| 1 |
1
사용자의 집중력 레벨을 결정하는 서버에 의해 수행되는,HMD(head mounted display)를 통해 사용자에게 제1 컨텐츠를 제공하는 단계 - 상기 제1 컨텐츠는 가상 현실(virtual reality: VR) 컨텐츠임 -;상기 HMD를 통해 상기 제1 컨텐츠를 시청하는 상기 사용자의 제1 뇌파 정보 및 제1 시선 정보를 획득하는 단계; 및상기 제1 뇌파 정보 및 상기 제1 시선 정보 중 적어도 하나에 기초하여 상기 사용자의 집중력 레벨을 결정하는 단계를 포함하고,상기 사용자의 제1 뇌파 정보 및 제1 시선 정보를 획득하는 단계는,상기 제1 시선 정보에 대응하는 상기 제1 컨텐츠 내의 오브젝트를 결정하는 단계;상기 제1 뇌파 정보를 복수의 주파수 대역들의 뇌파 신호들로 분할하는 단계 - 상기 복수의 주파수 대역들의 뇌파 신호들은 쎄타(θ) 유형, 베타(β) 유형, 및 SMR 유형을 포함함 -상기 쎄타(θ) 유형에 대한 성분의 크기, 상기 베타(β) 유형에 대한 성분의 크기, 및 상기 SMR 유형에 대한 크기를 아래의 [수학식 1]에 적용함으로써 상기 사용자의 집중력 지표를 계산하는 단계;상기 계산된 집중력 지표가 미리 설정된 값 이상인 경우 상기 오브젝트를 변화시키는 단계; 및상기 오브젝트의 변화가 미리 설정된 변화에 대응하는 경우 상기 제1 컨텐츠의 제공을 중단하는 단계를 포함하고,상기 사용자의 집중력 레벨을 결정하는 단계는,상기 제1 뇌파 정보 및 상기 제1 시선 정보를 입력으로 하는 가중 퍼지 소속함수 기반 심층 신경망(Neural Network with Weighted Fuzzy Membership Function, NEWFM)을 이용하여 상기 집중력 레벨을 계산하는 단계 - 상기 NEWFM은 상기 제1 뇌파 정보 및 상기 제1 시선 정보를 수신한 경우, 타카기-수게노 역 퍼지 값들(takagi-sugeno defuzzification values), 타카기-수게노 역 퍼지 값들의 클래스를 분류한 결과 및 가중 퍼지 소속함수를 출력함으로써 상기 집중력 레벨을 계산함 -를 포함하고,[수학식 1]상기 [수학식 1]에서, T는 상기 집중력 지표이고, SMR은 상기 SMR 유형에 대한 크기이고, β는 상기 베타(β) 유형에 대한 성분이고, θ는 상기 쎄타(θ) 유형에 대한 성분의 크기인,집중력 레벨 결정 방법
|
| 2 |
2
삭제
|
| 3 |
3
제1항에 있어서,상기 오브젝트의 변화는,상기 오브젝트의 형태 및 상기 오브젝트의 위치 중 적어도 하나가 변화하는,집중력 레벨 결정 방법
|
| 4 |
4
삭제
|
| 5 |
5
제1항에 있어서
|
| 6 |
6
제1항에 있어서,상기 제1 컨텐츠의 제공이 중단된 경우, 상기 사용자에게 제2 컨텐츠를 제공하는 단계; 및상기 HMD를 통해 상기 제2 컨텐츠를 시청하는 상기 사용자의 제2 뇌파 정보 및 제2 시선 정보를 획득하는 단계를 더 포함하고,상기 사용자의 집중력 레벨을 계산하는 단계는,상기 사용자의 제2 뇌파 정보 및 제2 시선 정보 중 적어도 하나에 기초하여 상기 집중력 레벨을 계산하는 단계를 더 포함하는,집중력 레벨 결정 방법
|
| 7 |
7
삭제
|
| 8 |
