선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 따라서 측정한 데이터를 이용하여 자세별 대표 NMVC를 설정하는 데는 많은 어려움이 있다. 따라서 본 연구에서는 문헌상으로 표준편차가 크며, 표본의 수가 적은 데이터에 적용 시 성능이 뛰어난 SVR을 이용하여 각 자세별로 발휘할 수 있는 NMVC를 추론하였다.
- 본 연구에서는 하체 불균형 자세가 들기 작업에 미치는 영향에 대한 예측모델을 개발하였다.
제안 방법
- 그리고 PSO를 이용하여 데이터와 예측모델의 오차가 가장 적도록 SVR의 파라미터를 탐색함으로써 자세별 데이터의 평균값을 이용할 때 보다 측정 데이터와의 오차가 적은 대표 NMVC 값을 산출하였다.
- 본 논문에서는 왼발과 오른발의 바닥높이, 손의 높이 변수를 이용한 4가지 유형의 들기 작업에 대하여 MVC(Maximum Voluntary Contraction) 값을 측정하였다. 그리고 비선형 예측모델 중에 하나인 SVR(Support Vector Regression)을 활용하여 높이가 다른 바닥에서의 MVC 예측함수를 제안하고자 한다.
- 예측 모델을 만들기 위해 일반적인 들기 작업자세인 1번 자세, 오른발을 앞으로 내딛은 자세인 2번 자세, 10 cm, 20 cm 높이의 답단에 오른발을 앞으로 내딛은 자세인 3번과 4번 자세의 4가지 들기 작업 자세에 대하여 각 작업자세별 최대발휘근력을 측정하였다. 그리고 이를 이용하여 각 자세별에 따른 파렛트의 위치, 높이, 들기 작업의 수평거리, 왼발, 오른발의 위치 등을 입력 좌표로 설정하고 NMVC 값을 출력 값으로 설정한 후 이를 SVR에 적용하였다.
- 5d, h)를 입력변수로 설정하였다. 그리고 피실험자의 NMVC를 출력변수로 설정하였다. 이 때 SVR의 파라미터는 PSO를 이용하여 가장 예측력이 뛰어나도록 파라미터 최적화를 수행하였다.
- 본 논문에서는 왼발과 오른발의 바닥높이, 손의 높이 변수를 이용한 4가지 유형의 들기 작업에 대하여 MVC(Maximum Voluntary Contraction) 값을 측정하였다. 그리고 비선형 예측모델 중에 하나인 SVR(Support Vector Regression)을 활용하여 높이가 다른 바닥에서의 MVC 예측함수를 제안하고자 한다.
- 본 연구에서는 C, ε, n의 여러 개의 입자들을 흩어놓은 후 PSO 알고리즘을 이용하여 최적의 해로 수렴하도록 하였다.
- 본 연구에서는 각 자세에 따른 파렛트의 위치, 높이, 들기 작업의 수평거리, 왼발, 오른발의 위치 등을 입력 값으로 하고 NMVC 값을 출력 값으로 설정한 후 이를 비선형성 데이터에 뛰어난 성능을 가지고 있는 SVR에적용하여 예측모델을 만들었다.
- 예측 모델을 만들기 위해 일반적인 들기 작업자세인 1번 자세, 오른발을 앞으로 내딛은 자세인 2번 자세, 10 cm, 20 cm 높이의 답단에 오른발을 앞으로 내딛은 자세인 3번과 4번 자세의 4가지 들기 작업 자세에 대하여 각 작업자세별 최대발휘근력을 측정하였다. 그리고 이를 이용하여 각 자세별에 따른 파렛트의 위치, 높이, 들기 작업의 수평거리, 왼발, 오른발의 위치 등을 입력 좌표로 설정하고 NMVC 값을 출력 값으로 설정한 후 이를 SVR에 적용하였다.
- 그리고 피실험자의 NMVC를 출력변수로 설정하였다. 이 때 SVR의 파라미터는 PSO를 이용하여 가장 예측력이 뛰어나도록 파라미터 최적화를 수행하였다. Table 5는 파라미터 최적화를 이용하여 선정된 파라미터의 결과이다.
- 또한 실험 전에 4가지 들기 자세의 시범을 미리 보여주었고, 피실험자가 실험장비와 실험조건에 익숙해지도록 충분한 시간을 제공하였다. 적응훈련이 끝난 피실험자를 대상으로 각 자세별로 MVC를 3회 측정하였다. 1회 실험 후 10분의 휴식시간을 줌으로서 근육피로로 인하여 발생할 수 있는 영향을 최소화 하였고, 실험의 재현성을 유지하도록 하였다.
