[논문]3축 가속도 데이터를 이용한 일상 생활용 활동 에너지 소비량 추정을 위한 알고리즘 개발 연구

장용원; 송윤선; 김승환

문제 정의

본 연구에서는 이러한 맥락에서 허리에 가속도 측정장치를 착용하고 일상 생활을 대변하는 움직임의 강도를 측정하는 실험을 설계하였다. 일상생활의 움직임의 강도를 시속 2~8Km/h의 트레드밀 위에서의 움직임으로 변환될 수 있다고 가정하여 가속도 수집 실험을 실험실에서 진행하였다.
비만을 예방하거나 관리할 수 있는 가장 좋은 방법은 칼로리의 균형을 맞추는 것인데, 그 중 신체 활동 증가로 인한 활동소모열량을 증가시키는 것이 가장 효과적이다. 시간을 내어 운동을 하는 것뿐만 아니라 일상 생활 중 걷기 등을 통한 열량 소모도 매우 좋은 방법이며, 이를 위해서 일상 생활에 상응하는 운동강도에 대한 활동 소모 열량 추정을 위한 실험을 실시 하였다.

가설 설정

본 연구에서는 이러한 맥락에서 허리에 가속도 측정장치를 착용하고 일상 생활을 대변하는 움직임의 강도를 측정하는 실험을 설계하였다. 일상생활의 움직임의 강도를 시속 2~8Km/h의 트레드밀 위에서의 움직임으로 변환될 수 있다고 가정하여 가속도 수집 실험을 실험실에서 진행하였다. 20~60대 남녀가 본 실험에 참여하였고, 참여자들은 트레드밀 위에서 2~8km/h의 속도로 각 속도별 3분간 운동하고 이때 각각의 운동강도에 대한 가속도 신호와 소모한 에너지의 양을 측정하여 기록하였다.

