KR20150000591A - 라이프 스타일 분석 시스템 및 방법 - Google Patents
라이프 스타일 분석 시스템 및 방법 Download PDFInfo
- Publication number
- KR20150000591A KR20150000591A KR20130072846A KR20130072846A KR20150000591A KR 20150000591 A KR20150000591 A KR 20150000591A KR 20130072846 A KR20130072846 A KR 20130072846A KR 20130072846 A KR20130072846 A KR 20130072846A KR 20150000591 A KR20150000591 A KR 20150000591A
- Authority
- KR
- South Korea
- Prior art keywords
- data
- reference model
- lifestyle
- user
- analyzing
- Prior art date
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 48
- 238000000034 method Methods 0.000 title claims description 65
- 230000009471 action Effects 0.000 claims description 82
- 230000000694 effects Effects 0.000 claims description 20
- 238000002864 sequence alignment Methods 0.000 claims description 15
- 238000007418 data mining Methods 0.000 claims description 14
- 238000005516 engineering process Methods 0.000 abstract description 6
- 238000000605 extraction Methods 0.000 abstract description 3
- 230000006399 behavior Effects 0.000 description 72
- 239000000284 extract Substances 0.000 description 25
- 238000010586 diagram Methods 0.000 description 13
- 230000008569 process Effects 0.000 description 13
- 230000002567 autonomic effect Effects 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 238000005259 measurement Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 9
- 230000036541 health Effects 0.000 description 7
- 238000013523 data management Methods 0.000 description 6
- 230000008451 emotion Effects 0.000 description 6
- 238000007726 management method Methods 0.000 description 5
- 230000002411 adverse Effects 0.000 description 4
- 230000008447 perception Effects 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 239000003814 drug Substances 0.000 description 3
- 235000013372 meat Nutrition 0.000 description 3
- CURLTUGMZLYLDI-UHFFFAOYSA-N Carbon dioxide Chemical compound O=C=O CURLTUGMZLYLDI-UHFFFAOYSA-N 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 2
- 235000006694 eating habits Nutrition 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000036651 mood Effects 0.000 description 2
- 230000004044 response Effects 0.000 description 2
- 238000007493 shaping process Methods 0.000 description 2
- 239000004984 smart glass Substances 0.000 description 2
- 230000000638 stimulation Effects 0.000 description 2
- UGFAIRIUMAVXCW-UHFFFAOYSA-N Carbon monoxide Chemical compound [O+]#[C-] UGFAIRIUMAVXCW-UHFFFAOYSA-N 0.000 description 1
- 208000017667 Chronic Disease Diseases 0.000 description 1
- 206010027940 Mood altered Diseases 0.000 description 1
- 208000008589 Obesity Diseases 0.000 description 1
- CBENFWSGALASAD-UHFFFAOYSA-N Ozone Chemical compound [O-][O+]=O CBENFWSGALASAD-UHFFFAOYSA-N 0.000 description 1
- 210000000577 adipose tissue Anatomy 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000003542 behavioural effect Effects 0.000 description 1
- 238000009530 blood pressure measurement Methods 0.000 description 1
- 238000009529 body temperature measurement Methods 0.000 description 1
- 229910002092 carbon dioxide Inorganic materials 0.000 description 1
- 239000001569 carbon dioxide Substances 0.000 description 1
- 229910002091 carbon monoxide Inorganic materials 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 206010012601 diabetes mellitus Diseases 0.000 description 1
- 230000037213 diet Effects 0.000 description 1
- 235000005911 diet Nutrition 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000035622 drinking Effects 0.000 description 1
- 229940079593 drug Drugs 0.000 description 1
- 239000000428 dust Substances 0.000 description 1
- 239000011521 glass Substances 0.000 description 1
- 230000035876 healing Effects 0.000 description 1
- 238000009532 heart rate measurement Methods 0.000 description 1
- 238000005286 illumination Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 230000003340 mental effect Effects 0.000 description 1
- 208000030159 metabolic disease Diseases 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008450 motivation Effects 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 235000020824 obesity Nutrition 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000035479 physiological effects, processes and functions Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000035882 stress Effects 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
- 235000019640 taste Nutrition 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/01—Social networking
-
- G—PHYSICS
- G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
- G16Z—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS, NOT OTHERWISE PROVIDED FOR
- G16Z99/00—Subject matter not provided for in other main groups of this subclass
-
- 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
- G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
- G16H20/70—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to mental therapies, e.g. psychological therapy or autogenous training
-
- 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
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Epidemiology (AREA)
- Data Mining & Analysis (AREA)
- Pathology (AREA)
- Databases & Information Systems (AREA)
- Biomedical Technology (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Child & Adolescent Psychology (AREA)
- Computing Systems (AREA)
- Developmental Disabilities (AREA)
- Hospice & Palliative Care (AREA)
- Social Psychology (AREA)
- Psychiatry (AREA)
- Psychology (AREA)
- Medical Treatment And Welfare Office Work (AREA)
- Information Retrieval, Db Structures And Fs Structures Therefor (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
본 발명은 라이프 스타일을 관리하는 기술에 관한 것으로, 보다 상세하게는 개인의 라이프 로그의 빅데이터를 수집하고, 그를 이용해 생성된 레퍼런스 모델을 저장하고, 상기 저장된 레퍼런스 모델을 기반으로 사용자로부터 수집된 라이프 로그 데이터를 비교하여 유사점과 차이점을 추출함으로써 상기 사용자의 성향을 분석하는 기술에 관한 것이다.
이러한 목적을 달성하기 위하여 본 발명의 일 실시예에 따른 라이프 스타일 분석 시스템은 로그 수집부, 레퍼런스 모델 저장부, 패턴 추출부, 성향 분석부 및 개인화 모델 생성부를 포함한다.
이러한 목적을 달성하기 위하여 본 발명의 일 실시예에 따른 라이프 스타일 분석 시스템은 로그 수집부, 레퍼런스 모델 저장부, 패턴 추출부, 성향 분석부 및 개인화 모델 생성부를 포함한다.
Description
본 발명은 라이프 스타일을 관리하는 기술에 관한 것으로, 보다 상세하게는 개인의 라이프 로그의 빅데이터를 수집하고, 그를 이용해 생성된 레퍼런스 모델을 저장하고, 상기 저장된 레퍼런스 모델을 기반으로 사용자로부터 수집된 라이프 로그 데이터를 비교하여 유사점과 차이점을 추출함으로써 상기 사용자의 성향을 분석하는 기술에 관한 것이다.
한국은 특히 생활습관병 환자가 가파르게 증가하고 있는데, 단순히 식생활의 서구화, 고령화, 비만인구 증가만으로 설명되지 못하는 대사성질환 유사환자들이 유아 및 청소기부터 나타나고 있다. 이에 대해 의료 약물적 치료로도 해결이 잘 안되고 만성질환으로 발전됨에 따라 국민건강보험의 의료비용이 지속적으로 증가하고 있다. 그 해결책으로써 생활습관의학(lifestyle medicine)이 중요해지고 있으나, 전통적 문진 문서방식, 지속적 치료 효과 및 환자의 체계적 관리와 실질효과의 어려움 등 문제점이 많아 적용하는데 어려움이 있다.
현재의 각종 IT제품과 케어 서비스(어린이보호 및 성장케어, 노약자 보호케어, 일반인들의 정신적 힐링케어, 급변하는 경제상황에서의 재정예측관리 등)들은 최종 사용자인 '인간'과 그 복합적 특성(사회관계, 심리, 생리, 감성 등)에 대한 이해와 표현 및 정량화가 용이하지 않음에 따라 적용 및 고도화에 근본적 한계가 있다.
특히, 라이프 스타일(Lifestyle)로 대변되는 '나'를 결정짓는 요소에 대한 고려가 부족하고, 복합적이고 다양한 특성을 지닌 인간을 특징적으로 표현할 도구나 방식의 어려움에 직면해 있다.
이를 극복하기 위한 방안으로 전세계적으로 라이프 로그(Lifelog) 데이터를 활용하는 다양한 연구가 진행되고 있지만, 라이프 로그 수집을 위한 혁신적 디바이스의 부재와 방대한 데이터의 의미적인 분석의 난제를 여전히 해결 못하고 있다.
종래의 라이프 케어 서비스 기술의 한 예로, 한국공개특허 제2012-0045459호 "라이프 케어 서비스 제공 시스템"이 제안되었다. 상기 선행기술에서는 사용자의 건강 상태를 확인하는데 요구되는 라이프로그 정보를 수집하고 라이프 로그 정보를 분석하여, 사용자의 생활 습관을 관리하는데 사용되는 라이프 케어 정보를 제공하는 라이프 케어 서비스 기술이 개시되었다
하지만, 종래의 선행기술은 라이프 로그 정보를 분석하여, 사용자의 생활 습관을 관리하기 위해서는 먼저 생활습관을 설정하는 과정이 필요하고, 특정 상황에 대응되는 룰을 기설정해야만 하였다. 선행기술에서 기설정한 룰들은 개인차가 존재할 수 있으나 고려하고 있지 않으며, 시대흐름에 따라 적절하게 변경되지 못하고 있으며, 룰을 설정하는 방법에 대한 구체적인 기술을 언급하고 있지 않다. 또한, 선행기술은 라이프 로그를 분석함에 있어서도 인간의 다양성을 고려하지 않고 있다.
따라서, 개인의 라이프 로그의 빅데이터를 수집하고, 그를 이용한 의미 기반 분석을 수행하여 일반적인 행동 시퀀스, 개인화된 생활습관에 따른 행동 시퀀스를 추출하고, 추출된 행동 시퀀스를 모델링하여, 사용자의 상태에 따른 이후 발생할 행동을 유추하고, 유추되는 행동을 바람직한 방향으로 유도하여 사용자의 건강을 관리하는 방법이 요구된다.
