According to recent studies, poor sitting posture of the spine has been shown to lead to a variety of spinal disorders. For this reason, it is important to measure the sitting posture. We proposed a strategy for classification of sitting posture using machine learning. We retrieved acceleration data...
According to recent studies, poor sitting posture of the spine has been shown to lead to a variety of spinal disorders. For this reason, it is important to measure the sitting posture. We proposed a strategy for classification of sitting posture using machine learning. We retrieved acceleration data from single tri-axial accelerometer attached on the back of the subject's neck in 5-types of sitting posture. 6 subjects without any spinal disorder were participated in this experiment. Acceleration data were transformed to the feature vectors of principle component analysis. Support vector machine (SVM) and K-means clustering were used to classify sitting posture with the transformed feature vectors. To evaluate performance, we calculated the correct rate for each classification strategy. Although the correct rate of SVM in sitting back arch was lower than that of K-means clustering by 2.0%, SVM's correct rate was higher by 1.3%, 5.2%, 16.6%, 7.1% in a normal posture, sitting front arch, sitting cross-legged, sitting leaning right, respectively. In conclusion, the overall correction rates were 94.5% and 88.84% in SVM and K-means clustering respectively, which means that SVM have more advantage than K-means method for classification of sitting posture.
According to recent studies, poor sitting posture of the spine has been shown to lead to a variety of spinal disorders. For this reason, it is important to measure the sitting posture. We proposed a strategy for classification of sitting posture using machine learning. We retrieved acceleration data from single tri-axial accelerometer attached on the back of the subject's neck in 5-types of sitting posture. 6 subjects without any spinal disorder were participated in this experiment. Acceleration data were transformed to the feature vectors of principle component analysis. Support vector machine (SVM) and K-means clustering were used to classify sitting posture with the transformed feature vectors. To evaluate performance, we calculated the correct rate for each classification strategy. Although the correct rate of SVM in sitting back arch was lower than that of K-means clustering by 2.0%, SVM's correct rate was higher by 1.3%, 5.2%, 16.6%, 7.1% in a normal posture, sitting front arch, sitting cross-legged, sitting leaning right, respectively. In conclusion, the overall correction rates were 94.5% and 88.84% in SVM and K-means clustering respectively, which means that SVM have more advantage than K-means method for classification of sitting posture.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 논문에서는 1개의 3축 가속도센서를 앉은 자세의 변화에 따라 변하는 경추에 부착하여 앉은 자세를 분류하는 연구를 진행하였다[15]. 자세를 판단하는 시스템을 구축하기 위해 바르게 앉은 자세와 4가지의 올바르지 않은 앉은 자세에서의 중력가속도에 대한 위치의 변화를 측정하였다.
본 논문에서는 경추에 부착한 1개의 가속도 센서를 이용하여 다섯 가지의 앉은 자세 데이터를 수집하고 이를 비지도 학습 분류기와 지도학습 분류기를 통해 각각 비교하여 자세의 분류가 가능한지, 어떤 분류기의 성능이 더 우수한지를 확인하였다. 간단한 하드웨어 시스템을 통해 취득한 앉은 자세 데이터는 PC를 사용하는 환경과, 학업을 할 때의 상황에서 진행하였고, 취득한 데이터를 PCA-SVM알고리즘으로 분류한 결과 바른자세(CS)와 다른 4가지의 데이터는 96.
제안 방법
본 논문에서는 앉은 자세 분류를 위해 머신러닝 기반의 알고리즘을 적용하였다. 가속도센서의 출력은 중력가속도 성분과 선형가속도 성분이 포함되어있는데, 동작이 변화되는 동적인 활동이 아닌 정적인 자세를 판단하기 때문에 중력가속도의 성분을 포함한 3차원의 가속도데이터를 1개의 특징벡터로 사용하였다[18].
