[논문]퍼셉트론 알고리즘을 이용한 활동상태 분류기법 개발

소지은; 노윤홍; 황기현; 정도운

문제 정의

본 연구에서는 일상생활 중 활동상태 및 응급상황의 모니터링을 위한 사전 연구로서 3축 가속도를 이용한 자세추정 기법을 개발하고자 하였다. 이를 위하여 단일칩으로 구성된 3축가속도센서와 무선센서네트워크 기술을 접목하여 착용형 활동상태 모니터링 시스템을 구현하였으며, 계측된 가속도 신호로부터 자세변화를 추출하기 위해 다층 퍼셉트론 알고리즘을 적용한 자세판별 알고리즘을 구현하였다.
본 연구에서는 신체의 활동 상태에 따른 가속도 정보를 측정하여 활동상태의 판별을 위한 알고리즘을 개발하고자 하였다. 이를 위해 저전압, 저 전력 동작 및 슬립모드를 지원하는 MMA7260Q(Freescale Co.
본 연구에서는 일상생활 중 움직임에 따라 계측된 가속도 정보로부터 활동 상태를 자동으로 판별하기위한 연구를 수행하고자 하며, 활동상태의 판별에 앞서 3축 가속도 신호의 분석을 통한 정직인 자세변화를 판별하는데 중점을 두어 연구를 수행하였다. 계측된 3축 가속도 정보로부터 자세판별을 수행하기위하여 다층 퍼셉트론 알고리즘을 이용한 분류기를 구현하였다.
본 연구에서는 다층 퍼셉트론 알고리즘의 자세판별 성능을 보다 자세하게 평가하기위하여 건강한 대학생 5명을 대상으로 다섯 종류의 자세변화를 5분 동안 자유롭게 변화시키며 자세판별 성능을 평가하였다. 실험결과 5종류의 자세가 정확하게 판별되었으며, 자세변화가 발생하는 구간에서만 판별의 오류가 발생하였으며, 고정적인 자세에서는 100% 분류 성공률을 보였다.
본 연구에서는 일상생활 중 활동가속도의 모니터링을 통해 활동 상태를 판별하기위한 기초연구로서 가속도 신호를 이용한 자세판별 기법을 개발하였다. 실험결과 자세판별 성공률은 자세변화를 감안하더라도 평균 98.