본 발명은 상기와 같은 종래 기술의 문제점을 해결하고자 도출된 것으로서, 라이프 스타일 분석 시스템 및 방법을 제공하는 것을 목적으로 한다.
구체적으로, 본 발명은 개인의 라이프 로그의 빅데이터를 수집하고, 그를 이용해 생성된 레퍼런스 모델을 저장하고, 상기 저장된 레퍼런스 모델을 기반으로 사용자로부터 수집된 라이프 로그 데이터를 비교하여 유사점과 차이점을 추출함으로써 상기 사용자의 성향을 분석하는 라이프 스타일 분석 시스템 및 방법을 제공하는 것을 목적으로 한다.
이러한 목적을 달성하기 위하여 본 발명의 일 실시예에 따른 라이프 스타일 분석 시스템은 로그 수집부, 레퍼런스 모델 저장부, 패턴 추출부, 성향 분석부 및 개인화 모델 생성부를 포함한다.
상기 로그 수집부는 다수 사용자의 라이프 로그를 수집한다. 상기 레퍼런스 모델 저장부는 상기 수집된 라이프 로그를 기반으로 행동 시퀀스를 분석함으로써 생성된 레퍼런스 모델을 저장한다. 상기 패턴 추출부는 사용자로부터 실시간 수집되는 라이프 로그를 이용해 상기 저장된 레퍼런스 모델에서 데이터 마이닝함으로써 유사 행동 패턴을 추출한다. 상기 성향 분석부는 상기 추출된 유사 행동 패턴을 이용하여 사용자의 성향을 분석한다 상기 개인화 모델 생성부는 상기 분석된 사용자 성향을 기반으로 개인화된 생활습관 모델을 생성한다.
또한, 상기 라이프 로그는 비밀 데이터(Private Data), 공개 데이터(Public Data), 개인 데이터(Personal Data), 익명 데이터(Anonymous Data), 접속 데이터(Connected Data) 및 센서 데이터(Sensor Data) 중에서 적어도 하나를 포함할 수 있다.
또한, 상기 레퍼런스 모델 저장부는 상기 수집된 라이프 로그에서 상기 행동 시퀀스를 추출하고, 상기 추출된 행동 시퀀스 간의 유사도를 분석하고, 상기 유사도가 높은 행동 시퀀스를 시퀀스 정렬(sequence alignment) 기법을 이용하여 정렬함으로써 상기 유사도가 높은 행동 시퀀스를 트리 형태로 연결된 온톨로지 형태의 레퍼런스 모델로써 저장할 수 있다.
또한, 상기 레퍼런스 모델 저장부는 기 설정된 시간 내에서 발생되었는지 여부 및 행동 시퀀스에 포함된 정보를 동일 여부 중에서 적어도 하나를 이용하여 상기 추출된 행동 시퀀스 간의 유사도를 분석함으로써 정렬된 레퍼런스 모델을 저장할 수 있다.
또한, 상기 성향 분석부는 동일한 입력 조건에서 전문가 지식 데이터 및 다수 사용자의 경험을 기반으로 분석된 경험 데이터를 저장하고 있는 레퍼런스 모델을 기반으로 얻을 수 있는 데이터와 상기 사용자로부터 수집된 라이프 로그의 데이터를 비교하고 유사점과 차이점을 추출함으로써 상기 사용자의 성향을 분석할 수 있다.
또한, 상기 성향 분석부는 상기 수집된 라이프 로그에 포함된 개인별 소셜 네트워크에서의 활동 정보를 분석함으로써 상기 개인별 성향을 분석할 수 있다.
한편, 본 발명의 일 실시예에 따른 라이프 스타일 분석 방법은 로그 수집단계, 레퍼런스 모델 저장단계, 패턴 추출단계, 성향 분석단계 및 개인화 모델 생성단계를 포함한다.
상기 로그 수집단계는 다수 사용자의 라이프 로그를 수집한다. 상기 레퍼런스 모델 저장단계는 상기 수집된 라이프 로그를 기반으로 행동 시퀀스를 분석함으로써 생성된 레퍼런스 모델을 저장한다. 상기 패턴 추출단계는 사용자로부터 실시간 수집되는 라이프 로그를 이용해 상기 저장된 레퍼런스 모델에서 데이터 마이닝함으로써 유사 행동 패턴을 추출한다. 상기 성향 분석단계는 상기 추출된 유사 행동 패턴을 이용하여 사용자의 성향을 분석한다 상기 개인화 모델 생성단계는 상기 분석된 사용자 성향을 기반으로 개인화된 생활습관 모델을 생성한다.
또한, 상기 라이프 로그는 비밀 데이터(Private Data), 공개 데이터(Public Data), 개인 데이터(Personal Data), 익명 데이터(Anonymous Data), 접속 데이터(Connected Data) 및 센서 데이터(Sensor Data) 중에서 적어도 하나를 포함할 수 있다.
또한, 상기 레퍼런스 모델 저장단계는 상기 수집된 라이프 로그에서 상기 행동 시퀀스를 추출하고, 상기 추출된 행동 시퀀스 간의 유사도를 분석하고, 상기 유사도가 높은 행동 시퀀스를 시퀀스 정렬(sequence alignment) 기법을 이용하여 정렬함으로써 상기 유사도가 높은 행동 시퀀스를 트리 형태로 연결된 온톨로지 형태의 레퍼런스 모델로써 저장할 수 있다.
또한, 상기 레퍼런스 모델 저장단계는 기 설정된 시간 내에서 발생되었는지 여부 및 행동 시퀀스에 포함된 정보를 동일 여부 중에서 적어도 하나를 이용하여 상기 추출된 행동 시퀀스 간의 유사도를 분석함으로써 정렬된 레퍼런스 모델을 저장할 수 있다.
또한, 상기 성향 분석단계는 동일한 입력 조건에서 전문가 지식 데이터 및 다수 사용자의 경험을 기반으로 분석된 경험 데이터를 저장하고 있는 레퍼런스 모델을 기반으로 얻을 수 있는 데이터와 상기 사용자로부터 수집된 라이프 로그의 데이터를 비교하고 유사점과 차이점을 추출함으로써 상기 사용자의 성향을 분석할 수 있다.
또한, 상기 성향 분석단계는 상기 수집된 라이프 로그에 포함된 개인별 소셜 네트워크에서의 활동 정보를 분석함으로써 상기 개인별 성향을 분석할 수 있다.
본 발명은 다수 사용자의 라이프 로그를 수집하고, 수집된 라이프 로그를 기반으로 행동 시퀀스를 분석함으로써 생성된 레퍼런스 모델을 저장하고, 사용자로부터 실시간 수집되는 라이프 로그를 이용해 상기 저장된 레퍼런스 모델에서 데이터 마이닝함으로써 유사 행동 패턴을 추출하고, 상기 추출된 유사 행동 패턴을 이용하여 사용자의 성향을 분석하고, 상기 분석된 사용자 성향을 기반으로 개인화된 생활습관 모델을 생성하기 때문에 사용자 또는 전문가가 직접 행동 시퀀스를 설정하지 않아도 수집된 라이프 로그를 이용하여 레퍼런스 모델을 생성할 수 있으며, 시간의 흐름에 따라 쌓여가는 데이터에 따라 적절하게 변경되기 때문에 시간에 따라 진화될 수 있다.
본 발명은 사용자의 성향을 분석할 때 동일한 입력 조건에서 전문가 지식 데이터 및 다수 사용자의 경험을 기반으로 분석된 경험 데이터를 저장하고 있는 레퍼런스 모델을 기반으로 얻을 수 있는 데이터와 상기 사용자로부터 수집된 라이프 로그의 데이터를 비교하고 유사점과 차이점을 추출함으로써 분석하기 때문에, 개인화된 모델을 보다 쉽게 생성할 수 있다.
도 1은 본 발명의 일 실시예에 따른 라이프 스타일 자율 케어 시스템의 구성을 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 일반화된 라이프 스타일 모델링하는 레퍼런스 모델링 장치의 구성을 도시한 도면이다.
도 3은 본 발명의 일 실시예에 따른 개인화된 라이프 스타일 모델링하는 개인화된 모델링 장치의 구성을 도시한 도면이다.
도 4는 본 발명의 일 실시예에 따른 라이프 스타일 자율 케어 시스템에서 라이프 스타일을 관리하는 과정을 도시한 흐름도이다.
도 5는 본 발명의 일 실시예에 따른 레퍼런스 모델링 장치에서 레퍼런스 모델을 생성하는 과정을 도시한 흐름도이다.
도 6은 본 발명의 일 실시예에 따른 개인화된 모델링 장치에서 개인화된 생활습관 모델을 생성하는 과정을 도시한 흐름도이다.
도 7은 본 발명의 일 실시예에 따라 생성된 레퍼런스 모델의 예를 도시한 도면이다.
도 8은 본 발명의 일 실시예에 따른 라이프 스타일 분석 시스템의 구성을 도시한 도면이다.
도 9는 본 발명의 일 실시예에 따른 라이프 스타일 분석 방법의 흐름도이다.
도 10은 본 발명의 일 실시예에 따른 레퍼런스 모델의 생성 예를 도시한 도면이다.
도 11은 본 발명의 일 실시예에 따른 레퍼런스 모델의 또 다른 생성 예를 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 일반화된 라이프 스타일 모델링하는 레퍼런스 모델링 장치의 구성을 도시한 도면이다.
도 3은 본 발명의 일 실시예에 따른 개인화된 라이프 스타일 모델링하는 개인화된 모델링 장치의 구성을 도시한 도면이다.
도 4는 본 발명의 일 실시예에 따른 라이프 스타일 자율 케어 시스템에서 라이프 스타일을 관리하는 과정을 도시한 흐름도이다.
