[go: up one dir, main page]

WO2019172642A1 - 심장 박동을 측정하기 위한 전자 장치 및 방법 - Google Patents

심장 박동을 측정하기 위한 전자 장치 및 방법 Download PDF

Info

Publication number
WO2019172642A1
WO2019172642A1 PCT/KR2019/002589 KR2019002589W WO2019172642A1 WO 2019172642 A1 WO2019172642 A1 WO 2019172642A1 KR 2019002589 W KR2019002589 W KR 2019002589W WO 2019172642 A1 WO2019172642 A1 WO 2019172642A1
Authority
WO
WIPO (PCT)
Prior art keywords
user
areas
information
area
electronic device
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Ceased
Application number
PCT/KR2019/002589
Other languages
English (en)
French (fr)
Inventor
김계현
김준호
김형순
이태한
한종희
박상배
백현재
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Samsung Electronics Co Ltd
Original Assignee
Samsung Electronics Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Samsung Electronics Co Ltd filed Critical Samsung Electronics Co Ltd
Priority to EP19764567.4A priority Critical patent/EP3725217A4/en
Priority to US16/978,538 priority patent/US20210015376A1/en
Priority to CN201980011150.3A priority patent/CN111670004B/zh
Publication of WO2019172642A1 publication Critical patent/WO2019172642A1/ko
Anticipated expiration legal-status Critical
Ceased legal-status Critical Current

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/02—Detecting, measuring or recording for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
    • A61B5/024—Measuring 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
    • A61B5/0059—Measuring for diagnostic purposes; Identification of persons using light, e.g. diagnosis by transillumination, diascopy, fluorescence
    • A61B5/0077—Devices for viewing the surface of the body, e.g. camera, magnifying lens
    • 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 for evaluating the cardiovascular system, e.g. pulse, heart rate, blood pressure or blood flow
    • A61B5/024—Measuring pulse rate or heart rate
    • A61B5/02416—Measuring 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
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • 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
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7278—Artificial waveform generation or derivation, e.g. synthesizing signals from measured signals
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/74—Details of notification to user or communication with user or patient; User input means
    • A61B5/742—Details of notification to user or communication with user or patient; User input means using visual displays
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N99/00—Subject matter not provided for in other groups of this subclass
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/56—Extraction of image or video features relating to colour
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/161—Detection; Localisation; Normalisation
    • G06V40/162—Detection; Localisation; Normalisation using pixel segmentation or colour matching
    • G—PHYSICS
    • G06—COMPUTING OR CALCULATING; COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/16—Human faces, e.g. facial parts, sketches or expressions
    • G06V40/168—Feature extraction; Face representation
    • G06V40/171—Local features and components; Facial parts ; Occluding parts, e.g. glasses; Geometrical relationships
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H30/00—ICT specially adapted for the handling or processing of medical images
    • G16H30/40—ICT specially adapted for the handling or processing of medical images for processing medical images, e.g. editing
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2576/00—Medical imaging apparatus involving image processing or analysis
    • A61B2576/02—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part
    • A61B2576/023—Medical imaging apparatus involving image processing or analysis specially adapted for a particular organ or body part for the heart

Definitions

  • the processor may further remove an area of the forehead area from the face area of the user, and include a plurality of pixels having similar colors in an image of the area of the eye, mouth, area, and the remaining area from which the forehead area is removed. Can be grouped into a plurality of regions.
  • the processor may be configured to group the plurality of areas including a plurality of pixels having similar colors in an image of some areas of the areas of the eye, mouth, and forehead, from which the forehead is removed.
  • the region of the mouth region may be removed.
  • FIG. 1 is an exemplary diagram of measuring a heartbeat of a user in an electronic device according to an embodiment of the present invention
  • FIG. 5 is a first exemplary diagram of acquiring a face region of a user from an image photographed by a processor according to an embodiment of the present disclosure
  • FIG. 7 is a detailed block diagram of a processor of an electronic device for updating and using an artificial intelligence learning model according to an embodiment of the present invention.
  • FIG. 10 is a flowchart of a method of providing information about a heartbeat of a user in an electronic device according to an embodiment of the present disclosure
  • expressions such as “A or B,” “at least one of A or / and B,” or “one or more of A or / and B” may include all possible combinations of items listed together.
  • “A or B,” “at least one of A and B,” or “at least one of A or B,” includes (1) at least one A, (2) at least one B, Or (3) both of cases including at least one A and at least one B.
  • One component (such as a first component) is "(functionally or communicatively) coupled with / to" to another component (such as a second component) or " When referred to as “connected to”, it should be understood that any component may be directly connected to the other component or may be connected through another component (eg, a third component).
  • a component e.g., a first component
  • another component e.g., a second component
  • no other component e.g., a third component
  • An electronic device may be, for example, a smartphone, a tablet PC, a mobile phone, a video phone, an e-book reader, a desktop PC, a laptop PC, a netbook computer, a workstation, a server, a PDA, a PMP. It may include at least one of a portable multimedia player, an MP3 player, a medical device, a camera, or a wearable device. Wearable devices may be accessory (e.g. watches, rings, bracelets, anklets, necklaces, eyeglasses, contact lenses, or head-mounted-devices (HMDs), textiles or clothing integrated (e.g.
  • HMDs head-mounted-devices
  • an electronic device may comprise, for example, a television, a digital video disk (DVD) player, Audio, Refrigerator, Air Conditioner, Cleaner, Oven, Microwave, Washing Machine, Air Purifier, Set Top Box, Home Automation Control Panel, Security Control Panel, Media Box (e.g. Samsung HomeSyncTM, Apple TVTM, or Google TVTM), Game Console (Eg, XboxTM, PlayStationTM), an electronic dictionary, an electronic key, a camcorder, or an electronic picture frame.
  • DVD digital video disk
  • the term user may refer to a person who uses an electronic device or a device (eg, an artificial intelligence electronic device) that uses an electronic device.
  • a device eg, an artificial intelligence electronic device
  • the electronic device 100 may select a user face based on color information and position information of a plurality of pixels constituting the acquired user face region.
  • a plurality of regions can be grouped.
  • the electronic device 100 may calculate an average value from color information of pixels included in each of the plurality of grouped regions, and obtain the calculated average value as a color value corresponding to each of the plurality of grouped regions. .
  • the electronic device 100 may group a plurality of areas into the same group within a preset color range by using a Gaussian Distribution.
  • the electronic device 100 may include a plurality of areas based on color values of a plurality of areas grouped based on color information and location information of a plurality of pixels constituting a user's face.
  • the area similar to the middle color A may be grouped into the first group, the area similar to the B color grouped into the second group, and the area similar to the C color may be grouped into the third group.
  • the electronic device 100 is based on the color values of the areas included in the first group.
  • FIG. 2 is a block diagram of an electronic device that provides information about a heartbeat of a user according to an embodiment of the present invention.
  • the processor 130 groups the user face included in the image photographed by the photographing unit 110 into a plurality of areas including a plurality of pixels having similar colors. Thereafter, the processor 130 obtains information about the heartbeat of the user by inputting information about the plurality of grouped areas into the artificial intelligence learning model.
  • the processor 130 groups the user face into a plurality of areas based on the color information and the position information of the plurality of pixels constituting the user face, and then obtains color values corresponding to each of the grouped areas. .
  • the processor 130 may group pixels having the same color among adjacent pixels into one group based on color information and location information of a plurality of pixels constituting the face region of the user.
  • the present invention is not limited thereto, and the processor 130 may include one or more pixels having a color included in a predetermined color range among adjacent pixels based on the color information and the location information of the plurality of pixels constituting the face region of the user. You can group into groups.
  • the processor 130 may calculate an average value from color information of pixels included in each of the plurality of grouped areas, and obtain the calculated average value as a color value corresponding to each of the plurality of grouped areas.
  • the processor 130 groups the plurality of regions within a predetermined color range into the same group based on color values corresponding to each of the plurality of regions.
  • the processor 130 may group the plurality of regions into the same group within a preset color range by using a Gaussian distribution.
  • the processor 130 inputs the pulse signals for the plurality of areas grouped into the same group to the artificial intelligence learning model to obtain information about the heartbeat of the user. can do.
  • the artificial intelligence learning model may be stored in the storage unit 170 to be described later, such an artificial intelligence learning model will be described in detail below.
  • the processor 130 obtains a face region of the user in a plurality of image frames constituting the captured image by using a support vector machine (SVM) algorithm.
  • SVM support vector machine
  • the processor 130 may be grouped into a plurality of areas including a plurality of pixels having similar colors through the above-described embodiment within the remaining area in which the areas of the eyes, mouth, and neck areas are removed from the face area of the user. .
  • the processor 130 detects an area of the user's eyes, mouth, neck, and forehead, and detects the area of the user's eyes, mouth, neck, and forehead. Remove it.
  • the microphone 141 receives a user's voice command
  • the operation unit 142 may be implemented as a keypad including various function keys, numeric keys, special keys, text keys, and the like.
  • the touch input unit 143 may be implemented as a touch pad having a rare layer structure with the display unit 121. In this case, the touch input unit 143 may receive a selection command for various application-related icons displayed on the display 121.
  • the user input unit 144 may receive an IR signal or an RF signal for controlling the operation of the electronic device 100 from at least one peripheral device such as a remote control device.
  • the communication unit 150 performs data communication with a peripheral device (not shown) such as a smart TV, a smart phone, a tablet PC, a relay terminal device (not shown), and the like for transmitting and receiving data with a content server (not shown).
  • a peripheral device such as a smart TV, a smart phone, a tablet PC, a relay terminal device (not shown), and the like for transmitting and receiving data with a content server (not shown).
  • the communicator 150 may obtain an artificial intelligence server (not shown) based on a pulse signal obtained based on a user face area included in a pre-recorded image. ) And receive information about the heartbeat of the user based on the pulse signal from an artificial intelligence server (not shown).
  • the communication unit 150 includes a short range communication module 151, a wireless communication module 152 such as a wireless LAN module, a high-definition multimedia interface (HDMI), a universal serial bus (USB), and an Institute of Electrical and Eletronics (IEEE). Engineers) may include a connector 153 including at least one of the wired communication module, such as 1394.
  • a wireless communication module 152 such as a wireless LAN module, a high-definition multimedia interface (HDMI), a universal serial bus (USB), and an Institute of Electrical and Eletronics (IEEE). Engineers) may include a connector 153 including at least one of the wired communication module, such as 1394.
  • the short range communication module 151 is a component that wirelessly performs short range communication with the electronic device 100 and a peripheral device, an artificial intelligence server, and the like, which are located at a short distance.
  • the short range communication module 151 may include at least one of a Bluetooth module, an infrared data association (IrDA) module, a near field communication (NFC) module, a Wi-Fi (WIFI) module, and a Zigbee module. can do.
  • the wireless communication module 152 is a module connected to an external network and performing communication according to a wireless communication protocol such as IEEE.
  • the wireless communication module further includes a mobile communication module for accessing and communicating with the mobile communication network according to various mobile communication standards such as 3rd generation (3G), 3rd generation partnership project (3GPP), long term evolution (LTE), and the like. You may.
  • 3G 3rd generation
  • 3GPP 3rd generation partnership project
  • LTE long term evolution
  • the communication unit 150 may be implemented by the various short-range communication schemes described above, and may employ other communication techniques not mentioned herein as needed.
  • the connector 153 is an element that provides an interface with various source devices such as USB 2.0, USB 3.0, HDMI, and IEEE 1394.
  • the connector 153 receives content data transmitted from an external server (not shown) through a wired cable connected to the connector 153 according to a control command of the processor 130, or uses previously stored content data as an external recording medium. Can transmit In addition, the connector 153 may receive power from a power source through a wired cable physically connected to the connector 153.
  • the detector 160 detects a motion of the electronic device 100.
  • the sensing unit 160 may include an acceleration sensor, a geomagnetic sensor, a gyro sensor, and the like, and may detect the motion of the electronic device 100 using such various sensors.
  • Accelerometer sensor is a sensor for measuring the acceleration or impact strength of the moving electronic device 100, and not only electronic devices such as smart phones, tablet PC, but also various vehicles such as cars, trains, airplanes, etc. It is an essential sensor used in control systems such as robots.
  • Magnetic sensor Magnetic Sensor
  • Magnetic Sensor is an electronic compass that can detect the azimuth angle using the earth's magnetic field, and is used for location tracking, 3D video games, or used in smartphones, walkie-talkies, GPS, PDA, navigation navigation devices.
  • Gyroscope sensor is a sensor that recognizes 6-axis direction by inserting each rotation into existing acceleration sensor and helps to recognize more detailed and precise motion.
  • the storage unit 170 may further store an operation program for controlling the operation of the electronic device 100.
  • the operation program may be a program that is read from the storage unit 170 and compiled to operate each component of the electronic device 100.
  • the storage unit 170 may be a memory card (eg, an SD card or a memory stick) that can be attached / removed / removed to the ROM 131, the RAM 132, or the electronic device 100, which will be described later.
  • the memory device may be implemented as at least one of a memory, a volatile memory, a hard disk drive (HDD), or a solid state drive (SSD).
  • the output unit 120 includes a display unit 121 and an audio output unit 122.
  • the display unit 121 displays information about the heartbeat of the user acquired through the artificial intelligence learning model.
  • the display 121 displays a content or displays an execution screen including an icon for executing each of a plurality of applications stored in the storage 170 of the electronic device 100 or the electronic device 100.
  • Various UI screens for controlling the operation of the display can be displayed.
  • the display unit 121 may be implemented as a liquid crystal display (LCD), an organic light emitting diode (OLED), or the like.
  • LCD liquid crystal display
  • OLED organic light emitting diode
  • the audio output unit 122 outputs the information on the heart rate of the user acquired through the artificial intelligence learning model in an audio form.
  • the audio output unit 122 may output audio data or various notification sounds or voice messages included in content requested by the user.
  • the above-described processor 130 may be a processing device for controlling the overall operation of the electronic device 100 or for controlling the overall operation of the electronic device 100.
  • Such a processor 130 may include a CPU 133, a ROM 131, a RAM 132, and a GPU 134, and include a CPU 133, a ROM 131, a RAM 132, and a GPU 134. ) May be connected to each other via a bus (135).
  • the CPU 133 accesses the storage unit 170 and performs booting using an OS stored in the storage unit 170. In addition, the CPU 133 performs various operations using various programs, contents, data, and the like stored in the storage unit 170.
  • the ROM 131 stores a command set for system booting.
  • the CPU 133 copies the OS stored in the storage unit 170 to the RAM 134 according to the command stored in the ROM 131, and executes the OS to boot the system.
  • the CPU 133 copies various programs stored in the storage unit 170 to the RAM 132 and executes the programs copied to the RAM 132 to perform various operations.
  • the processor 130 may be combined with each of the above-described components and implemented as a single-chip system (System-on-a-chip or System on chip, SOC, SoC).
  • an artificial intelligence learning model that provides information about a user's heartbeat from a pulse signal obtained based on a plurality of pixel-specific color information and location information constituting a user's face region will be described in detail.
  • the artificial intelligence learning model 400 includes a frequency transform layer 410 and a complex layer 420.
  • the complex layer 420 converts the periodic attribute information input through the frequency transform layer 410 into a value recognizable by the artificial intelligence learning model 400.
  • the frequency conversion layer 410 receives pulse signals for a plurality of areas grouped into the same group.
  • the frequency conversion layer 410 obtains periodic attribute information that is periodically repeated from the pulse signals of each group.
  • Such period attribute information may be a complex value.
  • the plurality of layers 420 convert the information into a value recognizable by the artificial intelligence learning model 400.
  • the value recognizable in the artificial intelligence learning model 400 may be a real value.
  • the artificial intelligence learning model 400 may obtain information about the heartbeat of the user by using a value converted in connection with the periodic attribute information obtained from the pulse signal for each group through the complex layer 420.
  • FIG. 5 is a first exemplary diagram of acquiring a face region of a user from an image photographed by a processor according to an exemplary embodiment of the present invention.
  • the processor 130 obtains a face region of the user in the image input through the above-described embodiment.
  • the processor 130 detects areas of the eyes, mouth, neck, and forehead in the face area of the user acquired using the predetermined feature point algorithm. Thereafter, the processor 130 removes the detected areas of the eyes, mouth, neck, and forehead within the face area of the user.
  • the processor 130 acquires a face area of the user from which the areas of the eyes, the mouth, the neck, and the forehead area are removed, and the areas of the eyes, the mouth, the neck, and the forehead area. Grouping may be performed in a plurality of areas including a plurality of pixels having similar colors in the removed face area of the user.
  • FIG. 6 is a second exemplary diagram of obtaining a face region of a user from an image photographed by a processor according to another exemplary embodiment of the present invention.
  • the processor 130 obtains a face region of the user in the image input through the above-described embodiment.
  • the processor 130 detects areas of the eyes, mouth, neck, and forehead in the face area of the user acquired using the predetermined feature point algorithm. Thereafter, the processor 130 removes the detected areas of the eyes, mouth, neck, and forehead within the face area of the user.
  • the processor 130 may include a plurality of areas of the face areas of the user from which the areas of the eyes, mouth, neck, and forehead area are removed. Determine the area to group.
  • the processor 130 determines a region of the user's face region from which the regions of the eyes, the mouth, the neck, and the forehead area are removed, to be grouped into a plurality of regions.
  • the partial region may be a lower intubation region including a region from which the region of the mouth region is removed.
  • the processor 130 acquires the lower intubation region from among the face regions of the user from which the regions of the eyes, mouth, neck, and forehead are removed, and obtains the acquired intubation region.
  • Grouping may be performed in a plurality of areas including a plurality of pixels having similar colors in the frame.
  • the processor 130 may include a learner 510 and an acquirer 520.
  • the learning unit 510 may generate or learn an artificial intelligence learning model for obtaining information about a user's heartbeat using learning data.
  • the learning data may include at least one of user information, period property information for each pulse signal acquired based on the face image of the user, and information about heart rate for each period property information.
  • the learner 510 has a similar color distribution in the face region of the user included in the captured image and uses pulse signals obtained based on the color values of the areas grouped into the same group as input data.
  • An AI learning model for acquiring information about the heart rate may be generated, learned, or updated.
  • the acquirer 520 may acquire information about the heartbeat of the user by using predetermined data as input data of the previously learned AI learning model.
  • the acquirer 520 may use a pulse signal obtained based on the color values of the areas grouped in the same group and having similar color distribution in the face area of the user included in the captured image, as input data.
  • Information about the heart rate may be obtained (or recognized and estimated).
  • At least a part of the learner 510 and the acquirer 520 may be implemented as a software module or manufactured in the form of at least one hardware chip and mounted in the electronic device 100.
  • At least one of the learner 510 and the acquirer 520 may be manufactured in the form of a dedicated hardware chip for artificial intelligence (AI), or may be a conventional general purpose processor (eg, a CPU or an application processor) or It may be manufactured as a part of a graphics dedicated processor (eg, a GPU) and mounted on the aforementioned various electronic devices.
  • AI artificial intelligence
  • a conventional general purpose processor eg, a CPU or an application processor
  • It may be manufactured as a part of a graphics dedicated processor (eg, a GPU) and mounted on the aforementioned various electronic devices.
  • the dedicated hardware chip for artificial intelligence is a dedicated processor specialized in probability calculation, and has a higher parallel processing performance than a conventional general processor, so that a computational task in an artificial intelligence field such as machine learning can be processed quickly.
  • the software module may be a computer readable non-transitory readable recording medium. transitory computer readable media).
  • the software module may be provided by an operating system (OS) or by a predetermined application. Alternatively, some of the software modules may be provided by an operating system (OS), and others may be provided by a predetermined application.
  • the learner 510 and the acquirer 520 may be mounted on one electronic device 100 or may be mounted on separate electronic devices, respectively.
  • one of the learner 510 and the acquirer 520 may be included in the electronic device 100, and the other may be included in an external server (not shown).
  • the learner 510 and the acquirer 520 may provide model information constructed by the learner 510 to the acquirer 520 through a wired or wireless connection, or may be input to the learner 510.
  • the data may be provided to the learner 510 as additional learning data.
  • FIG. 8 is a detailed block diagram of a learner and an acquirer according to an exemplary embodiment of the present invention.
  • the learner 510 may include a training data acquirer 511 and a model learner 514.
  • the learner 510 may further include at least one of a learning data preprocessor 512, a learning data selector 513, and a model evaluator 515.
  • the training data acquisition unit 511 may acquire training data necessary for the artificial intelligence learning model.
  • the learning data acquisition unit 511 may include at least one of user information, period property information for each pulse signal acquired on the basis of a face image of the user, and information about heart rate for each period property information, as learning data. Can be obtained.
  • Such learning data may be data collected or tested by the learner 510 or the manufacturer of the learner 510.
  • the model learner 514 may use the training data to train the user to have a criterion about how to acquire period attribute information for each pulse signal or heartbeat per cycle attribute information acquired based on the face image of the user. have. For example, the model learner 514 may train the artificial intelligence model through supervised learning using at least some of the training data as a criterion.
  • the model learner 514 learns an artificial intelligence model through unsupervised learning that finds a criterion for determining a situation by, for example, learning by itself using learning data without any guidance. I can learn.
  • model learner 514 may train the artificial intelligence model, for example, through reinforcement learning using feedback on whether the result of the situation determination according to the learning is correct.
  • model learner 514 may train the AI model using, for example, a learning algorithm including an error back-propagation method or a gradient descent method.

