[논문]가속도 센서 기반의 신체 부착형 플랫폼을 이용한 운동 인식

김주형; 이정엄; 박용찬; 김대환; 박귀태

가속도 센서 기반의 신체 부착형 플랫폼을 이용한 운동 인식
Exercise Recognition using Accelerometer Based Body-Attached Platform 원문보기

전기학회논문지 = The Transactions of the Korean Institute of Electrical Engineers, v.58 no.11, 2009년, pp.2275 - 2280

김주형 (고려대학교 전기전자전파공학부) , 이정엄 (고려대학교 전기전자전파공학부) , 박용찬 (고려대학교 전기전자전파공학부) , 김대환 (전자부품연구원 RFID-USN 융합 연구센터) , 박귀태 (고려대학교 전기전자전파공학부)

Abstract ▼ AI-Helper

u-Healthcare service is one of attractive applications in ubiquitous environment. In this paper, we propose a method to recognize exercises using a new accelerometer based body-attached platform for supporting u-Healthcare service. The platform consists of a device for measuring accelerometer data and a device for receiving the data. The former measures a user's motion data using a 3-axis accelerometer. The latter transmits the accelerometer data to a computer for recognizing the user's exercise. The algorithm for exercise recognition classifies the type of exercise using principle components analysis(PCA) from the accelerometer data transformed by discrete fourier transform(DFT), and estimates the repetition count of the recognized exercise using a peak detection algorithm. We evaluate the performance of the algorithm from the accuracy of the recognition of exercise type and the error rate of the estimation of repetition count. In our experimental result, the algorithm shows the accuracy about 98%.

주제어

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

본 논문에서는 가속도 센서를 이용하여 사용자의 운동 종류를 인식하고 운동의 반복 횟수를 측정하는 신체 부착형 플랫폼에 대해 논의하였다. 제안된 플랫폼은 작고 가벼운 형태로 제작되어 탈부착이 쉽고, 운동 종류 인식과 운동의 반복 횟수 추정에 높은 정확도를 보인다.
따라서 저가의 장비로 사용자가 쉽게 사용할 수 있는 개인 건강관리를 위한 플랫폼의 개발이 필요하다. 본 논문에서는 개인의 건강관리를 위한 새로운 플랫폼에 대해 설명하고, 이를 이용한 운동 인식에 대해 논의하고자 한다. 논문의 구성은 다음과 같다.
본 논문에서는 사용자의 운동 종류에 따른 반복 횟수를 추정하여 실제로 운동을 반복한 횟수와 비교하는 실험을 하였다. 또한, 운동의 반복 주기에 영향을 받는 가우시안 마스크의 크기는 학습데이터에서 검출된 극소점의 개수와 사용자의 실제 반복 횟수간의 오차율을 통해 결정하였다.
본 논문에서는 오른쪽 손목과 발목에 3축 가속도 센서를 부착한 20대 후반에서 30대 초반의 성인 남성 5명으로부터 얻은 가속도 데이터를 기반으로 운동 종류 인식과 반복 횟수 추정에 대한 실험을 실시하였다. 가속도 데이터는 측정 장치에서 무선 네트워크를 통해 전송하여 UMPC에 연결되어 있는 데이터 수신 장치에서 수집을 하였다.