도 5는 본 발명의 일 실시예에 따른 레퍼런스 모델링 장치에서 레퍼런스 모델을 생성하는 과정을 도시한 흐름도이다.
도 6은 본 발명의 일 실시예에 따른 개인화된 모델링 장치에서 개인화된 생활습관 모델을 생성하는 과정을 도시한 흐름도이다.
도 7은 본 발명의 일 실시예에 따라 생성된 레퍼런스 모델의 예를 도시한 도면이다.
도 8은 본 발명의 일 실시예에 따른 라이프 스타일 분석 시스템의 구성을 도시한 도면이다.
도 9는 본 발명의 일 실시예에 따른 라이프 스타일 분석 방법의 흐름도이다.
도 10은 본 발명의 일 실시예에 따른 레퍼런스 모델의 생성 예를 도시한 도면이다.
도 11은 본 발명의 일 실시예에 따른 레퍼런스 모델의 또 다른 생성 예를 도시한 도면이다.
상기 목적 외에 본 발명의 다른 목적 및 특징들은 첨부 도면을 참조한 실시 예에 대한 설명을 통하여 명백히 드러나게 될 것이다.
본 발명의 바람직한 실시예를 첨부된 도면들을 참조하여 상세히 설명한다. 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.
그러나, 본 발명이 실시예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.
이하에서는, 본 발명의 일 실시 예에 따른 라이프 스타일 자율 케어 시스템 및 방법을 첨부된 도 1 내지 도 7을 참조하여 상세히 설명한다.
도 1은 본 발명의 일 실시예에 따른 라이프 스타일 자율 케어 시스템의 구성을 도시한 도면이다.
도 1을 참조하면, 라이프 스타일 자율 케어 시스템(100)은 라이프 로그 수집 장치(110), 레퍼런스 모델링 장치(120), 개인화된 모델링 장치(130) 및 서비스 장치(140)를 포함할 수 있다.
라이프 로그 수집 장치(110)는 비밀 데이터(Private Data) 관리서버(151), 공개 데이터(Public Data) 관리서버(152), 개인용 컴퓨터(153), 스마트 폰(154), 스마트 안경(155), 스마트 시계(157), 자전거(158), 런닝머신(159), 자동차(160) 등과 통신하여 라이프 로그를 수집할 수 있다.
이때, 라이프 로그는 비밀 데이터(Private Data), 공개 데이터(Public Data), 개인 데이터(Personal Data), 익명 데이터(Anonymous Data), 접속 데이터(Connected Data) 및 센서 데이터(Sensor Data) 중에서 적어도 하나를 포함할 수 있다.
여기서, 비밀 데이터(Private Data)는 일정, 주소록, 신용카드 사용내용, 의료기록, 쇼핑 내역, 통화기록, 문자 기록, 은행 거래 기록, 주식 거래 기록, 각종 금융 거래 기록 등이 가능하다.
공개 데이터(Public Data)는 교통정보, 날씨정보, 각종 통계 데이터 등이 가능하다.
개인 데이터(Personal Data)는 즐겨 찾기, 검색기록, SNS(Social Networking Service]) 대화 기록, 다운로드 기록, 블로그 기록 등이 가능하다.
익명 데이터(Anonymous Data)는 SNS에서 이슈화되는 주제 정보(여론의 추이), 뉴스, 실시간 검색어 순위 등이 가능하다.
접속 데이터(Connected Data)는 집 또는 차량 등에 접속한 기록 등이 가능하며, 예를 들어 재실감지, RFID(개인식별, 출입기록), 디지털 도어락, 스마트 가전(이용정보), 홈 네트워크 이용기록, 인터넷 이용기록(Access Point), 차량 네비게이션(이동경로 등), 블랙박스(영상, 음성 기록), 운행기록계(운전시간, 운전패턴 등) 등이 가능하다.
센서 데이터(Sensor Data)는 전용 디바이스, 환경 센서, 스마트 장치, 의료기기, 개인운동기기, 개인 활동량 측정 장치 등을 통해 측정된 데이터가 될 수 있다.
여기서, 전용 디바이스는 칼로리 측정 장치, 자세 측정 정치, 체온계, 스트레스 측정 정치, 구강구취 측정 정치, 음주 측정 정치, 이동거리/속도, GPS기반 위치 측정 정치, 무호흡 측정 정치, 코골이 측정 정치 등이 가능하다.
환경 센서는 온도 측정 센서, 습도 측정 센서, 조도 측정 센서, CCTV(거리, 대중교통, 건물 등), 이산화탄소 측정 센서, 오존량 측정 센서, 일산화탄소 측정 센서, 먼지량 측정 센서, 자외선 측정 센서 등이 가능하다.
스마트 장치는 스마트 폰, 헤드 마운트 디스플레이(Google Glass 등), 스마트 시계(Apple iWatch 등)이 있으며, 스마트 장치를 통해서 어플의 결제내역, 주로 사용하는 어플, 어플의 사용내역, GPS(위치), 기록된 영상, 음성, 사진, 선호하는 음악 등의 데이터를 획득할 수 있다.
의료기기는 전자저울, 체지방 측정장치, 당뇨 측정장치, 심박수 측정장치, 혈압 측정장치 등이 가능하며, 측정되는 데이터가 센서 데이터에 포함될 수 있다.
개인운동기기는 런닝머신, 자전거, 운동화에 부탁되는 센서 등과 같이 운동량을 측정할 수 있는 운동기기 등이 가능하며, 운동기기로부터 측정되는 운동량이 센서 데이터에 포함될 수 있다.
한편, 라이프 로그 수집 장치(110)는 별도의 장치로 구성될 수도 있지만, 레퍼런스 모델링 장치(120) 또는 개인화된 모델링 장치(130)에 포함되어 구성될 수도 있다.
레퍼런스 모델링 장치(120)는 라이프 로그 수집 장치(110)로부터 수집된 라이프 로그를 수신하고, 수집된 라이프 로그를 이용하여 레퍼런스 모델을 생성한다.
이때, 레퍼런스 모델링 장치(120)는 수집된 라이프 로그에서 행동 시퀀스를 추출하고, 추출된 행동 시퀀스 간의 유사도를 분석하고, 시퀀스 정렬(sequence alignment) 기법을 이용하여 행동 시퀀스를 정렬하여 레퍼런스 모델을 생성할 수 있다. 레퍼런스 모델링 장치(120)의 보다 상세한 설명은 이후 도 2를 참조하여 후술한다.
개인화된 모델링 장치(130)는 라이프 로그 수집 장치(110)로부터 수집된 라이프 로그를 수신하고, 수집된 라이프 로그를 이용하여 개인별 성향을 분석하고, 성향 별로 개인화된 생활습관 모델을 생성한다.
개인화된 모델링 장치(130)는 수집된 라이프 로그에서 데이터 마이닝 기법을 이용하여 개인별로 기설정된 횟수 이상 반복되는 행동 패턴을 개인별 행동 시퀀스로 추출하고, 수집된 라이프 로그에 포함된 개인별 소셜 네트워크에서의 활동정보를 분석하여 개인별 성향을 분석하고, 성향이 유사한 사용자의 행동 시퀀스를 연결하여 성향 별로 개인화된 생활습관 모델을 생성할 수 있다. 개인화된 모델링 장치(130)의 보다 상세한 설명은 이후 도 3을 참조하여 후술한다.
레퍼런스 모델링 장치(120)에서 레퍼런스 모델링 장치(120)에서 생성된 레퍼런스 모델과 개인화된 모델링 장치(130)에서 생성된 개인화된 생활습관 모델은 라이프 로그가 많이 쌓이면 쌓일수록 보다 정확해지는 경향을 가진다. 따라서, 레퍼런스 모델과 개인화된 생활습관 모델은 시간이 지나면서 시대에 따라 달라질 수 있는 행동 시퀀스를 자동적으로 반영하기 때문에 시간에 따라 진화되어 간다.
한편, 레퍼런스 모델링 장치(120)에서 레퍼런스 모델링 장치(120)에서 생성된 레퍼런스 모델과 개인화된 모델링 장치(130)에서 생성된 개인화된 생활습관 모델은 서비스를 위해 하나로 융합되어 서비스 장치(140)로 제공될 수도 있다.
서비스 장치(140)는 레퍼런스 모델링 장치(120)로부터 수신하는 레퍼런스 모델과 개인화된 모델링 장치(130)로부터 수신하는 개인화된 생활습관 모델을 이용하여 수집되는 사용자의 현재 정보를 근거로 발생 가능한 사용자의 행동을 추정하고, 추정된 사용자의 행동이 사용자의 건강에 좋지 못한 영향을 주는지 확인한다.
확인결과 추정된 사용자의 행동이 사용자의 건강에 좋지 못한 영향을 주는 경우, 서비스 장치(140)는 추정된 사용자의 행동을 회피하도록 사용자를 유도할 수 있다. 이때, 서비스 장치(140)는 추정된 사용자의 행동을 회피하도록 하는 방법으로 직접적인 방법과 간접적인 방법을 사용할 수 있다.
직접적인 방법은 발생 가능한 사용자의 행동을 사용자에게 송신하여 사용자가 발생 가능한 행동을 직접 인지하고 회피할 수 있도록 하는 방법이다.
간접적인 방법은 어너브트루시브(unobtrusive) 기법으로 사용자에게 어떤 행동을 지시하여 사전에 사용자의 행동이 발생하지 않도록 회피시키는 방법이다. 따라서, 간접적인 방법의 경우 사용자는 발생 가능한 행동을 인지하지 못하도록 할 수 있다.
