WO2022191413A1 - 심박수 예측 모델을 제공하는 전자 장치 및 그 동작 방법 - Google Patents
심박수 예측 모델을 제공하는 전자 장치 및 그 동작 방법 Download PDFInfo
- Publication number
- WO2022191413A1 WO2022191413A1 PCT/KR2022/000916 KR2022000916W WO2022191413A1 WO 2022191413 A1 WO2022191413 A1 WO 2022191413A1 KR 2022000916 W KR2022000916 W KR 2022000916W WO 2022191413 A1 WO2022191413 A1 WO 2022191413A1
- Authority
- WO
- WIPO (PCT)
- Prior art keywords
- heart rate
- sensor
- electronic device
- data
- rate value
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 230000000694 effects Effects 0.000 claims abstract description 71
- 230000015654 memory Effects 0.000 claims abstract description 49
- 230000004044 response Effects 0.000 claims abstract description 19
- 238000004891 communication Methods 0.000 claims description 58
- QVGXLLKOCUKJST-UHFFFAOYSA-N atomic oxygen Chemical compound [O] QVGXLLKOCUKJST-UHFFFAOYSA-N 0.000 claims description 49
- 229910052760 oxygen Inorganic materials 0.000 claims description 49
- 239000001301 oxygen Substances 0.000 claims description 49
- 230000001133 acceleration Effects 0.000 claims description 17
- 230000036284 oxygen consumption Effects 0.000 claims description 4
- 230000003287 optical effect Effects 0.000 claims description 3
- 238000012549 training Methods 0.000 description 14
- 238000012545 processing Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 230000006870 function Effects 0.000 description 10
- 230000033001 locomotion Effects 0.000 description 9
- 238000013528 artificial neural network Methods 0.000 description 8
- 238000005516 engineering process Methods 0.000 description 7
- 230000036541 health Effects 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000004590 computer program Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 4
- 230000000007 visual effect Effects 0.000 description 4
- 238000009532 heart rate measurement Methods 0.000 description 3
- 230000036772 blood pressure Effects 0.000 description 2
- 210000004204 blood vessel Anatomy 0.000 description 2
- 230000002802 cardiorespiratory effect Effects 0.000 description 2
- 238000013527 convolutional neural network Methods 0.000 description 2
- 238000000537 electroencephalography Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000002093 peripheral effect Effects 0.000 description 2
- 239000002096 quantum dot Substances 0.000 description 2
- 230000000306 recurrent effect Effects 0.000 description 2
- 230000029058 respiratory gaseous exchange Effects 0.000 description 2
- 210000003423 ankle Anatomy 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000008280 blood Substances 0.000 description 1
- 210000004369 blood Anatomy 0.000 description 1
- 230000017531 blood circulation Effects 0.000 description 1
- 230000010267 cellular communication Effects 0.000 description 1
- 230000001413 cellular effect Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000002565 electrocardiography Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000003155 kinesthetic effect Effects 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000000638 stimulation Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 239000000758 substrate Substances 0.000 description 1
- 238000010897 surface acoustic wave method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02438—Detecting, measuring or recording pulse rate or heart rate with portable devices, e.g. worn by the patient
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/02416—Detecting, measuring or recording pulse rate or heart rate using photoplethysmograph signals, e.g. generated by infrared radiation
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/02—Detecting, measuring or recording pulse, heart rate, blood pressure or blood flow; Combined pulse/heart-rate/blood pressure determination; Evaluating a cardiovascular condition not otherwise provided for, e.g. using combinations of techniques provided for in this group with electrocardiography or electroauscultation; Heart catheters for measuring blood pressure
- A61B5/024—Detecting, measuring or recording pulse rate or heart rate
- A61B5/0245—Detecting, measuring or recording pulse rate or heart rate by using sensing means generating electric signals, i.e. ECG signals
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1116—Determining posture transitions
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
- A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
- A61B5/6802—Sensor mounted on worn items
- A61B5/681—Wristwatch-type devices
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
- A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
- A61B5/721—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts using a separate sensor to detect motion or using motion information derived from signals other than the physiological signal to be measured
-
- 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
- A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
- A61B5/7207—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts
- A61B5/7214—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal of noise induced by motion artifacts using signal cancellation, e.g. based on input of two identical physiological sensors spaced apart, or based on two signals derived from the same sensor, for different optical wavelengths
Definitions
- the present disclosure relates to an electronic device that provides a heart rate prediction model and a method of operating the same.
- the wearable electronic device Since the wearable electronic device is worn on the user's body, it is advantageous to obtain a biosignal from the user's body. Accordingly, a wearable electronic device to which various sensors are applied has been developed.
- various sensors such as a biosensor, a motion sensor, a chemical sensor, a temperature sensor, or a position sensor may be provided in the wearable electronic device.
- the biosensor includes a biosignal sensor such as a photoplethysmogram (PPG) sensor, an electrocardiogram (ECG) sensor, or a ballistocardiogram (BCG) sensor.
- PPG photoplethysmogram
- ECG electrocardiogram
- BCG ballistocardiogram
- the motion sensor includes an acceleration sensor or a gyroscope, and may detect a movement of the wearable electronic device.
- the biosignal measured by the sensors provided in the wearable electronic device includes information related to the user's health, such as heart rate, respiration, stress level, or blood pressure. can be used to support mobile healthcare to users.
- biosignal sensors disposed in the wearable electronic device may extract data related to a user's health through biosignals obtained by a noninvasive method. Accordingly, various types of biosignal sensors may have different signal quality factors due to the degree of close contact with the user's body or various external factors. That is, if the accuracy of the signal is lowered, the reliability of the user's health-related data obtained through the biosignal may be lowered.
- Various embodiments disclosed in this document may provide a method for providing accurate heart rate data regardless of the accuracy of various types of biosignal sensors disposed in a wearable electronic device, and a wearable electronic device including the same.
- a first sensor for detecting a biosignal for obtaining biometric data
- a second sensor for outputting a signal for obtaining activity data
- a memory and the first sensor
- the second sensor and at least one processor electrically connected to the memory, wherein the at least one processor acquires the biometric data of the user based on a first signal detected using the first sensor, It is determined whether a signal quality value of the first signal detected by using the first sensor corresponds to a first range, and in response to the signal accuracy value included in the first range, the biometric data is retrieved.
- a second heart rate value may be obtained, and heart rate data including at least one of the first heart rate value and the second heart rate value may be output.
- the method comprises: acquiring user's biometric data based on a first signal detected using the first sensor; operation, determining a signal quality value of a biosignal detected by using the first sensor, and determining a first heart rate value using the biometric data in response to the signal accuracy value included in a first range obtaining, in response to the signal accuracy value included in a second range, obtaining a second heart rate value using a first heart rate prediction model generated based on preset user information, biometric data, or activity data and outputting heart rate data including at least one of the first heart rate value and the second heart rate value.
- the biosignal sensor disposed in the wearable electronic device can provide relatively accurate heart rate data.
- the wearable electronic device divides and outputs data extracted from a user wearing the wearable electronic device through a biosignal sensor and data learned according to a heart rate prediction model, so that the user can use the biosignal sensor It is possible to distinguish and recognize the data extracted through the and the data learned according to the heart rate prediction model.
- FIG. 1 is a diagram illustrating exercise by mounting a wearable electronic device on a part of a body, according to an exemplary embodiment.
- FIG. 2 is a perspective view of a wearable electronic device, according to an embodiment.
- FIG. 3 is a block diagram of a wearable electronic device, according to an embodiment.
- FIG. 4 is a block diagram illustrating a learning operation of the wearable electronic device for acquiring a learned heart rate, according to an embodiment.
- FIG. 5 is a block diagram illustrating a learning operation of the wearable electronic device for acquiring a learned heart rate, according to another exemplary embodiment.
- 6A is a flowchart illustrating a method of generating a first heart rate prediction model, according to an exemplary embodiment.
- 6B is a flowchart illustrating a method of acquiring heart rate data through a wearable electronic device, according to an exemplary embodiment.
- 6C is a flowchart illustrating a method of generating a second heart rate prediction model, according to an embodiment.
- 6D is a flowchart illustrating a method of acquiring heart rate data through a wearable electronic device, according to another exemplary embodiment.
- FIG. 7 illustrates a relationship between activity data (eg, velocity) of subjects having different maximum oxygen intakes (VO 2 Max) and heart rates, according to an exemplary embodiment.
- activity data eg, velocity
- VO 2 Max maximum oxygen intakes
- FIG. 8 illustrates a relationship between activity data (eg, speed) of a subject having a first maximum oxygen intake (VO 2 Max) and heart rate, according to an embodiment.
- activity data eg, speed
- VO 2 Max first maximum oxygen intake
- activity data eg, activity type
- VO 2 Max maximum oxygen intakes
- FIG. 10 illustrates a relationship between activity data (eg, steps per second) and heart rate of subjects having different maximum oxygen intakes (VO 2 Max), according to an exemplary embodiment.
- activity data eg, steps per second
- VO 2 Max maximum oxygen intakes
- FIG. 11 illustrates a screen output to a display of a wearable electronic device, according to an embodiment.
- FIG. 12 illustrates screens output to displays of an external electronic device and a wearable electronic device, according to another exemplary embodiment.
- FIG. 13 is a block diagram of an electronic device in a network environment, according to various embodiments of the present disclosure.
- FIG. 1 is a diagram illustrating an exercise by mounting a wearable electronic device 100 on a part of a user's body, according to an exemplary embodiment.
- the wearable electronic device 100 of FIG. 1 may include a smart watch as shown.
- the present invention is not limited thereto, and the wearable electronic device 100 may be a device of various types that can be used while being attached to a user's body.
- the wearable electronic device 100 may be worn on various body parts of the user according to the shape and/or size of the wearable electronic device 100 .
- the wearable electronic device 100 may be attached to the user's head, arm, waist, leg, back of hand, or finger.
- the wearable electronic device 100 may acquire motion data such as the number of steps per second, speed, or acceleration of the user through a motion sensor (eg, the second sensor 330 of FIG. 3 ).
- a motion sensor eg, the second sensor 330 of FIG. 3
- the wearable electronic device 100 uses a user's heart rate, electrodermal activity (EDA), electrocardiography (ECG), maximum Biometric data 402 such as oxygen intake (VO 2 Max), blood flow, and/or oxygen saturation (SpO 2 ) may be acquired.
- EDA electrodermal activity
- ECG electrocardiography
- maximum Biometric data 402 such as oxygen intake (VO 2 Max), blood flow, and/or oxygen saturation (SpO 2 ) may be acquired.
- VO 2 Max oxygen intake
- SpO 2 oxygen saturation
- FIG. 2 is a perspective view of the wearable electronic device 100 according to an embodiment.
- the wearable electronic device 100 may include a housing 110 , a display 120 , a strap 130 , and/or a sensor module 210 .
- the wearable electronic device 100 may omit at least one of the illustrated components or additionally include other components.
- the housing 110 may include an upper surface, a lower surface, and a side portion surrounding a space between the upper surface and the lower surface.
- the display 120 may be visually exposed through one area of the housing 110 .
- the sensor module 210 may be disposed inside the wearable electronic device 100 , and may be detected from the user's body part adjacent to the housing 110 . It may include one or more hardware components for obtaining biometric information.
- the sensor module 210 may include a photoplethysmogram (PPG) sensor, an electroencephalography (ECG) sensor, or a combination thereof.
- PPG photoplethysmogram
- ECG electroencephalography
- the sensor module 210 includes at least one light emitting unit 211 , at least a portion of which is exposed to the outside through the housing 110 , and at least one light receiving unit corresponding to the at least one light emitting unit 211 . (receiver) 212 .
- the light emitting unit 211 may include at least one light emitting module (eg, a light emitting diode (LED) and/or a laser diode (LD)) that generates light.
- at least one light emitting module included in the light emitting unit 211 may not overlap with wavelength bands set for each light emitting module.
- the wavelength bands may include an infrared (IR) wavelength band that is a wavelength band of about 780 nm or more and a visible light wavelength band that is a wavelength band of about 380 nm to less than about 750 nm.
- the light receiving unit 212 may include at least one light receiving module (eg, a photo diode (PD)) that receives the light corresponding to the light emitting unit 211 .
- the user's biometric information obtained by the sensor module 210 may include more than necessary sensor values indicating the user's health status.
- the display 120 may be controlled by the wearable electronic device 100 (eg, the processor 310 of FIG. 3 ) to provide a visual user interface (UI) to the user.
- the wearable electronic device 100 eg, the processor 310 of FIG. 3
- UI visual user interface
- the strap 130 may be connected to at least a part of the housing 110 , and the wearable electronic device 100 may be detachably attached to a part of the user's body (eg, a wrist and/or an ankle). In one example, the user of the wearable electronic device 100 may adjust the strap to increase the degree of adhesion.
- the above-described structure of the wearable electronic device 100 is exemplary, and in various examples, the wearable electronic device 100 may be implemented differently from FIG. 2 , and the wearable electronic device 100 measures biometric data disclosed in this document. It may have various shapes and/or structures to carry out the method for
- FIG. 3 is a block diagram of the wearable electronic device 100 according to an embodiment.
- the wearable electronic device 100 may include a processor 310 , a first sensor 320 , a second sensor 330 , and/or a memory 340 .
- the wearable electronic device 100 includes additional components (eg, the display 120 and/or the communication module 350 of FIG. 2 ) in addition to the components illustrated in FIG. 3 , or illustrated in FIG. 3 . At least one of the listed components may be omitted.
- the processor 310 may execute an operation or data processing related to control and/or communication of at least one other component of the wearable electronic device 100 using instructions stored in the memory 340 .
- the processor 310 includes a central processing unit (CPU), a graphics processing unit (GPU), a micro controller unit (MCU), a sensor hub, a supplementary processor, a communication processor, and an application processor. It may include at least one of an application processor, an application specific integrated circuit (ASIC), and field programmable gate arrays (FPGA), and may have a plurality of cores.
- the processor 310 may acquire data related to the user's health through the first sensor 320 .
- the first sensor 320 may include at least one biosensor for measuring the heart rate of the user.
- the first sensor 320 may correspond to the sensor module 210 of FIG. 2 .
- the first sensor 320 is a biosignal sensor, and may include a photoplethysmogram (PPG) sensor, an electroencephalography (ECG) sensor, or a combination thereof.
- the processor 310 may control the light emitting unit (eg, the light emitting unit 211 of FIG. 2 ) and/or the light receiving unit (eg, the light receiving unit 212 of FIG. 2 ) included in the first sensor 320 .
- the processor 310 may include a sensor driver controller that directly controls the first sensor 320 and an analog to digital converter (ADC).
- ADC analog to digital converter
- the processor 310 may drive at least one LED and/or LD of the light emitting unit 211 .
- the processor 310 may process (eg, amplify and/or filter) the signal sensed by the light receiver 212 .
- the processor 310 may convert a current signal sensed through the light receiving unit 212 into a voltage signal, and convert the processed voltage signal into a digital signal.
- the processor 310 may acquire data related to the user's activity through the second sensor 330 .
- the second sensor 330 may include at least one of an acceleration sensor, a gyroscope sensor, a barometer sensor, and a magnetic sensor.
- the processor 310 is configured to determine the number of steps per second (step-frequency) of the user, the user's speed, and the user's acceleration based on the acceleration information, the location information, and/or the time information obtained through the second sensor 330 .
- Information and/or activity information of the user eg, sleep, exercise, and/or work
- the memory 340 may be operatively coupled to the processor 310 to store one or more instructions input to the processor 310 and data used by the processor 310 .
- the memory 340 is a volatile memory such as static random access memory (SRAM) or dynamic RAM (DRAM), or magnetoresistive RAM (MRAM), spin-transfer torque MRAM (STT-MRAM), phase-change RAM (PRAM), and RRAM (RRAM). Resistive RAM) and ferroelectric RAM (FeRAM), as well as flash memory, eMMC (Embedded Multi Media Card), and may include at least one of non-volatile memory such as a solid state drive (SSD).
- One or more instructions and data related to memory 340 or processor 310 may relate to measuring and/or predicting a heart rate of a user.
- the display 120 may be controlled by the processor 310 to provide a user with a visual user interface (UI).
- UI visual user interface
- the display 120 may be configured by a user using at least one of organic light emitting diodes (OLEDs), liquid crystal displays (LCDs), light emitting diodes (LEDs), quantum dots (QDs), or micro LEDs ( ⁇ LEDs). information can be displayed visually.
- the UI output through the display 120 may include at least a portion of a visual element or a visual object related to a user's heart rate value (HR value, heart rate value).
- a touch sensor panel disposed on the display 120 may be included so that the user can more intuitively control the UI output on the display 120 .
- the touch sensor panel touches the display 120 or hovers on the display 120 using at least one of a resistive film, capacitive components, a surface acoustic wave, or infrared. It is possible to detect a position of an object (eg, a user's finger, a stylus, etc.).
- FIG. 4 is a block diagram illustrating a learning operation of the wearable electronic device 100 for acquiring a learned heart rate, according to an embodiment.
- the processor 310 may obtain training data 430 input to the first heart rate prediction model 410 .
- the processor 310 may obtain the training data 430 from the first sensor 320 , the second sensor 330 , and/or the memory 340 .
- the training data 430 may include data used for training the first heart rate prediction model 410 .
- the learning data 430 may include at least one of biometric data 402 , activity data 403 , and user information 404 .
- the processor 310 predicts via a first heart rate prediction model 410 utilizing training data 430 including biometric data 402 , activity data 403 and/or user information 404 . heart rate data can be obtained.
- the biometric data 402 included in the learning data 430 may be acquired through the first sensor 320 .
- the first sensor 320 may include a PPG sensor and/or an ECG sensor.
- the processor 310 may receive biometric data using the first sensor 320 .
- the first sensor 320 is the The amount may be detected by the light receiving unit 212 to receive biometric data.
- the biometric data may include biometric waveform data including data on a rate of change of blood flowing through a blood vessel due to a user's heartbeat. Using the measured data, the user's blood pressure, respiration, and/or heart rate can be saved
- the biometric data obtained by using the first sensor 320 is dependent on the accuracy (quality factor) of the first sensor 320 and/or external environmental factors (eg, the measurement posture and/or temperature of the user). Depending on the measurement accuracy may vary.
- the activity data 403 included in the learning data 430 may be acquired through the second sensor 330 .
- the second sensor 330 may include at least one of an acceleration sensor, a gyroscope sensor, a barometer sensor, and a magnetic sensor.
- the processor 310 may receive activity data using the second sensor 330 .
- the activity data may include data on the user's exercise speed, exercise acceleration, exercise distance, steps per second, and/or user's activity type.
- the type of activity performed by the user of the wearable electronic device 100 may be determined through a sensor that detects a human movement, such as an acceleration sensor or a gyro sensor.
- the wearable electronic device 100 may determine the user's activity type (eg, a sleep state or an exercise state) and obtain information on a time and location at which the user's activity was performed.
- the processor 310 simultaneously measures the biometric data 402 obtainable by the first sensor 320 and the activity data 403 obtainable by the second sensor 330 , or at separate time points. Biometric data 402 and activity data 403 may be measured respectively. For example, the activity data 403 may be measured simultaneously with the biometric data 402 , measured prior to measuring the biometric data 402 , or measured in response to the measurement of the biometric data 402 .
- the user information 404 included in the learning data 430 may be obtained by a user input.
- the memory 340 may store user information 404 input by a user input.
- the user information 404 may include at least one of a user's gender, age, height, or weight.
- the processor 310 pre-processes the training data 430 obtained before applying the training data 430 to the first heart rate prediction model 410 or data to be used for training among a plurality of data. can be selected.
- the processor 310 may process the training data 430 into a set format, filter it, or add/remove noise to process the training data 430 into a form suitable for learning.
- the processor 310 may measure the quality (eg, signal to noise ratio (SNR)) of the first sensor 320 to determine the accuracy of the first sensor 320 . .
- the processor 310 may determine that it has a high reliability index.
- the user of the wearable electronic device 100 may obtain a relatively accurate first heart rate value 401 .
- the first heart rate value 401 may include a heart rate value for the user of the wearable electronic device 100 obtained through the first sensor 320 .
- the processor 310 may acquire, through the second sensor 330 , activity data 403 for the user of the wearable electronic device 100 in the same time interval corresponding to the first heart rate value 401 . can
- the processor 310 acquires the first sensor 320
- One first heart rate value 401 may be output through the display 120 .
- the processor 310 determines that the signal-to-noise ratio of the first sensor 320 is within a second range out of the specified first range, the processor 310 has a low reliability index (reliability index). can do.
- the predicted second heart rate value 411 may be obtained using the first heart rate prediction model 410 .
- the processor 310 may input the training data 430 into the first heart rate prediction model 410 .
- the processor 310 may output a second heart rate value 411 corresponding to a heart rate value learned through the first heart rate prediction model 410 .
- the processor 310 determines that the first sensor 320 has a low reliability index and thus the accuracy of the first sensor 320 is not good, the processor 310 performs the display 120 through the display 120 .
- a message regarding the accuracy determination result of the first sensor 320 and a message regarding the heart rate value provided according to the accuracy determination result of the first sensor 320 may be output.
