KR101340085B1 - 보행 패턴 생성 장치 및 방법 - Google Patents

보행 패턴 생성 장치 및 방법 Download PDF

Info

Publication number
KR101340085B1
KR101340085B1 KR1020120128653A KR20120128653A KR101340085B1 KR 101340085 B1 KR101340085 B1 KR 101340085B1 KR 1020120128653 A KR1020120128653 A KR 1020120128653A KR 20120128653 A KR20120128653 A KR 20120128653A KR 101340085 B1 KR101340085 B1 KR 101340085B1
Authority
KR
South Korea
Prior art keywords
data
body feature
walking pattern
clusters
walking
Prior art date
Application number
KR1020120128653A
Other languages
English (en)
Inventor
김창환
이준원
신성열
이상협
Original Assignee
한국과학기술연구원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국과학기술연구원 filed Critical 한국과학기술연구원
Priority to KR1020120128653A priority Critical patent/KR101340085B1/ko
Application granted granted Critical
Publication of KR101340085B1 publication Critical patent/KR101340085B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G06F18/21355—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis nonlinear criteria, e.g. embedding a manifold in a Euclidean space
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/22—Matching criteria, e.g. proximity measures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G06V40/23—Recognition of whole body movements, e.g. for sport training
    • G06V40/25—Recognition of walking or running movements, e.g. gait recognition

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • Human Computer Interaction (AREA)
  • Multimedia (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

본 발명은 보행 패턴 생성 장치 및 방법에 관한 것으로, 더 상세하게는, 보행에 관련된 신체 특징점을 기반으로 다수의 보행 패턴을 분류하여 저장함으로써, 추후 환자의 재활 훈련시 환자에게 적합한 보행 패턴 정보를 제시할 수 있는 보행 패턴 생성 장치 및 방법에 관한 것이다. 본 발명의 일 실시예에 따른 보행 패턴 생성 장치는, 보행에 관련된 신체 특징점들과 하지 특징 요소들을 선정하는 변수 선정부; 상기 변수 선정부에서 선정된 신체 특징점들과 하지 특징 요소들을 연관시켜서 보행 패턴에 관한 데이터들을 획득하는 데이터 획득부; 상기 신체 특징점들 간의 유사도를 기준으로 상기 보행 패턴에 관한 데이터들을 분류함으로써 계층화된 클러스터들을 생성하여 저장하는 클러스터링 실행부; 및 상기 계층화된 클러스터들 각각에 저장된 데이터들의 평균적인 보행 패턴을 산출하여 각각의 클러스터들의 대표적 보행 패턴을 생성하는 보행 패턴 생성부를 포함한다.

