KR20160037861A - 라이프스타일 데이터 관리 시스템 및 방법 - Google Patents

Abstract

본 발명은 라이프 로그를 수집하고, 수집된 라이프 로그를 자가 생성한 규칙을 기반으로 필터링하여 개인별 생활습관 데이터를 생성하고, 상기 자가 생성한 규칙은 머신 러닝 기법에 기반하여 적응적으로 조정하고, 필터링된 개인별 생활습관 데이터의 특성 별로 동적인 데이터 디스크립션을 포함하는 개인별 생활습관 메타데이터를 생성하는 메타데이터 생성 및 개인별 생활습관 메타데이터의 개체 간 링크를 추출하고 상기 추출된 링크를 기반으로 연결된 데이터베이스 구조를 구현하여 저장하는 메타데이터 저장하는 것을 포함하는 라이프스타일 데이터 관리 시스템.

Description

라이프스타일 데이터 관리 시스템 및 방법{Lifestyle data management system and method}

본 발명은 라이프 스타일을 관리하는 기술에 관한 것으로, 개인의 라이프 로그의 데이터를 수집하고, 이를 규칙을 기반으로 필터링하여 개인별 생활습관 데이터를 생성하고, 개인별 생활습관 데이터를 이용하여 개인별 생활습관 메타데이터를 생성 및 저장하여 데이터 관리하는 기술에 관한 것이다.

한국은 특히 생활습관병 환자가 가파르게 증가하고 있는데, 단순히 식생활의 서구화, 고령화, 비만인구 증가만으로 설명되지 못하는 대사성질환 유사환자들이 유아 및 청소기부터 나타나고 있다. 이에 대해 의료 약물적 치료로도 해결이 잘 안되고 만성질환으로 발전됨에 따라 국민건강보험의 의료비용이 지속적으로 증가하고 있다. 그 해결책으로써 생활습관의학(lifestyle medicine)이 중요해지고 있으나, 전통적 문진 문서방식, 지속적 치료 효과 및 환자의 체계적 관리와 실질효과의 어려움 등 문제점이 많아 적용하는데 어려움이 있다.

현재의 각종 IT제품과 케어 서비스(어린이보호 및 성장케어, 노약자 보호케어, 일반인들의 정신적 힐링케어, 급변하는 경제상황에서의 재정예측관리 등)들은 최종 사용자인 '인간'과 그 복합적 특성(사회관계, 심리, 생리, 감성 등)에 대한 이해와 표현 및 정량화가 용이하지 않음에 따라 적용 및 고도화에 근본적 한계가 있다.

특히, 라이프 스타일(Lifestyle)로 대변되는 '나'를 결정짓는 요소에 대한 고려가 부족하고, 복합적이고 다양한 특성을 지닌 인간을 특징적으로 표현할 도구나 방식의 어려움에 직면해 있다.

이를 극복하기 위한 방안으로 전세계적으로 라이프 로그(Lifelog) 데이터를 활용하는 다양한 연구가 진행되고 있지만, 라이프 로그 수집을 위한 혁신적 디바이스의 부재와 방대한 데이터의 의미적인 분석의 난제를 여전히 해결 못하고 있다.

종래의 라이프 케어 서비스 기술의 한 예로, 한국공개특허 제2012-0045459호 "라이프 케어 서비스 제공 시스템"이 제안되었다. 상기 선행기술에서는 사용자의 건강 상태를 확인하는데 요구되는 라이프로그 정보를 수집하고 라이프 로그 정보를 분석하여, 사용자의 생활 습관을 관리하는데 사용되는 라이프 케어 정보를 제공하는 라이프 케어 서비스 기술이 개시되었다

하지만, 종래의 선행기술은 라이프 로그 정보를 분석하여, 사용자의 생활 습관을 관리하기 위해서는 먼저 생활습관을 설정하는 과정이 필요하고, 특정 상황에 대응되는 룰을 기설정해야만 하였다. 선행기술에서 기설정한 룰들은 개인차가 존재할 수 있으나 고려하고 있지 않으며, 시대흐름에 따라 적절하게 변경되지 못하고 있으며, 룰을 설정하는 방법에 대한 구체적인 기술을 언급하고 있지 않다. 또한, 선행기술은 라이프 로그를 분석함에 있어서도 인간의 다양성을 고려하지 않고 있다.

따라서, 개인의 라이프 로그의 빅데이터를 수집하고, 그를 이용한 의미 기반 분석을 수행하여 일반적인 행동 시퀀스, 개인화된 생활습관에 따른 행동 시퀀스를 추출하고, 추출된 행동 시퀀스를 모델링하여, 사용자의 상태에 따른 이후 발생할 행동을 유추하고, 유추되는 행동을 바람직한 방향으로 유도하여 사용자의 건강을 관리하는 방법이 요구된다.

한국공개특허 제2012-0045459호 (공개일 2012.05.09)

본 발명은 상기와 같은 종래 기술의 문제점을 해결하고자 도출된 것으로서, 라이프 스타일 데이터 관리 시스템을 제공하는 것을 목적으로 한다.

구체적으로, 본 발명은 라이프 로그를 수집하고, 수집된 라이프 로그를 자가 생성한 규칙을 기반으로 필터링하여 개인별 생활습관 데이터를 생성하고, 상기 자가 생성한 규칙은 머신 러닝 기법에 기반하여 적응적으로 조정하고, 필터링된 개인별 생활습관 데이터의 특성 별로 동적인 데이터 디스크립션을 포함하는 개인별 생활습관 메타데이터를 생성하는 메타데이터 생성 및 개인별 생활습관 메타데이터의 개체 간 링크를 추출하고 상기 추출된 링크를 기반으로 연결된 데이터베이스 구조를 구현하여 저장하는 메타데이터 저장하는 것을 포함하는 라이프스타일 데이터 관리 시스템을 제공하는 것을 목적으로 한다.

상기와 같은 목적을 달성하기 위하여, 본 발명의 일 실시 예에 따른 라이프스타일 데이터 관리 시스템은, 라이프 로그를 수집하는 로그 수집부; 상기 수집된 라이프 로그를 자가 생성한 규칙을 기반으로 필터링하여 개인별 생활습관 데이터를 생성하고, 상기 자가 생성한 규칙은 머신 러닝 기법에 기반하여 적응적으로 조정되는 전처리부; 상기 필터링된 개인별 생활습관 데이터의 특성 별로 동적인 데이터 디스크립션을 포함하는 개인별 생활습관 메타데이터를 생성하는 메타데이터 생성부; 및상기 개인별 생활습관 메타데이터의 개체 간 링크를 추출하고 상기 추출된 링크를 기반으로 연결된 데이터베이스 구조를 구현하여 저장하는 메타데이터 저장부를 포함한다.

이때, 상기 라이프 로그는, 비밀 데이터(Private Data), 공개 데이터(Public Data), 개인 데이터(Personal Data), 익명 데이터(Anonymous Data), 접속 데이터(Connected Data) 및 센서 데이터(Sensor Data) 중에서 적어도 하나를 포함할 수 있다.

이때, 상기 로그 수집부는, 크롤링(Crawling) 기법을 기반으로 웹 상의 데이터 및 문서에서 개인의 정보를 수집하고, 소셜 네트워크 상의 개인 데이터를 수집하고, 개인의 소비 패턴, 및 위치 정보에 기반하여 개인의 라이프 로그를 수집한다.

이때, 상기 전처리부는, 인위적인 외부 개입을 최소화하고 다차원적인 분석 기법을 제공하기 위하여, 상기 수집된 라이프 로그의 원본 데이터(raw data)의 각 항목 간의 커플링 조건(coupling constraints)을 상기 자가 생성한 규칙의 일부로서 적용하여 상기 개인별 생활습관 데이터를 생성할 수 있다.

