본 논문은 멀티센서를 장착한 스마트의류에서 수집된 데이터를 기반으로 사용자 상황 및 행동을 추론하는 기법을 제안하고 이를 스마트폰 앱으로 구현하였다 제안된 스마트 의류는 자이로, 온도, 가속도 센서로 착용자의 건강상태와 활동 수준을 모니터링 할 수 있다. 스마트의류에 생체신호는 블루투스로 스마트폰에 전달된다. 이를 통해, 사용자는 스마트 앱에서 사용자의 상태와 활동수준에 대한 실시간 정보를 확보할 수 있다. 멀티 센서로 사용자 상황 및 행동 추론은 매우 어려우며, 외 내부 환경, 온도, 진동 등에 따라 센서의 측정값이 달라지는 잡음환경에서, 잡음을 줄이면서도 사용자 행동을 판단할 수 있는 디지털 필터와 추론 알고리즘이 요구된다. 본 논문에서는 멀티블록필터를 적용하고, 행동인지를 위한 3축 값을 하나의 대표 값으로 처리하는 SVM을 사용하였다.
본 논문은 멀티센서를 장착한 스마트의류에서 수집된 데이터를 기반으로 사용자 상황 및 행동을 추론하는 기법을 제안하고 이를 스마트폰 앱으로 구현하였다 제안된 스마트 의류는 자이로, 온도, 가속도 센서로 착용자의 건강상태와 활동 수준을 모니터링 할 수 있다. 스마트의류에 생체신호는 블루투스로 스마트폰에 전달된다. 이를 통해, 사용자는 스마트 앱에서 사용자의 상태와 활동수준에 대한 실시간 정보를 확보할 수 있다. 멀티 센서로 사용자 상황 및 행동 추론은 매우 어려우며, 외 내부 환경, 온도, 진동 등에 따라 센서의 측정값이 달라지는 잡음환경에서, 잡음을 줄이면서도 사용자 행동을 판단할 수 있는 디지털 필터와 추론 알고리즘이 요구된다. 본 논문에서는 멀티블록필터를 적용하고, 행동인지를 위한 3축 값을 하나의 대표 값으로 처리하는 SVM을 사용하였다.
In this paper, we propose a method to infer the user's behavior and situation through collected data from multi-sensor equipped with a smart clothing and it was implemented as a smart-phone App. This smart-clothes is able to monitor wearer users' health condition and activity levels through the gyro...
In this paper, we propose a method to infer the user's behavior and situation through collected data from multi-sensor equipped with a smart clothing and it was implemented as a smart-phone App. This smart-clothes is able to monitor wearer users' health condition and activity levels through the gyro, temp and acceleration sensor. Sensed vital signs are transmitted to a bluetooth-enabled smart-phone in the smart-clothes. Thus, users are able to have real time information about their user condition, including activities level on the smart-application. User context reasoning and behavior determine is very difficult using multi-sensor depending on the measured value of the sensor varies from environmental noise. So, the reasoning and the digital filter algorithms to determine user behavior reducing noise and are required. In this paper, we used Multi-black Filter and SVM processing behavior for 3-axis value as a representative value of one.
In this paper, we propose a method to infer the user's behavior and situation through collected data from multi-sensor equipped with a smart clothing and it was implemented as a smart-phone App. This smart-clothes is able to monitor wearer users' health condition and activity levels through the gyro, temp and acceleration sensor. Sensed vital signs are transmitted to a bluetooth-enabled smart-phone in the smart-clothes. Thus, users are able to have real time information about their user condition, including activities level on the smart-application. User context reasoning and behavior determine is very difficult using multi-sensor depending on the measured value of the sensor varies from environmental noise. So, the reasoning and the digital filter algorithms to determine user behavior reducing noise and are required. In this paper, we used Multi-black Filter and SVM processing behavior for 3-axis value as a representative value of one.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
이러한 문제를 극복하기 위해 멀티센서를 이용한 추론연구가 진행되고 있으며, 본 연구도 다양한 센서가 장착된 스마트의류와 착용자의 행동 정보를 추론하는 안드로이드기반 응용프로램인 BM-Safety를 개발 하였다. BM-Safety는 스마트의류로부터 수신된 각기 다른 센서 정보를 신뢰성 있는 정보로 가공하고, 가공된 정보를 기반으로 사용자 편의성을 높이는 방안을 제공하고자 한다.
