앉아있는 시간이 긴 현대인들에게 바른 자세를 유지하도록 하는 것은 중요하다. 자세 교정을 위한 치료는 많은 시간과 비용이 소요되며, 전문의의 지속적인 관찰이 필요하다. 그러므로 사용자 스스로 자신의 자세를 판단하고 교정하기 위한 시스템이 필요하다. 본 논문에서는 사용자의 자세 데이터를 취득하여 취득된 자세가 정상자세인지 비정상자세인지 판단한다. 사용자의 자세 데이터 취득을 위해 관성 센서를 이용한 4개 관절 기반 모션캡쳐 시스템을 제안한다. 이 시스템을 통해 대상자의 자세 데이터를 취득하고, 취득한 데이터를 기반으로 특징을 추출하여 DB를 구축한다. 구축한 DB를 K-means 클러스터링 알고리즘을 이용하여 자세 학습을 수행한 후, 정상자세와 비정상자세를 분류한다. 관절의 회전각도, 위치정보, 분석정보를 이용하여 자세분류를 수행한 결과, 정상자세 판단 성공률은 99.79%로 나타났다. 이 결과로 미루어 4개 관절에 대한 특징을 이용하여 사용자의 자세를 판단 가능하며, 향후 척추질환 예방 시스템에 적용하여 사용자의 자세를 교정하는 데 도움을 줄 수 있을 것으로 판단된다.
앉아있는 시간이 긴 현대인들에게 바른 자세를 유지하도록 하는 것은 중요하다. 자세 교정을 위한 치료는 많은 시간과 비용이 소요되며, 전문의의 지속적인 관찰이 필요하다. 그러므로 사용자 스스로 자신의 자세를 판단하고 교정하기 위한 시스템이 필요하다. 본 논문에서는 사용자의 자세 데이터를 취득하여 취득된 자세가 정상자세인지 비정상자세인지 판단한다. 사용자의 자세 데이터 취득을 위해 관성 센서를 이용한 4개 관절 기반 모션캡쳐 시스템을 제안한다. 이 시스템을 통해 대상자의 자세 데이터를 취득하고, 취득한 데이터를 기반으로 특징을 추출하여 DB를 구축한다. 구축한 DB를 K-means 클러스터링 알고리즘을 이용하여 자세 학습을 수행한 후, 정상자세와 비정상자세를 분류한다. 관절의 회전각도, 위치정보, 분석정보를 이용하여 자세분류를 수행한 결과, 정상자세 판단 성공률은 99.79%로 나타났다. 이 결과로 미루어 4개 관절에 대한 특징을 이용하여 사용자의 자세를 판단 가능하며, 향후 척추질환 예방 시스템에 적용하여 사용자의 자세를 교정하는 데 도움을 줄 수 있을 것으로 판단된다.
In the modern age, it is important for people to maintain a good sitting posture because they spend long hours sitting. Posture correction treatment requires a great deal of time and expenses with continuous observation by a specialist. Therefore, there is a need for a system with which users can ju...
In the modern age, it is important for people to maintain a good sitting posture because they spend long hours sitting. Posture correction treatment requires a great deal of time and expenses with continuous observation by a specialist. Therefore, there is a need for a system with which users can judge and correct their postures on their own. In this study, we collected users' postures and judged whether they are normal or abnormal. To obtain a user's posture, we propose a four-joint motion capture system that uses inertial sensors. The system collects the subject's postures, and features are extracted from the collected data to build a database. The data in the DB are classified into normal and abnormal postures after posture learning using the K-means clustering algorithm. An experiment was performed to classify the posture from the joints' rotation angles and positions; the normal posture judgment reached a success rate of 99.79%. This result suggests that the features of the four joints can be used to judge and help correct a user's posture through application to a spinal disease prevention system in the future.
