[논문]인공지능 기반의 행동인식을 통한 개인 운동 트레이너 구현의 방향성 제시

하태용; 이후진

doi:10.15207/jkcs.2019.10.6.235

인공지능 기반의 행동인식을 통한 개인 운동 트레이너 구현의 방향성 제시
Presenting Direction for the Implementation of Personal Movement Trainer through Artificial Intelligence based Behavior Recognition 원문보기

한국융합학회논문지 = Journal of the Korea Convergence Society, v.10 no.6, 2019년, pp.235 - 242

하태용 (한성대학교 스마트융합컨설팅학과) , 이후진 (한성대학교 스마트융합컨설팅학과)

초록
AI-Helper

최근 딥러닝을 비롯한 인공지능 기술의 활용이 다양한 분야에서 활발해지고 있으며, 특히 딥러닝 기술 기반의 객체 인식 및 검출에 뛰어난 성능을 보이는 여러 알고리즘들이 발표되고 있다. 이에 본 논문에서는 사용자의 편의성이 효과적으로 반영된 모바일 헬스케어 애플리케이션 구현에 대한 적절한 방향성을 제시하고자 한다. 기존의 피트니스 애플리케이션들에 대한 이용 만족도 연구 및 모바일 헬스케어 애플리케이션에 대한 현황을 파악하여, 이로부터 피트니스 애플리케이션 시장에서의 생존과 우위를 확보하는 동시에, 최근 주목 받고 있는 인공지능 기술의 효과적인 적용에 의한 성능 개선을 통해 기존 이용자 유지 및 확대를 도모하고자 한다.

Abstract ▼ AI-Helper

Recently, the use of artificial intelligence technology including deep learning has become active in various fields. In particular, several algorithms showing superior performance in object recognition and detection based on deep learning technology have been presented. In this paper, we propose the proper direction for the implementation of mobile healthcare application that user's convenience is effectively reflected. By effectively analyzing the current state of use satisfaction research for the existing fitness applications and the current status of mobile healthcare applications, we attempt to secure survival and superiority in the fitness application market, and, at the same time, to maintain and expand the existing user base.

주제어

표/그림 (14)

그림 Fig. 1. Fitness Apps[4]
그림 Fig. 2. Deep learning, Machine learning, ArtificialIntel ligence Comparison[8]
표 Table 1. Classification Of Mobile Healthcare by Type
표 Table 2. Healthcare Application Functional Classification
그림 Fig. 3. Structure of Convolutional Neural Network[14]
그림 Fig. 4. RNN Structure[15]
그림 Fig. 5. LSTM Cell Structure[16]
그림 Fig. 6. Distribution of Confidence Values[19]
그림 Fig. 7. Body Keypoint Localization[20]
그림 Fig. 8. Research Model
그림 Fig. 9. Detection Using Confidence Maps
그림 Fig. 10. Association Using Part Affinity Fields
그림 Fig. 11. PCK 0.2
표 Table 3. System Requirements

AI 본문요약
AI-Helper

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

문제 정의

본 논문에서는 사람마다 코치의 조언을 부담스럽게 느껴질 수도 있고, 동기부여가 되지 않을 수도 있다는 것에 따른 선행 연구로 단순하게 운동량 또는 소모된 칼로리 등의 데이터만을 기록하는 것이 아니라 운동할 때 마다 필요한 조언 또는 피드백을 실시간 제공하여 사용자에게 올바르고 효율적으로 운동을 할 수 있게끔 도움을 주는 서비스로 다음과 같이 방향성을 제시한다.
사용자의 편의성이 효과적으로 반영된 모바일 헬스케어 애플리케이션에 대한 적절한 방향성을 본 연구에서 제시하고자 한다. 이를 위한 구체적 실현 방법의 일환으로 인공지능 딥러닝 뼈대인식 기술 기반의 실시간 행동 인식 기법을 통해 운동자에게 카운트 및 자세교정 정보를 전달하여 실제 트레이너와 함께 운동하는 효과를 줄 수 있을 것으로 예상되며, 이러한 개인 운동 트레이너 서비스의 구현은 피트니스 애플리케이션 시장에서 우수한 경쟁력을 갖춘 응용 분야 중 하나가 될 수 있을 것으로 예상한다

제안 방법

2) 해당 이미지에 14개의 Joints 좌표 정보를 Annotation하기 위한 Tool을 개발한다.
4. GAN 기반의 Discriminator를 추가하여 Loss의 분포를 학습시켜 더 정확한 Joint 좌표를 추출한다.
LeCun은 LeNet이라는 Network를 1998년에 처음 제안했으며, 현재 사용되고 있는 합성곱 신경망 (Convolutional Neural Networks) CNN의 출발점이다. 이 연구에서의 CNN 구조는 효과적인 영상 분석에 적용된 계층적 신경망 연구 및 시각적인 문서 분석을 위한 CNN의 여러 사례 분석을 통하여 단순화되었다[9-11].
해결하려는 과제 : 저사양 디바이스에서 실시간으로 사람의 14개 Joints 좌표를 정확히 추정한다.