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Theoretical Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Pathology (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Physiology (AREA)
  • Multimedia (AREA)
  • Cardiology (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Computing Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Human Computer Interaction (AREA)
  • Fuzzy Systems (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Databases & Information Systems (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)

Abstract

심장 박동을 측정하기 위한 전자 장치 및 방법이 개시된다. 본 발명에 따른 전자 장치의 심장 박동 측정 방법은, 사용자 얼굴을 포함하는 영상을 촬영하는 단계, 영상 내에 포함된 사용자 얼굴을 색상이 유사한 복수의 픽셀을 포함하는 복수의 영역으로 그룹핑하는 단계, 그룹핑된 복수의 영역에 대한 정보를 인공지능 학습모델에 입력하여 사용자의 심장 박동에 대한 정보를 획득하는 단계 및 획득된 심장 박동에 대한 정보를 출력하는 단계를 포함한다. 이에 따라, 전자 장치는 촬영된 영상을 통해 사용자의 심장 박동을 보다 정확하게 측정할 수 있다.

Description

심장 박동을 측정하기 위한 전자 장치 및 방법
본 발명은 심장 박동을 측정하기 위한 전자 장치 및 방법에 관한 것으로서, 더욱 상세하게는 촬영된 얼굴 영상을 이용하여 사용자의 심장 박동을 측정하기 위한 전자 장치 및 방법에 관한 것이다.
일반적인 심장 측정 방식은 사용자의 손가락 등의 신체 부위에 센서를 부착하고, 부착된 센서를 통해 감지된 센싱 정보를 이용하여 사용자의 심장 박동을 측정하였다.
그러나, 근래 전자 기술의 발달로 사용자의 신체 부위에 별도의 센서를 부착하지 않고, 카메라를 통해 촬영된 영상을 통해 사용자의 심장 박동을 측정하는 카메라 기반 비접촉식 심장 박동 측정 방법이 개발되었다.
이 같은 카메라 기반 비접촉식 심장 박동 측정 방법은 사용자의 얼굴을 포함하는 영상을 촬영하고, 촬영된 영상 내에 포함된 사용자의 얼굴 피부의 색 변화를 통해 사용자의 심장 박동을 측정하는 방식이다
그러나, 이 같은 심장 박동 측정 방식은 주변 환경(예를 들어 실내 조명)에 의해 사용자의 얼굴 피부 색상이 어둡거나 혹은 밝은 상태에서 촬영되거나, 사용자의 움직임에 의해 일시적으로 사용자의 얼굴 피부가 변한 상태에서 사용자의 얼굴이 촬영될 경우, 이 같은 이벤트 상황에서 촬영된 얼굴 영상으로부터 사용자의 심장 박동을 측정할 경우, 부정확한 심장 박동 측정되는 문제가 있다.
본 발명은 상술한 필요성에 의해 안출된 것으로, 본 발명의 목적은 전자 장치에서 촬영된 영상을 통해 사용자의 심장 박동이 정확히 측정되도록 함을 목적으로 한다.
이상과 같은 목적을 달성하기 위한 본 발명의 일 실시예에 따른 전자 장치의 심장 박동 측정 방법은, 사용자 얼굴을 포함하는 영상을 촬영하는 단계, 상기 영상 내에 포함된 사용자 얼굴을 색상이 유사한 복수의 픽셀을 포함하는 복수의 영역으로 그룹핑하는 단계, 상기 그룹핑된 복수의 영역에 대한 정보를 인공지능 학습모델에 입력하여 상기 사용자의 심장 박동에 대한 정보를 획득하는 단계 및 상기 획득된 심장 박동에 대한 정보를 출력하는 단계를 포함한다.
그리고, 상기 그룹핑하는 단계는, 상기 사용자 얼굴을 구성하는 복수의 픽셀의 색 정보 및 위치 정보를 바탕으로 상기 사용자 얼굴을 복수의 영역으로 그룹핑하는 단계, 상기 그룹핑된 복수의 영역 각각에 대응되는 색상값을 획득하는 단계, 상기 획득된 복수의 영역 각각에 대응되는 색상값에 기초하여 기설정된 색 범위 내에 있는 복수의 영역을 동일 그룹으로 그룹핑하는 단계 및 상기 동일 그룹으로 그룹핑된 복수의 영역별 색상값을 이용하여 상기 동일 그룹으로 그룹핑된 복수의 영역에 대한 펄스 신호를 획득하는 단계를 포함할 수 있다.
또한, 상기 획득하는 단계는, 상기 동일 그룹핑된 복수의 영역에 대한 펄스 신호를 상기 인공지능 학습모델에 입력하여 상기 사용자의 심장 박동에 대한 정보를 획득할 수 있다.
그리고, 상기 인공지능 학습모델은, 상기 입력된 펄스 신호로부터 주기적으로 반복되는 주기 속성 정보를 획득하는 주파수 변환 레이어 및 상기 주파수 변환 레이어를 통해 획득된 주기 속성 정보를 상기 인공지능 학습모델에서 인식 가능한 값으로 변환하는 복소수 레이어를 포함할 수 있다.
또한, 상기 촬영된 영상 내에서 상기 사용자의 얼굴 영역을 획득하는 단계를 더 포함하며, 상기 획득하는 단계는, SVM(Support Vector Machine) 알고리즘을 이용하여 상기 촬영된 영상 내에서 상기 사용자의 얼굴 영역을 획득하는 단계; 및
상기 획득된 사용자의 얼굴 영역에서 눈, 입, 목 부위의 영역을 제거하는 단계를 포함할 수 있다.
그리고, 상기 그룹핑하는 단계는, 상기 눈, 입, 목 부위의 영역이 제거된 나머지 영역의 영상 내에서 색상이 유사한 복수의 픽셀을 포함하는 복수의 영역으로 그룹핑할 수 있다.
또한, 상기 제거하는 단계는, 상기 사용자의 얼굴 영역에서 이마 부위의 영역을 더 제거하며, 상기 그룹핑하는 단계는, 상기 눈, 입, 부위의 영역 및 상기 이마 부위가 제거된 나머지 영역의 영상 내에서 색상이 유사한 복수의 픽셀을 포함하는 복수의 영역으로 그룹핑할 수 있다.
그리고, 상기 그룹핑하는 단계는, 상기 눈, 입, 부위의 영역 및 상기 이마 부위가 제거된 나머지 영역 중 일부 영역의 영상 내에서 색상이 유사한 복수의 픽셀을 포함하는 복수의 영역으로 그룹핑하며, 상기 일부 영역은, 상기 입 부위의 영역이 제거된 영역을 포함할 수 있다.
한편, 본 발명의 또다른 실시 예에 따르면, 전자 장치는, 촬영부, 심장 박동에 대한 정보를 출력하는 출력부 및 상기 촬영부를 통해 촬영된 영상 내에 포함된 사용자 얼굴을 색상이 유사한 복수의 픽셀을 포함하는 복수의 영역으로 그룹핑하고, 상기 그룹핑된 복수의 영역에 대한 정보를 인공지능 학습모델에 입력하여 상기 사용자의 심장 박동에 대한 정보를 획득하고, 상기 획득한 심장 박동에 대한 정보를 출력하도록 상기 출력부를 제어하는 프로세서를 포함한다.
그리고, 상기 프로세서는, 상기 사용자 얼굴을 구성하는 복수의 픽셀의 색 정보 및 위치 정보를 바탕으로 상기 사용자 얼굴을 복수의 영역으로 그룹핑한 후, 상기 그룹핑된 복수의 영역 각각에 대응되는 색상값을 획득하며, 상기 획득된 복수의 영역 각각에 대응되는 색상값에 기초하여 기설정된 색 범위 내에 있는 복수의 영역을 동일 그룹으로 그룹핑한 후, 상기 동일 그룹으로 그룹핑된 복수의 영역별 색상값을 이용하여 상기 동일 그룹으로 그룹핑된 복수의 영역에 대한 펄스 신호를 획득할 수 있다.
또한, 상기 프로세서는, 상기 동일 그룹핑된 복수의 영역에 대한 펄스 신호를 상기 인공지능 학습모델에 입력하여 상기 사용자의 심장 박동에 대한 정보를 획득할 수 있다.
그리고, 상기 인공지능 학습모델은, 상기 입력된 펄스 신호로부터 주기적으로 반복되는 주기 속성 정보를 획득하는 주파수 변환 레이어 및 상기 주파수 변환 레이어를 통해 획득된 주기 속성 정보를 상기 인공지능 학습모델에서 인식 가능한 값으로 변환하는 복소수 레이어를 포함할 수 있다.
또한, 상기 프로세서는, SVM(Support Vector Machine) 알고리즘을 이용하여 상기 촬영된 영상 내에서 상기 사용자의 얼굴 영역을 획득하고, 상기 획득된 사용자의 얼굴 영역에서 눈, 입, 목 부위의 영역을 제거할 수 있다.
그리고, 상기 프로세서는, 상기 눈, 입, 목 부위의 영역이 제거된 나머지 영역의 영상 내에서 색상이 유사한 복수의 픽셀을 포함하는 복수의 영역으로 그룹핑할 수 있다.
또한, 상기 프로세서는, 상기 사용자의 얼굴 영역에서 이마 부위의 영역을 더 제거하며, 상기 눈, 입, 부위의 영역 및 상기 이마 부위가 제거된 나머지 영역의 영상 내에서 색상이 유사한 복수의 픽셀을 포함하는 복수의 영역으로 그룹핑할 수 있다.
그리고, 상기 프로세서는, 상기 눈, 입, 부위의 영역 및 상기 이마 부위가 제거된 나머지 영역 중 일부 영역의 영상 내에서 색상이 유사한 복수의 픽셀을 포함하는 복수의 영역으로 그룹핑하며, 상기 일부 영역은, 상기 입 부위의 영역이 제거된 영역을 포함할 수 있다.
이상과 같이, 본 발명에 따르면, 전자 장치는 촬영된 영상 내 포함된 얼굴 영역 상에서 색상별로 영역을 구분하고, 구분된 영역별 색상값에 기초한 데이터를 인공지능 학습모델의 입력값으로 이용함으로써, 촬영된 영상을 통해 사용자의 심장 박동을 보다 정확하게 측정할 수 있다.
도 1은 본 발명의 일 실시예에 따른 전자 장치에서 사용자의 심장 박동을 측정하는 예시도,
도 2는 본 발명의 일 실시예에 따른 사용자의 심장 박동에 대한 정보를 제공하는 전자 장치의 블록도,
도 3은 본 발명의 일 실시예에 따른 사용자의 심장 박동에 대한 정보를 제공하는 전자 장치의 세부 블록도,
도 4는 본 발명의 일 실시예에 따른 인공지능 학습모델을 나타내는 예시도,
도 5는 본 발명의 일 실시예에 따른 프로세서에서 촬영된 영상으로부터 사용자의 얼굴 영역을 획득하는 제1 예시도,
도 6은 본 발명의 또다른 실시예에 따른 프로세서에서 촬영된 영상으로부터 사용자의 얼굴 영역을 획득하는 제2 예시도,
도 7은 본 발명의 일 실시예에 따른 인공지능 학습모델을 업데이트하고 이용하는 전자 장치의 프로세서의 세부 블록도,
도 8은 본 발명의 일 실시예에 따른 학습부 및 획득부의 세부 블록도,
도 9는 본 발명의 일 실시예에 따른 전자 장치 및 외부 서버가 서로 연동하여 데이터를 학습하고 판단하는 예시도,
도 10은 본 발명의 일 실시예에 따른 전자 장치에서 사용자의 심장 박동에 대한 정보를 제공하는 방법의 흐름도,
도 11은 본 발명의 일 실시예에 따른 전자 장치에서 사용자의 얼굴 영역 내에서 색상이 유사한 복수의 픽셀을 포함하는 복수의 영역으로 그룹핑하는 방법의 흐름도이다.
이하, 본 문서의 다양한 실시 예가 첨부된 도면을 참조하여 기재된다. 그러나, 이는 본 문서에 기재된 기술을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 문서의 실시 예의 다양한 변경(modifications), 균등물(equivalents), 및/또는 대체물(alternatives)을 포함하는 것으로 이해되어야 한다. 도면의 설명과 관련하여, 유사한 구성요소에 대해서는 유사한 참조 부호가 사용될 수 있다.
본 문서에서, "가진다," "가질 수 있다," "포함한다," 또는 "포함할 수 있다" 등의 표현은 해당 특징(예: 수치, 기능, 동작, 또는 부품 등의 구성요소)의 존재를 가리키며, 추가적인 특징의 존재를 배제하지 않는다.
본 문서에서, "A 또는 B," "A 또는/및 B 중 적어도 하나," 또는 "A 또는/및 B 중 하나 또는 그 이상"등의 표현은 함께 나열된 항목들의 모든 가능한 조합을 포함할 수 있다. 예를 들면, "A 또는 B," "A 및 B 중 적어도 하나," 또는 "A 또는 B 중 적어도 하나"는, (1) 적어도 하나의 A를 포함, (2) 적어도 하나의 B를 포함, 또는 (3) 적어도 하나의 A 및 적어도 하나의 B 모두를 포함하는 경우를 모두 지칭할 수 있다.
본 문서에서 사용된 "제1," "제2," "첫째," 또는 "둘째,"등의 표현들은 다양한 구성요소들을, 순서 및/또는 중요도에 상관없이 수식할 수 있고, 한 구성요소를 다른 구성요소와 구분하기 위해 사용될 뿐 해당 구성요소들을 한정하지 않는다.
