[논문]가속도 신호를 이용한 걸음걸이 패턴 분류

조형국; 예수영

doi:10.6109/jkiice.2010.14.8.1901

가속도 신호를 이용한 걸음걸이 패턴 분류
Classification of walking patterns using acceleration signal 원문보기

한국해양정보통신학회논문지 = The journal of the Korea Institute of Maritime Information & Communication Sciences, v.14 no.8, 2010년, pp.1901 - 1906

조형국 (동서대학교 정보네트워크공학) , 예수영 (동서대학교 메카트로닉스공학과)

초록
AI-Helper

걸음걸이 패턴 분류는 많은 응용분야가 있을 뿐만 아니라 매우 중요한 연구 분야이다. 따라서 본 연구에서는 허리에 부착된 가속도 모듈로부터 획득된 신호를 이용하여 천천히 걷기(slow walking, S.W), 일반 걷기(normal walking, N.W), 빠르게 걷기(fast walking, F.W) 등의 보행 패턴을 분류하고자한다. 11명의 성인으로부터 블루트스 모듈을 이용하여 100Hz로 샘플링된 3축 가속도 신호를 획득하였다. 획득된 데이터는 웨이브렛 변환을 이용하여 분석하였다. 걸음걸이 패턴은 두가지의 파라미터들을 이용하여 분석되어지는데, 하나는 운동에 해당하는 웨이브렛 계수의 에너지(power)와 전 후방향의 전체 에너지사이의 비율(RPA)이고, 다른 파라미터는 전 후 방향과 상 하 수직 방향 사이에서 웨이브렛 계수의 제곱근 평균 비율(RAV)이다. 천천히 걷기는 다른 걷기와 비교했을 때 작은 RPA값을 가지게 되어 분류가 용이하며, 천천히 걷기는 RAV를 이용하여 일반 걷기와 구별되어 질 수 있었다. 따라서 본연구는 건강한 성인에게서 3축 가속도 신호를 획득한 후 웨이브렛 파라미터를 이용하여 걷기 패턴을 잘 구별할 수 있는 연구임을 확인 하였다.

Abstract ▼ AI-Helper

This classification of walking patterns is important and many kinds of applications. Therefore, we attempted to classify walking on level ground from slow walking to fast walking using a waist acceleration signal. A tri-axial accelerometer was fixed to the subject's waist and the three acceleration signals were recorded by bluetooth module at a sampling rate of 100 Hz eleven healthy. The data were analyzed using discrete wavelet transform. Walking patterns were classified using two parameters; One was the ratio between the power of wavelet coefficients which were corresponded to locomotion and total power in the anteroposterior direction (RPA). The other was the ratio between root mean square of wavelet coefficients at the anteroposterior direction and that at the vertical direction(RAV). Slow walking could be distinguished by the smallest value in RPA from other walking pattern. Fast walking could be discriminated from level walking using RAV. It was possible to classify the walking pattern using acceleration signal in healthy people.

주제어

AI 본문요약
AI-Helper

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

문제 정의

본 연구에서는 3축 가속도 센서 신호를 이용하여 건강한 성인에서 느린걸음, 보통걸음, 빠른 걸음등의 걸음걸이 패턴을 분류하고자 하였다. 시간축으로 나타내어지는 가속도 신호들에서 상 ⋅ 하 방향의 z축 신호와 전 ⋅ 후 방향의 y축 신호는 육안으로 보았을때 각 걸음걸이 패턴을 구별할 수 있다.

가설 설정

) 등 보행속도를 변화시키면서 관찰한 정규화된 3축 가속도 신호를 신호크기범위의 변화량으로 비교하는 실험을 수행하였다. 실험 과정에서 보행속도는 일반인이 시간당 4 km/h를 걷는다는 가정 하에 천천히 걷기를 일반보행의 절반인 2 km/h, 빠르게 걷기를 6 km/h 라고 설정하고 실험을 수행하였다.