제안 방법

일상생활의 움직임의 강도를 시속 2~8Km/h의 트레드밀 위에서의 움직임으로 변환될 수 있다고 가정하여 가속도 수집 실험을 실험실에서 진행하였다. 20~60대 남녀가 본 실험에 참여하였고, 참여자들은 트레드밀 위에서 2~8km/h의 속도로 각 속도별 3분간 운동하고 이때 각각의 운동강도에 대한 가속도 신호와 소모한 에너지의 양을 측정하여 기록하였다. 에너지의 소비량을 더욱 정확하게 추정하기 위하여 본 그룹에서는 기계학습을 활용하였으며 양호한 트레이닝 결과를 얻을 수 있었다.
실험 참가자들은 트레드밀 위에서 2~8km/h의 다양한 속도의 걷기와 뛰기로 구성된 실험 프로토콜을 수행하였는데, 가장 낮은 속도인 2km/h부터 시작하여 최고속도인 8km/h의 속도까지 1km 단위의 강도로 나누어 순차적으로 진행하였다. 각 속도의 운동은 3분씩 지속되었으며 각각의 속도에서는 각자 자신에게 편안한 운동형태인 걷기 또는 뛰기를 선택할 수 있도록 하였다. 또한 각 속도의 운동 사이에는 호흡을 가다듬을 수 있도록 휴식시간을 삽입하여 참여자의 운동 상태를 적절히 유지하였다.
를 동시에 착용하였다. 간접식 칼로리미터 (K4b2, Cosmed, Italy)는 휴대형 호흡 가스 대사 분석 장비로 에너지 소비량을 정확하게 측정할 수 있어 본 실험에서 참조 장비로 활용하였다. 그리고 3축 가속도 측정 장치는 본 실험을 위해서 고안된 장치로 3축의 아날로그 가속도 센서와 제어부, 메모리 칩 등으로 구성되어 있으며, 활동 시 발생하는 가속도 데이터를 수집하기 위하여 사용되었다.
이에 더욱 정확한 결과를 고려하기 위해서 기계학습(machine learning)을 이용한 방법의 도입이 필요하다. 기계학습을 이용한 방법 중 많은 방법들이 후보가 될 수 있는데, 본 실험에서는 참조장비(간접식 칼로리미터, K4b²)를 활용하여 칼로리 소모량의 정답을 알고 있으므로 지도학습(supervised learning) 방법 중 여러 가지 특징을 활용하여 정확도 높은 추정이 가능한 인공신경망을 선택하였다. <그림 4>는 본 연구에서 활용한 인공신경망을 개념적으로 도시한 그림인데, 입력층, 은닉층, 출력층과 각 층의 노드 수를 나타내고 있다.
먼저 트레드밀 위에서의 다양한 운동속도에 대한 활동 소모 열량의 경향을 분석하였는데, 각 속도에서의 활동 소모 열량을 비선형 회귀분석을 이용하여 그 경향성을 나타내었다. 다음으로, 두 장비의 데이터를 기계 학습 방법 중 하나인 인공신경망과 함께 활용하여 잘 훈련된 신경망 결과를 도출하였다.
우리는 위와 같이 수집된 데이터를 활용하여 의미 있는 결과를 도출하기 위해 다음과 같은 두 가지 분석을 진행하였다. 먼저 트레드밀 위에서의 다양한 운동속도에 대한 활동 소모 열량의 경향을 분석하였는데, 각 속도에서의 활동 소모 열량을 비선형 회귀분석을 이용하여 그 경향성을 나타내었다. 다음으로, 두 장비의 데이터를 기계 학습 방법 중 하나인 인공신경망과 함께 활용하여 잘 훈련된 신경망 결과를 도출하였다.
각 활동 실험 데이터는 각 속도에서 3분씩의 데이터를 무빙 윈도우(moving window) 방식으로 여러 개의 패턴으로 나누어 분석에 사용하였는데, 중복하는 방법에 따라서 원래 데이터의 길이보다 4~5배 정도 길어질 수도 있다. 본 분석에서는 3분 데이터를 4구간으로 분류하였으며 이를 training set, validation set, test set 으로 배분하였다. 각 set의 비중은 각각 70:15:15이며, 학습 방법은 Levenberg-Marquardt, 성능검증은 mean squared error (mse)를 활용하였다.
2의 분포를 보였다. 실험 참가자들은 트레드밀 위에서 2~8km/h의 다양한 속도의 걷기와 뛰기로 구성된 실험 프로토콜을 수행하였는데, 가장 낮은 속도인 2km/h부터 시작하여 최고속도인 8km/h의 속도까지 1km 단위의 강도로 나누어 순차적으로 진행하였다. 각 속도의 운동은 3분씩 지속되었으며 각각의 속도에서는 각자 자신에게 편안한 운동형태인 걷기 또는 뛰기를 선택할 수 있도록 하였다.
20~60대 남녀가 본 실험에 참여하였고, 참여자들은 트레드밀 위에서 2~8km/h의 속도로 각 속도별 3분간 운동하고 이때 각각의 운동강도에 대한 가속도 신호와 소모한 에너지의 양을 측정하여 기록하였다. 에너지의 소비량을 더욱 정확하게 추정하기 위하여 본 그룹에서는 기계학습을 활용하였으며 양호한 트레이닝 결과를 얻을 수 있었다. 더욱이 본 실험의 결과는 추가적인 실험으로 어린이와 청소년들에게도 확장될 수 있을 것이다.

