본 논문에서는 3축 가속도 센서를 소형 디바이스(활동량 측정기)로 구성하고 이를 사람의 신체에 착용하고 사람이 보행 시 발생하는 가속도 센서의 Raw 데이터 출력 값을 획득하여 실시간 활동량으로 변환하고 모니터링 할 수 있는 활동량 측정기와 알고리즘을 개발하였다. 피험자 59명을 대상으로 트레드밀(Treadmill)에서 호흡가스대사분석기(K4B2), Actical 그리고 본 연구에서 개발된 활동량 측정기를 착용 후 36분 동안 테스트 프로토콜에 따라 다양한 속력의 걸음(느리게 걷기, 걷기, 빠르게 걷기, 천천히 뛰기, 뛰기, 빠르게 뛰기)에 대해서 실험을 하였다. 가속도 센서의 출력 데이터와 피험자 정보를 이용하여 에너지소비량(Energy Expenditure :EE)을 추정하는 회귀식을 도출하였으며 이는 실험시 같이 착용한 Actical보다 제안하는 활동량 변환 알고리즘의 성능이 1.61% 향상 되었다.
본 논문에서는 3축 가속도 센서를 소형 디바이스(활동량 측정기)로 구성하고 이를 사람의 신체에 착용하고 사람이 보행 시 발생하는 가속도 센서의 Raw 데이터 출력 값을 획득하여 실시간 활동량으로 변환하고 모니터링 할 수 있는 활동량 측정기와 알고리즘을 개발하였다. 피험자 59명을 대상으로 트레드밀(Treadmill)에서 호흡가스대사분석기(K4B2), Actical 그리고 본 연구에서 개발된 활동량 측정기를 착용 후 36분 동안 테스트 프로토콜에 따라 다양한 속력의 걸음(느리게 걷기, 걷기, 빠르게 걷기, 천천히 뛰기, 뛰기, 빠르게 뛰기)에 대해서 실험을 하였다. 가속도 센서의 출력 데이터와 피험자 정보를 이용하여 에너지소비량(Energy Expenditure :EE)을 추정하는 회귀식을 도출하였으며 이는 실험시 같이 착용한 Actical보다 제안하는 활동량 변환 알고리즘의 성능이 1.61% 향상 되었다.
In this paper developed a wearable activity device and algorithm which can be converted into the real-time activity and monitoring by acquiring sensor row data to be occurred when a person is walking by using a tri-axial accelerometer. Test was proceeded at various step speeds such as slow walking, ...
In this paper developed a wearable activity device and algorithm which can be converted into the real-time activity and monitoring by acquiring sensor row data to be occurred when a person is walking by using a tri-axial accelerometer. Test was proceeded at various step speeds such as slow walking, walking, fast walking, slow running, running and fast running, etc. for 36 minutes in accordance with the test protocol after wearing a metabolic test system(K4B2), Actical and the device developed in this study at the treadmill with 59 participants of subjects as its target. To measure the activity of human body, a regression equation estimating the Energy Expenditure(EE) was drawn by using data output from the accelerometer and information on subjects. As a result of experiment, the recognition rate of algorithm being proposed was shown the activity conversion algorithm was enhanced by 1.61% better than the performance of Actical.
In this paper developed a wearable activity device and algorithm which can be converted into the real-time activity and monitoring by acquiring sensor row data to be occurred when a person is walking by using a tri-axial accelerometer. Test was proceeded at various step speeds such as slow walking, walking, fast walking, slow running, running and fast running, etc. for 36 minutes in accordance with the test protocol after wearing a metabolic test system(K4B2), Actical and the device developed in this study at the treadmill with 59 participants of subjects as its target. To measure the activity of human body, a regression equation estimating the Energy Expenditure(EE) was drawn by using data output from the accelerometer and information on subjects. As a result of experiment, the recognition rate of algorithm being proposed was shown the activity conversion algorithm was enhanced by 1.61% better than the performance of Actical.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
또한 사용자의 생활 습관을 개선하여 비만 환자를 정상 체중으로 만들거나, 과체중인 사용자에게 운동에 대한 동기 유발을 위해서는 비교적 정확한 kcal 계산이 필요하므로 kcal의 예측의 정확성을 높이는 것이 필요이다. 따라서본 논문에서는 정확성이 좀 더 향상된 가속도 센서 데이터를 활동량으로 변환하는 알고리즘을 구현하였다. 구현한 알고리즘은 Actical에서 측정된 활동량 AEE(Activity Energy Expenditure)[6]와 비교하여 성능을 검증하였다.