이때, 상기 메타데이터 생성부는, 상기 개인별 생활습관 데이터에 대한 학습 과정을 통하여 상기 개인별 생활습관 데이터를 분류하고, 상기 개인별 생활습관 데이터에 대한 컨텍스트 패턴을 추출하여 상기 동적인 데이터 디스크립션을 생성할 수 있다.

이때, 상기 메타데이터 저장부는, 머신 러닝 기법을 기반으로 상기 개인별 생활습관 메타데이터의 비정형 정보에서 구조 정보를 추출하고, 상기 구조 정보와 라이프스타일 컨텍스트를 맞추어 상기 메타데이터의 개체 간 링크를 추출한다.

본 발명의 일 실시 예에 따른 라이프스타일 데이터 관리하는 방법은, 라이프 로그를 수집하는 로그 수집단계; 상기 수집된 라이프 로그를 자가 생성한 규칙을 기반으로 필터링하여 개인별 생활습관 데이터를 생성하고, 상기 자가 생성한 규칙은 머신 러닝 기법에 기반하여 적응적으로 조정되는 전처리단계; 상기 필터링된 개인별 생활습관 데이터의 특성 별로 동적인 데이터 디스크립션을 포함하는 개인별 생활습관 메타데이터를 생성하는 메타데이터 생성단계; 및 상기 개인별 생활습관 메타데이터의 개체 간 링크를 추출하고 상기 추출된 링크를 기반으로 연결된 데이터베이스 구조를 구현하여 저장하는 메타데이터 저장단계를 포함할 수 있다.

이때, 상기 라이프 로그는, 비밀 데이터(Private Data), 공개 데이터(Public Data), 개인 데이터(Personal Data), 익명 데이터(Anonymous Data), 접속 데이터(Connected Data) 및 센서 데이터(Sensor Data) 중에서 적어도 하나를 포함할 수 있다.

이때, 상기 로그 수집단계는, 크롤링(Crawling) 기법을 기반으로 웹 상의 데이터 및 문서에서 개인의 정보를 수집하고, 소셜 네트워크 상의 개인 데이터를 수집하고, 개인의 소비 패턴, 및 위치 정보에 기반하여 개인의 라이프 로그를 수집한다.

이때, 상기 전처리단계는, 인위적인 외부 개입을 최소화하고 다차원적인 분석 기법을 제공하기 위하여, 상기 수집된 라이프 로그의 원본 데이터(raw data)의 각 항목 간의 커플링 조건(coupling constraints)을 상기 자가 생성한 규칙의 일부로서 적용하여 상기 개인별 생활습관 데이터를 생성할 수 있다.

이때, 상기 메타데이터 생성단계는, 상기 개인별 생활습관 데이터에 대한 학습 과정을 통하여 상기 개인별 생활습관 데이터를 분류하고, 상기 개인별 생활습관 데이터에 대한 컨텍스트 패턴을 추출하여 상기 동적인 데이터 디스크립션을 생성할 수 있다.

이때, 상기 메타데이터 저장단계는 머신 러닝 기법을 기반으로 상기 개인별 생활습관 메타데이터의 비정형 정보에서 구조 정보를 추출하고, 상기 구조 정보와 라이프스타일 컨텍스트를 맞추어 상기 메타데이터의 개체 간 링크를 추출한다.

본 발명은 라이프 로그를 수집하고, 라이프스타일 데이터 관리 시스템 및 그 방법에 관한 것으로, 라이프 로그를 수집하고, 수집된 라이프 로그를 이용하여 개인별 생활습관 데이터를 생성하고, 개인별 생활습관 데이터의 특성을 이용하여 개인별 생활습관 메타데이터를 생성하고, 개인별 생활습관 메타데이터의 개체 간 링크를 추출하여 연결된 데이터베이스 구조를 구현하여서 데이터를 효과적으로 처리가 가능하고 최적의 상태로 저장이 가능하다는 효과가 있다.

도 1은 본 발명의 일 실시예에 따른 라이프 스타일 자율 케어 시스템의 구성을 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 일반화된 라이프 스타일 모델링하는 레퍼런스 모델링 장치의 구성을 도시한 도면이다.
도 3은 본 발명의 일 실시예에 따른 개인화된 라이프 스타일 모델링하는 개인화된 모델링 장치의 구성을 도시한 도면이다.
도 4는 본 발명의 일 실시예에 따른 라이프 스타일 자율 케어 시스템에서 라이프 스타일을 관리하는 과정을 도시한 흐름도이다.
도 5는 본 발명의 일 실시예에 따른 레퍼런스 모델링 장치에서 레퍼런스 모델을 생성하는 과정을 도시한 흐름도이다.
도 6은 본 발명의 일 실시예에 따른 개인화된 모델링 장치에서 개인화된 생활습관 모델을 생성하는 과정을 도시한 흐름도이다.
도 7은 본 발명의 일 실시예에 따라 생성된 레퍼런스 모델의 예를 도시한 도면이다.
도 8은 본 발명의 일 실시예에 따른 라이프스타일 데이터 관리 시스템의 구성을 도시한 도면이다.
도 9은 본 발명의 일 실시예에 따른 전처리부에서 개인별 생활습관 데이터를 생성하는 과정의 예를 도시한 도면이다
도 10은 본 발명의 일 실시예에 따른 메타데이터 생성부에서 개인별 생활습관 메타데이터를 생성하는 과정의 예를 도시한 도면이다.
도 11은 본 발명의 일 실시예에 따른 개인별 생활습관 메타데이터에 링크를 기반으로 연결된 데이터베이스 구조의 예를 도시한 도면이다.
도 12은 본 발명의 일 실시예에 따른 라이프스타일 데이터 관리 시스템에서 라이프스타일 데이터를 관리하는 과정을 도시한 흐름도이다.

상기 목적 외에 본 발명의 다른 목적 및 특징들은 첨부 도면을 참조한 실시 예에 대한 설명을 통하여 명백히 드러나게 될 것이다.

본 발명의 바람직한 실시예를 첨부된 도면들을 참조하여 상세히 설명한다. 본 발명을 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명은 생략한다.

그러나, 본 발명이 실시예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.

이하에서는, 본 발명의 일 실시 예에 따른 라이프 스타일 자율 케어 시스템 및 방법을 첨부된 도 1 내지 도 7을 참조하여 상세히 설명한다.

도 1은 본 발명의 일 실시예에 따른 라이프 스타일 자율 케어 시스템의 구성을 도시한 도면이다.

도 1을 참조하면, 라이프 스타일 자율 케어 시스템(100)은 라이프 로그 수집 장치(110), 레퍼런스 모델링 장치(120), 개인화된 모델링 장치(130) 및 서비스 장치(140)를 포함할 수 있다.

라이프 로그 수집 장치(110)는 비밀 데이터(Private Data) 관리서버(151), 공개 데이터(Public Data) 관리서버(152), 개인용 컴퓨터(153), 스마트 폰(154), 스마트 안경(155), 스마트 시계(157), 자전거(158), 런닝머신(159), 자동차(160) 등과 통신하여 라이프 로그를 수집할 수 있다.

이때, 라이프 로그는 비밀 데이터(Private Data), 공개 데이터(Public Data), 개인 데이터(Personal Data), 익명 데이터(Anonymous Data), 접속 데이터(Connected Data) 및 센서 데이터(Sensor Data) 중에서 적어도 하나를 포함할 수 있다.

여기서, 비밀 데이터(Private Data)는 일정, 주소록, 신용카드 사용내용, 의료기록, 쇼핑 내역, 통화기록, 문자 기록, 은행 거래 기록, 주식 거래 기록, 각종 금융 거래 기록 등이 가능하다.

공개 데이터(Public Data)는 교통정보, 날씨정보, 각종 통계 데이터 등이 가능하다.

개인 데이터(Personal Data)는 즐겨 찾기, 검색기록, SNS(Social Networking Service]) 대화 기록, 다운로드 기록, 블로그 기록 등이 가능하다.