어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "(기능적으로 또는 통신적으로) 연결되어((operatively or communicatively) coupled with/to)" 있다거나 "접속되어(connected to)" 있다고 언급된 때에는, 상기 어떤 구성요소가 상기 다른 구성요소에 직접적으로 연결되거나, 다른 구성요소(예: 제3 구성요소)를 통하여 연결될 수 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소(예: 제1 구성요소)가 다른 구성요소(예: 제2 구성요소)에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 상기 어떤 구성요소와 상기 다른 구성요소 사이에 다른 구성요소(예: 제 3 구성요소)가 존재하지 않는 것으로 이해될 수 있다.
본 문서에서 사용된 표현 "~하도록 구성된(또는 설정된)(configured to)"은 상황에 따라, 예를 들면, "~에 적합한(suitable for)," "~하는 능력을 가지는(having the capacity to)," "~하도록 설계된(designed to)," "~하도록 변경된(adapted to)," "~하도록 만들어진(made to)," 또는 "~를 할 수 있는(capable of)"과 바꾸어 사용될 수 있다. 용어 "~하도록 구성된(또는 설정된)"은 하드웨어적으로 "특별히 설계된(specifically designed to)" 것만을 반드시 의미하지 않을 수 있다. 대신, 어떤 상황에서는, "~하도록 구성된 장치"라는 표현은, 그 장치가 다른 장치 또는 부품들과 함께 "~할 수 있는" 것을 의미할 수 있다. 예를 들면, 문구 "A, B, 및 C를 수행하도록 구성된(또는 설정된) 부프로세서"는 해당 동작을 수행하기 위한 전용 프로세서(예: 임베디드 프로세서), 또는 메모리 장치에 저장된 하나 이상의 소프트웨어 프로그램들을 실행함으로써, 해당 동작들을 수행할 수 있는 범용 프로세서(generic-purpose processor)(예: CPU 또는 application processor)를 의미할 수 있다.
본 문서의 다양한 실시예들에 따른 전자 장치는, 예를 들면, 스마트폰, 태블릿 PC, 이동 전화기, 영상 전화기, 전자책 리더기, 데스크탑 PC, 랩탑 PC, 넷북 컴퓨터, 워크스테이션, 서버, PDA, PMP(portable multimedia player), MP3 플레이어, 의료기기, 카메라, 또는 웨어러블 장치 중 적어도 하나를 포함할 수 있다. 웨어러블 장치는 액세서리형(예: 시계, 반지, 팔찌, 발찌, 목걸이, 안경, 콘택트 렌즈, 또는 머리 착용형 장치(head-mounted-device(HMD)), 직물 또는 의류 일체형(예: 전자 의복), 신체 부착형(예: 스킨 패드 또는 문신), 또는 생체 이식형 회로 중 적어도 하나를 포함할 수 있다. 어떤 실시예들에서, 전자 장치는, 예를 들면, 텔레비전, DVD(digital video disk) 플레이어, 오디오, 냉장고, 에어컨, 청소기, 오븐, 전자레인지, 세탁기, 공기 청정기, 셋톱 박스, 홈 오토매이션 컨트롤 패널, 보안 컨트롤 패널, 미디어 박스(예: 삼성 HomeSyncTM, 애플TVTM, 또는 구글 TVTM), 게임 콘솔(예: XboxTM, PlayStationTM), 전자 사전, 전자 키, 캠코더, 또는 전자 액자 중 적어도 하나를 포함할 수 있다.
다른 실시예에서, 전자 장치는, 각종 의료기기(예: 각종 휴대용 의료측정기기(혈당 측정기, 심박 측정기, 혈압 측정기, 또는 체온 측정기 등), MRA(magnetic resonance angiography), MRI(magnetic resonance imaging), CT(computed tomography), 촬영기, 또는 초음파기 등), 네비게이션 장치, 위성 항법 시스템(GNSS(global navigation satellite system)), EDR(event data recorder), FDR(flight data recorder), 자동차 인포테인먼트 장치, 선박용 전자 장비(예: 선박용 항법 장치, 자이로 콤파스 등), 항공 전자기기(avionics), 보안 기기, 차량용 헤드 유닛(head unit), 산업용 또는 가정용 로봇, 드론(drone), 금융 기관의 ATM, 상점의 POS(point of sales), 또는 사물 인터넷 장치 (예: 전구, 각종 센서, 스프링클러 장치, 화재 경보기, 온도조절기, 가로등, 토스터, 운동기구, 온수탱크, 히터, 보일러 등) 중 적어도 하나를 포함할 수 있다.
본 문서에서, 사용자라는 용어는 전자 장치를 사용하는 사람 또는 전자 장치를 사용하는 장치(예: 인공지능 전자 장치)를 지칭할 수 있다.
도 1은 본 발명의 일 실시예에 따른 전자 장치에서 사용자의 심장 박동을 측정하는 예시도이다.
전자 장치(100)는 영상을 촬영하고, 촬영된 영상 내 포함된 사용자의 얼굴 영상에 기초하여 해당 사용자의 심장 박동을 측정하는 장치가 될 수 있다.
이 같은 전자 장치(100)는 스마트 폰, 테블릿 PC, 스마트 TV, 스마트 워치 등의 기기 혹은 심박 측정이 가능한 스마트 의료 장치 등이 될 수 있다.
도 1의 (a)에 도시된 바와 같이, 전자 장치(100)는 영상이 촬영되면, 촬영된 영상 내에 포함된 사용자 얼굴 영역에서 색상이 유사한 복수의 픽셀을 포함하는 복수의 영역으로 그룹핑한다.
실시예에 따라, 전자 장치(100)는 촬영된 영상을 구성하는 영상 프레임에서 사용자 얼굴 영역이 획득되면, 획득한 사용자 얼굴 영역을 구성하는 복수의 픽셀의 색 정보 및 위치 정보를 바탕으로 사용자 얼굴을 복수의 영역을 그룹핑할 수 있다.
즉, 전자 장치(100)는 촬영된 영상으로부터 획득한 사용자의 얼굴 영역을 구성하는 복수의 픽셀의 색 정보 및 위치 정보에 기초하여 인접한 픽셀 중 동일한 색상을 가진 픽셀들을 하나의 그룹으로 그룹핑할 수 있다.
그러나, 본 발명은 이에 한정되지 않으며, 전자 장치(100)는 사용자의 얼굴 영역을 구성하는 복수의 픽셀의 색 정보 및 위치 정보에 기초하여 인접한 픽셀 중 기설정된 색 범위 내에 포함된 색을 가지는 픽셀들을 하나의 그룹으로 그룹핑할 수 있다.
이후, 전자 장치(100)는 그룹핑된 복수의 영역 각각에 대응되는 색상값을 획득한다. 구체적으로, 전자 장치(100)는 그룹핑된 복수의 영역 각각에 포함된 픽셀들의 색 정보에 기초하여 복수의 영역 각각에 대응되는 색상값을 획득할 수 있다.
실시예에 따라, 전자 장치(100)는 그룹핑된 복수의 영역 각각에 포함된 픽셀들의 색 정보로부터 평균값을 산출하고, 산출된 평균값을 그룹핑된 복수의 영역 각각에 대응되는 색상값으로 획득할 수 있다.
이후, 전자 장치(100)는 복수의 영역 각각에 대응되는 색상값에 기초하여 기설정된 색 범위 내에 있는 복수의 영역을 동일 그룹으로 그룹핑한다.
구체적으로, 전자 장치(100)는 가우시안 분포(Gaussian Distribution)를 이용하여 기설정된 색 범위 내에 복수의 영역을 동일 그룹으로 그룹핑할 수 있다.
도 1의 (b)에 도시된 바와 같이, 전자 장치(100)는 사용자의 얼굴을 구성하는 복수의 픽셀별 색 정보 및 위치 정보에 기초하여 그룹핑된 복수의 영역별 색상값에 기초하여 복수의 영역 중 A 색상과 유사한 영역을 제1 그룹으로 그룹핑하고, B 색상과 유사한 영역을 제2 그룹으로 그룹핑하며, C 색상과 유사한 영역을 제3 그룹으로 그룹핑할 수 있다.
이후, 전자 장치(100)는 도 1의 (c)에 도시된 바와 같이, 전자 장치(100)는 그룹핑된 색상값을 바탕으로 그룹핑된 복수의 영역에 대한 펄스 신호를 획득한다.
전술한 바와 같이, 그룹핑된 복수의 영역별 색상값에 기초하여 복수의 영역이 제1 내지 제3 그룹으로 그룹핑된 경우, 전자 장치(100)는 제1 그룹 내에 포함된 영역별 색상값에 기초하여 제1 펄스 신호를 획득하고, 제2 그룹 내 포함된 영역별 색상값에 기초하여 제2 펄스 신호를 획득하며, 제3 그룹 내 포함된 영역별 색상값에 기초하여 제3 펄스 신호를 획득할 수 있다.
이후, 전자 장치(100)는 도 1의 (d)에 도시된 바와 같이, 그룹핑된 복수의 영역에 대한 펄스 신호를 인공지능 학습모델에 입력하여 사용자의 심장 박동에 대한 정보를 획득한다. 이후, 전자 장치(100)는 도 1의 (e)에 도시된 바와 같이, 획득한 사용자의 심장 박동에 대한 정보를 출력할 수 있다.
이하에서는, 촬영된 영상 내에 포함된 사용자 얼굴 영역을 분석하여 사용자의 심장 박동에 대한 정보를 제공하는 전자 장치(100)의 각 구성에 대해서 상세히 설명하도록 한다.
도 2는 본 발명의 일 실시예에 따른 사용자의 심장 박동에 대한 정보를 제공하는 전자 장치의 블록도이다.
도 2에도시된 바와 같이, 전자 장치(100)는 촬영부(110), 출력부(120) 및 프로세서(130)를 포함한다.
촬영부(110)는 카메라를 통해 영상을 촬영한다. 여기서, 촬영된 영상은 동영상 또는 정지 영상이 될 수 있다.
출력부(120)는 촬영부(110)를 통해 촬영된 영상 내에 포함된 사용자의 얼굴 영역에 기초하여 획득한 사용자의 심장 박동에 대한 정보를 출력한다. 이 같은 출력부(120)는 후술할 도 3에 도시된 바와 같이, 디스플레이부(121) 및 오디오 출력부(122)를 포함할 수 있다.
따라서, 출력부(120)는 디스플레이부(121) 및 오디오 출력부(122) 중 적어도 하나를 통해 사용자의 심장 박동에 대한 정보를 출력할 수 있다.
프로세서(130)는 전자 장치(100)를 구성하는 구성들에 대한 동작을 전반적으로 제어한다.
특히, 프로세서(130)는 촬영부(110)를 통해 촬영된 영상 내에 포함된 사용자 얼굴을 색상이 유사한 복수의 픽셀을 포함하는 복수의 영역으로 그룹핑한다. 이후, 프로세서(130)는 그룹핑된 복수의 영역에 대한 정보를 인공지능 학습모델에 입력하여 사용자의 심장 박동에 대한 정보를 획득한다.
이후, 프로세서(130)는 획득한 사용자의 심장 박동에 대한 정보를 출력하도록 출력부(120)를 제어한다. 이에 따라, 출력부(120)는 디스플레이부(121) 및 오디오 출력부(122) 중 적어도 하나를 통해 사용자의 심장 박동에 대한 정보를 출력할 수 있다.
구체적으로, 프로세서(130)는 사용자 얼굴을 구성하는 복수의 픽셀의 색 정보 및 위치 정보를 바탕으로 사용자 얼굴을 복수의 영역으로 그룹핑한 후, 그룹핑된 복수의 영역 각각에 대응되는 색상값을 획득한다.
실시예에 따라, 프로세서(130)는 사용자의 얼굴 영역을 구성하는 복수의 픽셀의 색 정보 및 위치 정보에 기초하여 인접한 픽셀 중 동일한 색상을 가진 픽셀들을 하나의 그룹으로 그룹핑할 수 있다.
그러나, 본 발명은 이에 한정되지 않으며, 프로세서(130)는 사용자의 얼굴 영역을 구성하는 복수의 픽셀의 색 정보 및 위치 정보에 기초하여 인접한 픽셀 중 기설정된 색 범위 내에 포함된 색을 가지는 픽셀들을 하나의 그룹으로 그룹핑할 수 있다.
이후, 프로세서(130)는 그룹핑된 복수의 영역 각각에 포함된 픽셀들의 색 정보로부터 평균값을 산출하고, 산출된 평균값을 그룹핑된 복수의 영역 각각에 대응되는 색상값으로 획득할 수 있다.
이후, 프로세서(130)는 복수의 영역 각각에 대응되는 색상값에 기초하여 기설정된 색 범위 내에 있는 복수의 영역을 동일 그룹으로 그룹핑한다.
구체적으로, 프로세서(130)는 가우시안 분포(Gaussian Distribution)를 이용하여 기설정된 색 범위 내에 복수의 영역을 동일 그룹으로 그룹핑할 수 있다.
이후, 프로세서(130)는 동일 그룹으로 그룹핑된 복수의 영역별 색상값을 이용하여 동일 그룹으로 그룹핑된 복수의 영역에 대한 펄스 신호를 획득할 수 있다.
동일 그룹으로 그룹핑된 복수의 영역에 대한 펄스 신호가 획득되면, 프로세서(130)는 동일 그룹으로 그룹핑된 복수의 영역에 대한 펄스 신호를 인공지능 학습모델에 입력하여 사용자의 심장 박동에 대한 정보를 획득할 수 있다.
한편, 인공지능 학습모델은 후술할 저장부(170)에 저장될 수 있으며, 이 같은 인공지능 학습모델에 대해서는 하기에서 상세히 설명하도록 한다.
한편, 프로세서(130)는 다음과 같은 실시예를 통해 촬영부(110)를 통해 촬영된 영상으로부터 사용자의 얼굴 영역을 획득할 수 있다.
구체적으로, 프로세서(130)는 촬영부(110)를 통해 영상이 촬영되면, SVM(Support Vector Machine) 알고리즘을 이용하여 촬영된 영상을 구성하는 복수의 영상 프레임 내에서 사용자의 얼굴 영역을 획득한다.