제안 방법

3축 가속도 센서에서 신호를 획득하기 위하여 센서 모듈을 피검자의 신체 중심축이 되는 복부에 허리띠를 이용하여 부착한 후 실험을 수행하였다.
구현된 시스템은 인체의 활동에 따른 가속도 신호 계측을 위한 가속도 측정부와 계측된 가속도 신호를 디지털 신호로 변환하고 PC고 전송하기 위한 ADC 및 무선통신부로 구성하였다. 3축 가속도 신호는 100 Hz로 샘플링하였고, 10bit로 양자화하였으며, 블루투스 통신모듈을 이용하여 데이터를 전송하였으며 무선 전송된 가속도 신호를 PC에 저장하였다. 사용자 인터페이스 소프트웨어는 Labview 7.
y축 신호를 이용하여 디테일 신호의 에너지(power)와 전체 에너지(total power)의 비(ratio)를 계산하여 RPA(ratio power anteroposterior)를 계산하였고, 아래 식 (5)에 나타내었다.
걸음걸이 패턴을 분류하기 위해서 가속도신호는 전 ⋅ 후 방향의 y축 신호와 상 ⋅ 하 방향의 z축의 신호를 사용하였다.
본 연구에서는 인체 활동 모니터링을 위하여 3축 가속도 센서를 허리에 착용하여 걸음거리 패턴을 분류할 수 있는 데이터 획득 시스템을 구현하였으며, 3축 가속도 센서에서 획득된 신호를 무선으로 전송할 수 있도록 하였다. 구현된 시스템은 인체의 활동에 따른 가속도 신호 계측을 위한 가속도 측정부와 계측된 가속도 신호를 디지털 신호로 변환하고 PC고 전송하기 위한 ADC 및 무선통신부로 구성하였다. 3축 가속도 신호는 100 Hz로 샘플링하였고, 10bit로 양자화하였으며, 블루투스 통신모듈을 이용하여 데이터를 전송하였으며 무선 전송된 가속도 신호를 PC에 저장하였다.
따라서 이러한 특징을 이용하여 3축 가속도 신호 중 z축과 y축 방향 신호들을 분석하여 걸음걸이 패턴을 구별하고자 하였다.
본 연구에서는 건강한 사람들을 위한 헬스케어 모니터링 연구로 인체 활동 분석을 위하여 3축가속도 센서 신호를 이용하여 인간의 걸음걸이 패턴을 구별하기 위하여 웨이브렛 분석의 시주파수 분석을 사용하였다.
본 연구에서는 인체 활동 모니터링을 위하여 3축 가속도 센서를 허리에 착용하여 걸음거리 패턴을 분류할 수 있는 데이터 획득 시스템을 구현하였으며, 3축 가속도 센서에서 획득된 신호를 무선으로 전송할 수 있도록 하였다.
3축 가속도 센서에서 신호를 획득하기 위하여 센서 모듈을 피검자의 신체 중심축이 되는 복부에 허리띠를 이용하여 부착한 후 실험을 수행하였다. 실험은 천천히 걷기, 일반걷기, 빠르게 걷기로 나누어 수행하였다. 무선 가속도 측정 모듈을 가슴에 착용할 경우 가속도 센서 출력 신호의 크기가 미약하고 허리에 착용하는 것에 비해 노이즈가 많이 혼입되어 베이스라인에 드리프트가 심각하게 발생할 수 있으므로 허리에 부착을 하였다.
걸음걸이 패턴을 분류하기 위해서 가속도신호는 전 ⋅ 후 방향의 y축 신호와 상 ⋅ 하 방향의 z축의 신호를 사용하였다. 움직임과 관련된 가속도신호의 주파수 대역은 각 개인마다 그리고 걸음걸이 패턴 마다 매우 다르므로 움직임에 대해 정량화를 하기 위하여 먼저 가속도 신호의 z축 신호를 이용하여 각 차수에서 제곱근평균(RMSdj)값을 구하였고, 식 (4)에 정의되어져 있다.
즉, 걸음걸이 패턴을 3가지 유형으로 나누어 데이터를 획득한 후 웨이브렛 계수를 이용한 파라미터 RPA와 RAV를 계산한 후 걸음걸이 패턴 분류에 이용하였다.
피검자의 허리부분에 무선 가속도 측정 모듈을 부착한 후 선 자세에서부터 실험을 개시하여 천천히 걷기 (slow walking, S.W.), 일반적인 걷기 (normal walking, N.W.), 빠르게걷기 (fast walking. F.W.) 등 보행속도를 변화시키면서 관찰한 정규화된 3축 가속도 신호를 신호크기범위의 변화량으로 비교하는 실험을 수행하였다. 실험 과정에서 보행속도는 일반인이 시간당 4 km/h를 걷는다는 가정 하에 천천히 걷기를 일반보행의 절반인 2 km/h, 빠르게 걷기를 6 km/h 라고 설정하고 실험을 수행하였다.