Description

보행 패턴 생성 장치 및 방법 {APPARATUS AND METHOD FOR GENERATING WALKING PATTERN}
본 발명은 보행 패턴 생성 장치 및 방법에 관한 것으로, 더 상세하게는, 보행에 관련된 신체 특징점을 기반으로 다수의 보행 패턴을 분류하여 저장함으로써, 추후 환자의 재활 훈련시 환자에게 적합한 보행 패턴 정보를 제시할 수 있는 보행 패턴 생성 장치 및 방법에 관한 것이다.
현대 사회의 노령화 현상으로 노인 인구가 급격히 증가하고 있다. 이러한 노인 인구가 증가함에 따라 대부분의 선진국들이 초고령 사회(65세 이상 인구가 총 인구의 20% 이상)로의 진입이 예상되고 있다.
고령 인구의 증가는 퇴행성 질환의 증가를 야기하고, 이에 동반하는 후유증으로 인해 신체적, 정신적 장애를 가져와 삶의 질을 떨어뜨린다. 따라서, 퇴행성 질환으로 인한 후유증을 극복하고 이전의 건강한 삶을 영유할 수 있도록 하는 재활 치료 시스템에 대한 요구가 커지고 있다. 대표적 노인성 뇌질환인 뇌졸중이나 치매는 심각한 운동 장애 및 인지 장애를 유발하며 삶의 질을 심각하게 저하시킨다. 이러한 뇌인성 뇌질환의 장애와 가장 밀접한 것이 보행 장애이다.
따라서, 이러한 보행 장애를 극복하기 위해 다양한 재활 치료 장치들이 개발 중에 있다. 그러나, 다양한 환자의 신체 조건에 부합하여 환자에게 최적으로 적합한 보행 패턴을 훈련시킬 수 있는 방법의 연구는 미흡한 실정이다.
본 발명의 목적은 보행에 관련된 신체 특징점을 기반으로 다수의 보행 패턴을 분류하여 저장함으로써, 추후 환자의 재활 훈련시 환자에게 적합한 보행 패턴 정보를 제시할 수 있는 보행 패턴 생성 장치 및 방법을 제공하는 것이다.
전술한 목적을 달성하기 위한 본 발명의 일 실시예에 따른 보행 패턴 생성 장치는, 보행에 관련된 신체 특징점들과 하지 특징 요소들을 선정하는 변수 선정부; 상기 변수 선정부에서 선정된 신체 특징점들과 하지 특징 요소들을 연관시켜서 보행 패턴에 관한 데이터들을 획득하는 데이터 획득부; 상기 신체 특징점들 간의 유사도를 기준으로 상기 보행 패턴에 관한 데이터들을 분류함으로써 계층화된 클러스터들을 생성하여 저장하는 클러스터링 실행부; 및 상기 계층화된 클러스터들 각각에 저장된 데이터들의 평균적인 보행 패턴을 산출하여 각각의 클러스터들의 대표적 보행 패턴을 생성하는 보행 패턴 생성부를 포함한다.
상기 변수 선정부는 n개의 신체 특징점들을 선정하고, 상기 데이터 획득부는 n차원의 신체 특징점 데이터들을 생성할 수 있다.
상기 클러스터링 실행부는, 상기 신체 특징점 데이터들 간의 유사도와 상기 클러스터들 간의 유사도를 판단하기 위해, 2개의 신체 특징점 데이터들 간의 거리 지표로서 유클리드(Euclidean) 거리 지표를 사용하며, 2개의 클러스터들 간의 거리 지표로서 하나의 클러스터를 구성하는 각 신체 특징점 데이터들과 다른 클러스터를 구성하는 각 신체 특징점 데이터들 간의 모든 가능한 쌍(pair)을 만들어, 그 쌍들 간의 거리 평균을 계산하는 평균 거리(average distance) 지표를 사용할 수 있다.