제안 방법

본 논문에서는 사용자의 운동 종류에 따른 반복 횟수를 추정하여 실제로 운동을 반복한 횟수와 비교하는 실험을 하였다. 또한, 운동의 반복 주기에 영향을 받는 가우시안 마스크의 크기는 학습데이터에서 검출된 극소점의 개수와 사용자의 실제 반복 횟수간의 오차율을 통해 결정하였다. 표 3은 가우시안 마스크의 크기를 결정하기 위해 학습데이터로부터 실제로 운동을 반복한 횟수와 알고리즘을 이용하여 검출된 극소점의 개수에 대한 오차율을 나타낸 것이다.
표 3의 마스크의 크기에 따른 반복 횟수의 검출 오차율과 그림 11의 운동 종류에 따른 반복 주기의 변화를 분석하면, 운동의 반복 주기가 짧을수록 가우시안 마스크의 크기가 작고, 운동의 반복 주기가 커질수록 마스크의 크기가 커야 반복 횟수 추정에 대한 오차를 줄일 수 있다. 또한, 표 3의 결과에서 결정한 운동 종류별 가우시안 마스크의 크기에 따라 실제로 운동의 반복 횟수를 정확히 검출하는지 테스트 데이터를 이용하여 실험하였다. 표 4는 미리 결정한 가우시안 마스크의 크기에 테스트 데이터를 이용하여 운동의 반복 횟수를 검출한 오차율을 나타낸다.
본 논문에서 운동 인식 알고리즘은 걷기, 달리기, 줄넘기, 앉고 일어서기, 팔 벌려 뛰기의 5가지 운동 종류를 인식하고, 운동의 반복 횟수까지 추정하는 과정을 포함한다.
본 논문에서는 m개의 주성분(z₁,...,z_m)을 이용하여 각 운동별 평균을 구해 특징 벡터로 정의한다. 인식 단계에서는 m개의 기저벡터(p₁,.
운동의 반복 횟수는 가속도 데이터로부터 극점을 검출하여 구한다. 본 논문에서는 극점 검출을 위한 전처리 단계로 3축 가속도 데이터의 제곱 평균(root mean square)값에 가우시안 마스크(gaussian mask)를 적용하여 데이터의 잡음을 없애고, 극점 추출 알고리즘을 이용하여 극소점을 검출한다. 검출된 극소점은 각 운동별 동작의 특징을 고려하여 반복 횟수를 구한다.
따라서 두 측정 장치에서 수신된 데이터에서 극점을 검출하여 반복 횟수를 추정할 때, 극점의 검출 주기를 고려해야 한다. 본 논문에서는 극점의 검출 주기에 대한 분산을 구하고, 분산이 작은 주기를 갖는 극점의 개수를 운동의 반복 횟수로 결정한다. 극점의 검출 주기에 대한 분산은 다른 운동 종류로 바뀔 때까지 계산하고, 운동의 종류가 바뀌면 운동의 반복 횟수를 결정한다.
처음 1byte는 송신 위치를 나타내는 마커로 사용하고, 나머지 12byte는 3축 가속도 데이터를 표현하기 위해 사용하였다. 본 논문에서는 사람의 움직임에 대한 가속도의 범위를 1.5g 에서 6g 사이의 값으로 정하고, 데이터 패킷에는 이를 반영 하여 1500부터 6000사이의 값이 저장된다.
본 논문에서는 사용자의 운동 인식을 위해 사람의 움직임을 판단해야 하므로 가속도 센서를 이용하여 사람의 움직임 정보를 수집한다. 그림 1은 가속도 센서 기반의 데이터 측정을 위한 측정 장치의 다이어그램을 보여준다.
수신된 데이터는 패킷생성기(packetizer)가 패킷형태로 생성한 후, RF 송신기(transmitter)로 전달한다. 본 논문에서는 측정장치에서 전송하는 가속도 데이터를 송신 위치에 따라 구별 가능한 형태로 XYZ 3축에 대한 데이터를 표현하기 위해 그림 2와 같은 13byte의 데이터 패킷을 정의하였다. 처음 1byte는 송신 위치를 나타내는 마커로 사용하고, 나머지 12byte는 3축 가속도 데이터를 표현하기 위해 사용하였다.
운동 인식 플랫폼은 사용자의 운동을 감지하기 위한 가속도 센서 기반의 측정 장치와 가속도 데이터 수신 장치로 구성된다. 운동 인식 플랫폼은 u-Healthcare 서비스를 위한 사용자의 운동 인식을 목적으로 사람의 움직임 정보를 감지하기 위해 가속도 센서만을 이용하여 플랫폼의 구성을 간소화 하고 크기를 소형화 하였다.
운동 종류 인식 실험은 가속도 데이터를 윈도우 크기 5, 10, 15에 따라 이산 푸리에 변환하고, 주성분 분석을 이용하여 운동 종류에 대한 데이터를 학습시켰다. 표 1은 5가지운동 종류에 대한 학습 데이터와 테스트를 위해 구성한 데이터의 개수를 나타낸다.
학습 단계에서 각 운동별 반복 주기에 따른 가우시안 마스크의 크기를 미리 정하고, 전처리 단계에서 가속도 데이터에 운동 종류의 인식 결과에 따른 마스크의 크기를 다르게 적용하여 데이터 평활화(smoothing) 작업을 한다. 평활화된 데이터에 극점 검출 알고리즘을 이용하여 극소점을 검출하고, 운동의 반복 횟수 추정을 위해 각 운동별 특징에 따라 극소점의 개수를 조정한다.

