본 논문에서는 유비쿼터스 컴퓨팅 기술의 여러 응용 서비스에서 가장 핵심적인 요소 기술 중의 하나인 사용자의 상황인식시스템에 대하여 기술한다. 제안하는 시스템은 실험 대상자의 우측 상완에 착용하는 $SenseWear(R)PRO_2R$ Armband (BodyMedia사)에 내장된 2차원 가속도센서를 이용하여, 센서에서 출력되는 가속도 변화량의 절대치의 평균치인 MAD(mean of absolute difference)를 계산하여 활동량을 정량화 하였으며, PC 기반의 눕기, 앉기, 걷기, 뛰기 4단계 동작의 인체동작상태 구분과 한정된 응급상활을 인지하는 퍼지추론 시스템으로 구현하였다. 본 시스템으로 측정한 수직방향의 MAD는 눕기, 앉기, 걷기, 뛰기에서 각각 0.204 g/s, 0.373 g/s, 2.808 g/s, 16.243 g/s이었다. 이들을 이용하여 분석한 인체동작 인식률은 눕기, 앉기, 걷기 뛰기에 대하여 각각 96.7 %, 93.0 %, 95.2 %, 98.4 %로 나타났으며, 제한된 상황에서의 응급상황인식률은 100 %이었다.
본 논문에서는 유비쿼터스 컴퓨팅 기술의 여러 응용 서비스에서 가장 핵심적인 요소 기술 중의 하나인 사용자의 상황인식시스템에 대하여 기술한다. 제안하는 시스템은 실험 대상자의 우측 상완에 착용하는 $SenseWear(R)PRO_2R$ Armband (BodyMedia사)에 내장된 2차원 가속도센서를 이용하여, 센서에서 출력되는 가속도 변화량의 절대치의 평균치인 MAD(mean of absolute difference)를 계산하여 활동량을 정량화 하였으며, PC 기반의 눕기, 앉기, 걷기, 뛰기 4단계 동작의 인체동작상태 구분과 한정된 응급상활을 인지하는 퍼지추론 시스템으로 구현하였다. 본 시스템으로 측정한 수직방향의 MAD는 눕기, 앉기, 걷기, 뛰기에서 각각 0.204 g/s, 0.373 g/s, 2.808 g/s, 16.243 g/s이었다. 이들을 이용하여 분석한 인체동작 인식률은 눕기, 앉기, 걷기 뛰기에 대하여 각각 96.7 %, 93.0 %, 95.2 %, 98.4 %로 나타났으며, 제한된 상황에서의 응급상황인식률은 100 %이었다.
This paper describes user context awareness system, which is one of the most essential technologies in various application services of ubiquitous computing. The proposed system used two-akial accelerometer, embedded in SenseWear(R)PRO2 Armband (BodyMedia). When it was worn on the right upper arm of ...
This paper describes user context awareness system, which is one of the most essential technologies in various application services of ubiquitous computing. The proposed system used two-akial accelerometer, embedded in SenseWear(R)PRO2 Armband (BodyMedia). When it was worn on the right upper arm of the experiment subjects, MAD (mean of absolute difference) value of the sensor data was calculated to quantify the amount of the wear's activity. Using this data, PC-based fuzzy inference system was realized to distinguish human motion states, such as, lying, sitting, walking and running and to recognize the restricted emergency situations. In laboratory experiment, the amount of activities for tying, sitting, walking and running were 0.204 g/s, 0.373 g/s, 2.808 g/s and 16.243 g/s respectively. The recognition rates of human motion states were 96.7 %, 93.0 %, 95.2 % and 98.4 % respectively for lying, sitting, walking and running. The recognition rate of restricted emergency situation was 100%.
This paper describes user context awareness system, which is one of the most essential technologies in various application services of ubiquitous computing. The proposed system used two-akial accelerometer, embedded in SenseWear(R)PRO2 Armband (BodyMedia). When it was worn on the right upper arm of the experiment subjects, MAD (mean of absolute difference) value of the sensor data was calculated to quantify the amount of the wear's activity. Using this data, PC-based fuzzy inference system was realized to distinguish human motion states, such as, lying, sitting, walking and running and to recognize the restricted emergency situations. In laboratory experiment, the amount of activities for tying, sitting, walking and running were 0.204 g/s, 0.373 g/s, 2.808 g/s and 16.243 g/s respectively. The recognition rates of human motion states were 96.7 %, 93.0 %, 95.2 % and 98.4 % respectively for lying, sitting, walking and running. The recognition rate of restricted emergency situation was 100%.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 실험 대상자의 오른쪽 상완에 착용하는 BodyMedia 사에서 만든 SenseWear® PRO2 Armband(이하 Armband) 에 내장된 MEMS (micro electro mechanical systems) 기술로 제작한 2차원 가속도센서와 PC 기반의 눕기, 앉기, 걷기, 뛰기 4단계 동작의 인체동작 상태 구분과 한정된 응급상황을 인지하는 퍼지추론 시스템과 활동량을 정량화하는 가속도 변화량의 절대 치의 평균치인 MAD을 이용하여 구현한 상황인 식 시스템의 방법과 그 결과에 대하여 기술하였다.