In the modern age, it is important for people to maintain a good sitting posture because they spend long hours sitting. Posture correction treatment requires a great deal of time and expenses with continuous observation by a specialist. Therefore, there is a need for a system with which users can judge and correct their postures on their own. In this study, we collected users' postures and judged whether they are normal or abnormal. To obtain a user's posture, we propose a four-joint motion capture system that uses inertial sensors. The system collects the subject's postures, and features are extracted from the collected data to build a database. The data in the DB are classified into normal and abnormal postures after posture learning using the K-means clustering algorithm. An experiment was performed to classify the posture from the joints' rotation angles and positions; the normal posture judgment reached a success rate of 99.79%. This result suggests that the features of the four joints can be used to judge and help correct a user's posture through application to a spinal disease prevention system in the future.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 사용자의 자세 데이터 취득을 위해 관성 센서를 이용한 4개 관절 기반 모션캡쳐 시스템을 제안한다. 4개 관절 기반 모션캡쳐 시스템에서 이용한 MEMS 기반 관성 센서는 가벼운 무게를 갖는 소형 크기의 센서이며 무선통신 방식을 이용하므로 대상자의 동작을 자연스럽게 표현할 수 있다.
본 논문에서는 자세 판단 시스템을 구축하기 위해 자세 교정의 기준이 될 정상자세 데이터와 비정상자세 데이터를 취득하고, 분석한다. 자세 데이터는 구축한 4개 관절 기반 모션캡쳐 시스템을 통해, 표 1과 같이 10명을 대상으로 강의를 들으며 학습하는 환경에서 정상자세와 비정상자세를 각각 5분씩 취득하였다 [11∼12].
본 논문에서는 특징에 따른 자세 판단 성공률 향상 여부를 확인하기 위해, 표 4와 같이 총 7가지 경우에 대한 실험 결과를 보인다.
본 논문에서는 특징에 따른 자세 판단 성공률 향상 여부를 확인한다. 3가지 특징을 단일적으로 이용했을 때와 복합적으로 이용했을 때에 대한 정상자세 판단 성공률은 표 6과 같다.
제안 방법
본 논문에서는 4개 관절 기반 모션캡쳐 시스템을 구축하고, 구축한 시스템을 기반으로 데이터를 취득하고, 분석하여 자세를 분류하였다. 구축한 4개 관절 기반 모션캡쳐 시스템을 통한 인체모션 취득 실험은 10명의 실험자를 대상으로, 의자에 앉아서 강의를 듣는 상황에서 진행하였다.
본 논문에서는 특징 1을 기반으로 새로운 특징을 추출한다. 가상의 공간에 4개 관절의 위치를 정의한 후, 각 관절에 해당하는 회전각도를 투영하면, 해당 관절에 회전이 일어난 후의 위치 좌표를 얻을 수 있다.
자세 데이터는 구축한 4개 관절 기반 모션캡쳐 시스템을 통해, 표 1과 같이 10명을 대상으로 강의를 들으며 학습하는 환경에서 정상자세와 비정상자세를 각각 5분씩 취득하였다 [11∼12].
제안한 4개 관절 기반 모션캡쳐 시스템은 그림 1과 같이, PC, 서버, 4개의 관성 센서, 3채널의 수신기, 4개 관절 기반 3차원 분석 시스템, 그리고 센서 고정용 벨크로밴드로 구성된다. 이 시스템에서 사용된 관성 센서는 MEMS 기반의 9축 관성 센서로 3축 자이로 센서, 3축 가속도 센서, 3축 지자기 센서로 구성된다.
그러므로 시스템에서 자세 데이터를 취득하기 위해 정의한 주요관절 4개는 오른쪽 어깨, 왼쪽 어깨, 오른쪽 골반, 왼쪽 골반이다. 제안한 4개 관절 기반 모션캡쳐 시스템을 통해 10명의 대상자로부터 앉아서 강의를 듣는 환경에서 정상자세와 비정상자세 데이터를 취득하고, 취득한 데이터를 기반으로 특징을 추출하여 자세 DB를 구축한다. 이 DB는 개인별 정상자세와 비정상자세가 하나의 DB로 구성되며, 패턴인식 알고리즘을 이용하여 자세를 분류한다.
