴럴 네트워크 구조를 가지고 있는 복수의 모델이 앙상블(ensemble)된 구조를 가질 수 있다. 여기서, 앙상블된 구조라 함은, 복수의 모델 중 어느 하나의 모델의 출력 데이터가 다른 모델의 입력 데이터로 이용되는 구조를 의미할 수 있다. 다만, 본 개시는 이에 한정되는 것은 아니다.
통신부(130)는 장치(100)와 유선/무선 통신 시스템 사이, 장치(100)와 다른 장치 사이 또는 장치(100)와 외부 서버 사이의 유선/무선 통신을 가능하게 하는 하나 이상의 모듈을 포함할 수 있다. 또한, 통신부(130)는 장치(100)를 하나 이상의 네트워크에 연결하는 하나 이상의 모듈을 포함할 수 있다.
통신부(130)는 유선/무선 인터넷 접속을 위한 모듈을 말하는 것으로 장치(100)에 내장되거나 외장될 수 있다. 통신부(130)는 유선/무선 신호를 송수신하도록 이루어질 수 있다.
통신부(130)는 이동통신을 위한 기술표준들 또는 통신방식(예를 들어, GSM(Global System for Mobile communication), CDMA(Code Division Multi Access), CDMA2000(Code Division Multi Access 2000), EV-DO(Enhanced Voice-Data Optimized or Enhanced Voice-Data Only), WCDMA(Wideband CDMA), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등)에 따라 구축된 이동 통신망 상에서 기지국, 외부의 단말 및 서버 중 적어도 하나와 무선 신호를 송수신할 수 있다.
무선 인터넷 기술로는, 예를 들어 WLAN(Wireless LAN), Wi-Fi(Wireless-Fidelity), Wi-Fi(Wireless Fidelity) Direct, DLNA(Digital Living Network Alliance), WiBro(Wireless Broadband), WiMAX(World Interoperability for Microwave Access), HSDPA(High Speed Downlink Packet Access), HSUPA(High Speed Uplink Packet Access), LTE(Long Term Evolution), LTE-A(Long Term Evolution-Advanced) 등이 있을 수 있다. 다만, 상기에서 나열되지 않은 인터넷 기술까지 포함한 범위에서 적어도 하나의 무선 인터넷 기술에 따라 통신부(130)는 데이터를 송수신할 수 있다.
더불어, 통신부(130)는 근거리 통신(Short range communication)을 통해 신호를 송수신하도록 이루어질 수도 있다. 통신부(130)는 블루투스(Bluetooth™), RFID(Radio Frequency Identification), 적외선 통신(Infrared Data Association; IrDA), UWB(Ultra-Wideband), ZigBee, NFC(Near Field Communication), Wi-Fi(Wireless-Fidelity), Wi-Fi Direct, Wireless USB(Wireless Universal Serial Bus) 기술 중 적어도 하나를 이용하여 근거리 통신을 수행할 수 있다. 통신부(130)는 근거리 통신망(Wireless Area Networks)을 통해 무선 통신을 지원할 수 있다. 근거리 무선 통신망은 근거리 무선 개인 통신망(Wireless Personal Area Networks)일 수 있다.
본 개시의 몇몇 실시예에 따른 장치(100)는 통신부(130)를 통해 사용자 단말기(200)와 유/무선 네트워크(300)가 연결될 수 있다.
본 개시에서 사용자 단말기(200)는 유/무선 네트워크(wire/wireless network)(300)를 통하여 인지 기능 상태 식별 모델이 저장된 장치(100)와 페어링 또는 연결(pairing or connecting) 가능하며, 이를 통해 소정 데이터를 송/수신 및 디스플레이할 수 있다.
본 개시에서 설명되는 사용자 단말기(200)는 데이터(data), 콘텐츠(content), 서비스(service) 및 애플리케이션(application) 등을 송신, 수신 및 디스플레이 중 적어도 하나 이상을 수행하는 모든 디바이스를 포함할 수 있다. 그리고, 사용자 단말기(200)는 인지 기능 상태 식별을 하고 싶어하는 사용자의 단말기를 의미할 수 있다. 다만, 이에 한정되는 것은 아니다.
본 개시에서 사용자 단말기(200)는 예를 들어, 휴대폰, 스마트 폰(smart phone), 태블릿 PC(tablet PC), 울트라북(ultrabook) 등과 같은 이동 단말기(mobile device)를 포함할 수 있다. 다만, 이에 한정되는 것은 아니고, 사용자 단말기(200)는 PC(Personal Computer), 마이크로프로세서, 메인프레임 컴퓨터, 디지털 프로세서, 디바이스 제어기 등과 같은 고정형 디바이스(standing device)도 포함할 수 있다.
사용자 단말기(200)는 프로세서(210), 저장부(220), 통신부(230), 영상 획득부(240), 디스플레이부(250), 음향 출력부(260) 및 음향 획득부(270)를 포함할 수 있다. 도 1에 도시된 구성요소들은 사용자 단말기(200)를 구현하는데 있어서 필수적인 것은 아니어서, 본 개시에서 설명되는 사용자 단말기(200)는 위에서 열거된 구성요소들 보다 많거나, 또는 적은 구성요소들을 가질 수 있다.
본 개시의 사용자 단말기(200)의 각 구성요소는 실제 구현되는 사용자 단말기(200)의 사양에 따라 통합, 추가, 또는 생략될 수 있다. 즉, 필요에 따라, 2 이상의 구성요소가 하나의 구성요소로 합쳐지거나 하나의 구성요소가 2 이상의 구성요소로 세분화될 수 있다. 또한, 각 블록에서 수행하는 기능은 본 개시의 실시예를 설명하기 위한 것이며, 그 구체적인 동작이나 장치는 본 발명의 권리범위를 제한하지 아니한다.
사용자 단말기(200)의 프로세서(210), 저장부(220) 및 통신부(230)는 장치(100)의 프로세서(110), 저장부(120) 및 통신부(130)와 동일한 구성 요소이므로, 중복되는 설명은 생략하고, 이하 차이점을 중심으로 설명한다.
본 개시에서 사용자 단말기(200)의 프로세서(210)는 적어도 하나의 음성 데이터를 획득하기 위한 화면을 디스플레이하도록 디스플레이부(250)를 제어할 수 있다.
일례로, 프로세서(210)는 하나의 스토리와 관련된 복수의 이미지를 순차적으로 디스플레이하도록 디스플레이부(250)를 제어하는 것과 연동하여 사용자의 복수의 제1 음성 데이터를 획득할 수 있다. 그리고, 프로세서(210)는 이미지 디스플레이 없이 하나의 스토리에 대한 정보를 디스플레이하도록 디스플레이부(250)를 제어하는 것과 연동하여 사용자의 제2 음성 데이터를 획득할 수 있다. 다만, 본 개시는 이에 한정되는 것은 아니다. 이에 대한 자세한 설명은 도 2 내지 도 7을 참조하여 후술한다.
다른 일례로, 프로세서(210)는 사용자가 문장을 암기할 수 있도록 문장이 포함된 제1 화면 및 사용자가 암기한 문장을 획득하기 위한 제2 화면을 순차적으로 디스플레이하도록 디스플레이부(250)를 제어할 수 있다. 그리고, 프로세서(210)는 제2 화면이 디스플레이되기 전에 사용자의 시선 변화와 관련된 정보를 획득하기 위해 움직이는 객체를 디스플레이하도록 디스플레이부(250)를 제어할 수 있다. 다만, 본 개시는 이에 한정되는 것은 아니다. 이에 대한 자세한 설명은, 도 8 내지 도 11을 참조하여 후술한다.
한편, 사용자의 인지 기능 상태 식별 모델을 이용한 연산을 수행하기 위해서는 높은 처리 속도 및 연산 능력이 필요하기 때문에 인지 기능 상태 식별 모델은 장치(100)의 저장부(120)에만 저장되어 있고, 사용자 단말기(200)의 저장부(220)에 저장되어 있지 않을 수 있다. 다만, 본 개시는 이에 한정되는 것은 아니다.
영상 획득부(240)는 하나 또는 복수의 카메라를 포함할 수 있다. 즉, 사용자 단말기(200)는 전면부 또는 후면부 중 적어도 하나에 하나 또는 복수의 카메라를 포함하고 있는 장치일 수 있다.
영상 획득부(240)는 이미지 센서에 의해 얻어지는 정지영상 또는 동영상 등의 화상 프레임을 처리할 수 있다. 처리된 화상 프레임은 디스플레이부(250)에 표시되거나 저장부(220)에 저장될 수 있다. 한편, 사용자 단말기(200)에 구비되는 영상 획득부(240)는 복수의 카메라가 매트릭스 구조를 이루도록 매치될 수 있다. 이와 같이 매트릭스 구조를 이루는 카메라를 통하여 사용자 단말기(200)에는 다양한 각도 또는 초점을 잦는 복수의 영상 정보가 입력될 수 있다.
본 개시의 영상 획득부(240)는 적어도 하나의 라인을 따라 배열되는 복수의 렌즈를 포함할 수 있다. 복수의 렌즈는 행렬(matrix) 형식으로 배열될 수 있다. 이러한 카메라는, 어레이 카메라로 명명될 수 있다. 영상 획득부(240)가 어레이 카메라로 구성되는 경우, 복수의 렌즈를 이용하여 다양한 방식으로 영상을 촬영할 수 있으며, 보다 나은 품질의 영상을 획득할 수 있다.
본 개시의 몇몇 실시예에 따르면, 영상 획득부(240)는 사용자 단말기(200)에 움직이는 객체가 디스플레이되는 것과 연동하여 사용자 단말기의 사용자의 눈이 포함된 영상을 획득할 수 있다.
디스플레이부(250)는 사용자 단말기(200)에서 처리되는 정보를 표시(출력)할 수 있다. 예를 들어, 디스플레이부(250)는 사용자 단말기(200)에서 구동되는 응용 프로그램의 실행 화면 정보 또는 이러한 실행 화면 정보에 따른 UI(User Interface), GUI(Graphic User Interface) 정보를 표시할 수 있다.
디스플레이부(250)는 액정 디스플레이(liquid crystal display, LCD), 박막 트랜지스터 액정 디스플레이(thin film transistor-liquid crystal display, TFT LCD), 유기 발광 다이오드(organic light-emitting diode, OLED), 플렉서블 디스플레이(flexible display), 3차원 디스플레이(3D display), 전자잉크 디스플레이(e-ink display) 중에서 적어도 하나를 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.
본 개시의 몇몇 실시예에 의하면, 디스플레이부(250)는 프로세서(210)의 제어 하에 문장이 포함된 제1 화면, 움직이는 객체가 포함된 화면 또는 상기 문장이 가려진 제2 화면을 디스플레이할 수 있다.
본 개시의 다른 몇몇 실시예에 의하면, 디스플레이부(250)는 프로세서(210)의 제어 하에 하나의 스토리와 관련된 복수의 이미지를 순차적으로 디스플레이한 후에 이미지 디스플레이 없이 하나의 스토리와 관련된 정보를 디스플레이할 수 있다.
음향 출력부(260)는 통신부(230)로부터 수신되거나 저장부(220)에 저장된 오디오 데이터(또는 음향 데이터 등)를 출력할 수 있다. 음향 출력부(260)는 사용자 단말기(200)에서 수행되는 기능과 관련된 음향 신호를 출력하기도 한다.
음향 출력부(260)는 리시버(receiver), 스피커(speaker), 버저(buzzer) 등을 포함할 수 있다. 즉, 음향 출력부(260)는 리시버(receiver)로 구현될 수도 있으며 라우드 스피커(loud speaker)의 형태로 구현될 수도 있다. 다만, 이에 한정되는 것은 아니다.
본 개시의 몇몇 실시예에 따르면, 음향 출력부(260)는 적어도 하나의 음성 데이터를 획득하기 위한 적어도 하나의 태스크를 수행하는 것과 연동하여 기 설정된 음향(예를 들어, 적어도 하나의 태스크를 통해 사용자가 수행해야 되는 작업을 설명하는 음성)을 출력할 수 있다. 다만, 이에 한정되는 것은 아니다.
음향 획득부(270)는 외부의 음향 신호를 전기적인 음향 데이터로 처리할 수 있다. 처리된 음향 데이터는 사용자 단말기(200)에서 수행 중인 기능(또는 실행 중인 응용 프로그램)에 따라 다양하게 활용될 수 있다. 한편, 음향 획득부(270)에는 외부의 음향 신호를 입력 받는 과정에서 발생되는 잡음(noise)을 제거하기 위한 다양한 잡음 제거 알고리즘이 구현될 수 있다.
본 개시에서 음향 획득부(270)는 프로세서(210)의 제어 하에 사용자가 발화한 음성을 녹음한 적어도 하나의 음성 데이터를 획득할 수 있다. 다만, 본 개시는 이에 한정되는 것은 아니다.
본 개시의 몇몇 실시예에 따르면, 사용자 단말기에 기 설정된 화면이 디스플레이되면서 인지 기능 상태 식별을 위한 디지털 바이오 마커(디지털 기기로부터 획득되는 바이오 마커)가 획득될 수 있다. 여기서, 디지털 바이오 마커는 적어도 하나의 음성 데이터를 의미할 수 있다. 이는 도 2 내지 도 11을 참조하여 자세히 후술한다.
도 2는 본 개시의 몇몇 실시예에 따라 적어도 하나의 음성 데이터를 획득하는 방법의 일례를 설명하기 위한 흐름도이다. 도 3 내지 도 5는 본 개시의 몇몇 실시예에 따라 적어도 하나의 음성 데이터를 획득하는 방법의 일례를 설명하기 위한 도면이다. 도 6 및 도 7은 본 개시의 몇몇 실시예에 따라 적어도 하나의 음성 데이터를 획득할 때 디스플레이되는 복수의 이미지를 설명하기 위한 도면이다. 도 2 내지 도 7과 관련하여 도 1과 관련하여 상술한 바와 중복되는 내용은 다시 설명하지 않고, 이하 차이점을 중심으로 설명한다.
도 2를 참조하면, 장치(100)의 프로세서(110)는 사용자 단말기(200)에 복수의 이미지가 순차적으로 디스플레이되도록 야기하는 것과 연동하여 복수의 이미지 각각과 관련된 복수의 제1 음성 데이터를 획득하는 제1 태스크를 수행할 수 있다(S110). 여기서, 복수의 이미지는 하나의 스토리와 관련된 이미지로 순차적으로 사용자 단말기(200)에 디스플레이될 수 있다.
복수의 제1 음성 데이터는 복수의 이미지 중 N(N은 1 이상의 자연수)차 이미지가 디스플레이될 때 사용자 단말기(200)에 제1 터치 입력이 입력된 시점부터 제2 터치 입력이 입력된 시점까지 획득되는 음성 데이터를 포함할 수 있다.
제1 터치 입력은 N차 이미지와 같이 디스플레이되는 버튼(예를 들어, 시작 버튼)에 대한 터치 입력일 수 있다.