예를 들어, 어떤 사용자의 개인화된 생활습관 모델을 확인해보니 기분이 나쁠 때, 집에 돌아가는 중에 위치한 고기집에서 고기를 폭식하는 행동 시퀀스를 가진고 있는 경우, 사용자의 현재 상태가 기분 나쁜 상태이고, 퇴근 중이고, 현재 사용자의 체중이 비만이면, 사용자에게 고기집이 없는 다른 경로를 추천함으로써 고기를 폭식하는 행동을 회피하도록 유도할 수 있다.
또한, 사용자가 꽃 길을 걸을 때 기분이 좋아지는 행동 시퀀스를 추가로 가지고 있는 경우, 꽃 길을 경유하는 퇴근 경로 사용자에게 제공하여 사용자의 기분이 바뀌도록 유도할 수도 있다.
도 2는 본 발명의 일 실시예에 따른 일반화된 라이프 스타일 모델링하는 레퍼런스 모델링 장치의 구성을 도시한 도면이다.
도 2를 참조하면, 레퍼런스 모델링 장치(120)는 제어부(210), 로그 수집부(212), 행동 시퀀스 획득부(214), 유사도 분석부(216), 레퍼런스 모델 생성부(218), 통신부(220) 및 저장부(230)를 포함할 수 있다.
통신부(220)는 수신기(Receiver)와 송신기(transmitter)를 포함하는 통신 인터페이스 장치로서 유선 또는 무선으로 데이터를 송수신한다. 통신부(220)는 라이프 로그 수집 장치(110), 서비스 장치(140) 및 레퍼런스 모델 데이터베이스(170)와 통신할 수 있고, 라이프 로그를 제공하는 장치들과 직접 통신하여 라이프 로그를 수신할 수도 있다.
저장부(230)는 레퍼런스 모델링 장치(120)의 전반적인 동작을 제어하기 위한 운영체제, 응용 프로그램 등을 저장하고, 또한 본 발명에 따라 수집된 라이프 로그와 생성된 레퍼런스 모델을 저장할 수 있다. 이때, 저장부(230)는 플래시 메모리, 하드 디스크 드라이브 등을 포함하는 스토리지 디바이스일 수 있다.
로그 수집부(212)는 라이프 로그를 수집하거나 또는 라이프 로그 수집 장치(110)에서 수집된 라이프 로그를 통신부(220)를 통해 수신할 수도 있다.
행동 시퀀스 획득부(214)는 수집된 라이프 로그에서 행동 시퀀스를 추출한다.
보다 상세히 설명하면, 행동 시퀀스 획득부(214)는 데이터 마이닝 기법을 이용하여 수집된 라이프 로그에서 자극사상, 인지, 정서, 행동 및 결과 중에서 적어도 하나를 가지는 행동 시퀀스를 추출한다. 이때, 자극사상, 인지, 정서, 행동 및 결과를 가지는 행동 시퀀스는 아래 <표 1>의 예와 같이 표현될 수 있다.
[표 1]
행동 시퀀스 획득부(214)는 수집된 라이프 로그에서 행동 시퀀스를 추출할 수도 있지만, 사용자 또는 전문가(심리학자 등)로부터 행동 시퀀스를 수신할 수도 있다.
유사도 분석부(216)는 행동 시퀀스 획득부(214)를 통해 획득된 행동 시퀀스 간의 유사도를 분석한다.
보다 상세히 설명하면, 유사도 분석부(216)는 기설정된 시간 내에서 발생되었는지 여부 및 행동 시퀀스에 포함된 정보를 동일 여부 중에서 적어도 하나를 이용하여 추출된 행동 시퀀스 간의 유사도를 평가할 수 있다.
레퍼런스 모델 생성부(218)는 시퀀스 정렬(sequence alignment) 기법을 이용하여 행동 시퀀스를 정렬하여 레퍼런스 모델을 생성한다.
보다 상세히 설명하면, 레퍼런스 모델 생성부(218)는 추출된 행동 시퀀스의 유사도를 이용하여 유사도가 높은 행동 시퀀스를 트리 형태로 연결하여 온톨로지 형태의 레퍼런스 모델을 생성할 수 있다.
도 7은 본 발명의 일 실시예에 따라 생성된 레퍼런스 모델의 예를 도시한 도면이다.
도 7은 상기 <표 1>의 행동 시퀀스를 레퍼런스 모델로 생성한 예로 도 7을 참조하면 레퍼런스 모델은 트리 형태의 온톨로지 모델로 구성됨을 확인할 수 있다.
레퍼런스 모델 생성부(218)에서 적용하는 시퀀스 정렬 기법은 바이오 인포 매틱스 분야에서 염기 서열의 유사도 분석에 주로 사용되는 기법으로 본 발명에서는 아래 <표 2>와 같이 변형하여 적용할 수 있다.
[표 2]
제어부(210)는 레퍼런스 모델링 장치(120)의 전반적인 동작을 제어할 수 있다. 그리고, 제어부(210)는 로그 수집부(212), 행동 시퀀스 획득부(214), 유사도 분석부(216) 및 레퍼런스 모델 생성부(218)의 기능을 수행할 수 있다. 제어부(210), 로그 수집부(212), 행동 시퀀스 획득부(214), 유사도 분석부(216) 및 레퍼런스 모델 생성부(218)를 구분하여 도시한 것은 각 기능들을 구별하여 설명하기 위함이다. 따라서 제어부(210)는 로그 수집부(212), 행동 시퀀스 획득부(214), 유사도 분석부(216) 및 레퍼런스 모델 생성부(218) 각각의 기능을 수행하도록 구성된(configured) 적어도 하나의 프로세서를 포함할 수 있다. 또한, 제어부(210)는 로그 수집부(212), 행동 시퀀스 획득부(214), 유사도 분석부(216) 및 레퍼런스 모델 생성부(218) 각각의 기능 중 일부를 수행하도록 구성된(configured) 적어도 하나의 프로세서를 포함할 수 있다.
도 3은 본 발명의 일 실시예에 따른 개인화된 라이프 스타일 모델링하는 개인화된 모델링 장치의 구성을 도시한 도면이다.
도 3을 참조하면, 개인화된 모델링 장치(130)는 제어부(310), 로그 수집부(312), 행동 시퀀스 획득부(314), 성향 분석부(316), 생활습관 모델 생성부(318), 통신부(320) 및 저장부(330)를 포함할 수 있다.
통신부(320)는 수신기(Receiver)와 송신기(transmitter)를 포함하는 통신 인터페이스 장치로서 유선 또는 무선으로 데이터를 송수신한다. 통신부(320)는 라이프 로그 수집 장치(110), 서비스 장치(140) 및 생활습관 모델 데이터베이스(180)와 통신할 수 있고, 라이프 로그를 제공하는 장치들과 직접 통신하여 라이프 로그를 수신할 수도 있다.
저장부(330)는 개인화된 모델링 장치(130)의 전반적인 동작을 제어하기 위한 운영체제, 응용 프로그램 등을 저장하고, 또한 본 발명에 따라 수집된 라이프 로그와 생성된 개인화된 생활습관 모델을 저장할 수 있다. 이때, 저장부(330)는 플래시 메모리, 하드 디스크 드라이브 등을 포함하는 스토리지 디바이스일 수 있다.
로그 수집부(312)는 라이프 로그를 수집하거나 또는 라이프 로그 수집 장치(110)에서 수집된 라이프 로그를 통신부(320)를 통해 수신할 수도 있다.
행동 시퀀스 획득부(314)는 수집된 라이프 로그에서 개인별 행동 시퀀스를 추출한다. 보다 상세히 설명하면, 행동 시퀀스 획득부(314)는 데이터 마이닝 기법을 이용하여 수집된 라이프 로그에서 개인별로 기설정된 횟수 이상 반복되는 행동 패턴을 검색하여 개인별 행동 시퀀스로 추출할 수 있다.
한편, 행동 시퀀스 획득부(314)는 수집된 라이프 로그에서 행동 시퀀스를 추출할 수도 있지만, 사용자 또는 전문가로부터 행동 시퀀스를 수신할 수도 있다.
성향 분석부(316)는 수집된 라이프 로그를 이용하여 개인별 성향을 분석한다. 보다 상세히 설명하면, 성향 분석부(316)는 수집된 라이프 로그에 포함된 개인별 소셜 네트워크에서의 활동정보에서 각 개인의 관심사, 취향, 식습관, 활동성 등을 파악하여 개인별 성향을 분석한다. 이때, 소셜 네트워크에서의 활동정보는 소셜 네트워크의 접속 횟수, 방문하는 대상, 등록된 친구의 수, 올린 글의 횟수, 답변횟수, 올린 글의 문맥분석 등을 포함할 수 있다.
행동 시퀀스 획득부(314)와 성형 분석부(316)는 대용량의 라이프 로그를 분석하기 위하여 분산 컴퓨팅 기술인 Hadoop, MapReduce 기술을 이용할 수 있다. 즉, 행동 시퀀스 획득부(314)와 성형 분석부(316)는 Hadoop 시스템을 통하여 개인의 행동 시퀀스를 저장 및 관리하고, MapReduce를 통하여 분석 기술을 분산 처리할 수도 있다.
생활습관 모델 생성부(318)는 성향이 유사한 사용자의 행동 시퀀스를 연결하여 성향 별로 개인화된 생활습관 모델을 생성한다.
보다 상세히 설명하면, 생활습관 모델 생성부(318)는 성향이 유사한 사용자의 행동 시퀀스들 간의 유사도를 분석하고, 유사도가 높은 행동 시퀀스를 트리 형태로 연결하여 온톨로지 형태의 개인화된 생활습관 모델을 성향 별로 생성할 수 있다.
한편, 개인이 자신의 결정이나 행동에 대하여 특정한 휴리스틱을 사용하며, 이 휴리스틱을 이용하여 개인 생활습관 모델의 적합성 검증이 필요하다.