가속도센서를 이용한 추론방법은 CMOS 센서 대부분이 물리적으로 등속운동에 취약성으로 오차가 장시간 누적되어 잘못된 값을 도출한다. 이러한 문제를 극복하기 위해 멀티센서를 이용한 추론연구가 진행되고 있으며, 본 연구도 다양한 센서가 장착된 스마트의류와 착용자의 행동 정보를 추론하는 안드로이드기반 응용프로램인 BM-Safety를 개발 하였다. BM-Safety는 스마트의류로부터 수신된 각기 다른 센서 정보를 신뢰성 있는 정보로 가공하고, 가공된 정보를 기반으로 사용자 편의성을 높이는 방안을 제공하고자 한다.
제안 방법
그림에 ‘A 점원’으로 표기한 윈시데이터(RawData)의 잡음과 리플을 5개의 방안 모두 민감도를 낮추면서, 잡음과 리플에 대한 처리가 이루어졌다.
Errors Correction은 가속도, 자이로 센서의 온도와 전원인가로 발생하는 측정값과 기준값의 오류를 보정한다. 또한, 스마트의류 디바이스로의 센서와의 연결 상태를 확인한다. Database는 가공된 센서 데이터와 저역 필터가 처리된 데이터가 저장된다.
예를 들어, 두 군대 온도의 정보가 20분 동안 5℃ 이상 발생되거나 심장 부분의 센서 정보가 1시간이내에 5℃이상 차이가 발생 되면, 저체온으로 판단하여 사용자에게 진동/소리로 전달한다. 또한이때에, 가속도와 자이로센서로 사용자 이동의 크기를 측정하여, 충격이벤트를 지속적으로 기록한다. SoS버튼은 119구조센터로 연결되어 GPS 위치를 알림 한다.
본 논문에서는 3장과 4장의 실험 자료를 기반으로 8가지 행동 인식과 시간에 따른 추론 비교를 하였다. 개별 동작을 약 10분간 30회 진행하여 행동인지에대한 정확도를 %로 나타냈다.
본 연구는 행동추론에서 신뢰성 있는 센신 정보를 수집 제공을 위한 다중 블록 필터(Multi-Black Filter, MBF)를 적용하고, 사용자 행동에 따른 개별 센서들의 값을 지속적으로 측정한 값을 바탕을 분석하였다. 또한 스마트용 응용프로그램을 개발함으로 사용자 편의를 높혔다.
ATmega328P와 1개의 7축센서, 1개의 보조 가속도센서, 그리고 2개의 온도센서, 블루 투스 마스터 통신모듈로 구성된다. 블루투스 마스터 모듈은 약 100m까지 통신이 가능하지만, 파워절약을 위해 통신범위를 5m 이내(12dBm, 18mW이하) 변경하였다.
사용자 움직임에 따른 센서들의 물리적 특성을 추출하기 위해 멀티센서를 스마트의류에 장착하여 그 특성을 분석하였다. 도보 환경에서는 리듐폴리머 250mAh의 배터리를 장착했을 때 도보환경에서 약 560분, 자전거나 구보환경은 약 470∼490분을 제공한다.
멀티블럭 필터는 수개월간의 테스트 분석 결과를 기반으로 개발된 구조이다. 센서의 수집된 데이터에 민감도를 반영하면서도 리플잡음, 잡음제거 그리고 입력 전압과 외부온도에 따른 기준값의 오류처리 등을 개선하였다. 가속도 센서로 수신된 잡음과 리플을 제어하면서 민감도 또한 일정하게 반영하는 것을 나타냈다.
따라서 그림 12과 같이 전처리 필터로 확장칼만을 사용하고, 구간별 스무딩 팩터 처리를 위해 이동평균과 중간값을 적용하였다. 이를 멀티 블록 필터로 정의하고 Low pass filter, Digital Compass, Errors Correction 을 세부적으로 표현하였다.
