손목 움직임과 동작 빈도를 고려한 손목형 가속도계의 식사 행위 및 식사 시간 추론 기법 A Study on Meal Time Estimation and Eating Behavior Recognition Considering Movement Using Wrist-Worn Accelerometer with Its Frequency원문보기
본 논문에서는 손목형 가속도계를 이용하여 운동 가속도가 거의 없는 식사 행동을 인식하기 위한 방법을 제안한다. 먼저 손목 방향에 작용하는 중력 가속도를 이용하여 중력 방향과 손목 방향 간의 각도를 구하고, 특정 각도 영역에서 첨두값과 첨미값이 존재하는 경우 손목이 왕복하는 동작을 검출한다. 손목 왕복 동작 발생 횟수를 누적하여 그 횟수가 10회 이상일 경우 검출 시점으로 5분 전까지 식사 시간으로 간주하며, 그 지속시간이 7분 이상인 경우에만 식사 시간으로 추론한다. 대학원생 4명으로부터 수집한 2128분 데이터를 통해 식사 시간을 추론한 결과 95.63%의 정확도를 보인다.
본 논문에서는 손목형 가속도계를 이용하여 운동 가속도가 거의 없는 식사 행동을 인식하기 위한 방법을 제안한다. 먼저 손목 방향에 작용하는 중력 가속도를 이용하여 중력 방향과 손목 방향 간의 각도를 구하고, 특정 각도 영역에서 첨두값과 첨미값이 존재하는 경우 손목이 왕복하는 동작을 검출한다. 손목 왕복 동작 발생 횟수를 누적하여 그 횟수가 10회 이상일 경우 검출 시점으로 5분 전까지 식사 시간으로 간주하며, 그 지속시간이 7분 이상인 경우에만 식사 시간으로 추론한다. 대학원생 4명으로부터 수집한 2128분 데이터를 통해 식사 시간을 추론한 결과 95.63%의 정확도를 보인다.
In this paper, we propose a method for recognizing eating behavior with almost no motion acceleration. First, by using the acceleration of gravity acting on the wrist direction, we calculate the angle between the gravity and the wrist direction. After that, detect wrist reciprocating motion when pea...
In this paper, we propose a method for recognizing eating behavior with almost no motion acceleration. First, by using the acceleration of gravity acting on the wrist direction, we calculate the angle between the gravity and the wrist direction. After that, detect wrist reciprocating motion when peak and vally exist in specific angle band. And then, when accumulate the number of wrist reciprocating motion occurrences are up to 10, then regard as the meal time 5 minutes before the detection time. Also, estimate the meal time only if its duration is more than 7 minutes. Using the data of 2128 minutes, which was collected from four graduate student, the result of the meal time estimation shows 95.63% accuracy.
In this paper, we propose a method for recognizing eating behavior with almost no motion acceleration. First, by using the acceleration of gravity acting on the wrist direction, we calculate the angle between the gravity and the wrist direction. After that, detect wrist reciprocating motion when peak and vally exist in specific angle band. And then, when accumulate the number of wrist reciprocating motion occurrences are up to 10, then regard as the meal time 5 minutes before the detection time. Also, estimate the meal time only if its duration is more than 7 minutes. Using the data of 2128 minutes, which was collected from four graduate student, the result of the meal time estimation shows 95.63% accuracy.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
기존에는 식생활을 개선하기 위해 전문가의 체계적인 관리를 받거나, 개인이 직접 기록하여 관리하고자 하였다. 하지만 이러한 방식들은 번거로울뿐더러 기억과 주관에 의존 하기 때문에 정확도가 떨어진다는 단점이 있다.
본 논문은 가속도값을 중력 방향과 손목 방향 간의 각도로 변환하고, 이를 첨두값 영역 검출 기법을 사용하여 식사 행동을 인식하고 식사 시간을 추론하는 방법을 제안하였다. 대학원생 4명으로부터 수집된 2128분 데이터에 제안하는 방법을 적용한 결과 95.
제안 방법
본 논문에서는 손목형 가속도계를 이용하여 손목 방향과 중력 방향의 사이 각도 신호를 산출하고, 이에 첨두값 영역 검출 기법을 적용하여 식사 행동을 검출한다. 그리고 동작의 빈도와 지속시간을 고려하여 식사 시간을 추론한다. 식사 행동은 동작의 속도가 빠르지 않고, 특정 시간동안 일정한 범위의 각도 내에서 손목 움직임이 반복된다.