대상 데이터

각 피험자는 상기 프로토콜 수행시 간접식 칼로리미터¹와 3축 가속도 측정 장치²를 동시에 착용하였다. 간접식 칼로리미터 (K4b2, Cosmed, Italy)는 휴대형 호흡 가스 대사 분석 장비로 에너지 소비량을 정확하게 측정할 수 있어 본 실험에서 참조 장비로 활용하였다.
간접식 칼로리미터 (K4b2, Cosmed, Italy)는 휴대형 호흡 가스 대사 분석 장비로 에너지 소비량을 정확하게 측정할 수 있어 본 실험에서 참조 장비로 활용하였다. 그리고 3축 가속도 측정 장치는 본 실험을 위해서 고안된 장치로 3축의 아날로그 가속도 센서와 제어부, 메모리 칩 등으로 구성되어 있으며, 활동 시 발생하는 가속도 데이터를 수집하기 위하여 사용되었다. <그림 1>은 실험에 사용된 장비 및 장치와 실험 장면을 보여주고 있으며, <표 3>은 고안된 가속도 측정 시스템의 세부 사항을 나타낸다.
본 실험에서는 총 147명(남자 73명, 여자 74명)의 실험 참가자의 데이터를 수집할 수 있었다. 참가자의 연령대 범위는 20대에서 60대까지였으며, 각 연령대별 참가자 수는 <표 2>와 같다.
한편 3축 가속도 시스템은 활동중의 신체활동으로 인한 가속도 신호를 수집한다. 본 연구에서는 활동 중 소모열량을 측정하고 분석하기 위해서 참조장비의 칼로리 소모량 데이터와 3축 가속도 측정 시스템의 가속도 신호 데이터를 활용하였다.
실험을 통하여 두 장비의 활동 데이터가 동시에 수집되었다. 운동 프로토콜을 수행하는 동안에 참조장비인 휴대형 대사분석기에서는 심박수, 흡기 산소량과 호기 이산화소량, 소모 열량 등의 다양한 심폐 대사 데이터를 기록한다.
이 논문의 분석 데이터는 한국전자통신연구원의 내부과제 (Activity Monitor 개발)에서 수집된 것임.

이론/모형

본 분석에서는 3분 데이터를 4구간으로 분류하였으며 이를 training set, validation set, test set 으로 배분하였다. 각 set의 비중은 각각 70:15:15이며, 학습 방법은 Levenberg-Marquardt, 성능검증은 mean squared error (mse)를 활용하였다. 이렇게 인공신경망을 활용하여 도출한 세 그룹의 결과를 <그림 5>에서볼 수 있는데, 각 그룹의 상관 계수(correlation coefficient)는 각각 0.
총 27개의 입력층 노드와 10개의 은닉층 노드, 그리고 하나의 출력층 노드를 가지는 인공신경망 회로는 <표 4>에 상세 내용이 기술되어 있다. 각 층은 전달함수라고 하는 부분을 더 포함하고 있는데 입력층의 전달함수는 탄젠트 시그모이드 함수 (tangent sigmoid function)를, 출력층에는 순수 선형 함수(pure linear function)를 각각 적용하였다.

성능/효과

세로축의 단위는 1분동안의 단위체중당 소모열량(Cal/min/kg)을 나타내며, 가로축은 트레드밀위에서 운동하는 속도(km/h)를 나타낸다. 각 성별, 연령대별로 소모한 활동소모 열량은 활동 강도가 증가할수록 함께 증가하는 양상을 보인다. 그러나 60대 여성의 그룹에서는 상대적으로 적은 열량 소모를 보이는데 이 현상은 결론에서 다루도록 하겠다.
5km/h 이상이 되면 걷기보다 가벼운 조깅이나 뛰는 것을 선호하는데, 이는 이동속도와 산소 소비량의 관계에서 사람이 더 효율적인 방법을 찾아가기 때문이다[8]. 이러한 이유에서 본 실험에서도 2~8km/h의 속도에서 각 속도별로 운동시 개인의 선호에 의해 걷기와 뛰기를 선택하게 하였고 자연스럽게 6km/h 정도에서 피험자들은 걷기에서 뛰기로 전환하는 것을 볼 수 있었다. 걷기에서 뛰기로 전환됨으로 인해 <그림 3>과 같이 6km/h의 속도에서 기울기가 증가하는 모습을 볼 수 있다.