제2 터치 입력은 제1 터치 입력에 응답하여 제1 버튼 대신 제2 버튼이 N차 이미지와 같이 디스플레이된 상태에서 제2 버튼에 대한 터치 입력일 수 있다.
복수의 제1 음성 데이터를 획득하는 과정은 도 3을 참조하여 좀더 자세히 설명한다.
도 3의 (a)를 참조하면, 사용자 단말기(200)의 프로세서(210)는 복수의 제1 음성 데이터를 획득하기 이전에 사용자가 수행해야하는 작업을 설명하는 설명 화면(S1)이 디스플레이되도록 디스플레이부(250)를 제어할 수 있다. 여기서, 설명 화면(S1)은 사용자가 수행해야하는 작업을 설명하는 메시지(M1) 및 복수의 제1 음성 데이터를 획득하는 제1 태스크를 시작하도록 만드는 시작 버튼(401)을 포함할 수 있다.
본 개시의 몇몇 실시예에 따르면, 메시지(M1)가 디스플레이되는 것과 연동하여 음향 출력부(260)를 통해 메시지(M1)와 관련된 음향(예를 들어, 메시지(M1) 내에 포함된 내용을 설명하는 음성)이 출력될 수도 있다. 이와 같이, 메시지(M1)와 함께 음향을 출력하여 사용자가 수행해야하는 작업을 사용자에게 인지시키는 경우 사용자가 현재 수행해야하는 작업이 무엇인지 명확하게 이해할 수 있다. 따라서, 단순 실수로 잘못된 작업을 수행할 가능성이 낮아질 수 있다.
도 3의 (b)를 참조하면, 사용자 단말기(200)의 프로세서(210)는 시작 버튼(401)을 선택하는 터치 입력에 기초하여 복수의 이미지 중 1차 이미지(P1)를 디스플레이하도록 디스플레이부(250)를 제어할 수 있다.
구체적으로, 사용자 단말기(200)의 프로세서(210)는 복수의 이미지 중 1차 이미지(P1)가 디스플레이될 때 제1 버튼(411)을 함께 디스플이하도록 디스플레이부(250)를 제어할 수 있다. 여기서, 복수의 이미지는 하나의 스토리와 관련된 이미지들로 디스플레이 순서에 따라 디스플레이되는 이미지들이고, 1차 이미지(P1)는 가장 먼저 디스플레이되는 최초 이미지일 수 있다.
한편, 복수의 이미지가 장치(100)의 저장부(120)에 저장되어 있는 경우와 복수의 이미지가 사용자 단말기(200)의 저장부(220)에 저장되어 있는 경우에 이미지를 디스플레이하는 방법이 달라질 수 있다.
일례로, 복수의 이미지가 장치(100)의 저장부(120)에 저장되어 있는 경우, 사용자 단말기(200)의 프로세서(210)는 시작 버튼(401)을 선택하는 터치 입력이 감지된 때 장치(100)에 1차 이미지 요청 신호를 전송한 후 1차 이미지(P1)를 수신하도록 통신부(230)를 제어할 수 있다. 사용자 단말기(200)의 프로세서(210)는 1차 이미지(P1)를 수신한 경우 1차 이미지(P1)를 디스플레이하도록 디스플레이부(250)를 제어할 수 있다.
다른 일례로, 복수의 이미지가 사용자 단말기(200)의 저장부(220)에 저장되어 있는 경우, 프로세서(210)는 시작 버튼(401)을 선택하는 터치 입력이 감지된 때 저장부(220)에 저장된 복수의 이미지 중 1차 이미지(P1)를 디스플레이하도록 디스플레이부를 제어할 수도 있다.
도 3의 (c)를 참조하면, 프로세서(210)는 제1 버튼(411)에 대한 제1 터치 입력이 입력된 경우, 제1 버튼 대신 제2 버튼(412)을 1차 이미지(P1)와 함께 디스플레이하는 것과 연동하여 음향 데이터 획득부(240)를 활성화하여 1차 이미지(P1)와 관련된 제1 음성 데이터를 획득하기 시작할 수 있다.
제1 버튼(411)에 대한 터치 입력이 감지된 경우, 제1 버튼(411) 대신 디스플레이되는 제2 버튼(412)에 기 설정된 효과가 부가되면서 제2 버튼(412)이 디스플레이될 수 있다. 예를 들어, 제2 버튼(412)을 중심으로 기 설정된 색상이 퍼져나가는 형태의 효과가 제2 버튼(412)에 부가될 수 있다. 다만, 기 설정된 효과는 상술한 예시에 한정되는 것은 아니고 다양한 효과가 제2 버튼(412)에 부가될 수 있다. 상술한 바와 같이 제2 버튼(412)에 기 설정된 효과가 부가되면 사용자가 현재 제1 음성 데이터가 획득 중이라는 것을 인지할 수 있다.
프로세서(210)는 제2 버튼(412)에 대한 제2 터치 입력이 입력된 경우, 제1 음성 데이터 획득을 종료하고 음향 데이터 획득부(240)를 비활성화할 수 있다. 즉, 1차 이미지가 디스플레이될 때 획득되는 제1 음성 데이터는 제1 터치 입력이 입력된 시점부터 제2 터치 입력이 입력된 시점까지의 사용자의 음성을 녹음한 음성 데이터일 수 있다. 그리고, 1차 이미지가 디스플레이될 때 획득되는 제1 음성 데이터는 1차 이미지와 관련된 제1 음성 데이터로 기록될 수 있다.
본 개시의 몇몇 실시예에 따르면, 프로세서(210)는 제2 버튼(412)에 대한 제2 터치 입력이 입력된 경우, 1차 이미지(P1) 대신 2차 이미지(도 7의 P2)가 디스플레이되도록 디스플레이부(250)를 제어할 수 있다. 즉, N차 이미지(N은 1 이상의 자연수)는, 제2 터치 입력에 응답하여 N+1차 이미지로 변경될 수 있다.
한편, 프로세서(210)는 2차 이미지가 디스플레이될 때 도 3의 (b) 및 도 3의 (c)와 관련하여 상술한 태스크를 동일하게 수행할 수 있다. 즉, 프로세서(210)는 상술한 바와 같이 사용자의 제2 버튼(412)에 대한 터치 입력이 감지된 때 다음 이미지로 이미지를 순차적으로 변경하고 다음 이미지와 관련된 제1 음성 데이터를 추가로 획득할 수 있다. 이런 방식으로 프로세서(210)는 선택된 스토리와 관련된 모든 이미지와 관련된 복수의 제1 음성 데이터를 획득할 수 있다.
본 개시의 몇몇 실시예에 따르면, 복수의 이미지는 하나의 스토리와 관련된 이미지로 스토리 타이틀이 달라지면 복수의 이미지도 달라질 수 있다.
장치(1100)의 저장부(120) 또는 사용자 단말기(200)의 저장부(220)에는 복수의 스토리 각각과 관련된 복수의 이미지가 저장되어 있을 수 있다.
도 6을 참조하면, 복수의 스토리는 서로 다른 스토리 타이틀을 가질 수 있다. 여기서, 스토리는 이솝우화, 동화와 같이 하나의 이야기와 관련이 있을 수 있다.
일례로, 복수의 스토리는 제1 스토리, 제2 스토리, 제3 스토리 및 제4 스토리를 적어도 포함할 수 있다. 여기서, 제1 스토리의 스토리 타이틀은 토끼와 거북이이고, 제2 스토리의 스토리 타이틀은 콩쥐팥쥐이고, 제3 스토리의 스토리 타이틀은 해님과 달님이고, 제4 스토리의 스토리 타이틀은 흥부와 놀부일 수 있다. 다만, 이에 한정되는 것은 아니다.
한편, 복수의 스토리 각각과 관련된 이미지 개수는 서로 같을 수도 있고 서로 다를 수도 있다.
예를 들어, 제1 스토리, 제2 스토리 및 제3 스토리와 관련된 이미지의 개수는 4개일 수 있고, 제4 스토리와 관련된 이미지의 개수는 5개일 수 있다. 다만, 이에 한정되는 것은 아니다.
본 개시에서, 사용자 단말기(200)에서 디스플레이되는 복수의 이미지는 상술한 복수의 스토리 중 어느 하나의 스토리와 관련된 이미지들일 수 있다.
복수의 스토리 중 어느 하나의 스토리는 랜덤하게 선택될 수도 있고, 기 설정된 순서에 따라 선택될 수도 있다. 다만, 이에 한정되는 것은 아니다.
도 7을 참조하면, 하나의 스토리와 관련된 복수의 이미지(P1, P2, P3, P4)는 서로 다를 수 있고, 장치(100)의 저장부(120) 또는 사용자 단말기(200)의 저장부(220)에 저장되어 있을 수 있다. 다만, 이에 한정되는 것은 아니다.
복수의 이미지(P1, P2, P3, P4) 각각에는 순서가 정해져 있을 수 있다. 따라서, 사용자 단말기(200)에 복수의 이미지(P1, P2, P3, P4)가 디스플레이될 때 순차적으로 디스플레이될 수 있다.
구체적으로, 1차 이미지(P1)가 디스플레이될 때 같이 디스플레이되는 제2 버튼(412)에 대한 제2 터치 입력이 감지되면, 2차 이미지(P2)가 사용자 단말기(200)의 디스플레이부(250) 상에 디스플레이될 수 있고, 2차 이미지(P2)가 디스플레이될 때 같이 디스플레이되는 제2 버튼(412)에 대한 제2 터치 입력이 감지되면, 3차 이미지(P2)가 사용자 단말기(200)의 디스플레이부(250) 상에 디스플레이될 수 있다. 이런 방법으로 복수의 이미지(P1, P2, P3, P4) 전부가 사용자 단말기(200)의 디스플레이부(250) 상에 디스플레이될 수 있다.
한편, 본 개시의 몇몇 실시예에 따르면, 사용자 단말기(200)가 복수의 이미지를 순차적으로 디스플레이하는 것과 연동하여 상기 복수의 이미지 각각과 관련된 복수의 제1 음성 데이터를 획득하는 제1 태스크 이전에, 음성 데이터의 획득 없이 상기 복수의 이미지 각각을 순차적으로 기 설정된 시간 동안 디스플레이하는 태스크가 수행될 수도 있다. 이는 도 4를 참조하여 자세히 설명한다.
도 4의 (a)를 참조하면, 복수의 이미지 각각을 순차적으로 기 설정된 시간 동안 디스플레이하는 태스크가 수행되기 이전에, 사용자가 수행해야하는 작업을 설명하는 설명 화면(S2)이 디스플레이되도록 디스플레이부(250)를 제어할 수 있다. 여기서, 설명 화면(S2)은 사용자가 수행해야하는 작업을 설명하는 메시지(M2) 및 복수의 이미지 각각을 순차적으로 기 설정된 시간 동안 디스플레이하는 태스크를 시작하도록 만드는 시작 버튼(402)을 포함할 수 있다.
본 개시의 몇몇 실시예에 따르면, 메시지(M2)가 디스플레이되는 것과 연동하여 음향 출력부(260)를 통해 메시지(M2)와 관련된 음향(예를 들어, 메시지(M2) 내에 포함된 내용을 설명하는 음성)이 출력될 수도 있다. 이와 같이, 메시지(M2)와 함께 음향을 출력하여 사용자가 수행해야하는 작업을 사용자에게 인지시키는 경우 사용자가 현재 수행해야하는 작업이 무엇인지 명확하게 이해할 수 있다. 따라서, 사용자의 집중력을 향상시킬 수 있다.
도 4의 (b)를 참조하면, 사용자 단말기(200)의 프로세서(210)는 시작 버튼(402)을 선택하는 터치 입력에 기초하여 복수의 이미지 중 1차 이미지(P1)를 먼저 디스플레이하도록 디스플레이부(250)를 제어할 수 있다.
구체적으로, 사용자 단말기(200)의 프로세서(210)는 복수의 이미지 중 1차 이미지(P1)가 디스플레이될 때 이미지의 순서와 관련된 정보(O)를 함께 디스플이하도록 디스플레이부(250)를 제어할 수 있다. 여기서, 복수의 이미지는 하나의 스토리와 관련된 이미지들로 디스플레이 순서에 따라 디스플레이되는 이미지들이고, 1차 이미지(P1)는 가장 먼저 디스플레이되는 최초 이미지일 수 있다.
이미지의 순서와 관련된 정보(O)는 숫자를 포함할 수 있다. 즉, 1차 이미지(P1)가 최초 이미지이기 때문에 1이라는 숫자가 이미지의 순서와 관련된 정보(O)에 포함될 수 있다. 다만, 본 개시는 이에 한정되는 것은 아니다.
본 개시의 몇몇 실시예에 따르면, 1차 이미지는 기 설정된 시간(예를 들어, 5초) 동안 디스플레이된 후에 2차 이미지로 변경될 수 있다. 다만, 이에 한정되는 것은 아니다.
한편, 사용자 단말기(200)의 디스플레이부(250)에 디스플레이되는 이미지가 2차 이미지로 변경된 경우, 이미지의 순서와 관련된 정보(O)도 같이 변경될 수 있다.
예를 들어, 2차 이미지는 두번째 이미지이기 때문에 2라는 숫자가 이미지의 순서와 관련된 정보(O)에 포함될 수 있다. 다만, 이에 한정되는 것은 아니다.
즉, 사용자 단말기(200)의 디스플레이부(250)에 디스플레이되는 이미지는 순차적으로 변경될 수 있고, 이미지가 변경될 때 이미지의 순서와 관련된 정보(O)도 같이 변경될 수 있다.
다시, 도 2를 참조하면, 장치(100)의 프로세서(110)는 사용자 단말기에서 이미지 디스플레이 없이 제2 음성 데이터를 획득하는 제2 태스크를 수행할 수 있다(S120). 구체적으로, 장치(100)의 프로세서(110)는 이미지 디스플레이 없이 하나의 스토리에 대한 정보가 사용자 단말기에서 디스플레이되도록 야기하는 것과 연동하여 제2 음성데이터를 획득하는 제2 태스크를 수행할 수 있다.
제2 음성 데이터는 제2 태스크 수행 시 디스플레이되는 화면에 제3 터치 입력이 입력된 시점부터 제4 터치 입력이 입력된 시점까지 획득되는 음성 데이터일 수 있다. 다만, 이에 한정되는 것은 아니다. 여기서, 제3 터치 입력은, 제2 태스크가 수행될 때 디스플레이되는 제3 버튼(예를 들어, 시작 버튼)에 대한 터치 입력일 수 있다. 그리고, 제4 터치 입력은, 제3 터치 입력에 응답하여 제3 버튼 대신 제4 버튼이 디스플레이된 상태에서 제4 버튼에 대한 터치 입력일 수 있다.
구체적으로, 도 5의 (a)를 참조하면, 사용자 단말기(200)의 프로세서(210)는 제2 태스크가 수행되기 이전에 사용자가 수행해야하는 작업을 설명하는 설명 화면(S3)이 디스플레이되도록 디스플레이부(250)를 제어할 수 있다. 여기서, 설명 화면(S3)은 사용자가 수행해야하는 작업을 설명하는 메시지(M3) 및 제2 음성 데이터 획득과 관련된 시작 버튼(413)을 포함할 수 있다. 여기서, 메시지(M3)는 제1 태스크에서 디스플레이된 복수의 이미지와 관련된 스토리에 대한 이야기를 하라는 내용을 포함할 수 있다.