- a message output according to the accuracy determination of the first sensor 320 will be described in detail with reference to FIGS. 11 to 12 described later.
- the first heart rate prediction model may include an algorithm model such as long short-term memory (LSTM), but is not limited thereto.
- LSTM long short-term memory
- the processor 310 when the signal-to-noise ratio of the first sensor 320 is within a specified first range, the processor 310 is configured to generate the biometric data 402 and the second sensor 330 acquired through the first sensor 320 . ), the first heart rate prediction model 410 may be updated using the activity data 403 obtained through the .
- the processor 310 is based on the biometric data 402 obtained through the first sensor 320 , the activity data 403 obtained through the second sensor 330 , and user information 404 .
- the maximum oxygen intake (VO 2 Max) can be estimated.
- the maximum oxygen intake is one of the indicators of cardiorespiratory fitness, and may mean the maximum oxygen intake capacity that can be achieved by increasing an individual's exercise intensity.
- a significant difference may be indicated. For example, the maximum oxygen intake for men may be higher than for women.
- the processor 310 learns the second heart rate value 411 by applying the maximum oxygen intake and learning data 430 obtained based on the activity data 403 to the first heart rate prediction model 410 . can do it.
- the first heart rate prediction model 410 estimates the connection between the activity data 403 and the user information 404 included in the training data 430 and a heart rate value, and the second heart rate predicted A value 411 may be provided.
- the memory 340 may store data on the maximum oxygen intake that can be obtained based on the training data 430 and the activity data 403 for learning the first heart rate prediction model 410 .
- FIG. 5 is a block diagram illustrating a learning operation of the wearable electronic device 100 for acquiring a learned heart rate, according to another exemplary embodiment.
- the wearable electronic device 100 may include a first heart rate prediction model 410 and a second heart rate prediction model 420 .
- the user's maximum oxygen intake (VO 2 Max) is stored in the memory 340 by the user's input, or the maximum oxygen intake (VO 2 Max) is stored by learning the first heart rate prediction model 410 . can be saved.
- the processor 310 may acquire the third heart rate value 421 through learning through the second heart rate prediction model 420 . .
- the processor 310 uses the maximum oxygen intake stored in the memory 340, the activity data 403 included in the training data 430, and the user information 404 through regression analysis as a second heart rate prediction model.
- a third heart rate value 421 corresponding to the learned heart rate value by applying to 420 may be output.
- the second heart rate prediction model 420 estimates the connection between the maximum oxygen intake stored in the memory 340, the activity data 403, and the user information 404 and the heart rate value, and a third heart rate value ( 421) can be provided.
- the processor 310 may measure the quality (eg, signal to noise ratio (SNR)) of the first sensor 320 to determine the accuracy of the first sensor 320 . .
- SNR signal to noise ratio
- the processor 310 determines that the accuracy of the first sensor 320 is not good, the second heart rate value 411 and the second heart rate prediction model estimated through the first heart rate prediction model 410 .
- a fourth heart rate value 431 may be derived from the third heart rate value 421 estimated through 420 .
- the processor 310 converts the fourth heart rate value 431 into the first heart rate prediction model 410 and the second heart rate prediction model 420 .
- ) may be obtained through the average value of the first heart rate prediction model 410 and the second heart rate prediction model 420 in consideration of the number of measurements.
- the processor 310 may obtain the fourth heart rate value 431 through Equation 1 .
- 6A is a flowchart illustrating a method of generating a first heart rate prediction model 410 according to an exemplary embodiment.
- each operation may be sequentially performed, but is not necessarily performed sequentially.
- the order of each operation may be changed, and at least two operations may be performed in parallel.
- the wearable electronic device 100 eg, the processor 310 of FIG. 3 . performs the user's biometric data ( 402) can be obtained.
- the processor 310 may acquire biometric data including heart rate related data through the first signal output from the first sensor 320 .
- the wearable electronic device 100 may acquire the user's activity data 403 using the second sensor 330 in operation 613 .
- the user's activity data may be obtained through the second sensor 330 or through data pre-stored in the memory 340 .
- the activity data 403 may include at least one of a user's step speed, a user's step-frequency, or a user's power of accelerometer.
- the wearable electronic device 100 (eg, the processor 310 of FIG. 3 ) performs a signal quality factor of the first signal detected using the first sensor 320 in operation 615 . It may be determined whether the first range is applicable.
- the first sensor 320 may output a first signal to measure the quality of the first sensor 320 .
- the processor 310 may measure the signal-to-noise ratio through the first signal output from the first sensor 320 to determine the accuracy of the first sensor 320 .
- the signal accuracy value of the first signal detected using the first sensor 320 is within the first range, the signal accuracy of the first signal detected from the first sensor 320 is high reliability. can be judged to have
- the first signal accuracy detected from the second sensor 330 can be judged to have low reliability.
- the wearable electronic device 100 may generate a first heart rate prediction model 410 for predicting a heart rate value of a user based on preset user information, biometric data 402 , or activity data 403 in operation 617 .
- the preset user information may correspond to information received from a user through the wearable electronic device 100 or information received from an external server.
- the preset user information 404 may include at least one of gender, age, height, or weight.
- the wearable electronic device 100 when the signal accuracy value of the first signal detected using the first sensor 320 falls within the second range, the wearable electronic device 100 (eg, the processor 310 of FIG. 3 ) may Returning to operation 611 , the user's biometric data may be acquired based on the first signal detected using the first sensor 320 .
- a correlation between preset user information 404 , biometric data 402 , and activity data 403 and a user heart rate value will be described with reference to FIGS. 7 to 10 .
- 6B is a flowchart illustrating a method of acquiring heart rate data through the wearable electronic device 100 according to an exemplary embodiment.
- the wearable electronic device 100 eg, the processor 310 of FIG. 3
- performs the user's biometric data eg, the processor 310 of FIG. 3
- the user's biometric data eg, the processor 310 of FIG. 3
- the wearable electronic device 100 performs the user's biometric data (eg, the processor 310 of FIG. 3 ) based on the first signal detected using the first sensor 320 in operation 621 . 402) can be obtained.
- the wearable electronic device 100 sets the signal accuracy value of the first signal detected using the first sensor 320 within the first range. It can be determined whether or not
- the wearable electronic device 100 uses the biometric data 402 in response to a signal accuracy value included in the first range.
- a heart rate value 401 may be obtained.
- the processor 310 when the signal accuracy is within the first range, the processor 310 is configured to generate a first heart rate prediction model ( 410) can be updated.
- the wearable electronic device 100 when the signal accuracy value of the first signal detected using the first sensor 320 does not correspond to the first range, the wearable electronic device 100 (eg, the processor 310 of FIG. 3 ) ) obtains a second heart rate value 411 by using the first heart rate prediction model 410 generated based on preset user information 404, biometric data 402, or activity data 403 in operation 627. can do.
- the processor 310 determines that the signal accuracy of the first signal has low reliability. can judge When the signal accuracy of the first signal has low reliability, a heart rate value obtained based on biometric data obtained based on the first signal may also have low reliability. Accordingly, in this case, the second heart rate value 411 is not obtained from the biometric data obtained based on the first signal detected using the first sensor 320 , but the second heart rate value 411 using the first heart rate prediction model 410 . ) can be obtained.
- the wearable electronic device 100 (eg, the processor 310 of FIG. 3 ) performs heart rate data including at least one of the first heart rate value 401 and the second heart rate value 411 in operation 629 . can be printed out.
- the wearable electronic device 100 may include a display that displays a screen controlled by the processor 310 (eg, the display 120 of FIG. 3 ).
- the processor 310 may output a screen displaying the second heart rate value 411 to be distinguished from the first heart rate value 401 .
- 6C is a flowchart illustrating a method of generating a second heart rate prediction model 420, according to an embodiment.
- the wearable electronic device 100 eg, the processor 310 of FIG. 3
- performs the user's biometric data eg, the processor 310 of FIG. 3
- the user's biometric data eg, the processor 310 of FIG. 3
- the wearable electronic device 100 may acquire user activity data using the second sensor 330 in operation 633 .
- the wearable electronic device 100 determines the value of the signal accuracy of the first signal detected using the first sensor 320 . It can be determined whether it is within the scope.
- the wearable electronic device 100 eg, the processor 310 of FIG. 3 based on preset user information 404 , biometric data 402 , or activity data 403 .
- the second heart rate prediction model 420 for predicting the heart rate value by learning the user's maximum oxygen intake may be generated.
- the processor 310 controls the first signal detected from the first sensor 320 . It can be determined that the signal accuracy of , has high reliability.
- the second heart rate prediction model 420 is the first heart rate value 401 obtained based on the biometric data obtained through the first sensor 320, the activity data 403, and the user information 404 based on the user's You can learn the maximum oxygen intake (VO 2 Max).
- the maximum oxygen intake does not change abruptly like a change in a heart rate value, and may be recognized as fixed user's unique information such as user information 404 (eg, age, gender, height, or weight). Accordingly, the processor 310 may obtain the third heart rate value 421 through the second heart rate prediction model 420 that has learned the maximum oxygen intake.
- 6D is a flowchart illustrating a method of acquiring heart rate data through the wearable electronic device 100 according to another exemplary embodiment.
- the wearable electronic device 100 eg, the processor 310 of FIG. 3
- performs the user's biometric data eg, the processor 310 of FIG. 3
- the user's biometric data eg, the processor 310 of FIG. 3
- the wearable electronic device 100 performs the user's biometric data (eg, the processor 310 of FIG. 3 ) based on the first signal detected using the first sensor 320 in operation 641 . 402) can be obtained.
- the wearable electronic device 100 sets the signal accuracy value of the first signal detected using the first sensor 320 within the first range. It can be determined whether or not
- the wearable electronic device 100 when the signal accuracy value of the first signal detected using the first sensor 320 falls within the first range, the wearable electronic device 100 (eg, the processor 310 of FIG. 3 ). in operation 643 , in response to a signal accuracy value included in the first range, may acquire the first heart rate value 401 using the biometric data 402 .
- the wearable electronic device 100 when the signal accuracy value of the first signal detected using the first sensor 320 does not correspond to the first range, the wearable electronic device 100 (eg, the processor 310 of FIG. 3 ) ) obtains a second heart rate value 411 using the first heart rate prediction model 410 generated based on the preset user information 404, the biometric data 402, and the activity data 403 in operation 644. can do.
- the processor 310 determines that the signal accuracy of the first signal has low reliability. can judge When the signal accuracy of the first signal has low reliability, a heart rate value obtained based on biometric data obtained based on the first signal may also have low reliability. Accordingly, in this case, the second heart rate value 411 is not obtained from the biometric data obtained based on the first signal detected using the first sensor 320 , but the second heart rate value 411 using the first heart rate prediction model 410 . ) can be obtained.
- the wearable electronic device 100 may determine whether a value for the user's maximum oxygen intake is stored in the memory 340 in operation 645 . .
- the wearable electronic device 100 when the processor 310 does not store a value for the user's maximum oxygen intake in the memory 340 , the wearable electronic device 100 (eg, the processor 310 of FIG. 3 ) performs operation 646 . may output heart rate data including at least one of the first heart rate value 401 and the second heart rate value 411 .
- the wearable electronic device 100 when a value for the user's maximum oxygen intake is stored in the memory 340 of the processor 310 , the wearable electronic device 100 (eg, the processor 310 of FIG. 3 ) performs operation 647 .
- the third heart rate value 421 may be obtained by using the second heart rate prediction model 420 that predicts the heart rate value based on the value of the user's maximum oxygen intake.
- the wearable electronic device 100 eg, the processor 310 of FIG. 3 ) performs a fourth heart rate value ( 431) can be obtained.
- a method for the processor 310 to obtain a fourth heart rate value 431 based on the second heart rate value 411 and the third heart rate value 421 will be described with reference to FIG. 5 .
- the wearable electronic device 100 (eg, the processor 310 of FIG. 3 ) performs heart rate data including at least one of the first heart rate value 401 and the fourth heart rate value 431 in operation 649 . can be printed out.
- FIG. 7 illustrates a relationship between activity data (eg, velocity) of subjects having different maximum oxygen intakes (VO 2 Max) and heart rates, according to an exemplary embodiment.
- activity data eg, velocity
- VO 2 Max maximum oxygen intakes
- the maximum oxygen intake is an index of cardiorespiratory fitness of the user, and is an oxygen intake at a point in time at which the oxygen intake no longer increases even if the exercise intensity is increased.
- the heart rate values in FIGS. 7 to 10 correspond to the heart rate values when the first signal detected from the first sensor 320 falls within the first range and has a high reliability index.
- the X axis represents heart rate (HR, heart rate).
- the Y axis represents speed.
- the unit of heart rate is beats per minute (BPM), and the unit of speed is km/h.
- the correlation between the heart rate and the maximum oxygen intake index may be found through the first to third subjects 701 to 703 .
- a subject with a high maximum oxygen uptake may have a relatively low heart rate even if they run at the same or higher speed.
- a first subject 701 having a maximum oxygen uptake of 60 kg/ml/min at the same rate has a relatively lower heart rate than a second subject 702 having a maximum oxygen uptake of about 47 kg/ml/min.
- the processor 310 may learn the heart rate data from the maximum oxygen intake obtained through the activity data 403 through the first heart rate prediction model 410 , the biometric data 402 , and the user information 404 .
- FIG. 8 illustrates a relationship between activity data (eg, speed) of a subject having a first maximum oxygen intake (VO 2 Max) and heart rate, according to an embodiment.
- activity data eg, speed
- VO 2 Max first maximum oxygen intake
- heart rate data is shown when subjects having a first maximum oxygen intake exercise at different speeds.
- the heart rate when the subject having the first maximum oxygen intake is exercised at a speed of about 10 km/h in the first section 810 , the heart rate may be about 170 bpm.
- the heart rate when the subject having the first maximum oxygen intake moves at a speed of about 8 km/h in the second section 820 , the heart rate may be about 160 bpm. Since the speed and the heart rate are in a proportional relationship, a higher heart rate may be measured as the subject having the first maximum oxygen intake increases the speed to exercise.
- FIG. 9 illustrates a relationship between activity data (eg, acceleration force) of subjects having different maximum oxygen intakes (VO 2 Max) and heart rates, according to an exemplary embodiment.
- activity data eg, acceleration force
- VO 2 Max maximum oxygen intakes
- the first section 910 is an acceleration increasing section that moves at a higher speed.
- the second section 920 is a section that moves at a constant speed.
- the third section 930 is an acceleration decreasing section that moves at a gradually slower speed.
- the acceleration of power is a value representing the movement of the user of the wearable electronic device 100 .
- heart rate changes may be different.
- FIG. 10 illustrates a relationship between activity data (eg, steps per second) and heart rate of subjects having different maximum oxygen intakes (VO 2 Max), according to an exemplary embodiment.
- activity data eg, steps per second
- VO 2 Max maximum oxygen intakes
- the X axis of FIG. 10 represents heart rate (HR, heart rate).
- the Y axis represents the number of steps per second (step-frequency).
- the unit of heart rate is beats per minute (BPM) and the unit of steps per second is Hz.
- the correlation between the heart rate and the number of steps per second may be found through the first subject 1011 to the third subject 1031 .
- different heart rate values may be measured for the first subject 1011 , the second subject 1021 , and the third subject 1031 even if the number of steps per second is the same.
- the heart rate value may change correspondingly.
- steps per second and heart rate are proportional.
- FIG 11 illustrates a screen output to the display 120 of the wearable electronic device 100, according to an embodiment.
- the wearable electronic device 100 may execute an application related to heart rate measurement (eg, a health management application).
- an application related to heart rate measurement eg, a health management application
- a user interface UI
- the wearable electronic device 100 determines that the processor 310 determines according to a user's motion required to measure the heart rate (eg, an operation of touching the first sensor 320 disposed in the wearable electronic device 100 ).
- At least one of text, an image, and a video related to the quality factor of the first sensor 320 may be output through a user interface (UI) through the display 120 .
- the wearable electronic device 100 generates a sound related to determining the accuracy of the first sensor based on at least one of a haptic actuator such as a speaker and/or a vibration motor. can be printed out.
- the wearable electronic device 100 displays a message indicating that the accuracy of the first sensor 320 is not good and A message indicating a plan to provide a heart rate value obtained by using a heart rate prediction model (eg, the first heart rate prediction model 410 and/or the second heart rate prediction model 420 of FIG. 5 ) may be output.
- a heart rate prediction model eg, the first heart rate prediction model 410 and/or the second heart rate prediction model 420 of FIG. 5
- the wearable electronic device 100 displays a message indicating the user's heart rate value obtained according to the heart rate prediction model on the display 120 ) can be printed.
- FIG. 12 illustrates a screen output to the display 120 of the external electronic device and the wearable electronic device 100 according to another exemplary embodiment.
- the wearable electronic device 100 transmits a heart rate data value over time through a communication module (eg, the communication module 350 of FIG. 3 and/or the communication module 1390 of FIG. 13 ) to the external electronic device. (eg, the electronic device 1302 of FIG. 13 ).
- a communication module eg, the communication module 350 of FIG. 3 and/or the communication module 1390 of FIG. 13
- the external electronic device eg, the electronic device 1302 of FIG. 13 .
- the wearable electronic device 100 may transmit a heart rate value measured by the first sensor 320 and/or a heart rate value predicted by the heart rate prediction model to the external electronic device 1402 .
- the wearable electronic device when the biosensor does not satisfy a criterion specified by noise, the wearable electronic device cannot obtain an accurate heart rate data value from the biosignals measured by the biosensor. Accordingly, when the accuracy of the biosensor is lower than the specified reference, the external electronic device 1402 may not receive heart rate data in a partial section from the wearable electronic device.
- the external electronic device 1402 displays the speed data 1201b of the user wearing the wearable electronic device and the heart rate in the some sections.
- Heart rate data 1201a in which is not displayed may be output.
- the external electronic device 1402 may output data received from the wearable electronic device 100 through the display 1220 .
- the external electronic device 1402 may determine the user's speed (unit: km/h) or heart rate (unit: km/h) or Example: bpm) data may be output to the display 1220 .
- the wearable electronic device 100 when the accuracy of the first signal detected by the first sensor 320 is not good due to noise, the wearable electronic device 100 responds to the biosignal measured by the first sensor 320 . It may not be possible to obtain accurate heart rate data.
- the wearable electronic device 100 provides a heart rate prediction model for a user who uses the wearable electronic device 100 (eg, the first heart rate prediction model of FIG. 5 ) 410) and/or the second heart rate prediction model 420) may be used to provide a relatively accurate heart rate data value.
- the user graphs heart rate data (eg, the second heart rate value 411 of FIG. 4 ) and speed data obtained by the first heart rate prediction model 410 received from the wearable electronic device 100 through the display 1220 . form heart rate data 1202a and velocity data 1202b.
- the wearable electronic device 100 when the accuracy of the first sensor 320 does not satisfy a specified criterion, the wearable electronic device 100 includes the maximum oxygen intake pre-stored in the memory 340 and biometric data included in the learning data 430 . 402 , activity data 403 , and user information 404 may be applied to the second heart rate prediction model 420 to obtain a heart rate value.
- the user may display heart rate data (eg, the third heart rate value 421 of FIG. 5 ) and speed data obtained by the second heart rate prediction model 420 from the wearable electronic device 100 in a graph form through the display 1220 .
- Heart rate data 1202a and speed data 1202b may be provided.
- the wearable electronic device 100 may predict the heart rate by using the first heart rate prediction model 410 . .
- the wearable electronic device 100 may output a message indicating the heart rate value of the user obtained by the first heart rate prediction model 410 through the display 120 .
- FIG. 13 is a block diagram of an electronic device 1301 in a network environment 1300 according to various embodiments of the present disclosure.
- the electronic device 1301 communicates with the electronic device 1302 through a first network 1398 (eg, a short-range wireless communication network) or a second network 1399 . It may communicate with the electronic device 1304 or the server 1308 through (eg, a long-distance wireless communication network). According to an embodiment, the electronic device 1301 may communicate with the electronic device 1304 through the server 1308 .
- a first network 1398 eg, a short-range wireless communication network
- a second network 1399 e.g., a second network 1399
- the electronic device 1301 may communicate with the electronic device 1304 through the server 1308 .
- the electronic device 1301 includes a processor 1320 , a memory 1330 , an input module 1350 , a sound output module 1355 , a display module 1360 , an audio module 1370 , and a sensor module ( 1376), interface 1377, connection terminal 1378, haptic module 1379, camera module 1380, power management module 1388, battery 1389, communication module 1390, subscriber identification module 1396 , or an antenna module 1397 .
- at least one of these components eg, the connection terminal 1378
- some of these components are integrated into one component (eg, display module 1360 ). can be
- the processor 1320 for example, executes software (eg, a program 1340) to execute at least one other component (eg, a hardware or software component) of the electronic device 1301 connected to the processor 1320 . It can control and perform various data processing or operations. According to an embodiment, as at least part of data processing or operation, the processor 1320 converts commands or data received from other components (eg, the sensor module 1376 or the communication module 1390) to the volatile memory 1332 . may store the command or data stored in the volatile memory 1332 , and store the result data in the non-volatile memory 1334 .
