본 논문에서는 3축 가속도 센서를 이용하여 사람이 보행 시 발생하는 센서 데이터를 획득하여 실시간 걸음 수 검출이 가능한 웨어러블 디바이스를 개발하였다. 피험자 59명을 대상으로 트레드밀에서 Actical 과 본 연구에서 개발된 디바이스를 착용 후 36분 동안 테스트 프로토콜에 따라 느리게 걷기, 걷기, 빠르게 걷기, 천천히 뛰기, 뛰기, 빠르게 뛰기 등의 다양한 걸음 속력에서 테스트를 진행하였다. 3축 가속도 센서의 X, Y, Z축 출력 값을 하나의 대표 값으로 처리하는 신호벡터크기(Signal Vector Magnitude : SVM)를 사용하였다. 또한 정확한 걸음 수를 검출하기 위해 휴리스틱 알고리즘(Heuristic Algorithm : HA)을 제안하고 적응적인 임계값 알고리즘(Adaptive ThresholdAlgorithm : ATA), 적응적인 잠금 구간 알고리즘(Adaptive Locking Period Algorithm : ALPA)을 제안한다. 실험결과 제안하는 알고리즘의 걸음 수 인식률은 97.34%로 Actical의 인식률(91.74%)보다 5.6%향상 되었다.
본 논문에서는 3축 가속도 센서를 이용하여 사람이 보행 시 발생하는 센서 데이터를 획득하여 실시간 걸음 수 검출이 가능한 웨어러블 디바이스를 개발하였다. 피험자 59명을 대상으로 트레드밀에서 Actical 과 본 연구에서 개발된 디바이스를 착용 후 36분 동안 테스트 프로토콜에 따라 느리게 걷기, 걷기, 빠르게 걷기, 천천히 뛰기, 뛰기, 빠르게 뛰기 등의 다양한 걸음 속력에서 테스트를 진행하였다. 3축 가속도 센서의 X, Y, Z축 출력 값을 하나의 대표 값으로 처리하는 신호벡터크기(Signal Vector Magnitude : SVM)를 사용하였다. 또한 정확한 걸음 수를 검출하기 위해 휴리스틱 알고리즘(Heuristic Algorithm : HA)을 제안하고 적응적인 임계값 알고리즘(Adaptive Threshold Algorithm : ATA), 적응적인 잠금 구간 알고리즘(Adaptive Locking Period Algorithm : ALPA)을 제안한다. 실험결과 제안하는 알고리즘의 걸음 수 인식률은 97.34%로 Actical의 인식률(91.74%)보다 5.6%향상 되었다.
We have developed a wearable device that can convert sensor data into real-time step counts. Sensor data on gait were acquired using a triaxial accelerometer. A test was performed according to a test protocol for different walking speeds, e.g., slow walking, walking, fast walking, slow running, runn...
We have developed a wearable device that can convert sensor data into real-time step counts. Sensor data on gait were acquired using a triaxial accelerometer. A test was performed according to a test protocol for different walking speeds, e.g., slow walking, walking, fast walking, slow running, running, and fast running. Each test was carried out for 36 min on a treadmill with the participant wearing an Actical device, and the device developed in this study. The signal vector magnitude (SVM) was used to process the X, Y, and Z values output by the triaxial accelerometer into one representative value. In addition, for accurate step-count detection, we used three algorithms: an heuristic algorithm (HA), the adaptive threshold algorithm (ATA), and the adaptive locking period algorithm (ALPA). The recognition rate of our algorithm was 97.34% better than that of the Actical device(91.74%) by 5.6%.
We have developed a wearable device that can convert sensor data into real-time step counts. Sensor data on gait were acquired using a triaxial accelerometer. A test was performed according to a test protocol for different walking speeds, e.g., slow walking, walking, fast walking, slow running, running, and fast running. Each test was carried out for 36 min on a treadmill with the participant wearing an Actical device, and the device developed in this study. The signal vector magnitude (SVM) was used to process the X, Y, and Z values output by the triaxial accelerometer into one representative value. In addition, for accurate step-count detection, we used three algorithms: an heuristic algorithm (HA), the adaptive threshold algorithm (ATA), and the adaptive locking period algorithm (ALPA). The recognition rate of our algorithm was 97.34% better than that of the Actical device(91.74%) by 5.6%.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
또한 잠금 구간이 (a)에서처럼 설정되어 있을 때 (b)에서처럼 llKm/h로 빠르게 뛸 경우 고정된 잠 금 구간에 실제 걸음이 노이즈로 처리되어 걸음이 검출되지 않은 오류를 범하게 된다. 따라서 본 논문에서는 이러한 고정적 잠금 구간 설정으로 인한 문제점을 해결하기 위하여 ALPA을 적용하여 걸음 수 검출을 하였다. 걸음의 속도는 한 걸음 동안의 가속도계 출력의 분산과 비례관계에 있으므로[13] 한 걸음에서 발생하는 스텝 사이즈의 Maximum 값과 Minimum 값에 따라 느린 걸음과 빨리 뛰기를 구분지어 식 (6)과 같이 잠금구간을 유연하게 적용하였다.