상기 보행 패턴 생성부에서 생성된 대표적 보행 패턴은 시계열(time series) 데이터로 구성될 수 있다.
본 발명의 일 실시예에 따른 보행 패턴 생성 방법은, 보행 관련 신체 특징점들과 하지 특징 요소들들을 선정하는 단계; 선정된 신체 특징점들과 하지 특징 요소들을 연관시켜서 보행 패턴에 관한 데이터들을 획득하는 단계; 상기 신체 특징점들 간의 유사도를 기준으로 상기 보행 패턴에 관한 데이터들을 분류함으로써 계층화된 클러스터들을 생성하여 저장하는 단계; 및 상기 계층화된 클러스터들 각각에 저장된 데이터들의 평균적인 보행 패턴을 산출하여 각각의 클러스터들의 대표적 보행 패턴을 생성하는 단계를 포함한다.
상기 계층화된 클러스터들을 생성하여 저장하는 단계는, 상기 신체 특징점들이 조합된 신체 특징점 데이터들 간의 유사도와 상기 클러스터들 간의 유사도를 판단하기 위해, 2개의 신체 특징점 데이터들 간의 거리 지표로서 유클리드(Euclidean) 거리 지표를 사용하며, 2개의 클러스터들 간의 거리 지표로서 하나의 클러스터를 구성하는 각 신체 특징점 데이터들과 다른 클러스터를 구성하는 각 신체 특징점 데이터들 간의 모든 가능한 쌍(pair)을 만들어, 그 쌍들 간의 거리 평균을 계산하는 평균 거리(average distance) 지표를 사용할 수 있다.
본 발명의 보행 패턴 생성 장치 및 방법은 보행에 관련된 신체의 다양한 특징점들과 하지 특징 요소들을 연관시켜 다수의 보행 패턴에 관한 데이터들을 분류하여 저장함으로써, 추후 환자의 재활 훈련시, 환자의 신체 조건을 바탕으로 환자에게 최적의 보행 패턴 정보를 제시할 수 있는 효과가 있다.
도 1은 본 발명의 일 실시예에 따른 보행 패턴 생성 장치를 도시하는 블록도이다.
도 2는 신체의 특징점들을 나타내는 도면이다.
도 3은 보행 관련 하지 특징 요소들을 나타내는 도면이다.
도 4의 (a) 및 (b)는 신체 특징점 마커가 부착된 피험자가 트래드밀(tradmill)을 걷는 실험을 나타낸다.
도 5는 피험자의 골반의 궤적을 나타내며, 청색은 남성의 골반의 궤적, 적색은 여성의 골반의 궤적을 나타낸다.
도 6은 피험자의 종아리 길이에 따른 골반의 궤적을 나타내며, 청색은 남성의 골반의 궤적, 적색은 여성의 골반의 궤적을 나타낸다.
도 7은 계층화에 따른 클러스터링을 도시하는 도면이다.
도 8은 본 발명의 일 실시예에 따른 보행 패턴 생성 방법을 도시하는 순서도이다.
이하에서는 첨부한 도면을 참조하여 본 발명의 바람직한 실시예에 따른 보행 패턴 생성 장치 및 방법에 대하여 상세하게 설명한다.
도 1은 본 발명의 일 실시예에 따른 보행 패턴 생성 장치를 도시하는 블록도이다.
도 1을 참조하면, 본 발명의 보행 패턴 생성 장치(100)는 변수 선정부(110), 데이터 획득부(120), 클러스터링 실행부(130) 및 보행 패턴 생성부(140)를 포함한다.