이 손목의 왕복 행동은 단발적으로 나타나며, 한 번의 움직임이 발생하고 다음 움직임이 나타나기 까지 최소 2초 이상의 시간 간격이 존재한다. 따라서 주기적 행동을 제거하고 단발성 행동 신호만을 남기기 위해 표본화율(Sampling rate)은 32, 차수는 64, 차단 주파수는 0.5, 해밍 윈도우(Hamming Window)를 사용하여 설계한 FIR 저역통과필터를 신호에 적용하였다.
본 논문에서 제안하는 방법은 식사 시간이 7분 미만인 경우 식사 시간을 검출하지 못한다는 단점이 있다. 또한 책상의 높이나 식사 시의 자세에 따라서 손목 각도의 변화 영역이 다르게 나타나 인식률이 떨어질 수 있다.
본 논문에서는 손목형 가속도계를 이용하여 손목 방향과 중력 방향의 사이 각도 신호를 산출하고, 이에 첨두값 영역 검출 기법을 적용하여 식사 행동을 검출한다. 그리고 동작의 빈도와 지속시간을 고려하여 식사 시간을 추론한다.
식사 중에는 스마트폰을 사용하거나 머리를 긁는 등의 식사 외적인 행동을 배제하여 식사만 할 수 있도록 하였다. 식사 전 약 1시간, 식사 후 약 3시간 동안 데이터를 연속적으로 수집하여 식사 외의 행동도 함께 수집하도록 하였다.
알고리즘의 성능을 평가하기 위해서 4명의 대학원생으로 부터 2일간 식사 데이터를 수집하였다. 식사는 젓가락만을 사용하여 식사를 2회, 숟가락만을 사용하여 식사를 1회 하였으며, 식사 시작 시각과 식사 종료 시각을 수기로 기록하였다. 식사 중에는 스마트폰을 사용하거나 머리를 긁는 등의 식사 외적인 행동을 배제하여 식사만 할 수 있도록 하였다.
대상 데이터
기기의 오류로 인하여 누락된 데이터를 제외하고 총 2128 분의 데이터를 검증에 사용하였으며, 그 중 식사는 131분이고 일상행동은 1997분이다.
본 논문에서 사용한 가속도 센서는 10bit 해상도를 갖는 디지털 센서이며, 측정 범위는 ±8g이다.
알고리즘의 성능을 평가하기 위해서 4명의 대학원생으로 부터 2일간 식사 데이터를 수집하였다. 식사는 젓가락만을 사용하여 식사를 2회, 숟가락만을 사용하여 식사를 1회 하였으며, 식사 시작 시각과 식사 종료 시각을 수기로 기록하였다.
이론/모형
Table 1에 보이는 바와 같이 기존 행동 인식에 대한 연구들은 시간 영역과 주파수 영역에서 특징을 추출하였으며, 평균(Mean), 표준편차(Standard Deviation)와 같은 통계적 특징과 왜도(Skewness), 첨도(Kurtosis)와 같은 구조적 특징을 사용하였다. 분류 모델의 경우 추출한 특징을 여러 모델에 사용하여 가장 높은 인식률을 보이는 모델을 선택하거나, 모델 간의 결합을 통해 인식률을 높이기도 한다.
멀리 있는 반찬을 집는 경우에는 80°까지 각도가 내려가기 때문에 80~160°가 손목 왕복 동작의 움직임 범위가 된다. 이를 첨두값 영역 검출 기법을 사용하여 검출한다.
성능/효과
본 논문은 가속도값을 중력 방향과 손목 방향 간의 각도로 변환하고, 이를 첨두값 영역 검출 기법을 사용하여 식사 행동을 인식하고 식사 시간을 추론하는 방법을 제안하였다. 대학원생 4명으로부터 수집된 2128분 데이터에 제안하는 방법을 적용한 결과 95.63%의 정확도로 식사 시간을 판단할 수 있었다.
실제 식사 시간을 식사 시간으로 추론한 경우가 111분, 실제 식사 시간을 식사 시간이 아니라고 추론한 경우가 20분, 실제 식사 시간이 아닌데 식사 시간이라고 추론한 경우가 73 분, 실제 식사 시간이 아닌데 식사 시간이라고 추론한 경우가 1924분이다. 정밀도(Positive Predictive Value, PPV)는 60.33%, 재현율(True Positive Rate, TPR)은 84.73%이고, True Negative Rate(TNR)는 96.35%, Negative Predictive Value는 98.97%이다.
후속연구
이 방법을 이용하면 새로운 행동을 인식하기 위해 기존에 구성한 모델을 수정하는 복잡한 과정을 거치지 않고 첨두값 영역을 조절함으로써 간단하게 손목 행동을 인식할 수 있다는 장점이 있다. 본 논문에서 제안하는 방법은 첨두값 영역의 조절을 통해 흡연이나 머리를 빗는 행동 등과 같은 운동 가속도 성분이 없고 불규칙적인 행동들을 인식하는 데 적용될 수 있다.
