KR101449604B1 - 비모수적 베이지언 모션 인식 방법 및 그 장치 - Google Patents

Abstract

가속도 센서, 자이로 센서 등 인체의 모션을 측정할 수 있는 센서로부터 모션 측정 데이터를 수집하고, 수집된 데이터를 통계적으로 분석하여 모션을 인식하는 방법 및 장치가 제공된다. 본 발명에 따른 모션 인식 장치의 모션 인식 방법은 모션 측정 데이터를 인식 대상자에 부착된 센서로부터 수신하는 단계, 상기 모션 측정 데이터로부터 경사각 합산값(TAS), 가속도 분산 값의 합산값(SVA) 및 경사각의 자기 상관 계수(ACT)를 연산하는 단계, 상기 TAS, SVA, ACT로 구성되는 데이터 포인트의 분포를 무한 가우시안 혼합 모델을 이용하여 모델링하는 단계 및 상기 모델링된 데이터 포인트를 붕괴 깁스 샘플링(collapsed Gibbs sampling)을 이용하여 무한 가우시안 혼합 모델에 대한 사후 분포를 추정함으로써 비모수적 베이지안 클러스터링하는 단계를 포함한다.

Description

비모수적 베이지언 모션 인식 방법 및 그 장치 {Non-parametric Bayesian motion recognition method and the apparatus thereof}

본 발명은 비모수적 베이지언 모션 인식 방법 및 그 장치에 관한 것이다. 보다 자세하게는 가속도 센서, 자이로 센서 등 인체의 모션을 측정할 수 있는 센서로부터 모션 측정 데이터를 수집하고, 수집된 데이터를 통계적으로 분석하여 모션을 인식하는 방법 및 장치에 관한 것이다.

인간 모션 인식(Human Motion Recognition; HMR) 기술은 헬스케어, 게임, 스포츠, 개인 기록 등 여러 가지 응용이 가능한 측면에서 최근 활발하게 연구되고 있는 분야이다. 그런데, 인간의 모션은 매우 다양하여 몇 개의 종류로 특정하기 어려운 점이 기술 개발의 걸림돌이 되고 있다.

이와 관련하여, 움직임 인식 도메인에서의 접근법이 제시되고 있다. 문헌 "Khan, A.M.; Lee, Y.K.; Kim, T.S. Accelerometer signal-based human activity recognition using augmented autoregressive model coefficients and artificial neural nets.30th Annual International Conference of the IEEE Engineering in Medicine and Biology Society, EMBS, 2008, 12, 5172-5175."에 따르면 가속도계에서 구한 3차원 데이터의 자동회귀 (AR) 모델을 사용하여 모션 인식을 수행한다. 상기 문헌에서는, AR 모델을 센서 판독으로 얻은 신호-크기-영역 및 기울기 각도와 결합시켜, 모든 변수들이 상이한 걸음걸이 분류에 대한 하나의 특징 공간을 구성하였다. 이러한 특징들은 서있기, 달리기, 눕기 등과 같은 정해진 개수의 사람의 움직임을 구분하는데 이용되었다. 상기 문헌에서는 상당히 향상된 검출 속도 (95 % 내지 99%)를 달성할 수 있었다. 그러나, 새로운 움직임이 합해지면 검출 속도는 감소하는 문제점이 있다.

또 다른 문헌 "Khan, A.M. ; Lee, Y.K. ; Lee, S.Y. A triaxial accelerometer-based physical-activity recognition via augmented-signal features and a hierarchical recognizer. IEEE Transactions on Information Technology in Biomedicine, 2010, 14, 1166-1172"에서는 10가지 이상의 걸음걸이에 대한 움직임 인식을 다루는 상당히 빠른 속도의 장치를 제시하였다. 이 문헌에서는 특징들을 추출하기 위해서 선형 판별 해석 (Linear discriminant analysis)을 포함시켰다. 상기 문헌에서는 분류에 대한 위계적인 인식 방법을 제시하였고 전환 상태 변화 검출을 연구하였다. 광범위한 움직임들은 세 개 범주: 즉, 1) 정적 움직임 (서기, 앉기), 2) 전환 움직임 (앉았다 일어서기, 걷다 멈추기 등), 3) 동적 움직임 (달리기, 걷기 등)으로 나누었다. 이때의 정확도는 97%였지만, 분류에 고려된 것은 정해진 개수의 움직임이다. 즉, 상기 문헌에서도 측정 가능한 모션은 특정 종류의 것으로 제한된다.

실제로, 사람의 움직임은 시간에 따라 움직임의 개수가 변한다는 점에서 동적인 것이다. 예를 들어, 어느 순간 한 사람이 친구와 함께 서 있다가 약간의 시간이 지난 후에 걷기 시작한다. 그 사람은 사이클 타기를 시작할 수 있고 사이클 타는 중에 넘어질 수 있다. 한 사람이 수행하는 여러 움직임의 흐름은 시간에 따라 변동될 수 있고 개인별로 다를 수 있어서, 움직임 인식 장치가 익숙하지 않은 움직임에 접하게 될 가능성이 매우 높다.