이후, 프로세서(130)는 컨피던스 맵(Confidence map)을 이용하여 획득한 사용자의 얼굴 영역의 가장자리의 노이즈를 감소시킨다.
실시예에 따라, 프로세서(130)는 아래 수학식1에 기초한 컨피던스 맵을 이용하여 사용자의 얼굴 영역의 가장자리의 노이즈를 감소시킬 수 있다.
Figure PCTKR2019002589-appb-M000001
Figure PCTKR2019002589-appb-I000001
Figure PCTKR2019002589-appb-I000002
이 같은 실시예를 통해 촬영된 영상으로부터 사용자의 얼굴 영역이 획득되면, 프로세서(130)는 기정의된 특징점 알고리즘을 통해 기획득된 사용자의 얼굴 영역에서 일부 영역을 제거하고, 제거된 나머지 영역 내에서 색상이 유사한 복수의 픽셀을 포함하는 복수의 영역으로 그룹핑할 수 있다.
일 실시예에 따라, 프로세서(130)는 기정의된 특징점 알고리즘을 이용하여 기획득한 사용자의 얼굴 영역에서 눈, 입, 목 부위의 영역을 검출하고, 검출된 눈, 입, 목 부위의 영역을 제거한다.
이후, 프로세서(130)는 사용자의 얼굴 영역에서 눈, 입, 목 부위의 영역이 제거된 나머지 영역 내에서 전술한 실시예를 통해 색상이 유사한 복수의 픽셀을 포함하는 복수의 영역으로 그룹핑할 수 있다.
또다른 실시예에 따라, 프로세서(130)는 사용자의 얼굴 영역이 획득되면, 사용자의 눈, 입, 목 및 이마 부위의 영역을 검출하고, 검출된 사용자의 눈, 입, 목 및 이마 부위의 영역을 제거한다.
이후, 프로세서(130)는 사용자의 얼굴 영역에서 눈, 입, 목 및 이마 부위의 영역이 제거된 나머지 영역 내에서 색상이 유사한 복수의 픽셀을 포함하는 복수의 영역으로 그룹핑할 수 있다.
또다른 실시예에 따라, 프로세서(130)는 사용자의 얼굴 영역이 획득되면, 사용자의 눈, 입, 목 및 이마 부위의 영역을 검출하고, 검출된 사용자의 눈, 입, 목 및 이마 부위의 영역을 제거한다.
이후, 프로세서(130)는 사용자의 얼굴 영역에서 눈, 입, 목 및 이마 부위의 영역이 제거된 나머지 영역 중 일부 영역의 영상 내에서 색상이 유사한 복수의 픽셀을 포함하는 복수의 영역으로 그룹핑할 수 있다.
도 3은 본 발명의 일 실시예에 따른 사용자의 심장 박동에 대한 정보를 제공하는 전자 장치의 세부 블록도이다.
전술한 바와 같이, 전자 장치(100)는 촬영부(110), 출력부(120) 및 프로세서(130) 구성 외에 도 3에 도시된 바와 같이, 입력부(140), 통신부(150), 감지부(160) 및 저장부(170)를 더 포함할 수 있다.
입력부(140)는 다양한 사용자 명령을 입력받아 프로세서(130)로 전달하기 위한 입력 수단이다. 이 같은 입력부(140)는 마이크(141), 조작부(142), 터치 입력부(143) 및 사용자 입력부(144)를 포함할 수 있다.
마이크(141)는 사용자의 음성 명령을 입력받으며, 조작부(142)는 각종 기능키, 숫자키, 특수키, 문자키 등을 구비한 키패드(Key Pad)로 구현될 수 있다.
그리고, 터치 입력부(143)는 전술한 디스플레이부(121)가 터치 스크린 형태로 구현될 경우, 디스플레이부(121)와 상호 레어어 구조를 이루는 터치 패드로 구현될 수 있다. 이 경우, 터치 입력부(143)는 디스플레이부(121)를 통해 디스플레이된 다양한 어플리케이션 관련 아이콘에 대한 선택 명령을 입력받을 수 있다.
사용자 입력부(144)는 원격 제어 장치와 같은 적어도 하나의 주변 기기(미도시)로부터 전자 장치(100)의 동작을 제어하기 위한 IR 신호 혹은 RF 신호를 입력받을 수 있다.
통신부(150)는 스마트 TV, 스마트 폰, 태블릿 PC 등의 주변 기기(미도시), 컨텐츠 서버(미도시)와 데이터를 송수신하기 위한 중계 단말 장치(미도시) 등과 데이터 통신을 수행한다. 특히, 통신부(150)는 전술한 인공지능 모델이 별도의 인공지능 서버(미도시)에 저장된 경우, 기촬영된 영상 내에 포함된 사용자 얼굴 영역에 기초하여 획득한 펄스 신호를 인공지능 서버(미도시)로 전송하고, 펄스 신호에 기초한 사용자의 심장 박동에 대한 정보를 인공지능 서버(미도시)로부터 수신할 수 있다.
이 같은 통신부(150)는 근거리 통신 모듈(151), 무선 랜 모듈 등의 무선 통신 모듈(152)과, HDMI(High-Definition Multimedia Interface), USB(Universal Serial Bus), IEEE(Institute of Electrical and Eletronics Engineers) 1394 등의 유선 통신 모듈 중 적어도 하나를 포함하는 커넥터(153)를 포함할 수 있다.
근거리 통신 모듈(151)은 전자 장치(100)와 근거리에 위치한 주변 기기, 인공지능 서버 등과 무선으로 근거리 통신을 수행하는 구성이다. 이 같은 근거리 통신 모듈(151)은 블루투스(bluetooth)모듈, 적외선 통신(IrDA, infrared data association)모듈, NFC(Near Field Communication)모듈, 와이파이(WIFI)모듈, 지그비(Zigbee) 모듈 중 적어도 하나를 포함할 수 있다.
또한, 무선 통신 모듈(152)은 IEEE 등과 같은 무선 통신 프로토콜에 따라 외부 네트워크에 연결되어 통신을 수행하는 모듈이다. 이 밖에 무선 통신 모듈은 3G(3rd Generation), 3GPP(3rd Generation Partnership Project), LTE(Long Term Evoloution) 등과 같은 다양한 이동 통신 규격에 따라 이동 통신 망에 접속하여 통신을 수행하는 이동 통신 모듈을 더 포함할 수도 있다.
이처럼 통신부(150)는 상술한 다양한 근거리 통신 방식에 의해 구현될 수 있고, 필요에 따라 본 명세서에 언급되지 않은 다른 통신 기술을 채용할 수 있다.
한편, 커넥터(153)는 USB 2.0, USB 3.0, HDMI, IEEE 1394 등 다양한 소스 장치와의 인터페이스를 제공하는 구성이다. 이 같은 커넥터(153)는 프로세서(130)의 제어 명령에 따라 커넥터(153)에 연결된 유선 케이블을 통해 외부 서버(미도시)로부터 전송된 컨텐츠 데이터를 수신하거나, 기저장된 컨텐츠 데이터를 외부 기록 매체로 전송할 수 있다. 또한, 커넥터(153)는 커넥터(153)와 물리적으로 연결된 유선 케이블을 통해 전원 소스로부터 전원을 입력받을 수 있다.
감지부(160)는 전자 장치(100)의 모션을 감지한다. 이 같은 감지부(160)는 가속도 센서, 지자기 센서 및 자이로 센서 등을 포함할 수 있으며, 이 같은 다양한 센서를 이용하여 전자 장치(100)의 모션을 감지할 수 있다.
가속도 센서(Accelerometer Sensor)는 이동하는 전자 장치(100)의 가속도나 충격의 세기를 측정하는 센서로써, 스마트 폰, 테블릿 PC와 같은 전자 장치 뿐만 아니라, 자동차, 기차, 비행기 등과 같은 각종 운송 수단 및 로봇 등의 제어 시스템에 이용되는 필수적인 센서이다.
지자기 센서(Magnetic Sensor)는 지구 자기장을 이용하여 방위각을 탐지할 수 있는 전자 나침판으로써, 위치 추적, 3D 영상 게임 등에 사용되거나, 스마트 폰, 무전기, GPS, PDA, 네비게이션 항법 장치 등에 사용되는 센서이다.
자이로 센서(Gyroscope Sensor)는 기존의 가속도 센서에 각각 회전을 넣어 6축 방향을 인식하여 하여 좀더 세밀하고 정밀한 동작을 인식할 수 있도록 도와주는 센서이다.
저장부(170)는 전술한 바와 같이, 사용자의 얼굴 영역으로부터 획득한 펄스 신호로부터 사용자의 심장 박동에 대한 정보를 획득하기 위한 인공지능 학습모델을 저장할 수 있다.
뿐만 아니라, 저장부(170)는 전자 장치(100)의 동작을 제어하기 위한 운영 프로그램을 더 저장할 수 있다.
여기서, 운용 프로그램은 전자 장치(100)가 턴 온(Turn On)되는 경우, 저장부(170)에서 읽혀지고, 컴파일되어 전자 장치(100)의 각 구성을 동작시키는 프로그램이 될 수 있다. 이 같은 저장부(170)는 후술할 롬(ROM)(131), 램(RAM)(132) 또는 전자 장치(100)에 탈착/장착 가능한 메모리 카드(예, SD 카드, 메모리 스틱), 비휘발성 메모리, 휘발성 메모리, 하드 디스크 드라이브(HDD) 또는 솔리드 스테이트 드라이브(SSD) 중 적어도 하나로 구현될 수 있다.
한편, 전술한 바와 같이, 출력부(120)는 디스플레이부(121) 및 오디오 출력부(122)를 포함한다.
디스플레이부(121)는 전술한 바와 같이, 인공지능 학습모델을 통해 획득한 사용자의 심장 박동에 대한 정보를 디스플레이한다. 뿐만 아니라, 디스플레이부(121)는 컨텐츠를 디스플레이하거나 혹은 전자 장치(100)의 저장부(170)에 저장된 복수의 어플리케이션 각각을 실행하기 위한 아이콘을 포함하는 실행 화면을 디스플레이하거나 혹은 전자 장치(100)의 동작을 제어하기 위한 다양한 UI 화면을 디스플레할 수 있다.
이 같은 디스플레이부(121)는 액정 표시 장치(Liquid Crystal Display, LCD), 유기 전기 발광 다이오드(Organic Light Emitting Display, OLED) 등으로 구현될 수 있다.
특히, 디스플레이부(121)는 전술한 바와 같이, 사용자의 터치 명령을 입력받는 터치 입력부(143)와 함께 상호 레이어 구조를 이루는 터치 스크린 형태로 구현될 수 있다.
오디오 출력부(122)는 전술한 바와 같이, 인공지능 학습모델을 통해 획득한 사용자의 심장 박동에 대한 정보를 오디오 형태로 출력한다. 뿐만 아니라, 오디오 출력부(122)는 사용자가 요청한 컨텐츠에 포함된 오디오 데이터 혹은 각종 알림 음이나 음성 메시지를 출력할 수 있다.
한편, 전술한 프로세서(130)는 전자 장치(100)의 동작을 전반적으로 제어하거나, 혹은 전자 장치(100)의 전반적인 동작을 제어할 수 있도록 하는 처리 장치가 될 수 있다.
이 같은 프로세서(130)는 CPU(133), ROM(131), RAM(132) 및 GPU(134)를 포함할 수 있으며, CPU(133), ROM(131), RAM(132) 및 GPU(134)는 버스(135)를 통해 서로 연결될 수 있다.
CPU(133)는 저장부(170)를 액세스하여, 저장부(170)에 저장된 OS를 이용하여 부팅을 수행한다. 또한 CPU(133)는 저장부(170)에 저장된 각종 프로그램, 컨텐츠, 데이터 등을 이용하여 다양한 동작을 수행한다.
GPU(134)는 아이콘, 이미지, 텍스트 등과 같은 다양한 객체를 포함하는 디스플레이 화면을 생성한다. 구체적으로, GPU(134)는 수신된 제어 명령에 기초하여 화면의 레이아웃에 따라 각 객체들이 표시될 좌표값, 형태, 크기, 컬러 등과 같은 속성값을 연산하고, 연상된 속성값에 기초하여 객체를 포함하는 다양한 레이아웃의 디스플레이 화면을 생성한다.
ROM(131)은 시스템 부팅을 위한 명령어 세트 등이 저장된다. 턴 온 명령이 입력되어 전원이 공급되면, CPU(133)는 ROM(131)에 저장된 명령어에 따라 저장부(170)에 저장된 OS를 RAM(134)에 복사하고, OS를 실행시켜 시스템을 부팅시킨다. 부팅이 완료되면, CPU(133)는 저장부(170)에 저장된 각종 프로그램을 RAM(132)에 복사하고, RAM(132)에 복사된 프로그램을 실행시켜 각종 동작을 수행한다.
이 같은 프로세서(130)는 전술한 각 구성들과 결합되어 단일칩 시스템(System-on-a-chip 또는 System on chip, SOC, SoC)으로 구현될 수 있다.
이하에서는, 사용자의 얼굴 영역을 구성하는 복수의 픽셀별 색 정보 및 위치 정보에 기초하여 획득한 펄스 신호로부터 사용자의 심장 박동에 대한 정보를 제공하는 인공지능 학습모델에 대해서 상세히 설명하도록 한다.
도 4는 본 발명의 일 실시예에 따른 인공지능 학습모델을 나타내는 예시도이다.
도 4에 도시된 바와 같이, 인공지능 학습모델(400)은 주파수 변환 레이어(410) 및 복소수 레이어(420)를 포함한다.
주파수 변환 레이어(410)는 입력된 펄스 신호로부터 주기적으로 반복되는 주기 속성 정보를 획득한다.