본 논문에서는 3축 가속도 센서를 이용하여 가속도 출력 Raw 데이터를 획득하고 실시간 활동량으로 변환할 수 있는 활동량 측정기와 알고리즘을 개발하였다. 피험자 59명을 대상으로 트레드밀에서 호흡가스대사분석기(K4B2), Actical, 활동량 측정기를 착용하고 테스트 프로토콜에 따라 다양한 속력의 걸음에 대해서 테스트를 진행하였으며 Actical에 측정된 활동량 AEE와 본 연구에서 제안한 알고리즘으로 측정한 활동량을 비교하였다.
제안 방법
신체적 특징을 고려하여 여자는 남자의 트레드밀 속도 보다 1km/h 작게 설정하였다. 가속도 센서를 왼쪽과 오른쪽 팔에 부착하였을 때 센서 데이터 출력 값의 차이가 많지 않은 것으로 소개되어[13] 본 연구에서는 오른쪽 팔에 부착 하였다. 본 실험의 구성은 (그림 2)과 같다.
본 연구에서 개발한 활동량 측정기는 TI사의 16bit MCU(Micro Controller Unit)와 디지털 타입의 3축 가속도 센서, Micro SD 메모리, 그리고 블루투스2.0 + EDR 통신 모듈로 구성 되었다. 3축 가속도 센서는 디지털 데이터 10bit의 분해능을 가지는 BOSCH사의 BMA150을 사용하였다.
테스트 프로토콜은 운동생리학 연구자의 자문을 통해 얻어진 것이며 중간에 1분씩 불완전 휴식 단계가 포함되어 있는 것은 운동을 함에 있어 호흡이 안정되기까지의 시간을 고려하였으며 와 같이 구성하였다.
본 논문에서는 3축 가속도 센서를 이용하여 가속도 출력 Raw 데이터를 획득하고 실시간 활동량으로 변환할 수 있는 활동량 측정기와 알고리즘을 개발하였다. 피험자 59명을 대상으로 트레드밀에서 호흡가스대사분석기(K4B2), Actical, 활동량 측정기를 착용하고 테스트 프로토콜에 따라 다양한 속력의 걸음에 대해서 테스트를 진행하였으며 Actical에 측정된 활동량 AEE와 본 연구에서 제안한 알고리즘으로 측정한 활동량을 비교하였다. 그 결과 호흡가스 대사분석기(K4B2) 의 kcal 기준으로 제안한 알고리즘이 Actical의 성능보다 1.
피험자들은 호흡가스대사분석기(K4B2)를 가슴 부분에 착용하고 오른쪽 팔 상박과 오른쪽 허리에 활동량 측정기를 부착 하고, Actical은 왼쪽 허리에 부착 후 트레드밀 위에서 느리게 걷기, 걷기, 빠르게 걷기, 천천히 뛰기, 뛰기, 빠르게 뛰기의 순서대로 속력을 달리하면서 각 단계별로 5분씩 진행하였다. 테스트 프로토콜은 운동생리학 연구자의 자문을 통해 얻어진 것이며 중간에 1분씩 불완전 휴식 단계가 포함되어 있는 것은 운동을 함에 있어 호흡이 안정되기까지의 시간을 고려하였으며 <표 2>와 같이 구성하였다.
회귀 공식을 유추하기 위하여 실험을 통해 얻은 데이터를 이용하여 산점도를 그려서 살펴보았다. (그림 4)는 성별에 따른 kcal와 식 (2)를 통해 얻은 S의 산점도로써 “0”은 남자, “1”은 여자를 나타내며 여자보다 남자가 같은 S에 비해 kcal 가 더 높게 나오는 것을 알 수 있다.