- software eg, a program 1340
- the processor 1320 converts commands or data received from other components (eg, the sensor module 1376 or the communication module 1390) to the volatile memory 1332 .
- the volatile memory 1332 may store the command or data stored in the volatile memory 1332 , and store the result data in the non-volatile memory 1334 .
- the processor 1320 is a main processor 1321 (eg, a central processing unit or an application processor) or a secondary processor 1323 (eg, a graphic processing unit, a neural network processing unit) a neural processing unit (NPU), an image signal processor, a sensor hub processor, or a communication processor).
- a main processor 1321 eg, a central processing unit or an application processor
- a secondary processor 1323 eg, a graphic processing unit, a neural network processing unit
- NPU neural processing unit
- an image signal processor e.g., a sensor hub processor, or a communication processor.
- the auxiliary processor 1323 uses less power than the main processor 1321 or is set to be specialized for a specified function.
- the coprocessor 1323 may be implemented separately from or as part of the main processor 1321 .
- the coprocessor 1323 may, for example, act on behalf of the main processor 1321 while the main processor 1321 is in an inactive (eg, sleep) state, or when the main processor 1321 is active (eg, executing an application). ), together with the main processor 1321, at least one of the components of the electronic device 1301 (eg, the display module 1360, the sensor module 1376, or the communication module 1390) It is possible to control at least some of the related functions or states.
- the coprocessor 1323 eg, an image signal processor or a communication processor
- the auxiliary processor 1323 may include a hardware structure specialized for processing an artificial intelligence model.
- Artificial intelligence models can be created through machine learning. Such learning may be performed, for example, in the electronic device 1301 itself on which artificial intelligence is performed, or may be performed through a separate server (eg, the server 1308).
- the learning algorithm may include, for example, supervised learning, unsupervised learning, semi-supervised learning, or reinforcement learning, but in the above example not limited
- the artificial intelligence model may include a plurality of artificial neural network layers.
- Artificial neural networks include deep neural networks (DNNs), convolutional neural networks (CNNs), recurrent neural networks (RNNs), restricted boltzmann machines (RBMs), deep belief networks (DBNs), bidirectional recurrent deep neural networks (BRDNNs), It may be one of deep Q-networks or a combination of two or more of the above, but is not limited to the above example.
- the artificial intelligence model may include, in addition to, or alternatively, a software structure in addition to the hardware structure.
- the memory 1330 may store various data used by at least one component of the electronic device 1301 (eg, the processor 1320 or the sensor module 1376 ).
- the data may include, for example, input data or output data for software (eg, the program 1340 ) and commands related thereto.
- the memory 1330 may include a volatile memory 1332 or a non-volatile memory 1334 .
- the program 1340 may be stored as software in the memory 1330 , and may include, for example, an operating system 1342 , middleware 1344 , or an application 1346 .
- the input module 1350 may receive a command or data to be used in a component (eg, the processor 1320 ) of the electronic device 1301 from the outside (eg, a user) of the electronic device 1301 .
- the input module 1350 may include, for example, a microphone, a mouse, a keyboard, a key (eg, a button), or a digital pen (eg, a stylus pen).
- the sound output module 1355 may output a sound signal to the outside of the electronic device 1301 .
- the sound output module 1355 may include, for example, a speaker or a receiver.
- the speaker can be used for general purposes such as multimedia playback or recording playback.
- the receiver can be used to receive incoming calls. According to an embodiment, the receiver may be implemented separately from or as a part of the speaker.
- the display module 1360 may visually provide information to the outside (eg, a user) of the electronic device 1301 .
- the display module 1360 may include, for example, a display, a hologram device, or a projector and a control circuit for controlling the corresponding device.
- the display module 1360 may include a touch sensor configured to sense a touch or a pressure sensor configured to measure the intensity of a force generated by the touch.
- the audio module 1370 may convert a sound into an electric signal or, conversely, convert an electric signal into a sound. According to an embodiment, the audio module 1370 acquires a sound through the input module 1350 or an external electronic device (eg, a sound output module 1355 ) directly or wirelessly connected to the electronic device 1301 .
- the electronic device 1302) eg, a speaker or headphones
- the sensor module 1376 detects an operating state (eg, power or temperature) of the electronic device 1301 or an external environmental state (eg, a user state), and generates an electrical signal or data value corresponding to the sensed state. can do.
- the sensor module 1376 may include, for example, a gesture sensor, a gyro sensor, a barometric pressure sensor, a magnetic sensor, an acceleration sensor, a grip sensor, a proximity sensor, a color sensor, an IR (infrared) sensor, a biometric sensor, It may include a temperature sensor, a humidity sensor, or an illuminance sensor.
- the interface 1377 may support one or more specified protocols that may be used for the electronic device 1301 to connect directly or wirelessly with an external electronic device (eg, the electronic device 1302 ).
- the interface 1377 may include, for example, a high definition multimedia interface (HDMI), a universal serial bus (USB) interface, an SD card interface, or an audio interface.
- HDMI high definition multimedia interface
- USB universal serial bus
- SD card interface Secure Digital Card
- connection terminal 1378 may include a connector through which the electronic device 1301 can be physically connected to an external electronic device (eg, the electronic device 1302 ).
- the connection terminal 1378 may include, for example, an HDMI connector, a USB connector, an SD card connector, or an audio connector (eg, a headphone connector).
- the haptic module 1379 may convert an electrical signal into a mechanical stimulus (eg, vibration or movement) or an electrical stimulus that the user can perceive through tactile or kinesthetic sense.
- the haptic module 1379 may include, for example, a motor, a piezoelectric element, or an electrical stimulation device.
- the camera module 1380 may capture still images and moving images. According to an embodiment, the camera module 1380 may include one or more lenses, image sensors, image signal processors, or flashes.
- the power management module 1388 may manage power supplied to the electronic device 1301 .
- the power management module 1388 may be implemented as, for example, at least a part of a power management integrated circuit (PMIC).
- PMIC power management integrated circuit
- the battery 1389 may supply power to at least one component of the electronic device 1301 .
- the battery 1389 may include, for example, a non-rechargeable primary cell, a rechargeable secondary cell, or a fuel cell.
- the communication module 1390 is a direct (eg, wired) communication channel or a wireless communication channel between the electronic device 1301 and an external electronic device (eg, the electronic device 1302 , the electronic device 1304 , or the server 1308 ). It can support establishment and communication performance through the established communication channel.
- the communication module 1390 operates independently of the processor 1320 (eg, an application processor) and may include one or more communication processors that support direct (eg, wired) communication or wireless communication.
- the communication module 1390 is a wireless communication module 1392 (eg, a cellular communication module, a short-range wireless communication module, or a global navigation satellite system (GNSS) communication module) or a wired communication module 1394 (eg, : It may include a local area network (LAN) communication module, or a power line communication module).
- a corresponding communication module is a first network 1398 (eg, a short-range communication network such as Bluetooth, wireless fidelity (WiFi) direct, or infrared data association (IrDA)) or a second network 1399 (eg, legacy).
- the wireless communication module 1392 uses subscriber information (eg, International Mobile Subscriber Identifier (IMSI)) stored in the subscriber identification module 1396 within a communication network, such as the first network 1398 or the second network 1399 .
- the electronic device 1301 may be identified or authenticated.
- the wireless communication module 1392 may support a 5G network after a 4G network and a next-generation communication technology, for example, a new radio access technology (NR).
- NR access technology includes high-speed transmission of high-capacity data (eMBB (enhanced mobile broadband)), minimization of terminal power and access to multiple terminals (mMTC (massive machine type communications)), or high reliability and low latency (URLLC (ultra-reliable and low-latency) -latency communications)).
- eMBB enhanced mobile broadband
- mMTC massive machine type communications
- URLLC ultra-reliable and low-latency
- the wireless communication module 1392 may support a high frequency band (eg, mmWave band) to achieve a high data rate, for example.
- a high frequency band eg, mmWave band
- the wireless communication module 1392 uses various techniques for securing performance in a high frequency band, for example, beamforming, massive multiple-input and multiple-output (MIMO), and all-dimensional multiplexing. It may support technologies such as full dimensional MIMO (FD-MIMO), an array antenna, analog beam-forming, or a large scale antenna.
- the wireless communication module 1392 may support various requirements specified in the electronic device 1301 , an external electronic device (eg, the electronic device 1304 ), or a network system (eg, the second network 1399 ).
- the wireless communication module 1392 may include a peak data rate (eg, 20 Gbps or more) for realizing eMBB, loss coverage (eg, 164 dB or less) for realizing mMTC, or U-plane latency for realizing URLLC (eg, 20 Gbps or more).
- a peak data rate eg, 20 Gbps or more
- loss coverage e.g, 164 dB or less
- U-plane latency for realizing URLLC eg, 20 Gbps or more
- DL Downlink
- UL uplink
- the antenna module 1397 may transmit or receive a signal or power to the outside (eg, an external electronic device).
- the antenna module 1397 may include an antenna including a conductor formed on a substrate (eg, a PCB) or a radiator formed of a conductive pattern.
- the antenna module 1397 may include a plurality of antennas (eg, an array antenna). In this case, at least one antenna suitable for a communication scheme used in a communication network such as the first network 1398 or the second network 1399 is connected from the plurality of antennas by, for example, the communication module 1390 . can be selected. A signal or power may be transmitted or received between the communication module 1390 and an external electronic device through the selected at least one antenna.
- other components eg, a radio frequency integrated circuit (RFIC)
- RFIC radio frequency integrated circuit
- the antenna module 1397 may form a mmWave antenna module.
- the mmWave antenna module comprises a printed circuit board, an RFIC disposed on or adjacent to a first side (eg, bottom side) of the printed circuit board and capable of supporting a designated high frequency band (eg, mmWave band); and a plurality of antennas (eg, an array antenna) disposed on or adjacent to a second side (eg, top or side) of the printed circuit board and capable of transmitting or receiving signals of the designated high frequency band. can do.
- peripheral devices eg, a bus, general purpose input and output (GPIO), serial peripheral interface (SPI), or mobile industry processor interface (MIPI)
- GPIO general purpose input and output
- SPI serial peripheral interface
- MIPI mobile industry processor interface
- the command or data may be transmitted or received between the electronic device 1301 and the external electronic device 1304 through the server 1308 connected to the second network 1399 .
- Each of the external electronic devices 1302 or 1304 may be the same or a different type of the electronic device 1301 .
- all or a part of operations executed by the electronic device 1301 may be executed by one or more external electronic devices 1302 , 1304 , or 1308 .
- the electronic device 1301 may instead of executing the function or service itself.
- one or more external electronic devices may be requested to perform at least a part of the function or the service.
- One or more external electronic devices that have received the request may execute at least a part of the requested function or service, or an additional function or service related to the request, and transmit a result of the execution to the electronic device 1301 .
- the electronic device 1301 may process the result as it is or additionally and provide it as at least a part of a response to the request.
- cloud computing, distributed computing, mobile edge computing (MEC), or client-server computing technology may be used.
- the electronic device 1301 may provide an ultra-low latency service using, for example, distributed computing or mobile edge computing.
- the external electronic device 1304 may include an Internet of things (IoT) device.
- the server 1308 may be an intelligent server using machine learning and/or neural networks.
- the external electronic device 1304 or the server 1308 may be included in the second network 1399 .
- the electronic device 1301 may be applied to an intelligent service (eg, smart home, smart city, smart car, or health care) based on 5G communication technology and IoT-related technology.
- the electronic device may be a device of various types.
- the electronic device may include, for example, a portable communication device (eg, a smart phone), a computer device, a portable multimedia device, a portable medical device, a camera, a wearable device, or a home appliance device.
- a portable communication device eg, a smart phone
- a computer device e.g., a laptop, a desktop, a tablet, or a portable multimedia device
- portable medical device e.g., a portable medical device
- camera e.g., a camera
- a wearable device e.g., a smart watch
- a home appliance device e.g., a smart bracelet
- first, second, or first or second may simply be used to distinguish an element from other elements in question, and may refer elements to other aspects (e.g., importance or order) is not limited. It is said that one (eg, first) component is “coupled” or “connected” to another (eg, second) component, with or without the terms “functionally” or “communicatively”. When referenced, it means that one component can be connected to the other component directly (eg by wire), wirelessly, or through a third component.
- module used in various embodiments of the present document may include a unit implemented in hardware, software, or firmware, for example, and interchangeably with terms such as logic, logic block, component, or circuit.
- a module may be an integrally formed part or a minimum unit or a part of the part that performs one or more functions.
- the module may be implemented in the form of an application-specific integrated circuit (ASIC).
- ASIC application-specific integrated circuit
- one or more instructions stored in a storage medium may be implemented as software (eg, a program 1340) including
- a processor eg, processor 1320
- a device eg, electronic device 1301
- the one or more instructions may include code generated by a compiler or code executable by an interpreter.
- the device-readable storage medium may be provided in the form of a non-transitory storage medium.
- 'non-transitory' only means that the storage medium is a tangible device and does not contain a signal (eg, electromagnetic wave), and this term is used in cases where data is semi-permanently stored in the storage medium and It does not distinguish between temporary storage cases.
- a signal eg, electromagnetic wave
- the method according to various embodiments disclosed in this document may be provided by being included in a computer program product.
- Computer program products may be traded between sellers and buyers as commodities.
- the computer program product is distributed in the form of a machine-readable storage medium (eg compact disc read only memory (CD-ROM)), or via an application store (eg Play Store TM ) or on two user devices ( It can be distributed (eg downloaded or uploaded) directly, online between smartphones (eg: smartphones).
- a portion of the computer program product may be temporarily stored or temporarily created in a machine-readable storage medium such as a memory of a server of a manufacturer, a server of an application store, or a relay server.
- each component (eg, module or program) of the above-described components may include a singular or a plurality of entities, and some of the plurality of entities may be separately disposed in other components.
- one or more components or operations among the above-described corresponding components may be omitted, or one or more other components or operations may be added.
- a plurality of components eg, a module or a program
- the integrated component may perform one or more functions of each component of the plurality of components identically or similarly to those performed by the corresponding component among the plurality of components prior to the integration. .
- operations performed by a module, program, or other component are executed sequentially, in parallel, repeatedly, or heuristically, or one or more of the operations are executed in a different order, omitted, or , or one or more other operations may be added.
- a first sensor for detecting a biosignal for obtaining biometric data
- a second sensor for outputting a signal for obtaining activity data
- the first sensor at least one processor electrically connected to two sensors and a memory, wherein the at least one processor acquires the biometric data of the user based on a first signal detected using the first sensor, and It is determined whether a signal quality value of the first signal detected by using a sensor corresponds to a first range, and in response to the signal accuracy value included in the first range, the biometric data is used to
- a second heart rate is obtained by acquiring a first heart rate value and using a first heart rate prediction model generated based on preset user information, the biometric data, or the activity data in response to the signal accuracy value included in a second range.
- a value may be obtained, and heart rate data including at least one of the first heart rate value and the second heart rate value may be output.
- the at least one processor may update the first heart rate prediction model based on the first heart rate value obtained using the biometric data.
- the at least one processor may output the second heart rate value obtained using the first heart rate prediction model.
- the display may further include a display configured to display a screen controlled by the at least one processor, wherein the at least one processor outputs a screen displaying the second heart rate value to be distinguished from the first heart rate value can do.
- the activity data may include at least one of a user's step speed, a user's step-frequency, or a user's power of accelerometer.
- the preset user information may include at least one of gender, age, height, and weight.
- the at least one processor when the signal accuracy value is included in the second range and a value for a user's maximum oxygen consumption (VO 2 Max) is stored in the memory, the at least one processor , obtains a third heart rate value using a second heart rate prediction model that predicts a heart rate by learning the maximum oxygen intake of the user based on the preset user information, the biometric data, or the activity data; A fourth heart rate value may be obtained based on the second heart rate value obtained using the heart rate prediction model and a third heart rate value obtained using the second heart rate prediction model, and the fourth heart rate value may be output. .
- the first sensor may include at least one of a photoplethysmograph (PPG) and an electrocardiograph (ECG).
- PPG photoplethysmograph
- ECG electrocardiograph
- the second sensor may include at least one of an acceleration sensor, an optical sensor, and a gyro sensor.
- a communication module for performing communication with a server; further comprising, wherein the at least one processor stores the biometric data, the activity data, and the preset user information in the memory, and data for configuring the first heart rate prediction model with the server through the communication module , at least one of the biometric data, the activity data, and the preset user information may be transmitted.
- a wearable electronic device including a first sensor and a second sensor
- the operation of acquiring biometric data of a user based on a first signal detected using the first sensor Determining a signal quality value of the detected biosignal using a first sensor, and obtaining a first heart rate value using the biometric data in response to the signal accuracy value included in a first range , obtaining a second heart rate value by using a first heart rate prediction model generated based on preset user information, biometric data, or activity data in response to the signal accuracy value included in a second range; and and outputting heart rate data including at least one of one heart rate value and the second heart rate value.
- the method may further include updating the first heart rate prediction model based on a first heart rate value obtained using the biometric data when the signal accuracy is within the first range. .
- the method may include outputting the second heart rate value obtained using the first heart rate prediction model.
- the method may further include a display for displaying a screen, and outputting a screen for displaying the second heart rate value to be distinguished from the first heart rate value.
- the activity data may include at least one of a user's speed, a user's step-frequency, or a user's power of accelerometer.
- the preset user information may include at least one of gender, age, height, and weight.
- the first sensor may include at least one of a photoplethysmograph (PPG) and an electrocardiograph (ECG).
- PPG photoplethysmograph
- ECG electrocardiograph
- the second sensor may include at least one of an acceleration sensor, an optical sensor, and a gyro sensor.
- the method may further include transmitting at least one of data for configuring the first heart rate prediction model, the biometric data, the activity data, and the preset user information.
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Public Health (AREA)
- Molecular Biology (AREA)
- Veterinary Medicine (AREA)
- General Health & Medical Sciences (AREA)
- Physics & Mathematics (AREA)
- Animal Behavior & Ethology (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Biomedical Technology (AREA)
- Heart & Thoracic Surgery (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Cardiology (AREA)
- Physiology (AREA)
- Signal Processing (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Psychiatry (AREA)
- Dentistry (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computer Networks & Wireless Communication (AREA)
- Measuring Pulse, Heart Rate, Blood Pressure Or Blood Flow (AREA)
- Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
Abstract
웨어러블 전자 장치 및 그 동작 방법이 개시된다. 웨어러블 전자 장치는 제1 센서, 제2 센서, 메모리 및 프로세서를 포함할 수 있다. 프로세서는 제1 센서를 이용하여 검출된 제1 신호에 기초하여 사용자의 생체 데이터를 획득하고, 상기 제1 센서를 이용하여 검출된 상기 제1 신호의 신호 정확도(quality) 값이 제1 범위에 해당하는지 여부를 판단하고, 제1 범위에 포함되는 상기 신호 정확도 값에 응답하여, 상기 생체 데이터를 이용하여 제1 심박수 값을 획득하고, 제2 범위에 포함되는 상기 신호 정확도 값에 응답하여, 기 설정된 사용자 정보, 상기 생체 데이터, 또는 활동 데이터를 기반으로 생성된 제1 심박수 예측 모델을 이용하여 제2 심박수 값을 획득하고, 상기 제1 심박수 값 또는 상기 제2 심박수 값 중 적어도 하나를 포함하는 심박수 데이터를 출력할 수 있다.
Description
본 개시는 심박수 예측 모델을 제공하는 전자 장치 및 그 동작 방법에 관한 것이다.
웨어러블 전자 장치는 사용자의 신체에 착용되므로 사용자의 신체로부터 생체 신호를 획득하기에 유리하다. 따라서 다양한 센서(sensor)들이 적용된 웨어러블 전자 장치가 개발되었다. 예를 들어, 웨어러블 전자 장치에 바이오 센서(biosensor), 모션 센서(motion sensor), 화학 센서, 온도 센서, 또는 위치 센서와 같은 다양한 센서들이 구비될 수 있다. 구체적으로 바이오 센서는 PPG(photoplethysmogram, 광전용적맥파) 센서, ECG(electrocardiogram, 심전도) 센서 또는 BCG(ballistocardiogram, 심탄도) 센서와 같은 생체 신호 센서를 포함하며, 이를 통해 사용자의 생체 신호를 획득할 수 있다. 모션 센서는 가속도 센서 또는 자이로스코스(gyroscope)를 포함하며, 웨어러블 전자 장치의 움직임을 감지할 수 있다.
웨어러블 전자 장치에 구비된 센서들을 통해 측정된 생체 신호는 심박수(heart rate), 호흡, 스트레스 수치, 또는 혈압(blood pressure)과 같은 사용자의 건강과 관련된 정보들을 포함하고 있어, 웨어러블 전자 장치는 생체 신호를 이용하여 모바일 헬스케어(mobile healthcare)를 사용자에게 지원할 수 있다.