개인 생활습관 모델의 적합성 검증은 심리학, 생리학자들이 이미 고안한 개인의 휴리스틱을 사용하여 각 개인의 휴리스틱을 파악하고, 개인의 휴리스틱 파악을 위한 방법으로 설문 조사 등을 이용하여 개인의 휴리스틱과 개인 생활습관 모델의 적합성을 확인할 수 있다.
그리고, 사용자의 개인 생활습관 모델과 휴리스틱간의 연관성을 파악하고, 휴리스틱을 바탕으로 개인 생활습관 모델의 적합성을 판정(심리학, 생리학자와 연계)하고, 휴리스틱을 분석하여 개인 생활습관 모델을 재조정할 수 있다.
하지만, 사용자 또는 전문가의 개입을 최소화하는 방안으로 기존 축적된 행동 시퀀스와 개인 생활습관 모델을 통하여 개인의 휴리스틱을 추정하고, 동일하거나 유사한 휴리스틱을 가진 사용자의 행동 시퀀스를 검색하여 개인 생활습관 모델간의 유사 패턴을 도출하여 개인 생활습관 모델의 적합성 검증하는 방법이 바람직하겠다.
제어부(310)는 개인화된 모델링 장치(130)의 전반적인 동작을 제어할 수 있다. 그리고, 제어부(310)는 로그 수집부(312), 행동 시퀀스 획득부(314), 성향 분석부(316) 및 생활습관 모델 생성부(318)의 기능을 수행할 수 있다. 제어부(310), 로그 수집부(312), 행동 시퀀스 획득부(314), 성향 분석부(316) 및 생활습관 모델 생성부(318)를 구분하여 도시한 것은 각 기능들을 구별하여 설명하기 위함이다. 따라서 제어부(310)는 로그 수집부(312), 행동 시퀀스 획득부(314), 성향 분석부(316) 및 생활습관 모델 생성부(318) 각각의 기능을 수행하도록 구성된(configured) 적어도 하나의 프로세서를 포함할 수 있다. 또한, 제어부(310)는 로그 수집부(312), 행동 시퀀스 획득부(314), 성향 분석부(316) 및 생활습관 모델 생성부(318) 각각의 기능 중 일부를 수행하도록 구성된(configured) 적어도 하나의 프로세서를 포함할 수 있다.
이하, 상기와 같이 구성된 본 발명에 따른 라이프 스타일 자율 케어 시스템에서 라이프 스타일을 관리하는 방법을 아래에서 도면을 참조하여 설명한다.
도 4는 본 발명의 일 실시예에 따른 라이프 스타일 자율 케어 시스템에서 라이프 스타일을 관리하는 과정을 도시한 흐름도이다.
도 4를 참조하면, 라이프 스타일 자율 케어 시스템(100)은 비밀 데이터(Private Data), 공개 데이터(Public Data), 개인 데이터(Personal Data), 익명 데이터(Anonymous Data), 접속 데이터(Connected Data) 및 센서 데이터(Sensor Data) 중에서 적어도 하나를 포함하는 라이프 로그를 수집한다(S410).
그리고, 라이프 스타일 자율 케어 시스템(100)은 수집된 라이프 로그를 이용하여 레퍼런스 모델을 생성한다(S412). 이때, 라이프 스타일 자율 케어 시스템(100)은 수집된 라이프 로그에서 행동 시퀀스를 추출하고, 추출된 행동 시퀀스 간의 유사도를 분석하고, 시퀀스 정렬(sequence alignment) 기법을 이용하여 행동 시퀀스를 정렬하여 레퍼런스 모델을 생성할 수 있다. 레퍼런스 모델을 생성하는 보다 상세한 설명은 이후 도 5를 참조하여 후술한다.
그리고, 라이프 스타일 자율 케어 시스템(100)은 수집된 라이프 로그를 이용하여 개인별 성향을 분석하고, 성향 별로 개인화된 생활습관 모델을 생성한다(S414).
이때, 라이프 스타일 자율 케어 시스템(100)은 데이터 마이닝 기법을 이용하여 수집된 라이프 로그에서 개인별로 기설정된 횟수 이상 반복되는 행동 패턴을 개인별 행동 시퀀스로 추출하고, 수집된 라이프 로그에 포함된 개인별 소셜 네트워크에서의 활동정보를 분석하여 개인별 성향을 분석하고, 성향이 유사한 사용자의 행동 시퀀스를 연결하여 성향 별로 개인화된 생활습관 모델을 생성할 수 있다. 개인화된 생활습관 모델을 생성하는 보다 상세한 설명은 이후 도 6을 참조하여 후술한다.
그리고, 라이프 스타일 자율 케어 시스템(100)은 레퍼런스 모델과 개인화된 생활습관 모델에 수집되는 사용자의 현재 정보를 반영하여 발생 가능한 사용자의 행동을 추정한다(S416).
그리고, 라이프 스타일 자율 케어 시스템(100)은 추정된 사용자의 행동이 사용자의 건강에 좋지 못한 영향을 주는지 확인한다(S418).
S418단계의 확인결과 추정된 사용자의 행동이 사용자의 건강에 좋지 못한 영향을 주는 경우, 라이프 스타일 자율 케어 시스템(100)은 추정된 사용자의 행동을 회피하도록 사용자를 유도한다(S420).
이때, 라이프 스타일 자율 케어 시스템(100)은 추정된 사용자의 행동을 회피하도록 사용자를 유도하기 위해 발생 가능한 사용자의 행동을 사용자에게 송신하거나 또는 사용자에게 어떤 행동을 지시하여 사전에 사용자의 행동이 발생하지 않도록 할 수 있다.
도 5는 본 발명의 일 실시예에 따른 레퍼런스 모델링 장치에서 레퍼런스 모델을 생성하는 과정을 도시한 흐름도이다.
도 5를 참조하면, 레퍼런스 모델링 장치(120)는 비밀 데이터(Private Data), 공개 데이터(Public Data), 개인 데이터(Personal Data), 익명 데이터(Anonymous Data), 접속 데이터(Connected Data) 및 센서 데이터(Sensor Data) 중에서 적어도 하나를 포함하는 라이프 로그를 수집한다(S510).
그리고, 레퍼런스 모델링 장치(120)는 수집된 라이프 로그에서 행동 시퀀스를 추출한다(S520). 이때, 레퍼런스 모델링 장치(120)는 데이터 마이닝 기법을 이용하여 수집된 라이프 로그에서 자극사상, 인지, 정서, 행동 및 결과 중에서 적어도 하나를 가지는 행동 시퀀스를 추출할 수 있다.
그리고, 레퍼런스 모델링 장치(120)는 추출된 행동 시퀀스 간의 유사도를 분석한다(S530). 이때, 레퍼런스 모델링 장치(120)는 기설정된 시간 내에서 발생되었는지 여부 및 행동 시퀀스에 포함된 정보를 동일 여부 중에서 적어도 하나를 이용하여 추출된 행동 시퀀스 간의 유사도를 평가하여 분석할 수 있다.
그리고, 레퍼런스 모델링 장치(120)는 시퀀스 정렬(sequence alignment) 기법을 이용하여 행동 시퀀스를 정렬하여 레퍼런스 모델을 생성한다(S540). 이때, 레퍼런스 모델링 장치(120)는 추출된 행동 시퀀스의 유사도를 이용하여 유사도가 높은 행동 시퀀스를 트리 형태로 연결하여 온톨로지 형태의 레퍼런스 모델을 생성할 수 있다.
도 6은 본 발명의 일 실시예에 따른 개인화된 모델링 장치에서 개인화된 생활습관 모델을 생성하는 과정을 도시한 흐름도이다.
도 6을 참조하면, 개인화된 모델링 장치(130)는 비밀 데이터(Private Data), 공개 데이터(Public Data), 개인 데이터(Personal Data), 익명 데이터(Anonymous Data), 접속 데이터(Connected Data) 및 센서 데이터(Sensor Data) 중에서 적어도 하나를 포함하는 라이프 로그를 수집한다(S610).
그리고, 개인화된 모델링 장치(130)는 수집된 라이프 로그에서 개인별 행동 시퀀스를 추출한다(S620). 이때, 개인화된 모델링 장치(130)는 데이터 마이닝 기법을 이용하여 수집된 라이프 로그에서 개인별로 기설정된 횟수 이상 반복되는 행동 패턴을 개인별 행동 시퀀스로 추출할 수 있다.
그리고, 개인화된 모델링 장치(130)는 수집된 라이프 로그를 이용하여 개인별 성향을 분석한다(S630). 이때, 개인화된 모델링 장치(130)는 수집된 라이프 로그에 포함된 개인별 소셜 네트워크에서의 활동정보를 분석하여 개인별 성향을 분석할 수 있다.
그리고, 개인화된 모델링 장치(130)는 성향이 유사한 사용자의 행동 시퀀스를 연결하여 성향 별로 개인화된 생활습관 모델을 생성한다(S640). 이때, 개인화된 모델링 장치(130)는 성향이 유사한 사용자의 행동 시퀀스들 간의 유사도를 분석하고, 유사도가 높은 행동 시퀀스를 트리 형태로 연결하여 온톨로지 형태의 개인화된 생활습관 모델을 성향 별로 생성할 수 있다.
도 8은 본 발명의 일 실시예에 따른 라이프 스타일 분석 시스템의 구성을 도시한 도면이다.
설명에 앞서, 도8의 라이프 스타일 분석 시스템(800)은 도1에 도시된 본 발명의 일 실시예에 따른 라이프 스타일 자율 케어 시스템(100)에 일부 포함된 시스템일 수 있다.
