본 연구에서는 3축 가속도 측정을 위한 LSM을 개발하고 가변 진폭을 이용하여 걸음수 검출 정확도를 향상시킨 가변 진폭 임계값 알고리즘을 설계하였다. 테스트 프로토콜에 따라 실험하여 수집한 x, y, z 값을 SVM(Signal Vector Magnitude) 알고리즘을 사용하여 하나의 에너지값($E_t$)으로 변환하고 Peak 데이터 검출 알고리즘과 고정 Peak 임계값을 사용하여 평균 99%이상의 정확도로 걸음수를 검출하였다. 그러나 검출한 걸음이 정확한 걸음임을 증명하기 위해 에너지값($E_t$)의 진폭 크기로부터 고정 진폭 임계값을 구하고 노이즈를 필터링 한 결과 걸음수 검출 오차율이 증가하였다. 따라서 본 연구에서는 오차율을 줄이기 위하여 고정 진폭 임계값이 아닌 데이터를 관찰하여 적응적으로 변화하는 가변 진폭 임계값 알고리즘을 설계하였다. 가변 진폭 임계값 알고리즘을 적용한 결과, 걸음수 검출의 평균 정확도는 샘플링 주기 10Hz에서 평균 98.9%, 20Hz에서는 99.6%로 높아졌다.
본 연구에서는 3축 가속도 측정을 위한 LSM을 개발하고 가변 진폭을 이용하여 걸음수 검출 정확도를 향상시킨 가변 진폭 임계값 알고리즘을 설계하였다. 테스트 프로토콜에 따라 실험하여 수집한 x, y, z 값을 SVM(Signal Vector Magnitude) 알고리즘을 사용하여 하나의 에너지값($E_t$)으로 변환하고 Peak 데이터 검출 알고리즘과 고정 Peak 임계값을 사용하여 평균 99%이상의 정확도로 걸음수를 검출하였다. 그러나 검출한 걸음이 정확한 걸음임을 증명하기 위해 에너지값($E_t$)의 진폭 크기로부터 고정 진폭 임계값을 구하고 노이즈를 필터링 한 결과 걸음수 검출 오차율이 증가하였다. 따라서 본 연구에서는 오차율을 줄이기 위하여 고정 진폭 임계값이 아닌 데이터를 관찰하여 적응적으로 변화하는 가변 진폭 임계값 알고리즘을 설계하였다. 가변 진폭 임계값 알고리즘을 적용한 결과, 걸음수 검출의 평균 정확도는 샘플링 주기 10Hz에서 평균 98.9%, 20Hz에서는 99.6%로 높아졌다.
In this study, we have designed the variable amplitude threshold algorithm that can enhance the accuracy of step count using variable amplitude. This algorithm converts the x, y, z sensor values into a single energy value($E_t$) by using SVM(Signal Vector Magnitude) algorithm and can pick...
In this study, we have designed the variable amplitude threshold algorithm that can enhance the accuracy of step count using variable amplitude. This algorithm converts the x, y, z sensor values into a single energy value($E_t$) by using SVM(Signal Vector Magnitude) algorithm and can pick step count out over 99% of accuracy through the peak data detection algorithm and fixed peak threshold. To prove the results, We made the noise filtering with the fixed amplitude threshold from the amplitude of energy value that found out the detection error was increasing, and it's the key idea of the variable amplitude threshold that can be adapted on the continuous data evaluation. The experiment results shows that the variable amplitude threshold algorithm can improve the average step count accuracy up to 98.9% at 10 Hz sampling rate and 99.6% at 20Hz sampling rate.
