이 연구는 스마트폰을 활용하여 운동동작에 대한 정확도를 모니터링 할 수 있는 방법을 제시하는 것이다. 특히 정확하지 못한 운동동작을 수행할 경우에는 정확한 동작을 수행할 수 있도록 Feedback을 제공하는 것을 목표하였다. 연구의 목적을 위해 신체부위의 대표 맨몸운동 5동작를 선정하고 가속도·자이로 축 센서의 특이적 동축도 유형을 파악하여 운동에 대한 운동자세 모니터링, 운동량 계산, Feedback, 운동자세 정확도에 대한 구현 평가를 실시하였다. 연구결과, 가속도·자이로 축 센서는 신체부위의 대표 맨몸운동 마다 특이적 동축도 유형을 가지고 있었다. 상체부위는 각 가속도계(Gyroscope), 코어부위는 ...
이 연구는 스마트폰을 활용하여 운동동작에 대한 정확도를 모니터링 할 수 있는 방법을 제시하는 것이다. 특히 정확하지 못한 운동동작을 수행할 경우에는 정확한 동작을 수행할 수 있도록 Feedback을 제공하는 것을 목표하였다. 연구의 목적을 위해 신체부위의 대표 맨몸운동 5동작를 선정하고 가속도·자이로 축 센서의 특이적 동축도 유형을 파악하여 운동에 대한 운동자세 모니터링, 운동량 계산, Feedback, 운동자세 정확도에 대한 구현 평가를 실시하였다. 연구결과, 가속도·자이로 축 센서는 신체부위의 대표 맨몸운동 마다 특이적 동축도 유형을 가지고 있었다. 상체부위는 각 가속도계(Gyroscope), 코어부위는 가속도계(Accelerometer)와 각 가속도계, 하체부위는 가속도계로 구분되어 특이적 동축도 유형이 나타났다. 이 동축도를 통하여 사용자는 동축도를 확인하여 자신이 수행한 동작을 어떻게 수행하였는지 여부를 식별할 수 있었다. 또한, 특이적 동축도의 분석을 통하여 운동 횟수와 운동시간을 알아낼 수 있었다. Feedback 부분에서는 특이적 동축도 유형에 자체적인 알고리즘(Algorithm)을 적용하여 운동의 범위, 운동의 속도에 대한 분석이 가능하였다. 기준(Factor) 특이적 동축도를 통한 운동자세 정확도는 평균 91.5%인 것을 확인하였다. 다만, 연구대상자가 늘어날 경우 신체적 특성에 따른 노이즈(Noise) 영향으로 평균 87.7%로 정확도가 떨어진다는 것을 확인하였다. 또한, Weka 프로그램을 이용하여 Confusion Matrix를 통해 K-NN 분류기법이 예측 정확도가 가장 높다는 것을 확인하였다. 이 연구를 통해 얻는 결과는 다음과 같다. 첫째, 가속도·자이로 축 센서는 운동동작 마다 특이적 동축도 유형을 가지고 있다. 둘째, 가속도·자이로 축 센서의 특이적 동축도를 활용해 운동자세에 대한 모니터링이 가능하다. 셋째, 가속도·자이로 축 센서의 특이적 동축도를 활용해 운동량에 대한 계산이 가능하다. 넷째, 가속도·자이로 축 센서의 특이적 동축도를 활용해 운동에 대한 Feedback를 제시 할 수 있다. 다섯째, 가속도·자이로 축 센서의 특이적 동축도를 활용해 운동자세에 대한 정확한 정확도를 알아 낼 수 있다. 여섯째, 가속도·자이로 축 센서의 특이적 동축도를 활용해 기계학습으로 각각의 동축도 간의 오차를 예측 할 수 있다. 종합하면 스마트폰 가속도·자이로 축 센서의 특이적 동축도를 활용해 센서의 위치를 바꾸지 않고서도 운동자세 모니터링, 운동량 계산, Feedback, 운동자세 정확도의 구현이 가능하다.
이 연구는 스마트폰을 활용하여 운동동작에 대한 정확도를 모니터링 할 수 있는 방법을 제시하는 것이다. 특히 정확하지 못한 운동동작을 수행할 경우에는 정확한 동작을 수행할 수 있도록 Feedback을 제공하는 것을 목표하였다. 연구의 목적을 위해 신체부위의 대표 맨몸운동 5동작를 선정하고 가속도·자이로 축 센서의 특이적 동축도 유형을 파악하여 운동에 대한 운동자세 모니터링, 운동량 계산, Feedback, 운동자세 정확도에 대한 구현 평가를 실시하였다. 연구결과, 가속도·자이로 축 센서는 신체부위의 대표 맨몸운동 마다 특이적 동축도 유형을 가지고 있었다. 상체부위는 각 가속도계(Gyroscope), 코어부위는 가속도계(Accelerometer)와 각 가속도계, 하체부위는 가속도계로 구분되어 특이적 동축도 유형이 나타났다. 이 동축도를 통하여 사용자는 동축도를 확인하여 자신이 수행한 동작을 어떻게 수행하였는지 여부를 식별할 수 있었다. 또한, 특이적 동축도의 분석을 통하여 운동 횟수와 운동시간을 알아낼 수 있었다. Feedback 부분에서는 특이적 동축도 유형에 자체적인 알고리즘(Algorithm)을 적용하여 운동의 범위, 운동의 속도에 대한 분석이 가능하였다. 기준(Factor) 특이적 동축도를 통한 운동자세 정확도는 평균 91.5%인 것을 확인하였다. 다만, 연구대상자가 늘어날 경우 신체적 특성에 따른 노이즈(Noise) 영향으로 평균 87.7%로 정확도가 떨어진다는 것을 확인하였다. 또한, Weka 프로그램을 이용하여 Confusion Matrix를 통해 K-NN 분류기법이 예측 정확도가 가장 높다는 것을 확인하였다. 이 연구를 통해 얻는 결과는 다음과 같다. 첫째, 가속도·자이로 축 센서는 운동동작 마다 특이적 동축도 유형을 가지고 있다. 둘째, 가속도·자이로 축 센서의 특이적 동축도를 활용해 운동자세에 대한 모니터링이 가능하다. 셋째, 가속도·자이로 축 센서의 특이적 동축도를 활용해 운동량에 대한 계산이 가능하다. 넷째, 가속도·자이로 축 센서의 특이적 동축도를 활용해 운동에 대한 Feedback를 제시 할 수 있다. 다섯째, 가속도·자이로 축 센서의 특이적 동축도를 활용해 운동자세에 대한 정확한 정확도를 알아 낼 수 있다. 여섯째, 가속도·자이로 축 센서의 특이적 동축도를 활용해 기계학습으로 각각의 동축도 간의 오차를 예측 할 수 있다. 종합하면 스마트폰 가속도·자이로 축 센서의 특이적 동축도를 활용해 센서의 위치를 바꾸지 않고서도 운동자세 모니터링, 운동량 계산, Feedback, 운동자세 정확도의 구현이 가능하다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.