또한, 본 발명은 지금까지 설명한 일 실시예에 따르면 레퍼런스 모델을 생성하는 과정 및 개인화된 생활습관 모델을 생성하는 과정이 수집된 라이프 로그를 이용함으로써 각각의 모델을 독립적으로, 혹은 병렬적으로 생성하지만, 도8에 도시된 라이프 스타일 분석 시스템에서는 개인화된 생활습관 모델 생성 시 레퍼런스 모델을 참고함으로써 생성할 수 있는 것을 특징으로 한다.
도8을 참조하면, 본 발명의 일 실시예에 따른 라이프 스타일 분석 시스템(800)은 로그 수집부(810), 레퍼런스 모델 저장부(820), 패턴 추출부(830), 성향 분석부(840) 및 개인화 모델 생성부(850)를 포함한다.
로그 수집부(810)는 다수 사용자의 라이프 로그를 수집하며, 라이프 로그 수집 장치(110)가 비밀 데이터(Private Data) 관리서버(151), 공개 데이터(Public Data) 관리서버(152), 개인용 컴퓨터(153), 스마트 폰(154), 스마트 안경(155), 스마트 시계(157), 자전거(158), 런닝머신(159), 자동차(160) 등과 통신함으로써 라이프 로그를 수집한다.
이때, 라이프 로그는 비밀 데이터(Private Data), 공개 데이터(Public Data), 개인 데이터(Personal Data), 익명 데이터(Anonymous Data), 접속 데이터(Connected Data) 및 센서 데이터(Sensor Data) 중에서 적어도 하나를 포함할 수 있으며, 이에 대한 더 자세한 설명은 상기에 설명했으므로 이하 생략하기로 한다.
레퍼런스 모델 저장부(820)는 로그 수집부(810)에 수집된 라이프 로그를 기반으로 행동 시퀀스를 분석함으로써 생성된 레퍼런스 모델을 저장한다.
이때, 레퍼런스 모델 저장부(820)는 로그 수집부(810)에 수집된 라이프 로그에서 상기 행동 시퀀스를 추출하고, 상기 추출된 행동 시퀀스 간의 유사도를 분석하고, 상기 유사도가 높은 행동 시퀀스를 시퀀스 정렬(sequence alignment) 기법을 이용하여 정렬함으로써 상기 유사도가 높은 행동 시퀀스를 트리 형태로 연결된 온톨로지 형태의 레퍼런스 모델로써 저장할 수 있다.
또한, 레퍼런스 모델 저장부(820)는 기 설정된 시간 내에서 발생되었는지 여부 및 행동 시퀀스에 포함된 정보를 동일 여부 중에서 적어도 하나를 이용하여 상기 추출된 행동 시퀀스 간의 유사도를 분석함으로써 정렬된 레퍼런스 모델을 저장할 수 있다.
레퍼런스 모델 저장부(820)는 상기에 설명한 도2의 레퍼런스 모델링 장치(120)로부터 생성된 레퍼런스 모델을 저장할 수 있다. 이때, 레퍼런스 모델링 장치(120)에서 레퍼런스 모델이 생성되는 과정은 상기에 도2를 참조하여 자세히 설명하였으므로, 이를 참조하도록 한다.
또한, 도 7은 본 발명의 일 실시예에 따라 생성된 레퍼런스 모델의 예를 도시한 도면이다. 이에 대한 더 자세한 설명은 상기에 설명했으므로 이하 생략하기로 한다.
또한, 도 10은 본 발명의 일 실시예에 따른 레퍼런스 모델의 생성 예를 도시한 도면으로, 이는 도2의 설명을 참조로 하여 간단히 설명하기로 한다.
도 10을 참조하면, 레퍼런스 모델 저장부(820)는 데이터 마이닝 기법을 이용하여 수집된 라이프 로그에서 자극사상, 인지, 정서, 행동 및 결과 중에서 적어도 하나를 가지는 행동 시퀀스를 추출한다. 이때, 자극사상, 인지, 정서, 행동 및 결과를 가지는 행동 시퀀스는 도 10(a)와 같이 표현될 수 있다. 그리고 레퍼런스 모델 저장부(820)는 상기 행동 시퀀스를 이용하여 유사도를 분석함으로써, 도 10(b)와 같이 유사도가 높은 행동 시퀀스를 트리 형태의 온톨로지 모델로 구성하고, 이를 기반으로 도 10(c)과 같이 인덱싱 노드(indexing nodes)의 형태로 레퍼런스 모델을 저장한다.
레퍼런스 모델이 생성되는 과정에서 적용되는 시퀀스 정렬 기법은 바이오 인포 매틱스 분야에서 염기 서열의 유사도 분석에 주로 사용되는 기법으로 상기의 <표 2>와 같이 변형하여 적용될 수 있음은 앞에서 설명한 바와 같다.
본 발명의 실시예에 따라서는, 도 10(c)와 같이 인덱싱 노드는 변형된 염기 서열 정보의 염기 서열 문자로 인덱싱하여 저장될 수도 있다.
한편, 라이프 로그 수집 장치(110)는 별도의 장치로 구성될 수도 있지만, 레퍼런스 모델링 장치(120)에 포함되어 구성될 수도 있다.
패턴 추출부(830)는 사용자로부터 실시간 수집되는 라이프 로그를 이용해 개인화된 모델을 생성하기 위함으로써, 상기 실시간 수집된 사용자의 라이프 로그를 상기 다수 사용자의 라이프 로그가 저장된 레퍼런스 모델에서 데이터 마이닝함으로써 유사 행동 패턴을 추출한다.
이때, 추출되는 유사 행동 패턴은 전문가 지식 데이터 또는 다수 사용자의 경험을 기반으로 분석된 경험 데이터를 포함하고 있는 레퍼런스 모델 저장부(820)에서 추출된다.
성향 분석부(840)는 패턴 추출부(830)에서 추출된 유사 행동 패턴을 이용하여 사용자의 성향을 분석한다.
이때, 성향 분석부(840)는 동일한 입력 조건에서 전문가 지식 데이터 및 다수 사용자의 경험을 기반으로 분석된 경험 데이터를 저장하고 있는 레퍼런스 모델을 기반으로 얻을 수 있는 데이터와 상기 사용자로부터 수집된 라이프 로그의 데이터를 비교하고 유사점과 차이점을 추출함으로써 상기 사용자의 성향을 분석한다.
또한, 성향 분석부(840)는 로그 수집부(810)에 수집된 라이프 로그에 포함된 개인별 소셜 네트워크에서의 활동 정보를 이용함으로서 개인별 성향을 분석할 수도 있다.
개인화 모델 생성부(850)는 성향 분석부(840)에서 분석된 사용자 성향을 기반으로 개인화된 생활습관 모델을 생성한다.
사용자로부터 수집된 라이프 로그는 다수 사용자들의 라이프 로그 정보를 기반으로 생성된 레퍼런스 모델, 즉 일반화된 모델과 유사한 데이터 일수도 있고, 또는 확연히 다른 데이터일 수도 있다.
따라서, 개인화 모델 생성부(850)는 레퍼런스 모델과 유사한 데이터와 확연히 다른 데이터를 구분함으로써, 개인화된 생활습관 모델을 생성한다.
또한, 개인화 모델 생성부(850)는 레퍼런스 모델과 다른 데이터를 개인화된 생활습관 모델로써 모델링 할 수 있고, 상기 모델링된 개인화된 데이터는 레퍼런스 모델로써 레퍼런스 모델 저장부(820)에 저장될 수 있다.
따라서 레퍼런스 모델 저장부(820)는 시간이 지남에 따라 개인화된 데이터를 피드백하여 추가로 저장함으로써, 즉, 개인화된 데이터를 일반화함으로써 레퍼런스 모델을 계속 확장시켜 나갈 수 있다.
또한, 개인화 모델 생성부(850)는 상기 도3에 도시된 개인화된 모델 장치(130)를 이용하여 개인화 모델을 생성할 수도 있으며, 성향이 유사한 사용자의 행동 시퀀스들 간의 유사도를 분석하고, 유사도가 높은 행동 시퀀스를 트리 형태로 연결하여 온톨로지 형태의 개인화된 생활습관 모델을 성향 별로 생성할 수 있다. 이에 대한 더 자세한 설명은 상기에 설명되어 있으므로 이하 설명은 생략하기로 한다.
도 9는 본 발명의 일 실시예에 따른 라이프 스타일 분석 방법의 흐름도이다. 이는 도 8의 설명을 기반으로 간략히 설명하기로 한다.
도 9를 참조하면, 단계S910은 다수 사용자의 라이프 로그를 수집하는 단계로, 로그 수집부(810)는 다수 사용자의 라이프 로그를 수집하며, 라이프 로그 수집 장치(110)가 비밀 데이터(Private Data) 관리서버(151), 공개 데이터(Public Data) 관리서버(152), 개인용 컴퓨터(153), 스마트 폰(154), 스마트 안경(155), 스마트 시계(157), 자전거(158), 런닝머신(159), 자동차(160) 등과 통신함으로써 라이프 로그를 수집한다.
이때, 라이프 로그는 비밀 데이터(Private Data), 공개 데이터(Public Data), 개인 데이터(Personal Data), 익명 데이터(Anonymous Data), 접속 데이터(Connected Data) 및 센서 데이터(Sensor Data) 중에서 적어도 하나를 포함할 수 있으며, 이에 대한 더 자세한 설명은 상기에 설명했으므로 이하 생략하기로 한다.
단계S920은 레퍼런스 모델을 저장하는 단계로, 레퍼런스 모델 저장부(820)는 로그 수집부(810)에 수집된 라이프 로그를 기반으로 행동 시퀀스를 분석함으로써 생성된 레퍼런스 모델을 저장한다.