변수 선정부(110)는 보행에 관련된 신체 특징점들(body characteristics and anthropometrics)과 하지 특징 요소들(lower extremity features)을 선정하며, 데이터 획득부(120)는 변수 선정부(110)에서 선정된 신체 특징점들과 하지 특징 요소들을 연관시켜서 보행 패턴에 관한 데이터들을 획득한다.
클러스터링(clustering) 실행부(130)는 상기 신체 특징점들 간의 유사도를 기준으로 상기 보행 패턴에 관한 데이터들을 분류함으로써 계층화된 클러스터들을 생성하여 저장한다.
보행 패턴 생성부(140)는 상기 계층화된 클러스터들 각각에 저장된 데이터들의 평균적인 보행 패턴을 산출하여 각각의 클러스터들의 대표적 보행 패턴을 생성한다.
전술한 각 구성요소들의 구체적인 실행 방법은 이하의 예시적인 도면들을 참조하여 상술하기로 한다.
도 2는 신체의 특징점들을 나타내는 도면이며, 도 3은 보행 관련 하지 특징 요소들을 나타내는 도면이다.
도 2 및 도 3을 참조하여, 다수의 사람의 보행 관련 신체 특징점들을 집합 X로, 하지 특징 요소들을 집합 Y로 표현하고, 수학적 모델을 만들기 위한 사람들의 집합을 P로 가정한다. 그러면 각 특정 사람
Figure 112012093535237-pat00001
은 해당되는
Figure 112012093535237-pat00002
와
Figure 112012093535237-pat00003
를 가지고 있다. 결국, X와 Y의 연관관계, 즉, Y=F(X)를 만족하는 수학적 모델 F을 찾으면, 다수의 사람의 보행 패턴을 유형화할 수 있게 된다. 이를 위해, 사람들의 신체 특징점들과 하지 특징 요소들을 연결하는 학습 모델을 만들고, 학습 알고리즘으로 SVM(Support Vector Machine)을 사용할 수 있다. SVM은 차원변환을 이용해 효율적 최적화문제로 문제해답을 찾아내는 효과적 학습모델로써 구현하기 위한 툴(tool)로 오프-소스(open-source) 프로그램인 libSVM을 사용할 수 있다.
전술한 신체 특징점들(X)과 하지 특징 요소들(Y)은, 일 예로, 하기 표과 같이 정의할 수 있다.
ID 신체 특징점 X ID 하지 특징 요소 Y
1 나이 1 골반 x-축 이동
2 키 2 골반 y-축 이동
3 몸무게 3 골반 z-축 이동
4 성별 4 골반 내부/외부 회전
5 허벅지 길이 5 엉덩이 좌측 외전/내전
6 종아리 길이 6 엉덩이 우측 외전/내전
7 고관절 폭 7 엉덩이 좌측 수축/신장
8 골반 폭 8 엉덩이 우측 수축/신장
9 전상장골극 폭 9 엉덩이 좌측 내부/외부 회전
10 무릎 직경 10 엉덩이 우측 내부/외부 회전
11 발 길이 11 무릎 좌측 수축/신장
12 복사뼈 높이 12 무릎 우측 수축/신장
13 복사뼈 폭 13 발목 좌측 수축/신장
14 발 14 발목 우측 수축/신장