대상 데이터
스튜던트화된 잔차를 분석 하여 잔차가 2이상인 값을 제거하고 10번의 필터링 후에 식 (10)과 같은 회귀식을 도출하였다. 관측치 개수는 337개였으나 101개가 이상치로 판단되어 236개의 데이터만을 이용하여 회귀분석을 실시하였다. 여기서 이상치가 많은 이유는 사람에 따라 걷거나 뛰는 동작 패턴이 다양하기 때문인 것으로 추정된다.
본 연구에 참가한 실험 대상자의 특징은 과 같으며 트레드밀에서 다양한 걸음 속력의 가속도 출력 데이터를 획득하여 실험하였다.
실험 데이터 획득을 위하여 건강한 성인을 대상으로 실험 참가자를 모집하여 21세에서 38세 사이의 성인 남녀 59명을 선발하였다. 이들 피험자의 몸무게는 49.
데이터처리
따라서본 논문에서는 정확성이 좀 더 향상된 가속도 센서 데이터를 활동량으로 변환하는 알고리즘을 구현하였다. 구현한 알고리즘은 Actical에서 측정된 활동량 AEE(Activity Energy Expenditure)[6]와 비교하여 성능을 검증하였다.
이론/모형
3축 가속도 센서는 Simple 0g x, 0g y, +1g z calibration[12] 방법을 이용하여 영점 보정을 하였다. 센서의 움직임을 최소화하기위해 블루투스 통신을 이용하여 다음과 같이 수행하였다.
본 연구에서 제안한 알고리즘의 식 (10)과 Actical의 AEE 산출 성능을 식 (11)과 같이 RSME(Root Mean Square Error)를 구하고 실제 호흡가스대사분석기에서 나온 kcal 값과의 정확도(P)를 식 (12)와 같이 구하여서 에 정리하였다.
성능/효과
피험자 59명을 대상으로 트레드밀에서 호흡가스대사분석기(K4B2), Actical, 활동량 측정기를 착용하고 테스트 프로토콜에 따라 다양한 속력의 걸음에 대해서 테스트를 진행하였으며 Actical에 측정된 활동량 AEE와 본 연구에서 제안한 알고리즘으로 측정한 활동량을 비교하였다. 그 결과 호흡가스 대사분석기(K4B2) 의 kcal 기준으로 제안한 알고리즘이 Actical의 성능보다 1.61% 향상 되었다.
<표 4>에서 나타내는 값은 이상치로 판단된 모든 데이터를 포함한 수치로써 RMSE가 Actical에 비해 작다는 것을알 수 있다. 따라서 제안한 알고리즘이 호흡가스대사분석기 (K4B2)에서 나온 기준 kcal 보다 정확하게 예측된다는 것을 알 수 있으며 정확도(P)는 Actical의 성능보다 1.61% 향상되었다. kcal 예측의 정확도 향상은 활동량 측정기 사용자에게 더 정확한 활동량을 표시해주므로, 운동이 부족한 사용자에게 운동 동기 부여에 더 힘을 실어 줄 수 있는 척도 사용될 수 있을 것이다.
후속연구
61% 향상되었다. kcal 예측의 정확도 향상은 활동량 측정기 사용자에게 더 정확한 활동량을 표시해주므로, 운동이 부족한 사용자에게 운동 동기 부여에 더 힘을 실어 줄 수 있는 척도 사용될 수 있을 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
PA는 무엇에 있어 중요한 구성요소인가?
PA는 과체중과 비만의 예방과 치료에 있어서 중요한 구성요소로써 PA를 통하여 체중 감량과 체중 유지에 필요한 에너지를 소비하게 된다[2]. 적절한 운동 습관의 권장을 위해서 American College of Sports Medicine(ACSM)과 Center for Disease Control and Prevention에서는 성인들이주 5일 30분씩 규칙적으로 운동하는 것을 권장하고 있다[3][4].
PA를 추정하는데 가장 흔한 방법은?