2000년대 중반부터 많은 회사들은 사용자 휴대 플랫폼과 센서와 RF가 장착된 전용 단말기를 이용한 연구를 하였다. 초기의 Nike+, Adidas polar, Burton 가 대표적이며, iPod Nano와 전용단말기로 사용자의 에너지양을 측정하는 방안을 제시하였다. 하지만 전용단말기의 무개와 크기, 정보의 부정확성, 사용시간 등의 문제로 외면을 받았다.
대상 데이터
5mm의 크기로 구성되었다. ATmega328P와 1개의 7축센서, 1개의 보조 가속도센서, 그리고 2개의 온도센서, 블루 투스 마스터 통신모듈로 구성된다. 블루투스 마스터 모듈은 약 100m까지 통신이 가능하지만, 파워절약을 위해 통신범위를 5m 이내(12dBm, 18mW이하) 변경하였다.
이론/모형
그림 2의 Low pass filter는 가속도와 자이로 센서에 수집된 데이터의 잡음, 리플을 제거와 보정을 위해 제안된 융합필터(multi-fusion filter)를 적용한다. Digital Compass는 가속도, 자이로센서의 값의 2차원 벡터 변환과 가속도를 계산한다.
온도와 전원인가에 따른 기준 값이 미세한 변화가 발생하며, 기준값의 변화로 오차가 지속해서 누적되면 잘못된 값을 발생한다. 따라서 이러한 오차를 방지하기 위해 [11]를 바탕으로 기준 값을 바로잡는 방안으로 제조사 보정 테이블과 능동적 스케일 벡터(Active scale factor)를 적용한다. 제조사 보정 테이블은 온도를 기준으로 제공하기 때문에, 내장된 센서 정보를 이용하여 테이블을 만들어 제공한다.
이와 관련 [10,11]은 자이로, 가속도센서를 이용한 사용자 행동 추론과 함께 센서에 민감도와 잡음을 개선을 위해 연구되었다. 시간과 분류 절차에 따른 저사항 MCU의 저장 메모리 및 처리의 효율적인 사용 등의 요구되며, 칼만(kalman)[10], 중 간값(media), 이동평균(moving average), 평활화 (smoothing)[11] 등의 필터 알고리즘을 사용하였다. 이 필터들의 선행연구를 바탕으로 장단점을 다음과 같이 나열할 수 있다.
성능/효과
센서의 수집된 데이터에 민감도를 반영하면서도 리플잡음, 잡음제거 그리고 입력 전압과 외부온도에 따른 기준값의 오류처리 등을 개선하였다. 가속도 센서로 수신된 잡음과 리플을 제어하면서 민감도 또한 일정하게 반영하는 것을 나타냈다. 문제점으로는 제안된 기법은 단일 필터로 처리보다 초기에 더 많은 계산시간이 요구된다.
본 논문에서는 3장과 4장의 실험 자료를 기반으로 8가지 행동 인식과 시간에 따른 추론 비교를 하였다. 개별 동작을 약 10분간 30회 진행하여 행동인지에대한 정확도를 %로 나타냈다. 사용자 동작에 따른 행동추론과 상황인지는 센서들의 데이터 필터 과정과 행동추론은 약 3-5초가 소요된다.
가속도센서를 이용한 사용자의 행동 인식률은 시간이 증가할수록 정확해진다. 본 연구의 멀티 필터를 이용한 추론은 96% 이상의 사용자 동작을 판별하기 위해, 칼만필터 기반은 5분의 데이터가 필요한 것으로 나타났다. 하지만 멀티필터를 적용했을 때 3분이라는 상대적으로 짧은 시간에도 행동 사용자인지가 가능하다.
문제점으로는 제안된 기법은 단일 필터로 처리보다 초기에 더 많은 계산시간이 요구된다. 하지만 학습기간이 필요 없어도 추정할 수 있으며, 변동성에 따라서 기민하게 대응하면서도 안정적인 성능을 보 였다.