복소수 레이어(420)는 주파수 변환 레이어(410)를 통해 입력된 주기 속성 정보를 인공지능 학습모델(400)에서 인식 가능한 값으로 변환한다.
구체적으로, 주파수 변환 레이어(410)는 전술한 바와 같이, 동일 그룹으로 그룹핑된 복수의 영역에 대한 펄스 신호를 입력받는다. 이 같은 동일 그룹으로 그룹핑된 복수의 영역에 대한 펄스 신호가 입력되면, 주파수 변환 레이어(410)는 각 그룹별 펄스 신호로부터 주기적으로 반복되는 주기 속성 정보를 획득한다.
이 같은 주기 속성 정보는 복소수 값이 될 수 있다.
따라서, 복수의 레이어(420)는 주파수 변환 레이어(410)를 통해 복소수 값인 주기 속성 정보가 입력되면, 인공지능 학습모델(400)에서 인식 가능한 값으로 변환한다. 여기서, 인공지능 학습모델(400)에서 인식 가능한 값은 실수값이 될 수 있다.
따라서, 인공지능 학습모델(400)은 복소수 레이어(420)를 통해 그룹별 펄스 신호로부터 획득한 주기 속성 정보와 관련하여 변환된 값을 이용하여 사용자의 심장 박동에 대한 정보를 획득할 수 있다.
이하에서는, 본 발명에 따른 프로세서(130)에서 촬영된 영상으로부터 사용자의 얼굴 영역을 획득하는 동작에 대해서 상세히 설명하도록 한다.
도 5는 본 발명의 일 실시예에 따른 프로세서에서 촬영된 영상으로부터 사용자의 얼굴 영역을 획득하는 제1 예시도이다.
도 5의 (a)에 도시된 바와 같이, 프로세서(130)는 촬영부(110)를 통해 촬영된 영상이 입력되면, 전술한 실시예를 통해 입력된 영상 내에서 사용자의 얼굴 영역을 획득한다.
이후, 프로세서(130)는 기정의된 특징점 알고리즘을 이용하여 기획득한 사용자의 얼굴 영역 내에서 눈, 입, 목 및 이마 부위의 영역을 검출한다. 이후, 프로세서(130)는 검출된 눈, 입, 목 및 이마 부위의 영역을 사용자의 얼굴 영역 내에서 제거한다.
이후, 도 5의 (b)에 도시된 바와 같이, 프로세서(130)는 눈, 입, 목 및 이마 부위의 영역이 제거된 사용자의 얼굴 영역을 획득하고, 눈, 입, 목 및 이마 부위의 영역이 제거된 사용자의 얼굴 영역 내에서 색상이 유사한 복수의 픽셀을 포함하는 복수의 영역으로 그룹핑을 수행할 수 있다.
도 6은 본 발명의 또다른 실시예에 따른 프로세서에서 촬영된 영상으로부터 사용자의 얼굴 영역을 획득하는 제2 예시도이다.
도 6의 (a)에 도시된 바와 같이, 프로세서(130)는 촬영부(110)를 통해 촬영된 영상이 입력되면, 전술한 실시예를 통해 입력된 영상 내에서 사용자의 얼굴 영역을 획득한다.
이후, 프로세서(130)는 기정의된 특징점 알고리즘을 이용하여 기획득한 사용자의 얼굴 영역 내에서 눈, 입, 목 및 이마 부위의 영역을 검출한다. 이후, 프로세서(130)는 검출된 눈, 입, 목 및 이마 부위의 영역을 사용자의 얼굴 영역 내에서 제거한다.
이 같이, 눈, 입, 목 및 이마 부위의 영역이 제거된 사용자의 얼굴 영역이 획득되면, 프로세서(130)는 눈, 입, 목 및 이마 부위의 영역이 제거된 사용자의 얼굴 영역 중 복수의 영역으로 그룹핑할 영역을 결정한다.
도 6의 (a)에 도시된 바와 같이, 프로세서(130)는 눈, 입, 목 및 이마 부위의 영역이 제거된 사용자의 얼굴 영역 중 일부 영역을 복수의 영역으로 그룹핑할 영역으로 결정한다. 여기서, 일부 영역은 입 부위의 영역이 제거된 영역을 포함하는 하관 부위 영역이 될 수 있다.
이에 따라, 프로세서(130)는 도 6의 (b)에 도시된 바와 같이, 눈, 입, 목 및 이마 부위의 영역이 제거된 사용자의 얼굴 영역 중 하관 부위 영역을 획득하고, 획득한 하관 부위 영역 내에서 색상이 유사한 복수의 픽셀을 포함하는 복수의 영역으로 그룹핑을 수행할 수 있다.
이하에서는, 본 발명에 따른 프로세서(130)에서 인공지능 학습모델을 업데이트하고 이용하기 위한 동작에 대해서 상세히 설명하도록 한다.
도 7은 본 발명의 일 실시예에 따른 인공지능 학습모델을 업데이트하고 이용하는 전자 장치의 프로세서의 세부 블록도이다.
도 7에 도시된 바와 같이, 프로세서(130)는 학습부(510) 및 획득부(520)를 포함할 수 있다.
학습부(510)는 학습 데이터를 이용하여 사용자의 심장 박동에 대한 정보를 획득하기 위한 인공지능 학습모델을 생성하거나 또는 학습시킬 수 있다.
여기서, 학습 데이터는 사용자 정보, 사용자의 얼굴 영상에 기초하여 획득한 펄스 신호별 주기 속성 정보 및 주기 속성 정보별 심장 박동에 대한 정보 중 적어도 하나를 포함할 수 있다.
구체적으로, 학습부(510)는 촬영된 영상 내에 포함된 사용자의 얼굴 영역에서 유사한 색 분포를 가지며 동일 그룹으로 그룹핑된 영역들의 색상값에 기초하여 획득한 펄스 신호를 입력 데이터로 사용하여 해당 사용자의 심장 박동에 대한 정보를 획득하기 위한 인공지능 학습모델을 생성, 학습 또는 갱신시킬 수 있다.
획득부(520)는 소정의 데이터를 기학습된 인공지능 학습모델의 입력 데이터로 사용하여 사용자의 심장 박동에 대한 정보를 획득할 수 있다.
구체적으로, 획득부(520)는 촬영된 영상 내에 포함된 사용자의 얼굴 영역에서 유사한 색 분포를 가지며 동일 그룹으로 그룹핑된 영역들의 색상값에 기초하여 획득한 펄스 신호를 입력 데이터로 사용하여 해당 사용자의 심장 박동에 대한 정보를 획득(또는, 인식, 추정)할 수 있다.
이 같은 학습부(510) 및 획득부(520)의 적어도 일부는 소프트웨어 모듈로 구현되거나 적어도 하나의 하드웨어 칩 형태로 제작되어 전자 장치(100) 내에 탑재될 수 있다.
예를 들어, 학습부(510) 및 획득부(520) 중 적어도 하나는 인공 지능(Artificial intelligence : AI)을 위한 전용 하드웨어 칩 형태로 제작되거나, 기존의 범용 프로세서(예: CPU 또는 application processor) 또는 그래픽 전용 프로세서(예: GPU)의 일부로 제작되어 전술한 각종 전자 장치에 탑재될 수도 있다.
이때, 인공 지능을 위한 전용 하드웨어 칩은 확률 연산에 특화된 전용 프로세서로서, 기존의 범용 프로세서보다 병렬처리 성능이 높아 기계 학습과 같은 인공 지능 분야의 연산 작업을 빠르게 처리할 수 있다. 학습부(510) 및 획득부(520)가 소프트웨어 모듈(또는, 인스트럭션(instruction) 포함하는 프로그램 모듈)로 구현되는 경우, 소프트웨어 모듈은 컴퓨터로 읽을 수 있는 판독 가능한 비일시적 판독 가능 기록매체(non-transitory computer readable media)에 저장될 수 있다. 이 경우, 소프트웨어 모듈은 OS(Operating System)에 의해 제공되거나, 소정의 애플리케이션에 의해 제공될 수 있다. 또는, 소프트웨어 모듈 중 일부는 OS(Operating System)에 의해 제공되고, 나머지 일부는 소정의 애플리케이션에 의해 제공될 수 있다.
이 경우, 학습부(510) 및 획득부(520)는 하나의 전자 장치(100)에 탑재될 수도 있으며, 또는 별개의 전자 장치들에 각각 탑재될 수도 있다. 예를 들어, 학습부(510) 및 획득부(520) 중 하나는 전자 장치(100)에 포함되고, 나머지 하나는 외부의 서버(미도시)에 포함될 수 있다. 또한, 학습부(510) 및 획득부(520)는 유선 또는 무선으로 통하여, 학습부(510)가 구축한 모델 정보를 획득부(520)로 제공할 수도 있고, 학습부(510)로 입력된 데이터가 추가 학습 데이터로서 학습부(510)로 제공될 수도 있다.
도 8은 본 발명의 일 실시예에 따른 학습부 및 획득부의 세부 블록도이다.
도 8의 (a)를 참조하면, 일부 실시예에 따른 학습부(510)는 학습 데이터 획득부(511) 및 모델 학습부(514)를 포함할 수 있다. 또한, 학습부(510)는 학습 데이터 전처리부(512), 학습 데이터 선택부(513) 및 모델 평가부(515) 중 적어도 하나를 선택적으로 더 포함할 수 있다.
학습 데이터 획득부(511)는 인공지능 학습모델에 필요한 학습 데이터를 획득할 수 있다. 본 개시의 실시예로, 학습 데이터 획득부(511)는 사용자 정보, 사용자의 얼굴 영상에 기초하여 획득한 펄스 신호별 주기 속성 정보 및 주기 속성 정보별 심장 박동에 대한 정보 중 적어도 하나를 학습 데이터로서 획득할 수 있다.
이 같은 학습 데이터는 학습부(510) 또는 학습부(510)의 제조사가 수집 또는 테스트한 데이터가 될 수도 있다.
모델 학습부(514)는 학습 데이터를 이용하여, 사용자의 얼굴 영상에 기초하여 획득한 펄스 신호별 주기 속성 정보 혹은 주기 속성 정보별 심작 박동에 대한 정보를 어떻게 획득할지에 관한 기준을 갖도록 학습시킬 수 있다. 예로, 모델 학습부(514)는 학습 데이터 중 적어도 일부를 판단 기준으로 이용하는 지도 학습(supervised learning)을 통하여, 인공지능 모델을 학습시킬 수 있다.
또는, 모델 학습부(514)는, 예를 들어, 별다른 지도 없이 학습 데이터를 이용하여 스스로 학습함으로써, 상황의 판단을 위한 판단 기준을 발견하는 비지도 학습(unsupervised learning)을 통하여, 인공지능 모델을 학습시킬 수 있다.
또한, 모델 학습부(514)는, 예를 들어, 학습에 따른 상황 판단의 결과가 올바른 지에 대한 피드백을 이용하는 강화 학습(reinforcement learning)을 통하여, 인공지능 모델을 학습시킬 수 있다.
또한, 모델 학습부(514)는, 예를 들어, 오류 역전파법(error back-propagation) 또는 경사 하강법(gradient descent)을 포함하는 학습 알고리즘 등을 이용하여 인공지능 모델을 학습시킬 수 있다
모델 학습부(514)는 미리 구축된 인공지능 학습모델이 복수 개가 존재하는 경우, 입력된 학습 데이터와 기본 학습 데이터의 관련성이 큰 인공지능 학습모델을 학습할 인공지능 학습모델로 결정할 수 있다. 이 경우, 기본 학습 데이터는 데이터의 타입별로 기 분류되어 있을 수 있으며, 인공지능 학습모델은 데이터의 타입별로 미리 구축되어 있을 수 있다.
예를 들어, 기본 학습 데이터는 학습 데이터가 생성된 지역, 학습 데이터가 생성된 시간, 학습 데이터의 크기, 학습 데이터의 장르, 학습 데이터의 생성자, 학습 데이터 내의 오브젝트의 종류 등과 같은 다양한 기준으로 기분류되어 있을 수 있다.
인공지능 학습모델이 학습되면, 모델 학습부(514)는 학습된 인공지능 학습모델을 저장할 수 있다. 이 경우, 모델 학습부(514)는 학습된 인공지능 학습모델을 전자 장치(100)의 저장부(170)에 저장할 수 있다.
또는, 모델 학습부(514)는 학습된 인공지능 학습모델을 전자 장치(100)와 유선 또는 무선 네트워크로 연결되는 서버(예를 들어, 인공지능 서버)(미도시)의 메모리에 저장할 수도 있다.
학습부(510)는 인공지능 학습모델의 인식 결과를 향상시키거나, 인공지능 학습모델의 생성에 필요한 자원 또는 시간을 절약하기 위하여, 학습 데이터 전처리부(512) 및 학습 데이터 선택부(513)를 더 포함할 수도 있다.
학습 데이터 전처리부(512)는 펄스 신호별 주기 속성 정보 및 주기 속성 정보에 기초한 사용자의 심장 박동에 대한 정보를 획득하기 위한 학습과 관련된 데이터를 전처리할 수 있다.
학습 데이터 전처리부(512)는 모델 학습부(514)가 펄스 신호별 주기 속성 정보 및 주기 속성 정보에 기초한 사용자의 심장 박동에 대한 정보를 획득하기 위한 학습과 관련된 데이터를 이용할 수 있도록, 획득된 데이터를 기설정된 포맷으로 가공할 수 있다.
학습 데이터 선택부(513)는 학습 데이터 획득부(5111)에서 획득된 데이터 또는 학습 데이터 전처리부(512)에서 전처리된 데이터 중에서 학습에 필요한 데이터를 선택할 수 있다. 선택된 학습 데이터는 모델 학습부(514)에 제공될 수 있다. 학습 데이터 선택부(513)는 기 설정된 선별 기준에 따라, 획득되거나 전처리된 데이터 중에서 학습에 필요한 학습 데이터를 선택할 수 있다. 또한, 학습 데이터 선택부(513)는 모델 학습부(514)에 의한 학습에 의해 기 설정된 선별 기준에 따라 학습 데이터를 선택할 수도 있다.
학습부(510)는 인공지능 모델의 인식 결과를 향상시키기 위하여, 모델 평가부(515)를 더 포함할 수도 있다.