다시 말해서, 인간 모션은 비모수적인(non-parametric) 방식을 통하여만 통계적으로 분석될 수 있을 가능성이 높다. 따라서, 고정된 개수의 움직임에 의존하는 대신에, 기 지정된 몇몇 개의 움직임에 제한되지 않고 사람의 움직임 행동을 인식할 수 있는 모션 인식 방법 및 장치의 제공이 요구된다.

본 발명이 해결하고자 하는 기술적 과제는 시간에 따라 변하는 사람의 움직임의 동적이고 예측할 수 없는 특성을 설명하기 위하여 새로 관찰된 움직임의 탐색 및 클러스터링을 수용할 수 있을 만큼 유연한 비모수적 통계 분석 방식의 모션 인식 방법 및 장치를 제공하는 것이다.

본 발명이 해결하고자 하는 다른 기술적 과제는 센서 장치에 독립적이고 특정 모션에만 종속되는 특성치(feature value)를 이용하여 모션을 인식하는 방법 및 장치를 제공하는 것이다.

본 발명이 해결하고자 하는 또 다른 기술적 과제는 인식 장치들 간의 어떤 프로토콜이나 상호 협력을 필요로 하지 않는 모션 인식 방법 및 장치를 제공하는 것이다.

본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해 될 수 있을 것이다.

상기 언급된 본 발명의 기술적 과제들을 해결하기 위한 본 발명의 일 태양(ASPECT)에 따른 모션 인식 장치의 모션 인식 방법은 모션 측정 데이터를 인식 대상자에 부착된 센서로부터 수신하는 단계, 상기 모션 측정 데이터로부터 경사각 합산값(TAS), 가속도 분산 값의 합산값(SVA) 및 경사각의 자기 상관 계수(ACT)를 연산하는 단계, 상기 TAS, SVA, ACT로 구성되는 데이터 포인트의 분포를 무한 가우시안 혼합 모델을 이용하여 모델링하는 단계 및 상기 모델링된 데이터 포인트를 붕괴 깁스 샘플링(collapsed Gibbs sampling)을 이용하여 무한 가우시안 혼합 모델에 대한 사후 분포를 추정함으로써 비모수적 베이지안 클러스터링하는 단계를 포함한다.

본 발명의 다른 태양(ASPECT)에 따른 모션 인식 장치는, 모션 측정 데이터를 인식 대상자에 부착된 센서로부터 수신하는 데이터 수신부 및 상기 모션 측정 데이터를 상기 데이터 수신부로부터 제공받고, 상기 모션 측정 데이터로부터 모션을 인식하기 위한 연산을 수행하는 프로세서를 포함한다. 이 때, 상기 프로세서는, 상기 모션 측정 데이터로부터 경사각 합산값(TAS), 가속도 분산 값의 합산값(SVA) 및 경사각의 자기 상관 계수(ACT)를 연산하는 특징값 연산부와, 상기 TAS, SVA, ACT로 구성되는 데이터 포인트의 분포를 무한 가우시안 혼합 모델을 이용하여 모델링하는 데이터 모델링부와 상기 모델링된 데이터 포인트를 붕괴 깁스 샘플링(collapsed Gibbs sampling)을 이용하여 무한 가우시안 혼합 모델에 대한 사후 분포를 추정함으로써 비모수적 베이지안 클러스터링하는 클러스터링부를 포함한다.

상기 프로세서는 각각의 새로 입력된 상기 데이터 포인트가 어떤 클러스터에 포함되어 있는지를 바탕으로 모션 식별 정보를 생성하는 모션 인식 결과 생성부를 더 포함할 수 있다. 이 때, 상기 모션 인식 장치는, 상기 모션 식별 정보를 상기 모션 인식 결과 생성부로부터 제공받아 시각적 방식으로 모션 식별 정보를 디스플레이하는 방식 및 청각적 방식으로 모션 식별 정보를 디스플레이하는 방식 중 적어도 하나를 이용하여 인식된 모션에 대한 정보를 출력하는 모션 인식 결과 출력부를 더 포함할 수 있다.

상기와 같은 본 발명에 따르면, 고정되지 않은 개수의 모션을 검출 및 인식할 수 있는 효과가 있다.

또한, 높은 수준의 모션 검출 정확도를 달성할 수 있는 효과가 있다.

본 발명의 효과는 상기 기재된 것으로 제한되지 않으며, 본 발명의 실시예들로부터 당업자에게 명확하게 이해 될 수 있는 범위 내의 것으로 확장될 수 있다.

도 1은 본 발명의 일 실시예에 따른 모션 인식 방법의 순서도이다.
도 2a는 본 발명의 일 실시예에 따른 모션 인식용 센서의 측정치 기준 축을 나타낸 도면이다.
도 2b는 본 발명의 일 실시예에 따른 모션 인식용 센서의 측정치를 나타낸 도면이다.
도 3은 도 1에 도시된 모션 인식 방법에 따른 3개의 특징 값에 의하여 형성되는 3차원 공간 상에 서로 다른 모션이 배치되는 것의 예시도이다.
도 4a는 유한 가우시안 혼합 모델(FGMM)의 개념도이다.
도 4b는 무한 가우시안 혼합 모델(IGMM)의 개념도이다.
도 5는 본 발명의 일 실시예에 따른 모션 인식 방법의 수도 알고리즘을 나타낸 도면이다.
도 6은 본 발명의 다른 실시예에 따른 모션 인식 장치의 블록 구성도이다.

