본 논문에서는 유비쿼터스 컴퓨팅 기술의 여러응용 서비스에서 가장 핵심적인 요소 기술 중의 하나인 사용자의 상황인식시스템에 대하여 기술한다. 제안하는 시스템은 실험 대상자의 우측 상완에 착용하는 $SenseWear^{(R)}$ PRO2 Armband(BodyMedia사)에 내장된 2차원 가속도센서를 이용하여 데이터를 획득하고, 눕기, 앉기, 걷기, 뛰기 4단계 동작의 인체동작상태의 구분은 PC 기반의 퍼지추론 시스템으로 구현 하였다. 이를 이용하여 분석한 인체동작 인식률은 눕기, 앉기, 걷기 뛰기에 대하여 각각 100%, 98.64%, 99.27%, 100%로 나타났다.
본 논문에서는 유비쿼터스 컴퓨팅 기술의 여러응용 서비스에서 가장 핵심적인 요소 기술 중의 하나인 사용자의 상황인식시스템에 대하여 기술한다. 제안하는 시스템은 실험 대상자의 우측 상완에 착용하는 $SenseWear^{(R)}$ PRO2 Armband(BodyMedia사)에 내장된 2차원 가속도센서를 이용하여 데이터를 획득하고, 눕기, 앉기, 걷기, 뛰기 4단계 동작의 인체동작상태의 구분은 PC 기반의 퍼지추론 시스템으로 구현 하였다. 이를 이용하여 분석한 인체동작 인식률은 눕기, 앉기, 걷기 뛰기에 대하여 각각 100%, 98.64%, 99.27%, 100%로 나타났다.
This paper describes user context awareness system, which is one of the most essential technologies in various application services of ubiquitous computing. The proposed system used two-axial accelerometer, embedded in $SenseWear^{(R)}$ PRO2 Armband (BodyMedia). It was worn on the right u...
This paper describes user context awareness system, which is one of the most essential technologies in various application services of ubiquitous computing. The proposed system used two-axial accelerometer, embedded in $SenseWear^{(R)}$ PRO2 Armband (BodyMedia). It was worn on the right upper arm of the experiment subjects. Using this data, PC-based fuzzy inference system was realized to distinguish human motion states, such as, tying, sitting, walking and running. The recognition rates of human motion states were 100 %, 98.64 %, 99.27 % and 100 % respectively for tying, sitting, walking and running.
This paper describes user context awareness system, which is one of the most essential technologies in various application services of ubiquitous computing. The proposed system used two-axial accelerometer, embedded in $SenseWear^{(R)}$ PRO2 Armband (BodyMedia). It was worn on the right upper arm of the experiment subjects. Using this data, PC-based fuzzy inference system was realized to distinguish human motion states, such as, tying, sitting, walking and running. The recognition rates of human motion states were 100 %, 98.64 %, 99.27 % and 100 % respectively for tying, sitting, walking and running.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
제안 방법
본 논문에서는 실험 대상자의 오른쪽 상완에 착용하는 BdyMedia사에서 만든 SenseWear® PRO? Armband(이하 Armband)에 내장된 MEMS(micro electro mechanical systems) 기술로 제작한 2차원 가속도센서와 PC 기반의 눕기, 앉기, 걷기, 뛰기 4단계 동작의 인체동작상태 구분하는 퍼지추론 시스템을 이용하여 구현한 상황인식시스템에 대하여 기술하였다.
Armband에 내장된 가속도센서는 아날로그 디 바이스사의 ADXL202AE이며, 2축 방향의 가속도 측정이 가능하고, ±2 g의 측정범위를 가지며, 3 V 전원 인가 시에 167 mV/g의 센싱 감도를 가지고 있 다{8]. 이 센서로부터 수직방향신호의 평균치 (LAA), 수평방향신호의 평균치(TAA), 수직방향신호의 가속 도 변화량의 절대치의 평균치(L-MAD), 수평방향신 호의 가속도 변화량의 절대치의 평균치(T-MAD)를 획득한다.