대상 데이터

본 논문에서는 오른쪽 손목과 발목에 3축 가속도 센서를 부착한 20대 후반에서 30대 초반의 성인 남성 5명으로부터 얻은 가속도 데이터를 기반으로 운동 종류 인식과 반복 횟수 추정에 대한 실험을 실시하였다. 가속도 데이터는 측정 장치에서 무선 네트워크를 통해 전송하여 UMPC에 연결되어 있는 데이터 수신 장치에서 수집을 하였다. 데이터 수신 장치는 초당 20개의 가속도 데이터를 수집하므로, 손목과 발목에 부착된 측정 장치에서 각각 초당 10개의 가속도 데이터가 전송된다.
전처리 단계에서는 이산 푸리에 변환(discrete fourier transform, DFT)을 이용하여 가속도 데이터를 주파수 영역의 데이터로 변환하고, 크기 성분 벡터 x를 구한다. 운동의 종류를 인식하기 위해 본 논문에서는 크기 성분 벡터 x를 학습 데이터 및 인식 데이터로 사용한다. 학습 단계에서는 주성분 분석(principle components analysis, PCA)을 이용하여 기저벡터 P_k(k번째 기저벡터)를 구하고, 각 운동별 학습 데이터 x의 k번째 주성분 z_k를 수식 (1)과 같이 구한다.

성능/효과

본 논문에서 고려한 5가지 운동의 운동 종류 인식부터 반복 횟수 검출결과까지 알고리즘의 정확도는 약 98%로 나타난다. 따라서, 제안된 플랫폼에 적용된 알고리즘은 실시간으로 동작하면서 높은 정확도를 보인다.
표 5는 테스트 데이터를 이용하여 운동 종류 인식과 반복 횟수 검출에 대한 실험 결과를 통해 플랫폼에 적용된 알고리즘의 정확도를 나타낸다. 본 논문에서 고려한 5가지 운동의 운동 종류 인식부터 반복 횟수 검출결과까지 알고리즘의 정확도는 약 98%로 나타난다. 따라서, 제안된 플랫폼에 적용된 알고리즘은 실시간으로 동작하면서 높은 정확도를 보인다.
본 논문의 실험 결과, 운동 종류는 윈도우 크기를 10으로 설정한 경우 1초의 인식 시간T(= w×0.1sec)동안 99% 이상의 높은 인식률을 보이고, 각각의 운동 종류에 따른 가우시안 마스크 크기를 다르게 설정한 경우 운동의 반복 횟수 추정 오차율은 1.6%로 나타난다.
본 논문에서는 가속도 센서를 이용하여 사용자의 운동 종류를 인식하고 운동의 반복 횟수를 측정하는 신체 부착형 플랫폼에 대해 논의하였다. 제안된 플랫폼은 작고 가벼운 형태로 제작되어 탈부착이 쉽고, 운동 종류 인식과 운동의 반복 횟수 추정에 높은 정확도를 보인다. 또한, 제안된 플랫폼은 운동의 반복 횟수를 측정하여 사용자의 활동 대사량 측정을 할 수 있고, 개인 건강관리를 위한 u-Healthcare 서비스에 적용할 수 있다.