이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시예를 상세히 설명한다. 본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 게시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 게시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.

다른 정의가 없다면, 본 명세서에서 사용되는 모든 용어(기술 및 과학적 용어를 포함)는 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 공통적으로 이해될 수 있는 의미로 사용될 수 있을 것이다. 또 일반적으로 사용되는 사전에 정의되어 있는 용어들은 명백하게 특별히 정의되어 있지 않는 한 이상적으로 또는 과도하게 해석되지 않는다.

먼저, 도 1을 참조하여 본 발명의 일 실시예에 따른 모션 인식 방법에 대하여 설명한다.

먼저, 모션 인식을 위한 센서로부터 모션 측정 데이터를 수집한다(S100). 상기 센서는 인식 대상자에 부착된 가속도 센서 및 자이로 센서 중 적어도 하나일 수 있다. 상기 가속도 센서는 도 2a, 2b에 도시된 바와 같이 인식 대상자의 3개 축에 대하여 가속도를 측정하는 것일 수 있다. 또한 상기 자이로 센서는 도 2a, 3b에 도시된 x, y, z 축 중 하나의 축에 대한 회전 각속도를 측정할 수 있다. 상기 자이로 센서는, 예를 들어 x축에 대한 회전 각속도를 측정할 수 있다. 이 경우 인체가 서있는 상태에서 회전하는 각속도를 측정할 수 있을 것이다.

본 실시예에 따르면 x, y, z 3개 축의 가속도 및 1개 축의 각속도를 합하여 총 4개의 값을 상기 모션 인식을 위한 센서로부터 수집할 수 있다.

다음으로, 종래 기술에 따른 방식, 예를 들어 신호를 필터링하여 이상 신호를 제거하는 방식 등에 의하여 상기 수집된 데이터의 노이즈를 제거할 수 있다(S102).

다음으로, 노이즈 제거 후의 수집된 데이터를 연산하여 3개의 특징 값(TAS, SVA, ACT)을 추출하고(S104), 추출된 특징 값을 이용하여 측정된 데이터를 모델링할 수 있다. 이 때 TAS(Tilt Angle Sum)는 경사각 합산값이고, SVA(Sum of the Variance of Accelerations)는 가속도 분산 값의 합산값이며, ACT(Autocorrelation Coefficient of Tilt angle)은 경사각의 자기 상관 계수이다. 상기 3개의 특징 값들은 사람의 모션 각각에 대해서 특유한 것들이고 이 모든 특징들은 사람의 모션에 의존적이다. 상기 3개의 특징 값을 연산하여 추출하는 방법에 대하여는 추후 자세히 설명한다.

상기 추출된 3개의 특징 값은 하나의 데이터 포인트를 구성한다. 각각의 데이터 포인트는 모델링(S106) 후, 특정 모션을 의미하는 특정 클러스터로 클러스터링된다(S108). 보다 자세하게는, 상기 데이터 포인트를 무한 가우시안 혼합 모델(IGMM) 방법으로 모델링한 후(S106), 모델링 된 데이터 포인트를 깁스 샘플러를 이용하여 비모수적 베이지안 클러스터링한다(S108). 클러스터링(S108)의 결과, 각각의 데이터 포인트는 특정 모션을 의미하는 특정 클러스터에 매칭되기 때문에, 결과적으로 모션을 인식하게 된다.

이하, 특징 값 추출 단계(S104)와 관련하여, 3개의 특징 값, TAS, SVA, ACT를 각각 어떻게 연산하는지 설명하기로 한다.

먼저, 상기 TAS 값을 연산하는 방법을 설명한다.

기울기 각도(Tilt Angle)란 공간상의 물체 기울기를 말한다. 상기 기울기 각도는 x 축과 중력 벡터 g 사이의 각도로 정의할 수 있다. 기울기 각도를 계산하는 데에는 가속도계를 흔히 사용한다. 이 각도는 가속도로부터 아래의 수학식 1과 같이 구할 수 있다.

상기 수학식 1에서 a = [a_x, a_y, a_z] 이고, a_x, a_y, a_z 는 각각 x, y, z 축 상에서의 가속도이다. 정확한 기울기 각도를 얻기 위해서, 이것들을 하나 이상의 자이로스코프와 결합할 수도 있다. x축에 대한 기울기 각도(φ) 및 y축에 대한 기울기 각도(ρ)는 아래에 나타난 바와 같이 3개 축 모두의 출력을 이용하여 동시에 감지될 수 있다.

특히, x축에 대한 기울기 각도의 누적합은 사람의 모션 대부분에 대한 독특한 행동을 따르는 중요한 특징이다. 기울기 각도는 동적인 조건의 사람의 모션 (달리기, 걷기, 넘어지기)에 비하여 정적인 조건하의 사람의 모션 (정지, 올라가기, 내려가기)의 특징 있는 행동을 보여준다. TAS는 아래의 수학식 4로 연산될 수 있다.