익명 데이터(Anonymous Data)는 SNS에서 이슈화되는 주제 정보(여론의 추이), 뉴스, 실시간 검색어 순위 등이 가능하다.

접속 데이터(Connected Data)는 집 또는 차량 등에 접속한 기록 등이 가능하며, 예를 들어 재실감지, RFID(개인식별, 출입기록), 디지털 도어락, 스마트 가전(이용정보), 홈 네트워크 이용기록, 인터넷 이용기록(Access Point), 차량 네비게이션(이동경로 등), 블랙박스(영상, 음성 기록), 운행기록계(운전시간, 운전패턴 등) 등이 가능하다.

센서 데이터(Sensor Data)는 전용 디바이스, 환경 센서, 스마트 장치, 의료기기, 개인운동기기, 개인 활동량 측정 장치 등을 통해 측정된 데이터가 될 수 있다.

여기서, 전용 디바이스는 칼로리 측정 장치, 자세 측정 정치, 체온계, 스트레스 측정 정치, 구강구취 측정 정치, 음주 측정 정치, 이동거리/속도, GPS기반 위치 측정 정치, 무호흡 측정 정치, 코골이 측정 정치 등이 가능하다.

환경 센서는 온도 측정 센서, 습도 측정 센서, 조도 측정 센서, CCTV(거리, 대중교통, 건물 등), 이산화탄소 측정 센서, 오존량 측정 센서, 일산화탄소 측정 센서, 먼지량 측정 센서, 자외선 측정 센서 등이 가능하다.

스마트 장치는 스마트 폰, 헤드 마운트 디스플레이(Google Glass 등), 스마트 시계(Apple iWatch 등)이 있으며, 스마트 장치를 통해서 어플의 결제내역, 주로 사용하는 어플, 어플의 사용내역, GPS(위치), 기록된 영상, 음성, 사진, 선호하는 음악 등의 데이터를 획득할 수 있다.

의료기기는 전자저울, 체지방 측정장치, 당뇨 측정장치, 심박수 측정장치, 혈압 측정장치 등이 가능하며, 측정되는 데이터가 센서 데이터에 포함될 수 있다.

개인운동기기는 런닝머신, 자전거, 운동화에 부탁되는 센서 등과 같이 운동량을 측정할 수 있는 운동기기 등이 가능하며, 운동기기로부터 측정되는 운동량이 센서 데이터에 포함될 수 있다.

한편, 라이프 로그 수집 장치(110)는 별도의 장치로 구성될 수도 있지만, 레퍼런스 모델링 장치(120) 또는 개인화된 모델링 장치(130)에 포함되어 구성될 수도 있다.

레퍼런스 모델링 장치(120)는 라이프 로그 수집 장치(110)로부터 수집된 라이프 로그를 수신하고, 수집된 라이프 로그를 이용하여 레퍼런스 모델을 생성한다.

이때, 레퍼런스 모델링 장치(120)는 수집된 라이프 로그에서 행동 시퀀스를 추출하고, 추출된 행동 시퀀스 간의 유사도를 분석하고, 시퀀스 정렬(sequence alignment) 기법을 이용하여 행동 시퀀스를 정렬하여 레퍼런스 모델을 생성할 수 있다. 레퍼런스 모델링 장치(120)의 보다 상세한 설명은 이후 도 2를 참조하여 후술한다.

개인화된 모델링 장치(130)는 라이프 로그 수집 장치(110)로부터 수집된 라이프 로그를 수신하고, 수집된 라이프 로그를 이용하여 개인별 성향을 분석하고, 성향 별로 개인화된 생활습관 모델을 생성한다.

개인화된 모델링 장치(130)는 수집된 라이프 로그에서 데이터 마이닝 기법을 이용하여 개인별로 기설정된 횟수 이상 반복되는 행동 패턴을 개인별 행동 시퀀스로 추출하고, 수집된 라이프 로그에 포함된 개인별 소셜 네트워크에서의 활동정보를 분석하여 개인별 성향을 분석하고, 성향이 유사한 사용자의 행동 시퀀스를 연결하여 성향 별로 개인화된 생활습관 모델을 생성할 수 있다. 개인화된 모델링 장치(130)의 보다 상세한 설명은 이후 도 3을 참조하여 후술한다.

레퍼런스 모델링 장치(120)에서 레퍼런스 모델링 장치(120)에서 생성된 레퍼런스 모델과 개인화된 모델링 장치(130)에서 생성된 개인화된 생활습관 모델은 라이프 로그가 많이 쌓이면 쌓일수록 보다 정확해지는 경향을 가진다. 따라서, 레퍼런스 모델과 개인화된 생활습관 모델은 시간이 지나면서 시대에 따라 달라질 수 있는 행동 시퀀스를 자동적으로 반영하기 때문에 시간에 따라 진화되어 간다.

한편, 레퍼런스 모델링 장치(120)에서 레퍼런스 모델링 장치(120)에서 생성된 레퍼런스 모델과 개인화된 모델링 장치(130)에서 생성된 개인화된 생활습관 모델은 서비스를 위해 하나로 융합되어 서비스 장치(140)로 제공될 수도 있다.

서비스 장치(140)는 레퍼런스 모델링 장치(120)로부터 수신하는 레퍼런스 모델과 개인화된 모델링 장치(130)로부터 수신하는 개인화된 생활습관 모델을 이용하여 수집되는 사용자의 현재 정보를 근거로 발생 가능한 사용자의 행동을 추정하고, 추정된 사용자의 행동이 사용자의 건강에 좋지 못한 영향을 주는지 확인한다.

확인결과 추정된 사용자의 행동이 사용자의 건강에 좋지 못한 영향을 주는 경우, 서비스 장치(140)는 추정된 사용자의 행동을 회피하도록 사용자를 유도할 수 있다. 이때, 서비스 장치(140)는 추정된 사용자의 행동을 회피하도록 하는 방법으로 직접적인 방법과 간접적인 방법을 사용할 수 있다.

직접적인 방법은 발생 가능한 사용자의 행동을 사용자에게 송신하여 사용자가 발생 가능한 행동을 직접 인지하고 회피할 수 있도록 하는 방법이다.

간접적인 방법은 어너브트루시브(unobtrusive) 기법으로 사용자에게 어떤 행동을 지시하여 사전에 사용자의 행동이 발생하지 않도록 회피시키는 방법이다. 따라서, 간접적인 방법의 경우 사용자는 발생 가능한 행동을 인지하지 못하도록 할 수 있다.

예를 들어, 어떤 사용자의 개인화된 생활습관 모델을 확인해보니 기분이 나쁠 때, 집에 돌아가는 중에 위치한 고기집에서 고기를 폭식하는 행동 시퀀스를 가진고 있는 경우, 사용자의 현재 상태가 기분 나쁜 상태이고, 퇴근 중이고, 현재 사용자의 체중이 비만이면, 사용자에게 고기집이 없는 다른 경로를 추천함으로써 고기를 폭식하는 행동을 회피하도록 유도할 수 있다.

또한, 사용자가 꽃 길을 걸을 때 기분이 좋아지는 행동 시퀀스를 추가로 가지고 있는 경우, 꽃 길을 경유하는 퇴근 경로 사용자에게 제공하여 사용자의 기분이 바뀌도록 유도할 수도 있다.

도 2는 본 발명의 일 실시예에 따른 일반화된 라이프 스타일 모델링하는 레퍼런스 모델링 장치의 구성을 도시한 도면이다.

도 2를 참조하면, 레퍼런스 모델링 장치(120)는 제어부(210), 로그 수집부(212), 행동 시퀀스 획득부(214), 유사도 분석부(216), 레퍼런스 모델 생성부(218), 통신부(220) 및 저장부(230)를 포함할 수 있다.

