KR-102960610-B1 - AI-based personalized digital steering system

Abstract

본 발명은 인공지능(AI) 기술과 디지털 센팅(Digital Scenting) 기술을 융합한 사용자 맞춤형 향기 제공 시스템에 관한 것으로, 보다 상세하게는 사용자의 실시간 감정 상태, 생체 신호 및 외부에서 제공되는 시청각 콘텐츠 데이터와 유기적으로 연동하여, 개인에게 최적화된 향기를 자동으로 추천, 조합 및 분사하고, 사용자의 피드백을 통해 스스로 학습하여 추천의 정확도를 지속적으로 향상시키는 AI 기반 맞춤형 디지털 조향 시스템 및 그 동작 방법에 관한 것이다.

Inventors

• 박주연
• 김아람
• 박형곤
• 이정선
• 홍광희
• 김기남
• 정경훈
• 정준원
• 이승민
• 김나리

Assignees

• (주)에센시아랩

Dates

Publication Date

20260506

Application Date

20251027

Priority Date

20250930

Claims (6)

1. 외부로부터 콘텐츠 데이터를 수신하는 콘텐츠 연동 모듈; 사용자의 생체 신호 또는 상태 정보를 수신하는 사용자 정보 수집 유닛; 복수의 향료를 혼합하여 분사하는 조향 유닛; 상기 콘텐츠 데이터 및 상기 사용자의 상태 정보에 기초하여, 상기 복수의 향료 중 적어도 하나의 추천 향기를 선정하고, 상기 추천 향기의 분사 강도를 결정하며, 상기 결정된 분사 강도에 대한 제어 신호를 생성하여 상기 조향 유닛으로 전송하는 중앙 처리 유닛; 및 사용자로부터 피드백을 수신하여 상기 중앙 처리 유닛으로 전송하는 사용자 인터페이스 모듈;을 포함하며, 상기 중앙 처리 유닛은, 상기 수신된 사용자 피드백과 상기 사용자의 상태 정보를 비교 분석하여 산출된 개인화 학습 신뢰도에 기초하여 상기 추천 향기 선정을 동적으로 조정하는 것을 특징으로 하는, AI 기반 맞춤형 디지털 조향 시스템에 있어서, 상기 중앙 처리 유닛의 향기 추천 모듈은, 상기 콘텐츠 데이터에 포함된 장면 분위기와 상기 사용자 정보 수집 유닛으로부터 수신된 사용자의 감정 상태 간의 조화 정도를 나타내는 정서-콘텐츠 일치도 계수를 산출하는 단계; 상기 사용자의 생체 신호에 기반하여 특정 향기에 대한 무의식적 선호도를 나타내는 감정 반응 비대칭 계수를 확인하는 단계; 및 상기 정서-콘텐츠 일치도 계수가 제1 임계값을 초과하고, 상기 감정 반응 비대칭 계수가 미리 설정된 긍정적 반응 패턴과 일치하는 경우에 한하여, 해당 향기를 상기 추천 향기의 후보로 1차 선정하는 것을 특징으로 하고, 상기 중앙 처리 유닛의 향기 추천 모듈은, 상기 1차 선정된 후보 향기에 대하여, 미리 설정된 시간 동안의 누적 노출 빈도 및 시간을 기반으로 향 피로도 지수를 산출하는 단계; 상기 산출된 향 피로도 지수가 제2 임계값을 초과하는 경우, 상기 후보 향기의 추천 우선순위를 하향 조정하거나 추천 대상에서 제외하는 단계를 더 포함함으로써, 동일한 향의 반복적인 추천으로 인해 발생하는 후각적 순응 현상을 방지하여 사용자에게 지속적으로 신선한 후각 경험을 제공하는 것을 특징으로 하고, 상기 중앙 처리 유닛의 시스템 제어 모듈은, 상기 분사 강도를 결정함에 있어서, 조향 유닛 주변의 센서로부터 현재 공간 내의 향기 잔류량을 나타내는 