후속연구

제안된 플랫폼은 작고 가벼운 형태로 제작되어 탈부착이 쉽고, 운동 종류 인식과 운동의 반복 횟수 추정에 높은 정확도를 보인다. 또한, 제안된 플랫폼은 운동의 반복 횟수를 측정하여 사용자의 활동 대사량 측정을 할 수 있고, 개인 건강관리를 위한 u-Healthcare 서비스에 적용할 수 있다. 향후에는 사용자의 신체특성 및 체력에 적합한 운동 관리 계획을 설정하고, 이에 따라 각각의 운동별로 소비되는 활동 대사량을 관리하는 플랫폼으로 발전시켜 나갈 계획이다.
또한, 제안된 플랫폼은 운동의 반복 횟수를 측정하여 사용자의 활동 대사량 측정을 할 수 있고, 개인 건강관리를 위한 u-Healthcare 서비스에 적용할 수 있다. 향후에는 사용자의 신체특성 및 체력에 적합한 운동 관리 계획을 설정하고, 이에 따라 각각의 운동별로 소비되는 활동 대사량을 관리하는 플랫폼으로 발전시켜 나갈 계획이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	u-Healthcare 서비스의 주요 대상자를 대중적으로 확대시켜야 할 이유는 무엇인가?	따라서 u-Healthcare 서비스의 주요 대상자를 대중적으로 확대시켜 나갈 필요가 있다. 이는 젊은 연령대의 사람들도 건강에 대한 관심이 높아지고 건강관리를 위한 투자가 늘어나지만, 잘못된 건강관리로 몸을 헤치는 경우도 점점 증가하므로 올바른 건강관리를 위한 체계가 필요하기 때문이다. 이러한 경향을 반영하여 국내외로 운동을 통해 개인의 건강을 관리하기 위한 제품의 연구개발이 이루어지고 있다.
	u-Healthcare 서비스란?	따라서, 다가오는 유비쿼터스 컴퓨팅 환경에서 u-Healthcare 서비스가 주목을 받을 것으로 기대된다[1][2]. u-Healthcare 서비스는 정보통신과 의료를 연결하여 언제 어디서나 예방·진단·치료·사후 관리의 서비스를 제공하는 것을 의미한다[3]. 미국, 일본, 유럽에서는 의료정보서비스 및 건강관리에 대한 정보화와 네트워크를 통한 보건정보화 실현을 위해 국가적으로 제도 정비와 장비 지원을 추진하고 있다[4].
	운동 인식 플랫폼은 어떠한 장치로 구성되는가?	운동 인식 플랫폼은 사용자의 운동을 감지하기 위한 가속도 센서 기반의 측정 장치와 가속도 데이터 수신 장치로 구성된다. 운동 인식 플랫폼은 u-Healthcare 서비스를 위한 사용자의 운동 인식을 목적으로 사람의 움직임 정보를 감지하기 위해 가속도 센서만을 이용하여 플랫폼의 구성을 간소화 하고 크기를 소형화 하였다.

참고문헌 (11)

MindBranch Asia Pacific Co. Ltd, 'u-health 시장현황 및 전망,' 2005
정병주, '유비쿼터스사회연구시리즈 제17호 - 유비쿼터스 사회의 의료, 보건 비즈니스 트렌드,' 2006
조위덕, u-Service Design, 진한사, pp. 323, 2009
류석상, 'u-Healthcare 서비스의 현황과 과제', 한국정보 사회진흥원 유비쿼터스사회연구시리즈, 제 10호, 2005
배재봉, '국가보건의료정보화사업의 현재와 미래', http://ehrkorea.org/newsletter/files/보건의료정보화사업의_현재와_미래_배재봉.pdf'
Seung-Wook Kim, Kee-Hong Kim, 'An Exploratory Study on u-Healthcare Sucess Factors,' The e-Business Studies vol. 9, no. 5, pp. 3-18, Dec. 2008
성건용 외 5명, '유비쿼터스 라이프케어 기술 동향', 전자통신동향분석 제22권 제5호 2007년 10월

원문보기 상세보기
유희숙, 안정은, 'u-Health 산업의 최근 동향,' 정보통신연구진흥원, 2006년 1월
R. Paradiso, G. Loriga, and N. Taccini, 'A Wearable Health Care System Based on Knitted Integrated Sensors', IEEE Trans. on Information Technology in Biomedicine, vol. 9, no. 3, pp. 337-344, Sep. 2005

상세보기
http://en.wikipedia.org/wiki/Wii_Fit
http://en.wikipedia.org/wiki/Project_Natal

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증