통신부(220)는 수신기(Receiver)와 송신기(transmitter)를 포함하는 통신 인터페이스 장치로서 유선 또는 무선으로 데이터를 송수신한다. 통신부(220)는 라이프 로그 수집 장치(110), 서비스 장치(140) 및 레퍼런스 모델 데이터베이스(170)와 통신할 수 있고, 라이프 로그를 제공하는 장치들과 직접 통신하여 라이프 로그를 수신할 수도 있다.

저장부(230)는 레퍼런스 모델링 장치(120)의 전반적인 동작을 제어하기 위한 운영체제, 응용 프로그램 등을 저장하고, 또한 본 발명에 따라 수집된 라이프 로그와 생성된 레퍼런스 모델을 저장할 수 있다. 이때, 저장부(230)는 플래시 메모리, 하드 디스크 드라이브 등을 포함하는 스토리지 디바이스일 수 있다.

로그 수집부(212)는 라이프 로그를 수집하거나 또는 라이프 로그 수집 장치(110)에서 수집된 라이프 로그를 통신부(220)를 통해 수신할 수도 있다.

행동 시퀀스 획득부(214)는 수집된 라이프 로그에서 행동 시퀀스를 추출한다.

보다 상세히 설명하면, 행동 시퀀스 획득부(214)는 데이터 마이닝 기법을 이용하여 수집된 라이프 로그에서 자극사상, 인지, 정서, 행동 및 결과 중에서 적어도 하나를 가지는 행동 시퀀스를 추출한다. 이때, 자극사상, 인지, 정서, 행동 및 결과를 가지는 행동 시퀀스는 아래 <표 1>의 예와 같이 표현될 수 있다.

[표 1]

행동 시퀀스 획득부(214)는 수집된 라이프 로그에서 행동 시퀀스를 추출할 수도 있지만, 사용자 또는 전문가(심리학자 등)로부터 행동 시퀀스를 수신할 수도 있다.

유사도 분석부(216)는 행동 시퀀스 획득부(214)를 통해 획득된 행동 시퀀스 간의 유사도를 분석한다.

보다 상세히 설명하면, 유사도 분석부(216)는 기설정된 시간 내에서 발생되었는지 여부 및 행동 시퀀스에 포함된 정보를 동일 여부 중에서 적어도 하나를 이용하여 추출된 행동 시퀀스 간의 유사도를 평가할 수 있다.

레퍼런스 모델 생성부(218)는 시퀀스 정렬(sequence alignment) 기법을 이용하여 행동 시퀀스를 정렬하여 레퍼런스 모델을 생성한다.

보다 상세히 설명하면, 레퍼런스 모델 생성부(218)는 추출된 행동 시퀀스의 유사도를 이용하여 유사도가 높은 행동 시퀀스를 트리 형태로 연결하여 온톨로지 형태의 레퍼런스 모델을 생성할 수 있다.

도 7은 본 발명의 일 실시예에 따라 생성된 레퍼런스 모델의 예를 도시한 도면이다.

도 7은 상기 <표 1>의 행동 시퀀스를 레퍼런스 모델로 생성한 예로 도 7을 참조하면 레퍼런스 모델은 트리 형태의 온톨로지 모델로 구성됨을 확인할 수 있다.

레퍼런스 모델 생성부(218)에서 적용하는 시퀀스 정렬 기법은 바이오 인포 매틱스 분야에서 염기 서열의 유사도 분석에 주로 사용되는 기법으로 본 발명에서는 아래 <표 2>와 같이 변형하여 적용할 수 있다.

[표 2]

제어부(210)는 레퍼런스 모델링 장치(120)의 전반적인 동작을 제어할 수 있다. 그리고, 제어부(210)는 로그 수집부(212), 행동 시퀀스 획득부(214), 유사도 분석부(216) 및 레퍼런스 모델 생성부(218)의 기능을 수행할 수 있다. 제어부(210), 로그 수집부(212), 행동 시퀀스 획득부(214), 유사도 분석부(216) 및 레퍼런스 모델 생성부(218)를 구분하여 도시한 것은 각 기능들을 구별하여 설명하기 위함이다. 따라서 제어부(210)는 로그 수집부(212), 행동 시퀀스 획득부(214), 유사도 분석부(216) 및 레퍼런스 모델 생성부(218) 각각의 기능을 수행하도록 구성된(configured) 적어도 하나의 프로세서를 포함할 수 있다. 또한, 제어부(210)는 로그 수집부(212), 행동 시퀀스 획득부(214), 유사도 분석부(216) 및 레퍼런스 모델 생성부(218) 각각의 기능 중 일부를 수행하도록 구성된(configured) 적어도 하나의 프로세서를 포함할 수 있다.

도 3은 본 발명의 일 실시예에 따른 개인화된 라이프 스타일 모델링하는 개인화된 모델링 장치의 구성을 도시한 도면이다.

도 3을 참조하면, 개인화된 모델링 장치(130)는 제어부(310), 로그 수집부(312), 행동 시퀀스 획득부(314), 성향 분석부(316), 생활습관 모델 생성부(318), 통신부(320) 및 저장부(330)를 포함할 수 있다.

통신부(320)는 수신기(Receiver)와 송신기(transmitter)를 포함하는 통신 인터페이스 장치로서 유선 또는 무선으로 데이터를 송수신한다. 통신부(320)는 라이프 로그 수집 장치(110), 서비스 장치(140) 및 생활습관 모델 데이터베이스(180)와 통신할 수 있고, 라이프 로그를 제공하는 장치들과 직접 통신하여 라이프 로그를 수신할 수도 있다.

저장부(330)는 개인화된 모델링 장치(130)의 전반적인 동작을 제어하기 위한 운영체제, 응용 프로그램 등을 저장하고, 또한 본 발명에 따라 수집된 라이프 로그와 생성된 개인화된 생활습관 모델을 저장할 수 있다. 이때, 저장부(330)는 플래시 메모리, 하드 디스크 드라이브 등을 포함하는 스토리지 디바이스일 수 있다.

로그 수집부(312)는 라이프 로그를 수집하거나 또는 라이프 로그 수집 장치(110)에서 수집된 라이프 로그를 통신부(320)를 통해 수신할 수도 있다.

행동 시퀀스 획득부(314)는 수집된 라이프 로그에서 개인별 행동 시퀀스를 추출한다. 보다 상세히 설명하면, 행동 시퀀스 획득부(314)는 데이터 마이닝 기법을 이용하여 수집된 라이프 로그에서 개인별로 기설정된 횟수 이상 반복되는 행동 패턴을 검색하여 개인별 행동 시퀀스로 추출할 수 있다.

한편, 행동 시퀀스 획득부(314)는 수집된 라이프 로그에서 행동 시퀀스를 추출할 수도 있지만, 사용자 또는 전문가로부터 행동 시퀀스를 수신할 수도 있다.

성향 분석부(316)는 수집된 라이프 로그를 이용하여 개인별 성향을 분석한다. 보다 상세히 설명하면, 성향 분석부(316)는 수집된 라이프 로그에 포함된 개인별 소셜 네트워크에서의 활동정보에서 각 개인의 관심사, 취향, 식습관, 활동성 등을 파악하여 개인별 성향을 분석한다. 이때, 소셜 네트워크에서의 활동정보는 소셜 네트워크의 접속 횟수, 방문하는 대상, 등록된 친구의 수, 올린 글의 횟수, 답변횟수, 올린 글의 문맥분석 등을 포함할 수 있다.

행동 시퀀스 획득부(314)와 성형 분석부(316)는 대용량의 라이프 로그를 분석하기 위하여 분산 컴퓨팅 기술인 Hadoop, MapReduce 기술을 이용할 수 있다. 즉, 행동 시퀀스 획득부(314)와 성형 분석부(316)는 Hadoop 시스템을 통하여 개인의 행동 시퀀스를 저장 및 관리하고, MapReduce를 통하여 분석 기술을 분산 처리할 수도 있다.