본 논문에서는 잘못된 자세로 인해 다양한 척추 질환을 발생시키는 자세를 분류하기 위해 기준이 될 1가지의 바른 자세와 4가지의 잘못된 자세를 선택하였다. 4가지의 잘못 앉은 자세는 개인용 컴퓨터의 사용 시간 증가에 따라 무의식적으로 취하게 되는 자세이다.
본 논문에서는 1개의 3축 가속도센서를 앉은 자세의 변화에 따라 변하는 경추에 부착하여 앉은 자세를 분류하는 연구를 진행하였다[15]. 자세를 판단하는 시스템을 구축하기 위해 바르게 앉은 자세와 4가지의 올바르지 않은 앉은 자세에서의 중력가속도에 대한 위치의 변화를 측정하였다. 측정한 각 자세의 가속도 데이터를 주성분분석법(principal component analysis: PCA)을 사용하여 특징 벡터를 생성하였고, 패턴분류 기법인 지지벡터기계(support vector machine: SVM)와 k-means clustering 알고리즘을 사용하여 각 자세의 분류가 가능함을 확인하였다.
대상 데이터
본 논문에서 자세의 측정을 위한 시스템 구성은 그림 1과 같다. 가속도센서에서 출력되는 데이터의 수집을 위해 사용하는 보드로는 ATmega1280가 내장된 아두이노 우노를 사용하였다. 가속도센서와 아두이노간 I2C통신을 사용하였으며, 아두이노와 PC 사이는 serial통신을 연결하였다.
본 논문에서는 척추장애가 없는 건강한 20대 남성 6명을 대상으로 목 뒤의 5-6번 경추사이에 1개의 가속도 센서를 부착하여 실험을 실시하였으며 센서의 위치는 그림 4와 같다. 피험자는 5가지 자세를 각각 5분씩 유지하며 데이터를 수집하였다.
4가지의 잘못 앉은 자세는 개인용 컴퓨터의 사용 시간 증가에 따라 무의식적으로 취하게 되는 자세이다. 실험에 사용된 5가지 자세는 바르게 앉은 자세(correctly sitting: CS), 모니터 앞으로 고개를 쭉 빼고 있는 자세(sitting front arch: SFA), 엉덩이를 의자 끝에 걸치고 의자에 파묻히는 자세(sitting back arch: SBA), 다리를 꼬고 앉은 자세(sitting cross-leg: SCL), 한쪽팔을 책상에 지지하고 비스듬히 앉은 자세(sitting learning left: SLL)이다.
PCA를 사용한 데이터의 집합이 5가지 자세 간의 거리가 확연히 떨어진 분포를 보이며 분류에 더 적합한 것을 알 수 있다. 피시험자 6명을 대상으로, 5개의 자세에서 100Hz 샘플링 레이트로 5분동안 수집한 180,000개의 샘플 중 100,000개의 샘플을 임의로 추출하여 학습데이터로 사용하였고 학습에 참여하지 않은 80,000개의 샘플에서 20,000개의 샘플을 임의 추출하여 평가 데이터 셋을 구성하였다. 또한, 분류 성능의 통계적 유의성을 검증하기 위해 10-fold 교차검증(cross-validation)을 실시하였다.
비록 다중 센서에 비해 분류 성공률이 낮아졌지만 정상과 비정상 자세만 분류한 것이 아니라 추가적으로 비정상 자세를 세부적으로 분류하였을 뿐 아니라 적을 수의 센서로도 자세를 구분할 수 있음을 확인하였다[24]. 현재 연구에서는 6명의 피시험자로 실험을 진행하였고, 대상이 경추 질환이 없는 성인 남성으로 제한되어 있기 때문에 실제 환자와는 데이터가 다를 수 있으며, 자세를 유지함에 있어 특정 습관을 가진 대상과 동일한 데이터가 나온다고 판단하기는 힘들다. 따라서 향후에는 다양한연령과 성별을 대상으로 실험을 진행하여 데이터의 신뢰성을 향상시키고, 특정 행동을 추가하여 세부적인 자세의 분류를 통해자세 교정이 필요한 환자의 치료 방향을 제시 할 수 있을 것으로 기대된다.