또한 책상의 높이나 식사 시의 자세에 따라서 손목 각도의 변화 영역이 다르게 나타나 인식률이 떨어질 수 있다. 차후 연구로는 손목 각도의 변화 영역이 다르게 나타나더라도 이를 인식할 수 있는 알고리즘을 개발할 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
생활습관병을 결정하는 주요 요인은?
이와 같이 전 세계적으로 높은 사망률을 보이는 생활습관병은 캐나다의 라론드 보고서에 따르면 발병 요인으로 유전이 10%, 환경이 10%, 의료가 10%, 나머지 60%는 생활습관에서 발생한다고 하였다[2]. 즉 흡연, 음주, 신체활동, 식생활 등의 생활습관이 생활습관병을 결정하는 주요 요인으로 작용하고 있다는 뜻이다. 이 중 식생활은 직접적으로 건강뿐만 아니라 간접적으로 업무 수행 능력이나 집중력에도 관련이 있다.
2012년 한 해 사망자 중 생활습관 병으로 사망한 비율은?
WHO의 보고에 의하면 2012년 한 해에 5천 6백만 명이 사망하였으며, 그 중 68%에 달하는 3천 8백만 명이 생활습관 병으로 사망하였다[1]. 이와 같이 전 세계적으로 높은 사망률을 보이는 생활습관병은 캐나다의 라론드 보고서에 따르면 발병 요인으로 유전이 10%, 환경이 10%, 의료가 10%, 나머지 60%는 생활습관에서 발생한다고 하였다[2].
식생활이 뇌의 판단력과 기억력 등에 영향을 미치는 과정은?
이 중 식생활은 직접적으로 건강뿐만 아니라 간접적으로 업무 수행 능력이나 집중력에도 관련이 있다. 공복 시에 찾아오는 스트레스는 뇌의 판단력을 떨어뜨릴 수 있고[3], 기억력과 주의력도 떨어뜨린다[4]. 불규칙한 식생활이 건강을 악화시키고 피로와 집중력 저하를 유발하여 업무 효율성을 저하시키는 등 개인적, 사회적으로 문제가 되기 때문에 식생활을 체계적으로 관리하는 것이 중요하다.
참고문헌 (14)
WHO, "Global status report on noncommunicable diseases 2014," World Health Organization, 2014.
M. Lalonde, New perspective on the health of Canadians a working document, Minister of Supply and Services, 1981.
Mark T. McAuley et al., "A mathematical model of aging-related and cortisol induced hippocampal dysfunction," BMC Neuroscience, Vol.10, No.1, p.1, 2009.
Ministry of Health & Welfare, Breakfast intake rate trend : Sex, over 1 year old [Internet], http://kosis.kr/statHtml/statHtml.do?orgId117&tblIdDT_11702_N033&conn_pathI2.
R. Poppe, "A survey on vision-based human action recognition," Image and Vision Computing, Vol.28, No.6, pp.976-990, 2010.
M. Zhang, and A. A. Sawchuk, "A feature selection-based framework for human activity recognition using wearable multimodal sensors," Proceedings of the 6th International Conference on Body Area Networks, ICST (Institute for Computer Sciences, Social-Informatics and Telecommunications Engineering), pp.92-98, 2011.
L. Gao, A. K. Bourke, and J. Nelson, "Evaluation of accelerometer based multi-sensor versus single-sensor activity recognition systems," Medical Engineering & Physics, Vol.36, No.6, pp.779-785, 2014.
S. Chernbumroong, A. S. Atkins, and H. Yu, "Activity classification using a single wrist-worn accelerometer," Software, Knowledge Information, Industrial Management and Applications (SKIMA), 2011 5th International Conference on. IEEE, pp.1-6, 2011.
U. Maurer et al., "Activity recognition and monitoring using multiple sensors on different body positions," International Workshop on Wearable and Implantable Body Sensor Networks (BSN'06), IEEE, 2006.
D. Anguita et al., "A Public Domain Dataset for Human Activity Recognition using Smartphones," ESANN, 2013.
M. Nguyen, L. Fan, and C. Shahabi, "Activity Recognition Using Wrist-Worn Sensors for Human Performance Evaluation," 2015 IEEE International Conference on Data Mining Workshop (ICDMW), IEEE, 2015.
S. Zhang et al., "Detection of activities by wireless sensors for daily life surveillance: eating and drinking," Sensors, Vol.9, No.3, pp.1499-1517, 2009.
R. I. Ramos-Garcia et al., "Improving the recognition of eating gestures using intergesture sequential dependencies," IEEE Journal of Biomedical and Health Informatics, Vol.19, No.3, pp.825-831, 2015.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.