생활습관 모델 생성부(318)는 성향이 유사한 사용자의 행동 시퀀스를 연결하여 성향 별로 개인화된 생활습관 모델을 생성한다.

보다 상세히 설명하면, 생활습관 모델 생성부(318)는 성향이 유사한 사용자의 행동 시퀀스들 간의 유사도를 분석하고, 유사도가 높은 행동 시퀀스를 트리 형태로 연결하여 온톨로지 형태의 개인화된 생활습관 모델을 성향 별로 생성할 수 있다.

한편, 개인이 자신의 결정이나 행동에 대하여 특정한 휴리스틱을 사용하며, 이 휴리스틱을 이용하여 개인 생활습관 모델의 적합성 검증이 필요하다.

개인 생활습관 모델의 적합성 검증은 심리학, 생리학자들이 이미 고안한 개인의 휴리스틱을 사용하여 각 개인의 휴리스틱을 파악하고, 개인의 휴리스틱 파악을 위한 방법으로 설문 조사 등을 이용하여 개인의 휴리스틱과 개인 생활습관 모델의 적합성을 확인할 수 있다.

그리고, 사용자의 개인 생활습관 모델과 휴리스틱간의 연관성을 파악하고, 휴리스틱을 바탕으로 개인 생활습관 모델의 적합성을 판정(심리학, 생리학자와 연계)하고, 휴리스틱을 분석하여 개인 생활습관 모델을 재조정할 수 있다.

하지만, 사용자 또는 전문가의 개입을 최소화하는 방안으로 기존 축적된 행동 시퀀스와 개인 생활습관 모델을 통하여 개인의 휴리스틱을 추정하고, 동일하거나 유사한 휴리스틱을 가진 사용자의 행동 시퀀스를 검색하여 개인 생활습관 모델간의 유사 패턴을 도출하여 개인 생활습관 모델의 적합성 검증하는 방법이 바람직하겠다.

제어부(310)는 개인화된 모델링 장치(130)의 전반적인 동작을 제어할 수 있다. 그리고, 제어부(310)는 로그 수집부(312), 행동 시퀀스 획득부(314), 성향 분석부(316) 및 생활습관 모델 생성부(318)의 기능을 수행할 수 있다. 제어부(310), 로그 수집부(312), 행동 시퀀스 획득부(314), 성향 분석부(316) 및 생활습관 모델 생성부(318)를 구분하여 도시한 것은 각 기능들을 구별하여 설명하기 위함이다. 따라서 제어부(310)는 로그 수집부(312), 행동 시퀀스 획득부(314), 성향 분석부(316) 및 생활습관 모델 생성부(318) 각각의 기능을 수행하도록 구성된(configured) 적어도 하나의 프로세서를 포함할 수 있다. 또한, 제어부(310)는 로그 수집부(312), 행동 시퀀스 획득부(314), 성향 분석부(316) 및 생활습관 모델 생성부(318) 각각의 기능 중 일부를 수행하도록 구성된(configured) 적어도 하나의 프로세서를 포함할 수 있다.

이하, 상기와 같이 구성된 본 발명에 따른 라이프 스타일 자율 케어 시스템에서 라이프 스타일을 관리하는 방법을 아래에서 도면을 참조하여 설명한다.

도 4는 본 발명의 일 실시예에 따른 라이프 스타일 자율 케어 시스템에서 라이프 스타일을 관리하는 과정을 도시한 흐름도이다.

도 4를 참조하면, 라이프 스타일 자율 케어 시스템(100)은 비밀 데이터(Private Data), 공개 데이터(Public Data), 개인 데이터(Personal Data), 익명 데이터(Anonymous Data), 접속 데이터(Connected Data) 및 센서 데이터(Sensor Data) 중에서 적어도 하나를 포함하는 라이프 로그를 수집한다(S410).

그리고, 라이프 스타일 자율 케어 시스템(100)은 수집된 라이프 로그를 이용하여 레퍼런스 모델을 생성한다(S412). 이때, 라이프 스타일 자율 케어 시스템(100)은 수집된 라이프 로그에서 행동 시퀀스를 추출하고, 추출된 행동 시퀀스 간의 유사도를 분석하고, 시퀀스 정렬(sequence alignment) 기법을 이용하여 행동 시퀀스를 정렬하여 레퍼런스 모델을 생성할 수 있다. 레퍼런스 모델을 생성하는 보다 상세한 설명은 이후 도 5를 참조하여 후술한다.

그리고, 라이프 스타일 자율 케어 시스템(100)은 수집된 라이프 로그를 이용하여 개인별 성향을 분석하고, 성향 별로 개인화된 생활습관 모델을 생성한다(S414).

이때, 라이프 스타일 자율 케어 시스템(100)은 데이터 마이닝 기법을 이용하여 수집된 라이프 로그에서 개인별로 기설정된 횟수 이상 반복되는 행동 패턴을 개인별 행동 시퀀스로 추출하고, 수집된 라이프 로그에 포함된 개인별 소셜 네트워크에서의 활동정보를 분석하여 개인별 성향을 분석하고, 성향이 유사한 사용자의 행동 시퀀스를 연결하여 성향 별로 개인화된 생활습관 모델을 생성할 수 있다. 개인화된 생활습관 모델을 생성하는 보다 상세한 설명은 이후 도 6을 참조하여 후술한다.

그리고, 라이프 스타일 자율 케어 시스템(100)은 레퍼런스 모델과 개인화된 생활습관 모델에 수집되는 사용자의 현재 정보를 반영하여 발생 가능한 사용자의 행동을 추정한다(S416).

그리고, 라이프 스타일 자율 케어 시스템(100)은 추정된 사용자의 행동이 사용자의 건강에 좋지 못한 영향을 주는지 확인한다(S418).

S418단계의 확인결과 추정된 사용자의 행동이 사용자의 건강에 좋지 못한 영향을 주는 경우, 라이프 스타일 자율 케어 시스템(100)은 추정된 사용자의 행동을 회피하도록 사용자를 유도한다(S420).

이때, 라이프 스타일 자율 케어 시스템(100)은 추정된 사용자의 행동을 회피하도록 사용자를 유도하기 위해 발생 가능한 사용자의 행동을 사용자에게 송신하거나 또는 사용자에게 어떤 행동을 지시하여 사전에 사용자의 행동이 발생하지 않도록 할 수 있다.

도 5는 본 발명의 일 실시예에 따른 레퍼런스 모델링 장치에서 레퍼런스 모델을 생성하는 과정을 도시한 흐름도이다.

도 5를 참조하면, 레퍼런스 모델링 장치(120)는 비밀 데이터(Private Data), 공개 데이터(Public Data), 개인 데이터(Personal Data), 익명 데이터(Anonymous Data), 접속 데이터(Connected Data) 및 센서 데이터(Sensor Data) 중에서 적어도 하나를 포함하는 라이프 로그를 수집한다(S510).

그리고, 레퍼런스 모델링 장치(120)는 수집된 라이프 로그에서 행동 시퀀스를 추출한다(S520). 이때, 레퍼런스 모델링 장치(120)는 데이터 마이닝 기법을 이용하여 수집된 라이프 로그에서 자극사상, 인지, 정서, 행동 및 결과 중에서 적어도 하나를 가지는 행동 시퀀스를 추출할 수 있다.

그리고, 레퍼런스 모델링 장치(120)는 추출된 행동 시퀀스 간의 유사도를 분석한다(S530). 이때, 레퍼런스 모델링 장치(120)는 기설정된 시간 내에서 발생되었는지 여부 및 행동 시퀀스에 포함된 정보를 동일 여부 중에서 적어도 하나를 이용하여 추출된 행동 시퀀스 간의 유사도를 평가하여 분석할 수 있다.

