$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

웨어러블 디바이스를 활용한 건설작업자의 건강보건관리
Wearable Health Devices for Construction Workers' Occupational Health 원문보기

건설관리 : 한국건설관리학회 학회지 = Construction engineering and management, v.17 no.6, 2016년, pp.40 - 46  

황성주 (Department of Civil and Environmental Engineering Tishman Construction Management Program, University of Michigan)

초록이 없습니다.

AI 본문요약
AI-Helper 아이콘 AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

  • 이중 %HRR(Percentage of Heart Rate Reserve)이란 지표는 신체부하 측정에 가장 널리 쓰이는 방법이다. 본 지표는 각 개개인의 상이한 최소심박수(Resting or Minimum Heart Rate)와 최대심박수(Maximum Heart Rate: 각 개인의 나이에 따라 추정됨)를 고려하여 절대적인 값인 심박수 데이터를 상대적인 값인 비율로 계산한 것이다. 예를 들면, 작업자 A의 최소심박수가 60, 최대심박수가 180이고, 작업 중 해당 작업자의 심박수가 120에 도달하였을 때 본 작업자는 50%(50%=(120-60)/(180/60)=60/120)의 신체부하를 보이는 것으로 해석될 수 있다(ACSM 2013).
  • 이에 다양한 생리학적 데이터를 수집하는 센서를 갖춘 웨어러블 디바이스는 건설작업자의 작업을 방해하지 않고 이와 같은 목적을 쉽게 달성할 수 있는 무궁무진한 가능성이 있다. 본고에서 소개한 연구는 웨어러블디바이스 기반의 건설작업자 건강보건관리의 첫 걸음이다. 향후 신호처리기술의 진보를 통해 생리학적 데이터 정확성의 지속적인 향상과, 추가적인 현장테스트 수행을 통한 작업자 건강 위험도 지표의 신뢰성 확보는, 웨어러블 디바이스의 현장적용을 가속화할 수 있는 방법으로 사료된다.
  • 이에 본고에서는 웨어러블 디바이스의 건설작업자 건강보건 관리를 위한 연구동향을 간략히 소개한다. 특히, 본 디바이스의 가능성을 간략히 소개하고, 현장적용에 있어 당면한 도전과제 들을 설명한 후, 이를 해결하기 위한 미시간대학교(University of Michigan, Ann Arbor) Dynamic Project Management Group(지도교수: SangHyun Lee) 연구진의 연구를 소개한다.
  • 이와 더불어, 본 연구진은 웨어러블 헤드셋을 통해 얻어진 뇌전도를 통해 작업자 스트레스를 분석하고, 이를 스트레스와 연관된 호르몬인 코티졸(Cortisol) 수치와 비교하는 연구를 수행하고 있다. 그림 8은 실제 현장에서 작업자 뇌파를 측정해 분석한 작업자들의 정서적 스트레스(Emotional Stress)레벨과, 매시간 작업자의 침(Saliva) 샘플을 채취하여 분석한 코티졸 레벨의 상관관계이다.
  • 이와 더불어, 현재 본 연구진은 웨어러블 헤드셋을 통해, 건설작업자의 뇌전도를 측정하고, 뇌전도 데이터의 잡음제거를 위한 연구를 진행 중이다. 이 또한, 실제 현장에서 작업하는 건설작업자를 대상으로 헤드셋을 착용하게 하고 데이터를 수집하였으며, Independent Component Analysis(ICA)란 신호처리 방법을 활용하여 안구와 근육 등의 움직임을 통해 발생하는 잡음을 뇌전도에서 분해하여 추출해 내는 방법을 활용 중이다 (그림 5).
  • 이에 본고에서는 웨어러블 디바이스의 건설작업자 건강보건 관리를 위한 연구동향을 간략히 소개한다. 특히, 본 디바이스의 가능성을 간략히 소개하고, 현장적용에 있어 당면한 도전과제 들을 설명한 후, 이를 해결하기 위한 미시간대학교(University of Michigan, Ann Arbor) Dynamic Project Management Group(지도교수: SangHyun Lee) 연구진의 연구를 소개한다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
웨어러블 디바이스에서 측정되는 생리학적 데이터 정확도에 영향을 주는 요소는 무엇이 있는가? 웨어러블 디바이스에서 측정되는 생리학적 데이터에는 데이터 정확도에 영향을 주는 다양한 요소들이 존재한다. 이러한 영향요소는 신체내부의 변화에 의해 발생하는 내부영향요소와 외부영향요소로 구분할 수 있다. 내부영향요소는 관심이 되는 신체부위의 측정을 방해하는 다른 신체부위의 활동에 의해 발생한다.
작업자의 건강보건관리에 있어 필수적인 세 가지 요소는 무엇인가? (2009)에 따르면, 작업자의 건강보건관리에 있어 필수적인 세 가지 요소를 다음과 같이 설명하고 있다. 첫 번째, 작업자의 신체 상태를 빠르게, 그리고 지속적으로 파악할 수 있어야 하고, 두 번째, 이를 바탕으로 작업자 건강의 위험요소를 정확하게 확인할 수 있어야 하며, 세 번째, 이러한 위험요소를 신속하고 효율적으로 피드백 해 줄 수 있어야 한다는 것이다.
웨어러블 디바이스의 기능은? 앞서 설명한 바와 같이, 웨어러블 디바이스는 심박수(Heart Rate), 뇌파(Brain Waves), 피부온도(Skin Temperature), 혈류량(Blood Flow), 피부전극반응(Electrodermal Activity) 등 인간의 다양한 생리학적 데이터를 사용자의 일상생활을 방해하지 않고, 간편하고 지속적으로 모니터링 할 수 있게 한다. 또한, 기존의 수많은 연구들은 이러한 생리학적 데이터를 통해 인간의 다양한 건강 위험요소를 분석하고 “위험도(Risk Indicator)" 로써 수치화할 수 있는 가능성을 보여주었다.
질의응답 정보가 도움이 되었나요?