In this study, we have designed the variable amplitude threshold algorithm that can enhance the accuracy of step count using variable amplitude. This algorithm converts the x, y, z sensor values into a single energy value($E_t$) by using SVM(Signal Vector Magnitude) algorithm and can pick step count out over 99% of accuracy through the peak data detection algorithm and fixed peak threshold. To prove the results, We made the noise filtering with the fixed amplitude threshold from the amplitude of energy value that found out the detection error was increasing, and it's the key idea of the variable amplitude threshold that can be adapted on the continuous data evaluation. The experiment results shows that the variable amplitude threshold algorithm can improve the average step count accuracy up to 98.9% at 10 Hz sampling rate and 99.6% at 20Hz sampling rate.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
최근에는 MEMS(Micro Electro Mechanical System) 기술을 응용한 소형 가속도 센서를 이용하여 걸음수를 측정하는 측정하는 연구가 진행되고 있다. 본 연구에서는 걸음수 측정을 위하여 Bluetooth 기반의 3축 가속도 센서 모듈을 개발하고 측정된 3축 데이터를 분석하여 걸음수를 검출 하였다. 3축 데이터는 SVM(Signal Vector Magnitude) 알고리즘을 사용하여 하나의 대표 값으로 변환하여 걸음수 검출에 사용되는 고정 Peak 임계값과 걸음수 인식에 적합한 샘플링 횟수를 도출하였다.
제안 방법
본 연구에서는 걸음수 측정을 위하여 Bluetooth 기반의 3축 가속도 센서 모듈을 개발하고 측정된 3축 데이터를 분석하여 걸음수를 검출 하였다. 3축 데이터는 SVM(Signal Vector Magnitude) 알고리즘을 사용하여 하나의 대표 값으로 변환하여 걸음수 검출에 사용되는 고정 Peak 임계값과 걸음수 인식에 적합한 샘플링 횟수를 도출하였다. 또한 정확한 걸음을 검출하기 위하여 이전의 걸음 진폭 데이터에 따라 진폭 임계값을 지속적으로 갱신시키는 가변 진폭 임계값과 고정 Peak 임계값을 동시에 적용하여 걸음을 검출하는 걸음수 검출 알고리즘을 설계하였다.
MPU에는 본 논문에서 제시된 방법으로 실험하기 위하여, I2C로 가속도 센서와 측정된 데이터를 저장하는 EEPROM을 제어하고, 저장된 데이터를 Bluetooth Network를 통해 실시간 전송되거나 사용자가 원하는 순간에 일괄 전송될 수 있도록 하는 기능을 가지는 펌웨어를 별도로 구현하여 내장하였다.
050사이의 값이 측정된다. Peak 임계값에 따른 걸음수를 분석하기 위하여 임계값을 1.05부터 1.2까지 0.025 간격으로 설정하고 걸음수를 분석하였다. Peak 임계값이 1.
걸음 데이터 수집을 위한 실험은 걸음을 3 가지 유형으로 나누고 각 유형별로 3축 가속도 센서의 Sensitivity를 바꾸어가며 진행하였다. 또한 걸음수 검출에 적합한 최소 샘플링 주기를 도출하기 위해 5, 10, 20Hz별로 실험을 진행하였다.
기존 연구에서는 에너지값 파형의 Peak 데이터만을 사용하여 걸음수를 검출하였지만 본 연구에서는 Peak 데이터와 Low 데이터의 차이 값인 진폭을 사용하여 검출된 걸음이 실제로 유효한 걸음인지 검증하기 위해 고정 Peak 임계값으로 검출된 걸음의 진폭 평균을 유형별로 분석하였다.
이 때문에 하드웨어적으로 측정 데이터의노이즈 필터링을 할 수 없다. 따라서 SVM 알고리즘을 통해 변환된 Et의 노이즈를 제거하기 위하여 걸음 검출 프로그램에서 소프트웨어적으로 필터링을 하였다.
고정 Peak 임계값만을 사용하여 걸음수를 검출할 경우 걸음으로 검출된 값이 유효한 걸음이 아닌 노이즈 값일 수도 있다. 따라서 고정 Peak 임계값으로 검출된 걸음이 유효한 걸음인지 확인하기 위해 검출된 걸음의 진폭 값을 계산하여 진폭 임계값보다 큰 경우만 걸음으로 인정하여 정확한 걸음을 검출하였다.
걸음수 검출 오차율이 증가한 이유는 사람들마다 걸음의 움직임 크기가 다르고 또한 걸음의 유형에 따라 진폭 값이 차이가 나기 때문이다. 따라서 고정 진폭 임계값이 아닌 데이터를 관찰하여 적응적으로 변화하는 가변 진폭 임계값 알고리즘을 설계하였다.