데이터처리
가속도센서의 출력은 중력가속도 성분과 선형가속도 성분이 포함되어있는데, 동작이 변화되는 동적인 활동이 아닌 정적인 자세를 판단하기 때문에 중력가속도의 성분을 포함한 3차원의 가속도데이터를 1개의 특징벡터로 사용하였다[18]. 그 후 데이터의 특징을 추출하기 위해 주성분분석법(principal component analysis: PCA)을 사용하여 데이터의 분포를 표현하였다. 패턴 분류의 비교를 위해 비지도 학습방법(unsupervised learning) 중 하나인 구현이 간단하고 성능이 좋은 k-means 알고리즘과 구조적 분류를 보장하며 높은 일반화 성능을 보여주는 대표적 지도학습(supervised learning)방법인 SVM을 사용하여 훈련모델을 생성하였다.
피시험자 6명을 대상으로, 5개의 자세에서 100Hz 샘플링 레이트로 5분동안 수집한 180,000개의 샘플 중 100,000개의 샘플을 임의로 추출하여 학습데이터로 사용하였고 학습에 참여하지 않은 80,000개의 샘플에서 20,000개의 샘플을 임의 추출하여 평가 데이터 셋을 구성하였다. 또한, 분류 성능의 통계적 유의성을 검증하기 위해 10-fold 교차검증(cross-validation)을 실시하였다. k-means clustering을 10-fold 교차검증 한 결과 5가지 자세 중심의 평균 값은
자세를 판단하는 시스템을 구축하기 위해 바르게 앉은 자세와 4가지의 올바르지 않은 앉은 자세에서의 중력가속도에 대한 위치의 변화를 측정하였다. 측정한 각 자세의 가속도 데이터를 주성분분석법(principal component analysis: PCA)을 사용하여 특징 벡터를 생성하였고, 패턴분류 기법인 지지벡터기계(support vector machine: SVM)와 k-means clustering 알고리즘을 사용하여 각 자세의 분류가 가능함을 확인하였다.
이론/모형
본 논문의 자세 분류 실험은 5가지 자세를 분류하는 것으로 k의 값은 5이며, 중심벡터와 각 벡터의 유사도를 판별하는 방법은 많이 활용되는 방법인 유클리디안 거리식을 이용하였다[20][21].
이 때 ∅(x)를 사용하는 것이 아니라 두 벡터의 내적 ∅(x) ∙ ∅(y)을 커널함수(kernel function) k(x,y)로 정의하여 대신 사용한다. 이렇게 사용되는 커널의 종류는 linear, polynomial, sigmoid, gaussian(radial basis function, RBF)이 있으며, 본 연구에서는 가장 많이 사용되는 RBF커널을 사용하였으며 식(6)과 같다[22].
그 후 데이터의 특징을 추출하기 위해 주성분분석법(principal component analysis: PCA)을 사용하여 데이터의 분포를 표현하였다. 패턴 분류의 비교를 위해 비지도 학습방법(unsupervised learning) 중 하나인 구현이 간단하고 성능이 좋은 k-means 알고리즘과 구조적 분류를 보장하며 높은 일반화 성능을 보여주는 대표적 지도학습(supervised learning)방법인 SVM을 사용하여 훈련모델을 생성하였다. 그 후 훈련에 참여하지 않은 데이터를 통해 자세의 분류를 확인하였다.
성능/효과
그림 6에는 두 분류기에 따른 각 자세의 분류율을 나타내었다. SCL의 경우에는 PCA-K means 알고리즘이 더 분류율이 높았지만 SBA의 분류에서 분류율이 크게 감소하는 것을 확인할 수 있었다. 전체적으로 PCA-SVM 알고리즘이 더 우수한 성능으로 분류되는 것을 알 수 있으며, 자세를 정상과 비정상으로 이진 분류하는 것이 아닌 5가지 자세를 모두 분류 할 수 있음을 알 수 있었다.