제안 방법

본 연구에서는 일상생활 중 활동상태 및 응급상황의 모니터링을 위한 사전 연구로서 3축 가속도를 이용한 자세추정 기법을 개발하고자 하였다. 이를 위하여 단일칩으로 구성된 3축가속도센서와 무선센서네트워크 기술을 접목하여 착용형 활동상태 모니터링 시스템을 구현하였으며, 계측된 가속도 신호로부터 자세변화를 추출하기 위해 다층 퍼셉트론 알고리즘을 적용한 자세판별 알고리즘을 구현하였다.
본 연구에서는 신체의 활동 상태에 따른 가속도 정보를 측정하여 활동상태의 판별을 위한 알고리즘을 개발하고자 하였다. 이를 위해 저전압, 저 전력 동작 및 슬립모드를 지원하는 MMA7260Q(Freescale Co. Ltd., USA) 3축 가속도센서를 이용하여 활동변화에 따른 가속도 변화를 계측하도록 시스템을 구성하였다.
가속도 센서부의 구동 및 무선센서노드의 동작을 위해 초소형 고용량의 리튬폴리머 충전지를 사용하여 전원부를 구성하였다. 가속도 센서의 동작에 따른 클럭노이즈를 제거하기 위해 센서의 출력단에 저역통과필터를 구성하였으며, 출력신호의 인터페이스 시 발생할 수 있는 임피던스 부정합을 방지하기 위하여 단전원으로 동작 가능한 연산증폭기(OPA4379, Burr-Brown, USA)를 이용한 버퍼회로를 설계하였다.
가속도 센서부의 구동 및 무선센서노드의 동작을 위해 초소형 고용량의 리튬폴리머 충전지를 사용하여 전원부를 구성하였다. 가속도 센서의 동작에 따른 클럭노이즈를 제거하기 위해 센서의 출력단에 저역통과필터를 구성하였으며, 출력신호의 인터페이스 시 발생할 수 있는 임피던스 부정합을 방지하기 위하여 단전원으로 동작 가능한 연산증폭기(OPA4379, Burr-Brown, USA)를 이용한 버퍼회로를 설계하였다.
, Korea)을 이용하였다. 또한 무선 전송된 데이터를 PC상에서 모니터링하기위한 전용 모니터링 프로그램을 설계 및 구현하였으며, 본 연구에 의해 구현된 활동상태 모니터링 시스템의 전체적인 구성을 그림 1에 나타내었다.
본 연구에서는 일상생활 중 움직임에 따라 계측된 가속도 정보로부터 활동 상태를 자동으로 판별하기위한 연구를 수행하고자 하며, 활동상태의 판별에 앞서 3축 가속도 신호의 분석을 통한 정직인 자세변화를 판별하는데 중점을 두어 연구를 수행하였다. 계측된 3축 가속도 정보로부터 자세판별을 수행하기위하여 다층 퍼셉트론 알고리즘을 이용한 분류기를 구현하였다.
본 연구에서 적용한 다층 퍼셉트론은 입력 층과 출력 층 사이에 하나 이상의 중간층이 존재하는 신경망으로 은닉 층을 갖는 계층적 구조이며, 입력 층은 입력데이터와 Bias의 노드까지를 포함한다. 본 연구의 다층 퍼셉트론은 입력 층, 은닉 층, 출력 층 방향으로 연결되어 있으며 입력 층에는 X축, Y축, Z축의 실제 데이터를 입력 받아 가중치의 계산이 이루어지며, 서있는 자세(standing, St), 누워있는 자세(lying, Ly), 뒤로 누워있는 자세(lying-front, LyF), 왼쪽으로 누워 있는 자세(lying-left, LyL), 오른쪽으로 누워있는 자세(lying-right, LyR)의 다섯 가지 자세 판단을 하도록 구현하였으며, 구성도는 그림 2와 같다.
본 연구에서 적용한 다층 퍼셉트론은 입력 층과 출력 층 사이에 하나 이상의 중간층이 존재하는 신경망으로 은닉 층을 갖는 계층적 구조이며, 입력 층은 입력데이터와 Bias의 노드까지를 포함한다. 본 연구의 다층 퍼셉트론은 입력 층, 은닉 층, 출력 층 방향으로 연결되어 있으며 입력 층에는 X축, Y축, Z축의 실제 데이터를 입력 받아 가중치의 계산이 이루어지며, 서있는 자세(standing, St), 누워있는 자세(lying, Ly), 뒤로 누워있는 자세(lying-front, LyF), 왼쪽으로 누워 있는 자세(lying-left, LyL), 오른쪽으로 누워있는 자세(lying-right, LyR)의 다섯 가지 자세 판단을 하도록 구현하였으며, 구성도는 그림 2와 같다.
다층 퍼셉트론 알고리즘의 학습을 위해 우선 가중치와 임계치를 초기화시킨 후 입력과 목표 출력을 제시하고, 제시된 입력벡터를 이용하여 은닉 층 j번째 뉴런으로 입력 값 계산을 수행하며, 이를 위한 계산 수식은 다음과 같다.
본 연구에서는 신체의 활동 상태에 따른 가속도 정보를 측정하기위하여 3축가속도 센서와 무선센서네트워크 기술을 적용한 활동상태 모니터링 시스템을 구현하였다. 실제 본 연구를 통해 구현된 가속도 측정용 보드와 무선센서노드, 시스템의 외형을 그림 3에 나타내었다.
본 연구에서는 퍼셉트론 알고리즘의 학습에 따른 가중치를 계산하기 위하여 인위적인 자세 변화를 유발하고 각 자세에서 20초 동안 3축의 가속도 신호를 계측하였다. 자세변화에 따라 계측된 가속도신호를 그림 4에 나타내었다.
분류 결과에서 앉아있는 자세 또는 서있는 자세는 ‘1’, 바로 누워있는 자세는 ‘2’, 뒤로 누워있는 자세는 ‘3’, 왼쪽으로 누워있는 자세는 ‘4’, 오른쪽으로 누워있는 자세는 ‘5’로 판단하도록 프로그래밍 하였으며, 0.5초 간격으로 무빙윈도우를 적용하여 자세판단 결과를 정규화 하였다.
상기에서 제시한 가속도 측정법과 동일한 방법으로 각 자세별 가속도 변화를 계측하여 본 연구에서 제안한 자세판별 알고리즘인 퍼셉트론 알고리즘의 학습데이터로 활용하였다. 각 자세별 가속도 신호를 학습 후 본 연구에서 적용한 퍼셉트론 알고리즘의 분류성능을 평가하기위하여 가속도 측정용 센서보드를 피험자의 오른쪽 허리에 부착하여 실제 자세변화에 따른 가속도신호의 변화를 계측하였다. 또한 계측된 가속도 신호로부터 퍼셉트론 알고리즘을 이용하여 실제 자세와 자세판단 분류를 수행하여 그 결과를 그림 5에 나타내었다.