N을 획득된 전체 데이터 포인트라고 하고, W는 이동윈도우 크기라고 할 때, 상기 수학식 4에서 n 은 N개의 데이터 포인트 집합 중에서 윈도우 단위로 계산된 값의 개수이다. 데이터 포인트란 부착된 MEMS 가속도계로부터 기록된 관찰치이고, W 는 관찰치의 윈도우 크기(관찰 횟수)를 나타낸다. 예를 들어, W=512일 수 있다.

다음으로, 상기 SVA의 연산 방법을 설명한다.

대부분의 동적인 걸음걸이 (걷기, 달리기, 넘어지기)는 도 2a 및 2b에 도시된 x축 및 y축 방향으로의 가속도에 대하여 독출되는 신호크기가 유사하다. 그렇지만 각각의 분산은 서로 구별된다. 따라서, SVA는 상이한 동작을 구별함에 있어서 중요한 역할을 한다. 휴식 상태와 동작간의 구별을 위해서는 세 축상으로 독출되는 수치 모두는 이 특징으로 나타내어 질 수 있다.

본실시예에 따른 SVA는 x축 방향 가속도의 분산, y축 방향 가속도의 분산 및 z축 방향 가속도의 분산 모두를 합산하여 연산된다. 그 결과, 상기 SVA는 동적 모션 및 정적 모션을 효율적으로 분리시켜준다. SVA Ψ(n)는 아래의 수학식 5와 같이 연산될 수 있다.

위 식에서 Ψ(n) 는 윈도우 단위로 계산된 SVA 값이다. a_x(t), a_y(t) 및 a_z(t)는 각각 x축, y축, and z축 샘플들에서의 가속도 성분을 나타낸다. 이러한 특징은 각 샘플링 된 값을 점진적으로 더함으로써 계산된다. 이러한 특징으로부터 구한 값은 고려되는 인간의 동적 및 정적 동작에 대해서 가변 되는 값이다.

이하, 상기 ACT의 연산 방법에 대하여 설명하기로 한다.

일반적으로, 신호의 자기상관도(autocorrelation)는 관찰치 사이의 시간 분리 함수를 이용하여 관찰치 사이의 유사성을 측정하는 것이다. 자기상관도 측정의 목표는 시간 도메인 신호에서의 반복 패턴을 알아내는 것이다. Φ를 반복 가능한 무작위 프로세스라 보고, i는 이 과정이 시작된 이후의 시점을 나타낸다고 할 때, Φ_i는 시간대 i에서 구현된 프로세스이다. 모든 시간대 i 에 대하여 평균 μ와 분산 σ값을 가지기 위하여 이 프로세스는 기 지정된 것으로 가정하면, 시간 a와 b 사이의 자기 상관계수(autocorrelation coefficient)는 다음과 같이 정의 할 수 있다.

상기 수학식 6에서 E 는 기대 값이고, 자기 상관도에 대한 식은 분산이 0 또는 무한대일 수 있는 경우에는 명확하게 정의되지 않는다. 그러나 본 발명에 따른 데이터 집합은 인간의 모션을 측정한 데이터이고, 인간의 모션에 따른 측정 신호에는 한계가 명확하기 때문에, 분산이 적어도 명확한 범위 내의 값을 가지는 것으로 볼 수 있다. 따라서, 본 발명에 따른 데이터 집합은 자기 상관 계수를 구할 수 있다. 본 발명에 따른 ACT(△(n))는 아래의 수학식 7으로 연산된다.

위 식에서 △(n)는 윈도우 단위로 계산된 ACT 값이다. 또한, Φ_i는 타임스탬프 i에서의 TAS 값이다.

본 발명에서 각 모션에 대응하는 각각의 클러스터들은 각 클러스터 고유의 하이퍼-파라미터 집합의 분포로 모델링할 수 있다. 각 하이퍼-파라미터 집합은 고유의 클러스터와 매칭 된다. 즉, 클러스터란 고유의 하이퍼-파라미터 집합을 갖는 사람의 특정 모션을 말한다. 상기 하이퍼-파라미터는 베이지안 통계에서 사전 분포의 모수를 가리킨다.

도 3은 TAS, SVA, ACT 값이 x, y, z 축을 이루는 3차원 공간을 통한 사람의 모션 인식을 도시한다. 도 3에 도시된 바와 같이, TAS, SVA, ACT 값은 사람의 모션을 효과적으로 클러스터링 할 수 있도록 한다.

본 발명에서 모션 추정에 사용되는 데이터 단위는 상기 TAS, SVA 및 ACT를 포함하는 데이터 포인트이다. 상기 데이터 포인트가 N개 있다고 가정하면 전체 데이터 포인트는

이고 (

= [

,

,...,]), 본 명세서에서 각 데이터 포인트(

)는 TAS, SVA, ACT 각각의 수치를 포함하는 3차원의 벡터를 의미한다.