본 논문에서는 3축 가속도 센서를 이용한 웨어러블 디바이스를 개발하여 신체에 부착 후 보행시 발생하는 센서 데이터를 획득하여 걸음수를 검출하는 알고리즘을 개발하였다. 보행 시 발생하는 센서 데이터 출력은 사람마다 다르지만 피험자 59명 전원의 걸음 동작 패턴에 구애받지 않고 보다 정확한 걸음 수를 검출하기 위해 HA, ATA, ALPA를 보행 동작 패턴에 적용하여 특이한 걸음 일지라도 인식할 수 있도록 하였으며 Actical에서 검출된 걸음 인식률보다 5.
고정된 임계값 범위를 사용하여 걸음수를 검출할 경우 느리게 걷기, 빠르게 뛰기 등의 동작에서 발생하는 신호에 대해서 완전히 검출하기는 어렵다. 본 연구에서는 이전 걸음 데이터의 특정 값을 주줄하여 임계값을 지속적으로 갱신할 수 있도록 ATA를 적용하여 다양한 동작이 연속적으로 들어오더라도 걸음 수를 검출할 수 있도록 하였다. 임계값 범위인 Tmax와 Tmin를 조정하기 위해 바로 이전 두 번의 걸음 데이터 중 최대/최저 Peak 값인 (그림 4)의 %, M„, Pn-i, Mn4 네 개의 값을 사용하였다.
선행 연구에서는 걸음 수를 카운트한 직후부터 발생할 수 있는 노이즈 처리를 위해 일정 시간 동안 걸음을 측정하지 않도록 고정적 잠금 구간을 설정하여 노이즈가 인식되지 않도록 함으로서 인식률을 높이고자 하였다[12]. 하지만 실험 결과 고정된 잠금 구간을 사용하는 경우 느린 걸음에서 잠금 구간을 초과해 노이즈가 발생되면 노이즈 성분과 실제 걸음에 대해서 필터링이 어렵기 때문에 본 연구에서는 ALPA를 사용하여 보다 더 효과적인 실시간 걸음 수를 검출하도록 하였다. 실험에서 분당 걸음 속도가 평균 이하로 느린 사람의 경우 잠금 구간을 고정하였을 때 걸 음 수 측정 데이터가 부정확하였다.
제안 방법
신체적 특징을 고려하여 여자는 남자의 트레드밀 속도보다 IKm/h 작게 설정하였다. 가속도 센서를 왼쪽과 오른쪽 팔에 부착하였을 때 센서 데이터 출력 값의 차이가 많지 않은 것으로 소개되어[11] 본 연구에서는 오른쪽 팔에 부착 하였다.
임계값 범위를 설정하여 걸음수를 찾는 경우 임계값 범위를 좁게 할수록 걸음 검출 확률이 높지만 노이즈 성분을 걸음 수로 인식할 수 있는 오류가 있다. 그래서 가능한 한 최소 임계값 범위를 넓게 설정한 상태에서 HA를 적용하여 중간에 찾지 못한 걸음 수를 검출하였다. 또한 걸음 패턴이 급격하게 변하는 경우에도 실시간으로 변화하는 임계값에 HA가 적용될 수 있도록 하였다.
즉, 보행 시 허리에서 출력되는 센서 데이터는 HA로만 검출하여도 충분함을 알 수 있다. 그러나 모든 사람의 걸음 동작과 다른 속력의 걸음에서 정확한 걸음 수를 검출하기 위해 ALPA를 추가 적용하여 부착위치 및 모든 단계에서 평균 인식률을 증가 시켰다. 본 연구에서 팔(97.