걸음 데이터 수집을 위한 실험은 걸음을 3 가지 유형으로 나누고 각 유형별로 3축 가속도 센서의 Sensitivity를 바꾸어가며 진행하였다. 또한 걸음수 검출에 적합한 최소 샘플링 주기를 도출하기 위해 5, 10, 20Hz별로 실험을 진행하였다. 3가지 걸음 유형은 천천히 걷기와 일반 걷기, 그리고 조깅으로 성인 남성을 기준으로 각각 2초당 2걸음 내외, 3~5걸음, 4~6걸음으로 정하였다.
3축 데이터는 SVM(Signal Vector Magnitude) 알고리즘을 사용하여 하나의 대표 값으로 변환하여 걸음수 검출에 사용되는 고정 Peak 임계값과 걸음수 인식에 적합한 샘플링 횟수를 도출하였다. 또한 정확한 걸음을 검출하기 위하여 이전의 걸음 진폭 데이터에 따라 진폭 임계값을 지속적으로 갱신시키는 가변 진폭 임계값과 고정 Peak 임계값을 동시에 적용하여 걸음을 검출하는 걸음수 검출 알고리즘을 설계하였다.
본 논문에서 구현한 LSM의 3축 가속도 센서는 디지털 방식으로 측정된 데이터를 I 2 C 통신을 통하여 블루투스 모듈로 전송한다. 이 때문에 하드웨어적으로 측정 데이터의노이즈 필터링을 할 수 없다.
본 논문에서 이전의 데이터에 따라 진폭 임계값을 지속적으로 갱신시키는 가변 진폭 임계값 알고리즘을 설계하고, 고정 Peak 임계값과 같이 적용하여 걸음수 검출 정확도를 향상 시켰다. 가변 진폭 임계값은 식(2)를 이용하여 걸음을 검출할 때마다 새로이 갱신한다.
본 논문에서는 에너지값 파형의 Peak 데이터 중에서 걸음을 검출하기 위하여 고정 Peak임계값을 사용하였고, 걸음 검출 정확도를 높이기 위하여 에너지 파형의 진폭을 관찰하여 적응적으로 임계값을 변화시키는 가변 진폭 임계값 사용 하였다.
본 연구에서는 3축 가속도 측정을 위한 LSM을 개발하고 가변 진폭을 이용하여 걸음수 검출 정확도를 향상시킨 가변진폭 임계값 알고리즘을 설계하였다.
실험 데이터 수집을 위하여 키(168∼183cm)와 몸무게(45∼81kg)를 고려하여 5명의 성인 남성을 실험자로 선정하여 LSM을 허리에 부착하고 실험자 걸음 유형별로 100걸음을 걷는 실험을 8회씩 진행하여 1인당 288회의 걸음을 측정하였다.
이 노이즈 필터링 알고리즘은 성인의 일반적인 걸음수를 분석하여 설계하였다. 성인은 일반적으로 2초 동안 3걸음에서 5걸음 정도 걷는다.
이와 같은 기존 연구에서는 걸음을 검출하기 위해 여러 알고리즘을 사용하여 Peak 임계값을 구한 후 임계값보다 큰 Peak Data로 걸음을 검출하였으나 본 연구에서는 걸음 검출에 사용될 Peak 임계값을 실험을 통해 도출하고 정확한 걸음을 검출하기 위하여 고정 Peak 임계값과 가변 진폭 임계값을 동시에 적용하여 걸음을 검출하였다.
대상 데이터
본 논문에서 걸음수 측정을 위하여 개발한 LSM(Lifestyle Sensor Module)은 Umedix(주)에서 설계, 제작된 모듈로 Fig. 1과 같은 형태로 만들어져 있다. 이 LSM은 MPU로 사용된 Bluetooth Module(BlueCore4-External)과 3축 가속도 센서(BMA250)를 기본으로 하여 구현되었다.