본 개시의 몇몇 실시예에 따르면, 메시지(M3)가 디스플레이되는 것과 연동하여 음향 출력부(260)를 통해 메시지(M3)와 관련된 음향(예를 들어, 메시지(M3) 내에 포함된 내용을 설명하는 음성)이 출력될 수도 있다. 이와 같이, 메시지(M3)와 함께 음향을 출력하여 사용자가 수행해야하는 작업을 사용자에게 인지시키는 경우 사용자가 현재 수행해야하는 작업이 무엇인지 명확하게 이해할 수 있다. 따라서, 사용자의 집중력을 향상시킬 수 있다.
도 5의 (b)를 참조하면, 사용자 단말기(200)의 프로세서(210)는 제3 버튼(413)을 선택하는 터치 입력이 입력된 경우, 제3 버튼(413) 대신 제4 버튼(414)을 화면(S3) 상에 디스플레이하도록 디스플레이부(250)를 제어할 수 있다. 그리고, 프로세서(210)는 화면(S3) 상에 별도의 이미지를 디스플레이하지 않고 음향 데이터 획득부(240)를 활성화하여 제2 음성데이터를 획득하기 시작할 수 있다.
제3 버튼(413)에 대한 터치 입력이 감지된 경우, 제3 버튼(413) 대신 디스플레이되는 제4 버튼(414)에 기 설정된 효과가 부가되면서 디스플레이될 수 있다. 예를 들어, 제4 버튼(414)을 중심으로 기 설정된 색상이 퍼져나가는 형태의 효과가 제4 버튼(414)에 부가될 수 있다. 다만, 기 설정된 효과는 상술한 예시에 한정되는 것은 아니고 다양한 효과가 제4 버튼(414)에 부가될 수 있다. 상술한 바와 같이 제4 버튼(414)에 기 설정된 효과가 부가되면 사용자가 현재 제2 음성 데이터가 획득 중이라는 것을 인지할 수 있다.
한편, 프로세서(210)는 제4 버튼(414)에 대한 제4 터치 입력이 입력된 경우 제2 음성 데이터 획득을 종료하고 음향 데이터 획득부(240)를 비활성화할 수 있다. 즉, 제2 음성 데이터는 제3 버튼(413)을 선택하는 제3 터치 입력이 입력된 시점부터 제4 터치 입력이 입력된 시점까지의 사용자의 음성을 녹음한 음성 데이터일 수 있다.
한편, 본 개시의 몇몇 실시예에 따르면, 사용자 단말기(200)의 프로세서(210)는 복수의 제1 음성 데이터 및 제2 음성 데이터를 장치(100)에 전송하도록 통신부(230)를 제어할 수 있다.
일례로, 프로세서(210)는 복수의 제1 음성 데이터 및 제2 음성 데이터를 전부 획득한 후에 장치(100)에 복수의 제1 음성 데이터 및 제2 음성 데이터를 전송하도록 통신부(230)를 제어할 수 있다.
다른 일례로, 프로세서(210)는 복수의 제1 음성 데이터를 전부 획득한 후에 복수의 제1 음성 데이터를 장치(100)에 전송하도록 통신부(230)를 제어할 수 있다. 그리고, 프로세서(210)는 제2 음성 데이터를 획득한 후에 장치(100)에 전송하도록 통신부(230)를 제어할 수 있다. 즉, 프로세서(210)는 제1 태스크를 통해 복수의 제1 음성 데이터를 전부 획득한 후 제2 태스크가 수행되기 이전에 복수의 제1 음성 데이터를 먼저 장치(100)에 전송하고, 그 다음 제2 음성 데이터를 장치(100)에 전송하도록 통신부(230)를 제어할 수 있다.
또 다른 일례로, 프로세서(210)는 복수의 제1 음성 데이터 및 제2 음성 데이터 각각을 획득할 때 마다 장치(100)에 전송하도록 통신부(230)를 제어할 수 있다.
다만, 상술한 예시들은 본 개시의 일 예시에 불과할 뿐 본 개시는 상술한 예시들에 한정되는 것은 아니다.
도 8은 본 개시의 몇몇 실시예에 따라 적어도 하나의 음성 데이터를 획득하는 방법의 다른 일례를 설명하기 위한 흐름도이다. 도 9 내지 도 11은 본 개시의 몇몇 실시예에 따라 적어도 하나의 음성 데이터를 획득하는 방법의 다른 일례를 설명하기 위한 도면이다. 도 8 내지 도 11과 관련하여 도 1 내지 도 7과 관련하여 상술한 바와 중복되는 내용은 다시 설명하지 않고 이하 차이점을 중심으로 설명한다.
도 8을 참조하면, 장치(100)의 프로세서(110)는 문장이 포함된 제1 화면이 사용자 단말기(200)에 디스플레이되도록 야기하는 제3 태스크를 수행할 수 있다(S210).
일례로, 장치(100)의 저장부(120)에는 복수의 문장이 저장되어 있을 수 있다. 여기서, 복수의 문장은 서로 다른 단어를 이용하여 육하원칙에 맞게 생성된 문장일 수 있다. 그리고, 복수의 문장의 길이는 서로 상이할 수 있다. 프로세서(110)는 저장부(120)에 저장된 복수의 문장 중 하나의 문장을 선택하여 해당 문장을 디스플레이하라는 신호를 사용자 단말기(200)에 전송하도록 통신부(130)를 제어할 수 있다. 사용자 단말기(200)의 프로세서(210)는 통신부(230)를 통해 상기 신호를 수신한 경우, 상기 신호에 포함된 문장을 디스플레이하도록 디스플레이부(250)를 제어할 수 있다.
다른 일례로, 장치(100)의 저장부(120)에는 복수의 단어가 저장되어 있을 수 있다. 여기서, 복수의 단어는 서로 다른 품사와 서로 다른 의미를 갖고 있는 단어일 수 있다. 장치(100)의 프로세서(110)는 기 설정된 알고리즘에 기초하여 복수의 단어 중 적어도 일부를 조합하여 육하원칙에 맞는 문장을 생성할 수 있다. 프로세서(110)는 생성된 문장을 디스플레이하라는 신호를 사용자 단말기(200)에 전송하도록 통신부(130)를 제어할 수 있다. 사용자 단말기(200)의 프로세서(210)는 통신부(230)를 통해 상기 신호를 수신한 경우, 상기 신호에 포함된 문장을 디스플레이하도록 디스플레이부(250)를 제어할 수 있다.
또 다른 일례로, 사용자 단말기(200)의 저장부(220)에는 복수의 문장이 저장되어 있을 수 있다. 여기서, 복수의 문장은 서로 다른 단어를 이용하여 육하원칙에 맞게 생성된 문장일 수 있다. 그리고, 복수의 문장의 길이는 서로 상이할 수 있다. 장치(100)의 프로세서(110)는 문장이 포함된 화면을 디스플레이하라는 신호를 사용자 단말기(200)에 전송할 수 있다. 이 경우, 사용자 단말기(200)의 프로세서(210)는 저장부(220)에 저장된 복수의 문장 중 어느 하나의 문장을 선택하여 디스플레이하도록 디스플레이부(250)를 제어할 수 있다.
또 다른 일례로, 사용자 단말기(200)의 저장부(220)에는 복수의 단어가 저장되어 있을 수 있다. 여기서, 복수의 단어는 서로 다른 품사와 서로 다른 의미를 갖고 있는 단어일 수 있다. 장치(100)의 프로세서(110)는 문장이 포함된 화면을 디스플레이하라는 신호를 사용자 단말기(200)에 전송할 수 있다. 이 경우, 사용자 단말기(200)의 프로세서(210)는 기 설정된 알고리즘에 기초하여 저장부(220)에 저장된 복수의 단어 중 적어도 일부를 조합하여 육하원칙에 맞는 문장을 생성할 수 있다. 그리고, 프로세서(210)는 생성된 문장을 디스플레이하도록 디스플레이부(250)를 제어할 수 있다.
상술한 예시들은 본 개시의 설명을 위한 예시들에 불과하며, 본 개시는 상술한 예시들에 한정되는 것은 아니다.
본 개시에서 단계(S210)는 도 9를 참조하여 좀더 자세히 설명한다.
도 9의(a)를 참조하면, 장치(100)의 프로세서(110)는 문장(400)이 포함된 제1 화면(S4)이 사용자 단말기(200)에 디스플레이되도록 야기하는 제3 태스크를 수행할 수 있다. 여기서, 문장(400)은 서로 다른 단어를 이용하여 육하원칙에 맞게 생성된 문장일 수 있다.
본 개시에서 제1 화면(S4)은 녹음 버튼(Br)을 포함할 수 있다. 여기서, 녹음 버튼(Br)은 기 설정된 시간 동안 녹음 버튼에 대한 터치 입력이 비활성화된 상태로 제1 화면(S4)에 디스플레이될 수 있다. 즉, 제3 태스크는 사용자 단말기(200)가 녹음 버튼(Br)에 대한 터치 입력이 기 설정된 시간 동안 비활성화된 상태로 제1 화면(S4)을 디스플레이하도록 야기하는 제1 서브 태스크를 포함할 수 있다.
사용자 단말기(200)의 프로세서(210)는 기 설정된 시간이 경과된 경우, 녹음 버튼(Br)에 대한 터치 입력을 활성화시킬 수 있다. 즉, 제3 태스크는 기 설정된 시간이 경과된 경우 제1 화면(S4)에 포함된 녹음 버튼(Br)에 대한 터치 입력을 활성화하는 제2 서브 태스크를 포함할 수 있다.
일례로, 장치(100)의 프로세서(110)는 제1 화면(S4)이 디스플레이된 시점부터 기 설정된 시간이 경과되었는지 여부를 확인할 수 있다. 프로세서(110)는 제1 화면(S4)이 디스플레이된 시점부터 기 설정된 시간이 경과했다고 인식한 경우, 사용자 단말기(200)에 녹음 버튼(Br)을 활성화하라는 신호를 전송할 수 있다. 사용자 단말기(200)는 상기 신호를 수신한 경우, 녹음 버튼(Br)에 대한 터치 입력을 활성화할 수 있다.
다른 일례로, 사용자 단말기(200)의 프로세서(210)는 제1 화면(S4)이 디스플레이된 시점부터 기 설정된 시간이 경과되었는지 여부를 확인할 수 있다. 프로세서(210)는 제1 화면(S4)이 디스플레이된 시점부터 기 설정된 시간이 경과했다고 인식한 경우, 녹음 버튼(Br)에 대한 터치 입력을 활성화할 수 있다.
다만, 상술한 예시들은 본 개시의 일 예시들을 설명하기 위한 것으로 본 개시가 상술한 예시들에 한정되는 것은 아니다.
한편, 본 개시의 몇몇 실시예에 따르면, 녹음 버튼(Br)에 대한 터치 입력의 활성화와 무관하게 제1 화면(S4)에 포함된 문장을 구성하는 적어도 하나의 어절의 색상이 순서대로 변경될 수 있다.
일례로, 프로세서(110)는 사용자 단말기(200)에 제1 화면(S4)이 디스플레이된 후 기 설정된 시간이 경과된 경우(예를 들어, 1~2초) 제1 화면(S4)에 포함된 문장을 구성하는 적어도 하나의 어절의 색상이 순서대로 변경되도록 야기할 수 있다. 이 경우, 녹음 버튼(Br)에 대한 터치 입력은 활성화되어 있을 수도 있고, 비활성화되어 있을 수도 있다.
좀더 구체적으로, 프로세서(110)는 사용자 단말기(200)에 제1 화면(S4)이 디스플레이된 후 기 설정된 시간이 경과되었는지 여부를 확인할 수 있다. 그리고, 프로세서(110)는 기 설정된 시간이 경과되었다고 인식한 경우, 제1 화면(S4)에 포함된 문장을 구성하는 적어도 하나의 색상을 변경하라는 신호를 사용자 단말기(200)에 전송하도록 통신부(130)를 제어할 수 있다. 이 경우, 사용자 단말기(200)의 프로세서(210)는 상기 신호를 수신함에 따라 제1 화면(S4)에 포함된 문장을 구성하는 적어도 하나의 어절의 색상이 순서대로 변경되도록 디스플레이부(250)를 제어할 수 있다. 다만, 제1 화면(S4)에 포함된 문장을 구성하는 적어도 하나의 어절의 색상을 순서대로 변경시키는 방법은 상술한 예시에 한정되는 것은 아니다.
다른 일례로, 프로세서(110)는 사용자 단말기(200)에 제1 화면(S4)이 디스플레이된 후 바로 제1 화면(S4)에 포함된 문장을 구성하는 적어도 하나의 어절의 색상이 순서대로 변경되도록 야기할 수도 있다. 이 경우, 제1 화면(S4)을 디스플레이하라는 신호에 제1 화면(S4)에 포함된 문장을 구성하는 적어도 하나의 색상을 순서대로 변경하라는 신호가 포함되어 있을 수도 있고, 사용자 단말기(200)에서 제1 화면(S4)을 디스플레이할 때 자동으로 제1 화면(S4)에 포함된 문장을 구성하는 적어도 하나의 어절의 색상이 순서대로 변경될 수도 있다. 이 경우, 녹음 버튼(Br)에 대한 터치 입력은 활성화되어 있을 수도 있고, 비활성화되어 있을 수도 있다.
또 다른 일례로, 제1 화면(S4)에 포함된 녹음 버튼(Br)의 터치 입력은 처음부터 활성화된 상태를 유지하고 있을 수 있다. 프로세서(110)는 사용자 단말기(200)에 제1 화면(S4)이 디스플레이된 후 녹음 버튼(Br)에 터치 입력이 감지되었다고 인식한 경우, 제1 화면(S4)에 포함된 문장을 구성하는 적어도 하나의 어절의 색상이 순서대로 변경되도록 야기할 수 있다.
좀더 구체적으로, 사용자 단말기(200)의 프로세서(210)는 제1 화면(S4)에 포함된 녹음 버튼(Br)에 대한 터치 입력이 감지된 경우, 녹음 버튼(Br)에 대한 터치가 수행되었다는 정보를 장치(100)에 전송하도록 통신부(230)를 제어할 수 있다. 장치(100)의 프로세서(110)는 사용자 단말기(200)로부터 통신부(130)를 통해 상기 정보를 수신한 경우, 녹음 버튼(Br)에 대한 터치 입력이 감지되었다고 인식할 수 있다. 그리고, 프로세서(110)는 제1 화면(S4)에 포함된 문장을 구성하는 적어도 하나의 색상을 변경하라는 신호를 사용자 단말기(200)에 전송하도록 통신부(130)를 제어할 수 있다. 이 경우, 사용자 단말기(200)의 프로세서(210)는 상기 신호를 수신함에 따라 제1 화면(S4)에 포함된 문장을 구성하는 적어도 하나의 어절의 색상이 순서대로 변경되도록 디스플레이부(250)를 제어할 수 있다. 다만, 제1 화면(S4)에 포함된 문장을 구성하는 적어도 하나의 어절의 색상을 순서대로 변경시키는 방법은 상술한 예시에 한정되는 것은 아니다.