상기 데이터 포인트를 표현하고 모델링 하기 위한 방법론으로, 생성 모델(generative model) 및 판별 모델(discriminant model)을 사용할 수 있다. 본 발명에서는 상기 생성 모델을 이용하여 상기 데이터 포인트에 포함된 3가지 특징 값(TAS, SVA, ACT)의 공간을 모델링 한다.

상기 생성 모델은 숨겨진 변수가 주어진 관찰 가능한 데이터를 임의로 생성하는데 사용되는 모델이다. 상기 생성 모델은 관찰치(observation)와 라벨 상의 조인트 분포를 특정한다. 상기 생성 모델은 기계 학습에 있어서 데이터를 직접적으로 모델링하고, 조건화된 확률 밀도 함수를 형성한다.

생성 모델의 예로는 가우시안 혼합 모델(Gaussian Mixture Model; GMM), HMM, 순수 베이즈 (Naive Bayes; (NB)) 및 잠재 디리클레 할당 (Dirichlet Allocation) 등이 있다. 상기 가우시안 혼합 모델은 유연성이 있고 숨겨진 클러스터의 수가 미정인 경우로 쉽게 확장될 수 있는 장점을 가진다. 따라서, 본 발명에서는 상기 데이터 포인트를 모델링하기 위하여 상기 가우시안 혼합 모델을 사용한다.

상기 가우시안 혼합 모델에는 유한 가우시안 혼합 모델(Finite Gaussian Mixture Model, 이하 "FGMM"이라 함)과 무한 가우시안 혼합 모델(Infinite Gaussian Mixture Model, 이하 "IGMM"이라 함)이 있다. 클러스터의 개수가 기 지정된 것일 때는, FGMM이 사용되고, 반면에 클러스터의 개수에 대한 사전 지식이 없는 경우에는 IGMM이 사용될 수 있다. 본 발명에서 각각의 클러스터는 사람의 특정 모션에 대응하는 점은 이미 설명한 바 있다.

본 발명에서는 IGMM을 이용하여 상기 데이터 포인트를 모델링 한다. IGMM을 이용하여 상기 데이터 포인트를 모델링하는 것을 설명하기 이전에, 이해를 돕기 위하여 가우시안 혼합 모델에 사용되는 개념인 디리클레 분포(Dirichlet Distribution) 및 FGMM을 이용한 데이터 포인트 모델링을 설명하기로 한다.

먼저, 상기 디리클레 분포에 대하여 설명한다.

디리클레 분포는 카테고리적 다항 분포의 켤레 사전 분포(conjugate prior)이고, 디리클레 분포에 따른 확률 분포 함수는 가우시안 혼합 모델을 구성하는 K 개의 성분 (클러스터) 에 대한 확신을 주기 때문에 베이지언 추론 엔진에서 사전 분포(prior distribution)로 사용된다.

파라미터 α₁, α₂, ..., α_K > 0 인 차수 K≥2 의 디리클레 분포는 아래의 수학식 8으로 주어지는 유클리드 공간 R^{K -1} 상의 르베그 측도 (Lebesgue measure)에 대한 확률 분포 함수 f(o₁, o₂, …, o_{k -1})를 가진다.

여기서, o₁, o₂, o₃, ..., o_{K -1} > 0 는 o₁ + o₂ + o₃ + ... + o_{K -1}< 1 를 만족한다. B(α)는 아래 수학식 9와 같이 감마 함수(gamma function)로 표현되는 다항 베타 함수(polynomial beta function)이다.

이때, α는 집중 파라메터(concentration parameter)이다.

이하, 도 4a에서 도시되는 유한 가우시안 혼합 모델 (FGMM)에 대하여 설명한다.

유한 가우시안 혼합 모델 (FGMM)은 가중된 다변수 가우시안 임의 변수들에 의한 숨겨진 변수의 확률모델이다. FGMM은 숨겨진 변수들이 클래스 라벨로 해석되는 경우에 다모드 확률 밀도 예측 및 데이터 포인트를 클러스터링하기 위한 정확한 근사화를 제공한다. FGMM은 모든 데이터 포인트들이 미정의 파라미터를 가진 유한개의 가우시안 분포를 따르는 것으로 가정한다.

가우시안 혼합 모델에서, 각 클러스터는 하나의 데이터 포인트를 클러스터 k로 할당하는 확률인 가중치

를 구성한다. 이때,

= [ω₁, ω₂, ω₃, ..., ω_N]이다. 가우시안 혼합 모델은 각 클러스터에 대응되는 매개 변수를 가지는 멀티-모달 확률 분포(multi-modal probability distribution)이므로, 각 클러스터는 파라미터

(

는 그 평균이

이고, 공분산이 Σ_K인 벡터)를 갖는 가우시안 분포를 가진다. 각 데이터 포인트는 데이터 포인트 o_i 가 어느 클러스터 K 에 속하는 지를 나타내는 라벨 c_i 와 연관되어 있다.

FGMM는 아래의 수학식 10, 11과 같이 표현될 수 있다. 이하, 본 명세서의 수식에서 "A|B ~ C"는 A|B의 확률로 C의 분포를 만들어 내는 과정을 의미한다. 또한 "D ~ C"는 D의 확률로 C의 분포를 만들어 내는 과정을 의미한다.

