본 논문에서는 IMU(inertial measurement unit)의 데이터를 이용하여 사람의 앉은 자세를 분류하는 알고리즘을 제안한다. 제안하는 알고리즘은 IMU의 데이터를 주성분 분석법(principle component analysis: PCA)을 이용하여 특징 벡터를 3개로 축소시켰고, RBF(radial basis function) 커널을 적용한 서포트 벡터 머신(support vector machine: SVM)을 이용하여 자세를 분류하였다. 데이터의 측정을 위하여 건강한 성인 3명을 대상으로 실험을 실시하였고, 데이터의 수집을 위하여 넥밴드 형태의 이어폰에 IMU를 내장한 장치를 개발하여 착용하였다. 피험자는 각각 neutral position, smartphoning, writing의 세 가지 앉은 자세에 대하여 실험을 진행하였다. 실험 결과 제안하는 PCA-SVM 알고리즘은 특징 벡터의 차원을 25%로 축소시키면서도 95%의 신뢰를 보였다.
본 논문에서는 IMU(inertial measurement unit)의 데이터를 이용하여 사람의 앉은 자세를 분류하는 알고리즘을 제안한다. 제안하는 알고리즘은 IMU의 데이터를 주성분 분석법(principle component analysis: PCA)을 이용하여 특징 벡터를 3개로 축소시켰고, RBF(radial basis function) 커널을 적용한 서포트 벡터 머신(support vector machine: SVM)을 이용하여 자세를 분류하였다. 데이터의 측정을 위하여 건강한 성인 3명을 대상으로 실험을 실시하였고, 데이터의 수집을 위하여 넥밴드 형태의 이어폰에 IMU를 내장한 장치를 개발하여 착용하였다. 피험자는 각각 neutral position, smartphoning, writing의 세 가지 앉은 자세에 대하여 실험을 진행하였다. 실험 결과 제안하는 PCA-SVM 알고리즘은 특징 벡터의 차원을 25%로 축소시키면서도 95%의 신뢰를 보였다.
In this paper, we propose a classification algorithm for postures of sitting person by using IMU(inertial measurement unit). This algorithm uses PCA(principle component analysis) for decreasing the number of feature vectors to three and SVM(support vector machine) with RBF(radial basis function) ker...
In this paper, we propose a classification algorithm for postures of sitting person by using IMU(inertial measurement unit). This algorithm uses PCA(principle component analysis) for decreasing the number of feature vectors to three and SVM(support vector machine) with RBF(radial basis function) kernel for classifying posture types. In order to collect the data, we designed neckband-shaped earphones with IMU, and applied it to three subjects who are healthy adults. Subjects were experimented three sitting postures, which are neutral posture, smartphoning, and writing. As the result, our PCA-SVM algorithm showed 95% confidence while the dimension of the feature vectors was reduced to 25%.
In this paper, we propose a classification algorithm for postures of sitting person by using IMU(inertial measurement unit). This algorithm uses PCA(principle component analysis) for decreasing the number of feature vectors to three and SVM(support vector machine) with RBF(radial basis function) kernel for classifying posture types. In order to collect the data, we designed neckband-shaped earphones with IMU, and applied it to three subjects who are healthy adults. Subjects were experimented three sitting postures, which are neutral posture, smartphoning, and writing. As the result, our PCA-SVM algorithm showed 95% confidence while the dimension of the feature vectors was reduced to 25%.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
반면 현대인의 대다수가 앉은 자세로 오랜 시간을 보내고 있음에도 불구하고 이에 대한 연구는 진행되지 못했다. 따라서 본 연구에서는 불균형 자세 예방을 위해 가속도 센서의 오차로 정밀도가 감소하는 것을 보정하기 위해 관성센서를 이용하였고, 관성센서가 내장된 넥밴드를 이용하여 자세를 측정할 수 있는 장치를 개발하였다. 이 장치를 이용하여 사무직, 학생들이 많은 시간 동안 유지하는 자세인 정 자세(neutral position), 스마트폰을 사용하는 자세(smartphoning), 글씨를 쓰는 자세(writing) 세 가지 자세의 데이터를 측정하였다.
본 논문에서는 기존의 동적 신체 활동의 분류에 많이 사용되는 IMU를 사용하여 일상에서 많이 취하는 앉은 자세를 분류하는 방법을 제시하였다. 또한 현대인의 생활패턴에서 가장 많은 시간을 차지하는 smartphoning, writing의 자세와 neutralposition을 비교 실험하여 PCA-SVM 알고리즘으로분류함으로서 자세의 분류가 가능함을 확인하였다.
