[논문]손목형 웨어러블 디바이스에서 사람의 심박변화와 활동강도를 이용한 운동 검출 방법

성지훈; 최선탁; 이주영; 조위덕

doi:10.3745/ktccs.2019.8.4.93

손목형 웨어러블 디바이스에서 사람의 심박변화와 활동강도를 이용한 운동 검출 방법
Exercise Detection Method by Using Heart Rate and Activity Intensity in Wrist-Worn Device 원문보기

정보처리학회논문지. KIPS transactions on computer and communication systems 컴퓨터 및 통신 시스템, v.8 no.4, 2019년, pp.93 - 102

성지훈 (아주대학교 전자공학과) , 최선탁 (아주대학교 전자공학과) , 이주영 (아주대학교 전자공학과) , 조위덕 (아주대학교 전자공학과)

초록
AI-Helper

웰니스에 대한 관심이 증대됨에 따라 개인의 건강상태를 웨어러블 디바이스로 모니터링하는 연구들이 늘어나고 있다. 이에 따라 웨어러블 디바이스에서 운동과 일상 활동을 구분하는 다양한 방법들이 연구되어 왔다. 이러한 기존 연구는 대부분 기계학습을 활용한 방식이다. 하지만 개인별 학습 데이터에 의존적인 과적합 문제와 연속적인 사건으로 구성되는 사람의 행동을 독립적으로 취급하여 인식 결과가 중간에 끊기고 오인행동이 생기는 문제가 있다. 이에 본 연구는 운동 시 심박이 오르내리는 생체반응 원리를 기반으로 한 운동 상태 검출 방법을 제안한다. 제안하는 방법은 3축 가속도 센서와 PPG 센서를 통해 활동강도 및 심박 수를 산출하여 심박 회복기를 판단한 후, 활동강도 검사 또는 심박 상승기 검사를 통해 운동 상태를 검출한다. 실험 결과에서 제안하는 알고리즘은 평균 정확도 98.64%, 정밀도 98.05%, 재현율 98.62%로 기존 알고리즘보다 개선된 모습을 보였다.

Abstract ▼ AI-Helper

As interest in wellness grows, There is a lot of research about monitoring individual health using wearable devices. Accordingly, a variety of methods have been studied to distinguish exercise from daily activities using wearable devices. Most of these existing studies are machine learning methods. However, there are problems with over-fitting on individual person's learning, data discontinuously recognition by independent segmenting and fake activity. This paper suggests a detection method for exercise activity based on the physiological response principle of heart rate up and down during exercise. This proposed method calculates activity intensity and heart rate from triaxial and photoplethysmography sensor to determine a heart rate recovery, then detects exercise by estimating activity intensity or detecting a heart rate rising state. Experimental results show that our proposed algorithm has 98.64% of averaged accuracy, 98.05% of averaged precision and 98.62% of averaged recall.

주제어

표/그림 (16)

그림 Fig. 1. Overview of Proposed Algorithm
그림 Fig. 2. The Device used in Experiments
그림 Fig. 3. Heart Rate Descending Slope Detection
그림 Fig. 4. Exercise Time Inference by Physical State
그림 Fig. 5. Exercise Time Inference by Physiological State
표 Table 1. Test Case
표 Table 2. Confusion Matrix for C4.5
표 Table 3. Confusion Matrix for k-NN
표 Table 4. Confusion Matrix for NB
표 Table 5. Confusion Matrix for MLP
표 Table 6. Confusion Matrix for SVM
그림 Fig. 6. Performance Metrics
표 Table 7. Confusion Matrix for Proposed
표 Table 8. Performance Metrics
표 Table 9. Standard Deviation in Performance Metrics
그림 Fig. 7. Label Graph for Case 1