- 3은 피실험자 30명을 대상으로 측정한 MVC 값을 의미한다. 피실험자 30명을 대상으로 4가지 자세를 3회씩 측정하였고, 3회 중 가장 큰 측정값을 MVC 값으로 결정하였다. 그리고 1~4번 자세의 MVC 값을 SVR로 분석하기 위해 식 (1)과 같이 NMVC 값으로 변환하였다.
대상 데이터
- 본 연구에서는 과거 허리와 하체에 근골격계질환 병력이 없는 건강한 남자대학생 30명을 대상으로 실험을 실시하였다. Table 1은 30명의 피실험자에 대한 인체 계측 데이터이다.
- 피실험자 30명이 4가지 자세에 따라 각각의 MVC를측정하였으므로 총 데이터 수는 120개이며, 개인편차를 줄이기 위해 NMVC 값을 이용하여 설계한 SVR의예측 결과는 Fig. 4와 같다.
이론/모형
- SVR에서 사용하는 파라미터를 결정하기 위해서 PSO (Particle Swarm Optimization) 기법을 사용하였다. 일반 적으로 파라미터 최적화 기법에서는 목적함수의 미분값을 이용하여 파라미터를 탐색하는 것이 일반적이다.
- 하지만 SVR에서 회귀함수(f(x))는 그 미분값을 이용하는 것이 불가능하다. 따라서 본 연구에서는 이러한 미분 식을 이용하지 않고도 최적의 파라미터 값을 찾기 위해 PSO를 사용하였다21) .
- SVM은 이진분류를 위해 사용되는 최근의 학습방법론(learning method)으로 여유거리(margin)를 최대화하는 초평면(hyperplane)을 구하여 두 집단의 데이터를 분류하는 기법이다18). 통계적 학습이론에서 유도한 학습 바이어스(bias)를 이용하여 학습알고리즘으로 훈련되는 고차원의 feature 공간상의 선형식의 가상공간을 이용한다. 이 학습 전략은 폭넓은 분야에서 다른 방법론보다 뛰어난 능력을 발휘하고 있다19).
성능/효과
- 적응훈련이 끝난 피실험자를 대상으로 각 자세별로 MVC를 3회 측정하였다. 1회 실험 후 10분의 휴식시간을 줌으로서 근육피로로 인하여 발생할 수 있는 영향을 최소화 하였고, 실험의 재현성을 유지하도록 하였다. 총 12회의 측정순서는 무작위로 선택하였다.
- SVR 예측모델을 이용한 결과 2, 3, 4번 자세의 NMVC 예측 값은 1번 자세 대비 각각 11.2%, 24.0%, 36.9%로 감소하는 경향을 보였다. 따라서 다리를 앞으로 내딛을 경우와 답단의 유무, 답단의 높이가 높을수록 MVC는 감소한다는 것을 알 수 있다.
- 9%로 감소하는 경향을 보였다. 따라서 다리를 앞으로 내딛을 경우와 답단의 유무, 답단의 높이가 높을수록 MVC는 감소한다는 것을 알 수 있다. 예측 값과 실제데이터 간의 APE는 9.
- 실험에 앞서 피실험자에게 원활한 실험이 이루어질 수 있도록 실험의 목적 및 실험방법, 유의사항에 대해 상세하게 설명하였다. 또한 실험 전에 4가지 들기 자세의 시범을 미리 보여주었고, 피실험자가 실험장비와 실험조건에 익숙해지도록 충분한 시간을 제공하였다. 적응훈련이 끝난 피실험자를 대상으로 각 자세별로 MVC를 3회 측정하였다.
- 따라서 다리를 앞으로 내딛을 경우와 답단의 유무, 답단의 높이가 높을수록 MVC는 감소한다는 것을 알 수 있다. 예측 값과 실제데이터 간의 APE는 9.5%였고, 산술평균을 이용한 APE 값보다 차이가 작았다.
- 자세별로 볼 때, 1번 자세에서 모든 피실험자들이 가장 높은 NMVC 값을 보였고, 2번에서 4번 자세로 갈수록 NMVC 값이 감소하였다.
- 총 120개의 데이터를 기준으로 SVR의 예측모델을 이용하여 각 자세별 대표 NMVC 값을 구한 후 실제 데이터와의 APE(Absolute Percent Error)를 계산한 결과 9.5%가 나왔다. 단순히 데이터의 산술평균을 이용하여 자세별 대표 NMVC 값을 구한 후, APE를 계산해보면 12.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.