제안 방법
Neutral position, smartphoning, writing를 분류하기 위해 raw 데이터와 PCA를 통하여 얻은 데이터를 특징 벡터로 각각 SVM에 학습시킨 후 학습에 참여하지 않은 neutral position, smartphoning, writing 데이터를 학습시킨 SVM에 입력하여 RAW-SVM과 PCA-SVM의 성능 차이를 확인하였다.
다음으로 PCA는 본래 고차원의 데이터의 차원 감소를 위한 방법으로 사용되는데, PCA는 데이터의 분포 특성을 잘 표현할 수 있는 벡터로 나타낼 수 있기 때문에 본 연구에서는 클래스 간의 분류가 용이한 특징점을 찾는데 이용하였다. PCA는 데이터가 어떤 분포를 이룰 때 이 분포의 주성분을 분석해 주는 방법으로, 주성분이란 데이터의 분산이 가장 큰 방향벡터를 의미한다.
스마트폰을 사용하는 자세와 학습을 하는 자세는 연령에 상관없이 앉은 채로 많은 시간을 사용하는 대표적인 자세이며, 거북목증후군을 유발하는 자세이다. 데이터의 분류를 위해 3개의 특징 벡터로 차원을 축소하기 위해 주성분 분석 법(principal component analysis:PCA)을 적용하여 특징 벡터의 차원을 축소시키고, 지지 벡터 기계(support vector machine: SVM)를 사용해 세 가지 자세에 대한 분류의 정확도를 측정하였다.
패턴 분류의 방법은 이미 많은 일반화가 된 방법들이 발표되어 있어 특징점 추출을 어떻게 하느냐에 따라 시스템의 성능이 달라진다[17]. 본 논문에서는 각 축의 raw 데이터와 주성분 분석 법으로 특징을 분류한 후, 지지 벡터 기계기반으로 자세를 분류하는 알고리즘을 제안한다.
본 논문에서는 기존 사용자들이 자세 데이터 측정을 위해 따로 부착하는 번거로움을 피하기 위해 대중적인 넥밴드형 이어폰에 단일 칩 상에서 3축의 가속도와 자이로를 동시에 측정할 수 있는 관성센서 BMI055(bosch sensortec, inc, Germany)를 2채널로 사용하였다. 데이터를 수집하기 위한 시스템의 구성도는 그림 2에 표현하였다.
본 논문에서는 세 가지 앉은 자세를 IMU 센서를 이용하여 수집한 데이터를 바탕으로 알고리즘을 적용하여 자세 패턴 분류 성능을 비교하였다.
본 연구에서는 자세 분류를 위한 특징점 추출 방법으로 관성 센서의 raw 데이터의 각 축별 출력값을 이용하는 방법과 분류의 정확도를 높이기 위한 PCA를 이용하는 방법을 각각 이용하여 분류 결과를 비교 분석하였다.
따라서 본 연구에서는 불균형 자세 예방을 위해 가속도 센서의 오차로 정밀도가 감소하는 것을 보정하기 위해 관성센서를 이용하였고, 관성센서가 내장된 넥밴드를 이용하여 자세를 측정할 수 있는 장치를 개발하였다. 이 장치를 이용하여 사무직, 학생들이 많은 시간 동안 유지하는 자세인 정 자세(neutral position), 스마트폰을 사용하는 자세(smartphoning), 글씨를 쓰는 자세(writing) 세 가지 자세의 데이터를 측정하였다. 스마트폰을 사용하는 자세와 학습을 하는 자세는 연령에 상관없이 앉은 채로 많은 시간을 사용하는 대표적인 자세이며, 거북목증후군을 유발하는 자세이다.
피험자는 척추 질환이 없는 건강한 20대 남성 3명을 대상으로 앉은 자세 분류를 위하여 세 가지 형태로 나누어 측정 및 실험하였다. 피험자는 넥밴드 형태의 IMU를 이용한 자세 측정 장치를 목에 착용하였고, 의자 위에서 세 가지 자세를 10분씩 유지하였다. Smartphoning과 writing 자세는 neutralposition에서 시작하여 무의식적으로 자세가 변할 수 있도록 1분 정도의 훈련시간을 둔 후에 데이터를 측정하기 시작하였다.
피험자는 척추 질환이 없는 건강한 20대 남성 3명을 대상으로 앉은 자세 분류를 위하여 세 가지 형태로 나누어 측정 및 실험하였다. 피험자는 넥밴드 형태의 IMU를 이용한 자세 측정 장치를 목에 착용하였고, 의자 위에서 세 가지 자세를 10분씩 유지하였다.
대상 데이터
본 실험에서 특징점으로 사용하기 위한 raw 데이터는 좌측 넥밴드에 부착된 가속도 센서의 3축 출력을 사용하였다. 또한 이 신호에서 PCA를 이용하여 3차 주성분을 추출하였다.
