이 논문에서는 상보필터와 신경망을 함께 사용하여 반복운동을 정확하게 측정하는 방법을 제안하였다. 반복적인 운동의 개수를 측정하는 방법은 다양하다. 대표적으로 가속도 센서 또는 자이로스코프 센서로부터 얻은 데이터로부터 특징을 추출한 후 선택된 특징을 기반으로 측정하는 방법이 사용된다. 하지만 단순한 동작도 사람의 움직임에는 다양한 변수가 존재하여 단일 센서로 모든 경우의 수를 예측하기란 쉽지 않으며, 잡음과 진동에 취약한 가속도계와 드리프트 현상이 발생하는 ...
이 논문에서는 상보필터와 신경망을 함께 사용하여 반복운동을 정확하게 측정하는 방법을 제안하였다. 반복적인 운동의 개수를 측정하는 방법은 다양하다. 대표적으로 가속도 센서 또는 자이로스코프 센서로부터 얻은 데이터로부터 특징을 추출한 후 선택된 특징을 기반으로 측정하는 방법이 사용된다. 하지만 단순한 동작도 사람의 움직임에는 다양한 변수가 존재하여 단일 센서로 모든 경우의 수를 예측하기란 쉽지 않으며, 잡음과 진동에 취약한 가속도계와 드리프트 현상이 발생하는 각속도의 문제점으로 인하여 반복운동 검출에는 정확성이 떨어지는 현상이 발생한다. 본 논문에서는 상보필터를 적용하여 단일 센서 사용에서 발생하는 문제점들을 개선하며, 사람의 움직임 패턴을 처음, 중간, 끝 세 개의 구역으로 분할하고 특징점을 추출하여 신경망에 적용하는 보다 정확하게 반복운동을 검출할 수 있는 방법을 제안한다. 제안한 방법은 20대, 30대, 40대 남녀의 데이터 100개를 수집하여 연구를 수행하였으며, 100개의 데이터 중 50개는 사전에 신경망 학습에 사용하였고, 남은 50개의 데이터는 사전에 학습된 신경망에서 인식 정확도를 측정하기 위해 사용하였다. 인식률은 97.18%를 얻을 수 있었고, 기존의 방법과 비교하여 5.18% 높은 정확도를 보임을 실험을 통해 확인할 수 있었다.
이 논문에서는 상보필터와 신경망을 함께 사용하여 반복운동을 정확하게 측정하는 방법을 제안하였다. 반복적인 운동의 개수를 측정하는 방법은 다양하다. 대표적으로 가속도 센서 또는 자이로스코프 센서로부터 얻은 데이터로부터 특징을 추출한 후 선택된 특징을 기반으로 측정하는 방법이 사용된다. 하지만 단순한 동작도 사람의 움직임에는 다양한 변수가 존재하여 단일 센서로 모든 경우의 수를 예측하기란 쉽지 않으며, 잡음과 진동에 취약한 가속도계와 드리프트 현상이 발생하는 각속도의 문제점으로 인하여 반복운동 검출에는 정확성이 떨어지는 현상이 발생한다. 본 논문에서는 상보필터를 적용하여 단일 센서 사용에서 발생하는 문제점들을 개선하며, 사람의 움직임 패턴을 처음, 중간, 끝 세 개의 구역으로 분할하고 특징점을 추출하여 신경망에 적용하는 보다 정확하게 반복운동을 검출할 수 있는 방법을 제안한다. 제안한 방법은 20대, 30대, 40대 남녀의 데이터 100개를 수집하여 연구를 수행하였으며, 100개의 데이터 중 50개는 사전에 신경망 학습에 사용하였고, 남은 50개의 데이터는 사전에 학습된 신경망에서 인식 정확도를 측정하기 위해 사용하였다. 인식률은 97.18%를 얻을 수 있었고, 기존의 방법과 비교하여 5.18% 높은 정확도를 보임을 실험을 통해 확인할 수 있었다.
This paper proposes a method for accurate detection of repetitive motions using complementary filter and neural network. There are various methods to count the number of repetitive motions. Most of the methods use some features from acceleration and angular velocity patterns. However, there exis...
This paper proposes a method for accurate detection of repetitive motions using complementary filter and neural network. There are various methods to count the number of repetitive motions. Most of the methods use some features from acceleration and angular velocity patterns. However, there exist several variables and it is not easy to find the count with a single sensor. For example, accelerometer is susceptible to noise and vibration, and the angular velocity may cause a drift phenomenon. In this paper, complementary filter is used to consider two sensors simultaneously and complement each other. Then the movement of a person divides into three sections: beginning-, middle-, and ending-section. Neural network is adopted to verify the detected motions, which results in more accurate count of repetitive motions. 100 real data were collected from 20s, 30s, and 40s. 50 of 100 data were used to train neural network and the remaining were used to calculate recognition rate. The recognition rate was approximately 97.18% and the accuracy was 5.18% higher than the conventional method.
This paper proposes a method for accurate detection of repetitive motions using complementary filter and neural network. There are various methods to count the number of repetitive motions. Most of the methods use some features from acceleration and angular velocity patterns. However, there exist several variables and it is not easy to find the count with a single sensor. For example, accelerometer is susceptible to noise and vibration, and the angular velocity may cause a drift phenomenon. In this paper, complementary filter is used to consider two sensors simultaneously and complement each other. Then the movement of a person divides into three sections: beginning-, middle-, and ending-section. Neural network is adopted to verify the detected motions, which results in more accurate count of repetitive motions. 100 real data were collected from 20s, 30s, and 40s. 50 of 100 data were used to train neural network and the remaining were used to calculate recognition rate. The recognition rate was approximately 97.18% and the accuracy was 5.18% higher than the conventional method.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.