대상 데이터

걷기 패턴에서 걷기 데이터는 57걸음의 데이터를 이용하였고, 첫 번째와 마지막 걸음은 제외 하였다. 걷기 데이터 분석을 위한 웨이브렛 변환은 5 걸음 마다 계산되어졌다.
실험을 수행하기 위하여 20～30대 건강한 성인 11 명, 즉 남성 9 명, 여성 2 명을 실험군으로 선정하였다. 3축 가속도 센서에서 신호를 획득하기 위하여 센서 모듈을 피검자의 신체 중심축이 되는 복부에 허리띠를 이용하여 부착한 후 실험을 수행하였다.
걷기 데이터 분석을 위한 웨이브렛 변환은 5 걸음 마다 계산되어졌다. 웨이브렛 모함수는 걸음걸이 패턴과 유사한 코이플렛(coiflets)함수를 사용하였다.

데이터처리

3축 가속도 신호는 100 Hz로 샘플링하였고, 10bit로 양자화하였으며, 블루투스 통신모듈을 이용하여 데이터를 전송하였으며 무선 전송된 가속도 신호를 PC에 저장하였다. 사용자 인터페이스 소프트웨어는 Labview 7.1 (National Instrument, Co., U.S.A.)를 이용하여 프로그래밍 하였으며 걸음걸이 패턴 분류 및 분석 과정의 최적화를 위해 Matlab (MathWorks, Co., U.S.A.)를 이용하여 실험하였다.

이론/모형

따라서 본 연구에서는 3축 가속도 신호를 분석하기 위하여 웨이브렛 분석 방법을 사용하였다.
웨이브렛 변환은 신호를 스케일과 시간의 2차원함수로 분석하기 위한 가변적인 윈도우인 웨이브렛 기저함수(wavelet basisi function)를 채택하였다. 즉 웨이브렛 변환은 신호를 웨이브렛 기저함수의 집합으로 분해한다.

성능/효과

3축 가속도 신호 중 상 ⋅하 방향을 나타내는 z축의 신호가 가장 크고, 전 ⋅ 후 방향을 나타내는 y축의 신호가 다음으로 크며 좌 ⋅ 우 방향을 나타내는 x축의 신호가 가장 작게 나타남을 알 수 있었다.
따라서, 본 연구에서는 단지 가속도 모듈로 가속도 신호만을 이용하여 걸음걸이 패턴을 분류하였으며, 본 실험에서 제시한 RPA와 RAV파라미터를 이용하면 모든 실험 대상자들에 대하여 걸음걸이 패턴을 분류할 수 있었다. 그러나 본 실험은 실내에서 이루어진 실험이므로 추후 실외뿐만 아니라 다양한 걸음걸이 패턴을 분류할 수 있는 실험이 더 필요하다.
Parkka는 인체 활동 상태를 인식하기 위해서 가속도계(accelerometer)를 사용하였고[6], Nilsson은 건강한 사람에게서 3축 가속도계를 이용하여 걷기의 안정도(walking stability)를 측정하였다. 이와같이 가속도계를 사용할 경우 재현성과 신뢰가 높다는 것을 증명하였다. 또한 피검자가 다른 방향으로 움직일 때 인체의 움직임 변화를 잘 검출 할 수 있음을 실험결과로 제시하였다[7][8].
즉, RPA와 RAV모두를 이용할 경우 느린걸음, 보통걸음 그리고 빠른 걸음의 패턴들을 분류 할 수 있음을 확인할 수 있다.
환자 1번과 2번 모두 각각의 범주들로 각 걸음걸이 패턴을 분류할 수 있도록 2차원 평면상에 분포하고 있음을 확인 할 수 있었다.

후속연구

따라서, 본 연구에서는 단지 가속도 모듈로 가속도 신호만을 이용하여 걸음걸이 패턴을 분류하였으며, 본 실험에서 제시한 RPA와 RAV파라미터를 이용하면 모든 실험 대상자들에 대하여 걸음걸이 패턴을 분류할 수 있었다. 그러나 본 실험은 실내에서 이루어진 실험이므로 추후 실외뿐만 아니라 다양한 걸음걸이 패턴을 분류할 수 있는 실험이 더 필요하다.