웨어러블 전자 장치에 배치되는 다양한 종류의 생체 신호 센서들은 비침습적(noninvasive)인 방법으로 획득된 생체 신호를 통해 사용자의 건강과 관련된 데이터를 추출할 수 있다. 따라서, 다양한 종류의 생체 신호 센서는 사용자의 신체와 밀착된 정도 또는 다양한 외부 요인으로 인해서 신호의 정확도(quality factor)가 달라질 수 있다. 즉, 신호의 정확도가 떨어지면, 생체 신호를 통해 획득되는 사용자의 건강 관련 데이터의 신뢰도가 떨어질 수 있다.
본 문서에 개시된 다양한 실시 예들은, 웨어러블 전자 장치에 배치된 다양한 종류의 생체 신호 센서의 정확도와 관계없이, 정확한 심박수 데이터를 제공할 수 있는 방법 및 이를 포함하는 웨어러블 전자 장치를 제공할 수 있다.
본 개시의 다양한 실시 예에 따른, 웨어러블 전자 장치에 있어서, 생체 데이터를 획득하기 위한 생체 신호를 검출하는 제1 센서, 활동 데이터를 획득하기 위한 신호를 출력하는 제2 센서, 메모리 및 상기 제1 센서, 상기 제2 센서 및 메모리와 전기적으로 연결되는 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는 상기 제1 센서를 이용하여 검출된 제1 신호에 기초하여 사용자의 상기 생체 데이터를 획득하고, 상기 제1 센서를 이용하여 검출된 상기 제1 신호의 신호 정확도(quality) 값이 제1 범위에 해당하는지 여부를 판단하고, 제1 범위에 포함되는 상기 신호 정확도 값에 응답하여, 상기 생체 데이터를 이용하여 제1 심박수 값을 획득하고, 제2 범위에 포함되는 상기 신호 정확도 값에 응답하여, 기 설정된 사용자 정보, 상기 생체 데이터, 또는 상기 활동 데이터를 기반으로 생성된 제1 심박수 예측 모델을 이용하여 제2 심박수 값을 획득하고, 상기 제1 심박수 값 또는 상기 제2 심박수 값 중 적어도 하나를 포함하는 심박수 데이터를 출력할 수 있다.
본 개시의 다양한 실시 예에 따른, 제1 센서 및 제2 센서를 포함하는 웨어러블 전자 장치의 동작 방법에 있어서, 상기 제1 센서를 이용하여 검출된 제1 신호에 기초하여 사용자의 생체 데이터를 획득하는 동작, 상기 제1 센서를 이용하여 검출된 생체 신호의 신호 정확도(quality) 값을 판단하는 동작, 제1 범위에 포함되는 상기 신호 정확도 값에 응답하여, 상기 생체 데이터를 이용하여 제1 심박수 값을 획득하는 동작, 제2 범위에 포함되는 상기 신호 정확도 값에 응답하여, 기 설정된 사용자 정보, 생체 데이터, 또는 활동 데이터를 기반으로 생성된 제1 심박수 예측 모델을 이용하여 제2 심박수 값을 획득하는 동작 및 상기 제1 심박수 값 또는 상기 제2 심박수 값 중 적어도 하나를 포함하는 심박수 데이터를 출력하는 동작을 포함할 수 있다.
본 문서에 개시된 다양한 실시 예들에 따르면, 생체 신호 센서가 배치된 웨어러블 전자 장치와 사용자의 신체의 접촉 상태가 좋지 않거나, 다른 외부 요인으로 인해서 웨어러블 전자 장치에 배치된 생체 신호 센서가 낮은 정확도를 갖더라도, 비교적 정확한 심박수 데이터를 제공할 수 있다.
본 문서에 개시된 다양한 실시 예들에 따르면, 웨어러블 전자 장치는 웨어러블 전자 장치를 착용한 사용자로부터 생체 신호 센서를 통해 추출된 데이터와 심박수 예측 모델에 따라 학습된 데이터를 구분하여 출력하여, 사용자가 생체 신호 센서를 통해 추출된 데이터와 심박수 예측 모델에 따라 학습된 데이터를 구분하여 인지할 수 있다.
이 외에, 본 문서를 통해 직접적, 간접적으로 파악되는 다양한 효과들이 제공될 수 있다.
도 1은 일 실시 예에 따른, 웨어러블 전자 장치를 신체의 일부에 장착하여 운동하는 것을 나타낸 도면이다.
도 2는 일 실시 예에 따른, 웨어러블 전자 장치의 사시도이다.
도 3은 일 실시 예에 따른, 웨어러블 전자 장치의 블록도이다.
도 4는 일 실시 예에 따른, 학습된 심박수를 획득하기 위한 웨어러블 전자 장치의 학습 동작을 설명하기 위한 블록도이다.
도 5는 다른 일 실시 예에 따른, 학습된 심박수를 획득하기 위한 웨어러블 전자 장치의 학습 동작을 설명하기 위한 블록도이다.
도 6a는 일 실시 예에 따른, 제1 심박수 예측 모델을 생성하는 방법을 설명하기 위한 순서도이다.
도 6b는 일 실시 예에 따른, 웨어러블 전자 장치를 통해 심박수 데이터를 획득하는 방법을 설명하기 위한 순서도이다.
도 6c는 일 실시 예에 따른, 제2 심박수 예측 모델을 생성하는 방법을 설명하기 위한 순서도이다.
도 6d는 다른 일 실시 예에 따른, 웨어러블 전자 장치를 통해 심박수 데이터를 획득하는 방법을 설명하기 위한 순서도이다.
도 7은 일 실시 예에 따른, 서로 다른 최대 산소 섭취량(VO2Max)을 갖는 서브젝트들의 활동 데이터(예: 속도)와 심박수와의 관계를 나타낸다.
도 8은 일 실시 예에 따른, 제1 최대 산소 섭취량(VO2Max)을 가지는 서브젝트의 활동 데이터(예: 속도)와 심박수와의 관계를 나타낸다.
도 9는 일 실시 예에 따른, 서로 다른 최대 산소 섭취량(VO2Max)을 갖는 서브젝트들의 활동 데이터(예: 활동 타입)와 심박수와의 관계를 나타낸다.
도 10은 일 실시 예에 따른, 서로 다른 최대 산소 섭취량(VO2Max)을 갖는 서브젝트들의 활동 데이터(예: 초당 걸음수)와 심박수와의 관계를 나타낸다.
도 11은 일 실시 예에 따른, 웨어러블 전자 장치의 디스플레이에 출력하는 화면을 나타낸다.
도 12는 다른 일 실시 예에 따른, 외부 전자 장치 및 웨어러블 전자 장치의 디스플레이에 출력하는 화면을 나타낸다.
도 13은 다양한 실시 예들에 따른, 네트워크 환경 내의 전자 장치의 블록도이다.
도 1은 일 실시 예에 따른, 웨어러블 전자 장치(100)를 사용자의 신체 일부에 장착하여 운동하는 것을 나타내는 도면이다.
일 실시 예에서, 도 1의 웨어러블 전자 장치(100)는 도시된 바와 같이 스마트 워치(smart watch)를 포함할 수 있다. 이에 한하지 않고, 웨어러블 전자 장치(100)는 사용자의 신체에 부착되어 사용될 수 있는 다양한 형태의 장치일 수 있다.
일 실시 예에서, 웨어러블 전자 장치(100)는 웨어러블 전자 장치(100)의 형태 및/또는 크기에 따라서 사용자의 다양한 신체 부위에 착용될 수 있다. 예를 들어, 웨어러블 전자 장치(100)는 사용자의 머리, 팔, 허리, 다리, 손등, 또는 손가락에도 부착될 수 있다.
일 실시 예에서, 웨어러블 전자 장치(100)는 모션 센서(예; 도 3의 제2 센서(330))를 통해 사용자의 초당 걸음 수, 속도, 또는 가속도와 같은 모션 데이터를 획득할 수 있다. 일 예시에서, 웨어러블 전자 장치(100)는 생체 신호 센서(예: 도 3의 제1 센서(320))를 통해 사용자의 심박수, 피부 전도도(electrodermal activity, EDA), 심전도(electrocardiography, ECG), 최대 산소 섭취량(VO2Max), 혈류량, 및/또는 산소포화도(SpO2)와 같은 생체 데이터(402)를 획득할 수 있다.
도 2는 일 실시 예에 따른, 웨어러블 전자 장치(100)의 사시도이다.
도 2를 참고하면, 웨어러블 전자 장치(100)는 하우징(110), 디스플레이(120), 스트랩(130), 및/또는 센서 모듈(210)을 포함할 수 있다. 일 예시에서, 웨어러블 전자 장치(100)는 도시된 구성요소들 중 적어도 하나를 생략하거나 다른 구성요소를 추가적으로 구비할 수 있다.
일 실시 예에서, 하우징(110)은 상부면, 하부면, 및 상부면 및 하부면 사이의 공간을 둘러싸는 측면부를 포함할 수 있다. 일 예시에서, 하우징(110)의 일 영역을 통해 디스플레이(120)가 시각적으로 노출될 수 있다.
일 실시 예에서, 센서 모듈(210)(예: 도 14의 센서 모듈(1476))은 웨어러블 전자 장치(100)의 내부에 배치될 수 있고, 하우징(110)에 인접한 사용자의 신체 부위로부터 사용자의 생체 정보(biometric information)를 획득하기 위한 하드웨어 컴포넌트를 하나 이상 포함할 수 있다. 일 예시에서 센서 모듈(210)은 PPG(photoplethysmogram) 센서, ECG(electroencephalography) 센서, 또는 이들의 조합을 포함할 수 있다.
일 실시 예에서, 센서 모듈(210)은 하우징(110)을 통해 적어도 일부가 외부로 노출되는 적어도 하나 이상의 발광부(emitter)(211) 및 하나 이상의 발광부(211)에 대응하는 적어도 하나의 수광부(receiver)(212)를 포함할 수 있다.
일 실시 예에서, 발광부(211)는 광을 생성하는 적어도 하나의 발광 모듈(예: LED(light emitting diode) 및/또는 LD(laser diode))을 포함할 수 있다. 일 예시에서, 발광부(211)가 포함하는 적어도 하나의 발광 모듈은 각각의 발광 모듈에 대하여 설정된 파장 대역들과 서로 중첩되지 않을 수 있다. 예를 들어, 상기 파장 대역들은 약 780nm 이상의 파장 대역인 적외선(IR, infrared) 파장 대역 및 약 380 nm 내지 약 750 nm 미만의 파장 대역인 가시광선(visible light) 파장 대역을 포함할 수 있다.
일 실시 예에서, 수광부(212)는 발광부(211)에 대응하는 광을 수신하는 적어도 하나의 수광 모듈(예: PD(photo diode))을 포함할 수 있다. 센서 모듈(210)에 의해 획득되는 사용자의 생체 정보는 사용자의 건강 상태를 나타내는 필요한 이상의 센서 값(sensing value)을 포함할 수 있다.
일 실시 예에서, 디스플레이(120)는 웨어러블 전자 장치(100)(예: 도 3의 프로세서(310))에 의해 제어됨으로써, 사용자에게 시각적인 UI(user interface)를 제공할 수 있다.
일 실시 예에서, 스트랩(130)은 하우징(110)의 적어도 일부에 연결되고, 사용자의 신체 일부(예: 손목 및/또는 발목)에 웨어러블 전자 장치(100)를 탈착 가능하게 결착할 수 있다. 일 예시에서, 웨어러블 전자 장치(100)의 사용자는 밀착 정도를 높이기 위해 스트랩을 조절할 수 있다.
전술한 웨어러블 전자 장치(100)의 구조는 예시적인 것이며, 다양한 예에서, 웨어러블 전자 장치(100)는 도 2와 다르게 구현될 수 있으며, 웨어러블 전자 장치(100)는 본 문서에서 개시되는 생체 데이터 측정을 위한 방법을 수행하기 위해 다양한 형태 및/또는 구조를 가질 수 있다.
도 3은 일 실시 예에 따른, 웨어러블 전자 장치(100)의 블록도이다.
도 3을 참고하면, 일 실시 예에서, 웨어러블 전자 장치(100)는 프로세서(310), 제1 센서(320), 제2 센서(330), 및/또는 메모리(340)를 포함할 수 있다. 다양한 실시 예에서, 웨어러블 전자 장치(100)는 도 3에 도시된 구성요소 외에 추가적인 구성요소(예: 도 2의 디스플레이(120) 및/또는 통신 모듈(350))를 포함하거나, 도 3에 도시된 구성요소 중 적어도 하나를 생략할 수 있다.
일 실시 예에서, 프로세서(310)는 메모리(340)에 저장된 인스트럭션들을 이용하여 웨어러블 전자 장치(100)의 적어도 하나의 다른 구성요소들의 제어 및/또는 통신에 관한 연산이나 데이터 처리를 실행할 수 있다. 일 실시 예에서, 프로세서(310)는 중앙처리장치(CPU), 그래픽처리장치(GPU), MCU(micro controller unit), 센서허브, 보조프로세서(supplementary processor), 통신프로세서(communication processor), 애플리케이션 프로세서(application processor), ASIC(application specific integrated circuit), FPGA(field programmable gate arrays) 중 적어도 하나를 포함할 수 있으며, 복수의 코어(core)를 가질 수 있다.
일 실시 예에서, 프로세서(310)는 제1 센서(320)를 통해 사용자의 건강과 관련된 데이터를 획득할 수 있다. 일 예시에서, 제1 센서(320)는 사용자의 심박수를 측정하기 위한 적어도 하나의 생체 센서를 포함할 수 있다. 일 예시에서, 제1 센서(320)는 도 2의 센서 모듈(210))에 대응할 수 있다. 예를 들어, 제1 센서(320)는 생체 신호 센서로써, PPG(photoplethysmogram) 센서, ECG(electroencephalography) 센서, 또는 이들의 조합을 포함할 수 있다. 프로세서(310)는 제1 센서(320)에 포함된 발광부(예: 도 2의 발광부(211)) 및/또는 수광부(예: 도 2의 수광부(212))를 제어할 수 있다. 프로세서(310)는 제1 센서(320)를 직접 제어하는 센서 드라이버 컨트롤러 및 ADC(analog to digital converter)를 포함할 수 있다.
일 실시 예에서, 프로세서(310)는 발광부(211)의 적어도 하나의 LED 및/또는 LD를 구동할 수 있다. 일 예시에서, 프로세서(310)는 수광부(212)에 의하여 감지된 신호를 처리(예: 증폭 및/또는 필터링)할 수 있다. 예를 들어, 프로세서(310)는 수광부(212)를 통해 감지된 전류 신호를 전압 신호로 변환하고, 처리된 전압 신호를 디지털 신호로 변환할 수 있다.
일 실시 예에서, 프로세서(310)는 제2 센서(330)를 통해 사용자의 활동과 관련된 데이터를 획득할 수 있다. 일 예시에서, 제2 센서(330)는 가속도 센서(acceleration sensor), 자이로 센서(gyroscope sensor), 기압 센서(barometer sensor) 또는 자기 센서(magnectic sensor) 중 적어도 하나를 포함할 수 있다. 일 예시에서, 프로세서(310)는 제2 센서(330)를 통해 획득한 가속도 정보, 위치 정보 및/또는 시간 정보에 기초하여 사용자의 초당 걸음 수(step-frequency), 사용자의 속도, 사용자의 가속도 정보 및/또는 사용자의 액티비티 정보(예: 수면, 운동, 및/또는 업무)를 획득할 수 있다.
일 실시 예에서, 메모리(340)는 프로세서(310)와 작동적으로 결합되어 프로세서(310)로 입력되는 하나 이상의 인스트럭션 및 프로세서(310)에 의해 이용되는 데이터를 저장할 수 있다. 메모리(340)는 SRAM(Static Random Access Memory) 또는 DRAM(Dynamic RAM) 과 같은 휘발성 메모리 또는 MRAM(Magnetoresistive RAM), STT-MRAM(Spin-Transfer Torque MRAM), PRAM(Phase-change RAM), RRAM(Resistive RAM), FeRAM(Ferroelectric RAM) 뿐만 아니라 플래시 메모리, eMMC(Embedded Multi Media Card), SSD(Solid State Drive)와 같은 비휘발성 메모리 중 적어도 하나를 포함할 수 있다. 메모리(340) 또는 프로세서(310)와 관련된 하나 이상의 인스트럭션 및 데이터는 사용자의 심박수를 측정 및/또는 예측하는 것과 관련할 수 있다.
일 실시 예에서, 디스플레이(120)는 프로세서(310)에 의해 제어됨으로써, 사용자에게 시각적인 UI(user interface)를 제공할 수 있다. 일 예시에서, 디스플레이(120)는 하우징(110)을 통해 적어도 일부가 보여질 수 있다. 일 예시에서, 디스플레이(120)는 OLED(organic light emitting diodes), LCD(liquid crystal display), LED(light emitting diodes), QD(quantum dot), 또는 μLED(micro LED) 중 적어도 하나를 이용하여 사용자에게 정보를 시각적으로 출력할 수 있다. 일 예시에서, 디스플레이(120)를 통해 출력되는 UI는 사용자의 심박수 값(HR value, heart rate value)와 관련된 시각 요소(visual element) 또는 시각 객체(visual object)의 적어도 일부를 포함할 수 있다.
일 실시 예에서, 사용자가 디스플레이(120) 내에 출력되는 UI를 보다 직관적으로 제어할 수 있도록 디스플레이(120) 위에 배치되는 터치 센서 패널(TSP, touch screen panel)을 포함할 수 있다. 터치 센서 패널은 저항막(resistive film), 정전성 소자(capacitive components), 표면 초음파(surface acoustic wave) 또는 적외선(infrared) 중 적어도 하나를 이용하여 디스플레이(120)를 터치하거나 디스플레이(120) 상에서 호버링되는 오브젝트(예를 들어, 사용자의 손가락, 스타일러스 등)의 위치를 탐지할 수 있다.
도 4는 일 실시 예에 따른, 학습된 심박수를 획득하기 위한 웨어러블 전자 장치(100)의 학습 동작을 설명하기 위한 블록도이다.
도 4를 참고하면, 프로세서(310)는 제1 심박수 예측 모델(410)에 입력되는 학습 데이터(430)를 획득할 수 있다. 프로세서(310)는 학습 데이터(430)를 제1 센서(320), 제2 센서(330) 및/또는 메모리(340)로부터 획득할 수 있다. 학습 데이터(430)는 제1 심박수 예측 모델(410)의 학습을 위하여 이용되는 데이터를 포함할 수 있다.
일 실시 예에서, 학습 데이터(430)는 생체 데이터(402), 활동 데이터(403), 또는 사용자 정보(404) 중 적어도 하나를 포함할 수 있다. 일 예시에서, 프로세서(310)는 생체 데이터(402), 활동 데이터(403) 및/또는 사용자 정보(404)를 포함하는 학습 데이터(430)를 활용하는 제1 심박수 예측 모델(410)을 통해 예측된 심박수 데이터를 획득할 수 있다.
일 실시 예에서, 학습 데이터(430)에 포함된 생체 데이터(402)는 제1 센서(320)를 통해 획득할 수 있다. 제1 센서(320)는 PPG 센서 및/또는 ECG 센서를 포함할 수 있다. 프로세서(310)는 제1 센서(320)를 이용하여 생체 데이터를 수신할 수 있다. 예를 들어, 제1 센서(320)는 발광부(211)의 광원에서 방출된 빛(예: IR 및/또는 visible light 파장 대역)이 피부 혈관에서 일부 흡수되고 일부 반사되는 경우, 반사되는 빛의 양을 수광부(212)에서 감지하여 생체 데이터를 수신할 수 있다. 예를 들어, 상기 생체 데이터는 사용자의 심장 박동으로 인하여 혈관을 흐르는 혈액의 변화율에 대한 데이터를 포함하는 생체 파형 데이터를 포함할 수 있다 측정된 상기 데이터를 통해 사용자의 혈압, 호흡 및/또는 심박수를 저장할 수 있다.
일 실시 예에서, 제1 센서(320)를 이용하여 획득한 생체 데이터는 제1 센서(320)의 정확도(quality factor) 및/또는 외부 환경 요인(예: 사용자의 측정 자세 및/또는 온도)에 따라 측정 정확도가 달라질 수 있다.
일 실시 예에서, 학습 데이터(430)에 포함된 활동 데이터(403)는 제2 센서(330)를 통해 획득될 수 있다. 제2 센서(330)는 가속도 센서(acceleration sensor), 자이로 센서(gyroscope sensor), 기압 센서(barometer sensor) 또는 자기 센서(magnetic sensor) 중 적어도 하나를 포함할 수 있다. 프로세서(310)는 제2 센서(330)를 이용하여 활동 데이터를 수신할 수 있다. 일 예시에서, 상기 활동 데이터는 사용자의 운동 속도, 운동 가속도, 운동 거리, 초당 걸음 수, 및/또는 사용자의 활동 타입(activity type)에 대한 데이터를 포함할 수 있다. 예를 들어, 가속도 센서, 자이로 센서와 같이 사람의 움직임을 검출하는 센서를 통해 웨어러블 전자 장치(100)의 사용자에 의해 수행된 활동 타입을 판단할 수 있다. 예를 들어, 웨어러블 전자 장치(100)는 사용자의 활동 타입(예: 수면 상태, 또는 운동 상태) 판단하고 사용자의 활동이 수행된 시간 및 위치에 대한 정보를 획득할 수 있다.