그리고, 레퍼런스 모델링 장치(120)는 시퀀스 정렬(sequence alignment) 기법을 이용하여 행동 시퀀스를 정렬하여 레퍼런스 모델을 생성한다(S540). 이때, 레퍼런스 모델링 장치(120)는 추출된 행동 시퀀스의 유사도를 이용하여 유사도가 높은 행동 시퀀스를 트리 형태로 연결하여 온톨로지 형태의 레퍼런스 모델을 생성할 수 있다.

도 6은 본 발명의 일 실시예에 따른 개인화된 모델링 장치에서 개인화된 생활습관 모델을 생성하는 과정을 도시한 흐름도이다.

도 6을 참조하면, 개인화된 모델링 장치(130)는 비밀 데이터(Private Data), 공개 데이터(Public Data), 개인 데이터(Personal Data), 익명 데이터(Anonymous Data), 접속 데이터(Connected Data) 및 센서 데이터(Sensor Data) 중에서 적어도 하나를 포함하는 라이프 로그를 수집한다(S610).

그리고, 개인화된 모델링 장치(130)는 수집된 라이프 로그에서 개인별 행동 시퀀스를 추출한다(S620). 이때, 개인화된 모델링 장치(130)는 데이터 마이닝 기법을 이용하여 수집된 라이프 로그에서 개인별로 기설정된 횟수 이상 반복되는 행동 패턴을 개인별 행동 시퀀스로 추출할 수 있다.

그리고, 개인화된 모델링 장치(130)는 수집된 라이프 로그를 이용하여 개인별 성향을 분석한다(S630). 이때, 개인화된 모델링 장치(130)는 수집된 라이프 로그에 포함된 개인별 소셜 네트워크에서의 활동정보를 분석하여 개인별 성향을 분석할 수 있다.

그리고, 개인화된 모델링 장치(130)는 성향이 유사한 사용자의 행동 시퀀스를 연결하여 성향 별로 개인화된 생활습관 모델을 생성한다(S640). 이때, 개인화된 모델링 장치(130)는 성향이 유사한 사용자의 행동 시퀀스들 간의 유사도를 분석하고, 유사도가 높은 행동 시퀀스를 트리 형태로 연결하여 온톨로지 형태의 개인화된 생활습관 모델을 성향 별로 생성할 수 있다.

도 8은 본 발명의 일 실시예에 따른 라이프스타일 데이터 관리 시스템(800)의 구성을 도시한 도면이다.

도 8을 참조하면, 라이프스타일 데이터 관리 시스템(800)은 로그 수집부(810), 전처리부(820), 메타데이터 생성부(830) 및 메타데이터 저장부(840)를 포함할 수 있다.

이때, 로그 수집부(810)는 크롤링(crawling) 기법을 기반으로 웹 상의 데이터 및 문서에서 개인의 정보를 수집할 수 있고, 소셜 네트워크(페이스북, 트위터 등) 상의 개인의 정보를 수집할 수 있다. 이때, 소셜 네트워크에서의 상의 개인의 정보는 소셜 네트워크의 접속 횟수, 방문하는 대상, 등록된 친구의 수, 올린 글의 횟수, 답변횟수, 올린 글의 문맥분석 등을 포함할 수 있다. 개인의 라이프 로그를 파악하기 위하여 개인의 소비패턴, 위치 정보, 개인의 이동 경로 등을 다수의 데이터를 기반으로 하여 개인의 라이프 로그를 수집할 수 있다.

또한, 로그 수집부(810)는 비밀 데이터(Private Data) 관리서버(151), 공개 데이터(Public Data) 관리서버(152), 개인용 컴퓨터(153), 스마트 폰(154), 스마트 안경(155), 스마트 시계(157), 자전거(158), 런닝머신(159), 자동차(160) 등과 통신하여 라이프 로그를 수집할 수 있다.

이때, 라이프 로그는 비밀 데이터(Private Data), 공개 데이터(Public Data), 개인 데이터(Personal Data), 익명 데이터(Anonymous Data), 접속 데이터(Connected Data) 및 센서 데이터(Sensor Data) 중에서 적어도 하나를 포함할 수 있으며, 이에 대한 더 자세한 설명은 상기에 설명했으므로 이하 생략하기로 한다.

전처리부(820)는 로그 수집부(810)로부터 수집된 라이프 로그를 수신하고, 수집된 라이프 로그를 자가 생성한 규칙을 기법을 이용하여 라이프 로그를 필터링하여 개인별 생활습관 데이터를 생성한다.

이때, 자가 생성한 규칙을 기법은 머신 러닝기법에 기반하여 적응적으로 조정이 가능하다.

메타데이터 생성부(830)는 전처리부(820)로부터 필터링된 개인별 생활 습관 데이터의 특성을 파악하고 별로 동적인 데이터 디스크립션을 포함하는 개인별 생활 습관 메타데이터를 생성한다.

이때, 개인별 생활 습관 데이터의 특성은 데이터의 출처와 데이터가 나타내는 정보의 종류를 종합적으로 의미하는 것이다. 그 예로는 도메인, 공개 웹 데이터, Sensory 데이터, 통신 데이터, 소셜 컴퓨팅 데이터, 공개 / 비밀 데이터, 유틸리티 사용 데이터, 시스템 로그 등으로 특성에 대해 설명할 수 있다.

메타데이터 저장부(840)는 메타데이터 생성부(830)로부터 생성된 메타데이터의 개체 간 링크를 추출하여 추출된 링크를 기반으로 연결된 데이터베이스 구조를 구현하여 저장한다.

도 9는 본 발명의 일 실시예에 따른 로그 수집부(810) 및 전처리부(820)에서 개인별 생활습관 데이터를 생성하는 과정의 예를 도시한 도면이다.

도 9를 참조하면, 라이프 로그를 수집한 로그 수집부(810)로부터 수집된 라이프 로그를 수신하여, 머신 러닝 기반의 자가 생성한 규칙을 이용하여 라이프 로그를 필터링하여 개인별 생활습관 데이터를 생성한다.

이 때 로그 수집부(810)는 크롤링(crawling) 기법을 이용하여 퍼블릭 웹 데이터 및 로그로부터 개인의 생활습관에 관련된 raw data를 수집할 수 있다. 이 때 로그 수집부(810)가 수집하는 raw data의 종류에 따라 이후의 과정에서 다루어지는 도메인이 분류된다. Sensory 데이터(인간의 감각 데이터), 커뮤니케이션 데이터는 데이터 스트림 및 오픈 API를 통하여 축적되고, 소셜 컴퓨팅 데이터, 공개/비밀 데이터, 유틸리티 사용 데이터, 시스템 로그 데이터 등은 벌크 데이터셋(Bulk Dataset)의 형태로 수집되어 전처리부(820)로 전달될 수 있다.

이처럼 로그 수집부(810)에서 수집되는 raw data의 도메인에 따라서 편집되고 전처리부(820)로 이관되는 방법이 다양하게 결정될 수 있다.

전처리부(820)에서는 미리 결정된 규칙(rule)에 의하여 텍스트 문맥 패턴(Text Context Pattern)을 추출하거나, HTML-URL 문맥 패턴을 추출하거나, 변형 분류(Morphology Classifier)를 적용하여 raw data를 정리하고 필터링할 수 있다. 이러한 전처리 과정은 자가 생성된(self-generated) 규칙에 의하여 실행될 수 있고, 자가 생성된 규칙은 규칙 학습자(Rule Learner)에 의하여 머신 러닝 기법에 의하여 스스로 학습되어 추가되거나 제외될 수 있고, 강화되거나 보완될 수 있다.

이때, 전처리부(820)는 인위적인 외부 개입을 최소화하고 다차원적인 분석 기법을 제공하기 위해서, 수집된 라이프 로그의 원본 데이터의 각 항목 간의 커플링 조건을 자가 생성한 규칙의 일부로서 적용하여, 다차원적으로 분석할 데이터의 특성을 파악하여, 개인별 생활습관 데이터를 생성할 수 있다.