AI 본문요약
AI-Helper

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

문제 정의

또한 심박은 최대심박의 40% 이상의 중강도 이상의 운동에서 회복률이 높다[22]. 따라서 본 논문에서는 중강도 이상의 운동을 한 직후의 심박이 급격하게 떨어지는 부분을 관찰한다. 그리고 20대 남성의 평균 회복속도를 고려하여 임계값의 상한값(Th_HR,lower), 하한값(Th_HR,upper)을 설정해 심박 회복 영역을 설정한다[23].
본 연구에서는 PPG 센서로 측정한 심박과 3축 가속도센서로 측정한 움직임의 크기를 통해 사람의 물리적, 생리적 특징을 상호 보완하여 운동을 검출하는 알고리즘을 제안한다. 제안하는 방법은 Fig.
본 연구에서는 관련 연구에서 공통으로 드러난 문제들을 해결하고자 사람의 생체반응 원리를 이용한 행동인식 방법을 제안한다. 운동 시에는 체내에 필요한 산소섭취량이 증가하며, 운동이 끝난 후에도 일정기간동안 안정 시 수준 이상의 산소를 소비한다[16].
심박 회복기는 운동 직후 올라간 심박이 기저심박으로 다시 내려가는 시간이다. 심박 회복기를 통해 운동의 여부를 파악하기 위해서 심박이 감소하는 기울기를 검사한다. 물리적 특성을 고려하여 신호 단위를 샘플(sample)에서 평균값을 통해 초(sec)로 변환한다.
앞서 언급한 문제들을 해결하고자, 본 연구에서는 PPG 센서로 측정한 심박 수와 3축 가속도센서 신호를 통해 사람의 생리적 특징을 고려한 운동 검출 방법을 제안한다.

가설 설정

7은 Case 1에 대한 SVM 알고리즘(b)과 제안하는 알고리즘의 운동시간 검출 결과(c)를 수기로 기록한 기준(a)과 비교하여 나타낸 그래프이다. SVM과 같은 기계학습으로 운동을 검출할 경우, 행동의 연속성을 고려하지 못하므로 b) 그래프와 같이 인식 결과가 중간에 끊기거나 오인행동이 생기게 된다. 반면 제안하는 알고리즘은 c) 그래프와 같이 운동의 시작시간과 종료시간을 계산하여 운동을 검출하기 때문에 정밀도나 재현율이 다른 알고리즘보다 더 높게 측정된다.