향기 포화 지수를 수신하는 단계; 및 상기 향기 포화 지수가 제3 임계값을 초과하는 경우, 후각적 과부하를 방지하기 위해 상기 결정될 분사 강도의 최대치를 미리 설정된 수준으로 제한하거나 분사를 중지시키는 것을 특징으로 하고, 상기 중앙 처리 유닛의 시스템 제어 모듈은, 상기 사용자 정보 수집 유닛으로부터 수신된 사용자의 표정 변화 빈도 또는 심박 변이도에 기반하여 감정의 안정성 정도를 나타내는 감정 불안정 진폭을 산출하는 단계; 및 상기 감정 불안정 진폭이 제4 임계값을 초과하여 사용자가 감정적으로 불안정한 상태로 판단될 경우, 상기 제한된 분사 강도를 추가적으로 하향 조정함으로써, 과도한 후각적 자극으로 인해 사용자의 감정적 불안감이 가중되는 것을 방지하는 사용자 경험을 제공하는 것을 특징으로 하고, 상기 중앙 처리 유닛의 시스템 제어 모듈은, 상기 콘텐츠 연동 모듈로부터 수신된 데이터에 포함된 폭발 장면 또는 음악의 클라이맥스와 같은 이벤트 태그에 기반하여 예기치 못한 이벤트 반응성을 확인하는 단계; 및 상기 예기치 못한 이벤트 반응성이 제5 임계값을 초과하여 강렬한 자극이 필요한 순간으로 판단될 경우, 상기 하향 조정된 분사 강도를 일시적으로 상향 증폭시키는 단계를 더 포함함으로써, 사용자의 감정적 안정성을 보호하면서 동시에 콘텐츠의 결정적 장면에 동기화된 후각적 임팩트를 제공하여 몰입감을 극대화하는 것을 특징으로 하고, 상기 중앙 처리 유닛의 향기 추천 모듈은, 데이터 관리 모듈로부터 현재 상황에 대한 모든 데이터를 제공받아 ‘프로세스 1(최적 향기 추천)’, ‘프로세스 3(향기 조합 판정)’, ‘프로세스 4(개인화 신뢰도 갱신)’의 단계적 논리 판정 알고리즘을 순차적으로 실행하여, 최종적으로 ‘어떤 향기(또는 조합)를 추천할 것인지’에 대한 논리적 결론을 도출하는 것을 특징으로 하고, 상기 프로세스 3(향기 조합 판정)은, 후보 조합에 대하여 제1단계 내재적 조화 판별, 제2단계 상황 적합성 평가, 제3단계 동기화 정밀도 검증의 3단계 순차 처리 구조로 수행되는 것을 특징으로 하고, 상기 제1단계 내재적 조화 판별 단계는 향기 공명 계수를 통해 조합 자체가 화학적, 미학적으로 성립 가능한지를 판별하되, 상기 향기 공명 계수는 데이터 관리 모듈 내에 사전 구축된 향기 조합 데이터베이스를 참조하여 획득하고, 상기 제1단계를 통과하지 못한 후보 조합은 즉시 ‘부적합’으로 처리되는 것을 특징으로 하고, 상기 제2단계 상황 적합성 평가 단계는 제1단계를 통과한 후보 조합에 대하여 구성 향료 각각의 정서-콘텐츠 일치도를 평가하여 조합이 현재 맥락에 부합하는지를 검증하고, 상기 개별 향기의 정서-콘텐츠 일치도는 프로세스 1과 동일한 방식으로 산출하는 것을 특징으로 하고, 상기 제3단계 동기화 정밀도 검증 단계는 제2단계까지 통과한 후보 조합에 대하여 최종적으로 분사 타이밍의 정확성을 검증하여 효과 전달의 완성도를 평가하고 최종 등급을 결정하는 것을 특징으로 하고, 상기 프로세스 3을 통해 평가된 각 후보 조합은 ‘최적 조합’, ‘가능한 조합’, ‘부적합 조합’의 3단계 등급으로 최종 판정되며, ‘최적 조합’인 경우 해당 조합을 최우선 분사 대상으로 선정하고, 조합을 구성하는 각 향료의 분사 비율과 최종 강도를 시스템 제어 모듈로 전달하며, ‘가능한 조합’인 경우 자동 추천에서는 제외되나 