한편, 본 개시의 몇몇 실시예에 따르면, 제1 화면(S4)은 현재 디스플레이되는 화면을 통해 사용자가 수행해야하는 작업이 무엇인지 알려주는 내용의 메시지(M4)를 포함할 수 있다. 예를 들어, 메시지(M4)는 제1 화면(S4)에 포함된 문장을 암기하라는 내용을 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.
본 개시의 몇몇 실시예에 따르면, 메시지(M4)가 디스플레이되는 것과 연동하여 음향 출력부(260)를 통해 메시지(M4)와 관련된 음향(예를 들어, 메시지(M4) 내에 포함된 내용을 설명하는 음성)이 출력될 수도 있다. 이와 같이, 메시지(M4)와 함께 음향을 출력하여 사용자가 수행해야하는 작업을 사용자에게 인지시키는 경우 사용자가 현재 수행해야하는 작업이 무엇인지 명확하게 이해할 수 있다. 따라서, 단순 실수로 잘못된 작업을 수행할 가능성이 낮아질 수 있다.
한편, 도 9의 (b)를 참조하면, 녹음 버튼(Br)이 활성화된 후 녹음 버튼(Br)에 대한 터치 입력이 감지된 경우, 사용자 단말기(200)의 프로세서(210)는 제1 화면(S4)에 포함된 문장(400)을 구성하는 적어도 하나의 어절의 색상이 순서대로 변경되도록 디스플레이부(250)를 제어할 수 있다. 여기서, 적어도 하나의 어절의 색상이 순서대로 변경될 때 텍스트의 색상만 변경될 수도 있고, 도 9의 (b)와 같이 텍스트에 색상이 하이라이트되는 형태로 색상이 변경될 수도 있다. 즉, 제3 태스크는 제1 화면(S4)에 포함된 녹음 버튼에 대한 터치 입력에 따라 제1 화면(S4)에 포함된 문장(400)에 포함된 적어도 하나의 어절의 색상이 순서대로 변경되도록 야기하는 제3 서브 태스크를 포함할 수 있다.
일례로, 사용자 단말기(200)의 프로세서(210)는 녹음 버튼(Br)에 대한 터치 입력에 따라 특정 신호를 생성하여 장치(100)에 전송하도록 통신부(230)를 제어할 수 있다. 장치(100)의 프로세서(110)는 상기 특정 신호를 통신부(130)를 통해 수신한 경우, 제1 화면(S4)에 포함된 문장(400)을 구성하는 적어도 하나의 어절의 색상을 순서대로 변경하라는 신호를 사용자 단말기(200)에 전송할 수 있다. 사용자 단말기(200)의 프로세서(210)는 상기 신호를 통신부(230)를 통해 수신한 경우, 제1 화면(S4)에 포함된 문장(400)을 구성하는 적어도 하나의 어절의 색상이 순서대로 변경되도록 디스플레이부(250)를 제어할 수 있다.
다른 일례로, 사용자 단말기(200)의 프로세서(210)는 녹음 버튼(Br)에 대한 터치 입력에 따라 녹음 버튼(Br)이 선택되었다는 신호를 장치(100)에 전송하도록 통신부(230)를 제어할 수 있다. 그 다음, 사용자 단말기(200)의 프로세서(210)는 제1 화면(S4)에 포함된 문장(400)을 구성하는 적어도 하나의 어절의 색상이 순서대로 변경되도록 디스플레이부(250)를 제어할 수 있다. 즉, 사용자 단말기(200)는 장치(100)로부터 별도의 신호를 수신하지 않고 바로 제1 화면(S4)에 포함된 문장(400)을 구성하는 적어도 하나의 어절의 색상이 순서대로 변경되도록 디스플레이부(250)를 제어할 수 있다.
한편, 제1 화면(S4)에 포함된 문장(400)을 구성하는 적어도 하나의 어절 중 첫번째 어절부터 순차적으로 색상이 변경될 수 있다.
예를 들어, 제1 화면(S4)에 포함된 문장(400)이 "영희는 화요일에 도서관에서 동생을 35분동안 만났다."인 경우, 프로세서(210)는 문장(400)의 첫번째 어절("영희는")의 색상이 먼저 변경되도록 디스플레이부(250)를 제어할 수 있다. 그리고, 프로세서(210)는 기 설정된 시간(예를 들어, 1~2초)이 경과된 후에 두번째 어절이 첫번째 어절과 동일한 색상으로 변경되도록 디스플레이부(250)를 제어할 수 있다. 프로세서(210)는 이런 식으로 제1 화면(S4)에 포함된 문장(400)을 구성하는 적어도 하나의 어절 전체의 색상을 순차적으로 변경할 수 있다.
본 개시의 프로세서(210)는 자체적으로 또는 장치(100)로부터 특정 신호를 수신한 경우에 문장(400)의 적어도 하나의 어절의 색상을 순차적으로 변경하도록 디스플레이부(250)를 제어할 수 있다.
제1 화면(S4) 상에 문장(400)이 단순히 디스플레이되는 경우 사용자가 문장을 전체적으로 읽지 않을 수도 있다. 하지만, 상술한 바와 같이 사용자가 녹음 버튼(Br)을 터치함에 따라 문장(400)을 구성하는 적어도 하나의 어절의 색상이 순차적으로 변경되는 경우, 사용자가 문장을 전체적으로 읽을 가능성이 높아진다. 즉, 사용자가 문장(400)을 전체적으로 읽지 않아서 기억력 테스트가 제대로 수행되지 못하는 문제점이 상술한 실시예를 통해 해결될 수 있다.
한편, 본 개시의 몇몇 실시예에 따르면, 녹음 버튼(Br)에 대한 터치 입력이 감지된 경우, 녹음 버튼(Br)에 기 설정된 효과가 부가되면서 디스플레이될 수 있다. 예를 들어, 녹음 버튼(Br)을 중심으로 기 설정된 색상이 퍼져 나가는 형태의 효과가 녹음 버튼(Br)에 부가될 수 있다. 다만, 기 설정된 효과는 상술한 예시에 한정되는 것은 아니고 다양한 효과가 녹음 버튼(Br)에 부가될 수 있다. 상술한 바와 같이 녹음 버튼(Br)에 대한 터치 입력이 감지된 경우 녹음 버튼(Br)에 기 설정된 효과가 부가되면 사용자가 현재 녹음이 진행 중이라는 것을 인지할 수 있다.
한편, 도 8을 다시 참조하면, 프로세서(110)는 사용자 단말기(200)가 제1 화면 대신 움직이는 객체를 디스플레이하는 것과 연동하여 사용자의 눈이 포함된 영상을 획득하도록 야기하는 제4 태스크를 수행할 수 있다(S220).
본 개시에서 움직이는 객체는 기 설정된 경로를 기 설정된 속도로 특정 방향을 향해 움직이는 객체일 수 있다.
기 설정된 경로는 코사인 파형 또는 사인 파형을 갖도록 움직이는 경로일 수 있다. 다만, 이에 한정되는 것은 아니고 기 설정된 경로는 다양한 형상(예를 들어, 클락(clock) 형상 등)을 갖도록 움직이는 경로일 수 있다.
움직이는 객체가 움직이는 속도가 20 deg/sec 내지 40deg/sec인 경우에, 사용자의 시선을 자극하면서 정확하게 사용자의 인지 기능 상태를 식별할 수 있다. 따라서, 기 설정된 속도는 20 deg/sec 내지 40deg/sec일 수 있다. 다만, 이에 한정되는 것은 아니다.
특정 방향은 화면의 좌측에서 우측을 향하는 방향 또는 화면의 우측에서 좌측을 향하는 방향일 수 있다. 다만, 이에 한정되는 것은 아니다.
본 개시에서 움직이는 객체는 기 설정된 크기의 특정 형상을 갖는 객체일 수 있다. 예를 들어, 객체는 직경이 0.2cm인 원형 객체일 수 있다. 상술한 크기의 형상을 갖는 객체가 움직이는 경우, 사용자의 시선이 상기 객체를 따라서 원활하게 움직일 수 있다.
단계(S220)는 도 10을 참조하여 좀더 자세히 설명한다.
도 10을 참조하면, 사용자 단말기(200)에 디스플레이되는 움직이는 객체(Om)는 기 설정된 경로(Op)를 따라 기 설정된 속도로 특정 방향(D)을 향해 움직일 수 있다.
본 개시에서 움직이는 객체(Om)는 기 설정된 크기의 특정 형상을 갖는 객체일 수 있다. 예를 들어, 움직이는 객체(Om)는 직경이 0.2cm인 원형 객체일 수 있다. 상술한 크기의 형상을 갖는 객체(Om)가 움직이는 경우, 사용자의 시선이 상기 객체를 따라서 원활하게 움직일 수 있다.
본 개시에서 기 설정된 경로(Op)는 코사인(cosine) 파형 또는 사인(sine) 파형을 갖도록 움직이는 경로일 수 있다. 여기서, 코사인 파형 또는 사인 파형의 진폭(amplitude)은 일정할 수 있다. 다만, 이에 한정되는 것은 아니다.
기 설정된 속도는 20 deg/sec 내지 40deg/sec인 경우에, 사용자의 시선을 자극하면서 정확하게 사용자의 인지 기능 상태를 식별하기에 적당할 수 있다. 따라서, 기 설정된 속도는 20 deg/sec 내지 40deg/sec일 수 있다. 다만, 이에 한정되는 것은 아니다.
특정 방향(D)은 화면의 좌측에서 우측을 향하는 방향 또는 화면의 우측에서 좌측을 향하는 방향일 수 있다. 다만, 이에 한정되는 것은 아니다.
본 개시의 몇몇 실시예에 따르면, 제3 태스크를 수행한 후 제4 태스크를 수행하기 전에 사용자가 수행해야하는 작업이 무엇인지를 알려주는 화면이 디스플레이될 수 있다. 즉, 제3 태스크가 완료되면, 사용자가 제4 태스크에서 수행해야되는 작업이 무엇인지 알려주는 메시지를 포함하는 화면이 사용자 단말기(200)에 디스플레이될 수 있다.
한편, 도 10에는 도시되지 않았지만, 움직이는 객체가 디스플레이되는 화면은 현재 디스플레이되는 화면을 통해 사용자가 수행해야하는 작업이 무엇인지 알려주는 내용의 메시지를 포함할 수 있다. 예를 들어, 메시지는 움직이는 객체를 응시하라는 내용을 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.
본 개시의 몇몇 실시예에 따르면, 메시지가 디스플레이되는 것과 연동하여 음향 출력부(260)를 통해 메시지와 관련된 음향(예를 들어, 메시지 내에 포함된 내용을 설명하는 음성)이 출력될 수도 있다. 이와 같이, 메시지와 함께 음향을 출력하여 사용자가 수행해야하는 작업을 사용자에게 인지시키는 경우 사용자가 현재 수행해야하는 작업이 무엇인지 명확하게 이해할 수 있다. 따라서, 단순 실수로 잘못된 작업을 수행할 가능성이 낮아질 수 있다.
한편, 도 8을 다시 참조하면, 프로세서(110)는 사용자 단말기가 문장이 가려진 제2 화면을 디스플레이하는 것과 연동하여 적어도 하나의 음성 데이터가 포함된 녹음 파일을 획득하도록 야기하는 제5 태스크를 수행할 수 있다(S230). 여기서, 녹음 파일은 적어도 하나의 음성 데이터를 포함할 수 있고, 제2 화면에서 가려진 문장은 단계(S210)의 제1 화면에 포함된 문장이랑 동일할 수 있다. 따라서, 사용자는 제1 화면에 디스플레이된 문장을 암기한 후 제2 화면이 디스플레이되었을 때 해당 문장을 이야기하는 형태로 기억력 테스트를 진행할 수 있다.
본 개시에서 단계(S230)는 도 11을 참조하여 좀더 자세히 설명한다.
도 11의 (a)를 참조하면, 사용자 단말기(200)의 프로세서(210)는 문장이 가려진 제2 화면(S5)을 디스플레이할 수 있다. 여기서, 제2 화면(S5)은 문장이 몇 개의 어절로 구성되는지 알 수 있도록 문장을 구성하는 적어도 하나의 어절이 구분되어 가려진 화면일 수 있다. 상술한 바와 같이 적어도 하나의 어절이 구분되어 가려지는 경우, 사용자가 어절의 개수를 확인할 수 있다. 따라서, 사용자가 이전에 암기했던 문장을 어절의 개수를 확인함으로써 자연스럽게 생각해 낼 수 있다.
본 개시에서 제2 화면(S5)은 제1 화면(S4)과 마찬가지로 녹음 버튼(Br)을 포함할 수 있다. 다만, 제1 화면이 디스플레이될 때와는 상이하게 녹음 버튼(Br)은 계속 터치 입력이 활성화된 상태일 수 있다.
본 개시의 몇몇 실시예에서 사용자가 녹음 버튼(Br)을 터치하는 터치 입력이 감지된 경우, 장치(100)의 프로세서(110)는 사용자 단말기(200)가 녹음 파일을 획득하도록 야기할 수 있다. 여기서, 녹음 파일은 적어도 하나의 음성 데이터를 포함할 수 있다.
구체적으로, 사용자 단말기(200)의 프로세서(210)는 녹음 버튼(Br)을 터치하는 터치 입력이 감지된 경우, 사용자의 음성이 포함된 녹음 파일을 음향 획득부(270)를 통해 획득할 수 있다. 프로세서(210)는 녹음 파일을 장치(100)에 전송하도록 통신부(230)를 제어할 수 있다. 이 경우, 장치(100)의 프로세서(110)는 녹음 파일을 통신부(130)를 통해 수신함으로써 녹음 파일을 획득할 수 있다.
한편, 녹음 버튼(Br)에 대한 터치 입력이 감지된 경우, 녹음 버튼(Br)에 기 설정된 효과가 부가되면서 디스플레이될 수 있다. 예를 들어, 녹음 버튼(Br)을 중심으로 기 설정된 색상이 퍼져나가는 형태의 효과가 녹음 버튼(Br)에 부가될 수 있다. 다만, 기 설정된 효과는 상술한 예시에 한정되는 것은 아니고 다양한 효과가 녹음 버튼(Br)에 부가될 수 있다. 상술한 바와 같이 녹음 버튼(Br)에 대한 터치 입력이 감지된 경우 녹음 버튼(Br)에 기 설정된 효과가 부가되면 사용자가 현재 녹음이 진행 중이라는 것을 인지할 수 있다.
본 개시의 몇몇 실시예에 따르면, 제2 화면(S5)은 현재 디스플레이되는 화면을 통해 사용자가 수행해야하는 작업이 무엇인지 알려주는 내용의 메시지(M5)를 포함할 수 있다. 예를 들어, 메시지(M5)는 암기한 문장을 소리내서 말하라는 내용을 포함할 수 있다. 다만, 이에 한정되는 것은 아니다.