그림에서 보는 바와 같이 웨어러블 디바이스에서 실시간 검출을 위해 블루투스 전송 기능을 추가하였다.
Shin [10]은 MEMS 센서를 이용하여 걷거나 뛰기 상황에서 보폭(Step Length)을 측정하기 위해 걸음 수를 획득하여 활용하였으며 헬스 모니터링 모바일 시스템에 적용시켰다. 기존 연구에서는 일반적인 걷기 동작에서의 걸음 수 검출을 시도하였 으나 본 연구에서는 다양한 속력(느리게 걷기, 걷기, 빠르게 걷기, 천천히 뛰기, 뛰기, 빠르게 뛰기)에서의 걸음 수 검출과 사람마다 다르게 발생할 수 있는 걸음 동작 그리고 일반적으로 걸음으 로 인식되지 못하는 동작 패턴에 대해서도 걸음 으로 인식 할 수 있는 알고리즘으로 개발하여 보다 정확한 걸음 수를 검출하였다.
다른 데이터를 출력할 수 있기 때문에 정확한 걸음 수 판단을 위해 알고리즘을 단계화하여 적용 하였다.
25%의 정확도를 얻었으나 피험자 5명을 대상으로 총 100걸음에 대한 데이터이다[7]. 또한 3축 가속도 센서를 소형 센서 모듈로 구성하고 이를 사람의 신체 부위에 부착하여 센서의 3차원적 방 향에 구애되지 않고 동작에 의한 중력방향의 가속도를 계산할 수 있는 장치와 알고리즘을 개발 하였다[8]. 이 경우 보행 패턴 중에서 걷는 동작에 대해서만 알고리즘을 적용한 개인 휴대정보 단말용 프로그램을 적용한 후 걸음수 측정 정확도는 약 97%로 소개하였다.
또한 걸음 패턴이 급격하게 변하는 경우에도 실시간으로 변화하는 임계값에 HA가 적용될 수 있도록 하였다. 본 논문에서 HA는 현재 스텝 인덱스가 이전 네번의 스텝 인덱스 평균의 두 배에 가까울 때 현재의 스텝인덱스를 2로 나누어 찾지 못한 걸음 수를 검출할 수 있도록 적용하였다. 센서 디바이스를 신체의 한쪽 방향에 부착하였을 경우 비대칭적으로 반복되는 파형이 발생하는 점에 착안하여 이전 네번의 걸음을 참조하여 걸음 패턴의 평균 임계값을 구하여 걸음수를 카운트 한다.
본 연구에서 개발한 디바이스는 16bit MCU (Micro Controller Unit)와 디지털 타입의 3축 가속도 센서, Micro SD 메모리, 그리고 블루투스2.0 + EDR 통신 모듈로 구성 되었다. MCU는 Texas Instruments 사의 MSP430을 사용하였고 3축 가속도 센서는 디지털 데이터 10bit의 분해능을 가지는 BOSCH사의 BMA150을 사용하였다.
1단계 느린 속력의 걸음에서 다소 낮은 인식률은 느린 걸음에서는 센서의 데이터가 전체적으로 작기 때문에 걸음 수 계산에서 생략되는 경우가 발생하기 때문이다. 이 문제를 해결하기 위해 ATA를 추가 적용하여 인식률을 증가시켰다. 또한 HA만 적용 하였을 때보다 ATA를 적용 하였을 때 팔에서 검출된 인식률은 모든 단계에서 증가하고 반대로 허리에서 검출된 인식률은 조금씩 감소하는 경향이 있었다.
70Kg이고 평균 나이는 28세이다. 이들 피험자들이 트레드밀 위에서 카운트한 걸음 수, 상용화 제품인 Actical 데이터, 본 연구에서 개발한 3축 가속도 센서 데이터를 획득하여 다양한 걸음 속력에서의 걸음 수 한국 인터넷 정보학회 (12권3회 검출에 관한 알고리즘을 개발 하였다. 본 연구에 참가한 실험 대상자의 특징은 (표 D과 같다.
피험자들은 오른쪽 팔 상박과 오른쪽 허리에 3 축 가속도 센서 모듈 부착 하였고 Acticale 왼쪽 허리에 부착 후 트레드밀 위에서 느리게 걷기, 걷기, 빠르게 걷기, 천천히 뛰기, 뛰기, 빠르게 뛰 기 의 순서대로 속력을 달리 하면서 각 단계 별로 5 분씩 진행하였다 테스트 프로토콜은 운동생리학 연구자의 자문을 통해 얻어진 것이며 중간에 1분 씩 불완전 휴식 단계가 포함되어 있는 것은 운동 을 함에 있어 호흡이 안정되기까지의 시간을 고 려하였으며 (표 2)와 같이 구성 하였다.