모델 평가부(515)는 인공지능 학습모델에 평가 데이터를 입력하고, 평가 데이터로부터 출력되는 인식 결과가 소정 기준을 만족하지 못하는 경우, 모델 학습부(514)로 하여금 다시 학습하도록 할 수 있다. 이 경우, 평가 데이터는 인공지능 학습모델을 평가하기 위한 기 정의된 데이터일 수 있다.
예를 들어, 모델 평가부(515)는 평가 데이터에 대한 학습된 인공지능 학습모델의 인식 결과 중에서, 인식 결과가 정확하지 않은 평가 데이터의 개수 또는 비율이 미리 설정된 임계치를 초과하는 경우 소정 기준을 만족하지 못한 것으로 평가할 수 있다.
한편, 학습된 인공지능 학습모델이 복수 개가 존재하는 경우, 모델 평가부(515)는 각각의 학습된 인공지능 학습모델에 대하여 소정 기준을 만족하는지를 평가하고, 소정 기준을 만족하는 인공지능 학습모델을 최종 인공지능 학습모델로서 결정할 수 있다. 이 경우, 소정 기준을 만족하는 인공지능 학습모델이 복수 개인 경우, 모델 평가부(515)는 평가 점수가 높은 순으로 미리 설정된 어느 하나 또는 소정 개수의 모델을 최종 인공지능 학습모델로서 결정할 수 있다.
도 8의 (b)를 참조하면, 일부 실시예에 따른 획득부(520)는 입력 데이터 획득부(521) 및 제공부(524)를 포함할 수 있다.
또한, 획득부(520)는 입력 데이터 전처리부(522), 입력 데이터 선택부(523) 및 모델 갱신부(525) 중 적어도 하나를 선택적으로 더 포함할 수 있다.
입력 데이터 획득부(521)는 사용자 정보, 사용자의 얼굴 영상에 기초하여 획득한 펄스 신호별 주기 속성 정보를 획득하고, 획득한 주기 속성 정보에 기초한 사용자의 심장 박동에 대한 정보를 획득하기 위해 필요한 데이터를 획득할 수 있다. 제공부(524)는 입력 데이터 획득부(521)에서 획득된 입력 데이터를 입력 값으로 학습된 인공지능 학습모델에 적용하여 사용자의 얼굴 영상에 기초하여 획득한 펄스 신호별 주기 속성 정보를 획득하고, 획득된 주기 속성 정보에 기초한 사용자의 심장 박동에 대한 정보를 획득할 수 있다.
제공부(524)는 후술할 입력 데이터 전처리부(522) 또는 입력 데이터 선택부(523)에 의해 선택된 데이터를 입력 값으로 인공지능 학습모델에 적용하여 인식 결과를 획득할 수 있다. 인식 결과는 인공지능 학습모델에 의해 결정될 수 있다.
일 실시예로, 제공부(524)는 입력 데이터 획득부(521)에서 획득한 펄스 신호로부터 주기 속성 정보를 획득(또는, 추정)할 수 있다.
또 다른 예로, 제공부(524)는 입력 데이터 획득부(521)에서 획득한 펄스 신호로부터 획득한 주기 속성 정보에 기초한 사용자의 심장 박동에 대한 정보를 획득(또는, 추정)할 수 있다.
획득부(520)는 인공지능 학습모델의 인식 결과를 향상시키거나, 인식 결과의 제공을 위한 자원 또는 시간을 절약하기 위하여, 입력 데이터 전처리부(522) 및 입력 데이터 선택부(523)를 더 포함할 수도 있다.
입력 데이터 전처리부(522)는 인공지능 학습모델에 입력되기 위해 획득된 데이터가 이용될 수 있도록, 획득된 데이터를 전처리할 수 있다. 입력 데이터 전처리부(522)는 제공부(524)가 펄스 신호로부터 획득한 주기 속성 정보 및 주기 속성 정보에 기초한 사용자의 심장 박동에 대한 정보를 획득하기 위한 데이터를 이용할 수 있도록, 해당 데이터를 기 정의된 포맷으로 가공할 수 있다.
입력 데이터 선택부(523)는 입력 데이터 획득부(521)에서 획득된 데이터 또는 입력 데이터 전처리부(522)에서 전처리된 데이터 중에서 상황 판단에 필요한 데이터를 선택할 수 있다. 선택된 데이터는 제공부(524)에게 제공될 수 있다. 입력 데이터 선택부(523)는 상황 판단을 위한 기 설정된 선별 기준에 따라, 획득되거나 전처리된 데이터 중에서 일부 또는 전부를 선택할 수 있다. 또한, 입력 데이터 선택부(523)는 모델 학습부(524)에 의한 학습에 의해 기 설정된 선별 기준에 따라 데이터를 선택할 수도 있다.
모델 갱신부(525)는 제공부(524)에 의해 제공되는 인식 결과에 대한 평가에 기초하여, 인공지능 학습모델이 갱신되도록 제어할 수 있다. 예를 들어, 모델 갱신부(525)는 제공부(524)에 의해 제공되는 인식 결과를 모델 학습부(524)에게 제공함으로써, 모델 학습부(524)가 인공지능 학습모델을 추가 학습 또는 갱신하도록 요청할 수 있다.
도 9는 본 발명의 일 실시예에 따른 전자 장치 및 외부 서버가 서로 연동하여 데이터를 학습하고 판단하는 예시도이다.
도 9에 도시된 바와 같이, 외부의 서버(S)는 촬영된 영상 내에 포함된 사용자의 얼굴 영역의 색 정보 및 위치 정보에 기초하여 획득한 펄스 신호로부터 주기 속성 정보를 획득하고, 획득한 주기 속성 정보에 기초한 사용자의 심장 박동에 대한 정보를 획득하기 위한 기준을 학습할 수 있다.
그리고, 전자 장치(A)는 서버(S)에 의한 학습 결과에 기초하여 생성된 인공 지능 학습모델들을 이용하여 사용자의 얼굴 영역의 색 정보 및 위치 정보에 기초하여 획득한 펄스 신호로부터 주기 속성 정보를 획득하고, 획득한 주기 속성 정보에 기초한 사용자의 심장 박동에 대한 정보를 획득할 수 있다.
이 경우, 서버(S)의 모델 학습부(514)는 도 7에 도시된 학습부(510)의 기능을 수행할 수 있다. 서버(S)의 모델 학습부(514)는 인공지능 학습모델에 대한 판단 기준(혹은, 인식 기준)을 학습할 수 있다.
또한, 전자 장치(A)의 제공부(514)는 입력 데이터 선택부(513)에 의해 선택된 데이터를 서버(S)에 의해 생성된 인공지능 학습모델에 적용하여 사용자의 얼굴 영역의 색 정보 및 위치 정보에 기초하여 획득한 펄스 신호로부터 주기 속성 정보를 획득하고, 획득한 주기 속성 정보에 기초한 사용자의 심장 박동에 대한 정보를 획득할 수 있다.
또는, 전자 장치(A)의 제공부(514)는 서버(S)에 의해 생성된 인공지능 학습모델을 서버(S)로부터 수신하고, 수신된 인공지능 학습모델을 이용하여 사용자의 얼굴 영역의 색 정보 및 위치 정보에 기초하여 획득한 펄스 신호로부터 주기 속성 정보를 획득하고, 획득한 주기 속성 정보에 기초한 사용자의 심장 박동에 대한 정보를 획득할 수 있다.
지금까지, 본 발명에 따른 전자 장치(100)에서 촬영된 영상 내에 포함된 사용자의 얼굴 영역으로부터 획득된 데이터를 인공지능 학습모델에 입력하여 사용자의 심장 박동에 대한 정보를 제공하는 동작에 대해서 상세히 설명하였다.
이하에서는 본 발명에 따른 전자 장치(100)에서 촬영된 영상 내에 포함된 사용자의 얼굴 영역으로부터 획득된 데이터를 인공지능 학습모델에 입력하여 사용자의 심장 박동에 대한 정보를 제공하는 방법에 대해서 상세히 설명하도로 한다.
도 10은 본 발명의 일 실시예에 따른 전자 장치에서 사용자의 심장 박동에 대한 정보를 제공하는 방법의 흐름도이다.
도 10에 도시된 바와 같이, 전자 장치(100)는 사용자의 얼굴을 포함하는 영상을 촬영하고, 촬영된 영상 내에서 사용자의 얼굴 영역을 획득한다(S1010).
이후, 전자 장치(100)는 획득된 사용자의 얼굴 영역 내에서 색상이 유사한 복수의 픽셀을 포함하는 복수의 영역으로 그룹핑한다(S1020). 이후, 전자 장치(100)는 그룹핑된 복수의 영역에 대한 정보를 인공지능 학습모델에 입력하여 사용자의 심장 박동에 대한 정보를 획득한다(S1030).
이후, 전자 장치(100)는 획득한 사용자의 심장 박동에 대한 정보를 출력한다.
구체적으로, 전자 장치(100)는 영상이 촬영되면, SVM(Support Vector Machine) 알고리즘을 이용하여 기촬영된 영상 내에서 사용자의 얼굴 영역을 획득할 수 있다.
이 같은 얼굴 영역이 획득되면, 전자 장치(100)는 획득된 사용자의 얼굴 영역에서 눈, 입, 목 부위의 영역을 제거하고, 눈, 입, 목 부위의 영역이 제거된 사용자의 얼굴 영역을 획득한다.
이후, 전자 장치(100)는 눈, 입, 목 부위의 영역이 제거된 사용자의 얼굴 영역 내에서 색상이 유사한 복수의 픽셀을 포함하는 복수의 영역으로 그룹핑할 수 있다.
본 발명의 추가적인 양상에 따라, 전자 장치(100)는 촬영된 영상에서 사용자의 얼굴 영역이 획득되면, 획득된 얼굴 영역에서 눈, 입, 목 및 이마 부위의 영역을 제거한다. 이후, 전자 장치(100)는 눈, 입, 목 및 이마 부위의 영역이 제거된 사용자의 얼굴 영역 내에서 색상이 유사한 복수의 픽셀을 포함하는 복수의 영역으로 그룹핑할 수 있다.
본 발명의 추가적인 양상에 따라, 전자 장치(100)는 촬영된 영상에서 사용자의 얼굴 영역이 획득되면, 획득된 얼굴 영역에서 눈, 입, 목 및 이마 부위의 영역을 제거한다. 이후, 전자 장치(100)는 눈, 입, 목 및 이마 부위의 영역이 제거된 사용자의 얼굴 영역 중 일부 영역 내에서 색상이 유사한 복수의 픽셀을 포함하는 복수의 영역으로 그룹핑한다. 여기서, 일부 영역은 입 부위의 영역이 제거된 영역을 포함할 수 있다.
도 11은 본 발명의 일 실시예에 따른 전자 장치에서 사용자의 얼굴 영역 내에서 색상이 유사한 복수의 픽셀을 포함하는 복수의 영역으로 그룹핑하는 방법의 흐름도이다.
도 11에 도시된 바와 같이, 전자 장치(100)는 촬영된 영상에서 사용자의 얼굴 영역이 획득되면, 사용자의 얼굴 영역을 구성하는 복수의 픽셀의 색 정보 및 위치 정보를 바탕으로 사용자의 얼굴 영역을 복수의 영역으로 그룹핑한다(S1110).
이후, 전자 장치(100)는 그룹핑된 복수의 영역 각각에 대응되는 색상값을 획득하고, 획득된 복수의 영역 각각에 대응되는 색상값에 기초하여 기설정된 색 범위 내에 있는 복수의 영역을 동일 그룹으로 그룹핑한다(S1120,S1130).
이후, 전자 장치(100)는 동일 그룹으로 그룹핑된 복수의 영역별 색상값을 이용하여 동일 그룹으로 그룹핑된 복수의 영역에 대한 펄스 신호를 획득한다(S1140).
이 같은 실시예를 통해 사용자의 얼굴 영역에 대한 펄스 신호가 획득되면, 전자 장치(100)는 획득한 펄스 신호를 인공지능 학습모델에 입력하여 사용자의 심장 박동에 대한 정보를 획득한다.
한편, 인공지능 학습모델은 펄스 신호가 입력되면, 주파수 변환 레이어를 통해 기입력된 펄스 신호로부터 주기적으로 반복되는 주기 속성 정보를 획득한다. 이후, 인공지능 학습모델은 복수의 레이어를 통해 주파수 변환 레이어로부터 획득된 주기 속성 정보를 인공지능 학습모델에서 인식 가능한 값으로 변환한다.
여기서, 주기 속성 정보는 복소수 값이 될 수 있으며, 인공지능 학습모델에서 인식 가능한 값은 실수값이 될 수 있다.
따라서, 인공지능 학습모델은 복소수 레이어를 통해 인공지능 학습모델에서 인식 가능한 값으로 변환된 주기 속성 정보에 기초하여 사용자의 심장 박동에 대한 정보를 제공한다. 이에 따라, 전자 장치(100)는 인공지능 학습모델을 통해 제공된 정보를 사용자의 심장 박동에 대한 정보로 출력할 수 있다.
한편, 상술한 바와 같은 전자 장치(100)의 제어 방법은 적어도 하나의 실행 프로그램으로 구현될 수 있으며, 이러한 실행 프로그램은 비일시적 컴퓨터 판독 가능 매체에 저장될 수 있다.
비일시적 판독 가능 매체란 레지스터, 캐쉬, 메모리 등과 같이 짧은 순간 동안 데이터를 저장하는 매체가 아니라 반영구적으로 데이터를 저장하며, 기기에 의해 판독(reading)이 가능한 매체를 의미한다. 구체적으로, 상술한 프로그램들은 RAM(Random Access Memory), 플레시메모리, ROM(Read Only Memory), EPROM(Erasable Programmable ROM), EEPROM(Electronically Erasable and Programmable ROM), 레지스터, 하드디스크, 리무버블 디스크, 메모리 카드, USB 메모리, CD-ROM 등과 같이, 단말기에서 판독 가능한 다양한 유형의 기록 매체에 저장되어 있을 수 있다.
이제까지 본 발명에 대하여 그 바람직한 실시예들을 중심으로 살펴보았다.
이상에서는 본 발명의 바람직한 실시예에 대하여 도시하고 설명하였지만, 본 발명은 상술한 특정의 실시예에 한정되지 아니하며, 청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변형실시가 가능한 것은 물론이고, 이러한 변형실시들은 본 발명의 기술적 사상이나 전망으로부터 개별적으로 이해되어져서는 안될 것이다.