도 10은 본 발명의 일 실시예에 따른 메타데이터 생성부(830)에서 개인별 생활습관 메타데이터를 생성하는 과정의 예를 도시한 도면이다.

도 10을 참조하면, 메타데이터 생성부(830)는 전처리부(820)로부터 필터링된 개인별 생활습관 데이터에 대한 학습 과정을 통하여 개인별 생활 습관 데이터를 분류할 수 있다.

그리고, 개인별 생활습관 데이터에 대한 컨텍스트 패턴을 추출하고, 개인별 생활습관 데이터의 특성 별로 동적인 데이터 디스크립션를 포함하는 개인별 생활습관 메타데이터를 생성한다.

메타데이터 생성부(830)는 추출된 컨텍스트 패턴으로부터 컨텐츠 관련된 정보, 서비스 관련된 정보, 사용자 관련된 정보, 커뮤니티 관련된 정보를 추출하여 이들 추출된 정보에 대한 동적인 데이터 디스크립션을 생성할 수 있다.

이 때 개인별 생활습관 데이터의 특성이라 함은 도메인 등에 의하여 분류될 수 있음은 앞에서 설명한 바와 같다. 데이터의 특성 및 도메인에 관한 예로는 raw data의 수집된 경로, 즉, 공개/비밀 데이터인지, 유틸리티의 측정 데이터인지, 소셜 컴퓨팅 데이터인지에 따라서 특성 및 도메인이 구분될 수도 있으며, 또 다른 실시예로는 컨텐츠 관련 데이터인지, 서비스 관련 데이터인지, 사용자 관련 데이터인지, 커뮤니티 관련 데이터인지에 따라서 특성 및 도메인이 구분될 수도 있다.

메타데이터 생성부(830)에 의하여 생성된 디스크립션은 디스크립션 매니저에 의하여 패키징, 추출, 수집 및 변환의 과정을 거쳐 데이터베이스에 저장될 수 있는 형태로 변환될 수 있다. 이 때 추출 과정은 디스크립션으로부터 유의미한 데이터를 추출하는 과정이고, 패키징, 수집 및 변환의 과정은 파일의 형식 상 헤더(header), 테일(tail) 등을 부가하여 용이하게 편집 가능한 형태로 변환하는 과정을 의미할 수 있다.

디스크립션 데이터는 태그 기반 디스크립션(Tag based description), 메타데이터 디스크립션, 풀 데이터 디스크립션(Full data description), 등의 형태를 취할 수 있으며, 각각의 특성에 따라서 Key Value Store, Column Store, Document Store, Graphic Store 등의 저장소로 분류되어 저장될 수 있다.

도 11은 본 발명의 일 실시예에 따른 개인별 생활습관 메타데이터에 링크를 기반으로 연결된 데이터베이스 구조의 예를 도시한 도면이다.

도 11를 참조하면, 메타데이터 저장부(840)는 메타데이터 생성부(830)로부터, 생성된 개인별 생활습관 메타데이터를 머신 러닝 기법을 기반하여, 비정형 정보에서 구조 정보를 추출하고, 구조정보와 라이프스타일 컨텍스트를 맞추어 메타데이터의 개체 간 링크를 추출하는데, 개체 간 링크에서 개체는 필터링으로 인하여 유의미한 정보로 판정된 각각의 데이터들을 말한다. 예를 들어서, 개인이 자신의 블로그 등 소셜 네트워크 상에 서술한 본인의 심정에 관련된 글, 개인의 이동한 경로(위치 추적으로부터 얻은 정보), 개인의 금융정보 등의 데이터들이 각각의 개체라고 할 수 있다. 또한, 개체 간 링크는 소셜 네트워크 상에 서술한 본인의 심정에 관한 글과, 개인의 쇼핑 정보(개인의 금융정보)의 시간이 일정 범위 내에서 정보가 일치한다면 각각의 개체 간의 링크가 발생하는 것으로 볼 수 있다.

그리고, 추출된 링크를 기반으로 연결된 데이터베이스 구조를 구현하여 저장하고, 개인별 생활습관 메타데이터가 저장되는 공간을 저장소라고 하는데, 이 저장소의 특성에 따른 맞춤형 형식으로 저장이 된다.

그리고, 메타데이터 저장부(840)는 라이프스타일 데이터 관리 시스템(800)에서 다루는 모든 이질적 데이터를 통합 관리하는 시스템을 더 포함할 수 있다.

라이프스타일 데이터의 카테고리(또는 도메인)에 따른 분류는 에너지(Energy), 엔터테인먼트(Entertainment), 업무(Working), 생활(Living), 이동(Mobility), 보살핌(Caring), 통신(Communication) 등으로 구분될 수 있으며, 각 카테고리 별로 개별 데이터 간의 링크가 발생하는 경우 이를 시스템(800)이 파악하고 추출하여 데이터베이스 상에 저장한다.

도 12은 본 발명의 일 실시예에 따른 라이프스타일 데이터 관리 시스템에서 라이프스타일 데이터를 관리하는 과정을 도시한 흐름도이다. 이는 도 8의 설명을 기반으로 간략히 설명하기로 한다.

도 12을 참조하면, 단계S910은 라이프 로그를 수집하는 단계로, 로그 수집부(810)는 크롤링 기법을 기반으로 웹 상의 데이터 및 문서에서 개인의 정보를 수집할 수 있고, 소셜 네트워크(페이스북, 트위터 등) 상의 개인의 정보를 수집할 수 있다. 이때, 소셜 네트워크에서의 상의 개인의 정보는 소셜 네트워크의 접속 횟수, 방문하는 대상, 등록된 친구의 수, 올린 글의 횟수, 답변횟수, 올린 글의 문맥분석 등을 포함할 수 있다. 개인의 라이프 로그를 파악하기 위하여 개인의 소비패턴, 위치 정보, 개인의 이동 경로 등을 다수의 데이터를 기반으로 하여 개인의 라이프 로그를 수집할 수 있다.

이때, 라이프 로그는 비밀 데이터(Private Data), 공개 데이터(Public Data), 개인 데이터(Personal Data), 익명 데이터(Anonymous Data), 접속 데이터(Connected Data) 및 센서 데이터(Sensor Data) 중에서 적어도 하나를 포함할 수 있으며, 이에 대한 더 자세한 설명은 상기에 설명했으므로 이하 생략하기로 한다.

단계S920은 수집된 라이프 로그를 이용하여 개인별 생활습관 데이터를 생성하는 단계로, 전처리부(820)는 로그 수집부(810)로부터 수집된 라이프 로그를 수신하고, 수집된 라이프 로그를 자가 생성한 규칙을 기법을 이용하여 라이프 로그를 필터링하여 개인별 생활습관 데이터를 생성한다.

이때, 자가 생성한 규칙을 기법은 머신 러닝기법에 기반하여 적응적으로 조정이 가능하다. 전처리부(820)의 상세한 설명은 상기 도 9를 참조하여 설명하였으므로 이하 생략하기로 한다.

단계S930은 개인별 생황습관 데이터의 특성을 이용하여 메타데이터를 생성하는 단계로, 메타데이터 생성부(830)는 전처리부(820)로부터 필터링된 개인별 생활 습관 데이터의 특성을 파악하고 별로 동적인 데이터 디스크립션을 포함하는 개인별 생활 습관 메타데이터를 생성한다.

이때, 특성은 데이터의 출처와 데이터가 나타내는 정보의 종류를 종합적으로 의미하는 것이다. 그 예로는 도메인, 공개 웹 데이터, Sensory 데이터, 통신 데이터, 소셜 컴퓨팅 데이터, 공개 / 비밀 데이터, 유틸리티 사용 데이터, 시스템 로그 등으로 특성에 대해 설명할 수 있다. 메타데이터 생성부(830)의 상세한 설명은 상기 도 10를 참조하여 설명하였으므로 이하 생략하기로 한다.