대상 데이터

가속도 센서로부터 계측된 3축의 아날로그 신호를 디지털로 변환하고 무선으로 전송하기위하여 Zigbee 호환 무선 센서노드인 TIP710CM(Maxfor Co., Korea)을 이용하였다. 또한 무선 전송된 데이터를 PC상에서 모니터링하기위한 전용 모니터링 프로그램을 설계 및 구현하였으며, 본 연구에 의해 구현된 활동상태 모니터링 시스템의 전체적인 구성을 그림 1에 나타내었다.
상기에서 제시한 가속도 측정법과 동일한 방법으로 각 자세별 가속도 변화를 계측하여 본 연구에서 제안한 자세판별 알고리즘인 퍼셉트론 알고리즘의 학습데이터로 활용하였다. 각 자세별 가속도 신호를 학습 후 본 연구에서 적용한 퍼셉트론 알고리즘의 분류성능을 평가하기위하여 가속도 측정용 센서보드를 피험자의 오른쪽 허리에 부착하여 실제 자세변화에 따른 가속도신호의 변화를 계측하였다.

성능/효과

본 연구에서는 다층 퍼셉트론 알고리즘의 자세판별 성능을 보다 자세하게 평가하기위하여 건강한 대학생 5명을 대상으로 다섯 종류의 자세변화를 5분 동안 자유롭게 변화시키며 자세판별 성능을 평가하였다. 실험결과 5종류의 자세가 정확하게 판별되었으며, 자세변화가 발생하는 구간에서만 판별의 오류가 발생하였으며, 고정적인 자세에서는 100% 분류 성공률을 보였다. 자세변화 시의 오류를 포함한 자세판별 성능평가 결과 평균 98.
실험결과 5종류의 자세가 정확하게 판별되었으며, 자세변화가 발생하는 구간에서만 판별의 오류가 발생하였으며, 고정적인 자세에서는 100% 분류 성공률을 보였다. 자세변화 시의 오류를 포함한 자세판별 성능평가 결과 평균 98.1%의 우수한 분류 성공률을 보였다.
본 연구에서는 일상생활 중 활동가속도의 모니터링을 통해 활동 상태를 판별하기위한 기초연구로서 가속도 신호를 이용한 자세판별 기법을 개발하였다. 실험결과 자세판별 성공률은 자세변화를 감안하더라도 평균 98.1%의 우수한 판별성능을 보였다.

후속연구

향후 연구에서는 본 연구 결과를 바탕으로 자세변화 뿐만 아니라 종합적인 활동상태 및 응급 상황 인지를 위한 시스템 구현 및 알고리즘 개발에 관한 지속적인 연구를 수행하고자 한다.

핵심어	질문	논문에서 추출한 답변
	신경망이론을 이용하여 신경망 분류기를 장착해 실용화되어 있는 시스템은?	그리고 병렬 처리가 가능하며, 신경망이 수행하는 연산의 대부분은 노드의 출력을 노드의 연결 강도와 곱하는 것으로서 이들은 독립적으로 계산이 가능하므로 병렬처리가 가능하다. 현재 실용화되어 있는 자동차 번호판 인식, 지문 인식, 자동 검사, 우편 주소인식, 음성 인식, 온라인 필기 인식 등의 많은 시스템에 신경망 분류기를 장착하여 다양한 문제의 해결 도구로도 사용되며, 분류, 예측, 합성, 평가, 제어, 신호 처리 등의 다양한 분야의 문제해결에도 성공적으로 응용되고 있다.
	MMA7260Q(Freescale Co. Ltd., USA) 3축 가속도센서가 지원하는 것은?	본 연구에서는 신체의 활동 상태에 따른 가속도 정보를 측정하여 활동상태의 판별을 위한 알고리즘을 개발하고자 하였다. 이를 위해 저전압, 저 전력 동작 및 슬립모드를 지원하는 MMA7260Q(Freescale Co. Ltd.
	신경망이론이란?	신경망이론은 과거에 수집된 데이터로부터 반복적인 학습과정을 거쳐 데이터에 내재되어 있는 패턴을 찾아내는 모델링 기법이며, 학습이 가능하여 훈련 집합에 따른 연결 강도를 자동으로 추정하여 신경망을 구성한다. 또한 일반화 능력이 뛰어나고, 학습이 끝난 후 새로운 패턴이 주어지면 학습에 사용한 패턴에 비해 큰 차이 없는 인식 성능을 보인다.

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

[국내논문] 퍼셉트론 알고리즘을 이용한 활동상태 분류기법 개발
Development of Activity States Classifier Using Perceptron Algorithm 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

성능/효과

후속연구

질의응답

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

[국내논문] 퍼셉트론 알고리즘을 이용한 활동상태 분류기법 개발 Development of Activity States Classifier Using Perceptron Algorithm 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

성능/효과

후속연구

질의응답

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

[국내논문] 퍼셉트론 알고리즘을 이용한 활동상태 분류기법 개발
Development of Activity States Classifier Using Perceptron Algorithm 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper