각종 첨단 정보통신 기술을 활용하여 언제 어디서나 건강관리 서비스를 받을 수 있는 스마트 헬스케어가 부상하고 있다. 이미 오래전부터 헬스케어 영역에서는 IT 기술과의 융합적인 시도가 있었으며 최근의 변화가 새로운 것은 아니다. 스마트폰이 등장하면서 시간적, 공간적인 제약을 벗어난 건강관리 서비스 제공이 가능해지고 있고, 인공지능(Artificial Intelligence: ...
각종 첨단 정보통신 기술을 활용하여 언제 어디서나 건강관리 서비스를 받을 수 있는 스마트 헬스케어가 부상하고 있다. 이미 오래전부터 헬스케어 영역에서는 IT 기술과의 융합적인 시도가 있었으며 최근의 변화가 새로운 것은 아니다. 스마트폰이 등장하면서 시간적, 공간적인 제약을 벗어난 건강관리 서비스 제공이 가능해지고 있고, 인공지능(Artificial Intelligence: AI)과 빅데이터(Big Data) 등의 첨단 분석 기술과 융합으로 새로운 건강관리 서비스의 질적 수준이 향상되고 있다. 인공지능 기술의 발전을 통해 미래의 헬스케어 건강관리 서비스는 신체와 관련된 많은 건강 정보를 스스로 분석하고 학습하여 질병으로 인한 발현 시기를 예측할 수 있다. 그리고, 개인 맞춤형 진단 및 생활습관 정보 제공을 통해 질병 발현 예방에 도움을 줄 수 있을 것으로 기대된다. 인공지능 기반의 스마트 헬스케어는 건강 의료 서비스 제공 공간이 가정, 피트니스센터, 길거리 등 실생활 전 영역으로 확장되어 개인의 건강 정보가 평생 동안 축적됨에 따라 기존 의료 시스템과의 호환을 통해 스마트 헬스케어가 가능하리라 본다. 또한, 의료 서비스가 단발성 질병 치료에서 이제는 평 생 치료의 개념으로 확장하는 연구가 필요하리라 판단된다. 본 연구의 인공지능 자세 추정 기반의 스마트 헬스케어 시스템 개발을 통하여 “언제나, 어디서나” 건강관리가 가능하도록 하기 위하여, 기존 헬스케어 관련 운동 Application의 단순히 따라 하기 형이나 기존 제품의 단순히 데이터를 보여주는 형태를 취하다 보니 실사용자의 흥미 및 몰입에 도움 되지 않는다. 이를 개선하고자 운동 형태와 사용자의 움직임을 감지하여 운동량에 비례한 소모 칼로리를 계산하여 보여주는 기능이 있다면 사용자 입장에서 보다 실제적인 모니터링을 통한 운동 효과를 볼 수 있을 것이다. 본 연구에서는 자세 추정을 통한 딥러닝(Deep Learning: DL) 학습으로 LSP DataSet을 사용하여 PoseNet으로 자세 추정 학습을 해 보았으며, 다른 자세 추정 주요 모델들과 비교하여 눈, 코, 귀 KeyPoint들에 대한 결과가 타 모델과 해석의 차이로 다소 차이가 나지만, 나머지 모든 부위에서는 성능이 크게 떨어지지 않음을 확인하였다. 이에 따른 최적 모델로 PoseNet을 선택하고, 이를 기존의 자세 추정 알고리즘들과 비교 분석을 통해 입증하였으며, 인식을 위한 기본 운동 동작인 손뼉(박수)치기라는 최적의 운동 모델을 설정하여 자바스크립트로 동작 알고리즘을 구현하였다. 사용자의 동작과 운동량을 파악하고 운동량에 대한 신체활동 목록 상의 해당 칼로리를 이용하여 스마트 헬스케어 운동관리 시스템을 구현하였다. 또한, 스마트 헬스케어 시스템 구현을 통해 사용자의 소모 칼로리를 알 수 있었고 기존 디바이스를 활용하여 시간과 비용을 절감할 수 있다는 것을 확인하였다. 본 연구의 성과를 바탕으로 인공지능 동작 인식을 활용한 스마트 헬스케어의 다양한 건강관리 서비스와 시스템에 접목하는 활용이 가능할 것으로 기대된다.