성능/효과

5. Mobile Device에 대해 최적화된 Framework(Tensorflow Lite or mace등)를 활용하여 추론속도를 Trade-Off(속도와 인식률)없이 향상시킨다.

후속연구

사용자의 편의성이 효과적으로 반영된 모바일 헬스케어 애플리케이션에 대한 적절한 방향성을 본 연구에서 제시하고자 한다. 이를 위한 구체적 실현 방법의 일환으로 인공지능 딥러닝 뼈대인식 기술 기반의 실시간 행동 인식 기법을 통해 운동자에게 카운트 및 자세교정 정보를 전달하여 실제 트레이너와 함께 운동하는 효과를 줄 수 있을 것으로 예상되며, 이러한 개인 운동 트레이너 서비스의 구현은 피트니스 애플리케이션 시장에서 우수한 경쟁력을 갖춘 응용 분야 중 하나가 될 수 있을 것으로 예상한다
첫째로 인공지능 기반 피트니스 애플리케이션이 진정으로 개인 트레이너처럼 도와주려면 사용자에 대한 기본적인 헬스 관련 정보 분석을 토대로 운동 프로그램을 설계 할 수 있도록 도와줄 수 있어야 한다. 운동 목적, 선호 운동, 운동 성향, 원하는 피드백 강도 등을 설계에 반영하여야 한다.
향후에는 사용자 편의성과 시스템 기능 개선을 통해 서비스를 상용화하여, 타 스포츠 산업분야에도 활용할 수 있는 기초가 될 것으로 기대된다.

질의응답

핵심어	질문	논문에서 추출한 답변
	인공지능 기반 피트니스 애플리케이션이 진정 개인 트레이너 역할을 하려면 무엇을 반영해야 하는가?	첫째로 인공지능 기반 피트니스 애플리케이션이 진정으로 개인 트레이너처럼 도와주려면 사용자에 대한 기본적인 헬스 관련 정보 분석을 토대로 운동 프로그램을 설계 할 수 있도록 도와줄 수 있어야 한다. 운동 목적, 선호 운동, 운동 성향, 원하는 피드백 강도 등을 설계에 반영하 여야 한다. 이것은 운동 목표와 성향에 따라 개인별로 맞 춤화된 피드백이 필요하다.
	CPM 은 무엇인가?	Convolutional Pose Machine(CPM)은 CNN기법을 기반으로 하는 순차 예측 프레임워크(Sequential Prediction Framework)이며, CNN 구조를 활용하여 기존 연구의 포즈 머신(Pose Machines)의 포즈 추정 과정을 효율적으로 구현하는 것을 지칭한다[17]. CPM은 신체부위에 대한 주석으로 달린 25,000개의 이미지들로 이루어져 있고, 400개가 넘는 인간에 대한 활동이 저장된 MPII Human Pose Dataset 등을 통해 사전훈련 (Pre-Training)되도록 디자인되었다[18].
	모바일 헬스케어는 어떤 요소들이 포함되어져 있는가?	일반적으로 모바일 헬스케어 분야는 모바일 기기인의 학용 기기와 센서뿐만 아니라, 건강 정보 및 기기와 연결된 애플리케이션, 효과적인 건강관리를 위해 제공되는 다양한 개인 건강 지침 시스템 등을 포함한다. 즉, Table 1과 같이 모바일 헬스케어는 기기와 센서를 포함하는 하드웨어 및 정보 제공을 위한 애플리케이션과 같은 소프 트웨어적 요소를 모두 포함하고 있다[7].