사람의 행동에서 걷기는 운동량 측정이나 BMI(Body Mass Index)계산과 같이 건강상태를 측정하는데 많이 활용되는 데이터이다 [5] , 예를 들어 걷거나 뛰는 행동에서 정확한 걸음 수를 알 수 있다면 운동이력이나 칼로리 계산에 유용한 데이터가 될 것이다. 하나의 알고리즘으로 모든 경우의 걸음 동작에 대한 처리에는 한계가 있으므로 다양한 상황을 인식할 수 있도록 하는 알고리즘이 요구되므로 본 논문에서는 걸음수를 검출하기 위해 3축 가속도 센서를 이용하여 HA, ATA를 적용하고 보행 중의 다양한 동 작에 구애받지 않고 걸음 수를 획득하기 위해 ALPA를 추가 적용함으로서 보다 정확한 걸음 수 검출 알고리즘을 제시한다. 본 논문의 구성은 2 장에서 관련연구 소개하고 3장에서는 시스템 구성을 기술하며 4장에서 걸음 수 검출 알고리즘과 실험결과를 제시하며 5장에서 결론을 맺는다.
대상 데이터
0 + EDR 통신 모듈로 구성 되었다. MCU는 Texas Instruments 사의 MSP430을 사용하였고 3축 가속도 센서는 디지털 데이터 10bit의 분해능을 가지는 BOSCH사의 BMA150을 사용하였다. 최대 진폭을 ±8g로 설정하였으며 Sampling Rate는 32Hz이다.
실험 데이터 획득을 위하여 건강한 성인을 대상으로 실험 참가자를 모집하여 21세에서 38세 사이의 성인 남여 59명을 선발하였다. 이들 피험자의 몸무게는 49.
본 연구에서는 이전 걸음 데이터의 특정 값을 주줄하여 임계값을 지속적으로 갱신할 수 있도록 ATA를 적용하여 다양한 동작이 연속적으로 들어오더라도 걸음 수를 검출할 수 있도록 하였다. 임계값 범위인 Tmax와 Tmin를 조정하기 위해 바로 이전 두 번의 걸음 데이터 중 최대/최저 Peak 값인 (그림 4)의 %, M„, Pn-i, Mn4 네 개의 값을 사용하였다.
최대 진폭을 ±8g로 설정하였으며 Sampling Rate는 32Hz이다. 획득된 데이터는 Micro SD 메모리에 저장을 하여 제안하는 알고리즘으로 걸음 수를 검출하였고 (그림 1)은 본 연구에서 개발된 시스템 구성도와 센서 디바이스이다.
데이터처리
테스트 과정에서 각 단계별 5분씩 획득한 데이터 중 2분간(2분 00초~4분 00초)의 데이터를 사용하였고 실제 카운트한 걸음 수와 알고리즘을 적용 후 검출된 값과 비교하여 식(1)과 같이 인식률을 계산하였다.
이론/모형
Devaul[9]은 걷기, 뛰기, 서기 등과 같은 사용자의 상태를 인식하기 위해 실시간 어플리케이션을 개발 하였다. 사용자의 행동상태를 정확하게 분류하고 인식하기 위해 GMM(Gau®ian Mixture Model)과 HMM (Hidden Markov Model)을 이용하였다. S.
성능/효과
Si 구간은 HA에서 걸음을 검출하는 스텝인덱스를 나타내며 만약 1초 동안 걸음이 검출되지 않는다면 임계값 범위를 이전 걸음 임계값의 중간 값으로 갱신한다. 2초 동안에도 걸음이 검출되지 않는다면 임계값 범위를 초기 값으로 조정하여 찾지 못한 걸음을 검출하였다.
이 문제를 해결하기 위해 ATA를 추가 적용하여 인식률을 증가시켰다. 또한 HA만 적용 하였을 때보다 ATA를 적용 하였을 때 팔에서 검출된 인식률은 모든 단계에서 증가하고 반대로 허리에서 검출된 인식률은 조금씩 감소하는 경향이 있었다. 그 이유는 사람의 걸음 동작에서 발생되는 센서의 데이터가 팔보다 허리에서 더 정확하게 출력됨을 알 수 있다.