10개의 DB를 이용한 자세분류 실험에서, 5개 DB(DB 1~5)는 학습 데이터로 이용되며, 나머지 5개 DB(DB 6~10)는 테스트 데이터로 이용된다.학습을 통해, 정상자세와 비정상자세 DB로부터 2개 클러스터에 대한 n차원의 중심을 찾고, 각 클러스터의 중심과 테스트 데이터 간의 유사도를 판별하여 자세를 분류한다.
대상 데이터
4개 관절 기반 모션캡쳐 시스템을 이용해 10명을 대상으로 강의를 들으며 학습하는 환경에서 취득한 정상 자세와 비정상자세 데이터는 오른쪽 어깨, 왼쪽 어깨, 오른쪽 골반, 왼쪽 골반에 대한 3차원 회전각도를 나타내는 Roll, Pitch, Yaw이다. 본 논문에서는 이 데이터를 특징 1이라 한다.
본 논문에서는 4개 관절 기반 모션캡쳐 시스템을 구축하고, 구축한 시스템을 기반으로 데이터를 취득하고, 분석하여 자세를 분류하였다. 구축한 4개 관절 기반 모션캡쳐 시스템을 통한 인체모션 취득 실험은 10명의 실험자를 대상으로, 의자에 앉아서 강의를 듣는 상황에서 진행하였다. 자세 분류에 사용된 특징은 4개 관절에 대한 회전각도, 회전각도를 기반으로 추출한 위치정보, 위치정보를 기반으로 추출한 분석정보이다.
실험에 사용된 데이터는 개인별 정상자세와 비정상자세가 하나의 DB로 구성되며, 10개의 DB가 실험에 사용된다. 취득된 DB는 100FPS의 취득률로 5분씩 취득한 10명의 데이터이므로, 하나의 DB에는 각각 특징에 해당하는 n차원의 벡터가 정상자세 30,000개, 비정상자세 30,000개 존재한다.
제안한 4개 관절 기반 모션캡쳐 시스템은 그림 1과 같이, PC, 서버, 4개의 관성 센서, 3채널의 수신기, 4개 관절 기반 3차원 분석 시스템, 그리고 센서 고정용 벨크로밴드로 구성된다. 이 시스템에서 사용된 관성 센서는 MEMS 기반의 9축 관성 센서로 3축 자이로 센서, 3축 가속도 센서, 3축 지자기 센서로 구성된다. 이 센서는 32mm*21mm의 크기로 기존 모션캡쳐 장비보다 작고 가벼워 대상자의 움직임을 자연스럽게 표현할 수 있다.
표 3에 나타난 특징 3은 특징 2를 기반으로 각 관절 간의 위아래 높낮이, 앞뒤 틀어짐, 좌우 위치 차이 등을 수치화한 특징이다. 이 특징은 20차원의 데이터로, 어깨와 골반의 좌우 높낮이 차이, 앞뒤 틀어짐 정도, 좌우 위치 차이, 오른쪽 어깨와 왼쪽 골반의 직선거리, 왼쪽 어깨와 오른쪽 골반의 직선거리, 원점을 기준으로 연결되는 4개 삼각형의 무게중심 순으로 구성된다
이론/모형
그중 K-means 알고리즘은 표 5 와 같이 클러스터의 중심과 각각의 벡터들의 유사도를 측정하여 가장 큰 유사도를 갖는 클러스터에 속하도록 분류하는 알고리즘이다 [14] . 본 논문에서 자세 분류 실험은 정상자세와 비정상자세로 분류해내는 것이므로 클러스터 개수 K는 2이며, 중심 벡터와 데이터 간 유사도 판별은 기존 연구에서 널리 활용되는 유클리디안 거리 식을 이용한다.
정상자세와 비정상자세를 분류하는 실험에는 구현이 간단하고 성능이 좋다는 장점이 있어 널리 사용되고 있는 K-means 알고리즘을 이용하였다. 클러스터링 알고리즘이란 각 벡터를 몇 가지의 특징 벡터의 집합으로 군집화시키는 것이다.