이론/모형
전송된 x, y, z 데이터를 개별적으로 처리하여 걸음수를 검출 하는 것 보다는 하나의 대표 값으로 변환하여 처리하는 방법이 처리과정을 단순화시키고 빠른 실행 시간을 갖게 된다. 본 연구에서는 x, y, z값을 하나의 대표값으로 처리하기 위하여 SVM 알고리즘을 사용하여 식(1)과 같이 하나의 에너지값(Et)으로 변환하였다.
성능/효과
샘플링 주기 10Hz에서는 걸음수 검출 정확도의 평균이 약 99% 정도로 10Hz 샘플링에서도 충분히 걸음수를 검출할 수 있다는 것을 확인하였다. 20Hz로 샘플링 한 데이터는 샘플링 수가 증가하면서 생기는 노이즈의 증가로 인해 10Hz에서 검출한 걸음수 보다는 조금 더 검출되었다. 하지만 10Hz와 유사하게 Peak 임계값이 1.
Peak 데이터 검출 알고리즘과 고정 Peak 임계값을 사용하여 걸음수를 검출한 결과 평균 99%이상의 정확도로 걸음수를 검출하였다. 또한 고정 Peak 임계값을 사용하여 걸음수를 검출할 때 3축 가속도 데이터의 샘플링 주기가 10Hz미만인 경우 검출 오차율이 크게 나오므로 10Hz 이상의 샘플링 주기로 측정하여야 한다.
가변 진폭 임계값 알고리즘을 적용한 경우 걸음수 검출의 평균 정확도는 샘플링 주기 10Hz에서 평균 98.9%, 20Hz에서는 99.6%로 높아졌다.
4)과 고정 Peak 임계값을 적용하여 구한 걸음수를 비교한 것이다. 가변 진폭 임계값 알고리즘을 적용한 경우 고정 진폭 값을 사용한 경우보다 걸음수 검출의 평균 정확도는 샘플링 주기 10Hz에서 평균 98.9%, 20Hz에서는 99.6%로 높아졌다.
5Hz로 샘플링 하는 경우에는 100걸음에 대한 걸음수 검출결과가 동작범위와 상황에 따라 34걸음에서 85걸음이 검출되었다. 걸음수 검출 정확도의 평균이 약 53%로 초당 5회의 샘플링은 걸음수 검출에 적합하지 않다는 것을 알 수 있다.
검출한 걸음이 정확한 걸음임을 증명하기 위해 에너지값의 진폭 크기로부터 고정 진폭 임계값을 구하고 노이즈를 필터링 한 결과 걸음수 검출 오차율이 증가하였다.
고정 Peak 임계값과 고정 진폭 임계값을 적용한 경우의 걸음수 평균 정확도는 샘플링 주기 10Hz에서는 92.0%이고 20Hz에서는 97.2%로 고정 Peak 임계값만 사용한 경우보다 걸음수 검출 정확도가 줄어들었다. 걸음수 검출 정확도가 줄어든 이유는 사람들마다 신체조건에 의해 걸음 움직임의 크기와 센서의 부착위치가 다를 수 있고 걸음의 유형에 따라 진폭 값이 차이가 나기 때문이다.
175인 경우 100걸음에 근접한 결과가 검출되었다. 고정 Peak 임계값으로 검출한걸음수를 분석한 결과 샘플링 주기 10Hz에서는 임계값이 1.100과 1.125에서 평균 99.4% 정확도로 걸음수를 검출하였고 20Hz에서는 임계값 1.150와 1.175에서 평균 99.4%의 정확도로 걸음수를 검출하였다.
2이상에서는 90걸음 이하의 걸음수가 검출되었다. 샘플링 주기 10Hz에서는 걸음수 검출 정확도의 평균이 약 99% 정도로 10Hz 샘플링에서도 충분히 걸음수를 검출할 수 있다는 것을 확인하였다. 20Hz로 샘플링 한 데이터는 샘플링 수가 증가하면서 생기는 노이즈의 증가로 인해 10Hz에서 검출한 걸음수 보다는 조금 더 검출되었다.