본 논문에서는 3축 가속도 센서를 이용한 웨어러블 디바이스를 개발하여 신체에 부착 후 보행시 발생하는 센서 데이터를 획득하여 걸음수를 검출하는 알고리즘을 개발하였다. 보행 시 발생하는 센서 데이터 출력은 사람마다 다르지만 피험자 59명 전원의 걸음 동작 패턴에 구애받지 않고 보다 정확한 걸음 수를 검출하기 위해 HA, ATA, ALPA를 보행 동작 패턴에 적용하여 특이한 걸음 일지라도 인식할 수 있도록 하였으며 Actical에서 검출된 걸음 인식률보다 5.6% 향상된 97.34%의 평균 인식률을 얻었다.
74%이다. 본 연구에서 제안한 알고리즘으로 걸음 수 검출 인식률은 피험자 59명 개개인에 대한 인식률 합과 각 단계별 인식률의 평균으로써 97.34%의 걸음 수를 검출 하였다. 1단계 느린 속력의 걸음에서 다소 낮은 인식률은 느린 걸음에서는 센서의 데이터가 전체적으로 작기 때문에 걸음 수 계산에서 생략되는 경우가 발생하기 때문이다.
실제 걸음 수와 Actical에서 검출한 걸음 수는 피험자 59명에 대한 2분간의 평균이며 Actical의 평균 인식률은 91.74%이다. 본 연구에서 제안한 알고리즘으로 걸음 수 검출 인식률은 피험자 59명 개개인에 대한 인식률 합과 각 단계별 인식률의 평균으로써 97.
실험 대상자 59명에 대한 실험에서 고정적 잠금 구간을 적용했을 때 (그림 8)의 (a)와 같은 현상이 발생되는 피험자에 대한 데이터를 분석하여 Pn-Mn의 값이 일정 값(耳=55) 이하인 것을 확인할 수 있었다. C3 값을 식 (6)에 적용하여 스텝 인덱스 값에 따라 잠금 구간이 갱신 되도록 하였으며 Q의 값은 실험에 의해 결정 되었다
후속연구
기존 연구에서는 2죽 가속도 센서 모듈을 허리에 부착 후 보행 패턴 및 노이즈 영향을 덜 받는 걸음 수 검출을 위해 임계 치를 사용하는 Moving Average 알고리즘을 이용하여 걸음을 검출하였으며 Zigbee 통신으로 PC에서 모니터링 할 수 있게 하였다. 이 실험에서 평균 91%의 정확도를 얻었으나 피험자 5명을 대상으로 총 100보의 걸음 대한 결과로서 다양한 걸 음 동작과 더 많은 피험자의 데이터에 대한 연구가 필요하다[6]. 또 다른 연구에서도 발에 부착된 2축 가속도 패턴으로부터 지면 변화 및 보행 형태에 강인한 걸음 수 검출 기법을 제안하여 일반적인 보행형태가 아닌 경우(뛰기, 끌기)에도 평균 92.
참고문헌 (13)
R.Boulic, N,M. Thalmann, D.Thalmann, A Global Human Walking Model With Real-Rime Kinematic Personification, The Visual Computer, Vol.6, No.6, pp.344-358, 1991
http://www.thepedometercompany.com
K.Hinckley, J.Pierce, M.Sinclair, E.Horvitz, Sensing Techniques for Mobile Interaction, ACM UIST2000, CHI Letters 2, pp.91-100, 2000
R.W. DeVaul, S.DUNN, Real-time motion classfication for wearable computing applications, Technical report, MIT midea LAB, 2001
S.H. Shin, C.G. Park, Adaptive Step Length Estimation Algorithm Using Low-Cost MEMS Inertial Sensors, IEEE Sensors Applications Symposium, San Diego, California USA, pp.1-5, Feb. 2007
N.Twomey, S.Faul, W.P. Marnane, Comparison of accelerometer-based energy expenditure estimation algorithms, Pervasive Computing Technologies for Healthcare 4th international conference on, pp.1-8, 2010
유향미, 서재원, 차은종, 배현덕, 3축 가속도 센서를 이용한 보행 횟수 검출 알고리즘과 활동 모니터링, 한국콘텐츠학회 논문지, 제8권 제 8호, pp.253-260, 2008
※ AI-Helper는 부적절한 답변을 할 수 있습니다.