건강상태가 양호한 성인 3명(20대, 30대, 40대)의 피실험자의 오른쪽 상완에 데이터 획득시스템을 [그림 3]과 같이 착용시키고, 걷기(10분) - 앉아있기(10 분) - 뛰기(10분) - 바로 눕기(5분) - 엎드려 눕기(5 분) 순서로, 연속하여 인체 동작상태를 수행하도록 하였다. 가속도센서의 수직방향신호의 평균치(LAA), 수평방향신호의 평균치(TAA), 수직방향신호의 가속 도 변화량의 절대치의 평균치(L- MAD), 수평방향 신호의 가속도 변화량의 절대치의 평균치(T-MAD) 를 1초당 1샘플 획득하였다.
본 논문에서는 TV시청, 독서, 사무 등의 복잡한 상황을 배제하고, 눕기(바로 눕기, 엎드려 눕.기), 앉 기, 걷기, 뛰기의 4단계로 단순화하여 인체동작상태를 구분하는 인체동작상태 상황인식 구현하였다. 퍼 지시스템을 이용하여 구현한 상황인식시스템은 실 험환경에서의 인체동작상태에 대한 인식률 결과가 우수하였다.
건강상태가 양호한 성인 3명(20대, 30대, 40대)의 피실험자의 오른쪽 상완에 데이터 획득시스템을 [그림 3]과 같이 착용시키고, 걷기(10분) - 앉아있기(10 분) - 뛰기(10분) - 바로 눕기(5분) - 엎드려 눕기(5 분) 순서로, 연속하여 인체 동작상태를 수행하도록 하였다. 가속도센서의 수직방향신호의 평균치(LAA), 수평방향신호의 평균치(TAA), 수직방향신호의 가속 도 변화량의 절대치의 평균치(L- MAD), 수평방향 신호의 가속도 변화량의 절대치의 평균치(T-MAD) 를 1초당 1샘플 획득하였다.
이론/모형
퍼지시스템에서 데이터의 내부적인 표현은 일상적 인 퍼지집합이지만 출력은 하나의 명확한 수가 되어 야 한다. 이를 위해 퍼지집합의 중심을 찾는 무게 중 심법 (COA, Center of Area method) 이나 최대 수준 을 갖는 값들의 평균을 취하는 최대 평균법(MOM, Mean of Maxima method) 을 사용한다. 본 논문에서는 출력을 결정하기 위해서 퍼지집합의 중심을 찾 는 방법이 보다 정확한 상태결정이 가능하므로 식 (5)를 이용하는 최대 평균법(MOM)을 사용하였다.
이를 위해 퍼지집합의 중심을 찾는 무게 중 심법 (COA, Center of Area method) 이나 최대 수준 을 갖는 값들의 평균을 취하는 최대 평균법(MOM, Mean of Maxima method) 을 사용한다. 본 논문에서는 출력을 결정하기 위해서 퍼지집합의 중심을 찾 는 방법이 보다 정확한 상태결정이 가능하므로 식 (5)를 이용하는 최대 평균법(MOM)을 사용하였다.
성능/효과
최하단인 The Results of States는 LAA, TAA, L-MAD, T-MAD 데이터를 퍼지 추론 시스템을 이용하여 분 석한 눕기(~1), 앉기(~2), 걷기(~3), 뛰기(~4)로 구분한 동작상태 결과이다. 걷기(10분) - 앉아있기 (10 분) - 뛰기(10분) - 바로 눕기(5분) - 엎드려 눕 기(5분)의 실험 데이터에 대한 동작상태 인식률은 눕기, 앉기, 걷기, 뛰기 동작상태 인식률은 각각 100%, 98.64 %, 99.27 %, 100 %로 나타났다.
본 논문에서 제안하는 인체동작상태를 구분하는 상 황인식 기술은 일차적으로 수면장애, 24시간 심전도 검사, 24시간 혈압 검사에 이용할 수 있을 것이다. 수면장애를 진단하기 위한 수면다원검사는 많은 비 용이 소요되고, 하룻밤 동안 병원에서 자면서 검사를 받아야하는데, 가속도센서 이용 시스템은 환자의 일 상생활에 영향을 주지 않고, 비교적 간단하게 시행할 수 있다.
후속연구
본 논문에서 제안한 상황인식시스템에서의 인체동 작상태 구분정보를 효과적으로 활용하기 위해서는 심전도 혈압, 산소포화도, 체온 등의 생체신호 센서 와의 결합과 이동통신망 또는 인터넷망을 통해 서버 로 알려줄 수 있는 이동통신 기능이 부가적으로 필요하다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.