본 개시의 몇몇 실시예에 따르면, 메시지(M5)가 디스플레이되는 것과 연동하여 음향 출력부(260)를 통해 메시지(M5)와 관련된 음향(예를 들어, 메시지(M5) 내에 포함된 내용을 설명하는 음성)이 출력될 수도 있다. 이와 같이, 메시지(M5)와 함께 음향을 출력하여 사용자가 수행해야하는 작업을 사용자에게 인지시키는 경우 사용자가 현재 수행해야하는 작업이 무엇인지 명확하게 이해할 수 있다. 따라서, 단순 실수로 잘못된 작업을 수행할 가능성이 낮아질 수 있다.
한편, 도 11의 (b)를 참조하면, 문장을 구성하는 적어도 하나의 어절 중 특정 어절(A)은 디스플레이되고 특정 어절(A)을 제외한 나머지 어절은 가려지는 형태로 제2 화면이 디스플레이될 수 있다. 여기서, 특정 어절(A)은 서술어가 포함된 어절일 수도 있고 문장의 맨 마지막에 배치되는 어절일 수도 있다. 다만, 이에 한정되는 것은 아니다.
상술한 바와 같이, 특정 어절(A)이 가려지지 않고 제2 화면에 디스플레이되는 경우, 특정 어절(A)은 사용자가 암기한 전체 문장을 기억해내도록 만드는 힌트가 될 수 있다.
사용자에게 인지 기능 장애가 존재하는 경우, 특정 어절(A)이 디스플레이되더라도 사용자는 전체 문장을 기억해낼 수 없다. 하지만, 사용자에게 인지 기능 장애가 존재하지 않는 경우, 특정 어절(A)이 디스플레이되면 사용자는 전체 문장을 기억해낼 수 있다. 따라서, 특정 어절(A)이 제2 화면에서 가려지지 않고 디스플레이된 후 획득된 적어도 하나의 음성 데이터를 포함하는 녹음 파일을 분석하여 인지 기능 상태를 분석하는 디지털 바이오 마커로 활용하는 경우 사용자의 인지 기능 상태 식별의 정확도가 높아질 수 있다.
본 개시의 몇몇 실시예에 따르면, 장치(100)의 프로세서(110)는 사용자의 시선 변화 및 음성 데이터를 을 분석하여 사용자의 인지 기능 상태를 식별할 수 있다.
한편, 본 개시의 몇몇 실시예에 따르면, 사용자 단말기가 문장이 포함된 제1 화면을 디스플레이하도록 야기하는 제3 태스크, 사용자 단말기가 제1 화면 대신 움직이는 객체를 디스플레이하는 것과 연동하여 사용자의 눈이 포함된 영상을 획득하도록 야기하는 제4 태스크 및 사용자 단말기가 문장이 가려진 제2 화면을 디스플레이하는 것과 연동하여 녹음 파일을 획득하도록 야기하는 제5 태스크는 기 설정된 라운드(round)만큼 수행될 수 있다. 여기서, 움직이는 객체의 속도와 움직이는 객체가 움직이는 방향 중 적어도 하나는 라운드가 변경됨에 따라 변경될 수 있다. 더불어, 제3 태스크 및 제5 태스크와 관련된 문장도 라운드가 변경됨에 따라 변경될 수 있다.
예를 들어, 첫 라운드에서 제4 태스크를 수행할 때 움직이는 객체의 속도는 그 다음 라운드에서 제4 태스크를 수행할 때 움직이는 객체의 속도보다 느릴 수 있다. 그리고, 첫 라운드에서 제4 태스크를 수행할 때 움직이는 객체가 왼쪽에서 오른쪽 방향으로 움직였다면, 그 다음 라운드에서 제4 태스크를 수행할 때 움직이는 객체는 왼쪽에서 오른쪽 방향으로 움직일 수 있다. 더불어, 첫 라운드에서 제3 태스크 및 제5 태스크를 수행할 때의 문장은 제1 길이의 문장일 수 있고, 다음 라운드에서 제3 태스크 및 제5 태스크를 수행할 때의 문장은 제1 길이보다 긴 제2 길이의 문장일 수 있다. 다만, 이에 한정되는 것은 아니다.
한편, 본 개시의 몇몇 실시예에 의하면, 장치(100)의 프로세서(110)는 적어도 하나의 음성 데이터를 획득한 경우, 적어도 하나의 음성 데이터, 상기 적어도 하나의 음성 데이터와 관련된 발화 시간 정보 및 사용자 정보에 기초하여 사용자의 인지 기능 상태를 식별할 수 있다. 이는 도 12 및 도 13을 참조하여 좀더 자세히 설명한다.
도 12는 본 개시의 몇몇 실시예에 따라 사용자의 인지 기능 상태를 식별하는 방법의 일례를 설명하기 위한 흐름도이다. 도 13은 본 개시의 몇몇 실시예에 따라 사용자의 인지 기능 상태를 식별하는 방법의 일례를 설명하기 위한 도면이다. 도 12 및 도 13과 관련하여 도 1 내지 도 11과 관련하여 상술한 바와 중복되는 내용은 다시 설명하지 않고 이하 차이점을 중심으로 설명한다.
도 12를 참조하면, 장치(100)의 프로세서(110)는 사용자 정보, 적어도 하나의 음성 데이터 및 적어도 하나의 음성 데이터와 관련된 발화 시간 정보를 인지 기능 상태 식별 모델에 입력할 수 있다(S310).
본 개시에서 적어도 하나의 음성 데이터는 제1 음성 데이터 획득 방법 및 제1 음성 데이터 획득 방법과 상이한 제2 음성 데이터 획득 방법 중 적어도 하나에 기초하여 획득될 수 있다.
제1 음성 데이터 획득 방법은, 하나의 스토리와 관련된 복수의 이미지가 순차적으로 하나씩 사용자 단말기(200)에 디스플레이되도록 야기하는 것과 연동하여 복수의 이미지 각각과 관련된 복수의 제1 음성 데이터를 획득하는 제1 태스크를 수행하는 단계 및 이미지 디스플레이 없이 하나의 스토리에 대한 정보가 사용자 단말기(200)에서 디스플레이되도록 야기하는 것과 연동하여 제2 음성데이터를 획득하는 제2 태스크를 수행하는 단계를 포함할 수 있다. 이는 도 2 내지 도 7에서 상술한 내용과 중복되는 내용이기 때문에 자세한 설명은 생략한다.
제2 음성 데이터 획득 방법은 사용자 단말기(200)가 문장이 포함된 제1 화면을 디스플레이하도록 야기하는 제3 태스크를 수행하는 단계, 사용자 단말기(200)가 제1 화면 대신 움직이는 객체를 디스플레이하는 것과 연동하여 사용자의 눈이 포함된 영상을 획득하도록 야기하는 제4 태스크를 수행하는 단계 및 사용자 단말기(200)가 문장이 가려진 제2 화면을 디스플레이하는 것과 연동하여 적어도 하나의 음성 데이터가 포함된 녹음 파일을 획득하도록 야기하는 제5 태스크를 수행하는 단계를 포함할 수 있다. 이는 도 8 내지 도 11에서 상술한 바와 중복되는 내용이기 때문에 자세한 설명은 생략한다.
본 개시에서 사용자 정보는 사용자의 나이 정보, 성별 정보 및 사용자의 인지 검사 결과 데이터 중 적어도 하나를 포함할 수 있다.
사용자는 자신의 인지 기능 상태를 식별하기 위해서 자신의 나이 정보 및 성별 정보 등을 자신의 사용자 단말기(200)에 직접 입력할 수 있고, 이는 사용자의 인지 기능 상태를 식별할 때 활용될 수 있다. 즉, 사용자의 나이 정보 및 성별 정보는 사용자 단말기(200)에 사용자가 입력한 정보로 장치(100)의 프로세서(110)는 통신부(130)를 통해 해당 정보를 획득할 수 있다. 다만, 이에 한정되는 것은 아니고, 사용자 정보에 포함된 사용자의 나이 정보 및 성별 정보는 외부 서버를 통해 획득될 수도 있다.
한편, 사용자의 인지 검사 결과 데이터는 사용자가 기억력 테스트, 스트루프 테스트(stroop test) 등과 같은 인지 검사 테스트를 수행한 후 획득된 데이터를 의미할 수 있다. 상술한 테스트는 사용자 단말기(200)를 통해 획득될 수도 있고, 별도의 외부 테스트를 통해 수행된 후 서버를 통해 수신될 수도 있다. 다만, 본 개시는 이에 한정되는 것은 아니다.
본 개시에서 사용자 정보는 GMR(Global Medical Records)로 관리될 수 있고, 인지 기능 상태 식별 모델에 바로 입력될 수 있는 형태로 전처리되어 저장부(120)에 저장되어 있을 수 있다. 다만, 본 개시는 이에 한정되는 것은 아니다.
본 개시에서 발화 시간 정보는 적어도 하나의 음성 데이터 각각에 포함된 음성의 발화 시간의 길이를 나타내는 정보일 수 있다. 예를 들어, 사용자가 1분 동안 이야기를 한 것을 녹음한 음성 데이터와 관련된 발화 시간 정보에는 1분이라는 정보가 기록되어 있을 수 있다. 다만, 본 개시는 이에 한정되는 것은 아니다.
한편, 프로세서(110)는 단계(S310)에서 사용자 정보, 적어도 하나의 음성 데이터 및 적어도 하나의 음성 데이터와 관련된 발화 시간 정보를 인지 기능 상태 식별 모델에 입력한 후 인지 기능 상태 식별 모델에서 출력된 제1 출력 데이터에 기초하여 사용자의 인지 기능 상태를 식별할 수 있다(S320).
도 13을 참조하면, 인지 기능 상태 식별 모델(700)에 적어도 하나의 음성 데이터와 관련된 발화 시간 정보(611), 적어도 하나의 음성 데이터(612) 및 사용자 정보(613)가 입력된 경우 제1 출력 데이터(650)가 출력될 수 있다.
제1 출력 데이터(650)는 예측 스코어 값(651) 및 인지 상태 식별 값(652) 중 적어도 하나를 포함할 수 있다. 다만, 본 개시는 이에 한정되는 것은 아니다.
인지 기능 상태 식별 모델(700)은 변환기(711), 로직 기반 이벤트 처리기(712), 제1 모델(721), 제2 모델(722) 및 제3 모델(723) 중 적어도 하나를 포함할 수 있다. 다만, 본 개시는 이에 한정되는 것은 아니며, 인지 기능 상태 식별 모델(700)은 상술한 구성요소보다 많거나 적은 구성요소들을 가질 수 있다.
인지 기능 상태 식별 모델(700)은 복수의 모델이 앙상블(ensemble)된 구조를 가질 수 있다. 여기서, 앙상블된 구조라 함은, 복수의 모델 중 어느 하나의 모델의 출력 데이터가 다른 모델의 입력 데이터로 이용되는 구조를 의미할 수 있다. 즉, 앙상블 구조는 스택(stacked)된 모델을 순차적으로 사용하는 구조로 데이터 특징과 결과를 동시에 반영 가능한 모델을 의미할 수 있다. 다만, 본 개시는 이에 한정되는 것은 아니다.
구체적으로, 변환기(711)에 발화 시간 정보(611) 및 적어도 하나의 음성 데이터(612)가 입력된 경우 변환기(711)에서 텍스트 데이터(620)가 출력될 수 있다. 변환기(711)에서 출력된 텍스트 데이터(620)는 제1 모델(721)에 입력될 수 있다. 제1 모델(721)에서 출력된 제2 출력 데이터(630)는 로직 기반 이벤트 처리기(712)에 입력될 수 있다. 그리고, 로직 기반 이벤트 처리기(712)에서 출력된 데이터(640) 및 사용자 정보(613)는 제2 모델(722) 및 제3 모델(723) 중 적어도 하나에 입력될 수 있다. 여기서, 로직 기반 이벤트 처리기(712)에서 출력된 데이터(640)는 사용자 정보(613)와 데이터 섭동(data perturbation) 방식으로 앙상블되어 제2 모델(722) 및 제3 모델(723)에 입력될 수 있다.
본 개시에서 변환기(711)는 적어도 하나의 음성 데이터(612) 및 적어도 하나의 음성 데이터와 관련된 발화 시간 정보(611)에 기초하여 적어도 하나의 음성 데이터(612)를 텍스트 데이터(620)로 변환할 수 있다.
변환기(711)는 음성 인식 기술(예를 들어, Speech To Text; STT)과 관련된 알고리즘에 기초하여 적어도 하나의 음성 데이터를 텍스트 데이터로 변환할 수 있다. 예를 들어, 음성 인식 기술과 관련된 알고리즘은 HMM(Hidden Markov Model) 등일 수 있다. 다만, 본 개시는 이에 한정되는 것은 아니다.
제1 모델(721)은 텍스트 데이터(620)에 기초하여 제2 출력 데이터를 생성할 수 있다. 여기서, 제2 출력 데이터는 어절 정보(631), 운율 정보(632), 간투사 정보(633) 및 음절 단위 음성 데이터(634)를 포함할 수 있다.
구체적으로, 제1 모델(721)에 적어도 하나의 음성 데이터(612) 및 텍스트 데이터(620)가 입력된 경우, 제1 모델(721)은 적어도 하나의 음성 데이터(612)를 분석하여 어절 정보(631) 및 간투사 정보(633)를 생성할 수 있고, 어절 정보(631)에 기초하여 적어도 하나의 음성 데이터를 음절 단위 음성 데이터(634)로 분할하고 운율 정보(632)를 생성할 수 있다. 다만, 본 개시는 이에 한정되는 것은 아니다.
본 개시의 몇몇 실시예에 따르면, 어절 정보(631)는 텍스트 데이터(620)에 포함된 적어도 하나의 단어에 대한 정보 및 적어도 하나의 단어가 발화된 시간에 대한 정보를 포함할 수 있다.
적어도 하나의 단어에 대한 정보는 단어의 품사에 대한 정보, 단어의 의미에 대한 정보 등을 포함할 수 있다. 여기서, 적어도 하나의 단어에는 간투사가 제외될 수 있다. 즉, 사용자가 발화한 음성에 포함된 간투사를 제외한 적어도 하나의 단어를 분석한 정보가 제1 모델(721)을 통해 획득될 수 있다. 다만, 본 개시는 이에 한정되는 것은 아니다.
적어도 하나의 단어가 발화된 시간에 대한 정보는 전체 시간 대비 어느 시점에서 해당 단어가 발화되었는지를 나타내는 정보 및 해당 단어를 사용자가 얼마나 긴 시간 동안 발화했는지를 나타내는 정보 중 적어도 하나를 포함할 수 있다. 여기서, 해당 단어를 사용자가 얼마나 긴 시간 동안 발화했는지를 나타내는 정보는 발화 속도와 관련이 있을 수 있다. 다만, 본 개시는 이에 한정되는 것은 아니다.