Claims (15)

  1. 전자 장치의 심장 박동 측정 방법에 있어서,
    사용자 얼굴을 포함하는 영상을 촬영하는 단계;
    상기 영상 내에 포함된 사용자 얼굴을 색상이 유사한 복수의 픽셀을 포함하는 복수의 영역으로 그룹핑하는 단계;
    상기 그룹핑된 복수의 영역에 대한 정보를 인공지능 학습모델에 입력하여 상기 사용자의 심장 박동에 대한 정보를 획득하는 단계; 및
    상기 획득된 심장 박동에 대한 정보를 출력하는 단계;
    를 포함하는 심장 박동 측정 방법.
  2. 제 1 항에 있어서,
    상기 그룹핑하는 단계는,
    상기 사용자 얼굴을 구성하는 복수의 픽셀의 색 정보 및 위치 정보를 바탕으로 상기 사용자 얼굴을 복수의 영역으로 그룹핑하는 단계;
    상기 그룹핑된 복수의 영역 각각에 대응되는 색상값을 획득하는 단계;
    상기 획득된 복수의 영역 각각에 대응되는 색상값에 기초하여 기설정된 색 범위 내에 있는 복수의 영역을 동일 그룹으로 그룹핑하는 단계; 및
    상기 동일 그룹으로 그룹핑된 복수의 영역별 색상값을 이용하여 상기 동일 그룹으로 그룹핑된 복수의 영역에 대한 펄스 신호를 획득하는 단계;
    를 포함하는 것을 특징으로 하는 심장 박동 측정 방법.
  3. 제 2 항에 있어서,
    상기 획득하는 단계는,
    상기 동일 그룹핑된 복수의 영역에 대한 펄스 신호를 상기 인공지능 학습모델에 입력하여 상기 사용자의 심장 박동에 대한 정보를 획득하는 것을 특징으로 하는 심상 박동 측정 방법.
  4. 제 3 항에 있어서,
    상기 인공지능 학습모델은,
    상기 입력된 펄스 신호로부터 주기적으로 반복되는 주기 속성 정보를 획득하는 주파수 변환 레이어; 및
    상기 주파수 변환 레이어를 통해 획득된 주기 속성 정보를 상기 인공지능 학습모델에서 인식 가능한 값으로 변환하는 복소수 레이어;
    를 포함하는 것을 특징으로 하는 심장 박동 측정 방법.
  5. 제 1 항에 있어서,
    상기 촬영된 영상 내에서 상기 사용자의 얼굴 영역을 획득하는 단계;를 더 포함하며,
    상기 획득하는 단계는,
    SVM(Support Vector Machine) 알고리즘을 이용하여 상기 촬영된 영상 내에서 상기 사용자의 얼굴 영역을 획득하는 단계; 및
    상기 획득된 사용자의 얼굴 영역에서 눈, 입, 목 부위의 영역을 제거하는 단계;
    를 포함하는 것을 특징으로 하는 심장 박동 측정 방법.
  6. 제 5 항에 있어서,
    상기 그룹핑하는 단계는,
    상기 눈, 입, 목 부위의 영역이 제거된 나머지 영역의 영상 내에서 색상이 유사한 복수의 픽셀을 포함하는 복수의 영역으로 그룹핑하는 것을 특징으로 하는 심장 박동 측정 방법.
  7. 제 5 항에 있어서,
    상기 제거하는 단계는,
    상기 사용자의 얼굴 영역에서 이마 부위의 영역을 더 제거하며,
    상기 그룹핑하는 단계는,
    상기 눈, 입, 부위의 영역 및 상기 이마 부위가 제거된 나머지 영역의 영상 내에서 색상이 유사한 복수의 픽셀을 포함하는 복수의 영역으로 그룹핑하는 것을 특징으로 하는 심장 박동 측정 방법.
  8. 제 5 항에 있어서,
    상기 그룹핑하는 단계는,
    상기 눈, 입, 부위의 영역 및 상기 이마 부위가 제거된 나머지 영역 중 일부 영역의 영상 내에서 색상이 유사한 복수의 픽셀을 포함하는 복수의 영역으로 그룹핑하며,
    상기 일부 영역은,
    상기 입 부위의 영역이 제거된 영역을 포함하는 것을 특징으로 하는 심장 박동 측정 방법.
  9. 전자 장치에 있어서,
    촬영부;
    심장 박동에 대한 정보를 출력하는 출력부; 및
    상기 촬영부를 통해 촬영된 영상 내에 포함된 사용자 얼굴을 색상이 유사한 복수의 픽셀을 포함하는 복수의 영역으로 그룹핑하고, 상기 그룹핑된 복수의 영역에 대한 정보를 인공지능 학습모델에 입력하여 상기 사용자의 심장 박동에 대한 정보를 획득하고, 상기 획득한 심장 박동에 대한 정보를 출력하도록 상기 출력부를 제어하는 프로세서;
    를 포함하는 전자 장치.
  10. 제 9 항에 있어서,
    상기 프로세서는,
    상기 사용자 얼굴을 구성하는 복수의 픽셀의 색 정보 및 위치 정보를 바탕으로 상기 사용자 얼굴을 복수의 영역으로 그룹핑한 후, 상기 그룹핑된 복수의 영역 각각에 대응되는 색상값을 획득하며,
    상기 획득된 복수의 영역 각각에 대응되는 색상값에 기초하여 기설정된 색 범위 내에 있는 복수의 영역을 동일 그룹으로 그룹핑한 후, 상기 동일 그룹으로 그룹핑된 복수의 영역별 색상값을 이용하여 상기 동일 그룹으로 그룹핑된 복수의 영역에 대한 펄스 신호를 획득하는 것을 특징으로 하는 전자 장치.
  11. 제 10 항에 있어서,
    상기 프로세서는,
    상기 동일 그룹핑된 복수의 영역에 대한 펄스 신호를 상기 인공지능 학습모델에 입력하여 상기 사용자의 심장 박동에 대한 정보를 획득하는 것을 특징으로 하는 전자 장치.
  12. 제 11 항에 있어서,
    상기 인공지능 학습모델은,
    상기 입력된 펄스 신호로부터 주기적으로 반복되는 주기 속성 정보를 획득하는 주파수 변환 레이어; 및
    상기 주파수 변환 레이어를 통해 획득된 주기 속성 정보를 상기 인공지능 학습모델에서 인식 가능한 값으로 변환하는 복소수 레이어;
    를 포함하는 것을 특징으로 하는 전자 장치.
  13. 제 9 항에 있어서,
    상기 프로세서는,
    SVM(Support Vector Machine) 알고리즘을 이용하여 상기 촬영된 영상 내에서 상기 사용자의 얼굴 영역을 획득하고, 상기 획득된 사용자의 얼굴 영역에서 눈, 입, 목 부위의 영역을 제거하는 것을 특징으로 하는 전자 장치.
  14. 제 13 항에 있어서,
    상기 프로세서는,
    상기 눈, 입, 목 부위의 영역이 제거된 나머지 영역의 영상 내에서 색상이 유사한 복수의 픽셀을 포함하는 복수의 영역으로 그룹핑하는 것을 특징으로 하는 전자 장치.
  15. 제 13 항에 있어서,
    상기 프로세서는,
    상기 사용자의 얼굴 영역에서 이마 부위의 영역을 더 제거하며,
    상기 눈, 입, 부위의 영역 및 상기 이마 부위가 제거된 나머지 영역의 영상 내에서 색상이 유사한 복수의 픽셀을 포함하는 복수의 영역으로 그룹핑하는 것을 특징으로 하는 전자 장치.
PCT/KR2019/002589 2018-03-07 2019-03-06 심장 박동을 측정하기 위한 전자 장치 및 방법 Ceased WO2019172642A1 (ko)