상기 수학식 10에서 하이퍼-파라미터

는 사전 지식(prior knowledge)을 나타내는 파라미터이다. 본원 발명에 따른 하이퍼-파라미터

는 상기 데이터 포인트에 대한 사전 지식을 포함한다. 상기 하이퍼-파라미터

는 사후 예측을 위한 계산을 단순화하기 위해 켤레 사전 분포(conjugate prior)를 사용할 필요가 있는 경우에 발생한다. 기저 장치(underlying system)을 지배하는 실제의 파라미터들은

인 반면, 하이퍼-파라미터들은 참인 데이터를 정확히 예측하는 경향이 있다. 이 때, 시퀀스 벡터

은 [

,

, ...,

]인 것으로 한다.

인식 대상 모션의 수가 고정된 것이 때 FGMM은 유효하지만, 본 발명에 따르면 클러스터의 개수가 제한되지 않는다. 따라서, 고정된 사전 분포

를 가지지 않은 유연한 모델을 가지고 있을 필요가 있다. 따라서

는 모델 유연성을 부여하는 기준 분포

를 따른다.

이상, FGMM을 이용한 데이터 포인트 모델링을 설명하였다. 본 발명에 따르면 사람의 모션 개수가 기 지정된 것이 아니고, 관측 시간이 축적됨에 따라 모션 개수는 증가할 수 있다. 따라서, 본 발명의 일 실시예에 따른 모션 인식 방법에서는 FGMM을 이용한 데이터 포인트 모델링 방법이 적합하지 않다. 따라서, 본 발명의 일 실시예에 따른 모션 인식 방법에서는 데이터 포인트의 모델링을 위하여 IGMM을 이용한다.

이하, 도 4b를 참조하여 IGMM 및 IGMM을 이용한 데이터 포인트의 모델링을 설명하기로 한다.

IGMM은 FGMM의 확장 모델로, 클러스터의 수(=K)는 무한대 (∞)를 향한다. 한 사람이 취할 수 있는 모션 개수는 한계가 있는 (유한한) 것이므로 클러스터의 개수는 셀 수 있는 무한(countable infinite)으로 향하는 경향이 있는 것으로 가정한다. 따라서, IGMM은 측정된 데이터 포인트들을 생성 모델(generative model) 방식으로 모델링할 수 있다.

도 4(b) 는 클러스터의 개수가 무한대로 향함에 따른 IGMM를 도시한 것이다. FGMM에서는, 가중치

은 클러스터의 개수 K에 종속된다. 즉, 클러스터의 개수 K가 증가함에 따라

의 값도 변경된다.

을 적분 될 무한대 차원의 모델을 구하는 것도 가능해진다. 디리클레 사전 분포(Dirichlet prior)가 개별 다항 우도의 켤레이므로, 디리클레 사전 분포로 인해

가 특정 값으로 수렴될 수 있다. 켤레 사전 분포(Conjugate prior)를 사용하면 복잡한 적분을 연산하는 데 도움이 된다. IGMM은 아래의 수학식 12와 같이 나타낼 수 있다. 아래의 수학식 12에서, "c_k,

"는 c_k 와

의 결합 확률을 나타낸다.

상기 수학식 12에서

∼

와 다변수 정규화에 대한 켤레 사전 분포(Conjugate prior)는 역-위사트 무작위 변수 (Inverse-Wishart random variable)이다. 상기 역-위사트 무작위 변수에 대하여는 "Gelman, A; Carlin, J.B; Stern, H.S; Rubin, D.B. Bayesian data analysis. CRC press, 2004 pg-88."을 참조할 수 있다. 상기 역-위사트 무작위 변수는 아래 수학식 13과 같이 표현된다.

상기 수학식 12에서 스틱-파괴 프로세스(Stick(α))(Stick-breaking process)는 베타(beta) 분포를 따르고 아래의 수학식 14와 같이 나타낼 수 있다.

상기 스틱-파괴 프로세스에 대하여는 인용 문헌 "http://en.wikipedia.org/wiki/Dirichlet_process#The_stick-breaking_process"를 참조할 수 있다.

상기 수학식 14에서 ω′는 각 클러스터에 대한 초기 확률이다. 다변수 정규 분포에 대한 켤레 선행 분포(Conjugate prior)는 역-위사트 (Inverse-Wishart) 분포이다.

상기 모델에 대한 사전 하이퍼-파라미터는

= {μ_o, κ_o, υ_o, Λ_o }로 주어진다. 모션 분로를 만들기 위하여 위하여 사용되는 파라미터(본 발명에서는 평균과 분산을 사용)를 θ라하고, θ를 이용하여 분포(

)를 만들면 H의 평균, 분산 등이 상기 하이퍼-파라미터로 사용된다.

본 실시예에서, 상기 스틱 파괴 프로세스는 IGMM 에서 가변적인 수의 클러스터 측면에서 유연성을 모델링하여 제공하기 위하여 사용된다. 상기 스틱 파괴 프로세스에서는 각 스틱이 로 표현되는 단위 길이(ω_i)를 가지는 것으로 가정한다.