단계S940은 메타데이터에서 추출된 링크를 기반으로 데이터베이스 구조를 구현하여 저장하는 단계로써, 메타데이터 저장부(840)는 메타데이터 생성부(830)로부터 생성된 메타데이터의 개체 간 링크를 추출하여 추출된 링크를 기반으로 연결된 데이터베이스 구조를 구현하여 저장한다. 메타데이터 저장부(840)의 보다 상세한 설명은 이후 상기 도 11를 참조하여 설명하였으므로 생략하기로 한다.

본 발명의 일 실시 예에 따른 라이프스타일 데이터를 관리하는 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.

이상과 같이 본 발명에서는 구체적인 구성 요소 등과 같은 특정 사항들과 한정된 실시예 및 도면에 의해 설명되었으나 이는 본 발명의 보다 전반적인 이해를 돕기 위해서 제공된 것일 뿐, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.

따라서, 본 발명의 사상은 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명 사상의 범주에 속한다고 할 것이다.

Claims (11)

1. 라이프 로그를 수집하고, 상기 라이프 로그의 원본 데이터(raw data)의 종류에 따라 상기 원본 데이터를 편집할 도메인을 분류하며, 상기 분류된 도메인에 따라 결정되는 이관 경로를 경유하여 상기 라이프 로그를 전처리부로 이관하는 로그 수집부;
   상기 수집된 라이프 로그를 자가 생성한 규칙을 기반으로 필터링하여 개인별 생활습관 데이터를 생성하고, 상기 자가 생성한 규칙은 머신 러닝 기법에 기반하여 스스로 학습되어 적응적으로 추가되거나 제외되고, 강화되거나 보완되며, 상기 수집된 라이프 로그의 상기 원본 데이터의 각 항목 간의 커플링 조건(coupling constraints)을 상기 자가 생성한 규칙의 일부로서 적용하여 상기 개인별 생활습관 데이터를 생성하는 전처리부;
   상기 수집된 라이프 로그의 상기 원본 데이터의 출처와 상기 원본 데이터가 나타내는 정보의 종류를 의미하는 상기 필터링된 개인별 생활습관 데이터의 특성 별로 동적인 데이터 디스크립션을 포함하는 개인별 생활습관 메타데이터를 생성하는 메타데이터 생성부; 및
   상기 개인별 생활습관 메타데이터의 개체 간 링크를 추출하고 상기 추출된 링크를 기반으로 연결된 데이터베이스 구조를 구현하여 저장하는 메타데이터 저장부를 포함하는
   라이프스타일 데이터 관리 시스템.
2. 제1항에 있어서,
   상기 라이프 로그는,
   비밀 데이터(Private Data), 공개 데이터(Public Data), 개인 데이터(Personal Data), 익명 데이터(Anonymous Data), 접속 데이터(Connected Data) 및 센서 데이터(Sensor Data) 중에서 적어도 하나를 포함하는
   라이프스타일 데이터 관리 시스템.
3. 제1항에 있어서,
   상기 로그 수집부는,
   크롤링(Crawling) 기법을 기반으로 웹 상의 데이터 및 문서에서 개인의 정보를 수집하고, 소셜 네트워크 상의 개인 데이터를 수집하고, 개인의 소비 패턴, 및 위치 정보에 기반하여 개인의 라이프 로그를 수집하는 것을 특징으로 하는
   라이프스타일 데이터 관리 시스템.
4. 제1항에 있어서,
   상기 메타데이터 생성부는,
   상기 개인별 생활습관 데이터에 대한 학습 과정을 통하여 상기 개인별 생활습관 데이터를 분류하고, 상기 개인별 생활습관 데이터에 대한 컨텍스트 패턴을 추출하여 상기 동적인 데이터 디스크립션을 생성하는 것을 특징으로 하는
   라이프스타일 데이터 관리 시스템.
5. 제1항에 있어서,
   상기 메타데이터 저장부는
   머신 러닝 기법을 기반으로 상기 개인별 생활습관 메타데이터의 비정형 정보에서 구조 정보를 추출하고, 상기 구조 정보와 라이프스타일 컨텍스트를 맞추어 상기 메타데이터의 개체 간 링크를 추출하는 것을 특징으로 하는
   라이프스타일 데이터 관리 시스템.
6. 라이프 로그를 수집하고, 상기 라이프 로그의 원본 데이터(raw data)의 종류에 따라 상기 원본 데이터를 편집할 도메인을 분류하며, 상기 분류된 도메인에 따라 결정되는 이관 경로를 경유하여 상기 라이프 로그를 전처리부로 이관하는 로그 수집단계;
   상기 수집된 라이프 로그를 자가 생성한 규칙을 기반으로 필터링하여 개인별 생활습관 데이터를 생성하고, 상기 자가 생성한 규칙은 머신 러닝 기법에 기반하여 스스로 학습되어 적응적으로 추가되거나 제외되고, 강화되거나 보완되며, 상기 수집된 라이프 로그의 상기 원본 데이터의 각 항목 간의 커플링 조건(coupling constraints)을 상기 자가 생성한 규칙의 일부로서 적용하여 상기 개인별 생활습관 데이터를 생성하는 전처리단계;
   상기 수집된 라이프 로그의 상기 원본 데이터의 출처와 상기 원본 데이터가 나타내는 정보의 종류를 의미하는 상기 필터링된 개인별 생활습관 데이터의 특성 별로 동적인 데이터 디스크립션을 포함하는 개인별 생활습관 메타데이터를 생성하는 메타데이터 생성단계; 및
   상기 개인별 생활습관 메타데이터의 개체 간 링크를 추출하고 상기 추출된 링크를 기반으로 연결된 데이터베이스 구조를 구현하여 저장하는 메타데이터 저장단계를 포함하는
   라이프스타일 데이터 관리하는 방법.
7. 제6항에 있어서,
   상기 라이프 로그는,
   비밀 데이터(Private Data), 공개 데이터(Public Data), 개인 데이터(Personal Data), 익명 데이터(Anonymous Data), 접속 데이터(Connected Data) 및 센서 데이터(Sensor Data) 중에서 적어도 하나를 포함하는
   라이프스타일 데이터 관리하는 방법.
8. 제6항에 있어서,
   상기 로그 수집단계는,
   크롤링(Crawling) 기법을 기반으로 웹 상의 데이터 및 문서에서 개인의 정보를 수집하고, 소셜 네트워크 상의 개인 데이터를 수집하고, 개인의 소비 패턴, 및 위치 정보에 기반하여 개인의 라이프 로그를 수집하는 것을 특징으로 하는
   라이프스타일 데이터 관리하는 방법.
9. 제6항에 있어서,
   상기 메타데이터 생성단계는,
   상기 개인별 생활습관 데이터에 대한 학습 과정을 통하여 상기 개인별 생활습관 데이터를 분류하고, 상기 개인별 생활습관 데이터에 대한 컨텍스트 패턴을 추출하여 상기 동적인 데이터 디스크립션을 생성하는 것을 특징으로 하는
   라이프스타일 데이터 관리하는 방법.
10. 제6항에 있어서,
    상기 메타데이터 저장단계는
    머신 러닝 기법을 기반으로 상기 개인별 생활습관 메타데이터의 비정형 정보에서 구조 정보를 추출하고, 상기 구조 정보와 라이프스타일 컨텍스트를 맞추어 상기 메타데이터의 개체 간 링크를 추출하는 것을 특징으로 하는
    라이프스타일 데이터 관리하는 방법.
11. 제6항 내지 제10항 중 어느 한 항의 방법을 실행하기 위한 프로그램이 기록되어 있는 것을 특징으로 하는 컴퓨터에서 판독 가능한 기록 매체.

Images