Priority Applications (3)

Application Number Priority Date Filing Date Title
EP19764567.4A EP3725217A4 (en) 2018-03-07 2019-03-06 ELECTRONIC DEVICE AND METHOD OF MEASURING HEART RATE
US16/978,538 US20210015376A1 (en) 2018-03-07 2019-03-06 Electronic device and method for measuring heart rate
CN201980011150.3A CN111670004B (zh) 2018-03-07 2019-03-06 用于测量心率的电子装置和方法

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR1020180027057A KR102487926B1 (ko) 2018-03-07 2018-03-07 심장 박동을 측정하기 위한 전자 장치 및 방법
KR10-2018-0027057 2018-03-07

Publications (1)

Publication Number Publication Date
WO2019172642A1 true WO2019172642A1 (ko) 2019-09-12

Family

ID=67847285

Family Applications (1)

Application Number Title Priority Date Filing Date
PCT/KR2019/002589 Ceased WO2019172642A1 (ko) 2018-03-07 2019-03-06 심장 박동을 측정하기 위한 전자 장치 및 방법

Country Status (5)

Country Link
US (1) US20210015376A1 (ko)
EP (1) EP3725217A4 (ko)
KR (1) KR102487926B1 (ko)
CN (1) CN111670004B (ko)
WO (1) WO2019172642A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4074247A4 (en) * 2020-01-06 2023-02-01 Huawei Technologies Co., Ltd. METHOD AND DEVICE FOR HEALTH TESTING AND COMPUTER STORAGE MEDIUM

Families Citing this family (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111166313A (zh) * 2019-12-26 2020-05-19 中国电子科技集团公司电子科学研究院 一种心率测量方法、装置及可读存储介质
US20240127948A1 (en) * 2021-04-22 2024-04-18 Sony Group Corporation Patient monitoring system
US20240016424A1 (en) * 2022-07-15 2024-01-18 Samsung Electronics Co., Ltd. Determining Oxygen Levels From Images of Skin
KR102570982B1 (ko) 2023-01-12 2023-08-25 (주) 에버정보기술 비접촉 생체정보 측정 방법

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20150059631A (ko) * 2013-11-22 2015-06-01 삼성전자주식회사 심박수 측정 방법 및 이를 위한 장치
KR20150093036A (ko) * 2014-02-06 2015-08-17 한국전자통신연구원 생체 정보 측정장치 및 측정방법
US9451905B2 (en) * 2011-12-20 2016-09-27 Koninklijke Philips N.V. Method and apparatus for monitoring the baroreceptor reflex of a user
KR20170028113A (ko) * 2015-09-03 2017-03-13 주식회사 제론헬스케어 스킨컬러 필터를 이용한 심박수 측정시스템
WO2017121834A1 (en) * 2016-01-15 2017-07-20 Koninklijke Philips N.V. Device, system and method for generating a photoplethysmographic image carrying vital sign information of a subject
KR101777472B1 (ko) * 2015-07-01 2017-09-12 순천향대학교 산학협력단 스마트 폰의 듀얼 카메라를 이용한 호흡과 심장 박동 측정방법

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8660319B2 (en) * 2006-05-05 2014-02-25 Parham Aarabi Method, system and computer program product for automatic and semi-automatic modification of digital images of faces
US10517521B2 (en) * 2010-06-07 2019-12-31 Affectiva, Inc. Mental state mood analysis using heart rate collection based on video imagery
TW201315438A (zh) * 2011-10-14 2013-04-16 Ind Tech Res Inst 非接觸式之心脈量測方法及其系統
US20140121540A1 (en) * 2012-05-09 2014-05-01 Aliphcom System and method for monitoring the health of a user
KR102420100B1 (ko) * 2014-03-14 2022-07-13 삼성전자주식회사 건강 상태 정보를 제공하는 전자 장치, 그 제어 방법, 및 컴퓨터 판독가능 저장매체
US9582879B2 (en) * 2014-10-20 2017-02-28 Microsoft Technology Licensing, Llc Facial skin mask generation for heart rate detection
US9750420B1 (en) * 2014-12-10 2017-09-05 Amazon Technologies, Inc. Facial feature selection for heart rate detection
CA2958010C (en) * 2016-02-19 2021-09-07 Covidien Lp System and methods for video-based monitoring of vital signs
CN106491114B (zh) * 2016-10-25 2020-11-06 Tcl科技集团股份有限公司 一种心率检测方法及装置
CN107334469A (zh) * 2017-07-24 2017-11-10 北京理工大学 基于支持向量机的非接触多人心率测量方法及装置
WO2020248789A1 (en) * 2019-06-11 2020-12-17 Guangdong Oppo Mobile Telecommunications Corp., Ltd. Method and system for facial landmark detection using facial component-specific local refinement
US12023133B2 (en) * 2019-11-21 2024-07-02 Gb Soft Co., Ltd. Method of measuring physiological parameter of subject in contactless manner

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9451905B2 (en) * 2011-12-20 2016-09-27 Koninklijke Philips N.V. Method and apparatus for monitoring the baroreceptor reflex of a user
KR20150059631A (ko) * 2013-11-22 2015-06-01 삼성전자주식회사 심박수 측정 방법 및 이를 위한 장치
KR20150093036A (ko) * 2014-02-06 2015-08-17 한국전자통신연구원 생체 정보 측정장치 및 측정방법
KR101777472B1 (ko) * 2015-07-01 2017-09-12 순천향대학교 산학협력단 스마트 폰의 듀얼 카메라를 이용한 호흡과 심장 박동 측정방법
KR20170028113A (ko) * 2015-09-03 2017-03-13 주식회사 제론헬스케어 스킨컬러 필터를 이용한 심박수 측정시스템
WO2017121834A1 (en) * 2016-01-15 2017-07-20 Koninklijke Philips N.V. Device, system and method for generating a photoplethysmographic image carrying vital sign information of a subject

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
See also references of EP3725217A4 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
EP4074247A4 (en) * 2020-01-06 2023-02-01 Huawei Technologies Co., Ltd. METHOD AND DEVICE FOR HEALTH TESTING AND COMPUTER STORAGE MEDIUM

Also Published As

Publication number Publication date
US20210015376A1 (en) 2021-01-21
EP3725217A1 (en) 2020-10-21
KR20190109654A (ko) 2019-09-26
CN111670004A (zh) 2020-09-15
EP3725217A4 (en) 2021-02-17
KR102487926B1 (ko) 2023-01-13
CN111670004B (zh) 2025-01-17

Similar Documents

Publication Publication Date Title
WO2018117704A1 (en) Electronic apparatus and operation method thereof
WO2019172642A1 (ko) 심장 박동을 측정하기 위한 전자 장치 및 방법
WO2020080773A1 (en) System and method for providing content based on knowledge graph
WO2019231130A1 (ko) 전자 장치 및 그의 제어방법
WO2019031714A1 (ko) 객체를 인식하는 방법 및 장치
WO2018012945A1 (en) Method and device for obtaining image, and recording medium thereof
WO2020130691A1 (en) Electronic device and method for providing information thereof
WO2019164232A1 (ko) 전자 장치, 이의 영상 처리 방법 및 컴퓨터 판독가능 기록 매체
WO2019059505A1 (ko) 객체를 인식하는 방법 및 장치
WO2015167160A1 (en) Command displaying method and command displaying device
WO2016126007A1 (en) Method and device for searching for image
EP3539056A1 (en) Electronic apparatus and operation method thereof
WO2019190171A1 (ko) 전자 장치 및 그 제어 방법
WO2020180105A1 (en) Electronic device and control method thereof
WO2018155928A1 (ko) 복수의 생체 센서를 이용하여 인증을 수행하기 위한 전자 장치 및 그의 동작 방법
WO2021221490A1 (en) System and method for robust image-query understanding based on contextual features
EP4049235A1 (en) Electronic device and controlling method of electronic device
WO2020171561A1 (en) Electronic apparatus and controlling method thereof
WO2020130299A1 (en) Electronic apparatus and control method thereof
WO2018124500A1 (ko) 객체의 인식 결과를 제공하는 방법 및 전자 장치
WO2020096255A1 (en) Electronic apparatus and control method thereof
WO2020050554A1 (ko) 전자 장치 및 그의 제어방법
WO2018182375A1 (en) Electronic device and method for providing colorable content
WO2019054715A1 (ko) 전자 장치 및 이의 피드백 정보 획득 방법
WO2016126083A1 (ko) 주변 상황 정보를 통지하기 위한 방법, 전자 장치 및 저장 매체

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: 19764567

Country of ref document: EP

Kind code of ref document: A1

ENP Entry into the national phase

Ref document number: 2019764567

Country of ref document: EP

Effective date: 20200713

NENP Non-entry into the national phase

Ref country code: DE

WWG Wipo information: grant in national office

Ref document number: 201980011150.3

Country of ref document: CN