본 논문에서는 경추에 부착한 1개의 가속도 센서를 이용하여 다섯 가지의 앉은 자세 데이터를 수집하고 이를 비지도 학습 분류기와 지도학습 분류기를 통해 각각 비교하여 자세의 분류가 가능한지, 어떤 분류기의 성능이 더 우수한지를 확인하였다. 간단한 하드웨어 시스템을 통해 취득한 앉은 자세 데이터는 PC를 사용하는 환경과, 학업을 할 때의 상황에서 진행하였고, 취득한 데이터를 PCA-SVM알고리즘으로 분류한 결과 바른자세(CS)와 다른 4가지의 데이터는 96.56%의 분류율로 분류하였고, 불균형 자세인 4가지의 자세(SFA, SBA, SCL, SLL)도 각각 97.44%, 91.6%,90.47%, 96.45%로 분류가 가능함을 확인하였다.
5%이다. 따라서 두 분류기의 비교 결과 PCA-SVM 알고리즘이 더 높은 분류 성능을 보이는 것을 확인할 수 있었다. 그림 6에는 두 분류기에 따른 각 자세의 분류율을 나타내었다.
또한, 동적 활동의 분류에 많이 사용되는 가속도 센서를 이용하여 정적인 자세의 분류가 가능함을 확인할 수 있었다. 그러나 1개의 센서를 통해 얻은 데이터를 기반으로 분류하였기 때문에 척추 전체에 가해지는 데이터의 측정에는 부족하다.
로 나타났으며, 이 중심값을 기준으로 만들어진 클러스터의 자세 인식 성공률이 88.84%로 나타났음을 확인할 수 있었다. 또한 같은 데이터셋을 RBF커널을 사용한 다중 클래스 SVM에 입력하였을 때 각 자세의 분류율의 평균은 94.
전체적으로 PCA-SVM 알고리즘이 더 우수한 성능으로 분류되는 것을 알 수 있으며, 자세를 정상과 비정상으로 이진 분류하는 것이 아닌 5가지 자세를 모두 분류 할 수 있음을 알 수 있었다. 이 결과를 통해, 1개의 가속도 센서에서 얻은 앉은 자세 데이터로 다섯 가지 자세가 모두 분류가 가능함을 확인하였고, 분류기를 사용할 때에 비지도학습과 지도학습 중에서 지도학습을 사용하는 것이 더 좋은 방법임을 알 수 있었다.
SCL의 경우에는 PCA-K means 알고리즘이 더 분류율이 높았지만 SBA의 분류에서 분류율이 크게 감소하는 것을 확인할 수 있었다. 전체적으로 PCA-SVM 알고리즘이 더 우수한 성능으로 분류되는 것을 알 수 있으며, 자세를 정상과 비정상으로 이진 분류하는 것이 아닌 5가지 자세를 모두 분류 할 수 있음을 알 수 있었다. 이 결과를 통해, 1개의 가속도 센서에서 얻은 앉은 자세 데이터로 다섯 가지 자세가 모두 분류가 가능함을 확인하였고, 분류기를 사용할 때에 비지도학습과 지도학습 중에서 지도학습을 사용하는 것이 더 좋은 방법임을 알 수 있었다.
후속연구
현재 연구에서는 6명의 피시험자로 실험을 진행하였고, 대상이 경추 질환이 없는 성인 남성으로 제한되어 있기 때문에 실제 환자와는 데이터가 다를 수 있으며, 자세를 유지함에 있어 특정 습관을 가진 대상과 동일한 데이터가 나온다고 판단하기는 힘들다. 따라서 향후에는 다양한연령과 성별을 대상으로 실험을 진행하여 데이터의 신뢰성을 향상시키고, 특정 행동을 추가하여 세부적인 자세의 분류를 통해자세 교정이 필요한 환자의 치료 방향을 제시 할 수 있을 것으로 기대된다.
