| 1 |
1
복수의 모달(Modal) 별 생체 신호 데이터 및 사용자가 입력한 피로도 응답 데이터를 획득하는 획득부; 및 상기 모달 별 생체 신호 데이터 및 상기 피로도 응답 데이터에 기초하여 피로도 예측 모델을 학습시키는 모델 학습부를 포함하고, 상기 피로도 예측 모델은, 상기 모달 별 생체 신호 데이터에 교차 어텐션(Cross-attention) 기법을 적용하기 위한 복수의 어텐션 블록(Attention block)이 트리 형태로 적층된 네트워크 구조를 포함하는, 피로도 예측 모델 학습 장치
|
| 2 |
2
청구항 1항에 있어서,상기 모달 별 생체 신호 데이터는,가속도계(Accelerometer)로 측정된 생체 신호 데이터, 자이로스코프(Gyroscope)로 측정된 생체 신호 데이터 및 맥박 센서로 측정된 생체 신호 데이터 중 적어도 하나를 포함하는, 피로도 예측 모델 학습 장치
|
| 3 |
3
청구항 1항에 있어서,상기 모델 학습부는,상기 모달 별 생체 신호 데이터를 상기 피로도 예측 모델에 입력하여 사용자의 피로도 예측 데이터를 획득하고, 상기 획득된 사용자의 피로도 예측 데이터와 상기 피로도 응답 데이터에 기초하여 손실 함수 값을 계산하고, 상기 계산된 손실 함수 값에 기초하여 상기 피로도 예측 모델의 학습 파라미터를 갱신하는, 피로도 예측 모델 학습 장치
|
| 4 |
4
청구항 1항에 있어서,상기 피로도 예측 모델은,상기 모달 별 생체 신호 데이터가 입력되는 전단부로부터 상기 예측 결과가 출력되는 후단부로 갈수록 각 층에 배치된 상기 어텐션 블록의 개수가 감소하는 네트워크 구조를 포함하는, 피로도 예측 모델 학습 장치
|
| 5 |
5
청구항 1항에 있어서, 상기 피로도 예측 모델은, 상기 모달의 개수가 n(이때, n은 2 이상의 자연수)개인 경우, n*(n-1)/2개의 어텐션 블록을 포함하는, 피로도 예측 모델 학습 장치
|
| 6 |
6
청구항 1항에 있어서,상기 피로도 예측 모델은,상기 네트워크 구조의 말단과 연결된 트랜스포머 디코더(Transformer decoder)를 더 포함하는, 피로도 예측 모델 학습 장치
|
| 7 |
7
청구항 1항에 있어서,상기 어텐션 블록은,상기 네트워크 구조의 전단부에 배치된 경우, 상기 모달 별 생체 신호 데이터에 기초하여 어텐션 가중치 산출을 위한 쿼리(query), 키(key) 및 키 값을 정의하고,상기 네트워크 구조 내 전단부를 제외한 나머지 층에 배치된 경우, 이전 층의 어텐션 블록으로부터 산출된 어텐션 가중치에 기초하여 상기 쿼리, 상기 키 및 상기 키 값을 정의하는, 피로도 예측 모델 학습 장치
|
| 8 |
8
하나 이상의 프로세서들, 및상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치에서 수행되는 방법으로서,복수의 모달(Modal) 별 생체 신호 데이터 및 사용자가 입력한 피로도 응답 데이터를 획득하는 단계; 및상기 모달 별 생체 신호 데이터 및 상기 피로도 응답 데이터에 기초하여 피로도 예측 모델을 학습시키는 단계를 포함하고,상기 피로도 예측 모델은, 상기 모달 별 생체 신호 데이터에 교차 어텐션(Cross-attention) 기법을 적용하기 위한 복수의 어텐션 블록(Attention block)이 트리 형태로 적층된 네트워크 구조를 포함하는, 피로도 예측 모델 학습 방법
|
| 9 |
9
청구항 8항에 있어서,상기 모달 별 생체 신호 데이터는,가속도계(Accelerometer)로 측정된 생체 신호 데이터, 자이로스코프(Gyroscope)로 측정된 생체 신호 데이터 및 맥박 센서로 측정된 생체 신호 데이터 중 적어도 하나를 포함하는, 피로도 예측 모델 학습 방법
|
| 10 |
10
청구항 8항에 있어서,상기 학습시키는 단계는,상기 모달 별 생체 신호 데이터를 상기 피로도 예측 모델에 입력하여 사용자의 피로도 예측 데이터를 획득하는 단계;상기 획득된 사용자의 피로도 예측 데이터와 상기 피로도 응답 데이터에 기초하여 손실 함수 값을 계산하는 단계; 및상기 계산된 손실 함수 값에 기초하여 상기 피로도 예측 모델의 학습 파라미터를 갱신하는 단계를 포함하는, 피로도 예측 모델 학습 방법
|
| 11 |
11
청구항 8항에 있어서,상기 피로도 예측 모델은,상기 모달 별 생체 신호 데이터가 입력되는 전단부로부터 상기 예측 결과가 출력되는 후단부로 갈수록 각 층에 배치된 상기 어텐션 블록의 개수가 감소하는 네트워크 구조를 포함하는, 피로도 예측 모델 학습 방법
|
| 12 |
12
청구항 8항에 있어서, 상기 피로도 예측 모델은, 상기 모달의 개수가 n(이때, n은 2 이상의 자연수)개인 경우, n*(n-1)/2개의 어텐션 블록을 포함하는, 피로도 예측 모델 학습 방법
|
| 13 |
13
청구항 8항에 있어서,상기 피로도 예측 모델은,상기 네트워크 구조의 말단과 연결된 트랜스포머 디코더(Transformer decoder)를 더 포함하는, 피로도 예측 모델 학습 방법
|
| 14 |
14
청구항 8항에 있어서,상기 어텐션 블록은,상기 네트워크 구조의 전단부에 배치된 경우, 상기 모달 별 생체 신호 데이터에 기초하여 어텐션 가중치 산출을 위한 쿼리(query), 키(key) 및 키 값을 정의하고,상기 네트워크 구조 내 전단부를 제외한 나머지 층에 배치된 경우, 이전 층의 어텐션 블록으로부터 산출된 어텐션 가중치에 기초하여 상기 쿼리, 상기 키 및 상기 키 값을 정의하는, 피로도 예측 모델 학습 방법
|
