최근 인공지능 기술이 발달하고 많은 센서(sensor)의 활용이 가능해지면서, 사람의 움직임에 관한 데이터를 사용하여 운동을 보조하는 시스템 혹은 다양한 의료 진단 및 재활 훈련에 도움이 되는 시스템들이 발전하고 있다. 그런데, 동작이 불편한 상황이나 모든 동작을 하기 전에 그 동작에 대한 정보를 얻어 다음 동작을 예측해야 하는 경우와 같이, 데이터 중 초기 움직임 데이터 부분만으로 그 동작을 예측해야 하는 경우가 있다. 본 논문에서는, 초기 데이터 부분만으로 그 동작을 예측하는 시스템의 예로써, 탁구연습에 도움이 되는 시스템을 모색하였다. 본 논문에서는, ...
최근 인공지능 기술이 발달하고 많은 센서(sensor)의 활용이 가능해지면서, 사람의 움직임에 관한 데이터를 사용하여 운동을 보조하는 시스템 혹은 다양한 의료 진단 및 재활 훈련에 도움이 되는 시스템들이 발전하고 있다. 그런데, 동작이 불편한 상황이나 모든 동작을 하기 전에 그 동작에 대한 정보를 얻어 다음 동작을 예측해야 하는 경우와 같이, 데이터 중 초기 움직임 데이터 부분만으로 그 동작을 예측해야 하는 경우가 있다. 본 논문에서는, 초기 데이터 부분만으로 그 동작을 예측하는 시스템의 예로써, 탁구연습에 도움이 되는 시스템을 모색하였다. 본 논문에서는, 딥 러닝(deep learning) 기술 중, 시계열 데이터에 좋은 성능을 보이는 신경망인 RNN(Recurrent Neural Network)과 LSTM(Long Short-Term Memory) RNN 및 GRU(Gated Recurrent Unit)을 사용하여 추론의 정확도를 비교하였으며, 프루닝(pruning) 기법을 사용하여 비슷한 개수의 파라미터를 사용하는 조건에서 각 신경망을 2-Stacked와 3-Stacked로 설계하여 추론 성능을 높이는 방법을 제시한다. 실험에 사용한 데이터는 실험자 2명의 5가지 탁구 기본 동작에 대하여 구성되었으며, 8개와 16개의 센서를 활용하여 수집된 데이터의 초기 14% 혹은 23%, 32%의 데이터를 사용하여 동작을 추론하였다. Python 언어를 기반으로 구글 오픈소스 라이브러리인 Tensorflow를 사용하여 실험한 결과, 센서 16개를 활용하여 3-Stacked GRU가 100%의 정확도로 가장 높은 정확도를 보였으며, 센서 8개를 활용한 초기 23% 상체 데이터를 사용한 2-Stacked 신경망인 경우에도 96.7%의 정확도로 GRU가 가장 좋은 추론 성능을 보였다. 프루닝 기법을 사용하여 신경망을 간소화하여도 좋은 추론 성능을 보이며, 추론 소요시간을 약 0.5초로 단축할 수 있는 성능을 확인하였다.