제안 방법

PPG 센서 신호를 통해 심박 수를 얻기 위하여 두 번의 Moving Average Filter와 1차 미분을 통해 필터링 후, 신호의 피크(Peak)를 검출을 통해 HRV(Heart Rate Variability)의 시간 범위 분석을 한다. 특히 웨어러블 디바이스 환경에서의 PPG 신호는 동잡음에 민감하다[19].
본 논문의 경우 Table 1과 같이 20,920초의 모든 실험데이터를 4명의 피실험자 별로 S1부터 S4까지 나누고, 개인별 실험데이터를 부분 집합으로 나누어 학습 및 테스팅에 사용하는 총 14가지의 경우(Case)로 만들었다. 그리고 각 케이스의 학습 데이터로 모델을 학습시키고, 테스팅 데이터로 모델을 평가하였다. 이로써 과적합 경우를 포함하는 보다 올바른 비교평가를 하였다.
두 수식을 순차적으로 조합하여 Fig. 3과 같이 Opening 및 Closing 연산으로 심박 회복기를 검출한다. 녹임 후 불림 순서의 연산을 Opening 연산이라고 하며, 불림 후 녹임 순석의 연산을 Closing 연산이라 한다.
이러한 생체반응 원리를 기반으로 웨어러블 디바이스 환경에서 PPG 신호를 사용하여 사용자의 운동 여부를 예측할 수 있다. 따라서 운동 시에 심박이 오르는 생체반응 원리를 기반으로 심박이 변화하는 시점을 감지하여 운동을 검출하고, 움직임이 크게 유지되는 시간 또는 그 시간 전후 심박이 오르내리는 구간을 통해 운동을 검출한다. 제안하는 방법을 통해 개인 데이터에 의존적인 과적합 문제와 인식 결과가 중간에 끊기거나 오인행동이 생기는 문제를 해결할 수 있을 것으로 기대한다.
ⅲ) 앞선 신호에서 활동강도가 일정 크기 이상일 경우 손목 움직임이 큰 운동으로 간주하여 가속도 신호 기반 운동 검출을 한다. 또는 일정 크기 이하인 신호가 검출되면 손목 움직임이 작은 운동이므로 심박 상승기를 검사하여 심박이 오르내리는 구간을 통해 운동을 검출한다.
본 논문에서 제안하는 운동 검출 방법은 사람의 생리적 특징을 고려하여 운동 시에 심박이 오르내리는 시점을 검출하고, 심박이나 움직임이 크게 유지되는 구간을 계산한 방법이다.
교차 검증은 특정 데이터 셋에만 알고리즘이 잘 맞지 않도록 학습(Training) 및 테스팅(Testing)에 사용되는 데이터를 다양화하여 검증하는 방법이다. 본 논문의 경우 Table 1과 같이 20,920초의 모든 실험데이터를 4명의 피실험자 별로 S1부터 S4까지 나누고, 개인별 실험데이터를 부분 집합으로 나누어 학습 및 테스팅에 사용하는 총 14가지의 경우(Case)로 만들었다. 그리고 각 케이스의 학습 데이터로 모델을 학습시키고, 테스팅 데이터로 모델을 평가하였다.
3 세 남성 4명으로부터 3축 가속도 신호와 PPG 신호를 수집하였다. 실험은 손목움직임이 작은 운동인 사이클과 하체운동, 손목움직임이 큰 운동인 트레드밀 걷기/뛰기로 개인마다 네 가지 종목으로 나누어 총 16번의 실험을 진행하였다. 실험자는 손목 디바이스를 착용한 뒤 한 종목당 10분 정도 운동을 진행하였고 운동이 끝난 후 심박이 기저심박에 가까워질 때 까지 휴식을 취한 뒤 디바이스를 종료하였다.
디바이스는 손목밴드 형태로 STM LSM6DS3 6축 센서와 MAXIM MAX30102 PPG 센서가 탑재되어 있다. 실험자는 20대 남성 4명으로 디바이스를 손목에 착용한 뒤 손목움직임이 작은 운동인 사이클과 하체운동, 손목움직임이 큰 운동인 트레드밀 걷기/뛰기로 나누어 실험을 진행하였다. 운동은 한 종목당 10분 정도 진행하였고 운동이 끝난 후 심박이 기저심박에 가까워질 때 까지 휴식을 취한 뒤 디바이스를 종료하였다.
실험은 손목움직임이 작은 운동인 사이클과 하체운동, 손목움직임이 큰 운동인 트레드밀 걷기/뛰기로 개인마다 네 가지 종목으로 나누어 총 16번의 실험을 진행하였다. 실험자는 손목 디바이스를 착용한 뒤 한 종목당 10분 정도 운동을 진행하였고 운동이 끝난 후 심박이 기저심박에 가까워질 때 까지 휴식을 취한 뒤 디바이스를 종료하였다. 실험 데이터의 총 시간은 20,920초이다.
운동 시간 측정을 위해 실험 보조자가 운동을 시작과 종료 시점을 수기로 기록하여 알고리즘 성능 평가의 기준(Gold Standard) 설정하였다.
실험자는 20대 남성 4명으로 디바이스를 손목에 착용한 뒤 손목움직임이 작은 운동인 사이클과 하체운동, 손목움직임이 큰 운동인 트레드밀 걷기/뛰기로 나누어 실험을 진행하였다. 운동은 한 종목당 10분 정도 진행하였고 운동이 끝난 후 심박이 기저심박에 가까워질 때 까지 휴식을 취한 뒤 디바이스를 종료하였다. 실험 데이터의 총 시간은 20,920초이다.
그리고 각 케이스의 학습 데이터로 모델을 학습시키고, 테스팅 데이터로 모델을 평가하였다. 이로써 과적합 경우를 포함하는 보다 올바른 비교평가를 하였다.
앞서 언급한 기존 연구 5가지의 기계학습 방법으로 Table 1의 14가지의 경우에서 학습용 데이터를 통해 모델을 학습시킨 후 테스팅 데이터로 운동인지 아닌지 분류한다. 제안하는 알고리즘은 모델 학습 과정이 없기 때문에 각 Case의 테스팅 데이터만 사용하여 평가한다.
측정된 신호에서 잡음 성분을 제거하고 모멘텀과 심박 수를 정확하게 산출하기 위해 전처리를 통한 신호 보정을 한다. 손목 움직임이 큰 운동검출을 위해 3축 가속도 신호에서 Equation (1)을 이용해서 중력 모멘텀을 산출한다.