성능/효과
방법 1 실험에 사용된 특징 1 데이터를 일반적으로 분석한 결과, 앉아서 강의를 듣는 동작에서는 모든 관절에서 앞으로 숙이고, 뒤로 젖힘을 나타내는 Roll의 데이터가 정상자세와 비정상자세의 데이터 차이가 크게 나타났고, 골반 관절의 움직임보다 어깨 관절의 움직임이 더 크게 나타났다. 정상자세인 경우에는 Roll, Pitch, Yaw 데이터가 0° 주변에 분포하는 결과를 보였다 [11,12].
세가지 특징 데이터를 복합적으로 이용했을 때 정상자세 판단 성공률은 특징 1&2&3을 모두 이용했을 때 99.79%로 가장 높게 나타났다.
79%로 가장 높게 나타났다. 실험결과, 특징을 복합 적으로 이용할수록 정상자세 판단 성공률이 증가함을 확인하였다. 이 결과로 미루어 4개 관절에 대한 3가지 특징을 이용하여 사용자의 자세를 판단 가능하며, 향후 척추질환 예방 시스템에 적용하여 사용자의 자세를 교정하는데 도움을 줄 수 있을 것으로 판단된다.
자세 분류에 사용된 특징은 4개 관절에 대한 회전각도, 회전각도를 기반으로 추출한 위치정보, 위치정보를 기반으로 추출한 분석정보이다. 이 세 가지 특징을 기반으로 자세 분류를 수행한 결과, 데이터를 단일적으로 이용했을 때 정상자세 판단 성공률은 특징 1만 이용했을 때 93.58%, 특징 2만 이용했을 때 85.93%, 특징 3만 이용했을 때 97.57%로 나타났다. 세가지 특징 데이터를 복합적으로 이용했을 때 정상자세 판단 성공률은 특징 1&2&3을 모두 이용했을 때 99.
정상자세와 비정상자세 DB 로부터 구해진 중심은 그림 8과 같다. 정상자세 DB와 비정상자세 DB에 대한 중심 값을 비교해 보면, 각각의 자세에 대한 어깨와 골반의 좌우 높낮이 차이, 앞뒤 틀어짐 정도, 좌우 위치 차이, 어깨와 골반의 직선거리, 삼각형의 무게중심이 다르게 표현됨을 확인할 수 있다.
특징 1∼3 모두를 특징 데이터로 이용했을 때는 99.79%로 정상자세 판단 성공률이 가장 높게 나타났다.
후속연구
실험결과, 특징을 복합 적으로 이용할수록 정상자세 판단 성공률이 증가함을 확인하였다. 이 결과로 미루어 4개 관절에 대한 3가지 특징을 이용하여 사용자의 자세를 판단 가능하며, 향후 척추질환 예방 시스템에 적용하여 사용자의 자세를 교정하는데 도움을 줄 수 있을 것으로 판단된다. 향후에는 앉아서 학습하는 자세뿐만 아니라 다양한 자세에 대한 분석을 통해 DB를 구축하여, 사용자 스스로 자세 교정이 가능한 척추질환 예방 시스템을 구축할 계획이다.
이 결과로 미루어 4개 관절에 대한 3가지 특징을 이용하여 사용자의 자세를 판단 가능하며, 향후 척추질환 예방 시스템에 적용하여 사용자의 자세를 교정하는데 도움을 줄 수 있을 것으로 판단된다. 향후에는 앉아서 학습하는 자세뿐만 아니라 다양한 자세에 대한 분석을 통해 DB를 구축하여, 사용자 스스로 자세 교정이 가능한 척추질환 예방 시스템을 구축할 계획이다.
질의응답
핵심어
질문
논문에서 추출한 답변
척추측만증 치료가 필요한 이유는?