후속연구

에너지의 소비량을 더욱 정확하게 추정하기 위하여 본 그룹에서는 기계학습을 활용하였으며 양호한 트레이닝 결과를 얻을 수 있었다. 더욱이 본 실험의 결과는 추가적인 실험으로 어린이와 청소년들에게도 확장될 수 있을 것이다.
하지만, 이들은 성장기에 있어 식욕과 열량 소비가 왕성하고 정서적으로도 매우 예민한 시기에 있기 때문에 활동에 의한 칼로리 소비량만 측정한다고 비만으로 가는 경로를 차단할 수 없다. 따라서 이들에게는 다각적이고도 종합적인 비만에 대한 접근과 관리 방법이 별도로 연구될 필요성이 있다고 생각된다.
본 연구에서의 알고리즘은 일상 생활에서 걷기와 뛰기에 해당하는 운동 강도만 다루었는데, 더욱 향상된 알고리즘으로 접근한다면 좌식 생활습관 등의 다른 형태의 활동에 대해서 확장가능성이 충분할 것으로 생각된다. 또한 10대 그룹의 경우, 활동과 성장이 가장 활발한 연령대이므로 이들의 중요성을 언급하지 않을 수 없다.
위 결과의 회귀 방정식으로 사람들은 쉽게 활동 소모 열량을 계산해볼 수 있을 것이다. 이때 사용자는 활동 속도를 알면 이에 상응하는 단위시간당 단위체중당 칼로리 소모량을알 수 있으며, 이에 체중과 운동시간(분)을 곱하면 활동으로 인한 소모 열량을 알 수 있게 될 것이다.

핵심어	질문	논문에서 추출한 답변
	에너지의 불균형은 결국 어떤 질병을 초래할 수 있는가?	인간이 섭취하는 에너지와 소비하는 에너지의 불균형은 체중의 변화를 가져올 수 있다. 특히, 섭취 에너지가 소비 에너지보다 많을 경우 그 불균형으로 인한 잉여 에너지는 지방으로 축적 되고 우리에게 비만을 초래하게 된다. 현대사회에서 사람들은 차량 등의 문명의 이기들로 인해 편리한 생활을 하게 되고, 스마트폰 및 게임등에 익숙해지면서 활동성이 떨어지며 패스트푸드 등의 고칼로리 음식을 즐겨먹으면서 덜 움직이고 더 많은 열량을 섭취하게 되었다.
	인간이 섭취하는 에너지와 소비하는 에너지의 불균형은 어떤 결과를 가져올 수 있는가?	인간이 섭취하는 에너지와 소비하는 에너지의 불균형은 체중의 변화를 가져올 수 있다. 특히, 섭취 에너지가 소비 에너지보다 많을 경우 그 불균형으로 인한 잉여 에너지는 지방으로 축적 되고 우리에게 비만을 초래하게 된다.
	섭취 에너지가 소비 에너지보다 많을 경우 그 불균형으로 인한 잉여 에너지는 무엇으로 축적되는가?	인간이 섭취하는 에너지와 소비하는 에너지의 불균형은 체중의 변화를 가져올 수 있다. 특히, 섭취 에너지가 소비 에너지보다 많을 경우 그 불균형으로 인한 잉여 에너지는 지방으로 축적 되고 우리에게 비만을 초래하게 된다. 현대사회에서 사람들은 차량 등의 문명의 이기들로 인해 편리한 생활을 하게 되고, 스마트폰 및 게임등에 익숙해지면서 활동성이 떨어지며 패스트푸드 등의 고칼로리 음식을 즐겨먹으면서 덜 움직이고 더 많은 열량을 섭취하게 되었다.

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

3축 가속도 데이터를 이용한 일상 생활용 활동 에너지 소비량 추정을 위한 알고리즘 개발 연구 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (8)

이 논문을 인용한 문헌

저자의 다른 논문 :

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

3축 가속도 데이터를 이용한 일상 생활용 활동 에너지 소비량 추정을 위한 알고리즘 개발 연구 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

가설 설정

제안 방법

대상 데이터

이론/모형

성능/효과

후속연구

질의응답

참고문헌 (8)

이 논문을 인용한 문헌

저자의 다른 논문 :

장용원 (1) 송윤선 (5) 김승환 (15)

관련 콘텐츠

원문 보기

원문 URL 링크

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

초록
AI-Helper

AI 본문요약
AI-Helper