일 실시 예에서, 프로세서(310)는 제1 센서(320)에 의해 획득 가능한 생체 데이터(402) 및 제2 센서(330)에 의해 획득 가능한 활동 데이터(403)를 동시에 측정하거나, 각각 별도의 시점에 각각 생체 데이터(402) 및 활동 데이터(403)를 측정할 수 있다. 예를 들어, 활동 데이터(403)를 생체 데이터(402)와 동시에 측정되거나, 생체 데이터(402)의 측정에 앞서 측정되거나, 생체 데이터(402)에 대한 측정에 응답하여 측정될 수 있다.
일 실시 예에서, 학습 데이터(430)에 포함된 사용자 정보(404)는 사용자의 입력에 의해서 획득될 수 있다. 메모리(340)는 사용자의 입력에 의해 입력된 사용자 정보(404)를 저장할 수 있다. 일 예시에서, 사용자 정보(404)는 사용자의 성별(gender), 나이(age), 키(height), 또는 몸무게(weight) 중 적어도 하나를 포함할 수 있다.
일 실시 예에서, 프로세서(310)는 제1 심박수 예측 모델(410)에 학습 데이터(430)를 적용하기 전에 획득된 학습 데이터(430)를 전처리 작업을 수행하거나 복수 개의 데이터 중에서 학습에 이용될 데이터를 선별할 수 있다. 예를 들어, 프로세서(310)는 학습 데이터(430)를 설정된 포맷으로 가공하거나, 필터링 하거나, 노이즈를 추가/제거하여 학습에 적절한 데이터의 형태로 가공할 수 있다.
일 실시 예에서, 프로세서(310)는 제1 센서(320)의 품질(예: 신호 대 잡음비(SNR, signal to noise ratio))을 측정하여, 제1 센서(320)의 정확도를 판단할 수 있다. 일 예시에서, 제1 센서(320)로부터 출력되는 제1 신호의 신호 대 잡음비가 지정된 제1 범위 이내인 경우, 프로세서(310)는 높은 신뢰도 지표(reliability index)를 갖는 것으로 판단할 수 있다. 이 경우, 웨어러블 전자 장치(100)의 사용자는 비교적 정확한 제1 심박수 값(401)을 획득할 수 있다. 일 예시에서, 제1 심박수 값(401)은 제1 센서(320)를 통해 획득된 웨어러블 전자 장치(100)의 사용자에 대한 심박수 값을 포함할 수 있다. 일 예시에서, 프로세서(310)는 제1 심박수 값(401)에 대응하는 동일한 시간 구간에서의 웨어러블 전자 장치(100)의 사용자에 대한 활동 데이터(403)를 제2 센서(330)를 통해 획득할 수 있다.
일 실시 예에서, 제1 센서(320)의 신호 대 잡음비가 지정된 제1 범위 이내에 해당하여, 제1 센서(320)의 정확도가 높은 경우, 프로세서(310)는 제1 센서(320)를 통해 획득한 제1 심박수 값(401)을 디스플레이(120)를 통해 출력할 수 있다.
일 실시 예에서, 프로세서(310)는 제1 센서(320)의 신호 대 잡음비가 지정된 제1 범위를 벗어난 제2 범위 이내인 경우, 프로세서(310)는 낮은 신뢰도 지표(reliability index)를 갖는 것으로 판단할 수 있다. 이 경우, 제1 심박수 예측 모델(410)을 이용하여 예측된 제2 심박수 값(411)을 획득할 수 있다. 일 예시에서, 프로세서(310)는 학습 데이터(430)를 제1 심박수 예측 모델(410)에 입력할 수 있다. 프로세서(310)는 제1 심박수 예측 모델(410)을 통해 학습된 심박수 값에 해당하는 제2 심박수 값(411)을 출력할 수 있다.
일 실시 예에서, 프로세서(310)는 제1 센서(320)가 낮은 신뢰도 지표를 가져, 제1 센서(320)의 정확도가 좋지 않은 것으로 판단하는 경우, 프로세서(310)는 디스플레이(120)를 통해 제1 센서(320)의 정확도 판단 결과에 대한 메시지 및 제1 센서(320)의 정확도 판단 결과에 따라 제공되는 심박수 값에 대한 메시지를 출력할 수 있다. 일 예시에서, 제1 센서(320)의 정확도 판단에 따라 출력되는 메시지와 관련하여 후술하는 도 11 내지 도 12를 참고하여, 상세하게 설명한다.
일 실시 예에서, 제1 심박수 예측 모델은 LSTM(long short-term memory)과 같은 알고리즘 모델을 포함할 수 있으나, 이에 한정되는 것은 아니다.
일 실시 예에서, 프로세서(310)는 제1 센서(320)의 신호 대 잡음비가 지정된 제1 범위 이내인 경우, 제1 센서(320)를 통해 획득한 생체 데이터(402) 및 제2 센서(330)를 통해 획득한 활동 데이터(403)를 이용하여 제1 심박수 예측 모델(410)을 갱신할 수 있다.
일 실시 예에서, 프로세서(310)는 제1 센서(320)를 통해 획득한 생체 데이터(402), 제2 센서(330)를 통해 획득한 활동 데이터(403) 및 사용자 정보(404)를 기반으로 최대 산소 섭취량(VO2Max)을 추정할 수 있다. 일 예시에서, 최대 산소 섭취량은 심폐 체력의 지표 중 하나로 개인의 운동 강도를 높여 달성할 수 있는 최대한의 산소 섭취 능력을 의미할 수 있다. 일 예시에서, 사용자 정보(404)에 포함된 사용자의 성별에 따라 최대 산소 섭취량을 추정함에 있어서, 유의미한 차이를 나타낼 수 있다. 예를 들어, 남성의 최대 산소 섭취량이 여성에 비해 높은 수치를 나타낼 수 있다.
일 실시 예에서, 프로세서(310)는 활동 데이터(403)를 기반으로 획득한 최대 산소 섭취량 및 학습 데이터(430)를 제1 심박수 예측 모델(410)에 적용하여 제2 심박수 값(411)을 학습시킬 수 있다. 일 예시에서, 제1 심박수 예측 모델(410)은 학습 데이터(430)에 포함된 활동 데이터(403) 및 사용자 정보(404)와 심박수 값(heart rate value)의 연결성을 추정하여 예측된 제2 심박수 값(411)을 제공할 수 있다.
일 실시 예에서, 메모리(340)는 제1 심박수 예측 모델(410)을 학습하기 위한 학습 데이터(430) 및 활동 데이터(403)를 기반으로 획득 가능한 최대 산소 섭취량에 대한 데이터를 저장할 수 있다.
일 실시 예에서, 학습 데이터(430)에 포함된 생체 데이터(402), 활동 데이터(403), 사용자 정보(404) 및 심박수 값의 연결성에 관한 설명은 도 7 내지 도 10을 참고하여, 상세히 설명한다.
도 5는 다른 일 실시 예에 따른, 학습된 심박수를 획득하기 위한 웨어러블 전자 장치(100)의 학습 동작을 설명하기 위한 블록도이다.
도 5를 참고하면, 웨어러블 전자 장치(100)는 제1 심박수 예측 모델(410) 및 제2 심박수 예측 모델(420)을 포함할 수 있다.
일 실시 예에서, 메모리(340)에 사용자의 입력에 의해 사용자의 최대 산소 섭취량(VO2Max)이 저장되거나, 제1 심박수 예측 모델(410)의 학습에 의해 최대 산소 섭취량(VO2Max)이 저장될 수 있다.
일 실시 예에서, 메모리(340)에 미리 최대 산소 섭취량이 저장되어 있는 경우, 프로세서(310)는 제2 심박수 예측 모델(420)을 통한 학습을 통해 제3 심박수 값(421)을 획득할 수 있다.
일 실시 예에서, 프로세서(310)는 회귀 분석을 통해 메모리(340)에 저장된 최대 산소 섭취량, 학습 데이터(430)에 포함되는 활동 데이터(403), 및 사용자 정보(404)를 제2 심박수 예측 모델(420)에 적용하여 학습된 심박수 값에 해당하는 제3 심박수 값(421)을 출력할 수 있다. 일 예시에서, 제2 심박수 예측 모델(420)은 메모리(340)에 저장된 최대 산소 섭취량, 활동 데이터(403), 및 사용자 정보(404)와 심박수 값의 연결성을 추정하여 예측된 제3 심박수 값(421)을 제공할 수 있다.
일 실시 예에서, 프로세서(310)는 제1 센서(320)의 품질(예: 신호 대 잡음비(SNR, signal to noise ratio))을 측정하여, 제1 센서(320)의 정확도를 판단할 수 있다. 일 예시에서, 프로세서(310)는 제1 센서(320)의 정확도가 좋지 않은 것으로 판단되는 경우, 제1 심박수 예측 모델(410)을 통해 추정되는 제2 심박수 값(411) 및 제2 심박수 예측 모델(420)을 통해 추정되는 제3 심박수 값(421)을 통해 제4 심박수 값(431)이 도출될 수 있다.
수학식 1을 참고하면, 제1 센서(320)의 신호 정확도가 좋지 않은 경우, 프로세서(310)는 제4 심박수 값(431)을 제1 심박수 예측 모델(410) 및 제2 심박수 예측 모델(420)에 의한 측정 횟수를 고려하여 제1 심박수 예측 모델(410) 및 제2 심박수 예측 모델(420)의 평균 값을 통해 구할 수 있다.
일 실시 예에서, 프로세서(310)는 수학식 1을 통해 제4 심박수 값(431)을 획득할 수 있다.
도 6a는 일 실시 예에 따른, 제1 심박수 예측 모델(410)을 생성하는 방법을 설명하기 위한 순서도이다.
이하, 실시 예에서, 각 동작들은 순차적으로 수행할 수 있으나, 반드시 순차적으로 수행되는 것은 아니다. 예를 들어, 각 동작들의 순서가 변경될 수도 있으며, 적어도 두 동작들이 병렬적으로 수행될 수도 있다.
일 실시 예에 따르면, 웨어러블 전자 장치(100)(예: 도 3의 프로세서(310))는 동작 611에서, 제1 센서(320)를 이용하여 검출된 제1 신호에 기초하여 사용자의 생체 데이터(402)를 획득할 수 있다.
일 실시 예에서, 프로세서(310)는 제1 센서(320)로부터 출력된 제1 신호를 통해 심박수 관련 데이터를 포함하는 생체 데이터를 획득할 수 있다.
일 실시 예에 따르면, 웨어러블 전자 장치(100)(예: 도 3의 프로세서(310))는 동작 613에서, 제2 센서(330)를 이용하여 사용자의 활동 데이터(403)를 획득할 수 있다.
일 실시 예에서, 사용자의 활동 데이터는 제2 센서(330)를 통해 획득하거나, 메모리(340)에 기 저장된 데이터를 통해 획득할 수 있다.
일 실시 예에서, 활동 데이터(403)는 사용자의 걸음 속도, 사용자의 초당 걸음수(step-frequency), 또는 사용자의 가속도(power of accelerometer) 중 적어도 하나를 포함할 수 있다.
일 실시 예에 따르면, 웨어러블 전자 장치(100)(예: 도 3의 프로세서(310))는 동작 615에서, 제1 센서(320)를 이용하여 검출된 제1 신호의 신호 정확도 값(quality factor)이 제1 범위에 해당하는지 여부를 판단할 수 있다.
일 실시 예에서, 제1 센서(320)는 제1 센서(320)의 품질을 측정하기 위해 제1 신호를 출력할 수 있다. 프로세서(310)는 제1 센서(320)로부터 출력된 제1 신호를 통해 신호 대 잡음비를 측정하여, 제1 센서(320)의 정확도를 판단할 수 있다.
일 실시 예에서, 제1 센서(320)를 이용하여 검출된 제1 신호의 신호 정확도 값이 제1 범위 이내인 경우, 제1 센서(320)로부터 검출된 제1 신호의 신호 정확도가 높은 신뢰도를 갖는 것으로 판단할 수 있다.
일 실시 예에서, 제1 센서(320)를 이용하여 검출된 제1 신호의 신호 정확도 값이 상기 제1 범위가 아닌 제2 범위 이내인 경우, 제2 센서(330)로부터 검출된 제1 신호 정확도가 낮은 신뢰도를 갖는 것으로 판단할 수 있다.
일 실시 예에 따르면, 제1 센서(320)를 이용하여 검출된 제1 신호의 신호 정확도 값이 제1 범위에 해당하는 경우, 웨어러블 전자 장치(100)(예: 도 3의 프로세서(310))는 동작 617에서, 기 설정된 사용자 정보, 생체 데이터(402), 또는 활동 데이터(403)에 기반하여 사용자의 심박수 값을 예측하는 제1 심박수 예측 모델(410)을 생성할 수 있다.
일 실시 예에서, 상기 기 설정된 사용자 정보는 웨어러블 전자 장치(100)를 통해 사용자로부터 입력 받은 정보이거나 외부 서버로부터 수신한 정보에 해당할 수 있다.
일 실시 예에서, 기 설정된 사용자 정보(404)는 성별(gender), 나이(age), 키(height), 또는 몸무게(weight) 적어도 하나를 포함할 수 있다.
일 실시 예에서, 제1 센서(320)를 이용하여 검출된 제1 신호의 신호 정확도 값이 제2 범위에 해당하는 경우, 웨어러블 전자 장치(100)(예: 도 3의 프로세서(310))는 동작 611으로 돌아가 제1 센서(320)를 이용하여 검출된 제1 신호에 기초하여 사용자의 생체 데이터를 획득할 수 있다.
일 실시 예에서, 기 설정된 사용자 정보(404), 생체 데이터(402), 및 활동 데이터(403)와 사용자 심박수 값의 상관 관계와 관련하여 도 7 내지 도 10을 참고하여 설명한다.
도 6b는 일 실시 예에 따른, 웨어러블 전자 장치(100)를 통해 심박수 데이터를 획득하는 방법을 설명하기 위한 순서도이다.
일 실시 예에 따른, 웨어러블 전자 장치(100)(예: 도 3의 프로세서(310))는 동작 621에서, 제1 센서(320)를 이용하여 검출된 제1 신호에 기초하여 사용자의 생체 데이터(402)를 획득할 수 있다.
일 실시 예에 따른, 웨어러블 전자 장치(100)(예: 도 3의 프로세서(310))는 동작 623에서, 제1 센서(320)를 이용하여 검출된 제1 신호의 신호 정확도 값이 제1 범위에 해당하는지 여부를 판단할 수 있다.
일 실시 예에 따른, 웨어러블 전자 장치(100)(예: 도 3의 프로세서(310))는 동작 625에서, 제1 범위에 포함되는 신호 정확도 값에 응답하여 생체 데이터(402)를 이용하여 제1 심박수 값(401)을 획득할 수 있다.
일 실시 예에서, 프로세서(310)는 상기 신호 정확도가 상기 제1 범위에 포함되는 경우, 상기 생체 데이터(402)를 이용하여 획득된 제1 심박수 값(401)에 기초하여 제1 심박수 예측 모델(410)을 갱신할 수 있다.
일 실시 예에 따른, 제1 센서(320)를 이용하여 검출된 제1 신호의 신호 정확도 값이 제1 범위에 해당하지 않는 경우, 웨어러블 전자 장치(100)(예: 도 3의 프로세서(310))는 동작 627에서 기 설정된 사용자 정보(404), 생체 데이터(402), 또는 활동 데이터(403)를 기반으로 생성된 제1 심박수 예측 모델(410)을 이용하여 제2 심박수 값(411)을 획득할 수 있다.
일 실시 예에서, 제1 센서(320)를 이용하여 검출된 제1 신호의 신호 정확도 값이 제1 범위에 해당하지 않는 경우, 프로세서(310)는 제1 신호의 신호 정확도가 낮은 신뢰도를 갖는 것으로 판단할 수 있다. 제1 신호의 신호 정확도가 낮은 신뢰도를 갖는 경우, 상기 제1 신호에 기초하여 획득한 생체 데이터를 기반으로 획득되는 심박수 값 또한 신뢰도가 떨어질 수 있다. 따라서, 이 경우, 제1 센서(320)를 이용하여 검출한 제1 신호에 기초하여 획득된 생체 데이터로부터 심박수를 획득하지 않고, 제1 심박수 예측 모델(410)을 이용하여 제2 심박수 값(411)을 획득할 수 있다.
일 실시 예에 따른, 웨어러블 전자 장치(100)(예: 도 3의 프로세서(310))는 동작 629에서 제1 심박수 값(401) 또는 제2 심박수 값(411) 중 적어도 하나를 포함하는 심박수 데이터를 출력할 수 있다.
일 실시 예에서, 웨어러블 전자 장치(100)는 프로세서(310)에 의해 제어되는 화면을 표시하는 디스플레이(예: 도 3의 디스플레이(120))를 포함할 수 있다. 프로세서(310)는 제2 심박수 값(411)을 제1 심박수 값(401)과 구별되도록 표시하는 화면을 출력할 수 있다.
도 6c는 일 실시 예에 따른, 제2 심박수 예측 모델(420)을 생성하는 방법을 설명하기 위한 순서도이다.
일 실시 예에 따른, 웨어러블 전자 장치(100)(예: 도 3의 프로세서(310))는 동작 631에서, 제1 센서(320)를 이용하여 검출된 제1 신호에 기초하여 사용자의 생체 데이터(402)를 획득할 수 있다.
일 실시 예에 따른, 웨어러블 전자 장치(100)(예: 도 3의 프로세서(310))는 동작 633에서, 제2 센서(330)를 이용하여 사용자의 활동 데이터를 획득할 수 있다.
일 실시 예에 따른, 웨어러블 전자 장치(100)(예: 도 3의 프로세서(310))는 동작 635에서, 제1 센서(320)를 이용하여 검출된 제1 신호의 신호 정확도의 값이 제1 범위에 해당하는지 여부를 판단할 수 있다.
일 실시 예에 따른, 웨어러블 전자 장치(100)(예: 도 3의 프로세서(310))는 동작 637에서, 기 설정된 사용자 정보(404), 생체 데이터(402), 또는 활동 데이터(403)에 기반하여 사용자의 최대 산소 섭취량을 학습하여 심박수 값을 예측하는 제2 심박수 예측 모델(420)을 생성할 수 있다.
일 실시 예에서, 제1 센서(320)를 이용하여 검출된 제1 신호의 신호 정확도의 값이 제1 범위에 해당하는 경우, 프로세서(310)는 제1 센서(320)로부터 검출된 제1 신호의 신호 정확도가 높은 신뢰도를 갖는 것으로 판단할 수 있다. 제2 심박수 예측 모델(420)은 제1 센서(320)를 통해 획득한 생체 데이터를 기반으로 획득한 제1 심박수 값(401), 활동 데이터(403) 및 사용자 정보(404)를 기반으로 사용자의 최대 산소 섭취량(VO2Max)을 학습할 수 있다. 최대 산소 섭취량은 심박수 값의 변화와 같이 급격하게 변하지 않으며, 사용자 정보(404)(예: 나이, 성별, 키, 또는 몸무게)와 같이 고정된 사용자의 고유 정보로 인지될 수 있다. 따라서, 프로세서(310)는 최대 산소 섭취량을 학습한 제2 심박수 예측 모델(420)을 통해서 제3 심박수 값(421)을 획득할 수 있다.
도 6d는 다른 일 실시 예에 따른, 웨어러블 전자 장치(100)를 통해 심박수 데이터를 획득하는 방법을 설명하기 위한 순서도이다.
일 실시 예에 따른, 웨어러블 전자 장치(100)(예: 도 3의 프로세서(310))는 동작 641에서, 제1 센서(320)를 이용하여 검출된 제1 신호에 기초하여 사용자의 생체 데이터(402)를 획득할 수 있다.
일 실시 예에 따른, 웨어러블 전자 장치(100)(예: 도 3의 프로세서(310))는 동작 642에서, 제1 센서(320)를 이용하여 검출된 제1 신호의 신호 정확도 값이 제1 범위에 해당하지 여부를 판단할 수 있다.
일 실시 예에 따른, 제1 센서(320)를 이용하여 검출된 제1 신호의 신호 정확도 값이 제1 범위에 해당하는 경우, 웨어러블 전자 장치(100)(예: 도 3의 프로세서(310))는 동작 643에서, 제1 범위에 포함되는 신호 정확도 값에 응답하여 생체 데이터(402)를 이용하여 제1 심박수 값(401)을 획득할 수 있다.
일 실시 예에 따른, 제1 센서(320)를 이용하여 검출된 제1 신호의 신호 정확도 값이 제1 범위에 해당하지 않는 경우, 웨어러블 전자 장치(100)(예: 도 3의 프로세서(310))는 동작 644에서 기 설정된 사용자 정보(404), 생체 데이터(402), 및 활동 데이터(403)에 기반하여 생성된 제1 심박수 예측 모델(410)을 이용하여 제2 심박수 값(411)을 획득할 수 있다.