8
삭제
|
| 9 |
9
삭제
|
| 10 |
10
제1항, 제3항, 제5항, 및 제6항 중 어느 한 항의 방법을 수행하는 프로그램을 수록한 컴퓨터 판독 가능 기록 매체
|
| 11 |
11
사용자의 집중력 레벨을 결정하는 서버는,사용자의 집중력 레벨을 결정하는 프로그램이 기록된 메모리; 및상기 프로그램을 수행하는 프로세서를 포함하고,상기 프로그램은,HMD(head mounted display)를 통해 사용자에게 제1 컨텐츠를 제공하는 단계 - 상기 제1 컨텐츠는 가상 현실(virtual reality: VR) 컨텐츠임 -;상기 HMD를 통해 상기 제1 컨텐츠를 시청하는 상기 사용자의 제1 뇌파 정보 및 제1 시선 정보를 획득하는 단계;상기 제1 뇌파 정보 및 상기 제1 시선 정보 중 적어도 하나에 기초하여 상기 사용자의 집중력 레벨을 결정하는 단계를 수행하고,상기 사용자의 제1 뇌파 정보 및 제1 시선 정보를 획득하는 단계는,상기 제1 시선 정보에 대응하는 상기 제1 컨텐츠 내의 오브젝트를 결정하는 단계;상기 제1 뇌파 정보를 복수의 주파수 대역들의 뇌파 신호들로 분할하는 단계 - 상기 복수의 주파수 대역들의 뇌파 신호들은 쎄타(θ) 유형, 베타(β) 유형, 및 SMR 유형을 포함함 -상기 쎄타(θ) 유형에 대한 성분의 크기, 상기 베타(β) 유형에 대한 성분의 크기, 및 상기 SMR 유형에 대한 크기를 아래의 [수학식 1]에 적용함으로써 상기 사용자의 집중력 지표를 계산하는 단계 - ;상기 계산된 집중력 지표가 미리 설정된 값 이상인 경우 상기 오브젝트를 변화시키는 단계; 및상기 오브젝트의 변화가 미리 설정된 변화에 대응하는 경우 상기 제1 컨텐츠의 제공을 중단하는 단계를 포함하고,상기 사용자의 집중력 레벨을 결정하는 단계는,상기 제1 뇌파 정보 및 상기 제1 시선 정보를 입력으로 하는 가중 퍼지 소속함수 기반 심층 신경망(Neural Network with Weighted Fuzzy Membership Function, NEWFM)을 이용하여 상기 집중력 레벨을 계산하는 단계 - 상기 NEWFM은 상기 제1 뇌파 정보 및 상기 제1 시선 정보를 수신한 경우, 타카기-수게노 역 퍼지 값들(takagi-sugeno defuzzification values), 타카기-수게노 역 퍼지 값들의 클래스를 분류한 결과 및 가중 퍼지 소속함수를 출력함으로써 상기 집중력 레벨을 계산함 -를 포함하고,[수학식 1]상기 [수학식 1]에서, T는 상기 집중력 지표이고, SMR은 상기 SMR 유형에 대한 크기이고, β는 상기 베타(β) 유형에 대한 성분이고, θ는 상기 쎄타(θ) 유형에 대한 성분의 크기인,서버
|
| 12 |
12
삭제
|
| 13 |
13
제11항에 있어서,상기 제1 컨텐츠 내의 오브젝트를 변화시키는 단계는,상기 제1 시선 정보에 기초하여 상기 사용자의 시선이 상기 제1 컨텐츠의 복수의 오브젝트들 중 상기 오브젝트에 대응하는지 여부를 결정하는 단계; 및상기 시선이 상기 오브젝트에 대응하는 경우 상기 오브젝트를 변화시키는 단계를 포함하는,서버
|
| 14 |
14
삭제
|
| 15 |
15
삭제
|
| 16 |
16
삭제
|