또한 이 신호에서 PCA를 이용하여 3차 주성분을 추출하였다. 추출된 특징점 집합에서 각각 무작위로 20,000 개의 데이터를 골라 SVM의 입력 집합으로 사용하였다.
데이터처리
왼쪽부터 neutral, smartphoning, writing의 모습이다. 분류 성능의 통계적 유의성을 검증하기 위해 10-fold 교차 검증(cross-validation)을 실시하였으며 10회에 걸쳐 훈련 집합과 시험 집합을 교체하면서 성능을 측정한 후 두 결과 간의 t-검정을 실시하였다. 그림 4는 RAW 데이터 집합과 PCA 데이터 집합의 자세별 분포를 보여준다.
이론/모형
본 연구에서는 분류를 위한 알고리즘으로 SVM을 이용하였다[19]. SVM은 데이터 집합의 클래스를 분류하기 위한 초평면 또는 초평면의 집합이다.
알고리즘을 구현하기 위해서 python 2.7.8 버전을 사용하였으며[21], 수치 연산을 위한 모듈인 numpy1.9.2 버전을 사용하였다[22]. PCA와 SVM은 python의 기계학습 라이브러리 모듈인 scikit-learn 0.
성능/효과
smartphoning과 writing 자세의 실험에서 무의식적으로 앞으로 기울어지는 정도가 실험마다 다르기 때문에 오차가 발생한 것으로 보인다. PCA-SVM은 RAW- SVM에 비해 계산량이 늘어나는 단점이 있으나 자세 분류에는 더 우수한 성능을 보이는 것을 확인할 수 있었다.
본 연구의 제약사항으로는 넥밴드 사용자가 취할수 있는 자세의 종류에 한계가 있었으며 추가적인 자세의 종류가 들어갈 경우 분류 성능의 저하를 확인할 필요가 있다. 그러나 스마트폰의 사용과 학습자세의 경우 넥밴드에서 보이는 각도의 차이가 크지 않음에도 불구하고 PCA-SVM의 경우 95.6% 이상의 분류 성능을 보이는 것으로 볼 때 다양한 자세 분류에도 적용 가능할 것으로 기대한다.
본 논문에서는 기존의 동적 신체 활동의 분류에 많이 사용되는 IMU를 사용하여 일상에서 많이 취하는 앉은 자세를 분류하는 방법을 제시하였다. 또한 현대인의 생활패턴에서 가장 많은 시간을 차지하는 smartphoning, writing의 자세와 neutralposition을 비교 실험하여 PCA-SVM 알고리즘으로분류함으로서 자세의 분류가 가능함을 확인하였다.
표 2은 분류기의 성능 결과를 비교한 것이다. 분류기의 분류 성공률은 10회에 걸친 교차 검증 결과의 평균이 PCA-SVM의 경우 0.956, RAW-SVM의 경우 0.933으로 PCA-SVM의 경우가 0.023 높은 것으로 나타났다. 표준편차의 경우 각각 0.
실험 결과 PCA-SVM 분류 알고리즘이 RAW-SVM 알고리즘에 비해 95% 신뢰수준에서 통계적으로 유의함(p < 0.05)을 보였다.
후속연구
본 논문에서는 앉는 자세에서 앞으로만 기울어지는 1차원에 국한하여 실험을 진행하였으나 다리를 꼬아서 앉거나, 책상에 올린 팔에 지탱하여 비스듬하게 앉는 경우 등 2차원적인 자세에 대하여 실험하고, 분류 알고리즘의 성능을 향상시켜 사용자의 일상생활에서 앉는 자세 분석 더 신뢰성 있고, 정확한 데이터를 제공할 수 있을 것이라 생각한다.
본 연구의 제약사항으로는 넥밴드 사용자가 취할수 있는 자세의 종류에 한계가 있었으며 추가적인 자세의 종류가 들어갈 경우 분류 성능의 저하를 확인할 필요가 있다. 그러나 스마트폰의 사용과 학습자세의 경우 넥밴드에서 보이는 각도의 차이가 크지 않음에도 불구하고 PCA-SVM의 경우 95.
질의응답
핵심어
질문
논문에서 추출한 답변
거북목증후군가 발생하는 이유는?
어른뿐 아니라 어린아이와 노인 전 세대에 걸쳐 정보의 습득, 학업, 업무 등의 목적으로 많은 시간을 책상 앞에 앉아 보내게 되며 대부분의 사람들은 의자에 착석한 후 수 초 이내에 무의식적으로 자세의 변화가 발생한다. 특히, 컴퓨터를 사용하거나 학습을 하는 경우 의도하지 않아도 목을 앞으로 향한 채 구부정한 자세로 오랫동안 앉아있게 되는데 이런 자세는 경추(cervical spine)를 일자 형태로 변형시켜 거북목증후군(forward headposture)을 유발시킨다[1-4].