이때, 레퍼런스 모델 저장부(820)는 로그 수집부(810)에 수집된 라이프 로그에서 상기 행동 시퀀스를 추출하고, 상기 추출된 행동 시퀀스 간의 유사도를 분석하고, 상기 유사도가 높은 행동 시퀀스를 시퀀스 정렬(sequence alignment) 기법을 이용하여 정렬함으로써 상기 유사도가 높은 행동 시퀀스를 트리 형태로 연결된 온톨로지 형태의 레퍼런스 모델로써 저장할 수 있다.
레퍼런스 모델 저장부(820)는 상기에 설명한 도2의 레퍼런스 모델링 장치(120)로부터 생성된 레퍼런스 모델을 저장할 수 있다. 이때, 레퍼런스 모델링 장치(120)에서 레퍼런스 모델이 생성되는 과정은 상기에 도2를 참조하여 자세히 설명하였으므로, 이를 참조하도록 한다.
도 11은 본 발명의 일 실시예에 따른 레퍼런스 모델의 또 다른 생성 예를 도시한 도면이다.
도 11을 참조하면, 레퍼런스 모델이 생성되는 과정은 다음과 같다. 로그 수집부(810)에 수집된 다수 사용자의 라이프 로그 데이터를 프로세싱하여 사용자의 행동을 인덱싱 하고(a), 인덱싱된 데이터를 마이닝하여 데이터의 상관관계를 도출한다(b). 이를 바탕으로 일반적인 레퍼런스 시퀀스를 추출하고(c), 데이터를 적절하게 확장함으로써 일반화된 라이프 스타일 모델을 생성한다(d). 상기 생성된 일반화된 라이프 스타일 모델이 레퍼런스 모델이며, 상기 레퍼런스 모델은 라이프 스타일 뱅크, 즉 레퍼런스 모델의 저장소에 저장된다. 다시 말해, 라이프 스타일 뱅크는 레퍼런스 모델 저장부(820)와 상응한다.
또한, 레퍼런스 모델 저장부(820)는 사용자로부터 피드백된 정보를 저장할 수도 있다. 따라서 레퍼런스 모델 저장부(820)는 시간이 지나면서 시대에 따라 달라질 수 있는 행동 시퀀스를 자동적으로 반영하기 때문에 시간에 따라 진화된다.
단계S930은 유사 행동 패턴을 추출하는 단계로, 패턴 추출부(830)는 사용자로부터 실시간 수집되는 라이프 로그를 이용해 개인화된 모델을 생성하기 위함으로써, 상기 실시간 수집된 사용자의 라이프 로그를 상기 다수 사용자의 라이프 로그가 저장된 레퍼런스 모델에서 데이터 마이닝함으로써 유사 행동 패턴을 추출한다.
이때, 추출되는 유사 행동 패턴은 전문가 지식 데이터 또는 다수 사용자의 경험을 기반으로 분석된 경험 데이터를 포함하고 있는 레퍼런스 모델 저장부(820)에서 추출된다.
단계S940은 사용자의 성향을 분석하는 단계로, 성향 분석부(840)는 패턴 추출부(830)에서 추출된 유사 행동 패턴을 이용하여 사용자의 성향을 분석한다.
이때, 성향 분석부(840)는 동일한 입력 조건에서 전문가 지식 데이터 및 다수 사용자의 경험을 기반으로 분석된 경험 데이터를 저장하고 있는 레퍼런스 모델을 기반으로 얻을 수 있는 데이터와 상기 사용자로부터 수집된 라이프 로그의 데이터를 비교하고 유사점과 차이점을 추출함으로써 상기 사용자의 성향을 분석한다.
또한, 성향 분석부(840)는 로그 수집부(810)에 수집된 라이프 로그에 포함된 개인별 소셜 네트워크에서의 활동 정보를 이용함으로서 개인별 성향을 분석할 수도 있다.
단계S950은 개인화된 생활습관 모델을 생성하는 단계로, 개인화 모델 생성부(850)는 성향 분석부(840)에서 분석된 사용자 성향을 기반으로 개인화된 생활습관 모델을 생성한다.
사용자로부터 수집된 라이프 로그는 다수 사용자들의 라이프 로그 정보를 기반으로 생성된 레퍼런스 모델, 즉 일반화된 모델과 유사한 데이터 일수도 있고, 또는 확연히 다른 데이터일 수도 있다.
따라서, 개인화 모델 생성부(850)는 레퍼런스 모델과 유사한 데이터와 확연히 다른 데이터를 구분함으로써, 개인화된 생활습관 모델을 생성한다.
또한, 개인화 모델 생성부(850)는 상기 도3에 도시된 개인화된 모델 장치(130)를 이용하여 개인화 모델을 생성할 수도 있으며, 성향이 유사한 사용자의 행동 시퀀스들 간의 유사도를 분석하고, 유사도가 높은 행동 시퀀스를 트리 형태로 연결하여 온톨로지 형태의 개인화된 생활습관 모델을 성향 별로 생성할 수 있다.
또한, 개인화 모델 생성부(850)는 레퍼런스 모델과 다른 데이터를 개인화된 생활습관 모델로써 모델링 할 수 있고, 상기 모델링된 개인화된 데이터는 레퍼런스 모델로써 레퍼런스 모델 저장부(820)에 저장될 수 있다.
따라서 레퍼런스 모델 저장부(820)는 시간이 지남에 따라 개인화된 데이터를 피드백하여 추가로 저장함으로써, 즉, 개인화된 데이터를 일반화함으로써 레퍼런스 모델을 계속 확장시켜 나갈 수 있다.
개인화된 생활습관 모델은 레퍼런스 모델과 상이한, 특수한 개인에 대한 생활습관 모델을 의미한다. 예를 들어 특정 자극, 특정 동기요인에 대한 반응이 복수의 레퍼런스 모델들 중 어느 것으로부터도 일정 범위 이상 벗어나 있거나 복수의 레퍼런스 모델들 중 어느 것으로도 설명되기 어려운 경우에 개인화된 생활습관 모델을 형성할 수 있다. 이러한 개인화된 생활습관 모델이 축적됨에 따라, 개별적으로 생성된 개인화된 생활습관 모델들 중 서로 유사도가 높은 모델들이 도출될 수 있다. 이렇게 도출된 복수의 개인화된 생활습관 모델들의 출현 빈도, 인과관계의 재현 확률 등을 고려하여 새로운 레퍼런스 모델이 도출될 수도 있다.
본 발명의 일 실시 예에 따른 라이프 스타일 분석 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 본 발명에서는 구체적인 구성 요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.
따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.
Claims (13)
- 다수 사용자의 라이프 로그를 수집하는 로그 수집부;
상기 수집된 라이프 로그를 기반으로 행동 시퀀스를 분석함으로써 생성된 레퍼런스 모델을 저장하는 레퍼런스 모델 저장부;
사용자로부터 실시간 수집되는 라이프 로그를 이용해 상기 저장된 레퍼런스 모델에서 데이터 마이닝함으로써 유사 행동 패턴을 추출하는 패턴 추출부;
상기 추출된 유사 행동 패턴을 이용하여 사용자의 성향을 분석하는 성향 분석부; 및
상기 분석된 사용자 성향을 기반으로 개인화된 생활습관 모델을 생성하는 개인화 모델 생성부;
를 포함하는 라이프 스타일 분석 시스템. - 제1항에 있어서,
상기 라이프 로그는,
비밀 데이터(Private Data), 공개 데이터(Public Data), 개인 데이터(Personal Data), 익명 데이터(Anonymous Data), 접속 데이터(Connected Data) 및 센서 데이터(Sensor Data) 중에서 적어도 하나
를 포함하는 라이프 스타일 분석 시스템. - 제1항에 있어서,
상기 레퍼런스 모델 저장부는
상기 수집된 라이프 로그에서 상기 행동 시퀀스를 추출하고, 상기 추출된 행동 시퀀스 간의 유사도를 분석하고, 상기 유사도가 높은 행동 시퀀스를 시퀀스 정렬(sequence alignment) 기법을 이용하여 정렬함으로써 상기 유사도가 높은 행동 시퀀스를 트리 형태로 연결된 온톨로지 형태의 레퍼런스 모델로써 저장하는
라이프 스타일 분석 시스템. - 제3항에 있어서,
상기 레퍼런스 모델 저장부는
기 설정된 시간 내에서 발생되었는지 여부 및 행동 시퀀스에 포함된 정보를 동일 여부 중에서 적어도 하나를 이용하여 상기 추출된 행동 시퀀스 간의 유사도를 분석함으로써 정렬된 레퍼런스 모델을 저장하는
라이프 스타일 분석 시스템. - 제1항에 있어서,
상기 성향 분석부는
동일한 입력 조건에서 전문가 지식 데이터 및 다수 사용자의 경험을 기반으로 분석된 경험 데이터를 저장하고 있는 레퍼런스 모델을 기반으로 얻을 수 있는 데이터와 상기 사용자로부터 수집된 라이프 로그의 데이터를 비교하고 유사점과 차이점을 추출함으로써 상기 사용자의 성향을 분석하는
라이프 스타일 분석 시스템. - 제1항에 있어서,
상기 성향 분석부는
상기 수집된 라이프 로그에 포함된 개인별 소셜 네트워크에서의 활동 정보를 분석함으로써 상기 개인별 성향을 분석하는
라이프 스타일 분석 시스템. - 다수 사용자의 라이프 로그를 수집하는 로그 수집단계;
상기 수집된 라이프 로그를 기반으로 행동 시퀀스를 분석함으로써 생성된 레퍼런스 모델을 저장하는 레퍼런스 모델 저장단계;
사용자로부터 실시간 수집되는 라이프 로그를 이용해 상기 저장된 레퍼런스 모델에서 데이터 마이닝함으로써 유사 행동 패턴을 추출하는 패턴 추출단계;
상기 추출된 유사 행동 패턴을 이용하여 사용자의 성향을 분석하는 성향 분석단계; 및
상기 분석된 사용자 성향을 기반으로 개인화된 생활습관 모델을 생성하는 개인화 모델 생성단계;
를 포함하는 라이프 스타일 분석 방법. - 제7항에 있어서,
상기 라이프 로그는,
비밀 데이터(Private Data), 공개 데이터(Public Data), 개인 데이터(Personal Data), 익명 데이터(Anonymous Data), 접속 데이터(Connected Data) 및 센서 데이터(Sensor Data) 중에서 적어도 하나
를 포함하는 라이프 스타일 분석 방법. - 제7항에 있어서,
상기 레퍼런스 모델 저장단계는
상기 수집된 라이프 로그에서 상기 행동 시퀀스를 추출하고, 상기 추출된 행동 시퀀스 간의 유사도를 분석하고, 상기 유사도가 높은 행동 시퀀스를 시퀀스 정렬(sequence alignment) 기법을 이용하여 정렬함으로써 상기 유사도가 높은 행동 시퀀스를 트리 형태로 연결된 온톨로지 형태의 레퍼런스 모델로써 저장하는
라이프 스타일 분석 방법. - 제9항에 있어서,
상기 레퍼런스 모델 저장단계는
기 설정된 시간 내에서 발생되었는지 여부 및 행동 시퀀스에 포함된 정보를 동일 여부 중에서 적어도 하나를 이용하여 상기 추출된 행동 시퀀스 간의 유사도를 분석함으로써 정렬된 레퍼런스 모델을 저장하는
라이프 스타일 분석 방법. - 제7항에 있어서,
상기 성향 분석단계는
동일한 입력 조건에서 전문가 지식 데이터 및 다수 사용자의 경험을 기반으로 분석된 경험 데이터를 저장하고 있는 레퍼런스 모델을 기반으로 얻을 수 있는 데이터와 상기 사용자로부터 수집된 라이프 로그의 데이터를 비교하고 유사점과 차이점을 추출함으로써 상기 사용자의 성향을 분석하는
라이프 스타일 분석 방법. - 제7항에 있어서,
상기 성향 분석단계는
상기 수집된 라이프 로그에 포함된 개인별 소셜 네트워크에서의 활동 정보를 분석함으로써 상기 개인별 성향을 분석하는
라이프 스타일 분석 방법. - 제7항 내지 제12항 중 어느 한 항의 방법을 실행하기 위한 프로그램이 기록되어 있는 것을 특징으로 하는 판독 가능한 기록 매체.
