자동화된 웨어러블 디바이스를 이용한 Quantified Self[1] 서비스에서 운동, 수면, 식사 활동은 주요 관리 목표이다[2]. 과거부터 웨어러블 디바이스를 이용한 운동과 수면 측정 및 분석에 대한 연구가 다양하게 진행되어 왔다. 이는 신체에서 발생하는 움직임을 계략적으로 측정하여 움직임의 강도에 따라 운동과 일상 활동, 수면을 구분한다. 하지만 식사 행동은 일상 활동과 그 움직임의 강도가 유사하여 더 정밀한 동작을 파악하여 측정해야한다. 이러한 문제를 해결하기 위해 본 연구에서는 6축 센서를 이용하여 식사 행동을 검출하고 식사 시간을 추론하는 ...
자동화된 웨어러블 디바이스를 이용한 Quantified Self[1] 서비스에서 운동, 수면, 식사 활동은 주요 관리 목표이다[2]. 과거부터 웨어러블 디바이스를 이용한 운동과 수면 측정 및 분석에 대한 연구가 다양하게 진행되어 왔다. 이는 신체에서 발생하는 움직임을 계략적으로 측정하여 움직임의 강도에 따라 운동과 일상 활동, 수면을 구분한다. 하지만 식사 행동은 일상 활동과 그 움직임의 강도가 유사하여 더 정밀한 동작을 파악하여 측정해야한다. 이러한 문제를 해결하기 위해 본 연구에서는 6축 센서를 이용하여 식사 행동을 검출하고 식사 시간을 추론하는 알고리즘을 제안한다. 식사 행동을 정밀하게 파악하기 위해 음식을 집는 동작, 음식을 먹는 동작, 팔을 내려놓는 동작, 총 3가지 동작으로 분류하였다. 기존 연구는 대부분 음식을 먹을 때 팔이 위 아래로 움직이는 동작을 주로 검출하였지만 음식을 집는 동작을 추가함으로서 오인행동을 줄였다. 가속도 센서를 이용하여 움직임이 큰 행동을 제거하고 자이로 센서에서 P(Pick), E(Eat), L(Lower) 특징점을 검출하여 식사 행동을 인지하였다. 또한 식사는 연속성이 있는 것을 이용하여 오인행동을 제거하기 위해 모폴로지 기법을 적용하였다. 제안한 알고리즘은 정확도 94.3%와 정밀도 84.1%를 달성하였다.
자동화된 웨어러블 디바이스를 이용한 Quantified Self[1] 서비스에서 운동, 수면, 식사 활동은 주요 관리 목표이다[2]. 과거부터 웨어러블 디바이스를 이용한 운동과 수면 측정 및 분석에 대한 연구가 다양하게 진행되어 왔다. 이는 신체에서 발생하는 움직임을 계략적으로 측정하여 움직임의 강도에 따라 운동과 일상 활동, 수면을 구분한다. 하지만 식사 행동은 일상 활동과 그 움직임의 강도가 유사하여 더 정밀한 동작을 파악하여 측정해야한다. 이러한 문제를 해결하기 위해 본 연구에서는 6축 센서를 이용하여 식사 행동을 검출하고 식사 시간을 추론하는 알고리즘을 제안한다. 식사 행동을 정밀하게 파악하기 위해 음식을 집는 동작, 음식을 먹는 동작, 팔을 내려놓는 동작, 총 3가지 동작으로 분류하였다. 기존 연구는 대부분 음식을 먹을 때 팔이 위 아래로 움직이는 동작을 주로 검출하였지만 음식을 집는 동작을 추가함으로서 오인행동을 줄였다. 가속도 센서를 이용하여 움직임이 큰 행동을 제거하고 자이로 센서에서 P(Pick), E(Eat), L(Lower) 특징점을 검출하여 식사 행동을 인지하였다. 또한 식사는 연속성이 있는 것을 이용하여 오인행동을 제거하기 위해 모폴로지 기법을 적용하였다. 제안한 알고리즘은 정확도 94.3%와 정밀도 84.1%를 달성하였다.
In a Quantified Self[1] service using automated wearable devices, Exercise, Sleeping, and Eating activities are key management goals [2]. There have been many studies on exercise and sleep analysis using wearable devices in the past. This is a measure of the motion generated in the body, and disting...
In a Quantified Self[1] service using automated wearable devices, Exercise, Sleeping, and Eating activities are key management goals [2]. There have been many studies on exercise and sleep analysis using wearable devices in the past. This is a measure of the motion generated in the body, and distinguishes between exercise, daily activities and sleep according to the strength of the movement. However, eating behaviors are similar to those of daily activities and their motions, so more precise motions should be measured and measured. In order to solve this problem, we propose an algorithm to detect meal behavior and to infer meal time using 6 - axis sensor. In order to grasp the eating behavior precisely, we divided into 3 kinds of movements: picking food, eating food, putting down the arms. Previous studies have mainly detected movement of the arm up and down when eating food, but they have reduced misconduct behavior by adding food picking operations. Using the acceleration sensor, the behavior was removed and the gyro sensor sensed the P (Pick), E (Eat), and L (Lower) feature points to recognize the eating behavior. In addition, we applied morphology technique to remove misconduct by using continuity. The proposed algorithm achieves accuracy of 94.3% and accuracy of 84.1%.
In a Quantified Self[1] service using automated wearable devices, Exercise, Sleeping, and Eating activities are key management goals [2]. There have been many studies on exercise and sleep analysis using wearable devices in the past. This is a measure of the motion generated in the body, and distinguishes between exercise, daily activities and sleep according to the strength of the movement. However, eating behaviors are similar to those of daily activities and their motions, so more precise motions should be measured and measured. In order to solve this problem, we propose an algorithm to detect meal behavior and to infer meal time using 6 - axis sensor. In order to grasp the eating behavior precisely, we divided into 3 kinds of movements: picking food, eating food, putting down the arms. Previous studies have mainly detected movement of the arm up and down when eating food, but they have reduced misconduct behavior by adding food picking operations. Using the acceleration sensor, the behavior was removed and the gyro sensor sensed the P (Pick), E (Eat), and L (Lower) feature points to recognize the eating behavior. In addition, we applied morphology technique to remove misconduct by using continuity. The proposed algorithm achieves accuracy of 94.3% and accuracy of 84.1%.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.