상기 스틱 파괴 프로세스는 스틱(stick)을 베타 분포를 사용하여 모델링한 두 개의 부분으로 파괴(break)하는 것으로 시작하는데, 이 두 개 부분들 중의 하나의 길이는 가중치에 해당하는 ω₁이다. 같은 과정이 스틱의 나머지 부분 (1 - ω₁)에 대해서도 반복된다. 이미 설명한 바 있는 셀 수 있는 무한(countable infinite)의 개념이 스틱 파괴 프로세스의 형태로 실현된다.

본 실시예에 따르면, 각각의 모션 k가 파라미터

를 갖는 각각의 클러스터 k에 대응한다. 상기 클러스터 k에 대한 파라미터 벡터는

및 Σ_k로 구성된다. 혼합 가중치 (

) 는 상기 스틱 파괴 프로세스를 통하여 연산된다. 이미 설명한 바와 같이,

는 하나의 데이터 포인트가 클러스터 k에 속할 확률이다. 상기 수학식 14에서의 α는 모델 파라미터에 대한 신뢰도(confidence)이다.

이상으로 데이터 모델링에 대하여 설명하였다. 이하, 데이터를 깁스 샘플링을 이용한 비모수적 베이지언 추론에 의거하여 상이한 클러스터들로 클러스터링하는 방법을 설명한다.

각 데이터 포인트

에 대한 라벨

= [c₁, c₂, ..., c_N] (c_i 는 데이터 포인트 o_i 가 어느 클러스터 K 에 속하는 지를 나타낸다.)을 정의한다. 본 발명에 따른 비모수적 베이지언 추론을 통하여, 추론된 모션 개수와 각 데이터 포인트 o_i가 어떤 모션의 결과인지를 알 수 있다. 즉, 본 발명에 따른 비모수적 베이지언 추론은 상기

를 알아내는 것을 목적으로 한다.

IGMM 는 상기 문헌들에서 기술한 전집치 추정(parameter estimation)을 위한 수많은 접근법에 의하여 확장될 수 있는 일반적인 모델이다. 예를 들어, 전집치 추정을 위하여 클러스터링을 위한 IGMM과 함께 기대 최대화 방법 (EM), 마코프 체인 몬테 카를로 알고리즘(이하, "MCMC"라 함)("http://en.wikipedia.org/wiki/Markov_chain_Monte_Carlo" 참조), 모멘트 매칭, 스펙트럼 방식 등의 방법을 이용할 수 있다. 이하, 상기 전집치 추정을 위하여 상기 MCMC를 이용하는 것으로 전제한다. 전집치 추정을 위하여 상기 MCMC를 이용하는 경우, 클러스터링 정확도가 높은 효과가 있다.

상기 MCMC는 상기 데이터 포인트에 대한 추론을 이끌어내기 위한 깁스 샘플링 알고리즘("Ishwaran, H; James, L.F. Gibbs sampling methods for stick-breaking priors. Journal of the American Statistical Association, 2001, 96, 161-173" 참조)으로 구현된다.

상기 깁스 샘플링 알고리즘에 따르면 전집치(parameter)들이 통합되어 처리되기 때문에 연산의 복잡도(complexity)가 줄어든다. 하나 이상의 랜덤 변수에 대한 동시 확률 분포(joint probability distribution)에서 일련의 무작위 샘플을 구하기 위해 깁스 샘플러가 이용된다. 상기 일련의 무작위 샘플들은 동시 확률 분포 또는 미정의 전집치 근사치를 계산하거나, 적분치를 계산("Ishwaran, H; James, L.F. Gibbs sampling methods for stick-breaking priors. Journal of the American Statistical Association, 2001, 96, 161-173" 참조)하기 위해 이용될 수 있다.

상기 설명된 바와 같이, 본 발명에 따른 비모수적 베이지언 추론은 상기 라벨

를 알아내는 것을 목적으로 한다. 본 실시예에 따르면 상기 동시 확률 분포를 알아내는 대신에

를 계산한다.

는 i번째 데이터 포인트를

라고 할 때,

가 k일 확률과 i를 제외한 나머지 모션 분포의 concentration parameter와 상기 하이퍼 파라미터의 결합 확률을 의미한다.

베이즈 법칙을 적용하면 아래 수학식 15와 같이

를 계산할 수 있다.

상기 식에서

는 학생 t-분포(Student's t-distribution)이다. 상기 학생 t-분포에 대하여는 http://en.wikipedia.org/wiki/Student_t-distribution에 기재된 사항을 참조한다. 상기 학생 t-분포는 샘플 크기가 작고 모집단 표준 편차가 미정인 경우, 정상적으로 분포된 모집단의 평균을 계산하는 데 이용된다. 상기 식에서 P(c_i = k|

_-i, α)의 계산은 추후 설명된다.

IGMM을 이용하여 모델링된 데이터를 클러스터링하는 것을 설명하기 전에, 이해의 편의를 위하여 FGMM을 이용하여 모델링된 데이터를 클러스터링하는 것을 설명한다.

FGMM의 맥락에서, 클러스터의 개수는 고정되어 있고, K라고 가정한다. 여기서 관심있는 수치는 K 개의 클러스터에 대한 P(c_i = K|, α)이다. FGMM은 상기 수학식 10으로 모델링 된다.