사용자가 조합을 수동으로 구성하고자 할 때 추천 목록으로 제시하고, ‘부적합 조합’인 경우 시스템에서 완전히 배제하며 사용자가 해당 조합을 시도하려 할 경우 ‘어울리지 않는 조합’이라는 경고 알림을 자동 전송하는 것을 특징으로 하고, 상기 프로세스 3의 판단 규칙으로서, 향기 공명 계수가 조화 임계값인 0.6 미만일 경우 ‘부적합 조합’으로 판정, 0.6 이상일 경우 다음 단계로 진행하고, 모든 구성 향료의 정서-콘텐츠 일치도가 상황 적합성 임계값인 0.7을 초과할 경우 다음 단계로 진행하며, 향기 분사 동기화 계수가 동기화 정밀도 임계값인 0.8을 초과할 경우 ‘최적 조합’으로 최종 판정하는 것을 특징으로 하고, 상기 중앙 처리 유닛은 ‘피드백 품질 평가, 학습 강도 결정, 신뢰도 조정’ 순으로 진행되는 3단계 순차 처리 구조에 따라 개인화 학습 신뢰도를 갱신하되, 제1단계 피드백 유효성 판별 단계에서 다중 감성 피드백 비율을 통해 수신된 피드백이 ‘유효 신호’인지 ‘노이즈’인지 판별하고, 제2단계 학습 감쇠율 결정 단계에서 누적 피드백 횟수와 포화 경계값을 비교하여 학습 감쇠율을 결정하며, 제3단계 신뢰도 가중치 갱신 단계에서 제1단계의 피드백 방향성과 제2단계의 학습 감쇠율을 종합하여 기존 개인화 학습 신뢰도를 상향 또는 하향 조정하는 것을 특징으로 하고, 상기 다중 감성 피드백 비율은 사용자가 ‘좋아요’를 클릭한 시점 전후 3초간의 뇌파 데이터를 분석하고, ‘긍정적 비대칭’ 패턴이 관측되면 ‘일치’, ‘부정적 비대칭’ 패턴이 관측되면 ‘불일치’로 판별하며, 최근 10번의 ‘좋아요’ 피드백 중 8번이 일치한 경우 0.8로 계산되는 것을 특징으로 하고, 상기 향기 피드백 포화 경계값은 시스템이 각 향기별로 초기 임계값을 20회로 설정할 수 있고, 상기 누적 피드백 횟수는 데이터 관리 모듈이 특정 향기에 대한 사용자의 ‘좋아요’, ‘싫어요’ 클릭 횟수를 모두 합산하여 기록하는 것을 특징으로 하고, 상기 제2단계 학습 감쇠율 결정 단계에서 누적 피드백 횟수가 포화 경계값의 50% 미만일 경우 학습 감쇠율을 ‘낮음(갱신 강도 100%)’으로, 50% 이상 80% 미만일 경우 ‘중간(갱신 강도 50%)’으로, 80% 이상일 경우 ‘높음(갱신 강도 10%)’으로 설정하는 것을 특징으로 하고, 상기 제3단계 신뢰도 가중치 갱신 단계에서는 ‘긍정적’ 신호일 경우 신뢰도에 기본 증가량을, ‘부정적’ 신호일 경우 기본 감소량을, 상기 학습 감쇠율이 반영된 강도로 적용하여 최종 갱신을 수행하는 것을 특징으로 하고, 사용자가 EEG 센서를 착용하지 않아 다중 감성 피드백 비율을 계산할 수 없을 경우, 시스템은 피드백의 품질 평가를 생략하고 모든 명시적 피드백을 중간 수준의 신뢰도를 가진 신호로 간주하여 갱신 프로세스를 수행하는 것을 특징으로 하고, 특정 향기에 대해 단 10초 이내에 ‘좋아요’와 ‘싫어요’ 피드백이 번갈아 입력될 경우, 이를 사용자의 명백한 조작 실수로 간주하여 두 피드백을 모두 무시하는 것을 특징으로 하고, 특정 시간대에 부정적 피드백이 집중되는 경향을 보일 경우, 이를 품질 낮은 피드백으로 간주하기보다 사용자의 시간대별 선호도 패턴으로 학습하여 추천 로직에 반영하는 것을 특징으로 하는, AI 기반 맞춤형 디지털 조향 시스템.
2. 삭제
3. 삭제
4. 삭제
5. 삭제
6. 삭제