대상 데이터

운동은 한 종목당 10분 정도 진행하였고 운동이 끝난 후 심박이 기저심박에 가까워질 때 까지 휴식을 취한 뒤 디바이스를 종료하였다. 실험 데이터의 총 시간은 20,920초이다. 운동 시간 측정을 위해 실험 보조자가 운동을 시작과 종료 시점을 수기로 기록하여 알고리즘 성능 평가의 기준(Gold Standard) 설정하였다.
제안하는 방법과 기존 통계적 특징을 이용한 기계학습 방법들을 비교하기 위해 몸무게의 76.0 ± 3.0 kg, 안정 시 심박수 75.3 ± 5.5 bpm, 25.5 ± 1.3 세 남성 4명으로부터 3축 가속도 신호와 PPG 신호를 수집하였다.

데이터처리

본 연구에서는 보다 정확한 비교를 위하여, 앞서 언급한 개인마다 다른 생체적 특성을 가지고 있는 점을 고려한 개인별 교차 검증(Cross Validation) 방식을 사용하였다. 교차 검증은 특정 데이터 셋에만 알고리즘이 잘 맞지 않도록 학습(Training) 및 테스팅(Testing)에 사용되는 데이터를 다양화하여 검증하는 방법이다.
먼저 손목 움직임이 큰 운동을 하였을 경우, 중력 모멘텀 값을 통해 활동강도를 산출하여 운동 시간을 검출한다. 활동강도를 산출하기 위해 Equation (5)로 중력 모멘텀 신호의 바이어스를 제거하고, 절댓값을 취한 후에 Equation (6)로 표준편차를 구한다.

이론/모형

다음으로 검출된 특징의 연속성을 고려하여 심박의 변화를 심박 회복기 검출에 정량적으로 반영하기 위해 모폴로지 기법을 사용한다[20]. 모폴로지 기법은 2차원 영상처리 기법에서 사용하는 형태학적 분석 방법으로, 본 논문에서는 불림(Dilation)과 녹임(Dilation) 기법을 1차원으로 변형시킨 방법을 통해 심박 회복 영역을 보정한다.
사람의 생체반응 원리인 운동 시 심박 변화를 기반으로 한 알고리즘이기 때문에 모델 학습이 필요가 없고, 따라서 데이터에 의존적이지 않아 과적합 문제가 일어나지 않는다. 또한 연속적인 신체 상태의 변화, 즉 심박 변화를 정량적으로 반영하기 위해 영상신호처리에서 사용되는 모폴로지(Mathematical Morphology) 기법[20]을 활용하여 행동의 연속성을 모델링하였다.
비교를 위한 기존 기계학습 방법은 관련 연구에서 언급한 Decision Tree(C4.5), k-Nearest Neighbor(k-NN), Naive Bayes Classification(NB), Support Vector Machine(SVM), Multi-layer Perceptron(MLP)을 사용하였다.
알고리즘의 성능을 평가하기 위해 Confusion Matrix를 사용하였다. Table 2～6의 기계학습, Table 7의 제안하는 알고리즘마다 진음성(TN: True Negative), 위양성(FP: False Positive), 위음성(FN: False Negative), 진양성(TP: True Positive)의 수를 나타내었고 정확도(Accuracy, ACC), 정밀도(Precision, Positive Predictive Value, PPV), 재현율(Recall, True Positive Rate, TPR)을 백분율로 나타내었다.