15 한 주기 보폭
16 양 발 간격의 보폭
17 스텝과 스텝 사이의 소요 시간
18 입각기 비율
상기 표 1과 같이 다양한 신체 특징점들과 하지 특징 요소들 중 변수 선정부(110)는 보행에 관련된 신체 특징점들(body characteristics and anthropometrics)과 하지 특징 요소들(lower extremity features)을 선정할 수 있으며, 데이터 획득부(120)는 변수 선정부(110)에서 선정된 신체 특징점들과 하지 특징 요소들을 연관시켜서 보행 패턴에 관한 데이터들을 획득한다.
도 4의 (a) 및 (b)는 신체 특징점 마커가 부착된 피험자가 트래드밀(tradmill)을 걷는 실험을 나타낸다.
도 4와 같이 피험자가 트래드밀에서 일정 기간 동안 3가지의 보행 속도(1km/h,2km/h,3km/h)로 걷게 하여, 도 5 및 도 6과 같은 그래프를 획득한다.
도 5는 피험자의 골반의 궤적을 나타내며, 청색은 남성의 골반의 궤적, 적색은 여성의 골반의 궤적을 나타낸다. 도 6은 피험자의 종아리 길이에 따른 골반의 궤적을 나타내며, 청색은 남성의 골반의 궤적, 적색은 여성의 골반의 궤적을 나타낸다.
도 5를 참조하면, 남성과 여성의 y 축 방향 골반에서의 궤적이 다르다는 것을 알 수 있다. 그래프 상에서, 남성의 크기(magnitude) 변화가 여성의 크기 변화에 비해 상대적으로 크다. 따라서 성별은 골반의 움직임을 구별하는 신체 특징점이 될 수 있다.
또한, 도 6을 참조하면, 남성의 크기(magnitude) 변화가 여성의 크기 변화에 비해 상대적으로 크다는 것을 확인할 수 있는데, 이는 남성이 여성보다 대체적으로 종아리 길이가 긴 것으로 인해 발생하는 차이로 판단된다. 따라서 종아리 길이도 성별과 마찬가지로 골반 움직임과 관련이 있음을 알 수 있다.
이와 같이, 데이터 획득부(120)는 변수 선정부(110)에서 선정한 신체 특징점인 성별 또는 종아리 길이와, 하지 특징 요소인 y 축 방향 골반의 궤적을 연관시켜서, 보행 패턴에 관한 데이터들을 획득할 수 있다. 여기서, 하지 특징 요소에 y 축 방향 골반의 궤적 뿐만 아니라, x 축 방향 골반의 궤적, z 축 방향 골반의 궤적 기타 표 1에 기재된 여러 요소들을 추가하면, 보행 패턴에 관한 보다 정교한 데이터들을 얻을 수 있다.
이어서, 클러스터링 실행부(130)는 상기 신체 특징점들을 성별, 종아리 길이를 기준으로 상기 보행 패턴에 관한 데이터들을 분류함으로써 계층화된 클러스터(hierarchical cluster)를 생성하여 저장한다. 클러스터링 실행부(130)는 유사도가 가장 높은 클러스터들 사이의 가장 높은 축을 중심으로 횡단 선을 그으면서 도 7과 같이 다수의 링크로 연결된 클러스터를 구축할 수 있다.
상기 예시에서, 데이터 획득부(120)는 성별, 종아리 길이를 기준으로 신체 특징점 데이터 d를 생성하고, 이에 연관된 보행 패턴에 관한 데이터를 획득할 수 있다. 여기서, 신체 특징점 데이터 d는 성별, 종아리 길이를 나타내는 2차원의 데이터이다. 만약, 변수 선정부(110)에서 성별, 종아리 길이 외에 표 1에 기재된 다른 신체 특징점에 관한 요소들을 추가하여 n개의 신체 특징점들을 선정하였다면, 신체 특징점 데이터 d는 n차원의 데이터가 될 것이다. 클러스터링 실행부(130)가 성별과 종아리를 기준으로 클러스터링을 수행하는 경우, 우선 각 성별로 데이터를 나눌 수 있다. 즉 남성 데이터, 여성 데이터를 따로 생성하고, 각 데이터별로 종아리를 기준으로 클러스터링을 수행하게 된다. 결국, 남성 데이터에서 종아리 기반으로 생성된 클러스터와 여자 데이터에서 종아리 기반으로 생성된 클러스터, 총 2개의 클러스터가 생성된다.
여기서, 각각의 신체 특징점 데이터 d는 각자의 클러스터(cluster)를 이룬다. 클러스터링 실행부(130)는 복수의 클러스터에서 가장 근접한 2개의 클러스터를 찾아서 연결함으로써, 하나의 클러스터로 통합한다. 이에 의해, n-1개의 클러스터가 남게 된다. 계속하여, 클러스터링 실행부(130)는 복수의 클러스터에서 가장 근접한 2개의 클러스터를 찾아서 연결하는 과정을 1개의 클러스터가 남을 때까지 반복한다. 이러한 실행 결과는 도 7에서 다수의 클러스터가 링크로 연결되어 하나로 묶인 상태로 나타난다.
클러스터링 실행부(130)는 상기와 같은 클러스터링 기법을 사용하기 위해 2개의 거리 지표를 미리 지정한다. 첫번째는 2개의 신체 특징점 데이터들 간의 거리 지표이며, 두번째는 2개의 클러스터들 간의 거리 지표이다.