각종 첨단 정보통신 기술을 활용하여 언제 어디서나 건강관리 서비스를 받을 수 있는 스마트 헬스케어가 부상하고 있다. 이미 오래전부터 헬스케어 영역에서는 IT 기술과의 융합적인 시도가 있었으며 최근의 변화가 새로운 것은 아니다. 스마트폰이 등장하면서 시간적, 공간적인 제약을 벗어난 건강관리 서비스 제공이 가능해지고 있고, 인공지능(Artificial Intelligence: AI)과 빅데이터(Big Data) 등의 첨단 분석 기술과 융합으로 새로운 건강관리 서비스의 질적 수준이 향상되고 있다. 인공지능 기술의 발전을 통해 미래의 헬스케어 건강관리 서비스는 신체와 관련된 많은 건강 정보를 스스로 분석하고 학습하여 질병으로 인한 발현 시기를 예측할 수 있다. 그리고, 개인 맞춤형 진단 및 생활습관 정보 제공을 통해 질병 발현 예방에 도움을 줄 수 있을 것으로 기대된다. 인공지능 기반의 스마트 헬스케어는 건강 의료 서비스 제공 공간이 가정, 피트니스센터, 길거리 등 실생활 전 영역으로 확장되어 개인의 건강 정보가 평생 동안 축적됨에 따라 기존 의료 시스템과의 호환을 통해 스마트 헬스케어가 가능하리라 본다. 또한, 의료 서비스가 단발성 질병 치료에서 이제는 평 생 치료의 개념으로 확장하는 연구가 필요하리라 판단된다. 본 연구의 인공지능 자세 추정 기반의 스마트 헬스케어 시스템 개발을 통하여 “언제나, 어디서나” 건강관리가 가능하도록 하기 위하여, 기존 헬스케어 관련 운동 Application의 단순히 따라 하기 형이나 기존 제품의 단순히 데이터를 보여주는 형태를 취하다 보니 실사용자의 흥미 및 몰입에 도움 되지 않는다. 이를 개선하고자 운동 형태와 사용자의 움직임을 감지하여 운동량에 비례한 소모 칼로리를 계산하여 보여주는 기능이 있다면 사용자 입장에서 보다 실제적인 모니터링을 통한 운동 효과를 볼 수 있을 것이다. 본 연구에서는 자세 추정을 통한 딥러닝(Deep Learning: DL) 학습으로 LSP DataSet을 사용하여 PoseNet으로 자세 추정 학습을 해 보았으며, 다른 자세 추정 주요 모델들과 비교하여 눈, 코, 귀 KeyPoint들에 대한 결과가 타 모델과 해석의 차이로 다소 차이가 나지만, 나머지 모든 부위에서는 성능이 크게 떨어지지 않음을 확인하였다. 이에 따른 최적 모델로 PoseNet을 선택하고, 이를 기존의 자세 추정 알고리즘들과 비교 분석을 통해 입증하였으며, 인식을 위한 기본 운동 동작인 손뼉(박수)치기라는 최적의 운동 모델을 설정하여 자바스크립트로 동작 알고리즘을 구현하였다. 사용자의 동작과 운동량을 파악하고 운동량에 대한 신체활동 목록 상의 해당 칼로리를 이용하여 스마트 헬스케어 운동관리 시스템을 구현하였다. 또한, 스마트 헬스케어 시스템 구현을 통해 사용자의 소모 칼로리를 알 수 있었고 기존 디바이스를 활용하여 시간과 비용을 절감할 수 있다는 것을 확인하였다. 본 연구의 성과를 바탕으로 인공지능 동작 인식을 활용한 스마트 헬스케어의 다양한 건강관리 서비스와 시스템에 접목하는 활용이 가능할 것으로 기대된다.
Smart healthcare, which can receive health care services anytime, anywhere by using various advanced information and communication technologies, is emerging. There have been many attempts to converge with IT technology in the healthcare field for a long time, and recent changes are not new. With the...