성능/효과

23인 것에 비해 기존 알고리즘들은 평균 약 6%의 편차가 나타난다. 가장 높은 정확도를 가지는 SVM도 표준편차가 5.47이고 재현율도 14.3의 편차를 보였다. 이는 앞서 언급한 학습데이터에 의존적인 과적합 문제로, 심박의 기저가 개인마다 다르고 PPG 센서가 동잡음에 취약하기 때문에 심박 신호를 분류기의 특징으로 사용하기 어렵기 때문이다.
6은 Table 2～7에서 알고리즘별로 14개의 케이스로 운동을 검출하였을 때 인식률의 정확도, 정밀도, 재현율을 평균값으로 나타낸다. 기존 알고리즘에서 평균 정확도는 k-NN이 48.87%로 가장 낮고, SVM이 87.37%로 가장 높았다. SVM은 범주형 데이터를 분류하는데 가장 큰 마진으로 결정 경계를 찾기 때문에 비교적 높은 인식률을 보이는 것으로 사료된다.
64%로 기존 알고리즘들보다 높은 수치를 보였다. 기존 알고리즘의 평균 정밀도와 재현율에서는 k-NN이 41.08%의 정밀도, 33.81%의 재현율로 가장 낮았고, NB이 93.06%의 정밀도, MLP가 93.78%의 재현율로 가장 높았다. 제안하는 방법의 정밀도와 재현율은 98.
78%의 재현율로 가장 높았다. 제안하는 방법의 정밀도와 재현율은 98.05%와 98.62%로 정확도와 마찬가지로 기존 알고리즘들보다 높았다. 제안한 알고리즘의 TP 비율이 타 기계학습 알고리즘에 비해 높기 때문에 정확도와 정밀도, 재현율이 높았다.
SVM을 제외한 기존 알고리즘은 평균 정확도가 모두 80%에 미치지 못하였다. 제안하는 방법의 평균 정확도는 98.64%로 기존 알고리즘들보다 높은 수치를 보였다. 기존 알고리즘의 평균 정밀도와 재현율에서는 k-NN이 41.
이는 앞서 언급한 학습데이터에 의존적인 과적합 문제로, 심박의 기저가 개인마다 다르고 PPG 센서가 동잡음에 취약하기 때문에 심박 신호를 분류기의 특징으로 사용하기 어렵기 때문이다. 제안하는 알고리즘은 운동 시에 심박이 변화하는 생체반응 원리를 기반으로 운동을 검출하였기에 표준편차가 각각 0.23, 1.20, 0.35로 기존 알고리즘에 비해 데이터에 의존적이지 않은 수치를 보인다.
Table 9는 Table 2～7에서의 알고리즘별 정확도, 정밀도, 재현율의 표준편차 값을 나타낸다. 제안하는 알고리즘의 정확도 편차가 0.23인 것에 비해 기존 알고리즘들은 평균 약 6%의 편차가 나타난다. 가장 높은 정확도를 가지는 SVM도 표준편차가 5.
62%로 정확도와 마찬가지로 기존 알고리즘들보다 높았다. 제안한 알고리즘의 TP 비율이 타 기계학습 알고리즘에 비해 높기 때문에 정확도와 정밀도, 재현율이 높았다. 따라서 제안한 방법으로 검출한 운동이 운동 기준(Gold Standard)에 가까운 결과를 나타내었다.