질의응답
핵심어
질문
논문에서 추출한 답변
최근 스마트폰의 확대로 어떠한 제품이 판매되고 있는가?
하지만 전용단말기의 무개와 크기, 정보의 부정확성, 사용시간 등의 문제로 외면을 받았다. 최근 스마트폰의 확대로 Adidas Speed_cell, PACER BUNDLE, New NIKE+등에서 신발, 의류 등의 제품에 초소형 디바이스를 내장하거나 탈부착하여 사용자의 특정행동을 모니터링하는 제품을 판매하고 있다. 애플의 i-OS와 구글에 안드로이드 OS의 응용프로그램으로 사용자 편의를 제공하고 있다.
단일 센서 기반의 행동 추론은 어떠한 문제를 갖고 있는가?
하지만 조깅, 구보, 다이어트 등의 다양한 서비스 분야에 비해 낮은 레벨의 제공으로 사용자 필요성이 낮을 뿐만 아니라 단일 센서 기반의 행동 추론은 물리적 한계로 추론 오류와 측정 정보의 제약, 에러, 민감도 문제 등으로 사용자 편의성과 신뢰성에 문제를 갖는다. 가속도센서를 이용한 추론방법은 CMOS 센서 대부분이 물리적으로 등속운동에 취약성으로 오차가 장시간 누적되어 잘못된 값을 도출한다.
가속도센서를 이용한 추론방법의 문제를 극복하기 위해서 본 연구에서 무엇을 개발하였는가?
가속도센서를 이용한 추론방법은 CMOS 센서 대부분이 물리적으로 등속운동에 취약성으로 오차가 장시간 누적되어 잘못된 값을 도출한다. 이러한 문제를 극복하기 위해 멀티센서를 이용한 추론연구가 진행되고 있으며, 본 연구도 다양한 센서가 장착된 스마트의류와 착용자의 행동 정보를 추론하는 안드로이드기반 응용프로램인 BM-Safety를 개발 하였다. BM-Safety는 스마트의류로부터 수신된 각기 다른 센서 정보를 신뢰성 있는 정보로 가공하고, 가공된 정보를 기반으로 사용자 편의성을 높이는 방안을 제공하고자 한다.
Smailagic, A, Siewiorek, D.P, and Deisher, M. "Activity Recognition and Monitoring using Multiple Sensors on Different Body Positions," Body Sensor Networks 2006. pp. 113-116, 2006.
Zhu, C. "Realtime Recognition of Complex Human Daily Activities Using Human Motion and Location Data, Biomedical Engineering," IEEE Transactions on Biomedical Engineering, Vol. 59, Issue 9, pp. 242- 2430, 2012.
Angelo Maria Sabatini, "Kalman-Filter-Based Orientation Determination Using Inertial/ Magnetic Sensors: Observability Analysis and Performance Evaluation," Jornal of Sensors, Vol. 11, Issue 10, pp. 9182-9206, 2011.
Shahid Ayub, Alireza Bahraminisaab, and Bahram Honary, "A Sensor Fusion Method for Smart Phone Orientation Estimation," PGNET Conferences, pp. 1-4, 2012.
M.N. Howell and T.J. Gordon, "Continuous Action Reinforcement Learning Automata and their Application to Adaptive Digital Filter Fesign," Engineering Applications of Artificial Intelligence, Vol. 14, No. 5, pp. 549-561, 2002.
전병찬, 박현문, 박원기, 이성철, "스마트웨어 프로타입 시스템을 위한 다중 센서 측정 기법연구," 대한전자공학회 하계학술대회, 제15권, pp.1360-1363, 2012.
정창욱, 강동중, "지능형 영상 감시 시스템에서의 은닉 마르코프 모델을 이용한 특이 행동 인식 알고리즘," 한국멀티미디어학회, 멀티미디어학회 논문지 제11권, 제11호, pp 1491-1500,2008.
김영균, 김영지, 문현정, 우용태, "학습자 행동모델기반의 적응적 하이퍼미디어 학습 시스템 설계 및 구현," 한국멀티미디어학회논문지 제12권,제5호, 757- 766, 2009.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.