본 개시의 다른 몇몇 실시예에 따르면, 어절 정보(631)는 간투사를 제외한 단어의 수에 대한 정보, 중복된 내용어(명사, 동사, 형용사 부사)를 제외한 내용어의 수에 대한 정보, 조사(주격 조사, 목적격 조사, 부사격 조사 등)의 수에 대한 정보, 선어말 어미(주체 높임, 시제, 공손, 상대높임, 서법, 강조)와 어말어미(종결, 비종결)의 수에 대한 정보, 문법적 기능어(조사 및 어미)의 수에 대한 정보, 음소, 음절, 단어, 어절, 구, 문장 등의 반복 횟수에 대한 정보, 음소착어(phonemic paraphasia)의 수에 대한 정보, 의미착어(semantic paraphasia)의 수에 대한 정보, 도치 횟수에 대한 정보 등을 포함할 수 있다. 다만, 본 개시는 이에 한정되는 것은 아니다.
본 개시에서 운율 정보는 적어도 하나의 단어를 사용자가 발화 시 음의 강약, 음의 장단 및 음의 고저 중 적어도 하나와 관련된 정보를 포함할 수 있다. 즉, 운율 정보는 음의 높낮이와 강약 등과 같이 사용자의 발화 방법과 관련된 정보를 포함할 수 있다. 다만, 본 개시는 이에 한정되는 것은 아니다.
본 개시에서 간투사 정보는 텍스트 데이터(620)에 포함된 적어도 하나의 간투사 각각의 종류, 텍스트 데이터(620)에 포함된 적어도 하나의 간투사 각각의 발화 시간, 텍스트 데이터(620)에 포함된 적어도 하나의 간투사 각각의 반복 획수 및 텍스트 데이터(620)에 포함된 적어도 하나의 간투사 각각의 전체 반복 시간에 대한 정보를 포함할 수 있다. 즉, 프로세서(110)는 사용자가 발화한 음성에 포함된 간투사를 분석한 정보를 제1 모델(721)을 통해 획득할 수 있다. 다만, 본 개시는 이에 한정되는 것은 아니다.
적어도 하나의 간투사 각각의 발화 시간에 대한 정보는 간투사가 전체 시간 대비 어느 시점에 발화되었는지를 나타내는 정보 및 해당 간투사를 사용자가 얼마나 긴 시간 동안 발화했는지를 나타내는 정보 중 적어도 하나를 포함할 수 있다. 사용자가 얼마나 긴 시간 동안 간투사를 발화했는지를 나타내는 정보는 발화 속도와 관련이 있을 수 있다. 다만, 본 개시는 이에 한정되는 것은 아니다.
본 개시에서 음절 단위 음성 데이터는 적어도 하나의 음성 데이터를 음절 단위로 분할한 것을 의미할 수 있다. 예를 들어, 음절 단위 음성 데이터는 적어도 하나의 단어들 각각과 관련된 음성 데이터 및 적어도 하나의 간투사 각각과 관련된 음성 데이터를 포함할 수 있다. 다만, 본 개시는 이에 한정되는 것은 아니다.
제1 모델(721)에서 출력된 제2 출력 데이터(630)는 어절 정보(631), 운율 정보(632), 간투사 정보(633) 및 음절 단위 음성 데이터(634)를 전부 포함할 수도 있고, 제2 출력 데이터(630)는 어절 정보(631), 운율 정보(632), 간투사 정보(633) 및 음절 단위 음성 데이터(634) 중 적어도 하나를 포함할 수도 있다. 다만, 본 개시의 인지 기능 상태 식별 모델(700)의 정확도 향상을 위해 제1 모델(721)이 어절 정보(631), 운율 정보(632), 간투사 정보(633) 및 음절 단위 음성 데이터(634)를 전부 생성하는 것이 적합할 수 있다.
로직 기반 이벤트 처리기(712)는 제1 모델(721)에서 출력된 제2 출력 데이터에 기초하여 언어적 특성 정보 및 음성적 특징 정보를 추출할 수 있다. 구체적으로, 로직 기반 이벤트 처리기(712)는 제1 모델(721)에서 출력된 제2 출력 데이터의 연속된 형태의 정보를 처리하여 언어적 특성 정보 및 음성적 특징 정보를 추출할 수 있다. 다만, 본 개시는 이에 한정되는 것은 아니다.
본 개시에서 언어적 특성 정보는 적어도 하나의 간투사(예를 들어, '어', '음' 등의 단어)의 사용 빈도에 대한 정보 및 적어도 하나의 음성 데이터에 기 설정된 단어(예를 들어, 키워드(반드시 발화해야 하는 중심 단어나 개념) 또는 키워드의 유사어)가 포함되는 지와 관련된 정보를 포함할 수 있다. 여기서, 기 설정된 단어가 포함되는 지와 관련된 정보는 전체 단어 대비 기 설정된 단어가 포함된 정보를 나타낼 수 있으며, 기 설정된 단어가 포함된 정도는 전체 단어 대비 기 설정된 단어가 포함된 비율을 나타낼 수 있다. 다만, 본 개시는 상술한 예시에 한정되는 것은 아니다.
본 개시에서 음성적 특징 정보는, 사용자가 발화 시 소요된 총 발화 시간에 대한 정보, 총 발화 시간 대비 사용자가 발화 도중 발화를 멈춘 빈도에 대한 정보 및 총 발화 시간 대비 사용자가 발화 도중 발화를 멈춘 총 시간에 대한 정보 중 적어도 하나를 포함할 수 있다. 즉, 음성적 특징 정보는 사용자가 발화를 할 때 소요된 총 시간과 함께 사용자가 발화 시 머뭇거리는 시간, 생각하는 시간 등을 전체적으로 분석한 정보일 수 있다. 다만, 본 개시는 상술한 예시에 한정되는 것은 아니다.
로직 기반 이벤트 처리기(712)에서 출력된 언어적 특성 정보 및 음성적 특징 정보는 사용자 정보와 함께 적어도 하나의 모델에 입력되어 제1 출력 데이터(650)를 생성할 수 있다. 여기서, 제1 출력 데이터(650)는 예측 스코어 값(651) 및 인지 상태 식별 값(652) 중 적어도 하나를 포함할 수 있다.
예측 스코어 값(651)은 사용자가 인지 선별 검사 수행 시 획득 가능한 값으로 예를 들어 사용자의 CIST(Cognitive Impairment Screening Test) 점수를 예측한 값을 의미할 수 있다. 즉, 예측 스코어 값(651)은 사용자가 종이와 연필을 이용해서 수행해야 알 수 있는 테스트 결과 점수를 예측한 값을 의미할 수 있다. 다만, 이에 한정되는 것은 아니고, 예측 스코어 값(651)은 CIST 점수 및 MMSE(Mini-Mental State Examination) 점수 중 적어도 하나를 포함할 수 있다.
인지 상태 식별 값(652)은 사용자의 인지 기능 상태와 관련된 값으로, 사용자가 정상일 확률 값 및 사용자에게 인지 기능 장애가 존재할 확률 값 중 적어도 하나를 포함할 수 있다. 다만, 본 개시는 이에 한정되는 것은 아니다.
본 개시에서, 프로세서(110)는 인지 상태 식별 값(652)에 기초하여 사용자의 인지 기능 상태를 결정할 수 있다. 그리고, 프로세서(110)는 예측 스코어 값(651)에 기초하여 사용자의 인지 기능 상태의 강도를 결정할 수 있다.
구체적으로, 프로세서(110)는 인지 상태 식별 값(652)의 범주를 이용하여 사용자를 정상 또는 인지 저하 의심군으로 구분할 수 있고, 예측 스코어 값(651)을 이용하여 보다 정확하게 최종 결과를 보정할 수 있다. 아울러, 프로세서(110)는 예측 스코어 값(651)을 이용하여 정상 또는 인지 저하 의심군의 강도(intensity)를 확인할 수 있다. 즉, 제1 출력 데이터(650)에 포함된 2개의 인자(예측 스코어 값(651)과 인지 상태 식별 값(652))는 상보적으로 작용할 수 있다.
본 개시의 몇몇 실시예에 따르면, 인지 기능 상태 식별 모델은 용례에 따라 예측 스코어 값(651) 및 인지 상태 식별 값(652) 중 어느 하나의 값만 출력할 수 있다. 다만, 본 개시는 이에 한정되는 것은 아니다.
한편, 본 개시의 몇몇 실시예에 따르면, 적어도 하나의 모델은 예측 스코어 값(651)을 생성하는 제2 모델(722)과 인지 상태 식별 값(652)을 생성하는 제3 모델(723) 중 적어도 하나를 포함할 수 있다. 여기서, 제2 모델(722)은 언어적 특성 정보(641), 음성적 특징 정보(642) 및 사용자 정보(613)에 기초하여 예측 스코어 값(651)을 생성할 수 있고, 제3 모델(723)은 언어적 특성 정보(641), 음성적 특징 정보(642) 및 사용자 정보(613)에 기초하여 인지 상태 식별 값(652)을 생성할 수 있다. 다만, 본 개시는 이에 한정되는 것은 아니다.
제1 모델(721), 제2 모델(722) 및 제3 모델(723)은 신경망 네트워크로 구성될 수 있다. 다만, 이에 한정되는 것은 아니고, 변환기(711) 및 로직 기반 이벤트 처리기(712)도 신경망 네트워크로 구성될 수도 있다.
본 개시에서 신경망 네트워크는 일반적으로 "노드"라 지칭될 수 있는 상호연결된 계산 단위들의 집합으로 구성될 수 있다. 이러한 "노드"들은 "뉴런(neuroun)"들로 지칭될 수도 있다. 신경망 네트워크는 적어도 둘 이상의 노드들을 포함하여 구성된다. 신경망 네트워크들을 구성하는 노드(또는 뉴런)들은 하나 이상의 "링크"에 의해 상호 연결될 수 있다.
신경망 네트워크 내에서, 링크를 통해 연결된 둘 이상의 노드들은 상대적으로 입력 노드 및 출력 노드의 관계를 형성할 수 있다. 입력 노드 및 출력 노드의 개념은 상대적인 것으로서, 하나의 노드에 대하여 출력 노드 관계에 있는 임의의 노드는 다른 노드와의 관계에서 입력 노드 관계에 있을 수 있으며, 그 역도 성립할 수 있다. 전술한 바와 같이, 입력 노드 대 출력 노드 관계는 링크를 중심으로 생성될 수 있다. 하나의 입력 노드에 하나 이상의 출력 노드가 링크를 통해 연결될 수 있으며, 그 역도 성립할 수 있다.
하나의 링크를 통해 연결된 입력 노드 및 출력 노드 관계에서, 출력 노드는 입력 노드에 입력된 데이터에 기초하여 그 값이 결정될 수 있다. 여기서 입력 노드와 출력 노드를 상호연결하는 노드는 가중치를 가질 수 있다. 가중치는 가변적일 수 있으며, 신경망 네트워크가 원하는 기능을 수행하기 위해, 사용자 또는 알고리즘에 의해 가변될 수 있다. 예를 들어, 하나의 출력 노드에 하나 이상의 입력 노드가 각각의 링크에 의해 상호 연결된 경우, 출력 노드는 상기 출력 노드와 연결된 입력 노드들에 입력된 값들 및 각각의 입력 노드들에 대응하는 링크에 설정된 가중치에 기초하여 출력 노드 값을 결정할 수 있다.
전술한 바와 같이, 신경망 네트워크는 둘 이상의 노드들이 하나 이상의 링크를 통해 상호연결 되어 신경망 네트워크 내에서 입력 노드 및 출력 노드 관계를 형성한다. 신경망 네트워크 내에서 노드들과 링크들의 개수 및 노드들과 링크들 사이의 연관관계, 링크들 각각에 부여된 가중치의 값에 따라, 신경망 네트워크의 특성이 결정될 수 있다. 예를 들어, 동일한 개수의 노드 및 링크들이 존재하고, 링크들 사이의 가중치 값이 상이한 두 신경망 네트워크가 존재하는 경우, 두 개의 신경망 네트워크들은 서로 상이한 것으로 인식될 수 있다.
신경망 네트워크는 둘 이상의 노드들을 포함하여, 구성될 수 있다. 신경망 네트워크를 구성하는 노드들 중 일부는, 최초 입력 노드로부터의 거리들에 기초하여, 하나의 레이어(layer)를 구성할 수 있다, 예를 들어, 최초 입력 노드로부터 거리가 n인 노드들의 집합은, n 레이어를 구성할 수 있다. 최초 입력 노드로부터 거리는, 최초 입력 노드로부터 해당 노드까지 도달하기 위해 거쳐야 하는 링크들의 최소 개수에 의해 정의될 수 있다. 그러나, 이러한 레이어의 정의는 설명을 위한 임의적인 것으로서, 신경망 네트워크 내에서 레이어의 차수는 전술한 것과 상이한 방법으로 정의될 수 있다. 예를 들어, 노드들의 레이어는 최종 출력 노드로부터 거리에 의해 정의될 수도 있다.
최초 입력 노드는 신경망 네트워크 내의 노드들 중 다른 노드들과의 관계에서 링크를 거치지 않고 데이터가 직접 입력되는 하나 이상의 노드들을 의미할 수 있다. 또는, 신경망 네트워크 내에서, 링크를 기준으로 한 노드 간의 관계에 있어서, 링크로 연결된 다른 입력 노드들 가지지 않는 노드들을 의미할 수 있다. 이와 유사하게, 최종 출력 노드는 신경망 네트워크 내의 노드들 중 다른 노드들과의 관계에서, 출력 노드를 가지지 않는 하나 이상의 노드들을 의미할 수 있다. 또한, 히든 노드는 최초 입력 노드 및 최후 출력 노드가 아닌 신경망 네트워크를 구성하는 노드들을 의미할 수 있다.
본 개시의 몇몇 실시예에 따르면, 제1 모델(721), 제2 모델(722) 및 제3 모델(723)은 딥 뉴럴 네트워크 구조를 가질 수 있다.
딥 뉴럴 네트워크(DNN: deep neural network, 심층신경망)는 입력 레이어와 출력 레이어 외에 복수의 히든 레이어를 포함하는 신경망을 의미할 수 있다. 딥 뉴럴 네트워크를 이용하면 데이터의 잠재적인 구조(latent structures)를 파악할 수 있다.
딥 뉴럴 네트워크는 트랜스포머 네트워크(transformer network), 컨볼루션 뉴럴 네트워크(CNN: convolutional neural network), 리커런트 뉴럴 네트워크(RNN: recurrent neural network), 오토 인코더(auto encoder), 제한 볼츠만 머신(RBM: restricted boltzmann machine), 심층 신뢰 네트워크(DBN: deep belief network), Q 네트워크, U 네트워크, 샴 네트워크, 적대적 생성 네트워크(GAN: Generative Adversarial Network) 등을 포함할 수 있다. 전술한 딥 뉴럴 네트워크의 기재는 예시일 뿐이며 본 개시는 이에 제한되지 않는다.