또한, 조기에 발견될수록, 초기 측만 각도가 낮을수록 교정 효과가 높다. 척추측만증은 단순히 미용상의 문제일 수는 없으며, 장기 위치 이상으로 인한 기능 이상, 특히 심폐기능의 저하 및 각종 통증을 유발하는 요인이 되므로 조기 발견과 적절한 치료가 필요하다[1∼4]. 이처럼 조기 발견 및 조기 치료가 중요함에도 척추측만증의 발견이 늦는 이유는 대부분의 척추측만증이 통증이 없고, 부모의 측만증에 대한 인식 부족도 있지만, 아이들이 사춘기에 들어오면서 부모에게도 자기 몸을 보이지 않으려는데 이유가 있다[5∼6].
자세 교정 치료의 치료효과는 연령에 따라 어떻게 다른가?
자세 교정 치료는 시작 연령이 낮을수록 교정 효과가 높고, 연령이 증가함에 따라 교정 효과가 낮아진다. 또한, 조기에 발견될수록, 초기 측만 각도가 낮을수록 교정 효과가 높다.
타인의 관찰 없이도 사용자 스스로 자세를 판단하고 교정하기 위한 시스템이 필요한 이유는?
척추질환 예방을 목적으로 하는 자세 교정 치료는 많은 시간과 비용이 소요되며, 전문의의 지속적인 관찰이 필요하다. 그러므로 타인의 관찰 없이도 사용자 스스로 자세를 판단하고 교정하기 위한 시스템이 필요하다.
참고문헌 (14)
S. W. Suh, H. N. Modi, J. H. Yang, J. Y. Hong, "Idiopathic scoliosis in Korean schoolchildren: a prospective screening study of over 1 million children." European spine journal, vol. 20, no. 7, pp. 1087-1094, 2011, Jul.
S. Negrini, et al., "2011 SOSORT guidelines: Orthopaedic and rehabilitation treatment of idiopathic scoliosis during growth," Scoliosis, vol.7.1, no.3, 2012, Jan.
B. P. Yawn, R. A. Yawn, D. Hodge, M. Kurland and W. J. Shaughnessy, D. Ilstrup, S. J. Jacobsen, "A Population-Based Study of School Scoliosis Screening," The Journal of the American Medical Association, vol. 282, no. 15, pp. 1427-1432, 1999, Oct.
K. Tomasz, et al. "Optimal management of idiopathic scoliosis in adolescence." Adolescent Health, Medicine and Therapeutics, vol. 2013, no. 4, pp. 59-73, 2013, Jul.
B. Shin and M. Han, "Application of 3-dimensional moire topography to the school screening program for adolescent scoliosis," The Journal of Korea CHUNA Manual Medicine, vol. 4, pp. 1-16, 2003.
J. Y. Jung, Y. S. Yang, Y. Won, and J. J. Kim, "Development of Wireless Ambulatory Measurement System based on Inertial Sensors for Gait Analysis and its Application for Diagnosis on Elderly People with Diabetes Mellitus," Journal of the Institute of Electronics Engineers of Korea, vol. 48, CI, no. 2, pp. 38-46, 2011, Mar.
D. Roetenberg, "Inertial and Magnetic Sensing of Human Motion," PhD dissertation, University of Twente, 2006.
M. G. Lee, S. G. Park, G. P. Park, S. W. Yang and B. R. Lee, "Technical Trend of Motion Capture," ETRI, Electronics and Telecommunications Trends, vol. 22, no. 4, 2007, Aug.
V. B. Zordan, A. Majkowaska, B. Chiu and M. Fast, "Dynamic Response for Motion Capture Animation," ACM Transactions on Graphics, vol.24, no. 3, pp. 697-701, 2005, Jul.
K. R. Ko, S. H. Chae, S. B. Bae, J. S. Choi and S. B. Pan, "A study on the 4-joint based motion capture system for spinal disease prevention," The Journal of Korean Institute of Information Technology, vol. 12, no. 8, pp. 157-165, 2014, Aug.
K. R. Ko, S. H. Chae, S. B. Bae, J. S. Choi and S. B. Pan, "Four-Joint Based Motion Capture for Spinal Disease Prevention System," IETE Technical Review, vol. 32, no. 1, pp. 37-45, 2015, Jan.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.