후속연구

그러나 실험 시에 커피나 술 등의 약물에 의한 심박변화 요소를 통제하였다. 따라서 차후 연구에서는 약물이나 다른 심박변화 요소를 고려하여 심박을 기반으로 한 운동 검출 방법을 개선시킬 예정이다.
따라서 운동 시에 심박이 오르는 생체반응 원리를 기반으로 심박이 변화하는 시점을 감지하여 운동을 검출하고, 움직임이 크게 유지되는 시간 또는 그 시간 전후 심박이 오르내리는 구간을 통해 운동을 검출한다. 제안하는 방법을 통해 개인 데이터에 의존적인 과적합 문제와 인식 결과가 중간에 끊기거나 오인행동이 생기는 문제를 해결할 수 있을 것으로 기대한다.

질의응답

핵심어	질문	논문에서 추출한 답변
	본 연구에서 제안되는 시스템에서 운동 검출은 어떻게 이루어지는가?	시스템은 크게 두 종류의 운동을 구분하는데, 손목 움직임이 적은 운동과 손목 움직임이 큰 운동이다. 운동 검출을 위해 ⅰ) 먼저 3축 가속도 센서와 PPG 센서를 통해 활동강도와 심박 수를 계산한다. ⅱ) 그 다음 심박 수가 감소하는 부분, 즉 심박 회복기가 검출되면 그 시점을 운동 직후 시점으로 결정한다. ⅲ) 앞선 신호에서 활동강도가 일정 크기 이상일 경우 손목 움직임이 큰 운동으로 간주하여 가속도 신호 기반 운동 검출을 한다. 또는 일정 크기 이하인 신호가 검출되면 손목 움직임이 작은 운동이므로 심박 상승기를 검사하여 심박이 오르내리는 구간을 통해 운동을 검출한다.
	웨어러블 디바이스에서 쉽고 간단한 맥박 측정이 가능해지면서 어떤 기기들이 개발되고 있는가?	특히 2014년 이후 광용적맥파(Photoplethysmography, PPG) 기술의 발전으로 웨어러블 디바이스에서의 쉽고 간단한 맥박 측정이 가능해졌다[3]. 이를 통해 운동 중 사용자의 심박 수, 체지방율, 스트레스 수준 등의 생리변인을 측정하여 목표 운동량 대비 적절한 운동을 하고 있는지 실시간으로 피드백해주는 다양한 기기들이 개발되고 있다[4].
	본 연구에서 제안되는 시스템에서 구분되는 운동의 두 유형은?	1과 같다. 시스템은 크게 두 종류의 운동을 구분하는데, 손목 움직임이 적은 운동과 손목 움직임이 큰 운동이다. 운동 검출을 위해 ⅰ) 먼저 3축 가속도 센서와 PPG 센서를 통해 활동강도와 심박 수를 계산한다.

참고문헌 (23)

Miller, James William. "Wellness: The history and development of a concept," Spektrum Freizeit, Vol.27, No.1, pp.84-106, 2005.
Pantelopoulos, Alexandros, and Nikolaos G. Bourbakis, "A survey on wearable sensor-based systems for health monitoring and prognosis," IEEE Transactions on Systems, Man, and Cybernetics, Part C (Applications and Reviews) Vol.40, No.1, pp.1-12, 2010.

상세보기
T. Tamura, Y. Maeda, M. Sekine, and M. Yoshida, "Wearable photoplethysmographic sensors-past and present," Electronics, Vol.3, No.2, pp.282-302, 2014.

상세보기
Seung-Hun Park and Dae-Geun Jang, "IT Convergence Trends in Wellness," Communications of the Korean Institute of Information Scientists and Engineers, Vol.31, No.3, pp.61-72, Mar. 2013.
Bao, Ling, and Stephen Intille, "Activity recognition from user-annotated acceleration data," Pervasive Computing, (2004): 1-17.
J. Parkka, M. Ermes, P. Korpipaa, J. Mantyjarvi, J. Peltola, and I. Korhonen, "Activity classification using realistic data from wearable sensors," IEEE Transactions on Information Technology in Biomedicine, Vol.10, No.1, pp.119-128, 2006.