Description

AI 기반 맞춤형 디지털 조향 시스템{AI-based personalized digital steering system} 본 발명은 인공지능(AI) 기술과 디지털 센팅(Digital Scenting) 기술을 융합한 사용자 맞춤형 향기 제공 시스템에 관한 것으로, 보다 상세하게는 사용자의 실시간 감정 상태, 생체 신호 및 외부에서 제공되는 시청각 콘텐츠 데이터와 유기적으로 연동하여, 개인에게 최적화된 향기를 자동으로 추천, 조합 및 분사하고, 사용자의 피드백을 통해 스스로 학습하여 추천의 정확도를 지속적으로 향상시키는 AI 기반 맞춤형 디지털 조향 시스템 및 그 동작 방법에 관한 것이다. 최근 가상현실(VR), 증강현실(AR), 고화질 스트리밍 서비스 등 몰입형 미디어 기술이 발전함에 따라, 시각 및 청각을 넘어 후각까지 아우르는 다중감각(Multi-sensory) 경험에 대한 소비자 요구가 증가하고 있다. 이에 따라, 특정 시간에 정해진 향을 분사하는 기존의 방향제나 아날로그 방식의 아로마 디퓨저를 넘어, 디지털 기술을 통해 향기를 정밀하게 제어하고 콘텐츠와 연동시키려는 디지털 조향 기술에 대한 연구가 활발히 진행되고 있다. 종래의 디지털 향기 분사 장치는, 사용자가 수동으로 향기 종류나 분사 시간을 설정하거나, 콘텐츠의 특정 타임라인에 미리 지정된 향기 정보를 일방적으로 재생하는 방식이 주를 이루었다. 그러나 이러한 방식은 모든 사용자에게 동일한 후각 경험을 제공하므로 개인의 향 선호도나 특정 향에 대한 민감도를 고려하지 못하는 한계가 있었다. 또한, 동일한 콘텐츠를 시청하더라도 사용자의 그날의 기분이나 감정 상태에 따라 선호하는 향기나 적절한 향의 강도는 달라질 수 있으나, 종래의 기술은 이러한 실시간적이고 동적인 사용자의 내적 상태 변화를 전혀 반영하지 못하였다. 일부 기술에서는 사용자의 선호도 프로파일을 기반으로 향기를 추천하는 시도가 있었으나, 이는 사용자가 직접 입력한 정적인 정보에 의존할 뿐이며, 사용자의 무의식적인 반응이나 후각적 피로도와 같은 복합적인 요인을 고려하지 못하여 실질적인 개인 맞춤형 경험을 제공하는 데에는 한계가 명확했다. 결과적으로, 기존 기술은 사용자의 실시간 상태와 괴리된 획일적인 후각 정보를 제공함으로써 오히려 콘텐츠 몰입감을 저해하거나, 과도한 향기 노출로 인해 불쾌감을 유발하는 문제점을 안고 있었다. 도 1은 본 발명에 따른 전체적인 관계도를 도시한 것이다. 도 2는 본 발명의 일 실시예에 따른 AI 기반 맞춤형 디지털 조향 시스템의 전체 구성요소 간 데이터 흐름을 개략적으로 도시한 도면이다. 도 3은 본 발명의 일 실시예에 따른 최적 향기 추천을 위한 정서 동기화 판정 프로세스(프로세스 1)의 단계별 흐름을 도시한 순서도이다. 도 4는 본 발명의 일 실시예에 따른 동적 분사 강도 결정을 위한 다중 요인 판정 프로세스(프로세스 2)의 단계별 흐름을 도시한 순서도이다. 도 5는 본 발명의 일 실시예에 따른 향기 조합 공명 판정 프로세스(프로세스 3)의 단계별 흐름을 도시한 순서도이다. 도 6은 본 발명의 일 실시예에 따른 개인화 신뢰도 가중치 갱신 프로세스(프로세스 4)의 단계별 흐름을 도시한 순서도이다. 이하에서는 첨부된 도면을 참조하여 다양한 실시 예를 보다 상세하게 설명한다. 본 명세서에 기재된 실시 예는 다양하게 변형될 수 있다. 특정한 실시예가 도면에서 묘사되고 상세한 설명에서 자세하게 설명될 수 있다. 그러나 첨부된 도면에 개시된 특정한 실시 예는 다양한 실시 예를 쉽게 이해하도록 하기 위한 것일 뿐이다. 따라서 첨부된 도면에 개시된 특정 실시 예에 의해 기술적 사상이 제한되는 것은 아니며, 발명의 사상 및 기술 범위에 포함되는 모든 균등물 또는 대체물을 포함하는 것으로 이해되어야 한다. 제1, 제2 등과 같이 서수를 포함하는 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이러한 구성요소들은 상술한 용어에 의해 한정되지는 않는다. 상술한 용어는 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 사용된다. 본 개시에 따른 인공지능과 관련된 기능은 프로세서와 메모리를 통해 동작된다. 프로세서는 하나 또는 복수의 프로세서로 구성될 수 있다. 이때, 하나 또는 복수의 프로세서는 CPU, AP, DSP(Digital Signal Processor) 등과 같은 범용 프로세서, GPU, VPU(Vision Processing Unit)와 같은 그래픽 전용 프로세서 또는 NPU와 같은 인공지능 전용 프로세서일 수 있다. 하나 또는 복수의 프로세서는, 메모리에 저장된 기 정의된 동작 규칙 또는 인공지능 모델에 따라, 입력 데이터를 처리하도록 제어한다. 또는, 하나 또는 복수의 프로세서가 인공지능 전용 프로세서인 경우, 인공지능 전용 프로세서는, 특정 인공지능 모델의 처리에 특화된 하드웨어 구조로 설계될 수 있다. 