그러나 1개의 센서를 통해 얻은 데이터를 기반으로 분류하였기 때문에 척추 전체에 가해지는 데이터의 측정에는 부족하다. 하지만 이를 바탕으로 사용자에게 착용감을 거의 주지 않으면서 자세를 판단하고, 이를 교정 및 예방하는 치료를 제공하는 시스템을 구축하는데 적용될 수 있을 것으로 판단된다. 그러나 이전 실험에서 진행하였던 3가지 자세에 대한 분류와 비교하였을 때 분류율이 감소한 것을 확인할 수 있었는데, 이는 가속도 센서의 부착 위치가 왼쪽 어깨뼈에서 목 뒤로 이동한 것과, 분류하려는 자세의 수가 증가했기 때문으로 판단되어 진다[23].
질의응답
핵심어
질문
논문에서 추출한 답변
척추에 무리를 주지 않는 바른 자세란?
성인의 척추는 S자 형태로 경추(7개), 흉추(12개), 요추(5개),미추(4개)로 구성되는데, 신체의 체중을 지지하고 충격을 흡수하는 기능과 척수신경이 지나가는 통로의 역할을 하고 있다. 척추에 무리를 주지 않는 바른 자세란 신체를 상·하와 좌·우 그리고 앞·뒤로 나눠서 관찰하였을 때 어느 한곳으로 치우쳐 있지 않은 상태며, 특히 PC를 사용하거나 학업을 할 때 바른 앉은 자세란 사용자의 머리와 목은 옆에서 볼 때 일직선을 이루어야 하고, 어깨는 힘을 뺀 상태이며, 허리는 허벅지와 수직이여야 한다. 또한 허벅지는 바닥과 평행하게 위치하여야 하며, 무릎은 엉덩이와 같은 높이에 있으며 발바닥은 전체가 바닥에 닿아있어야 한다[5]. 그러나 일반적으로 앉아 있는 내내 바른 자세를 유지하는 것은 불가능하며 대부분의 사람은 무게 중심이 어느 한쪽으로 쏠리는 잘못된 자세로 앉게 된다[6].
디스크 환자의 주된 원인 4가지는?
선행 연구에 따르면 디스크 환자의 주된 원인은 크게 4가지 잘못 앉은 자세로 분류된다[7]. 첫 번째는 모니터 앞으로 고개를 쭉 빼고 있는 자세, 두 번째는 엉덩이를 의자 끝부분에 걸치고 의자에 파묻히는 자세, 세 번째는 다리를 꼬고 앉는 자세, 네 번째는 학습 중 많이 취하는 자세로, 한쪽 팔을 책상에 지지하고 비스듬히 앉는 자세이다. 각 자세에 따라 다양한 장애가 나타나게 되며 그 증상은 일상생활에 지장을 준다.
성인의 척추는 어떻게 구성되어 있고, 어떤 역할을 하는가?
성인의 척추는 S자 형태로 경추(7개), 흉추(12개), 요추(5개),미추(4개)로 구성되는데, 신체의 체중을 지지하고 충격을 흡수하는 기능과 척수신경이 지나가는 통로의 역할을 하고 있다. 척추에 무리를 주지 않는 바른 자세란 신체를 상·하와 좌·우 그리고 앞·뒤로 나눠서 관찰하였을 때 어느 한곳으로 치우쳐 있지 않은 상태며, 특히 PC를 사용하거나 학업을 할 때 바른 앉은 자세란 사용자의 머리와 목은 옆에서 볼 때 일직선을 이루어야 하고, 어깨는 힘을 뺀 상태이며, 허리는 허벅지와 수직이여야 한다.