우선, 2개의 신체 특징점 데이터들 간의 거리 지표로서 유클리드(Euclidean) 거리 지표를 사용하여, 2개의 신체 특징점 데이터들 간의 기하학적 거리를 바탕으로 유사도를 판단한다.
다음으로, 2개의 클러스터들 간의 거리 지표는, 하나의 클러스터를 구성하는 각 신체 특징점 데이터들과 다른 클러스터를 구성하는 각 신체 특징점 데이터들 간의 모든 가능한 쌍(pair)을 만들어, 그 쌍들 간의 거리 평균을 계산하는 평균 거리(average distance) 지표를 사용한다.
도 7은 계층화에 따른 클러스터링을 도시하는 도면이다.
도 7을 참조하면, 계층화에 따라 다수의 클러스터가 링크로 연결된 상태를 도시하며, x축은 클러스터링을 수행하기 전의 모든 신체 특징점 데이터들의 아이디(ID)를 나타낸다. 여기서는, 113개의 신체 특징점 데이터들을 사용하였으므로, 아이디(ID)가 1부터 113까지 있다. 또한, y축은 각 클러스터와 클러스터 사이의 거리를 나타낸다.
상기와 같이 계층화된 클러스터를 생성한 후에, 보행 패턴 생성부(140)는 생성된 각 클러스터마다 평균 보행 패턴을 계산하여 저장한다. 예를 들어, 골반의 궤적이 보행 패턴을 나타낸다고 할 때, 보행 패턴 생성부(140)는 각 클러스터에 속한 신체 특징점 데이터들에 연관된 골반의 궤적들을 모아 그 평균 궤적을 구한다. 만약, 어떤 클러스터에 3개의 신체 특징점 데이터 p1, p2, p3가 있다면, 그 클러스터의 평균 골반 궤적은 (p1에 연관된 골반의 궤적 + p2에 연관된 골반의 궤적 + p3에 연관된 골반의 궤적)/3을 통해 구할 수 있다. 여기서, 각 궤적은 시계열(time series) 데이터이므로, 각 클러스터의 대표적인 보행 패턴 역시 시계열 데이터로 생성된다.
상기와 같은 방법을 통해, 다수의 사람에 대한 보행 패턴을 클러스터링하면, 임의의 재활자에 대한 재활 훈련 시, 재활자의 신체 특징점들(예를 들어, 성별, 종아리 길이)을 바탕으로 해당 클러스터를 찾을 수 있다. 이후, 해당 클러스터의 보행 패턴을 제공하여, 재활자에게 적합한 보행 패턴을 훈련시킬 수 있다.
도 8은 본 발명의 일 실시예에 따른 보행 패턴 생성 방법의 순서도이다.
도 8을 참조하면, 우선, 변수 선정부(110)는 보행 관련 신체 특징점들과 하지 특징 요소들을 선정한다(S210). 신체 특징점들과 하지 특징 요소들은 표 1에 기재된 요소들이 사용될 수 있다.
다음으로, 데이터 획득부(120)는 선정된 신체 특징점들과 하지 특징 요소들을 연관시켜서 보행 패턴에 관한 데이터들을 획득한다(S220). 여기서, 각각의 하지 특징 요소들에 대한 궤적을 통합함으로써, 보행 패턴에 관한 데이터가 생성되므로, 하지 특징 요소들을 많이 사용하여 데이터를 산출하면 보다 정교한 보행 패턴에 관한 데이터를 획득할 수 있다. 또한, 변수 선정부(110)에서 n개의 신체 특징점들을 선정하였다면, 데이터 획득부(120)는 n차원의 신체 특징점 데이터를 생성한다.
계속하여, 클러스터링 실행부(130)는 상기 신체 특징점들 간의 유사도를 기준으로 상기 보행 패턴에 관한 데이터들을 분류함으로써 계층화된 클러스터들을 생성하여 저장한다(S230). 여기서, 클러스터링 실행부(130)는 2개의 신체 특징점 데이터들 간의 거리 지표로서 유클리드(Euclidean) 거리 지표를 사용하며, 2개의 클러스터들 간의 거리 지표로서 하나의 클러스터를 구성하는 각 신체 특징점 데이터들과 다른 클러스터를 구성하는 각 신체 특징점 데이터들 간의 모든 가능한 쌍(pair)을 만들어, 그 쌍들 간의 거리 평균을 계산하는 평균 거리(average distance) 지표를 사용할 수 있다.
다음으로, 보행 패턴 생성부(140)는 클러스터들 각각에 저장된 데이터들의 평균적인 보행 패턴을 산출하여 각각의 클러스터들의 대표적 보행 패턴을 생성한다(S240).
상기에서는 본 발명의 바람직한 실시예에 대하여 설명하였지만, 본 발명은 이에 한정되는 것이 아니고 특허청구범위와 발명의 상세한 설명 및 첨부한 도면의 범위 안에서 여러 가지로 변형하여 실시하는 것이 가능하고 이 또한 본 발명의 범위에 속하는 것은 당연하다.
100: 보행 패턴 생성 장치
110: 변수 선정부
120: 데이터 획득부
130: 클러스터링 실행부
140: 보행 패턴 생성부