상세보기
U. Maurer, A. Smailagic, D. P. Siewiorek, and M. Deisher, "Activity recognition and monitoring using multiple sensors on different body positions," Wearable and Implantable Body Sensor Networks, 2006. BSN 2006. International Workshop on. IEEE, 2006.
L. C. Jatoba, U. Grossmann, C. Kunze, J. Ottenbacher, and W. Stork, "Context-aware mobile health monitoring: Evaluation of different pattern recognition methods for classification of physical activity," Engineering in Medicine and Biology Society, 2008. EMBS 2008. 30th Annual International Conference of the IEEE. IEEE, 2008.
O. D. Lara, A. J. Perez, M. A. Labrador, and J. D. Posada, "Centinela: A human activity recognition system based on acceleration and vital sign data," Pervasive and mobile computing Vol.8, No.5, pp.717-729, 2012.

상세보기
E. M. Tapia, S. S. Intille, W. Haskell, K. Larson, J. Wright, A. King, and R. Friedman, "Real-time recognition of physical activities and their intensities using wireless accelerometers and a heart rate monitor," Wearable Computers, 2007 11th IEEE International Symposium on. IEEE, 2007.
Altun, Kerem, and Billur Barshan, "Human activity recognition using inertial/magnetic sensor units," International Workshop on Human Behavior Understanding. Springer, Berlin, Heidelberg, 2010.
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.

상세보기
He, Zhen-Yu, and Lian-Wen Jin, "Activity recognition from acceleration data using AR model representation and SVM," Machine Learning and Cybernetics, 2008 International Conference on. Vol.4. IEEE, 2008.
Z. He, Z. Liu, L. Jin, L. X. Zhen, and J. C. Huang, "Weightlessness featurea novel feature for single tri-axial accelerometer based activity recognition," Pattern Recognition, 2008. ICPR 2008. 19th International Conference on. IEEE, 2008.
He, Zhenyu, and Lianwen Jin, "Activity recognition from acceleration data based on discrete consine transform and SVM," Systems, Man and Cybernetics, 2009. SMC 2009. IEEE International Conference on. IEEE, 2009.
Fox, Edward L., Richard W. Bowers, and Merle L. Foss. The physiological basis for exercise and sport. No. Ed. 5. Brown & Benchmark, 1993.
Montoye, H. J., "Circulatory-respiratory fitness," An Introduction to Measurement in Physical Education, Vol.4, pp.41-87, 1970.
S. Mehrang, J. Pietila, J. Tolonen, E. Helander, H. Jimison, M. Pavel, and I. Korhonen, "Human Activity Recognition Using A Single Optical Heart Rate Monitoring Wristband Equipped with Triaxial Accelerometer," EMBEC & NBC 2017. Springer, Singapore, 2017, 587-590.
A. Kamisalic, I. Fister, M. Turkanovic, and S. Karakatic, "Sensors and Functionalities of Non-Invasive Wrist-Wearable Devices: A Review," Sensors, Vol.18, No.6, pp.1714, 2018.

상세보기
Serra, Jean, "Biomedical image analysis by mathematical morphology (author's transl)," Pathologie-biologie, Vol.27, No.4, pp.205-207, 1979.
Saltin, Bengt, and Loring B. Rowell, "Functional adaptations to physical activity and inactivity," Federation proceedings, Vol.39. No.5, pp.1506-1513, 1980.

상세보기
Davies, C. T. M., A. V. Knibbs, and J. Musgrove, "The rate of lactic acid removal in relation to different baselines of recovery exercise," Internationale Zeitschrift fur Angewandte Physiologie Einschliesslich Arbeitsphysiologie, Vol.28, No.3, pp.155-161, 1970.
C. R. Cole, E. H. Blackstone, F. J. Pashkow, C. E. Snader, and M. S. Lauer, "Heart-rate recovery immediately after exercise as a predictor of mortality," New England journal of medicine, Vol.341, No.18, pp.1351-1357, 1999.

상세보기

저자의 다른 논문 :

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증