Smart healthcare, which can receive health care services anytime, anywhere by using various advanced information and communication technologies, is emerging. There have been many attempts to converge with IT technology in the healthcare field for a long time, and recent changes are not new. With the advent of smart phones, it is becoming possible to provide health care services that are free from temporal and spatial constraints, and the quality of new health care services is converged by cutting-edge analysis technologies such as Artificial Intelligence(AI) and Big Data. The level is improving. Although the development of artificial intelligence technology, the future healthcare service can analyze and learn a lot of health information related to the body by itself to predict when the disease will develop. In addition, it is expected to be able to help prevent disease manifestation through personalized diagnosis and lifestyle information. Artificial intelligence-based smart healthcare can expand the space for providing health care services to all areas of real life such as homes, fitness centers, and streets. As the personal health information accumulates throughout life, smart healthcare is possible through compatibility with the existing medical systems. Moreover, it is considered that medical services are needed to be expanded from the treatment of single disease to the concept of lifelong treatment. In order to enable health management “anytime, anywhere” through the development of a smart healthcare system based on AI pose estimation in this study, Since it takes the form of simply following the existing healthcare-related exercise application or simply showing the data of the existing product, it does not help the interest and immersion of real users. To improve this, if there is a function that calculates and shows the calories burned in proportion to the amount of exercise by detecting the type of exercise and the movement of the user, the user can see the exercise effect through more realistic monitoring. In this study, we learned the pose estimation with PoseNet using LSP DataSet as a deep learning(DL) based learning through pose estimation. Compared with other pose estimation main models, the results for the eyes, nose, and ear KeyPoints are somewhat different due to the differences in interpretation from other models. It was confirmed that the performance did not significantly drop in all other parts. Thus, PoseNet was selected as the optimal model, and it was verified through the comparison analysis with the existing pose estimation algorithms. We set the optimal exercise model called hand clapping(applause), which is the basic exercise motion for recognition, and implemented the motion algorithm in JavaScript. A smart healthcare exercise management system was implemented by grasping the user's motion and exercise amount and using the corresponding calories in the physical activity list for the exercise amount. In addition, through the implementation of the smart healthcare system, it was also confirmed that the user's calories burned and that existing devices could be used to save time and money. Based on the results of this study, we can expect that it will be possible to utilize various health management services and systems of smart healthcare using artificial intelligence motion recognition.
Smart healthcare, which can receive health care services anytime, anywhere by using various advanced information and communication technologies, is emerging. There have been many attempts to converge with IT technology in the healthcare field for a long time, and recent changes are not new. With the advent of smart phones, it is becoming possible to provide health care services that are free from temporal and spatial constraints, and the quality of new health care services is converged by cutting-edge analysis technologies such as Artificial Intelligence(AI) and Big Data. The level is improving. Although the development of artificial intelligence technology, the future healthcare service can analyze and learn a lot of health information related to the body by itself to predict when the disease will develop. In addition, it is expected to be able to help prevent disease manifestation through personalized diagnosis and lifestyle information. Artificial intelligence-based smart healthcare can expand the space for providing health care services to all areas of real life such as homes, fitness centers, and streets. As the personal health information accumulates throughout life, smart healthcare is possible through compatibility with the existing medical systems. Moreover, it is considered that medical services are needed to be expanded from the treatment of single disease to the concept of lifelong treatment. In order to enable health management “anytime, anywhere” through the development of a smart healthcare system based on AI pose estimation in this study, Since it takes the form of simply following the existing healthcare-related exercise application or simply showing the data of the existing product, it does not help the interest and immersion of real users. To improve this, if there is a function that calculates and shows the calories burned in proportion to the amount of exercise by detecting the type of exercise and the movement of the user, the user can see the exercise effect through more realistic monitoring. In this study, we learned the pose estimation with PoseNet using LSP DataSet as a deep learning(DL) based learning through pose estimation. Compared with other pose estimation main models, the results for the eyes, nose, and ear KeyPoints are somewhat different due to the differences in interpretation from other models. It was confirmed that the performance did not significantly drop in all other parts. Thus, PoseNet was selected as the optimal model, and it was verified through the comparison analysis with the existing pose estimation algorithms. We set the optimal exercise model called hand clapping(applause), which is the basic exercise motion for recognition, and implemented the motion algorithm in JavaScript. A smart healthcare exercise management system was implemented by grasping the user's motion and exercise amount and using the corresponding calories in the physical activity list for the exercise amount. In addition, through the implementation of the smart healthcare system, it was also confirmed that the user's calories burned and that existing devices could be used to save time and money. Based on the results of this study, we can expect that it will be possible to utilize various health management services and systems of smart healthcare using artificial intelligence motion recognition.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.