Priority Applications (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020130072846A KR101562247B1 (ko) | 2013-06-25 | 2013-06-25 | 라이프 스타일 분석 시스템 및 방법 |
| US14/901,561 US20160371454A1 (en) | 2013-06-25 | 2014-06-25 | Lifestyle analysis system and method |
| PCT/KR2014/005621 WO2014209005A1 (ko) | 2013-06-25 | 2014-06-25 | 라이프 스타일 분석 시스템 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020130072846A KR101562247B1 (ko) | 2013-06-25 | 2013-06-25 | 라이프 스타일 분석 시스템 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20150000591A true KR20150000591A (ko) | 2015-01-05 |
| KR101562247B1 KR101562247B1 (ko) | 2015-10-23 |
Family
ID=52142263
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020130072846A KR101562247B1 (ko) | 2013-06-25 | 2013-06-25 | 라이프 스타일 분석 시스템 및 방법 |
Country Status (3)
| Country | Link |
|---|---|
| US (1) | US20160371454A1 (ko) |
| KR (1) | KR101562247B1 (ko) |
| WO (1) | WO2014209005A1 (ko) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180020847A (ko) * | 2016-08-19 | 2018-02-28 | 아주대학교산학협력단 | 라이프로그 데이터의 유사도 산출 방법 및 장치 |
Families Citing this family (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170178024A1 (en) * | 2015-12-22 | 2017-06-22 | Luis S. Kida | Unsupervised personalization service based on subject similarity modeling |
| US10977345B2 (en) * | 2017-02-17 | 2021-04-13 | TwoSesnse, Inc. | Authentication session extension using ephemeral behavior detection |
| US10679012B1 (en) | 2019-04-18 | 2020-06-09 | Capital One Services, Llc | Techniques to add smart device information to machine learning for increased context |
| KR102190446B1 (ko) * | 2020-04-16 | 2020-12-11 | 주식회사 에이티에이엠 | Tv 시청 데이터와 바이오 데이터를 융합한 헬스케어 시스템 |
| CN112511971B (zh) * | 2020-11-26 | 2022-08-16 | 西安建筑科技大学 | 一种基于手机信令数据的出行方式识别方法 |
Family Cites Families (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7369680B2 (en) * | 2001-09-27 | 2008-05-06 | Koninklijke Phhilips Electronics N.V. | Method and apparatus for detecting an event based on patterns of behavior |
| US7899764B2 (en) * | 2007-02-16 | 2011-03-01 | Siemens Aktiengesellschaft | Medical ontologies for machine learning and decision support |
| KR20090095000A (ko) * | 2008-03-04 | 2009-09-09 | 주식회사 비엔에스웍스 | 상황 적응적 서비스를 제공할 수 있는 라이프 스타일 관리시스템 및 그 방법 |
| KR101030989B1 (ko) * | 2008-05-23 | 2011-04-25 | 주식회사 센서웨이 | 라이프 케어 시스템 |
| JP5365199B2 (ja) * | 2009-01-06 | 2013-12-11 | ソニー株式会社 | ライフスタイルを評価するための方法、情報処理装置及びプログラム |
| US8303500B2 (en) | 2009-08-21 | 2012-11-06 | Fazal Raheman | Prescription zero: a non-pharmaceutical prescription device for prescribing, administering, monitoring, measuring and motivating a therapeutic lifestyle regimen for prevention and treatment of chronic diseases |
| KR101202700B1 (ko) * | 2010-10-29 | 2012-11-19 | 아주대학교산학협력단 | 라이프 케어 서비스 제공 시스템 |
| US20120221345A1 (en) * | 2011-02-24 | 2012-08-30 | Mcclure Douglas J | Helping people with their health |
| US20120278095A1 (en) * | 2011-04-28 | 2012-11-01 | Tiatros Inc. | System and method for creating and managing therapeutic treatment protocols within trusted health-user communities |
| US20130086163A1 (en) * | 2011-10-04 | 2013-04-04 | Siemens Medical Solutions Usa, Inc. | Healthcare Information System Interface Supporting Social Media and Related Applications |
-
2013
- 2013-06-25 KR KR1020130072846A patent/KR101562247B1/ko active IP Right Grant
-
2014
- 2014-06-25 US US14/901,561 patent/US20160371454A1/en not_active Abandoned
- 2014-06-25 WO PCT/KR2014/005621 patent/WO2014209005A1/ko active Application Filing
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20180020847A (ko) * | 2016-08-19 | 2018-02-28 | 아주대학교산학협력단 | 라이프로그 데이터의 유사도 산출 방법 및 장치 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR101562247B1 (ko) | 2015-10-23 |
| US20160371454A1 (en) | 2016-12-22 |
| WO2014209005A1 (ko) | 2014-12-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| KR20150000921A (ko) | 라이프 스타일 서비스 디자인 시스템 및 방법 | |
| KR102162522B1 (ko) | 맞춤형 의료 정보 제공 장치 및 방법 | |
| KR101562247B1 (ko) | 라이프 스타일 분석 시스템 및 방법 | |
| US10261947B2 (en) | Determining a cause of inaccuracy in predicted affective response | |
| US9955902B2 (en) | Notifying a user about a cause of emotional imbalance | |
| US10198505B2 (en) | Personalized experience scores based on measurements of affective response | |
| Hussain et al. | Exploring the dominant features of social media for depression detection | |
| Wang et al. | Mining user-generated content in an online smoking cessation community to identify smoking status: a machine learning approach | |
| US20190108191A1 (en) | Affective response-based recommendation of a repeated experience | |
| CN102933136A (zh) | 利用网络服务的精神状态分析 | |
| KR101575886B1 (ko) | 개인화된 라이프 스타일 모델링 장치 및 방법 | |
| Yousefian Jazi et al. | An emotion-aware music recommender system: bridging the user’s interaction and music recommendation | |
| KR20150000590A (ko) | 라이프스타일 데이터 관리 시스템 및 방법 | |
| US20190261863A1 (en) | System and method for providing an indication of the well-being of an individual | |
| KR20210052122A (ko) | 사용자 맞춤형 식품 정보 서비스 제공 시스템 및 그 방법 | |
| CN109659009A (zh) | 情绪管理方法、装置及电子设备 | |
| KR20170080551A (ko) | 라이프스타일 데이터 관리 시스템 및 방법 | |
| Alhamid et al. | Leveraging biosignal and collaborative filtering for context-aware recommendation | |
| KR101612782B1 (ko) | 사용자 독서 관리 시스템 및 방법 | |
| KR20160037861A (ko) | 라이프스타일 데이터 관리 시스템 및 방법 | |
| KR20160055749A (ko) | 라이프 스타일 서비스 디자인 시스템 및 방법 | |
| KR102616189B1 (ko) | 정신건강의학 관련 심리 상태 데이터 수집 및 환자 상태 분류 방법, 장치 및 시스템 | |
| CN106485083B (zh) | 家庭用户体征数据监控方法 | |
| KR20140147168A (ko) | 개인화된 라이프 스타일 모델링 장치 및 방법 | |
| KR20140146748A (ko) | 라이프 스타일 자율 케어 시스템 및 방법 |
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 | ||
| FPAY | Annual fee payment |
Payment date: 20181002 Year of fee payment: 4 |
|
| FPAY | Annual fee payment |
Payment date: 20191008 Year of fee payment: 5 |