참고문헌 (20)

K. E. Ko & K. B. Shim. (2017). Trend of Object Recognition and Detection Technology Using Deep Learning. Journal of Control Robotics and Systems, 23(3), 17-24. http://www.dbpia.co.kr/Issue/VOIS00302547
M. C. Bruno Silva, J. P. C . Rodrigues, I. T. Diez & M. L. Coronado & K. Saleem (2015). Mobile-health: A review of current state in 2015. Journal of Biomedical Informatics, 56( August), 265-272 . DOI : 10.1016/j.jbi.2015.06.003

상세보기
Embrain Trend Monitor. (2011). Online health Care Service Survey. Research Report [Online]. www.trendmonitor.co.kr
M. Y. Lee, J. H. Kang & I. K. Jeon. (2013). A Study on The Effect of Smart Phone Fitness Application(App)'s Service Quality on Satisfaction after use, Trust, Immersion and Willingness to Continue to Use. Journal of The Korean Physical Education Association, 52(2), 379-396. http://www.dbpia.co.kr/Issue/VOIS00288561
H. Choi & Y. J. Choi. (2013). An Exploratory Study on Success Model for Smart-Phone Game Applications According to Users' Cultural Difference : Focusing on Uncertainty Avoidance and, The Korea Contents Association, 13(2), 62-70 DOI : 10.5392/JKCA.2013.13.02.062
Z. Zheng. (2015). User Acceptance of Mobile Healthcare Applications: An Integrated Model of UTAUT and HBM Theory, Korea Policy Science Institute, 19(3), 203-236. UCI : G704-000863.2015.19.3.002
S. H. Lee & S. S. Yoo. (2014). Mobile Healthcare Application Status and Forecast. Information and Communication Broadcasting Policy, 26(17), 1-23. https://www.nkis.re.kr:4445
H. I. Ku. (2018). Artificial Intelligence and Deep Running Trends. The world of electricity, 67(7), 7-12. http://www.dbpia.co.kr/Publication/PLCT00001506
Y. LeCun et al. (1989). Backpropagation Applied to Handwritten Zip Code Recognition. Neural Computation, 1(4), 541-551. DOI : 10.1162/neco.1989.1.4.541

상세보기
B. Sven. (2003). Hierarchical Neural Networks for Image Interpretation, London : Springer DOI : 10.1007/b11963
P. Y. Simard, D. Steinkraus & J. C. Platt. (2017, Aug). Best Practices for Convolutional Neural Networks Applied to Visual Document Analysis. Seventh International Conference on Document Analysis and Recognition, (pp. 958 - 962). Edinburgh : IEEE. DOI : 10.1109/ICDAR.2003.1227801
Y. LeCun, Y. Bengio & G. Hinton. (2015). Deep Learning. Nature, 521, 436-444. DOI : 10.1038/nature14539

상세보기
Y. LeCun & Y. Bengio. (1995). The Handbook of Brain Theory and Neural Networks, MA : MIT Press Cambridge. DOI : 10.1016/0928-4869(96)83761-X
Y. J. Kim. (2017). Analysis of image Big Data using Deep Learning, Domestic Doctor. Chung-Ang University Graduate School. Seoul. http://www.riss.kr/link?idT14428763
A. Graves, A. Mohamed & G. Hinton. (2013, March). Speech Recognition with Deep Recurrent Neural Networks. International Conference on Acoustics, Speech and Signal Processing. (pp. 6645-6649). Edinburgh : IEEE. DOI : 10.1109/ICASSP.2013.6638947
S. C. Lee, H. D. Jung, S. T. Park & S. Kim. (2017). Deep Running. Journal of KSNVE, 27(3), 19-25. http://www.dbpia.co.kr/Journal/ArticleDetail/NODE07 171670
M. Linna, J. Kannala & E. Rahtu. (2018, January). Real-time Human Pose Estimation with Convolutional Neural Networks. In Proceedings of the 13th International Joint Conference on Computer Vision, Imaging and Computer Graphics Theory and Applications,(pp. 335-342). Madeira : VISIGRAPP DOI: 10.5220/0006624403350342
V. Ramakrishna, D. Munoz, M . Hebert, J. A. Bagnell & Y. Sheikh. (2014, September). Pose Machines : Articulated Pose Estimation via Inference Machines. 13th European Conference on Computer Vision, (pp 33-47). Zurich : ECCV DOI : 10.1007/978-3-319-10605-2_3
M. Andriluka, L. Pishchulin, P. Gehler & B. Schiele. (2014, June). 2D Human Pose Estimation : New Benchmark and State of The Art Analysis. Proceedings of the IEEE Conference on Computer Vision and Pattern Recognitio, (pp. 3686-3693). Columbus : IEEE. DOI : 10.1109/CVPR.2014.471
A. Bulat & G. Tzimiropoulos. (2016, September). Human Pose Estimation via Convolutional Part Heatmap Regression. 14th European Conference on Computer Vision, (pp. 717-732). Amsterdam : ECCV DOI : 10.1007/978-3-319-46478-7_44

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