Claims (6)

  1. 보행에 관련된 신체 특징점들과 하지 특징 요소들을 선정하는 변수 선정부;
    상기 변수 선정부에서 선정된 신체 특징점들과 하지 특징 요소들을 연관시켜서 보행 패턴에 관한 데이터들을 획득하는 데이터 획득부;
    상기 신체 특징점들 간의 유사도를 기준으로 상기 보행 패턴에 관한 데이터들을 분류함으로써 계층화된 클러스터들을 생성하여 저장하는 클러스터링 실행부; 및
    상기 계층화된 클러스터들 각각에 저장된 데이터들의 평균적인 보행 패턴을 산출하여 각각의 클러스터들의 대표적 보행 패턴을 생성하는 보행 패턴 생성부를 포함하는 것을 특징으로 하는 보행 패턴 생성 장치.
  2. 제1항에 있어서, 상기 변수 선정부는 n개의 신체 특징점들을 선정하고, 상기 데이터 획득부는 n차원의 신체 특징점 데이터들을 생성하는 것을 특징으로 하는 보행 패턴 생성 장치.
  3. 제2항에 있어서, 상기 클러스터링 실행부는, 상기 신체 특징점 데이터들 간의 유사도와 상기 클러스터들 간의 유사도를 판단하기 위해, 2개의 신체 특징점 데이터들 간의 거리 지표로서 유클리드(Euclidean) 거리 지표를 사용하며, 2개의 클러스터들 간의 거리 지표로서 하나의 클러스터를 구성하는 각 신체 특징점 데이터들과 다른 클러스터를 구성하는 각 신체 특징점 데이터들 간의 모든 가능한 쌍(pair)을 만들어, 그 쌍들 간의 거리 평균을 계산하는 평균 거리(average distance) 지표를 사용하는 것을 특징으로 하는 보행 패턴 생성 장치.
  4. 제1항에 있어서, 상기 보행 패턴 생성부에서 생성된 대표적 보행 패턴은 시계열(time series) 데이터인 것을 특징으로 하는 보행 패턴 생성 장치.
  5. 보행 관련 신체 특징점들과 하지 특징 요소들들을 선정하는 단계;
    선정된 신체 특징점들과 하지 특징 요소들을 연관시켜서 보행 패턴에 관한 데이터들을 획득하는 단계;
    상기 신체 특징점들 간의 유사도를 기준으로 상기 보행 패턴에 관한 데이터들을 분류함으로써 계층화된 클러스터들을 생성하여 저장하는 단계; 및
    상기 계층화된 클러스터들 각각에 저장된 데이터들의 평균적인 보행 패턴을 산출하여 각각의 클러스터들의 대표적 보행 패턴을 생성하는 단계를 포함하는 것을 특징으로 하는 보행 패턴 생성 방법.
  6. 제5항에 있어서, 상기 계층화된 클러스터들을 생성하여 저장하는 단계는,
    상기 신체 특징점들이 조합된 신체 특징점 데이터들 간의 유사도와 상기 클러스터들 간의 유사도를 판단하기 위해, 2개의 신체 특징점 데이터들 간의 거리 지표로서 유클리드(Euclidean) 거리 지표를 사용하며, 2개의 클러스터들 간의 거리 지표로서 하나의 클러스터를 구성하는 각 신체 특징점 데이터들과 다른 클러스터를 구성하는 각 신체 특징점 데이터들 간의 모든 가능한 쌍(pair)을 만들어, 그 쌍들 간의 거리 평균을 계산하는 평균 거리(average distance) 지표를 사용하는 것을 특징으로 하는 보행 패턴 생성 방법.
KR1020120128653A 2012-11-14 2012-11-14 보행 패턴 생성 장치 및 방법 KR101340085B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020120128653A KR101340085B1 (ko) 2012-11-14 2012-11-14 보행 패턴 생성 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020120128653A KR101340085B1 (ko) 2012-11-14 2012-11-14 보행 패턴 생성 장치 및 방법