적절한 운동 습관의 권장을 위해서 American College of Sports Medicine(ACSM)과 Center for Disease Control and Prevention에서는 성인들이주 5일 30분씩 규칙적으로 운동하는 것을 권장하고 있다[3][4]. 또한 PA를 추정하는데 가장 흔한 방법은 가속도 데이터를 이용하여 에너지소비량(Energy Expenditure :EE) [5][6][7][8]이나 대사량(Metabolic equivalents :METs) [9][10][11]을 추정한다. ACSM에 따르면 MET는 전형적으로 Sedentary(1-1.
호흡가스 대사분석기(K4B2) 의 kcal 기준으로 제안한 알고리즘이 Actical의 성능보다 1.61% 향상 된 결과를 얻기 위해 무슨 테스트를 진행하고 무엇을 비교했는가?
본 논문에서는 3축 가속도 센서를 이용하여 가속도 출력 Raw 데이터를 획득하고 실시간 활동량으로 변환할 수 있는 활동량 측정기와 알고리즘을 개발하였다. 피험자 59명을 대상으로 트레드밀에서 호흡가스대사분석기(K4B2), Actical, 활동량 측정기를 착용하고 테스트 프로토콜에 따라 다양한 속력의 걸음에 대해서 테스트를 진행하였으며 Actical에 측정된 활동량 AEE와 본 연구에서 제안한 알고리즘으로 측정한 활동량을 비교하였다. 그 결과 호흡가스 대사분석기(K4B2) 의 kcal 기준으로 제안한 알고리즘이 Actical의 성능보다 1.
참고문헌 (15)
Megan P.Rothney, Emily V.Schaefer, Megan M.Neumann, Leena Choi, and Kong Y.Chen, Validity of Physical Activity Intensity Predictions by ActiGraph, Actical, and RT3 Accelerometers, Obesity(Silver Spring), pp.1946-1952, 2008.
David Jacobi, Anne-Elisabeth Perrin, Natacha Grosman, Marie-France Dore, Sylvie Normand, Jean-Michel Oppert, and Chantal Simon, Physical Activity-Related Energy Expenditure With the RT3 and TriTrac Accelerometers in Overweight Adults, Obesity(2007), pp.950-956, 2007.
Whaley,M.., ACSM's Guidelines for Exercise Testing and Prescription, 2006.
Patt RR, Pratt M, and Blair SN, Physical activity and public health, A recommendation from the center for Disease Control and Prevention and Americal College of Sports Medicine, JAMA, pp.402-407, 1995.
Chen KY, Sun M, Improving energy expenditure estimation by using a triaxial accelerometer, J Appl Physical, pp.2112-2122, 1997.
Heil DP, Predicting activity energy expenditure using the Actical activity monitor, Res Q Exerc Sport, pp.64-80, 2006.
Welk GJ, Blair SN, Wood K, Jons S, and Thompson RW, A Comparative evaluation of three accelerometry-based physical activity monitors, Med Sci Sports Exerc, pp.S489-S497, 2000.
Scott E. Crouter, James R. Churilla, and David R. Bassett Jr, Estimating energy expenditure using accelerometers, Springer-Verlag, pp.601-612, 2006.
Freedson PS, Melanson E, and Sirard J, Calibration of the Computer Science and Application, Med Sci Sports Exerc, pp.777-781, 1998.
Hendelman D, Miller K, Baggett C, Debold E, and Freedson P, Validity of accelerometry for the assessment of moderate intensity physical activity in the field, Med Sci Sports Exerc, pp.S442-S449, 2000.
Swartz AM, Strath SJ, and Bassett DR, Estimation of energy expenditure using CSA accelerometers at hip and wrist sites, Med Sci Sports Exerc, pp.S450-S456, 2000.
Kimberly Tuck, Implementing Auto-Zero- Calibration Technique for Accelerometers, 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.
Fitbit, www.fitbit.com.
Maurice R. Puyau, Anne L. Adolph, Firoz A. Vohra, Issa Zakeri, and Nancy F. Butte, Prediction of Activity Energy Expenditure Using Accelerometers in Children, Medicine & Science In Sports & Exercise, pp.1625-1631, 2004.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.