일 실시 예에서, 제1 센서(320)를 이용하여 검출된 제1 신호의 신호 정확도 값이 제1 범위에 해당하지 않는 경우, 프로세서(310)는 제1 신호의 신호 정확도가 낮은 신뢰도를 갖는 것으로 판단할 수 있다. 제1 신호의 신호 정확도가 낮은 신뢰도를 갖는 경우, 상기 제1 신호에 기초하여 획득한 생체 데이터를 기반으로 획득되는 심박수 값 또한 신뢰도가 떨어질 수 있다. 따라서, 이 경우, 제1 센서(320)를 이용하여 검출한 제1 신호에 기초하여 획득된 생체 데이터로부터 심박수를 획득하지 않고, 제1 심박수 예측 모델(410)을 이용하여 제2 심박수 값(411)을 획득할 수 있다.
일 실시 예에 따른, 웨어러블 전자 장치(100)(예: 도 3의 프로세서(310)는 동작 645에서, 메모리(340)에 사용자의 최대 산소 섭취량에 대한 값이 저장되어 있는지 여부를 판단할 수 있다.
일 실시 예에서, 프로세서(310)가 메모리(340)에 사용자의 최대 산소 섭취량에 대한 값이 저장되어 있지 않은 경우, 웨어러블 전자 장치(100)(예: 도 3의 프로세서(310))는 동작 646에서 제1 심박수 값(401) 또는 제2 심박수 값(411) 중 적어도 하나를 포함하는 심박수 데이터를 출력할 수 있다.
일 실시 예에 따른, 프로세서(310)는 메모리(340)에 사용자의 최대 산소 섭취량에 대한 값이 저장되어 있는 경우, 웨어러블 전자 장치(100)(예: 도 3의 프로세서(310))는 동작 647에서 사용자의 최대 산소 섭취량에 대한 값을 기반으로 심박수 값을 예측하는 제2 심박수 예측 모델(420)을 이용하여 제3 심박수 값(421)을 획득할 수 있다.
일 실시 예에 따른, 웨어러블 전자 장치(100)(예: 도 3의 프로세서(310))는 동작 648에서 제2 심박수 값(411) 및 제3 심박수 값(421)을 기반으로 제4 심박수 값(431)을 획득할 수 있다.
일 실시 예에서, 프로세서(310)가 제2 심박수 값(411) 및 제3 심박수 값(421)을 기반으로 제4 심박수 값(431)을 획득하는 방법과 관련하여 도 5를 통해 설명한다.
일 실시 예에 따른, 웨어러블 전자 장치(100)(예: 도 3의 프로세서(310))는 동작 649에서 제1 심박수 값(401) 또는 제4 심박수 값(431) 중 적어도 하나를 포함하는 심박수 데이터를 출력할 수 있다.
도 7은 일 실시 예에 따른, 서로 다른 최대 산소 섭취량(VO2Max)을 갖는 서브젝트들의 활동 데이터(예: 속도)와 심박수와의 관계를 나타낸다.
도 7을 참고하면, 제1 센서(320)를 통한 생체 데이터(402)를 기반으로 서로 다른 심박수 및 제2 센서(330)를 통한 활동 데이터(403)를 기반으로 서로 다른 최대 산소 섭취량을 갖는 서브젝트들(subjects)의 상관 관계를 나타낸다. 일 예시에서, 최대 산소 섭취량은 사용자의 심폐 체력의 지표로서, 운동 강도가 증가하더라도 산소 섭취량이 더 이상 증가하지 않게 되는 시점의 산소 섭취량이다.
이하, 도 7 내지 도 10에서의 심박수 값은 제1 센서(320)로부터 검출된 제1 신호가 제1 범위 이내에 해당하여 높은 신뢰도 지표를 갖는 경우의 심박수 값에 해당하는 것으로 가정한다.
도 7을 참고하면, 최대 산소 섭취량과 심박수 간의 상관 관계를 도시한다. 도 7의 그래프에서 X 축은 심박수(HR, heart rate)를 나타낸다. Y 축은 속도(speed)를 나타낸다. 심박수의 단위는 분당 박동수(BPM, beat per minute)이며, 속도의 단위는 km/h이다.
일 실시 예에, 제1 서브젝트(701) 내지 제3 서브젝트(703)를 통해 심박수와 최대 산소 섭취량 지표 간의 상관 관계를 알 수 있다. 최대 산소 섭취량이 높은 서브젝트가 동일한 속도 또는 더 높은 속도로 달리더라도 심박수가 상대적으로 낮게 측정될 수 있다. 예를 들어, 동일한 속도에서 60kg/ml/min의 최대 산소 섭취량을 갖는 제1 서브젝트(701)가 약 47kg/ml/min의 최대 산소 섭취량을 갖는 제2 서브젝트(702)보다 상대적으로 낮은 심박수가 측정될 수 있다. 일 예시에서, 프로세서(310)는 제1 심박수 예측 모델(410)을 통해서 활동 데이터(403)를 통해 획득된 최대 산소 섭취량, 생체 데이터(402) 및 사용자 정보(404)를 통해 심박수 데이터를 학습할 수 있다.
도 8은 일 실시 예에 따른, 제1 최대 산소 섭취량(VO2Max)을 가지는 서브젝트의 활동 데이터(예: 속도)와 심박수와의 관계를 나타낸다.
도 8을 참고하면, 제1 최대 산소 섭취량을 가지는 서브젝트가 서로 다른 속도로 운동하는 경우 심박수 데이터를 나타낸다.
도 8의 801을 참고하면, 제1 최대 산소 섭취량을 가지는 서브젝트가 제1 구간(810)에서 속도 약 10km/h로 운동하는 경우, 심박수는 약 170bpm일 수 있다. 도 8의 802를 참고하면, 제1 최대 산소 섭취량을 가지는 서브젝트가 제2 구간(820)에서 속도 약 8km/h로 운동하는 경우, 심박수는 약 160bpm일 수 있다. 속도와 심박수는 비례 관계에 이므로, 제1 최대 산소 섭취량을 가지는 서브젝트가 속도를 높여 운동할수록 높은 심박수가 측정될 수 있다.
도 9는 일 실시 예에 따른, 서로 다른 최대 산소 섭취량(VO2Max)을 갖는 서브젝트들의 활동 데이터(예: 가속력)와 심박수와의 관계를 나타낸다.
도 9를 참고하면, 제1 구간(910)은 점점 빠른 속도로 운동하는 가속도 증가 구간이다. 제2 구간(920)은 일정한 속도로 운동하는 구간이다. 제3 구간(930)은 점점 느린 속도로 운동하는 가속도 감소 구간이다.
일 실시 예에서, 가속력(acceleration of power)은 웨어러블 전자 장치(100)의 사용자의 움직임을 나타내는 값이다.
도 9를 참고하면, 제1 서브젝트(901) 내지 제3 서브젝트(903)가 동일하게 운동하더라도, 심박수 변화는 다를 수 있다.
도 10은 일 실시 예에 따른, 서로 다른 최대 산소 섭취량(VO2Max)을 갖는 서브젝트들의 활동 데이터(예: 초당 걸음수)와 심박수와의 관계를 나타낸다.
도 10의 1001을 참고하면, 초당 걸음수(step-frequency)와 심박수 간의 상관 관계를 도시한다. 도 10의 X 축은 심박수(HR, heart rate)를 나타낸다. Y 축은 초당 걸음수(step-frequency)를 나타낸다. 심박수의 단위는 분당 박동수(BPM, beat per minute)이며 초당 걸음수의 단위는 Hz이다.
일 실시 예에서, 제1 서브젝트(1011) 내지 제3 서브젝트(1031)를 통해 심박수와 초당 걸음수 간의 상관 관계를 알 수 있다. 일 예시에서, 제1 서브젝트(1011), 제2 서브젝트(1021), 및 제3 서브젝트(1031)는 초당 걸음 수가 동일하더라도 서로 다른 심박수 값이 측정될 수 있다.
도 10의 1002를 참고하면, 제1 구간(1010)에서 제2 구간(1020)으로 초당 걸음 수가 변하는 경우, 이에 대응하여 심박수 값이 변할 수 있다. 즉, 초당 걸음 수와 심박수는 비례 관계에 있다.
도 11은 일 실시 예에 따른, 웨어러블 전자 장치(100)의 디스플레이(120)에 출력하는 화면을 나타낸다.
도 11를 참고하면, 웨어러블 전자 장치(100)가 심박수 측정과 관련된 어플리케이션(예: 건강 관리 어플리케이션)을 실행할 수 있다. 일 예시에서, 웨어러블 전자 장치(100)가 심박수 측정과 관련된 어플리케이션 및 심박수 측정과 관련된 사용자 입력에 기반하여 디스플레이(120)에 출력되는 UI(user interface)의 일 예시가 도시된다. 일 예시에서, 웨어러블 전자 장치(100)는 심박수 측정하기 위해 필요한 사용자의 동작(예: 웨어러블 전자 장치(100)에 배치된 제1 센서(320)를 터치하는 동작)에 따라서 프로세서(310)가 판단한 제1 센서(320)의 정확도(quality factor)와 관련된 텍스트, 이미지, 또는 비디오 중 적어도 하나를 UI(user interface)를 디스플레이(120)를 통해 출력할 수 있다. 다른 일 예시에서, 웨어러블 전자 장치(100)는 스피커 및/또는 진동 모터와 같은 햅틱 액추에이터(haptic actuator) 중 적어도 하나에 기반하여, 웨어러블 전자 장치(100)는 제1 센서의 정확도 판단과 관련한 음향을 출력할 수 있다.
일 실시 예에서, 제1 센서(320)의 정확도가 지정된 제1 범위를 벗어난 제2 범위 내에 포함되는 경우, 웨어러블 전자 장치(100)는 제1 센서(320)의 정확도가 좋지 않음을 나타내는 메시지와 심박수 예측 모델(예: 도 5의 제1 심박수 예측 모델(410) 및/또는 제2 심박수 예측 모델(420))을 이용하여 획득되는 심박수 값 제공 예정을 나타내는 메시지를 출력할 수 있다.
일 예시에서, 프로세서(310)가 제1 심박수 예측 모델(410)을 통해 심박수를 학습한 경우, 웨어러블 전자 장치(100)는 심박수 예측 모델에 따라 획득되는 사용자의 심박수 값을 나타내는 메시지를 디스플레이(120)를 통해 출력할 수 있다.
도 12는 다른 일 실시 예에 따른, 외부 전자 장치 및 웨어러블 전자 장치(100)의 디스플레이(120)에 출력하는 화면을 나타낸다.
도 12를 참고하면, 웨어러블 전자 장치(100)는 통신 모듈(예: 도 3의 통신 모듈(350) 및/또는 도 13의 통신 모듈(1390))을 통해 시간에 따른 심박수 데이터 값을 외부 전자 장치(예: 도 13의 전자 장치(1302))에 전달할 수 있다.
일 실시 예에서, 웨어러블 전자 장치(100)는 제1 센서(320)에 의해 측정된 심박수 값 및/또는 심박수 예측 모델에 의해 예측된 심박수 값을 외부 전자 장치(1402)에 전송할 수 있다. 도 12의 1201을 참고하면, 생체 센서가 노이즈(noise)에 의해 지정된 기준을 만족하지 못하는 경우, 웨어러블 전자 장치는 생체 센서에 의해 측정된 생체 신호에 의해서는 정확한 심박수 데이터 값을 구할 수 없다. 따라서, 생체 센서의 정확도가 지정된 기준보다 낮은 경우, 외부 전자 장치(1402)는 웨어러블 전자 장치로부터 일부 구간에서의 심박수 데이터를 수신하지 못할 수 있다. 예를 들어, 사용자가 운동 중이며, 일부 구간에서 생체 센서의 정확도가 지정된 기준보다 낮은 경우, 외부 전자 장치(1402)는 웨어러블 전자 장치를 착용한 사용자의 속도 데이터(1201b) 및 상기 일부 구간에서의 심박수가 표시되지 않은 심박수 데이터(1201a)를 출력할 수 있다.
일 실시 예에서, 외부 전자 장치(1402)는 웨어러블 전자 장치(100)로부터 수신한 데이터를 디스플레이(1220)를 통해 출력할 수 있다. 예를 들어, 외부 전자 장치(1402)는 웨어러블 전자 장치(100)를 통해 수신한 데이터를 기반으로 시간에 따른 웨어러블 전자 장치(100)를 착용한 사용자의 속도(단위: km/h) 또는 심박수(예: bpm) 데이터를 디스플레이(1220)에 출력할 수 있다.
도 12의 1202를 참고하면, 제1 센서(320)로부터 검출된 제1 신호의 정확도가 노이즈에 의해 좋지 않은 경우, 웨어러블 전자 장치(100)는 제1 센서(320)에 의해 측정된 생체 신호에 의해서는 정확한 심박수 데이터를 구할 수 없을 수 있다. 웨어러블 전자 장치(100)는 제1 센서(320)의 정확도가 지정된 기준을 만족하지 못한 경우 웨어러블 전자 장치(100)를 사용하는 사용자에 대한 심박수 예측 모델(예: 도 5의 제1 심박수 예측 모델(410) 및/또는 제2 심박수 예측 모델(420))을 이용하여 비교적 정확한 심박수 데이터 값을 제공할 수 있다. 사용자는 웨어러블 전자 장치(100)로부터 수신한 제1 심박수 예측 모델(410)에 의해 획득한 심박수 데이터(예: 도 4의 제2 심박수 값(411)) 및 속도 데이터를 디스플레이(1220)를 통해 그래프 형태의 심박수 데이터(1202a)와 속도 데이터(1202b)를 제공할 수 있다.
일 실시 예에서, 웨어러블 전자 장치(100)는 제1 센서(320)의 정확도가 지정된 기준을 만족하지 못한 경우, 메모리(340)에 미리 저장된 최대 산소 섭취량, 학습 데이터(430)에 포함된 생체 데이터(402), 활동 데이터(403) 및 사용자 정보(404)를 제2 심박수 예측 모델(420)에 적용하여 심박수 값을 획득할 수 있다. 사용자는 웨어러블 전자 장치(100)로부터 제2 심박수 예측 모델(420)에 의해 획득한 심박수 데이터(예: 도 5의 제3 심박수 값(421)) 및 속도 데이터를 디스플레이(1220)를 통해 그래프 형태의 심박수 데이터(1202a)와 속도 데이터(1202b)를 제공할 수 있다.
일 실시 예에서, 웨어러블 전자 장치(100)는 제1 센서(320)의 정확도가 지정된 기준을 만족하지 못한 경우, 프로세서(310)가 제1 심박수 예측 모델(410)을 이용하여 심박수를 예측할 수 있다. 웨어러블 전자 장치(100)는 제1 심박수 예측 모델(410)에 의해 획득된 사용자의 심박수 값을 나타내는 메시지를 디스플레이(120)를 통해 출력할 수 있다.
도 13은 다양한 실시 예들에 따른, 네트워크 환경(1300) 내의 전자 장치(1301)의 블록도이다.
도 13을 참조하면, 네트워크 환경(1300)에서 전자 장치(1301)는 제 1 네트워크(1398)(예: 근거리 무선 통신 네트워크)를 통하여 전자 장치(1302)와 통신하거나, 또는 제 2 네트워크(1399)(예: 원거리 무선 통신 네트워크)를 통하여 전자 장치(1304) 또는 서버(1308)와 통신할 수 있다. 일 실시 예에 따르면, 전자 장치(1301)는 서버(1308)를 통하여 전자 장치(1304)와 통신할 수 있다. 일 실시 예에 따르면, 전자 장치(1301)는 프로세서(1320), 메모리(1330), 입력 모듈(1350), 음향 출력 모듈(1355), 디스플레이 모듈(1360), 오디오 모듈(1370), 센서 모듈(1376), 인터페이스(1377), 연결 단자(1378), 햅틱 모듈(1379), 카메라 모듈(1380), 전력 관리 모듈(1388), 배터리(1389), 통신 모듈(1390), 가입자 식별 모듈(1396), 또는 안테나 모듈(1397)을 포함할 수 있다. 어떤 실시 예에서는, 전자 장치(1301)에는, 이 구성요소들 중 적어도 하나(예: 연결 단자(1378))가 생략되거나, 하나 이상의 다른 구성요소가 추가될 수 있다. 어떤 실시 예에서는, 이 구성요소들 중 일부들(예: 센서 모듈(1376), 카메라 모듈(1380), 또는 안테나 모듈(1397))은 하나의 구성요소(예: 디스플레이 모듈(1360))로 통합될 수 있다.
프로세서(1320)는, 예를 들면, 소프트웨어(예: 프로그램(1340))를 실행하여 프로세서(1320)에 연결된 전자 장치(1301)의 적어도 하나의 다른 구성요소(예: 하드웨어 또는 소프트웨어 구성요소)를 제어할 수 있고, 다양한 데이터 처리 또는 연산을 수행할 수 있다. 일 실시 예에 따르면, 데이터 처리 또는 연산의 적어도 일부로서, 프로세서(1320)는 다른 구성요소(예: 센서 모듈(1376) 또는 통신 모듈(1390))로부터 수신된 명령 또는 데이터를 휘발성 메모리(1332)에 저장하고, 휘발성 메모리(1332)에 저장된 명령 또는 데이터를 처리하고, 결과 데이터를 비휘발성 메모리(1334)에 저장할 수 있다. 일 실시 예에 따르면, 프로세서(1320)는 메인 프로세서(1321)(예: 중앙 처리 장치 또는 어플리케이션 프로세서) 또는 이와는 독립적으로 또는 함께 운영 가능한 보조 프로세서(1323)(예: 그래픽 처리 장치, 신경망 처리 장치(NPU: neural processing unit), 이미지 시그널 프로세서, 센서 허브 프로세서, 또는 커뮤니케이션 프로세서)를 포함할 수 있다. 예를 들어, 전자 장치(1301)가 메인 프로세서(1321) 및 보조 프로세서(1323)를 포함하는 경우, 보조 프로세서(1323)는 메인 프로세서(1321)보다 저전력을 사용하거나, 지정된 기능에 특화되도록 설정될 수 있다. 보조 프로세서(1323)는 메인 프로세서(1321)와 별개로, 또는 그 일부로서 구현될 수 있다.
보조 프로세서(1323)는, 예를 들면, 메인 프로세서(1321)가 인액티브(예: 슬립) 상태에 있는 동안 메인 프로세서(1321)를 대신하여, 또는 메인 프로세서(1321)가 액티브(예: 어플리케이션 실행) 상태에 있는 동안 메인 프로세서(1321)와 함께, 전자 장치(1301)의 구성요소들 중 적어도 하나의 구성요소(예: 디스플레이 모듈(1360), 센서 모듈(1376), 또는 통신 모듈(1390))와 관련된 기능 또는 상태들의 적어도 일부를 제어할 수 있다. 일 실시 예에 따르면, 보조 프로세서(1323)(예: 이미지 시그널 프로세서 또는 커뮤니케이션 프로세서)는 기능적으로 관련 있는 다른 구성요소(예: 카메라 모듈(1380) 또는 통신 모듈(1390))의 일부로서 구현될 수 있다. 일 실시 예에 따르면, 보조 프로세서(1323)(예: 신경망 처리 장치)는 인공지능 모델의 처리에 특화된 하드웨어 구조를 포함할 수 있다. 인공지능 모델은 기계 학습을 통해 생성될 수 있다. 이러한 학습은, 예를 들어, 인공지능이 수행되는 전자 장치(1301) 자체에서 수행될 수 있고, 별도의 서버(예: 서버(1308))를 통해 수행될 수도 있다. 학습 알고리즘은, 예를 들어, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)을 포함할 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 인공 신경망 레이어들을 포함할 수 있다. 인공 신경망은 심층 신경망(DNN: deep neural network), CNN(convolutional neural network), RNN(recurrent neural network), RBM(restricted boltzmann machine), DBN(deep belief network), BRDNN(bidirectional recurrent deep neural network), 심층 Q-네트워크(deep Q-networks) 또는 상기 중 둘 이상의 조합 중 하나일 수 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은 하드웨어 구조 이외에, 추가적으로 또는 대체적으로, 소프트웨어 구조를 포함할 수 있다.
메모리(1330)는, 전자 장치(1301)의 적어도 하나의 구성요소(예: 프로세서(1320) 또는 센서 모듈(1376))에 의해 사용되는 다양한 데이터를 저장할 수 있다. 데이터는, 예를 들어, 소프트웨어(예: 프로그램(1340)) 및, 이와 관련된 명령에 대한 입력 데이터 또는 출력 데이터를 포함할 수 있다. 메모리(1330)는, 휘발성 메모리(1332) 또는 비휘발성 메모리(1334)를 포함할 수 있다.
프로그램(1340)은 메모리(1330)에 소프트웨어로서 저장될 수 있으며, 예를 들면, 운영 체제(1342), 미들 웨어(1344) 또는 어플리케이션(1346)을 포함할 수 있다.
입력 모듈(1350)은, 전자 장치(1301)의 구성요소(예: 프로세서(1320))에 사용될 명령 또는 데이터를 전자 장치(1301)의 외부(예: 사용자)로부터 수신할 수 있다. 입력 모듈(1350)은, 예를 들면, 마이크, 마우스, 키보드, 키(예: 버튼), 또는 디지털 펜(예: 스타일러스 펜)을 포함할 수 있다.