Publications (1)

Publication Number Publication Date
KR101340085B1 true KR101340085B1 (ko) 2013-12-09

Family

ID=49988014

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020120128653A KR101340085B1 (ko) 2012-11-14 2012-11-14 보행 패턴 생성 장치 및 방법

Country Status (1)

Country Link
KR (1) KR101340085B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160031246A (ko) * 2014-09-12 2016-03-22 삼성전자주식회사 보행 환경 인식 방법 및 장치
KR20220144186A (ko) * 2021-04-19 2022-10-26 고려대학교 세종산학협력단 개인별 보행 패턴 기반의 생체 인증 시스템 및 그 방법

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005006751A (ja) 2003-06-17 2005-01-13 Yaskawa Electric Corp 歩行訓練装置
KR100703292B1 (ko) 2006-02-15 2007-04-03 삼성전자주식회사 적응형 보폭 추정 장치 및 방법
KR20120050642A (ko) * 2010-11-11 2012-05-21 한양대학교 산학협력단 초기 클러스터링을 사용한 병합식 계층적 클러스터링 방법 및 장치
KR20130058442A (ko) * 2011-11-25 2013-06-04 한국과학기술연구원 신체 체형 맞춤형 보행 교정 시스템 및 방법

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2005006751A (ja) 2003-06-17 2005-01-13 Yaskawa Electric Corp 歩行訓練装置
KR100703292B1 (ko) 2006-02-15 2007-04-03 삼성전자주식회사 적응형 보폭 추정 장치 및 방법
KR20120050642A (ko) * 2010-11-11 2012-05-21 한양대학교 산학협력단 초기 클러스터링을 사용한 병합식 계층적 클러스터링 방법 및 장치
KR20130058442A (ko) * 2011-11-25 2013-06-04 한국과학기술연구원 신체 체형 맞춤형 보행 교정 시스템 및 방법

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160031246A (ko) * 2014-09-12 2016-03-22 삼성전자주식회사 보행 환경 인식 방법 및 장치
KR102292683B1 (ko) 2014-09-12 2021-08-23 삼성전자주식회사 보행 환경 인식 방법 및 장치
US11234890B2 (en) 2014-09-12 2022-02-01 Samsung Electronics Co., Ltd. Method and apparatus for recognizing gait task
KR20220144186A (ko) * 2021-04-19 2022-10-26 고려대학교 세종산학협력단 개인별 보행 패턴 기반의 생체 인증 시스템 및 그 방법
KR102601940B1 (ko) * 2021-04-19 2023-11-14 고려대학교 세종산학협력단 개인별 보행 패턴 기반의 생체 인증 시스템 및 그 방법

Similar Documents

Publication Publication Date Title
Chen et al. Surface EMG based continuous estimation of human lower limb joint angles by using deep belief networks
Oliveira et al. Modular organization of balance control following perturbations during walking
Seminati et al. Anatomically asymmetrical runners move more asymmetrically at the same metabolic cost
US20200261023A1 (en) Ascertaining, Reporting, and Influencing Physical Attributes And Performance Factors of Athletes
Vaughan et al. Neuromaturation of human locomotion revealed by non-dimensional scaling
Bruening et al. Whole body kinematic sex differences persist across non-dimensional gait speeds
Lim et al. Natural gait parameters prediction for gait rehabilitation via artificial neural network
KR101340085B1 (ko) 보행 패턴 생성 장치 및 방법
Dao et al. Interactive and connected rehabilitation systems for e-Health
JP2023528389A (ja) ユーザのモビリティ及び治療の向上のための方法
Arch et al. Passive-dynamic ankle-foot orthoses with personalized bending stiffness can enhance net plantarflexor function for individuals poststroke
TWI704528B (zh) 騎乘姿勢分析系統與方法
CN104881831A (zh) 网络医院中基于人体部位的导诊方法和系统
JP2007160088A (ja) 治療ポイント表示用人体模型装置及び治療ポイント検索に人体模型装置を使用する方法
Muñoz et al. Predictive simulation of sit-to-stand based on reflexive-controllers
Kambic et al. Joint-level coordination patterns for split-belt walking across different speed ratios
CN110415812A (zh) 基于人工智能和互联网技术的智能脑卒中辅助诊疗机器人系统
Pan et al. Primitive muscle synergies reflect different modes of coordination in upper limb motions
CN104951530A (zh) 一种基于智能设备的拉伸练习数据推送方法及推送系统
KR20140140997A (ko) 표준 인체형상을 이용한 체형 맞춤형 컴프레션 웨어의 설계 방법 및 장치
Luu et al. Subject tailored gait pattern planning for robotic gait rehabilitation
Lim et al. Gait planning for effective rehabilitation-From gait study to application in clinical rehabilitation
Ma et al. Bound foot metatarsals skeletal rays kinematics information through inverse modelling
Frayne et al. Synergistic control of hand position, velocity, and acceleration fluctuates across time during simulated Nordic skiing
KR102584715B1 (ko) 경근 활성도 평가 장치 및 방법

Legal Events

Date Code Title Description
A201 Request for examination
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20161201

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20171201

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20181203

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20191203

Year of fee payment: 7