후속연구
향후 연구에서는 에너지값의 진폭을 분석하여 걸음의 유형과 활동량을 검출하여 Mobile Smart Device를 이용하여 건강 가이드를 제공하는 건강 활동 정보 모니터링 시스템을 설계, 개발하고자 한다.
질의응답
핵심어
질문
논문에서 추출한 답변
건강한 생활을 유지하기 위해서 어떤 것이 중요한가?
삶의 질을 높이기 위해서는 건강한 생활을 유지해야 하는데, 이를 위하여 정신적, 육체적 스트레스 및 성인병을 예방할 수 있는 운동치료가 매우 중요하다. 따라서 질병의 예방과 조기진단, 그리고 건강의 유지 및 증진을 위한 상시 건강 관리 서비스 제공에 대한 요구가 증가되고 있다[1-2].
운동치료의 중요성에 따라 어떤 요구가 증가되고 있나?
삶의 질을 높이기 위해서는 건강한 생활을 유지해야 하는데, 이를 위하여 정신적, 육체적 스트레스 및 성인병을 예방할 수 있는 운동치료가 매우 중요하다. 따라서 질병의 예방과 조기진단, 그리고 건강의 유지 및 증진을 위한 상시 건강 관리 서비스 제공에 대한 요구가 증가되고 있다[1-2].
u-Healthcare 분야에서 어떤 서비스에 대한 연구 개발이 이루어지고 있는가?
최근 유비쿼터스(Ubiquitous) 환경의 확대와 USN(Ubiquitous Sensor Network) 기술의 발달에 힘입어, 무선네트워크를 기반으로 하는 많은 유비쿼터스 기술들이 개발되고 실생활에 유용한 기기들로 구현되어 활용되고 있다. u-Healthcare 분야에서 상시 건강 정보를 측정하는 휴대용기기와 측정한 건강 정보를 분석 관리하는 서비스에 대한 많은 연구 개발이 이루어지고 있으며 이를 통하여 이동성과 활용성을 크게 높여 효과적인 건강 가이드를 제공하는 데에 많은 도움이 되고 있다[3].
참고문헌 (11)
Dong-Soo Ha, Sung-June Park, "Smart-Phone based User Movement State Identification Algorithm", Journal of the Korea Society of Computer and Information, Vol.16, No.3, pp.167-174, 2011
Tan Joshep, "E-Health Information System," San Francisco : Jossey-Bass, 2005.
Adnan Saeed, Miad Faezipour, Mehrdad Nourani, Subhash Banerjee, Gil Lee, Gopal Gupta, and Lakshman Tamil, "A Scalable Wireless Body Area Network for Bio-Telemetry," Journal of Information Processing Systems. Vol.5 No.2, pp.77-86, June, 2009.
R.boulic, N,M. Thalmann, "A Global Human Waling Model With Realtime Kinematic Rersonification", The Visual Computer, Vol.6, pp.344-358, 1991.
I. H Lee, J. C. Kim, S. M. Jung, Sun K. Yoo, "The Detection of Gait Cycle and Realtime Monitoring System Using the Accelerometer", The Korean Institute of Electrical Engineers, CICS 2008, pp.476-477, 2008.
Han-Jin Jang, Jeong Won Kim, Dong-Hwan Hwang, "Design of a Robust Pedometer for Personal Navigation System against Ground Variation and Walking Behavior", The transactions of the Korean Institute of Electrical Engineers. D, Vol.55, No.9, pp.420-422, 2006.
Kim Nam-Jin, Hong Joo-Hyun, Lee Tae-Soo, "Motion Sensor Data Normalization Algorithm for Pedestrian Pattern Detection", The Journal of the Korea Contents Association, Vol.5, No.4, pp.94-102, 2005.
Yoo Hyang-Mi, Suh Jae-Won, Cha Eun-Jong, Bae Hyeon-Deok, "Walking Number Detection Algorithm using a 3-Axial Accelerometer Sensor and Activity Monitoring", The Journal of the Korea Contents Association, Vol.8, No.8, pp.253-260, 2008.
R.W DeVaul, S.DUNN, "Real-time motion classfication for wearable computing applications", Technical report, MIT media 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.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.