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, "Effect 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
Kapandji, I. A, "The physiology of the Joints," Elsevier Science Health Science div, vol. 3 2008, pp.145-208
E.M. Joseph, "Kinesiology, the skeletal system and muscle function," 2011, pp.245-249
P.B. Bruce, "Musculoskeletal disorders and workplace factors," U.S. department of health and human services, 1997, pp.97-141.
J.K. Ko, "ET form, PC room form, ... This is four kinds of poor sitting postures", 2005.06.21., joongang, http://news.joins.com/article/1620642
S.J. Lee and S.K. Jung, "Posture symmetry based motion capture system for analysis of lower-limbs rehabilitation training," Journal of Multimedia Information System, vol. 14, no. 12, pp. 1517-1527, 2011.
M. R. Kim, H. W. Kim and W. D. Cho, "posture helper using gaussian mixture background modeling," in Proc the Korean Institute of communications and Information Sciences, Pyeongchang, Korea, 2010, pp. 25-26.
H. J. Ha and C. D. Lee, "Design of Algorithm for Guidance of Sitting Posture Correction Using Pressure Sensor and Image Processing Interpolation Technique," Journal of Korean Institute of Information Technology, vol. 14, no. 1, pp. 37-44, 2016.
L. Bao, and S. S. Intille, "Activity Recognition from User-Annotated Acceleration Data," In Proceceedings of the 2nd International Conference on Pervasive Computing, 2004, pp.1-17.
Y. Jung, D. Kang and J. Kim, "Upper Body Motion Tracking with Inertial Sensors," In Robotics and Biomimetics (ROBIO), IEEE International Conference, Dec. 2010, pp. 1746-1751.
D. Curone, G. M. Bertolotti, A. Cristiani and G. Magenes, "A Real-Time and Self Calibrating Algorithm based on Triaxial Accelerometer signals for the detection of human posture and activity," IEEE Transactions on Information Technology in Biomedicine, July, pp. 1098-1105, 2010.
K. R. Ko and S. B. Pan, "Feature extraction and classification of posture for four-joint based human motion data analysis," journal of the inistitute of electronics and information engineers, vol. 52, no. 6, pp. 117-125, 2015.
K. M. Black, P. McClure, and M. Polansky, "The influence of different sitting positions on cervical and lumbar posture," Spine, vol.21, no.1, 1996.
U. Maurer, A. Smailagic, D. P. Siewiorek and M. Deisher, "Activity recognition and monitoring using multiple sensors on different body positions," IEEE Computer Society, Wearable and Implantable Body Sensor Networks, Washington, USA, 2006. pp. 112-116.
T. P. Kao, C. W. Lin and J. S. Wang, "Development of a portable activity detector for daily activity recognition," in IEEE international Symposium on Industrial Electornics, Seoul, Korea, Jul, 2009, pp.115-120.
A. M. Khan, Y. K. Lee, S. Y. Lee and T. S. Kim, "A Triaxial Accelerometer-Based Physical-Activity Recognition via Augmented-Signal Features and a Hierarchical Recognizer," IEEE Transactions on Information Technology in Biomedicine, vol. 14, no. 5, pp. 1166-1172, 2010.
J. MacQueen, "Some methods for classification and analysis of multivariate observations," In proceedings of the fifth berkely symposium on mathematical statistics and probability, vol. 1, 1967, pp.281-297.
C. Cortes, V. Vapnik, "Support-vector networks," Machines Learning, vol. 20, no. 3, pp. 273-297, 1995.
S.Y. Ma, H. M. Shim and S.M. Lee, "Classification of sitting position by IMU built in neckband for preventing imbalance posture," Journal of Rehabilitation welfare engineering & assistive technology, vol. 9, no. 4, pp. 285-291, 2015.
K. R. Ko, S. H. Chae and S. B. Pan, "A study on the 4-joint based motion capture system for spinal disease prevention," journal of Korean Institute of Information Technology, vol. 12, no. 8, pp. 157-165, 2014.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.