거북목증후군을 예방하는 방법으로 바르게 앉는 자세란 어떻게 앉는 것인가?
따라서 바르게 앉는 것이 중요한데 바르게 앉은 자세(neutral position)란 사용자의 머리와 목은 옆에서 볼 때 일직선을 이루어야 하고, 어깨는 긴장을 풀어야 한다. 또한 허리는 허벅지와 수직이거나 의자에 약간 기댄 자세이며, 허벅지는 의자에 앉았을 때 바닥과 평행해야 한다. 그리고 무릎은 엉덩이와 같은 높이에 위치하고, 발바닥은 전체가 바닥에 닿아 있어야 한다[8]. 하지만 사용자가 실시간으로 바른 자세에 대해 인식하지 않으면 무의식적으로 자세가 변하기 때문에 바른 자세를 유지시키기는 어렵다.
거북목증후군은 척추에 어떤 영향을 미치는가?
거북목증후군은 척추에 가해지는 부하에 영향을 주는데 인체 역학적 구조상 머리가 전방으로 1inch 씩 전위 될 때마다 척추에 가해지는 하중은 약 10lb 이 증가하게 되며, 이를 지지하기 위해 후 경부의 근육과 연조직들은 신장과 경직이 반복되어 비정상적인 부하가 걸리게 되어 척추 퇴행성 질환을 유발시킬 수 있다. 또한, 이러한 증상은 일상생활에서 눈을 쉽게 피로하게 하고, 집중력 저하 두통 등의 증상을 가져오게 된다[6].
참고문헌 (24)
J. H. Kang, R. Y. J. Y. Kim, and K. I. Jung, "The effect of the forward head posture on postural balance in long time computer based worker", Annals of rehabilitation medicine, vol. 36, pp. 98-104, 2012.
D. Falla, G. Jull, T. Russell, B. Vicenzino, and P. Hodges, "Ebffect of Neck Exercise on Sitting Posture in Patients With Chronic Neck Pain", Physical Therapy, vol. 87, no. 4, 2007.
O. Evans and K. Patterson, "Predictors of neck and shoulder pain in non-secretarial computer users", International Journal of Industrial Ergonomics, vol. 26, no. 3, pp. 357-365, 2000.
유승한, "스마트폰 사용 시, 사용자세와 휴식유형 및 작업-휴식 일정이 피로도에 미치는 영향", 한양대학교 석사학위논문, 2012.
Kapandji, I. A, "The physiology of the Joints", Elsevier Science Health Science div., vol. 3 2008.
K. Harman, L. cheryl and H. butler, "Effectiveness of an exercise program to improve forward head posture in normal adults: a randomized, controlled 10-week trial", Journal of Manual & Manipulative Therapy, vol. 13, no. 3, pp. 163-176, 2005.
김동현, 장정근, 최선탁, 조위덕, "의자에 앉은 자세에 따른 둔부의 압력 및 척추의 움직임 측정 시스템에 관한 연구", 대한전자공학회 하계종합학술대회발표회논문집, pp. 1547-1549, 2013.
김무림, 김현우, 이승환, 조위덕, "가우시안 혼합 배경 모델링을 적용한 컴퓨터 비전기반 앉은 자세 교정 시스템", 한국통신학회 동계종합학술발표회논문집, pp. 25-26, 2010.
L. Bao, and S. S. Intille, "Activity Recognition from User-Annotated Acceleration Data", In Proceceedings of the 2nd International Conference on Pervasive Computing, pp. 1-17, 2004.
N. Ravi, N. Dandekar, P. Mysore and M.L. Littman", Activity Recognition from Accelerometer Data", AAAI, vol. 5, pp. 1541-1546, 2005.
S. Wang, J. Yang, N. Chen and X. Chen, "Human Activity Recognition with User-Free Accelerometers in the Sensor Networks", Neural Networks and Brain, ICNN&B'05, vol. 2, pp. 1212-1217, 2005.
Y. J. Jung, D. H. Kang, and J. W. Kim, "Upper Body Motion Tracking With Inertial Sensors", IEEE International Conference on, Robotics and Biomimetics (ROBIO), pp. 1746-1751, 2010.
C. V. Bouten, K. T. Koekkoek, M. Verduin, R. Kodde, and J. D. Janssen", A triaxial accelerometer and portable data processing unit for the assessment of daily physical activity", IEEE Transactions on Bio-Medical Engineering, vol. 44, no. 3, pp. 136-147, 1997.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.