본 개시에서, 제1 모델(721)에는 트랜스포머 네트워크가 사용될 수 있고, 제2 모델(722)에는 리커런트 뉴럴네트워크와 컨볼루션 뉴럴 네트워크가 결합된 딥 뉴럴 네트워크가 사용될 수 있고, 제3 모델(723)에는 voting function을 이용하는 Random Forest, CatBoost 등이 사용될 수 있다. 다만, 본 개시는 상술한 예시에 한정되는 것은 아니다.
본 개시의 몇몇 실시예에 따르면, 인지 기능 상태 식별 모델(700)에 포함된 복수의 모델은 개별적으로 학습되지 않고 일체로 학습될 수 있다. 즉, 인지 기능 상태 식별 모델(700)은 적어도 하나의 음성 데이터(612), 적어도 하나의 음성 데이터와 관련된 발화 시간 정보(611) 및 사용자 정보(613)를 입력하였을 때 예측 스코어 값(651) 및 인지 상태 식별 값(652) 중 적어도 하나를 산출할 수 있도록 일체로 학습될 수 있다. 이 경우, 인지 기능 상태 식별 모델(700)은, 학습용 데이터(사용자 정보, 적어도 하나의 음성 데이터 및 적어도 하나의 음성 데이터와 관련된 발화 시간 정보 및 사용자 정보)에 라벨링 된 라벨 데이터(학습용 예측 스코어 값 및 학습용 인지 상태 식별 값 중 적어도 하나)와 인지 기능 상태 식별 모델(700)에서 출력된 예측 데이터 사이의 차이 값을 역전파(back propagation)하여 신경망의 가중치를 업데이트하는 방법으로 학습될 수 있다.
본 개시의 다른 몇몇 실시예에 따르면, 인지 기능 상태 식별 모델(700)에 포함된 복수의 모델 각각은 개별적으로 학습된 후에 결합될 수 있다.
구체적으로, 제1 모델(721)은 텍스트 데이터(620)를 입력 데이터로 입력하였을 때 제2 출력 데이터(630)를 출력하도록 학습될 수 있고, 제2 모델(722)은 언어적 특성 정보(641), 음성적 특징 정보(642) 및 사용자 정보(613)를 입력하였을 때 예측 스코어 값(651)을 출력하도록 학습될 수 있고, 제3 모델(723)은 언어적 특성 정보(641), 음성적 특징 정보(642) 및 사용자 정보(613)를 입력하였을 때 인지 상태 식별 값(652)을 출력하도록 학습될 수 있다. 그리고, 학습이 완료된 제1 모델(721), 제2 모델(722) 및 제3 모델(723)을 이용하여 인지 기능 상태 식별 모델(700)이 생성될 수도 있다.
이하, 설명의 편의를 위해 인지 기능 상태 식별 모델(700)을 일체로 학습시킨다고 가정하고 이하 설명한다. 다만, 본 개시는 이에 한정되는 것은 아니고, 인지 기능 상태 식별 모델(700)에 포함된 복수의 모델 각각이 개별적으로 학습된 후에 인지 기능 상태 식별 모델(700)이 생성될 수도 있다.
본 개시의 몇몇 실시예에 따르면, 장치(100)의 저장부(120)는 기 학습된 인지 기능 상태 식별 모델(700)을 저장하고 있을 수 있다.
본 개시에서 학습 데이터는 복수의 테스트 사용자를 통해 획득될 수 있다. 본 개시에서 테스트 사용자는, 경도 인지 장애가 존재하는 환자로 분류되는 사용자, 알츠하이머 환자로 분류되는 사용자, 정상으로 분류되는 사용자 등을 포함할 수 있다. 다만 이에 한정되는 것은 아니다.
본 개시의 인지 기능 상태 식별 모델(700)은 교사 학습(supervised learning) 방식으로 학습될 수 있다. 다만, 이에 한정되는 것은 아니고, 인지 기능 상태 식별 모델(700)은 비교사 학습(unsupervised learning), 반교사학습(semi supervised learning), 또는 강화학습(reinforcement learning) 중 적어도 하나의 방식으로 학습될 수도 있다.
인지 기능 상태 식별 모델(700)의 학습은 인지 기능 상태 식별 모델(700)이 사용자의 인지 기능 상태를 식별하기 위한 지식을 뉴럴 네트워크에 적용하는 과정일 수 있다.
인지 기능 상태 식별 모델(700)은 출력의 오류를 최소화하는 방향으로 학습될 수 있다. 인지 기능 상태 식별 모델(700)의 학습에서 반복적으로 학습 데이터(학습용 테스트 결과 데이터)를 인지 기능 상태 식별 모델(700)에 입력시키고 학습 데이터에 대한 인지 기능 상태 식별 모델(700)의 출력(뉴럴 네트워크를 통해 예측된 예측 스코어 값 및 인지 상태 식별 값 중 적어도 하나)과 타겟(라벨 데이터로 사용된 예측 스코어 값 및 인지 상태 식별 값 중 적어도 하나)의 에러를 계산하고, 에러를 줄이기 위한 방향으로 인지 기능 상태 식별 모델(700)의 에러를 인지 기능 상태 식별 모델(700)의 출력 레이어에서부터 입력 레이어 방향으로 역전파(backpropagation)하여 인지 기능 상태 식별 모델(700)의 각 노드의 가중치를 업데이트 하는 과정이다.
업데이트 되는 각 노드의 연결 가중치는 학습률(learning rate)에 따라 변화량이 결정될 수 있다. 입력 데이터에 대한 인지 기능 상태 식별 모델(700)의 계산과 에러의 역전파는 학습 사이클(epoch)을 구성할 수 있다. 학습률은 인지 기능 상태 식별 모델(700)의 학습 사이클의 반복 횟수에 따라 상이하게 적용될 수 있다. 예를 들어, 인지 기능 상태 식별 모델(700)의 학습 초기에는 높은 학습률을 사용하여 인지 기능 상태 식별 모델(700)이 빠르게 일정 수준의 성능을 확보하도록 하여 효율성을 높이고, 학습 후기에는 낮은 학습률을 사용하여 정확도를 높일 수 있다.
인지 기능 상태 식별 모델(700)의 학습에서 학습 데이터는 실제 데이터(즉, 학습된 인지 기능 상태 식별 모델(700)을 이용하여 처리하고자 하는 데이터)의 부분집합일 수 있으며, 따라서, 학습 데이터에 대한 오류는 감소하나 실제 데이터에 대해서는 오류가 증가하는 학습 사이클이 존재할 수 있다. 과적합(overfitting)은 이와 같이 학습 데이터에 과하게 학습하여 실제 데이터에 대한 오류가 증가하는 현상이다.
과적합은 머신러닝 알고리즘의 오류를 증가시키는 원인으로 작용할 수 있다. 이러한 과적합을 막기 위하여 다양한 최적화 방법이 사용될 수 있다. 과적합을 막기 위해서는 학습 데이터를 증가시키거나, 레귤라이제이션(regularization), 학습의 과정에서 네트워크의 노드 일부를 비활성화하는 드롭아웃(dropout), 배치 정규화 레이어(batch normalization layer)의 활용 등의 방법이 적용될 수 있다.
한편, 본 개시의 몇몇 실시예에 따르면, 인지 기능 상태 식별 모델(700)을 학습시킬 때 인지 기능 장애가 라벨링 된 데이터의 수와 정상이 라벨링 된 데이터의 수가 차이가 있어서 데이터 불균형으로 인해 학습이 제대로 이루어지지 못하는 문제가 발생할 수 있다. 이러한 문제는 소수 범주의 데이터인 인지 기능 장애가 라벨링 된 데이터의 수를 정상이 라벨링 된 데이터의 수에 맞게 늘리는 방식인 오버 샘플링을 통해 해결할 수 있다.
본 개시에서 오버 샘플링은 Random Over-sampling 기법, SMOTE(Synthetic Minority Over-sampling Technique), Borderline-SMOTE, ADASYN(Adaptive Synthetic Sampling) 기법 등을 통해 수행될 수 있다. 다만, 본 개시는 상술한 예시에 한정되는 것은 아니다.
상술한 바와 같이 오버 샘플링을 통해 데이터 불균형을 해소하는 경우 AUC(Area Under the Curve)가 0.58에서 0.946으로 향상되는 것을 확인할 수 있었다. 즉, 모델의 분류 성능이 많이 개선된 것을 확인할 수 있었다.
한편, 상술한 본 개시의 몇몇 실시예들 중 적어도 하나에 의하면, 사용자가 거부감을 거의 느끼지 않는 방법으로 정확하게 사용자의 인지 기능 상태를 진단할 수 있다.
본 개시에서 장치(100)는 상기 설명된 몇몇 실시예들의 구성과 방법이 한정되게 적용될 수 있는 것이 아니라, 상기 몇몇 실시예들은 다양한 변형이 이루어질 수 있도록 각 실시예들의 전부 또는 일부가 선택적으로 조합되어 구성될 수도 있다.
본 개시에서 설명되는 다양한 실시예는 예를 들어, 소프트웨어, 하드웨어 또는 이들의 조합된 것을 이용하여 컴퓨터 또는 이와 유사한 디바이스로 읽을 수 있는 기록매체 내에서 구현될 수 있다.
하드웨어적인 구현에 의하면, 여기에 설명되는 몇몇 실시예는 ASICs(application specific integrated circuits), DSPs(digital signal processors), DSPDs(digital signal processing devices), PLDs(programmable logic devices), FPGAs(field programmable gate arrays, 프로세서, 제어기, 마이크로 컨트롤러(micro-controllers), 마이크로 프로세서(microprocessors), 기타 기능 수행을 위한 전기적인 유닛(unit) 중 적어도 하나를 이용하여 구현될 수 있다. 일부의 경우에 본 개시에서 설명되는 몇몇 실시예가 적어도 하나의 프로세서로 구현될 수 있다.
소프트웨어적인 구현에 의하면, 본 개시에서 설명되는 절차 및 기능과 같은 몇몇 실시예는 별도의 소프트웨어 모듈들로 구현될 수 있다. 소프트웨어 모듈들 각각은 본 개시에서 설명되는 하나 이상의 기능, 태스크 및 작동을 수행할 수 있다. 적절한 프로그램 언어로 쓰여진 소프트웨어 애플리케이션으로 소프트웨어 코드(software code)가 구현될 수 있다. 여기서, 소프트웨어 코드는, 저장부(120)에 저장되고, 적어도 하나의 프로세서(110)에 의해 실행될 수 있다. 즉, 적어도 하나의 프로그램 명령이 저장부(120)에 저장되어 있고, 적어도 하나의 프로그램 명령이 적어도 하나의 프로세서(110)에 의해 실행될 수 있다.
본 개시의 몇몇 실시예에 따른 장치의 적어도 하나의 프로세서가 사용자의 인지 기능 상태를 식별하는 장치에 구비된 적어도 하나의 프로세서가 읽을 수 있는 기록매체에 적어도 하나의 프로세서가 읽을 수 있는 코드로서 구현하는 것이 가능하다. 적어도 하나의 프로세서가 읽을 수 있는 기록매체는 적어도 하나의 프로세서에 의해 읽혀질 수 있는 데이터가 저장되는 모든 종류의 기록 디바이스를 포함한다. 적어도 하나의 프로세서가 읽을 수 있는 기록 매체의 예로는 ROM(Read Only Memory), RAM(Random Access Memory), CD-ROM, 자기 테이프, 플로피디스크, 광 데이터 저장 디바이스 등이 포함된다.
한편, 본 개시에서 첨부된 도면을 참조하여 설명하였으나, 이는 실시예일 뿐 특정 실시예에 한정되지 아니하며, 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 변형실시가 가능한 다양한 내용도 청구범위에 따른 권리범위에 속한다. 또한, 그러한 변형실시들이 본 발명의 기술 사상으로부터 개별적으로 이해되어서는 안 된다.