참고문헌 (15)

  1. ACSM-American College of Sports Medicine. (2013). ACSM's Guidelines vor Exercise Testing and Prescription. Lippincott Williams & Wilkins, New York, NY. 

  2. Astrand, P. O., Rodahl, K., Dahl, H. A., and Stromme, S. (2003). Textbook of Work Physiology: Physiological Bases of Exercise. 4th Edition, Human Kinetics, Champaign, IL. 

  3. Buller, M. J., Latzka, W. A., Yokota, M., Tharion, W. J., and Moran, D. S. (2008). "A real-time heat strain risk classifier using heart rate and skin temperature." Physiological Measurement, 29(12), N79-N85. 

    상세보기

  4. Bureau of Labor Statistics (BLS) (2014). "Employerreported workplace injuries and illnesses-2013." http://www.bls.gov/news.release/archives/osh_12042014.pdf (accessed Jul 29, 2015). 

  5. Carnethon, M., Whitsel, L. P., Franklin, B. A., Kris-Etherton, P., Milani, R., Pratt, C. A., and Wagner, G. R. (2009). "Worksite wellness programs for cardiovascular disease prevention: a policy statement from the American Heart Association." Circulation, 120(17), 1725-1741. 

    상세보기 crossref

  6. Gatti, U. C., Migliaccio, G. C., Bogus, S. M., and Schneider, S. (2014b). "An exploratory study of the relationship between construction workforce physical strain and task level productivity." Construction Management and Economics, 32(6), 548-564. 

    상세보기 crossref

  7. Hwang, S., Seo, J., Jebelli, H., and Lee, S. (2016a). "Feasibility analysis of heart rate monitoring of construction workers using a photoplethysmography (PPG) sensor embedded in a wristband-type activity tracker." Automation in Construction, Elsevier (Under Review). 

  8. Hwang, S., Seo, J., Ryu, J., and Lee, S. (2016b) "Challenges and opportunities of understanding construction workers' physical demands through field energy expenditure measurements using a wearable activity aracker." Proceedings of 2016 Construction Research Congress, ASCE, Reston, VA, 2730-2739 

  9. Hills, A. P., Mokhtar, N., and Byrne, N. M. (2014). "Assessment of physical activity and energy expenditure: an overview of objective measures." Frontiers in Nutrition, 1(5), 1-16. 

  10. Jebelli, H., Hwang, S., and Lee, S. (2016). "An EEG signal processing framework to obtain high quality brain waves from an off-the-shelf wearable EEG device." Journal of Computing in Civil Engineering, ASCE. (Under Review). 

  11. Sazonov, E., and Neuman, M. R. (2014). "Application of optical heart rate monitoring." Wearable Sensors: Fundamentals, Implementation and Applications . Academic Press, San Diego, CA, 105-130. 

  12. Suryadevara, N. K., Mukhopadhyay, S. C., and Barrack, L. (2015). "Towards a smart non-invasive fluid loss measurement system." Journal of medical systems, 39(4), 1-10. 

    상세보기 crossref

  13. Uriguen, J. A., and Garcia-Zapirain, B. (2015). "EEG artifact removal-state-of-the-art and guidelines." Journal of Neural Engineering, 12(3), 031001. 

    상세보기 crossref

  14. Yates, J. K. (2014). Productivity Improvement for Construction and Engineering: Implementing Programs that Save Money and Time. ASCE, Reston, VA 

  15. Zhai, J., Barreto, A. B., Chin, C., and Li, C. (2005). "Realization of stress detection using psychophysiological signals for improvement of human-computer interactions." In Proceedings of the IEEE SoutheastCon, 2005, IEEE, 415-420. 

저자의 다른 논문 :

관련 콘텐츠

섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로