| 1 |
1
미후각 감지 장치로서,기 학습된 미후각 모사 모델을 저장하는 메모리; 및감지 타깃(Target)에 포함된 물질 또는 성분의 농도에 대응하는 시계열적 전압값을 상기 미후각 모사 모델에 입력하여, 소정의 사용자 또는 사용자 그룹에 매핑된 미후각 선호도 레벨에 대응하는 미후각 정보를 제공하는 제어부를 포함하는, 미후각 감지 장치
|
| 2 |
2
제1항에 있어서,상기 감지 타깃에 포함된 물질 또는 성분의 농도를 측정하여 상기 시계열적 전압값으로 출력하는 하나 이상의 미후각 센서를 포함하는, 미후각 감지 장치
|
| 3 |
3
제1항에 있어서,상기 기 학습된 미후각 모사 모델은,상기 시계열적 전압값이 입력되면, 상기 감지 타깃이 미후각 센서에 닿는 시점의 전압 변화 기울기 정보, 상기 감지 타깃이 상기 미후각 센서로부터 분리되는 시점의 전압 변화 기울기 정보, 물질 또는 성분의 농도가 소정 시간 유지되는 구간의 전압값 정보를 추출하는, 미후각 감지 장치
|
| 4 |
4
제3항에 있어서,상기 미후각 모사 모델은 지도 학습 기반의 신경망 모델이며, 제1 내지 제3 서브 네트워크를 포함하며,상기 제1 서브 네트워크는,상기 감지 타깃에 포함된 각 물질 또는 성분마다 상기 시계열적 전압값을 입력받아, 상기 감지 타깃이 미후각 센서에 닿는 시점의 전압 변화 기울기 정보, 상기 감지 타깃이 상기 미후각 센서로부터 분리되는 시점의 전압 변화 기울기 정보, 상기 물질 또는 성분의 농도가 소정 시간 유지되는 구간의 전압값 정보를 추출하도록 학습되며,상기 제2 서브 네트워크는,상기 감지 타깃에 포함된 적어도 하나의 물질 또는 성분에 대한 상기 시계열적 전압값의 조합을 입력받아, 상기 감지 타깃에 포함된 물질 또는 성분의 조합 정보 및 조합된 물질 또는 성분의 비율 정보를 추출하도록 학습되고,상기 제3 서브 네트워크는,상기 제1 서브 네트워크 및 상기 제2 서브 네트워크의 출력값을 입력으로 하여, 상기 미후각 정보를 제공하도록 학습되는, 미후각 감지 장치
|
| 5 |
5
제4항에 있어서,상기 제1 서브 네트워크는,1차원 컨볼루션 레이어 및 맥스 풀링 레이어를 포함하는, 미후각 감지 장치
|
| 6 |
6
제1항에 있어서,상기 미후각 모사 모델은,상기 사용자 또는 사용자 그룹의 감지 샘플들에 대한 시음 또는 시향을 통한 선호도 정보, 상기 사용자 또는 사용자 그룹의 미후각 선호도에 따른 설문 피드백 정보, 상기 사용자 또는 사용자 그룹의 선호하는 감지 샘플들에 반응하는 뇌파 패턴 정보 중 적어도 하나를 레이블 정보로 이용하여 학습되는, 미후각 감지 장치
|
| 7 |
7
제1항에 있어서,상기 미후각 모사 모델은,상기 감지 타깃에 대한 정보를 입력받으며, 상기 감지 타깃에 대한 정보는, 상기 감지 타깃의 명칭 정보 또는 종류 정보를 포함하는, 미후각 감지 장치
|
| 8 |
8
제4항에 있어서,상기 제3 서브 네트워크는,감지 타깃에 대한 정보를 입력받으며, 상기 감지 타깃에 대한 정보는 상기 감지 타깃의 명칭 정보 또는 종류 정보를 포함하는, 미후각 감지 장치
|
| 9 |
9
제1항에 있어서,디스플레이를 더 포함하며,상기 제어부는,소정의 사용자 또는 사용자 그룹에 매핑된 미후각 선호도 레벨에 대응하는 상기 미후각 정보를 상기 디스플레이에 표시하는, 미후각 감지 장치
|
| 10 |
10
프로세서에 의해 수행되는 미후각 감지 방법으로서,감지 타깃에 포함된 물질 또는 성분의 농도에 대응하는 시계열적 전압값을 기 학습된 미후각 모사 모델에 입력하는 단계; 및상기 미후각 모사 모델을 이용하여, 소정의 사용자 또는 사용자 그룹에 매핑된 미후각 선호도 레벨에 대응하는 미후각 정보를 제공하는 단계를 포함하는, 미후각 감지 방법
|
| 11 |
11
제10항에 있어서,상기 기 학습된 미후각 모사 모델은,상기 시계열적 전압값이 입력되면, 상기 감지 타깃이 미후각 센서에 닿는 시점의 전압 변화 기울기 정보, 상기 감지 타깃이 상기 미후각 센서로부터 분리되는 시점의 전압 변화 기울기 정보, 물질 또는 성분의 농도가 소정 시간 유지되는 구간의 전압값 정보를 추출하는, 미후각 감지 방법
|
| 12 |
12
제11항에 있어서,상기 미후각 모사 모델은 지도 학습 기반의 신경망 모델이며, 제1 내지 제3 서브 네트워크를 포함하며,상기 제1 서브 네트워크는,상기 감지 타깃에 포함된 각 물질 또는 성분마다 상기 시계열적 전압값을 입력받아, 상기 감지 타깃이 미후각 센서에 닿는 시점의 전압 변화 기울기 정보, 상기 감지 타깃이 상기 미후각 센서로부터 분리되는 시점의 전압 변화 기울기 정보, 상기 물질 또는 성분의 농도가 소정 시간 유지되는 구간의 전압값 정보를 추출하도록 학습되며,상기 제2 서브 네트워크는,상기 감지 타깃에 포함된 적어도 하나의 물질 또는 성분에 대한 상기 시계열적 전압값의 조합을 입력받아, 상기 감지 타깃에 포함된 물질 또는 성분의 조합 정보 및 조합된 물질 또는 성분의 비율 정보를 추출하도록 학습되고,상기 제3 서브 네트워크는,상기 제1 서브 네트워크 및 상기 제2 서브 네트워크의 출력값을 입력으로 하여, 상기 미후각 정보를 제공하도록 학습되는, 미후각 감지 방법
|
| 13 |
13
제10항에 있어서,상기 미후각 모사 모델은,상기 사용자 또는 사용자 그룹의 감지 샘플들에 대한 시음 또는 시향을 통한 미후각 선호도 정보, 상기 사용자 또는 사용자 그룹의 미후각 선호도에 따른 설문 피드백 정보, 상기 사용자 또는 사용자 그룹의 선호하는 감지 샘플들에 반응하는 뇌파 패턴 정보 중 적어도 하나를 레이블 정보로 이용하여 학습되는, 미후각 감지 방법
|
| 14 |
14
제10항에 있어서,상기 미후각 모사 모델은,상기 감지 타깃에 대한 정보를 입력받으며, 상기 감지 타깃에 대한 정보는, 상기 감지 타깃의 명칭 정보 또는 종류 정보를 포함하는, 미후각 감지 방법
|
| 15 |
15
제12항에 있어서,상기 제3 서브 네트워크는,감지 타깃에 대한 정보를 입력받으며, 상기 감지 타깃에 대한 정보는 상기 감지 타깃의 명칭 정보 또는 종류 정보를 포함하는, 미후각 감지 방법
|