가설 설정
동작 상태 구분을 위한 실험은 걷기(10 분) - 앉기 (5분) - 걷기(5 분) - 뛰기(7분) - 걷기(10분) - 앉기(10 분) - 눕기(10분) 순으로 시행하였다. 누군가의 도움이 필요한 응급상황은 눕기, 앉기, 걷기, 뛰기 4단계 동작 중에서 일상생활 중에 연속하여 일어 힘든 상황인 뛰다가 눕는 경우와 걷다가 눕는 경우를 가정하였으며, 가정한 상황이 일어난 후에 일정 기간 움직임이 없을 때를 응급상황이라 하였다. 응급상황인지를 위한 실험은 뛰기(5분)-쓰러지기(5분)-걷기(5분)-쓰러지기(5분) 순서로 시행하였다.
제안 방법
일중주기(diurnal variation) 중의 인체 동작 상태 구분과 활동량의 정량화 분석을 위하여 TV시 청, 독서, 사무 등의 복잡한 상황을 배제하고, 눕기, 앉기, 걷기, 뛰기 4단계 동작으로 단순화하였다. 동작 상태 구분을 위한 실험은 걷기(10 분) - 앉기 (5분) - 걷기(5 분) - 뛰기(7분) - 걷기(10분) - 앉기(10 분) - 눕기(10분) 순으로 시행하였다. 누군가의 도움이 필요한 응급상황은 눕기, 앉기, 걷기, 뛰기 4단계 동작 중에서 일상생활 중에 연속하여 일어 힘든 상황인 뛰다가 눕는 경우와 걷다가 눕는 경우를 가정하였으며, 가정한 상황이 일어난 후에 일정 기간 움직임이 없을 때를 응급상황이라 하였다.
추론이 끝난 후에 디퍼지화(defuzzification)과정을 거쳐 인체운동상태를 결정하게 된다. 먼저 4개의 입력에 대해 해당 소속 함수로부터 각각의 상태에 대한 충족도(DOF: degree of fulfillment)를 찾은 후 출력의 소속 정도 .를 결정하기 위해서max-min연산을 이용하여 i 번째 규칙의 if 부분을 다음식으로 한다.
본 논문에서 2축의 가속도 센서로부터 획득한 다중 입력 데이터를 퍼지추론 시스템을 이용하여 눕기, 앉기, 걷기, 뛰기 4단계 인체동작상태 구분, 응급상황인지와 MAD를 이용하는 활동량의 정량화 방법을 제시하였다. 인체동작 상태 인식률 결과가 눕기, 앉기, 걷기, 뛰기에 대하여 100 %가 아니고, 각각 96.
본 논문에서 구현한 상황 인식 목표는 TV시청, 독서, 사무 등의 복잡한 상황을 배제하고, 눕기, 앉기, 걷기, 뛰기 4단계 동작으로 인체동작 상태 구분을 단순화하였고, 각각의 연속된 동작에서 일어나기 힘든 뛰다가 눕는 경우와 걷다가 눕는 경우, 일정 기간 움직임이 없을 때를 응급상황으로 제한하였고, 움직임에 따른 가속도 변화량의 절대치의 평균치인 MAD (mean of absolute difference)로써 활동량을 정량화하였다.
움직임에 따라서 변화하는 가속도 변화량의 절대 치의 평균치인 MAD을 이용하여 인체동작 상태에 따른 활동량을 정량화하였다.
누군가의 도움이 필요한 응급상황은 눕기, 앉기, 걷기, 뛰기 4단계 동작 중에서 일상생활 중에 연속하여 일어 힘든 상황인 뛰다가 눕는 경우와 걷다가 눕는 경우를 가정하였으며, 가정한 상황이 일어난 후에 일정 기간 움직임이 없을 때를 응급상황이라 하였다. 응급상황인지를 위한 실험은 뛰기(5분)-쓰러지기(5분)-걷기(5분)-쓰러지기(5분) 순서로 시행하였다.