음향 출력 모듈(1355)은 음향 신호를 전자 장치(1301)의 외부로 출력할 수 있다. 음향 출력 모듈(1355)은, 예를 들면, 스피커 또는 리시버를 포함할 수 있다. 스피커는 멀티미디어 재생 또는 녹음 재생과 같이 일반적인 용도로 사용될 수 있다. 리시버는 착신 전화를 수신하기 위해 사용될 수 있다. 일 실시 예에 따르면, 리시버는 스피커와 별개로, 또는 그 일부로서 구현될 수 있다.
디스플레이 모듈(1360)은 전자 장치(1301)의 외부(예: 사용자)로 정보를 시각적으로 제공할 수 있다. 디스플레이 모듈(1360)은, 예를 들면, 디스플레이, 홀로그램 장치, 또는 프로젝터 및 해당 장치를 제어하기 위한 제어 회로를 포함할 수 있다. 일 실시 예에 따르면, 디스플레이 모듈(1360)은 터치를 감지하도록 설정된 터치 센서, 또는 상기 터치에 의해 발생되는 힘의 세기를 측정하도록 설정된 압력 센서를 포함할 수 있다.
오디오 모듈(1370)은 소리를 전기 신호로 변환시키거나, 반대로 전기 신호를 소리로 변환시킬 수 있다. 일 실시 예에 따르면, 오디오 모듈(1370)은, 입력 모듈(1350)을 통해 소리를 획득하거나, 음향 출력 모듈(1355), 또는 전자 장치(1301)와 직접 또는 무선으로 연결된 외부 전자 장치(예: 전자 장치(1302))(예: 스피커 또는 헤드폰)를 통해 소리를 출력할 수 있다.
센서 모듈(1376)은 전자 장치(1301)의 작동 상태(예: 전력 또는 온도), 또는 외부의 환경 상태(예: 사용자 상태)를 감지하고, 감지된 상태에 대응하는 전기 신호 또는 데이터 값을 생성할 수 있다. 일 실시 예에 따르면, 센서 모듈(1376)은, 예를 들면, 제스처 센서, 자이로 센서, 기압 센서, 마그네틱 센서, 가속도 센서, 그립 센서, 근접 센서, 컬러 센서, IR(infrared) 센서, 생체 센서, 온도 센서, 습도 센서, 또는 조도 센서를 포함할 수 있다.
인터페이스(1377)는 전자 장치(1301)가 외부 전자 장치(예: 전자 장치(1302))와 직접 또는 무선으로 연결되기 위해 사용될 수 있는 하나 이상의 지정된 프로토콜들을 지원할 수 있다. 일 실시 예에 따르면, 인터페이스(1377)는, 예를 들면, HDMI(high definition multimedia interface), USB(universal serial bus) 인터페이스, SD카드 인터페이스, 또는 오디오 인터페이스를 포함할 수 있다.
연결 단자(1378)는, 그를 통해서 전자 장치(1301)가 외부 전자 장치(예: 전자 장치(1302))와 물리적으로 연결될 수 있는 커넥터를 포함할 수 있다. 일 실시 예에 따르면, 연결 단자(1378)는, 예를 들면, HDMI 커넥터, USB 커넥터, SD 카드 커넥터, 또는 오디오 커넥터(예: 헤드폰 커넥터)를 포함할 수 있다.
햅틱 모듈(1379)은 전기적 신호를 사용자가 촉각 또는 운동 감각을 통해서 인지할 수 있는 기계적인 자극(예: 진동 또는 움직임) 또는 전기적인 자극으로 변환할 수 있다. 일 실시 예에 따르면, 햅틱 모듈(1379)은, 예를 들면, 모터, 압전 소자, 또는 전기 자극 장치를 포함할 수 있다.
카메라 모듈(1380)은 정지 영상 및 동영상을 촬영할 수 있다. 일 실시 예에 따르면, 카메라 모듈(1380)은 하나 이상의 렌즈들, 이미지 센서들, 이미지 시그널 프로세서들, 또는 플래시들을 포함할 수 있다.
전력 관리 모듈(1388)은 전자 장치(1301)에 공급되는 전력을 관리할 수 있다. 일 실시 예에 따르면, 전력 관리 모듈(1388)은, 예를 들면, PMIC(power management integrated circuit)의 적어도 일부로서 구현될 수 있다.
배터리(1389)는 전자 장치(1301)의 적어도 하나의 구성요소에 전력을 공급할 수 있다. 일 실시 예에 따르면, 배터리(1389)는, 예를 들면, 재충전 불가능한 1차 전지, 재충전 가능한 2차 전지 또는 연료 전지를 포함할 수 있다.
통신 모듈(1390)은 전자 장치(1301)와 외부 전자 장치(예: 전자 장치(1302), 전자 장치(1304), 또는 서버(1308)) 간의 직접(예: 유선) 통신 채널 또는 무선 통신 채널의 수립, 및 수립된 통신 채널을 통한 통신 수행을 지원할 수 있다. 통신 모듈(1390)은 프로세서(1320)(예: 어플리케이션 프로세서)와 독립적으로 운영되고, 직접(예: 유선) 통신 또는 무선 통신을 지원하는 하나 이상의 커뮤니케이션 프로세서를 포함할 수 있다. 일 실시 예에 따르면, 통신 모듈(1390)은 무선 통신 모듈(1392)(예: 셀룰러 통신 모듈, 근거리 무선 통신 모듈, 또는 GNSS(global navigation satellite system) 통신 모듈) 또는 유선 통신 모듈(1394)(예: LAN(local area network) 통신 모듈, 또는 전력선 통신 모듈)을 포함할 수 있다. 이들 통신 모듈 중 해당하는 통신 모듈은 제 1 네트워크(1398)(예: 블루투스, WiFi(wireless fidelity) direct 또는 IrDA(infrared data association)와 같은 근거리 통신 네트워크) 또는 제 2 네트워크(1399)(예: 레거시 셀룰러 네트워크, 5G 네트워크, 차세대 통신 네트워크, 인터넷, 또는 컴퓨터 네트워크(예: LAN 또는 WAN)와 같은 원거리 통신 네트워크)를 통하여 외부의 전자 장치(1304)와 통신할 수 있다. 이런 여러 종류의 통신 모듈들은 하나의 구성요소(예: 단일 칩)로 통합되거나, 또는 서로 별도의 복수의 구성요소들(예: 복수 칩들)로 구현될 수 있다. 무선 통신 모듈(1392)은 가입자 식별 모듈(1396)에 저장된 가입자 정보(예: 국제 모바일 가입자 식별자(IMSI))를 이용하여 제 1 네트워크(1398) 또는 제 2 네트워크(1399)와 같은 통신 네트워크 내에서 전자 장치(1301)를 확인 또는 인증할 수 있다.
무선 통신 모듈(1392)은 4G 네트워크 이후의 5G 네트워크 및 차세대 통신 기술, 예를 들어, NR 접속 기술(new radio access technology)을 지원할 수 있다. NR 접속 기술은 고용량 데이터의 고속 전송(eMBB(enhanced mobile broadband)), 단말 전력 최소화와 다수 단말의 접속(mMTC(massive machine type communications)), 또는 고신뢰도와 저지연(URLLC(ultra-reliable and low-latency communications))을 지원할 수 있다. 무선 통신 모듈(1392)은, 예를 들어, 높은 데이터 전송률 달성을 위해, 고주파 대역(예: mmWave 대역)을 지원할 수 있다. 무선 통신 모듈(1392)은 고주파 대역에서의 성능 확보를 위한 다양한 기술들, 예를 들어, 빔포밍(beamforming), 거대 배열 다중 입출력(massive MIMO(multiple-input and multiple-output)), 전차원 다중입출력(FD-MIMO: full dimensional MIMO), 어레이 안테나(array antenna), 아날로그 빔형성(analog beam-forming), 또는 대규모 안테나(large scale antenna)와 같은 기술들을 지원할 수 있다. 무선 통신 모듈(1392)은 전자 장치(1301), 외부 전자 장치(예: 전자 장치(1304)) 또는 네트워크 시스템(예: 제 2 네트워크(1399))에 규정되는 다양한 요구사항을 지원할 수 있다. 일 실시 예에 따르면, 무선 통신 모듈(1392)은 eMBB 실현을 위한 Peak data rate(예: 20Gbps 이상), mMTC 실현을 위한 손실 Coverage(예: 164dB 이하), 또는 URLLC 실현을 위한 U-plane latency(예: 다운링크(DL) 및 업링크(UL) 각각 0.5ms 이하, 또는 라운드 트립 1ms 이하)를 지원할 수 있다.
안테나 모듈(1397)은 신호 또는 전력을 외부(예: 외부의 전자 장치)로 송신하거나 외부로부터 수신할 수 있다. 일 실시 예에 따르면, 안테나 모듈(1397)은 서브스트레이트(예: PCB) 위에 형성된 도전체 또는 도전성 패턴으로 이루어진 방사체를 포함하는 안테나를 포함할 수 있다. 일 실시 예에 따르면, 안테나 모듈(1397)은 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다. 이런 경우, 제 1 네트워크(1398) 또는 제 2 네트워크(1399)와 같은 통신 네트워크에서 사용되는 통신 방식에 적합한 적어도 하나의 안테나가, 예를 들면, 통신 모듈(1390)에 의하여 상기 복수의 안테나들로부터 선택될 수 있다. 신호 또는 전력은 상기 선택된 적어도 하나의 안테나를 통하여 통신 모듈(1390)과 외부의 전자 장치 간에 송신되거나 수신될 수 있다. 어떤 실시 예에 따르면, 방사체 이외에 다른 부품(예: RFIC(radio frequency integrated circuit))이 추가로 안테나 모듈(1397)의 일부로 형성될 수 있다.
다양한 실시 예에 따르면, 안테나 모듈(1397)은 mmWave 안테나 모듈을 형성할 수 있다. 일 실시 예에 따르면, mmWave 안테나 모듈은 인쇄 회로 기판, 상기 인쇄 회로 기판의 제 1 면(예: 아래 면)에 또는 그에 인접하여 배치되고 지정된 고주파 대역(예: mmWave 대역)을 지원할 수 있는 RFIC, 및 상기 인쇄 회로 기판의 제 2 면(예: 윗 면 또는 측 면)에 또는 그에 인접하여 배치되고 상기 지정된 고주파 대역의 신호를 송신 또는 수신할 수 있는 복수의 안테나들(예: 어레이 안테나)을 포함할 수 있다.
상기 구성요소들 중 적어도 일부는 주변 기기들간 통신 방식(예: 버스, GPIO(general purpose input and output), SPI(serial peripheral interface), 또는 MIPI(mobile industry processor interface))을 통해 서로 연결되고 신호(예: 명령 또는 데이터)를 상호간에 교환할 수 있다.
일 실시 예에 따르면, 명령 또는 데이터는 제 2 네트워크(1399)에 연결된 서버(1308)를 통해서 전자 장치(1301)와 외부의 전자 장치(1304)간에 송신 또는 수신될 수 있다. 외부의 전자 장치(1302, 또는 1304) 각각은 전자 장치(1301)와 동일한 또는 다른 종류의 장치일 수 있다. 일 실시 예에 따르면, 전자 장치(1301)에서 실행되는 동작들의 전부 또는 일부는 외부의 전자 장치들(1302, 1304, 또는 1308) 중 하나 이상의 외부의 전자 장치들에서 실행될 수 있다. 예를 들면, 전자 장치(1301)가 어떤 기능이나 서비스를 자동으로, 또는 사용자 또는 다른 장치로부터의 요청에 반응하여 수행해야 할 경우에, 전자 장치(1301)는 기능 또는 서비스를 자체적으로 실행시키는 대신에 또는 추가적으로, 하나 이상의 외부의 전자 장치들에게 그 기능 또는 그 서비스의 적어도 일부를 수행하라고 요청할 수 있다. 상기 요청을 수신한 하나 이상의 외부의 전자 장치들은 요청된 기능 또는 서비스의 적어도 일부, 또는 상기 요청과 관련된 추가 기능 또는 서비스를 실행하고, 그 실행의 결과를 전자 장치(1301)로 전달할 수 있다. 전자 장치(1301)는 상기 결과를, 그대로 또는 추가적으로 처리하여, 상기 요청에 대한 응답의 적어도 일부로서 제공할 수 있다. 이를 위하여, 예를 들면, 클라우드 컴퓨팅, 분산 컴퓨팅, 모바일 에지 컴퓨팅(MEC: mobile edge computing), 또는 클라이언트-서버 컴퓨팅 기술이 이용될 수 있다. 전자 장치(1301)는, 예를 들어, 분산 컴퓨팅 또는 모바일 에지 컴퓨팅을 이용하여 초저지연 서비스를 제공할 수 있다. 다른 실시 예에 있어서, 외부의 전자 장치(1304)는 IoT(internet of things) 기기를 포함할 수 있다. 서버(1308)는 기계 학습 및/또는 신경망을 이용한 지능형 서버일 수 있다. 일 실시 예에 따르면, 외부의 전자 장치(1304) 또는 서버(1308)는 제 2 네트워크(1399) 내에 포함될 수 있다. 전자 장치(1301)는 5G 통신 기술 및 IoT 관련 기술을 기반으로 지능형 서비스(예: 스마트 홈, 스마트 시티, 스마트 카, 또는 헬스 케어)에 적용될 수 있다.
본 문서에 개시된 다양한 실시 예들에 따른 전자 장치는 다양한 형태의 장치가 될 수 있다. 전자 장치는, 예를 들면, 휴대용 통신 장치(예: 스마트폰), 컴퓨터 장치, 휴대용 멀티미디어 장치, 휴대용 의료 기기, 카메라, 웨어러블 장치, 또는 가전 장치를 포함할 수 있다. 본 문서의 실시 예에 따른 전자 장치는 전술한 기기들에 한정되지 않는다.
본 문서의 다양한 실시 예들 및 이에 사용된 용어들은 본 문서에 기재된 기술적 특징들을 특정한 실시 예들로 한정하려는 것이 아니며, 해당 실시 예의 다양한 변경, 균등물, 또는 대체물을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 또는 관련된 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다. 아이템에 대응하는 명사의 단수 형은 관련된 문맥상 명백하게 다르게 지시하지 않는 한, 상기 아이템 한 개 또는 복수 개를 포함할 수 있다. 본 문서에서, "A 또는 B", "A 및 B 중 적어도 하나", "A 또는 B 중 적어도 하나", "A, B 또는 C", "A, B 및 C 중 적어도 하나", 및 "A, B, 또는 C 중 적어도 하나"와 같은 문구들 각각은 그 문구들 중 해당하는 문구에 함께 나열된 항목들 중 어느 하나, 또는 그들의 모든 가능한 조합을 포함할 수 있다. "제 1", "제 2", 또는 "첫째" 또는 "둘째"와 같은 용어들은 단순히 해당 구성요소를 다른 해당 구성요소와 구분하기 위해 사용될 수 있으며, 해당 구성요소들을 다른 측면(예: 중요성 또는 순서)에서 한정하지 않는다. 어떤(예: 제 1) 구성요소가 다른(예: 제 2) 구성요소에, "기능적으로" 또는 "통신적으로"라는 용어와 함께 또는 이런 용어 없이, "커플드" 또는 "커넥티드"라고 언급된 경우, 그것은 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로(예: 유선으로), 무선으로, 또는 제 3 구성요소를 통하여 연결될 수 있다는 것을 의미한다.
본 문서의 다양한 실시 예들에서 사용된 용어 "모듈"은 하드웨어, 소프트웨어 또는 펌웨어로 구현된 유닛을 포함할 수 있으며, 예를 들면, 로직, 논리 블록, 부품, 또는 회로와 같은 용어와 상호 호환적으로 사용될 수 있다. 모듈은, 일체로 구성된 부품 또는 하나 또는 그 이상의 기능을 수행하는, 상기 부품의 최소 단위 또는 그 일부가 될 수 있다. 예를 들면, 일 실시 예에 따르면, 모듈은 ASIC(application-specific integrated circuit)의 형태로 구현될 수 있다.
본 문서의 다양한 실시 예들은 기기(machine)(예: 전자 장치(1301)) 의해 읽을 수 있는 저장 매체(storage medium)(예: 내장 메모리(1336) 또는 외장 메모리(1338))에 저장된 하나 이상의 명령어들을 포함하는 소프트웨어(예: 프로그램(1340))로서 구현될 수 있다. 예를 들면, 기기(예: 전자 장치(1301))의 프로세서(예: 프로세서(1320))는, 저장 매체로부터 저장된 하나 이상의 명령어들 중 적어도 하나의 명령을 호출하고, 그것을 실행할 수 있다. 이것은 기기가 상기 호출된 적어도 하나의 명령어에 따라 적어도 하나의 기능을 수행하도록 운영되는 것을 가능하게 한다. 상기 하나 이상의 명령어들은 컴파일러에 의해 생성된 코드 또는 인터프리터에 의해 실행될 수 있는 코드를 포함할 수 있다. 기기로 읽을 수 있는 저장 매체는, 비일시적(non-transitory) 저장 매체의 형태로 제공될 수 있다. 여기서, '비일시적'은 저장 매체가 실재(tangible)하는 장치이고, 신호(signal)(예: 전자기파)를 포함하지 않는다는 것을 의미할 뿐이며, 이 용어는 데이터가 저장 매체에 반영구적으로 저장되는 경우와 임시적으로 저장되는 경우를 구분하지 않는다.
일 실시 예에 따르면, 본 문서에 개시된 다양한 실시 예들에 따른 방법은 컴퓨터 프로그램 제품(computer program product)에 포함되어 제공될 수 있다. 컴퓨터 프로그램 제품은 상품으로서 판매자 및 구매자 간에 거래될 수 있다. 컴퓨터 프로그램 제품은 기기로 읽을 수 있는 저장 매체(예: compact disc read only memory(CD-ROM))의 형태로 배포되거나, 또는 어플리케이션 스토어(예: 플레이 스토어TM)를 통해 또는 두 개의 사용자 장치들(예: 스마트 폰들) 간에 직접, 온라인으로 배포(예: 다운로드 또는 업로드)될 수 있다. 온라인 배포의 경우에, 컴퓨터 프로그램 제품의 적어도 일부는 제조사의 서버, 어플리케이션 스토어의 서버, 또는 중계 서버의 메모리와 같은 기기로 읽을 수 있는 저장 매체에 적어도 일시 저장되거나, 임시적으로 생성될 수 있다.
다양한 실시 예들에 따르면, 상기 기술한 구성요소들의 각각의 구성요소(예: 모듈 또는 프로그램)는 단수 또는 복수의 개체를 포함할 수 있으며, 복수의 개체 중 일부는 다른 구성요소에 분리 배치될 수도 있다. 다양한 실시 예들에 따르면, 전술한 해당 구성요소들 중 하나 이상의 구성요소들 또는 동작들이 생략되거나, 또는 하나 이상의 다른 구성요소들 또는 동작들이 추가될 수 있다. 대체적으로 또는 추가적으로, 복수의 구성요소들(예: 모듈 또는 프로그램)은 하나의 구성요소로 통합될 수 있다. 이런 경우, 통합된 구성요소는 상기 복수의 구성요소들 각각의 구성요소의 하나 이상의 기능들을 상기 통합 이전에 상기 복수의 구성요소들 중 해당 구성요소에 의해 수행되는 것과 동일 또는 유사하게 수행할 수 있다. 다양한 실시 예들에 따르면, 모듈, 프로그램 또는 다른 구성요소에 의해 수행되는 동작들은 순차적으로, 병렬적으로, 반복적으로, 또는 휴리스틱하게 실행되거나, 상기 동작들 중 하나 이상이 다른 순서로 실행되거나, 생략되거나, 또는 하나 이상의 다른 동작들이 추가될 수 있다.
다양한 실시 예에 따르면, 웨어러블 전자 장치에 있어서, 생체 데이터를 획득하기 위한 생체 신호를 검출하는 제1 센서, 활동 데이터를 획득하기 위한 신호를 출력하는 제2 센서, 메모리 및 상기 제1 센서, 상기 제2 센서 및 메모리와 전기적으로 연결되는 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는 상기 제1 센서를 이용하여 검출된 제1 신호에 기초하여 사용자의 상기 생체 데이터를 획득하고, 상기 제1 센서를 이용하여 검출된 상기 제1 신호의 신호 정확도(quality) 값이 제1 범위에 해당하는지 여부를 판단하고, 제1 범위에 포함되는 상기 신호 정확도 값에 응답하여, 상기 생체 데이터를 이용하여 제1 심박수 값을 획득하고, 제2 범위에 포함되는 상기 신호 정확도 값에 응답하여, 기 설정된 사용자 정보, 상기 생체 데이터, 또는 상기 활동 데이터를 기반으로 생성된 제1 심박수 예측 모델을 이용하여 제2 심박수 값을 획득하고, 상기 제1 심박수 값 또는 상기 제2 심박수 값 중 적어도 하나를 포함하는 심박수 데이터를 출력할 수 있다.