기 정의된 동작 규칙 또는 인공지능 모델은 학습을 통해 만들어진 것을 특징으로 한다. 여기서, 학습을 통해 만들어진다는 것은, 기본 인공지능 모델이 학습 알고리즘에 의하여 다수의 학습 데이터들을 이용하여 학습됨으로써, 원하는 특성(또는, 목적)을 수행하도록 설정된 기 정의된 동작 규칙 또는 인공지능 모델이 만들어짐을 의미한다. 이러한 학습은 본 개시에 따른 인공지능이 수행되는 기기 자체에서 이루어질 수도 있고, 별도의 서버 및/또는 시스템을 통해 이루어질 수도 있다. 학습 알고리즘의 예로는, 지도형 학습(supervised learning), 비지도형 학습(unsupervised learning), 준지도형 학습(semi-supervised learning) 또는 강화 학습(reinforcement learning)이 있으나, 전술한 예에 한정되지 않는다. 인공지능 모델은, 복수의 신경망 레이어들로 구성될 수 있다. 복수의 신경망 레이어들 각각은 복수의 노드들과 가중치들(weight values)을 갖고 있으며, 이전(previous) 레이어의 연산 결과와 복수의 가중치들 간의 연산을 통해 신경망 연산을 수행한다. 복수의 신경망 레이어들이 갖고 있는 복수의 가중치들은 인공지능 모델의 학습 결과에 의해 최적화될 수 있다. 예를 들어, 학습 과정 동안 인공지능 모델에서 획득한 로스(loss) 값 또는 코스트(cost) 값이 감소 또는 최소화되도록 복수의 가중치들이 갱신될 수 있다. 또한, 손실값 또는 코스트 값을 최소화하기 위해, 손실값 또는 코스트값과 관련된 그래디언트를 최소화하는 방향으로 복수의 가중치들이 갱신될 수 있다. 인공 신경망은 심층 신경망(DNN:Deep Neural Network)를 포함할 수 있으며, 예를 들어, CNN(Convolutional Neural Network), DNN (Deep Neural Network), RNN (Recurrent Neural Network), RBM(Restricted Boltzmann Machine), DBN (Deep Belief Network), BRDNN(Bidirectional Recurrent Deep Neural Network) 또는 심층 Q-네트워크 (Deep Q-Networks) 등이 있으나, 전술한 예에 한정되지 않는다. 네트워크는 웹페이지의 전송 경로가 되는 망으로서 LAN(Local Area Network), WAN(Wide Area Network)등의 폐쇄형 네트워크일 수도 있으나, 인터넷(Internet)과 같은 개방형인 것이 바람직하다. 인터넷은 TCP/IP 프로토콜 및 그 상위계층에 존재하는 여러 서비스, 즉 HTTP(HyperText Transfer Protocol), Telnet, FTP(File Transfer Protocol), DNS(Domain Name System), SMTP(Simple Mail Transfer Protocol), SNMP(Simple Network Management Protocol), NFS(Network File Service), NIS(Network Information Service)를 제공하는 전 세계적인 개방형 컴퓨터 네트워크 구조를 의미한다. 단말기는 다양한 형태로 구현될 수 있다. 예를 들어, 본 명세서에서 기술되는 단말기는 스마트 폰(smart phone), 타블 렛 PC(Tablet PC), PDA(Personal Digital Assistants), PMP(Portable Multimedia Player), MP3 Player 등의 이동 단말기는 물론, 스마트 TV(Smart TV), 데스크탑 컴퓨터 등과 같은 고정 단말기가 사용될 수도 있다. 본 명세서에서, "포함한다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다. 어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 한편, 본 명세서에서 사용되는 구성요소에 대한 "모듈" 또는 "부"는 적어도 하나의 기능 또는 동작을 수행한다. 그리고 "모듈" 또는 "부"는 하드웨어, 소프트웨어 또는 하드웨어와 소프트웨어의 조합에 의해 기능 또는 동작을 수행할 수 있다. 또한, 특정 하드웨어에서 수행되어야 하거나 적어도 하나의 프로세서에서 수행되는 "모듈" 또는 "부"를 제외한 복수의 "모듈들" 또는 복수의 "부들"은 적어도 하나의 모듈로 통합될 수도 있다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 또한, "제어에 의해"를 포함한 하기 조립 구성들과 실시예들을 위한 동력과 동력 전달 및 그에 대한 제어는 단말기, 애플리케이션, 하드웨어 제어 모듈 등을 포함한 종래의 기술을 따르므로 중복 설명을 피하