66 kg이었다. 일중주기(diurnal variation) 중의 인체 동작 상태 구분과 활동량의 정량화 분석을 위하여 TV시 청, 독서, 사무 등의 복잡한 상황을 배제하고, 눕기, 앉기, 걷기, 뛰기 4단계 동작으로 단순화하였다. 동작 상태 구분을 위한 실험은 걷기(10 분) - 앉기 (5분) - 걷기(5 분) - 뛰기(7분) - 걷기(10분) - 앉기(10 분) - 눕기(10분) 순으로 시행하였다.
Zadeh에 의해 처음으로 소개된 퍼지(fuzzy)라는 용어는 보통 집합의 확장 개념으로 어떤 사실이 얼마나 정확한가를 사람이 느끼는 감각에 맞추어 확률로 나타냄으로써 애매한 정보를 효과적으로 처리할 수 있어 그 응용 범위가 확대되고 있다. 특히 퍼지논리를 이용한 퍼지 논리 제어기(fuzzy logic controller)는 제어 대상의 연산에 있어서 정확한 수학적 모델링이 불필요하고 단순한 방법의 연산 과정만으로 가능하므로 하드웨어 구현이 쉬우며, 연산은 병렬처리 계산을 가능케 하여 제어 속 도가 빠르다는 장점을 갖는 다애매한 정보인 인체동작상태 구분과 응급상황인지에 대한 상황인식 (context awareness)-g- 효과적으로 처리하기 위하여, 이와 같은 장점을 가진 퍼지 이론을 인간의 의사결정 능력을 모방할 수 있는 도구로 써 활용하였다.
Armband에 내장된 가속도 센서는 아날로그 디바이스사의 ADXL202AE 이며, 2축 방향의 가속도 측정이 가능하고, ±2 g의 측정 범위를 가지며, 3 V 전원인가 시에 167 mV/g의 센싱감도를 가지고 있다[8].피실험자의 오른쪽 상완에 데이터 획득 시스템인 Armband를 [그림 1]과 같이 착용시키고, 가속도 센서의 수직방향 신호의 평균치(LAA, longitudinal accelerometer average), 수평방향 신호 의 평균치(TAA, transverse accelerometer average), 수직방향 신호의 가속도 변화량의 절대 치의 평균치(L-MAD), 수평방향 신호의 가속도 변화량의 절대 치의 평균치(T-MAD)를 1초당 1샘플 획득하였다.
대상 데이터
실험 대상자는 18세에서 47세 사이의 5명의 남자와 2명의 여자이었고, 나이, 키, 몸무게의 평균과 표준편 차는 각각 32.57 ±10.82세, 169.00 ±8.16 cm, 61.57 ± 8.66 kg이었다. 일중주기(diurnal variation) 중의 인체 동작 상태 구분과 활동량의 정량화 분석을 위하여 TV시 청, 독서, 사무 등의 복잡한 상황을 배제하고, 눕기, 앉기, 걷기, 뛰기 4단계 동작으로 단순화하였다.
이론/모형
이를 위해 퍼지집합의 중심을 찾는 무게중심법 (COA, Center of Area method) 이나 최대 수준을 갖는 값들의 평균을 취하는 최대 평균법(MOM, Mean of Maxima method)을 사용한다. 본 논문에서는 출력을 결정하기 위해서 퍼지집합의 중심을 찾는 방법이 보다 정확한 상태 결정이 가능하므로 식(4)를 이용하는 최대 평균법(MOM)을 사용하였다.
[그림 3]에서 X(LAA, TAA, L-MAD, T-MAD)에 대해 4개 구역(Low, Middle, High, Very High)으로, 그리고 y (membership for states) 를 4개 구역(Low, Middle, High, Very High)으로 나눈 것이다. 여기서 소속 함수의 형태는 삼각형과 사다리꼴형을 이용하였다.
. 이를 위해 퍼지집합의 중심을 찾는 무게중심법 (COA, Center of Area method) 이나 최대 수준을 갖는 값들의 평균을 취하는 최대 평균법(MOM, Mean of Maxima method)을 사용한다. 본 논문에서는 출력을 결정하기 위해서 퍼지집합의 중심을 찾는 방법이 보다 정확한 상태 결정이 가능하므로 식(4)를 이용하는 최대 평균법(MOM)을 사용하였다.
성능/효과
개선방법으로.입출력 데이터의 소속 정도를 변경하여야 할 것으로 생각되고, 제안된 응급상황 인식 시스템에서 바로 누운 자세뿐만 아니라 엎드려 누운 자세까지 동시에 인식할 수 있도록 하려면, TAA 값을 ITAAI와 같이 절대치를 취하 서 사용하여야 할 것이며, 이 경우 LOW는 "0”, HIGH는 "1”에 대응되도록 하여 퍼지규칙을 변경하여야 한다.