Claims (16)
- 장치의 적어도 하나의 프로세서에 의해 사용자의 인지 기능 상태를 식별하는 방법에 있어서, 상기 방법은:
사용자 정보, 적어도 하나의 음성 데이터 및 적어도 하나의 음성 데이터와 관련된 발화 시간 정보를 인지 기능 상태 식별 모델에 입력하는 단계; 및
상기 인지 기능 상태 식별 모델에서 출력된 제1 출력 데이터에 기초하여 사용자의 인지 기능 상태를 식별하는 단계;
를 포함하고,
상기 제1 출력 데이터는,
상기 사용자가 정상일 확률 값 및 상기 사용자에게 인지 기능 장애가 존재할 확률 값 중 적어도 하나를 포함하는 인지 상태 식별 값 및 상기 사용자가 인지 선별 검사를 수행 시 획득 가능한 점수를 예측한 예측 스코어 값을 포함하고,
상기 예측 스코어 값은,
상기 인지 기능 상태를 보정할 때 그리고 상기 인지 기능 상태의 강도를 결정할 때 이용되는,
방법. - 삭제
- 제1항에 있어서,
상기 인지 기능 상태 식별 모델에서 출력된 제1 출력 데이터에 기초하여 사용자의 인지 기능 상태를 식별하는 단계는:
상기 인지 상태 식별 값에 기초하여 상기 사용자의 인지 기능 상태를 결정하는 단계; 및
상기 예측 스코어 값에 기초하여 상기 사용자의 상기 인지 기능 상태의 강도를 결정하는 단계;
를 포함하는,
방법. - 제1항에 있어서,
상기 인지 기능 상태 식별 모델은:
상기 적어도 하나의 음성 데이터 및 상기 발화 시간 정보에 기초하여 상기 적어도 하나의 음성 데이터를 텍스트 데이터로 변환하는 변환기;
상기 텍스트 데이터에 기초하여 제2 출력 데이터를 생성하는 제1 모델;
상기 제2 출력 데이터에 기초하여 언어적 특성 정보 및 음성적 특징 정보를 추출하는 로직 기반 이벤트 처리기; 및
상기 언어적 특성 정보, 상기 음성적 특징 정보 및 상기 사용자 정보에 기초하여 상기 제1 출력 데이터를 생성하는 적어도 하나의 모델;
을 포함하는,
방법. - 제4항에 있어서,
상기 제2 출력 데이터는,
어절 정보, 운율 정보, 간투사 정보 및 음절 단위 음성 데이터를 포함하는,
방법. - 제5항에 있어서,
상기 어절 정보는,
상기 텍스트 데이터에 포함된 적어도 하나의 단어에 대한 정보 및 상기 적어도 하나의 단어가 발화된 시간에 대한 정보를 포함하는,
방법. - 제6항에 있어서,
상기 운율 정보는,
상기 적어도 하나의 단어를 상기 사용자가 발화 시 음의 강약, 음의 장단 및 음의 고저 중 적어도 하나와 관련된 정보를 포함하는,
방법. - 제5항에 있어서,
상기 간투사 정보는,
상기 텍스트 데이터에 포함된 적어도 하나의 간투사 각각의 종류, 상기 적어도 하나의 간투사 각각의 발화 시간, 상기 적어도 하나의 간투사 각각의 반복 횟수 및 상기 적어도 하나의 간투사 각각의 전체 반복 시간에 대한 정보를 포함하는,
방법. - 제8항에 있어서,
상기 언어적 특성 정보는,
상기 적어도 하나의 간투사의 사용 빈도에 대한 정보 및 상기 적어도 하나의 음성 데이터에 기 설정된 단어가 포함되는 지와 관련된 정보를 포함하는,
방법. - 제4항에 있어서,
상기 음성적 특징 정보는,
상기 사용자가 발화 시 소요된 총 발화 시간에 대한 정보, 상기 총 발화 시간 대비 상기 사용자가 발화 도중 발화를 멈춘 빈도에 대한 정보 및 상기 총 발화 시간 대비 상기 사용자가 발화 도중 발화를 멈춘 총 시간에 대한 정보 중 적어도 하나를 포함하는,
방법. - 제1항에 있어서,
상기 적어도 하나의 음성 데이터는,
제1 음성 데이터 획득 방법 및 상기 제1 음성 데이터 획득 방법과 상이한 제2 음성 데이터 획득 방법 중 적어도 하나에 기초하여 획득되는,
방법. - 제11항에 있어서,
상기 제1 음성 데이터 획득 방법은:
하나의 스토리와 관련된 복수의 이미지가 순차적으로 하나씩 사용자 단말기에서 디스플레이되도록 야기하는 것과 연동하여 상기 복수의 이미지 각각과 관련된 복수의 제1 음성 데이터를 획득하는 제1 태스크를 수행하는 단계; 및
이미지 디스플레이 없이 상기 하나의 스토리에 대한 정보가 사용자 단말기에서 디스플레이되도록 야기하는 것과 연동하여 제2 음성 데이터를 획득하는 제2 태스크를 수행하는 단계;
를 포함하는,
방법. - 제11항에 있어서,
상기 제2 음성 데이터 획득 방법은:
사용자 단말기가 문장이 포함된 제1 화면을 디스플레이하도록 야기하는 제3 태스크(task)를 수행하는 단계;
상기 사용자 단말기가 상기 제1 화면 대신 움직이는 객체를 디스플레이하는 것과 연동하여 사용자의 눈이 포함된 영상을 획득하도록 야기하는 제4 태스크를 수행하는 단계; 및
상기 사용자 단말기가 상기 문장이 가려진 제2 화면을 디스플레이하는 것과 연동하여 상기 적어도 하나의 음성 데이터가 포함된 녹음 파일을 획득하도록 야기하는 제5 태스크를 수행하는 단계;
를 포함하는,
방법. - 제1항에 있어서,
상기 사용자 정보는,
상기 사용자의 나이 정보, 성별 정보 및 상기 사용자의 인지 검사 결과 데이터 중 적어도 하나를 포함하는,
방법. - 컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램으로서, 상기 컴퓨터 프로그램은 장치의 적어도 하나의 프로세서에서 실행되는 경우, 사용자의 인지 기능 상태를 식별하는 단계들을 수행하며, 상기 단계들은:
사용자 정보, 적어도 하나의 음성 데이터 및 적어도 하나의 음성 데이터와 관련된 발화 시간 정보를 인지 기능 상태 식별 모델에 입력하는 단계; 및
상기 인지 기능 상태 식별 모델에서 출력된 제1 출력 데이터에 기초하여 사용자의 인지 기능 상태를 식별하는 단계;
를 포함하고,
상기 제1 출력 데이터는,
상기 사용자가 정상일 확률 값 및 상기 사용자에게 인지 기능 장애가 존재할 확률 값 중 적어도 하나를 포함하는 인지 상태 식별 값 및 상기 사용자가 인지 선별 검사를 수행 시 획득 가능한 점수를 예측한 예측 스코어 값을 포함하고
상기 예측 스코어 값은,
상기 인지 기능 상태를 보정할 때 그리고 상기 인지 기능 상태의 강도를 결정할 때 이용되는,
컴퓨터 판독가능 저장 매체에 저장된 컴퓨터 프로그램. - 사용자의 인지 기능 상태를 식별하는 장치에 있어서, 상기 장치는:
적어도 하나의 프로그램 명령이 저장된 저장부; 및
상기 적어도 하나의 프로그램 명령을 수행하는 적어도 하나의 프로세서;
를 포함하고,
상기 적어도 하나의 프로세서는,
사용자 정보, 적어도 하나의 음성 데이터 및 적어도 하나의 음성 데이터와 관련된 발화 시간 정보를 인지 기능 상태 식별 모델에 입력하고,
상기 인지 기능 상태 식별 모델에서 출력된 제1 출력 데이터에 기초하여 사용자의 인지 기능 상태를 식별하고,
상기 제1 출력 데이터는,
상기 사용자가 정상일 확률 값 및 상기 사용자에게 인지 기능 장애가 존재할 확률 값 중 적어도 하나를 포함하는 인지 상태 식별 값 및 상기 사용자가 인지 선별 검사를 수행 시 획득 가능한 점수를 예측한 예측 스코어 값을 포함하고,
상기 예측 스코어 값은,
상기 인지 기능 상태를 보정할 때 그리고 상기 인지 기능 상태의 강도를 결정할 때 이용되는,
장치.
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020230042402A KR20230170551A (ko) | 2022-06-10 | 2023-03-31 | 사용자의 인지 기능 상태를 식별하는 기법 |
US18/322,427 US11850059B1 (en) | 2022-06-10 | 2023-05-23 | Technique for identifying cognitive function state of user |
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020220070491 | 2022-06-10 | ||
KR20220070491 | 2022-06-10 |
Related Child Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020230042402A Division KR20230170551A (ko) | 2022-06-10 | 2023-03-31 | 사용자의 인지 기능 상태를 식별하는 기법 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR102519725B1 true KR102519725B1 (ko) | 2023-04-10 |
Family
ID=85984857
Family Applications (2)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020220114972A KR102519725B1 (ko) | 2022-06-10 | 2022-09-13 | 사용자의 인지 기능 상태를 식별하는 기법 |
KR1020230042402A KR20230170551A (ko) | 2022-06-10 | 2023-03-31 | 사용자의 인지 기능 상태를 식별하는 기법 |
Family Applications After (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020230042402A KR20230170551A (ko) | 2022-06-10 | 2023-03-31 | 사용자의 인지 기능 상태를 식별하는 기법 |
Country Status (2)
Country | Link |
---|---|
US (1) | US11850059B1 (ko) |
KR (2) | KR102519725B1 (ko) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170028295A (ko) * | 2014-07-08 | 2017-03-13 | 삼성전자주식회사 | 인지기능 검사 장치 및 방법 |
JP2018015139A (ja) * | 2016-07-26 | 2018-02-01 | ヤンマー株式会社 | 認知症検査システム |
KR20190135908A (ko) | 2019-02-01 | 2019-12-09 | (주)제이엘케이인스펙션 | 인공지능 기반 치매 진단 방법 및 장치 |
KR20210017616A (ko) * | 2019-08-09 | 2021-02-17 | 주식회사 인포쉐어 | 파킨슨병의 진단장치 |
KR102314213B1 (ko) * | 2020-01-14 | 2021-10-19 | 주식회사 바이칼에이아이 | 인공지능 기술을 활용한 경도 인지 장애 감지 방법 및 장치 |
Family Cites Families (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20040209810A1 (en) * | 2003-02-24 | 2004-10-21 | Gill Steven S. | Method of treating Parkinson's disease in humans by intraputaminal infusion of glial cell-line derived neurotrophic factor |
US11253701B2 (en) * | 2010-01-06 | 2022-02-22 | Evoke Neuroscience, Inc. | Transcranial stimulation device and method based on electrophysiological testing |
US11393133B2 (en) * | 2010-06-07 | 2022-07-19 | Affectiva, Inc. | Emoji manipulation using machine learning |
AU2011332799A1 (en) * | 2010-11-24 | 2013-07-11 | Digital Artefacts, Llc | Systems and methods to assess cognitive function |
US10606353B2 (en) * | 2012-09-14 | 2020-03-31 | Interaxon Inc. | Systems and methods for collecting, analyzing, and sharing bio-signal and non-bio-signal data |
US20140199670A1 (en) * | 2013-01-14 | 2014-07-17 | Sync-Think, Inc. | Multimodal cognitive performance benchmarking and Testing |
US9474481B2 (en) * | 2013-10-22 | 2016-10-25 | Mindstrong, LLC | Method and system for assessment of cognitive function based on electronic device usage |
US10213149B2 (en) * | 2014-05-08 | 2019-02-26 | Medical Care Corporation | Systems and methods for assessing human cognition, including a quantitative approach to assessing executive function |
US9582496B2 (en) * | 2014-11-03 | 2017-02-28 | International Business Machines Corporation | Facilitating a meeting using graphical text analysis |
EP3761863A4 (en) * | 2018-03-04 | 2022-04-06 | Akili Interactive Labs, Inc. | COGNITIVE SCREENINGS, MONITORS AND COGNITIVE TREATMENTS TARGETING IMMUNE-MEDIATED AND NEURODEGENERATIVE DISEASES |
GB201814807D0 (en) * | 2018-09-12 | 2018-10-24 | Univ Newcastle | Dementia Biomarkers |
WO2020054918A1 (ko) | 2018-09-14 | 2020-03-19 | 주식회사 아이메디신 | 인지 장애 진단 방법 및 컴퓨터 프로그램 |
US20200245949A1 (en) * | 2019-02-01 | 2020-08-06 | Mindstrong Health | Forecasting Mood Changes from Digital Biomarkers |
WO2020202105A1 (en) * | 2019-04-03 | 2020-10-08 | Brain F.I.T. Imaging, LLC | Methods and magnetic imaging devices to inventory human brain cortical function |
CN114449944A (zh) * | 2019-09-30 | 2022-05-06 | 豪夫迈·罗氏有限公司 | 疾病状态预测 |
KR102321197B1 (ko) | 2020-02-03 | 2021-11-03 | 서울대학교병원 | 딥러닝을 이용한 치매 위험인자 결정 방법 및 장치 |
AU2021277202A1 (en) * | 2020-05-16 | 2022-12-22 | Insurance Services Office, Inc. | Machine learning systems and methods for multiscale alzheimer's dementia recognition through spontaneous speech |
KR102494874B1 (ko) | 2020-06-15 | 2023-02-06 | 한국과학기술정보연구원 | 일상생활 능력정보 기반 치매 예측 방법 및 그 장치 |
US20230314452A1 (en) * | 2020-08-14 | 2023-10-05 | Roche Diagnostics Operations, Inc. | Igfbp7 for the assessment of silent brain infarcts and cognitive decline |
US11734915B2 (en) * | 2020-08-24 | 2023-08-22 | University Of South Florida | Automated and assisted identification of stroke using feature-based brain imaging |
US20220076694A1 (en) * | 2020-09-08 | 2022-03-10 | Lifeline Systems Company | Cognitive impairment detected through audio recordings |
AU2021364369A1 (en) * | 2020-10-23 | 2023-06-15 | Neuroglee Science Pte. Ltd. | System and method for delivering personalized cognitive intervention |
WO2022212740A2 (en) * | 2021-03-31 | 2022-10-06 | Aural Analytics, Inc. | Systems and methods for digital speech-based evaluation of cognitive function |
CN114429817A (zh) * | 2021-12-31 | 2022-05-03 | 北京万方医学信息科技有限公司 | 一种老年人健康风险预测方法、***及电子设备 |
-
2022
- 2022-09-13 KR KR1020220114972A patent/KR102519725B1/ko active IP Right Grant
-
2023
- 2023-03-31 KR KR1020230042402A patent/KR20230170551A/ko unknown
- 2023-05-23 US US18/322,427 patent/US11850059B1/en active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20170028295A (ko) * | 2014-07-08 | 2017-03-13 | 삼성전자주식회사 | 인지기능 검사 장치 및 방법 |
JP2018015139A (ja) * | 2016-07-26 | 2018-02-01 | ヤンマー株式会社 | 認知症検査システム |
KR20190135908A (ko) | 2019-02-01 | 2019-12-09 | (주)제이엘케이인스펙션 | 인공지능 기반 치매 진단 방법 및 장치 |
KR20210017616A (ko) * | 2019-08-09 | 2021-02-17 | 주식회사 인포쉐어 | 파킨슨병의 진단장치 |
KR102314213B1 (ko) * | 2020-01-14 | 2021-10-19 | 주식회사 바이칼에이아이 | 인공지능 기술을 활용한 경도 인지 장애 감지 방법 및 장치 |
Also Published As
Publication number | Publication date |
---|---|
KR20230170551A (ko) | 2023-12-19 |
US11850059B1 (en) | 2023-12-26 |
US20230404469A1 (en) | 2023-12-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110728997B (zh) | 一种基于情景感知的多模态抑郁症检测*** | |
US11367434B2 (en) | Electronic device, method for determining utterance intention of user thereof, and non-transitory computer-readable recording medium | |
KR102199423B1 (ko) | 심리 상담 데이터를 기계 학습한 자동 대화 장치 및 그 방법 | |
US9842585B2 (en) | Multilingual deep neural network | |
Mitterer et al. | Phonological abstraction in processing lexical‐tone variation: Evidence from a learning paradigm | |
KR102638481B1 (ko) | 혼합 테스트에 기초하여 치매를 식별하는 기법 | |
US11705105B2 (en) | Speech synthesizer for evaluating quality of synthesized speech using artificial intelligence and method of operating the same | |
KR102223736B1 (ko) | 인공지능 장치를 이용한 음성 처리 방법 | |
KR102321789B1 (ko) | 감정 정보 기반의 음성 합성 방법 및 장치 | |
EP3966809B1 (en) | Wake word selection assistance architectures and methods | |
WO2018156373A1 (en) | Sequence processing using online attention | |
KR102321801B1 (ko) | 지능적 음성 인식 방법, 음성 인식 장치 및 지능형 컴퓨팅 디바이스 | |
Taniguchi et al. | Double articulation analyzer with deep sparse autoencoder for unsupervised word discovery from speech signals | |
US11942077B2 (en) | Electronic device and operating method thereof | |
KR102321792B1 (ko) | 지능적 음성 인식 방법, 음성 인식 장치 및 지능형 컴퓨팅 디바이스 | |
KR102519725B1 (ko) | 사용자의 인지 기능 상태를 식별하는 기법 | |
KR102487440B1 (ko) | 음성 데이터에 기초한 치매 식별 기법 | |
KR102487420B1 (ko) | 치매 식별을 위한 디지털 바이오 마커 데이터인 음성 데이터를 획득하는 방법 | |
CN113593523A (zh) | 基于人工智能的语音检测方法、装置及电子设备 | |
US20230233138A1 (en) | Technique for identifying dementia based on plurality of result data | |
Strand et al. | Making long-distance relationships work: Quantifying lexical competition with Hidden Markov Models | |
US20240274123A1 (en) | Systems and methods for phoneme recognition | |
Wilschut et al. | Improving Adaptive Learning Models Using Prosodic Speech Features | |
Barros et al. | Harnessing the Role of Speech Interaction in Smart Environments Towards Improved Adaptability and Health Monitoring | |
Fuad et al. | An Open-Source Voice Command-Based Human-Computer Interaction System Using Speech Recognition Platforms |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
A107 | Divisional application of patent | ||
GRNT | Written decision to grant |