질의응답

핵심어	질문	논문에서 추출한 답변
	Parkka가 인체 활동 상태를 인식하기 위해서 사용한것은?	Parkka는 인체 활동 상태를 인식하기 위해서 가속도계(accelerometer)를 사용하였고[6], Nilsson은 건강한 사람에게서 3축 가속도계를 이용하여 걷기의 안정도(walking stability)를 측정하였다. 이와같이 가속도계를 사용할 경우 재현성과 신뢰가 높다는 것을 증명하였다.
	Nilsson건강한 사람에게서 3축 가속도계를 이용하여 무엇을 측정했나?	Parkka는 인체 활동 상태를 인식하기 위해서 가속도계(accelerometer)를 사용하였고[6], Nilsson은 건강한 사람에게서 3축 가속도계를 이용하여 걷기의 안정도(walking stability)를 측정하였다. 이와같이 가속도계를 사용할 경우 재현성과 신뢰가 높다는 것을 증명하였다.
	본 연구에서는 3축 가속도 신호를 분석하기 위하여 웨이브렛 분석 방법을 사용한 이유는?	따라서 이러한 특징을 이용하여 3축 가속도 신호 중 z축과 y축 방향 신호들을 분석하여 걸음걸이 패턴을 구별하고자 하였다. 3축가속도 신호를 이용하여 걸음걸이 패턴을 분류하기 위하여 주파수 분석 방법을 사용할 경우 각 걸음걸이 패턴의 주파수은 다르지만 각 개인별로 주파수 대역의 편차가 매우 심할 뿐만 아니라 걸음걸이 패턴을 분류하기위한 데이터 길이도 너무 적어 주파수 분석 후 해상도(resolution)가 매우 낮기 때문에 걸음걸이를 분류 할 수 있을 만큼의 정보를 제공받지 못한다.

참고문헌 (11)

B. Najafi, K. Aminian, A. Paraschiv-Ionescu, F. Loew, C. J. Bula, P Robert, "Ambulatory System for Human Motion Analysis Using a Kinematic Sensor Monitoring of Daily Physical Activity in the Elderly," IEEE Trans. on biomedical engineering, vol. 50, no. 6, pp. 711-723, 2003.

상세보기
B. G. Steele, L. Holt, B. Belza, S. M. Ferris, S. Lakshminaryan, and D. M. Buchner, "Quantitating physical activity in COPD using a triaxial accelerometer," Chest, vol. 117, pp. 1359？1367, 2000.

상세보기
K. V. Laerhoven and O. Cakmakci, "What shall we teach our pants?," in Proc. of The Fourth Int'l Symposium on Wearable Computers, ISWC 2000, pp. 77-83, 2000.
J.L. Schulman and J. M. Reisman, "An objective measure of hyperactivity," American J. Ment. Defic., vol. 64, pp.455-456, 1959.
L. Seung-Hyung, L. Ye-Teak, and L. Kyung-Joung "A Disign of algorithm for Analysis Acitive Using 3-Axis Accelerometer," KIEE, vol. 53D, no. 5, pp. 232-237, 2004.
J. Parkka, M. Ermes, P. Korpipaa, J. Mantyjarvi, J. Peltola, and I. Korhonen, "Activity classification using realistic data from wearable sensors," IEEE Transactions on information technology in biomedicine, vol. 10, no.1, pp.119？128, 2006.

상세보기
R. Moe-Nilssen. "A new method for evaluating motor control in gait under real-life environmental conditions part 1: The instrument," Clinical Biomechanics, vol.13, pp.320？327, 1998.

상세보기
R. Moe-Nilssen. "A new method for evaluating motor control in gait under real-life environmental conditions part 2: gait analysis," Clinical Biomechanics, vol.13, pp.328？335, 1998.

상세보기
Akay M and Mulder EJH. "Effects of maternal alcohol intake on fractal properties in human fetal breathing dynamics," IEEE Trans Biomed Eng, vol. 45, pp. 1097-1103, 1998.

상세보기
Bidargaddi N, Klingbeil L, Sarela A, Boyle J, Cheung V, Yelland C, Karunanithi M, Gray L. "Wavelet based approach for posture transition estimation using a waist worn accelerometer", Conf. Proc. IEEE Eng Med Biol Soc., pp. 1884-1887,2007.
Ganea R, Paraschiv-Ionescu A, Salarian A, Bula C, Martin E, Rochat S, Hoskovec C, Piot-Ziegler C, Aminian K., "Kinematics and dynamic complexity of postural transitions in frail elderly subjects.", Conf. Proc. IEEE Eng Med Biol Soc., pp.6118-6121, 2007.

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