인체동작상태 결과는 준비(7분)-걷기(10 분)-앉 기 (5분)-걷기(5분)-뛰기(7분)-걷기(10분)- 앉기(10 분)-기(10분) 순으로 시행된 실험환경에서 이미 알고 있는 부분과 일치한다. 실험 환경에서의 눕기, 앉기, 걷기, 뛰기에 대한 인체동작 상태 인식률은 각각 96.7 %, 93.0 %, 95.2 %, 98.4 %로 나타났다.
본 논문에서 2축의 가속도 센서로부터 획득한 다중 입력 데이터를 퍼지추론 시스템을 이용하여 눕기, 앉기, 걷기, 뛰기 4단계 인체동작상태 구분, 응급상황인지와 MAD를 이용하는 활동량의 정량화 방법을 제시하였다. 인체동작 상태 인식률 결과가 눕기, 앉기, 걷기, 뛰기에 대하여 100 %가 아니고, 각각 96.7 %, 93.0 %, 95.2 %, 98.4 %로 나타난 것은 입출력 데이터의 소속 정도를 결정할 때, 입력구간에서 겹치는 부분이 있고, 또한 출력구간도 겹치는 구간이 있었고, 특히 앉기 동작에서 인식률이 다른 동작과 비교하여 상대적으로 낮은 것은 실험에서 공원용 나무의자에 기댈 수 있게 하였고, Armband를 착용한 팔의 동작을 제한하지 않았기 때문으로 여겨진다 . 개선방법으로.
운동은 특히 관상동맥질환, 고혈압, 당뇨병, 골다공증, 비만, 심리적 질환의 치료와 예방에 도움이 된다고 알려져 있다 [11]. 제안 한 시스템을 이용하여 일상생활 중의 활동을 정량화하여 기록, 관리하면 자신의 활동량의 변화에 따른 치료 효과를 확인할 수 있다.
[그림 6] 은 뛰기(5분)-쓰러지기(5분)-걷기(5분)-쓰러지기(5분) 순서로 시행된 실험에서 가속도 센서로부터 획득한 데이터인 LAA, TAA, L-MAD, T-MAD를 나타내고, 최하단인 The Results of State는 퍼지추론 시스템을 이용하여 뛰기T바로 누운 자세, 걷기t바로 누운 자세에 의한 응급상황 발생을 구분한 결과이다. 제한된 실험환경에서의 응급상황 인식은 100 % 이었다.
후속연구
본 논문에서 제안하는 인체동작 상태를 구분하는 상황 인식 기술은 일차적으로 수면장애, 24시간 심전도 검사, 24시간 혈압검사에 이용할 예정이다. 수면장애를 진단하기 위한 수면다원 검사는 많은 비용이 소요되고, 하룻밤 동안 병원에서 자면서 검사를 받아야 하는데, 가 속도센서 이용 시스템은 환자의 일상생활에 영향을 주 지 않고, 비교적 간단하게 시행할 수 있다.
본 논문에서 제안한 상황인식 시스템에서의 인체 동작 상태 구분, 응급상황인지, 활동량의 정량화 정보를 효과적으로 활용하기 위해서는 심전도, 혈압, 산소포화도, 체온 등의 생체신호 센서와의 결합과 이동통신망 또는 인터넷망을 통해 외부로 알려줄 수 있는 이동통신 기능이 부가적으로 필요하다. 측정한 데이터를 일반적인 상황에서는 기기 내의 저장장치에 저장하고, 이상 신호 또는 응급상황이 감지하고, 이동통신 기능을 이용하여 원격진료서버로 전송하여 응급환자가 신속하게 구급조치를 받을 수 있도록 하면, 환자 상태의 악화를 방지할 수 있을 것으로 기대된다.
본 논문에서 제안한 상황인식 시스템에서의 인체 동작 상태 구분, 응급상황인지, 활동량의 정량화 정보를 효과적으로 활용하기 위해서는 심전도, 혈압, 산소포화도, 체온 등의 생체신호 센서와의 결합과 이동통신망 또는 인터넷망을 통해 외부로 알려줄 수 있는 이동통신 기능이 부가적으로 필요하다. 측정한 데이터를 일반적인 상황에서는 기기 내의 저장장치에 저장하고, 이상 신호 또는 응급상황이 감지하고, 이동통신 기능을 이용하여 원격진료서버로 전송하여 응급환자가 신속하게 구급조치를 받을 수 있도록 하면, 환자 상태의 악화를 방지할 수 있을 것으로 기대된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.