다양한 실시 예에 따르면, 상기 적어도 하나의 프로세서는 상기 신호 정확도가 상기 제1 범위에 포함되는 경우, 상기 생체 데이터를 이용하여 획득된 상기 제1 심박수 값에 기초하여 상기 제1 심박수 예측 모델을 갱신할 수 있다.
다양한 실시 예에 따르면, 상기 적어도 하나의 프로세서는 상기 신호 정확도가 상기 제2 범위에 포함되는 경우, 상기 제1 심박수 예측 모델을 이용하여 획득된 상기 제2 심박수 값을 출력할 수 있다.
다양한 실시 예에 따르면, 상기 적어도 하나의 프로세서에 의해 제어되는 화면을 표시하는 디스플레이를 더 포함하고, 상기 적어도 하나의 프로세서는 상기 제2 심박수 값을 상기 제1 심박수 값과 구별되도록 표시하는 화면을 출력할 수 있다.
다양한 실시 예에 따르면, 상기 활동 데이터는 사용자의 걸음 속도, 사용자의 초당 걸음수(step-frequency), 또는 사용자의 가속도(power of accelerometer) 중 적어도 하나를 포함할 수 있다.
다양한 실시 예에 따르면, 상기 기 설정된 사용자 정보는 성별(gender), 나이(age), 키(height), 또는 몸무게(weight) 중 적어도 하나를 포함할 수 있다.
다양한 실시 예에 따르면, 상기 적어도 하나의 프로세서는 상기 신호 정확도 값이 상기 제2 범위에 포함되고, 사용자의 최대 산소 섭취량(Maximal oxygen consumption, VO2Max)에 대한 값이 상기 메모리에 저장되어 있는 경우, 상기 기 설정된 사용자 정보, 상기 생체 데이터, 또는 상기 활동 데이터를 기반하여 상기 사용자의 최대 산소 섭취량을 학습하여 심박수를 예측하는 제2 심박수 예측 모델을 이용하여 제3 심박수 값을 획득하고, 상기 제1 심박수 예측 모델을 이용하여 획득한 상기 제2 심박수 값과 상기 제2 심박수 예측 모델을 이용하여 획득한 제3 심박수 값을 기반으로 제4 심박수 값을 획득하고, 상기 제4 심박수 값을 출력할 수 있다.
다양한 실시 예에 따르면, 상기 제1 센서는 PPG(photoplethysmograph) 또는 ECG(electrocardiograph) 중 적어도 하나를 포함할 수 있다.
다양한 실시 예에 따르면, 상기 제2 센서는 가속도 센서, 광 센서, 또는 자이로 센서 중 적어도 하나를 포함할 수 있다.
다양한 실시 예에 따르면, 서버와 통신을 수행하는 통신 모듈; 을 더 포함하고, 상기 적어도 하나의 프로세서는 상기 메모리에 상기 생체 데이터, 상기 활동 데이터 및 상기 기 설정된 사용자 정보를 저장하고, 상기 통신 모듈을 통하여 상기 서버로 상기 제1 심박수 예측 모델을 구성하기 위한 데이터, 상기 생체 데이터, 상기 활동 데이터 또는 상기 기 설정된 사용자 정보 중 적어도 하나를 전송할 수 있다.
다양한 실시 예에 따르면, 제1 센서 및 제2 센서를 포함하는 웨어러블 전자 장치의 동작 방법에 있어서, 상기 제1 센서를 이용하여 검출된 제1 신호에 기초하여 사용자의 생체 데이터를 획득하는 동작, 상기 제1 센서를 이용하여 검출된 생체 신호의 신호 정확도(quality) 값을 판단하는 동작, 제1 범위에 포함되는 상기 신호 정확도 값에 응답하여, 상기 생체 데이터를 이용하여 제1 심박수 값을 획득하는 동작, 제2 범위에 포함되는 상기 신호 정확도 값에 응답하여, 기 설정된 사용자 정보, 생체 데이터, 또는 활동 데이터를 기반으로 생성된 제1 심박수 예측 모델을 이용하여 제2 심박수 값을 획득하는 동작 및 상기 제1 심박수 값 또는 상기 제2 심박수 값 중 적어도 하나를 포함하는 심박수 데이터를 출력하는 동작을 포함할 수 있다.
다양한 실시 예에 따르면, 상기 신호 정확도가 상기 제1 범위에 포함되는 경우, 상기 생체 데이터를 이용하여 획득된 제1 심박수 값에 기초하여 상기 제1 심박수 예측 모델을 갱신하는 동작을 더 포함할 수 있다.
다양한 실시 예에 따르면, 상기 신호 정확도가 상기 제2 범위에 포함되는 경우, 상기 제1 심박수 예측 모델을 이용하여 획득된 상기 제2 심박수 값을 출력하는 동작을 포함할 수 있다.
다양한 실시 예에 따르면, 화면을 표시하는 디스플레이를 더 포함하고, 상기 제2 심박수 값을 상기 제1 심박수 값과 구별되도록 표시하는 화면을 출력하는 동작을 더 포함할 수 있다.
다양한 실시 예에 따르면, 상기 활동 데이터는 사용자의 속도, 사용자의 초당 걸음수(step-frequency), 또는 사용자의 가속도(power of accelerometer) 중 적어도 하나를 포함할 수 있다.
다양한 실시 예에 따르면, 상기 기 설정된 사용자 정보는 성별(gender), 나이(age), 키(height), 또는 몸무게(weight) 중 적어도 하나를 포함할 수 있다.
다양한 실시 예에 따르면, 메모리를 더 포함하고, 상기 신호 정확도 값이 상기 제2 범위에 포함되고, 사용자의 최대 산소 섭취량(Maximal oxygen consumption, VO2Max)에 대한 값이 상기 메모리에 저장되어 있는 경우, 상기 기 설정된 사용자 정보, 상기 생체 데이터, 또는 상기 활동 데이터를 기반하여 상기 사용자의 최대 산소 섭취량을 학습하여 심박수를 예측하는 제2 심박수 예측 모델을 이용하여 제3 심박수 값을 획득하는 동작, 상기 제1 심박수 예측 모델을 이용하여 획득한 제2 심박수 값과 상기 제2 심박수 예측 모델을 이용하여 획득한 제3 심박수 값을 기반으로 제4 심박수 값을 획득하는 동작 및 상기 제4 심박수 값을 출력하는 동작을 포함할 수 있다.
다양한 실시 예에 따르면, 상기 제1 센서는 PPG(photoplethysmograph) 또는 ECG(electrocardiograph) 중 적어도 하나를 포함할 수 있다.
다양한 실시 예에 따르면, 상기 제2 센서는 가속도 센서, 광 센서, 또는 자이로 센서 중 적어도 하나를 포함할 수 있다.
다양한 실시 예에 따르면, 서버와 통신을 수행하는 통신 모듈 및 메모리를 더 포함하고, 상기 메모리에 상기 생체 데이터, 상기 활동 데이터 및 상기 기 설정된 사용자 정보를 저장하는 동작 및 상기 통신 모듈을 통하여 상기 서버로 상기 제1 심박수 예측 모델을 구성하기 위한 데이터, 상기 생체 데이터, 상기 활동 데이터 또는 상기 기 설정된 사용자 정보 중 적어도 하나를 전송하는 동작을 더 포함할 수 있다.
Claims (15)
- 웨어러블 전자 장치에 있어서,생체 데이터를 획득하기 위한 생체 신호를 검출하는 제1 센서;활동 데이터를 획득하기 위한 신호를 출력하는 제2 센서;메모리; 및상기 제1 센서, 상기 제2 센서 및 메모리와 전기적으로 연결되는 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서는:상기 제1 센서를 이용하여 검출된 제1 신호에 기초하여 사용자의 상기 생체 데이터를 획득하고,상기 제1 센서를 이용하여 검출된 상기 제1 신호의 신호 정확도(quality) 값이 제1 범위에 해당하는지 여부를 판단하고,제1 범위에 포함되는 상기 신호 정확도 값에 응답하여, 상기 생체 데이터를 이용하여 제1 심박수 값을 획득하고,제2 범위에 포함되는 상기 신호 정확도 값에 응답하여, 기 설정된 사용자 정보, 상기 생체 데이터, 또는 상기 활동 데이터를 기반으로 생성된 제1 심박수 예측 모델을 이용하여 제2 심박수 값을 획득하고,상기 제1 심박수 값 또는 상기 제2 심박수 값 중 적어도 하나를 포함하는 심박수 데이터를 출력하는, 웨어러블 전자 장치.
- 청구항 1에 있어서,상기 적어도 하나의 프로세서는 상기 신호 정확도가 상기 제1 범위에 포함되는 경우, 상기 생체 데이터를 이용하여 획득된 상기 제1 심박수 값에 기초하여 상기 제1 심박수 예측 모델을 갱신하는, 웨어러블 전자 장치.
- 청구항 1에 있어서,상기 적어도 하나의 프로세서는 상기 신호 정확도가 상기 제2 범위에 포함되는 경우, 상기 제1 심박수 예측 모델을 이용하여 획득된 상기 제2 심박수 값을 출력하는, 웨어러블 전자 장치.
- 청구항 1에 있어서,상기 적어도 하나의 프로세서에 의해 제어되는 화면을 표시하는 디스플레이를 더 포함하고,상기 적어도 하나의 프로세서는 상기 제2 심박수 값을 상기 제1 심박수 값과 구별되도록 표시하는 화면을 출력하는, 웨어러블 전자 장치.
- 청구항 1에 있어서,상기 활동 데이터는 사용자의 걸음 속도, 사용자의 초당 걸음수(step-frequency), 또는 사용자의 가속도(power of accelerometer) 중 적어도 하나를 포함하고,상기 기 설정된 사용자 정보는 성별(gender), 나이(age), 키(height), 또는 몸무게(weight) 중 적어도 하나를 포함하는, 웨어러블 전자 장치.
- 청구항 1에 있어서,상기 적어도 하나의 프로세서는:상기 신호 정확도 값이 상기 제2 범위에 포함되고, 사용자의 최대 산소 섭취량(Maximal oxygen consumption, VO2Max)에 대한 값이 상기 메모리에 저장되어 있는 경우, 상기 기 설정된 사용자 정보, 상기 생체 데이터, 또는 상기 활동 데이터를 기반하여 상기 사용자의 최대 산소 섭취량을 학습하여 심박수를 예측하는 제2 심박수 예측 모델을 이용하여 제3 심박수 값을 획득하고,상기 제1 심박수 예측 모델을 이용하여 획득한 상기 제2 심박수 값과 상기 제2 심박수 예측 모델을 이용하여 획득한 제3 심박수 값을 기반으로 제4 심박수 값을 획득하고,상기 제4 심박수 값을 출력하는, 웨어러블 전자 장치.
- 청구항 1에 있어서,상기 제1 센서는 PPG(photoplethysmograph) 또는 ECG(electrocardiograph) 중 적어도 하나를 포함하고,상기 제2 센서는 가속도 센서, 광 센서, 또는 자이로 센서 중 적어도 하나를 포함하는, 웨어러블 전자 장치.
- 제1 센서 및 제2 센서를 포함하는 웨어러블 전자 장치의 동작 방법에 있어서,상기 제1 센서를 이용하여 검출된 제1 신호에 기초하여 사용자의 생체 데이터를 획득하는 동작;상기 제1 센서를 이용하여 검출된 생체 신호의 신호 정확도(quality) 값을 판단하는 동작;제1 범위에 포함되는 상기 신호 정확도 값에 응답하여, 상기 생체 데이터를 이용하여 제1 심박수 값을 획득하는 동작;제2 범위에 포함되는 상기 신호 정확도 값에 응답하여, 기 설정된 사용자 정보, 생체 데이터, 또는 활동 데이터를 기반으로 생성된 제1 심박수 예측 모델을 이용하여 제2 심박수 값을 획득하는 동작; 및상기 제1 심박수 값 또는 상기 제2 심박수 값 중 적어도 하나를 포함하는 심박수 데이터를 출력하는 동작을 포함하는, 방법.
- 청구항 8에 있어서,상기 신호 정확도가 상기 제1 범위에 포함되는 경우, 상기 생체 데이터를 이용하여 획득된 제1 심박수 값에 기초하여 상기 제1 심박수 예측 모델을 갱신하는 동작을 더 포함하는, 방법.
- 청구항 8에 있어서,상기 신호 정확도가 상기 제2 범위에 포함되는 경우, 상기 제1 심박수 예측 모델을 이용하여 획득된 상기 제2 심박수 값을 출력하는 동작을 포함하는, 방법.
- 청구항 8에 있어서,상기 웨어러블 전자 장치의 디스플레이를 통해 상기 제2 심박수 값을 상기 제1 심박수 값과 구별되도록 표시하는 화면을 출력하는 동작을 더 포함하는, 방법.
- 청구항 8에 있어서,상기 활동 데이터는 사용자의 속도, 사용자의 초당 걸음수(step-frequency), 또는 사용자의 가속도(power of accelerometer) 중 적어도 하나를 포함하고,상기 기 설정된 사용자 정보는 성별(gender), 나이(age), 키(height), 또는 몸무게(weight) 중 적어도 하나를 포함하는, 방법.
- 청구항 8에 있어서,상기 신호 정확도 값이 상기 제2 범위에 포함되고, 사용자의 최대 산소 섭취량(Maximal oxygen consumption, VO2Max)에 대한 값이 상기 웨어러블 전자 장치의 메모리에 저장되어 있는 경우, 상기 기 설정된 사용자 정보, 상기 생체 데이터, 또는 상기 활동 데이터를 기반하여 상기 사용자의 최대 산소 섭취량을 학습하여 심박수를 예측하는 제2 심박수 예측 모델을 이용하여 제3 심박수 값을 획득하는 동작;상기 제1 심박수 예측 모델을 이용하여 획득한 제2 심박수 값과 상기 제2 심박수 예측 모델을 이용하여 획득한 제3 심박수 값을 기반으로 제4 심박수 값을 획득하는 동작; 및상기 제4 심박수 값을 출력하는 동작을 포함하는, 방법.
- 청구항 8에 있어서,상기 제1 센서는 PPG(photoplethysmograph) 또는 ECG(electrocardiograph) 중 적어도 하나를 포함하고,상기 제2 센서는 가속도 센서, 광 센서, 또는 자이로 센서 중 적어도 하나를 포함하는, 방법.
- 청구항 8에 있어서,상기 웨어러블 전자 장치의 메모리에 상기 생체 데이터, 상기 활동 데이터 및 상기 기 설정된 사용자 정보를 저장하는 동작; 및상기 웨어러블 전자 장치의 통신 모듈을 통하여 서버로 상기 제1 심박수 예측 모델을 구성하기 위한 데이터, 상기 생체 데이터, 상기 활동 데이터 또는 상기 기 설정된 사용자 정보 중 적어도 하나를 전송하는 동작을 더 포함하는, 방법.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR10-2021-0032097 | 2021-03-11 | ||
KR1020210032097A KR20220127602A (ko) | 2021-03-11 | 2021-03-11 | 심박수 예측 모델을 제공하는 전자 장치 및 그 동작 방법 |
Publications (1)
Publication Number | Publication Date |
---|---|
WO2022191413A1 true WO2022191413A1 (ko) | 2022-09-15 |
Family
ID=83226841
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
PCT/KR2022/000916 WO2022191413A1 (ko) | 2021-03-11 | 2022-01-18 | 심박수 예측 모델을 제공하는 전자 장치 및 그 동작 방법 |
Country Status (2)
Country | Link |
---|---|
KR (1) | KR20220127602A (ko) |
WO (1) | WO2022191413A1 (ko) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117243584A (zh) * | 2023-09-11 | 2023-12-19 | 深圳市熠华智能科技有限公司 | 基于手环式心电设备的心率监测方法、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016530019A (ja) * | 2013-09-09 | 2016-09-29 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 母体腹部のecg記録からの胎児心拍数の抽出 |
KR20170004607A (ko) * | 2015-07-03 | 2017-01-11 | 삼성전자주식회사 | 생체 정보 검출 장치 및 방법 |
JP2017531546A (ja) * | 2014-10-27 | 2017-10-26 | ライフキュー グローバル リミテッド | 生物学的に引き起こされるモーションの補正、および動的心拍数を使用するリアルタイム生理的負荷の推定 |
KR20190058179A (ko) * | 2017-11-21 | 2019-05-29 | 상명대학교산학협력단 | 3축 가속도 센서를 이용한 심박 측정 장치 및 방법 |
JP2019513433A (ja) * | 2016-04-15 | 2019-05-30 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 対象の心拍数の変化を評価するシステム及び方法 |
-
2021
- 2021-03-11 KR KR1020210032097A patent/KR20220127602A/ko active Search and Examination
-
2022
- 2022-01-18 WO PCT/KR2022/000916 patent/WO2022191413A1/ko active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2016530019A (ja) * | 2013-09-09 | 2016-09-29 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 母体腹部のecg記録からの胎児心拍数の抽出 |
JP2017531546A (ja) * | 2014-10-27 | 2017-10-26 | ライフキュー グローバル リミテッド | 生物学的に引き起こされるモーションの補正、および動的心拍数を使用するリアルタイム生理的負荷の推定 |
KR20170004607A (ko) * | 2015-07-03 | 2017-01-11 | 삼성전자주식회사 | 생체 정보 검출 장치 및 방법 |
JP2019513433A (ja) * | 2016-04-15 | 2019-05-30 | コーニンクレッカ フィリップス エヌ ヴェKoninklijke Philips N.V. | 対象の心拍数の変化を評価するシステム及び方法 |
KR20190058179A (ko) * | 2017-11-21 | 2019-05-29 | 상명대학교산학협력단 | 3축 가속도 센서를 이용한 심박 측정 장치 및 방법 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117243584A (zh) * | 2023-09-11 | 2023-12-19 | 深圳市熠华智能科技有限公司 | 基于手环式心电设备的心率监测方法、设备及存储介质 |
Also Published As
Publication number | Publication date |
---|---|
KR20220127602A (ko) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
WO2020209662A1 (en) | Wearable electronic device including biometric sensor and wireless charging module | |
WO2022131657A1 (ko) | 운동 가이드를 제공하는 전자 장치 및 그 동작 방법 | |
WO2022085983A1 (ko) | 생체 정보 측정을 위한 웨어러블 장치 및 방법 | |
WO2022124551A1 (ko) | 복수의 전극을 포함하는 웨어러블 전자 장치 | |
WO2022191413A1 (ko) | 심박수 예측 모델을 제공하는 전자 장치 및 그 동작 방법 | |
WO2019164126A1 (ko) | 사용자의 심혈관 상태에 대한 정보를 제공하기 위한 전자 장치 및 방법 | |
WO2022191530A1 (ko) | 업무 강도에 기반한 업무 관련 정보를 제공하는 전자 장치 및 그 방법 | |
WO2022211272A1 (ko) | 사용자 자세에 기반하여 혈압을 측정하는 전자 장치 및 그 제어 방법 | |
WO2022045864A1 (ko) | 생체 정보 측정을 위한 웨어러블 디바이스 및 방법 | |
WO2022239929A1 (ko) | 생체 정보 검출 방법 및 이를 지원하는 전자 장치 | |
WO2022149850A1 (ko) | 복수의 광학 센서를 구비한 전자 장치 및 그 제어 방법 | |
WO2022015081A1 (ko) | 인체 임피던스 측정을 위한 웨어러블 디바이스 및 방법 | |
WO2022039502A1 (ko) | 생체 신호를 측정하기 위한 전자 장치 및 그 전자 장치에서의 동작 방법 | |
WO2021167385A1 (en) | Electronic device and method for recognizing context thereof | |
WO2023068532A1 (ko) | 전자 장치 및 신체 임피던스 측정 방법 | |
WO2021230462A1 (ko) | 데이터 전송 방법 및 이를 지원하는 전자 장치 | |
WO2022255655A1 (ko) | 혈압을 측정하는 웨어러블 전자 장치 및 이의 동작 방법 | |
WO2022191385A1 (ko) | 전자 장치 및 신호 안정화 시간 개선 방법 | |
WO2023033304A1 (ko) | 전자 장치 및 전자 장치에서 트레머 증상 검출 방법 | |
WO2024075982A1 (ko) | 전자 장치 및 그 동작 방법 | |
WO2022220384A1 (ko) | 생체 정보 검출 방법 및 이를 지원하는 전자 장치 | |
WO2022203310A1 (ko) | 생체 신호 측정을 위한 웨어러블 장치 | |
WO2024043465A1 (ko) | 생체 정보를 측정하는 전자 장치 및 이의 동작 방법 | |
WO2023085558A1 (ko) | 체온 센서를 포함하는 웨어러블 장치, 방법, 비일시적 컴퓨터 판독가능 저장 매체 | |
WO2024111777A1 (ko) | 사용자의 체온을 식별하기 위한 전자 장치 및 방법 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
121 | Ep: the epo has been informed by wipo that ep was designated in this application |
Ref document number: 22767310 Country of ref document: EP Kind code of ref document: A1 |
|
NENP | Non-entry into the national phase |
Ref country code: DE |
|
122 | Ep: pct application non-entry in european phase |
Ref document number: 22767310 Country of ref document: EP Kind code of ref document: A1 |