최근 인공지능 기술이 발달하고 많은 센서(sensor)의 활용이 가능해지면서, 사람의 움직임에 관한 데이터를 사용하여 운동을 보조하는 시스템 혹은 다양한 의료 진단 및 재활 훈련에 도움이 되는 시스템들이 발전하고 있다. 그런데, 동작이 불편한 상황이나 모든 동작을 하기 전에 그 동작에 대한 정보를 얻어 다음 동작을 예측해야 하는 경우와 같이, 데이터 중 초기 움직임 데이터 부분만으로 그 동작을 예측해야 하는 경우가 있다. 본 논문에서는, 초기 데이터 부분만으로 그 동작을 예측하는 시스템의 예로써, 탁구연습에 도움이 되는 시스템을 모색하였다. 본 논문에서는, 딥 러닝(deep learning) 기술 중, 시계열 데이터에 좋은 성능을 보이는 신경망인 RNN(Recurrent Neural Network)과 LSTM(Long Short-Term Memory) RNN 및 GRU(Gated Recurrent Unit)을 사용하여 추론의 정확도를 비교하였으며, 프루닝(pruning) 기법을 사용하여 비슷한 개수의 파라미터를 사용하는 조건에서 각 신경망을 2-Stacked와 3-Stacked로 설계하여 추론 성능을 높이는 방법을 제시한다. 실험에 사용한 데이터는 실험자 2명의 5가지 탁구 기본 동작에 대하여 구성되었으며, 8개와 16개의 센서를 활용하여 수집된 데이터의 초기 14% 혹은 23%, 32%의 데이터를 사용하여 동작을 추론하였다. Python 언어를 기반으로 구글 오픈소스 라이브러리인 Tensorflow를 사용하여 실험한 결과, 센서 16개를 활용하여 3-Stacked GRU가 100%의 정확도로 가장 높은 정확도를 보였으며, 센서 8개를 활용한 초기 23% 상체 데이터를 사용한 2-Stacked 신경망인 경우에도 96.7%의 정확도로 GRU가 가장 좋은 추론 성능을 보였다. 프루닝 기법을 사용하여 신경망을 간소화하여도 좋은 추론 성능을 보이며, 추론 소요시간을 약 0.5초로 단축할 수 있는 성능을 확인하였다.
Recently, as artificial intelligence (AI) technology advances and more sensors become ubiquitous, many researchers have studied the systems that use human motion data for assisting various sports or rehabilitation exercises. This thesis focuses on the applications in which only the initi...
Recently, as artificial intelligence (AI) technology advances and more sensors become ubiquitous, many researchers have studied the systems that use human motion data for assisting various sports or rehabilitation exercises. This thesis focuses on the applications in which only the initial part of the data can be used to make inferences on the motion. The applications considered in this thesis are related to the cases in which it is not possible to make the whole motion or it is necessary to predict the motion by estimating the current motion as early as possible. As an example system, this thesis considers an assistance system that helps table-tennis exercise. This thesis compares experimentally the inference performances of therre neural networks that are generally known to perform well on time series data: Recurrent Neural Network(RNN), Long Short-Term Memory(LSTM) RNN, and Gated Recurrent Unit (GRU). Since only the initial part of motion data is used, 2-stacked and 3-stacked neural networks, with approximated the same number of parameters by using pruning technique, are considered to seek the optimal performances. The three considered networks were modeled in Python using Tensorflow. With the experimental data for five basic table tennis motions of two players, the motion was inferred using the initial 14%, 23% or 32% of the data collected from 8 and 16 sensors. Using data from 16 sensors, the 3-stacked GRU showed the highest accuracy. Even using the data from 8 sensors, the 2-stacked GRU model showed a good inference performance with 96.7% accuracy. Even if the three considered networks were simplified using the pruning technique, it shows good inference performance and can reduce the inference time to about 0.5 seconds.
Recently, as artificial intelligence (AI) technology advances and more sensors become ubiquitous, many researchers have studied the systems that use human motion data for assisting various sports or rehabilitation exercises. This thesis focuses on the applications in which only the initial part of the data can be used to make inferences on the motion. The applications considered in this thesis are related to the cases in which it is not possible to make the whole motion or it is necessary to predict the motion by estimating the current motion as early as possible. As an example system, this thesis considers an assistance system that helps table-tennis exercise. This thesis compares experimentally the inference performances of therre neural networks that are generally known to perform well on time series data: Recurrent Neural Network(RNN), Long Short-Term Memory(LSTM) RNN, and Gated Recurrent Unit (GRU). Since only the initial part of motion data is used, 2-stacked and 3-stacked neural networks, with approximated the same number of parameters by using pruning technique, are considered to seek the optimal performances. The three considered networks were modeled in Python using Tensorflow. With the experimental data for five basic table tennis motions of two players, the motion was inferred using the initial 14%, 23% or 32% of the data collected from 8 and 16 sensors. Using data from 16 sensors, the 3-stacked GRU showed the highest accuracy. Even using the data from 8 sensors, the 2-stacked GRU model showed a good inference performance with 96.7% accuracy. Even if the three considered networks were simplified using the pruning technique, it shows good inference performance and can reduce the inference time to about 0.5 seconds.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.