N 개의 데이터 포인트가 클러스터화된 상태에서, 새로운 모션 측정 데이터 포인트

이 수신된 경우,

를 클러스터 k로 할당하는 확률은 아래의 순차적인 수학식 17 내지 20과 같다.

수학식 19는 는

의 기대치이다. 수학식 20으로는 새로운 데이터 포인트를 기존의 클러스터들에 할당하게 되는 한계 확률을 구할 수 있다. 여기서 는 클러스터 k에 있는 데이터 포인트 개수이다. 가중치들의 사후 분포는 업데이트된 사전 전집치(prior parameter)를 가지는 디리클레 분포이다. 가중치들의 사후 분포에 대하여는 "Ishwaran, H; James, L.F. Gibbs sampling methods for stick-breaking priors. Journal of the American Statistical Association, 2001, 96, 161-173."를 참조할 수 있다.

상기 o_{N +1} 에 대한 클러스터 할당은 문헌 "Ahmed, M.E; Song, J.B.; Nguyen, N.T.; Han, Z. Nonparametric Bayesian Identification of Primary Users Payloads in Cognitive Radio Networks. IEEE International Conference on Communication, ICC12, 2012."과 문헌 "Nguyen, N; Zheng, R; Han, Z. On Identifying Primary User Emulation Attacks in Cognitive Radio Systems Using Nonparametric Bayesian Classification. IEEE Transactions on Signal Processing, 2012, 99, 5172-5175."을 참조할 수 있다.

따라서, N 개의 데이터 포인트가 클러스터화된 상태에서, 새로운 모션 측정 데이터 포인트

이 수신된 경우,

를 클러스터 k로 할당하는 확률은 아래의 수학식 22와 같다.

상기 수학식 22에서 n_k 는 클러스터 k에 포함된 데이터 포인트 개수이다.

이하, 본 실시예에 따른 모션 인식 방법에서, IGMM에 의하여 모델링된 데이터 포인트를 이용하여 모션을 인식하는 방법을 설명하기로 한다.

K → ∞ 일 때, FGMM이 IGMM으로 변환된다. 문헌 "Ahmed, M.E; Song, J.B.; Nguyen, N.T.; Han, Z. Nonparametric Bayesian Identification of Primary Users Payloads in Cognitive Radio Networks. IEEE International Conference on Communication, ICC12, 2012."과 문헌 "Nguyen, N; Zheng, R; Han, Z. On Identifying Primary User Emulation Attacks in Cognitive Radio Systems Using Nonparametric Bayesian Classification. IEEE Transactions on Signal Processing, 2012, 99, 5172-5175."에는, K → ∞ 일 때 하기 수학식 23이 성립하는 점이 기재되어 있다.

상기 식에서 우변은 데이터 포인트 N + 1 이 클러스터 k에 속할 가능성을 나타낸다. 그러나, 상기 비모수적 베이지언 추론의 교환 가능성 때문에, 동시 확률을 변경하지 않고도 N + 1을 임의의 수 i로 바꿀 수 있다. 비모수적 베이지언 추론의 교환 가능성과 관련하여 문헌 "Gelman, A; Carlin, J.B; Stern, H.S; Rubin, D.B. Bayesian data analysis. CRC press, 2004 pg-88."이 참조될 수 있다. 따라서, 수학식 24가 도출된다.

상기 식에서 m_{k ,-i} 은 k 번째 클러스터에 할당된 데이터 포인트 개수이다. 그런데, 수학식 24의 좌변은 기존의 클러스터(사람의 모션)에 사람의 모션을 할당할 확률을 나타낸다. 또한, 본실시예에 따른 모션 인식 방법에서는 기존에 감지되지 않은 새로운 모션이 감지될 가능성도 있고, 이러한 경우 이미 설명한 바와 같이, 새로운 모션에 따른 데이터 포인트는 기존의 클러스터에 따른 특징 값(TAS, SVA, ACT)과는 그 패턴이 다른 새로운 특징 값을 가진다. 새로운 모션의 감지는 하기 수학식 25에 주어진 확률로 모델링할 수 있다.

상기 수학식 25로부터, 데이터 포인트를 새로운 클러스터에 할당하는 확률은 1 에서 기존 클러스터들에 할당된 모든 확률의 합을 뺀 것과 같다는 것을 알 수 있다. 이 과정을 중식당 프로세스(Chinese restaurant process: CRP)이라 칭한다. 상기 "중식당 프로세스"와 관련하여, 문헌 " Wood, F; Black, M.J, A nonparametric Bayesian alternative to spike sorting. Journal of neuro-science methods, 2008, 173, 1-12."를 참조한다.

CRP에서 테이블(클러스터) 수와 특정 테이블에 앉은 손님(데이터 포인트) 수는 무한대일 수 있다. 식당에 도착한 최초의 손님은 항상 첫 테이블에 앉게 될 것이다. 그러나, 식당에 도착한 두 번째 손님이 이 첫 테이블에 앉고 싶어할 수도 있고 새로운 테이블을 선택할 수도 있으며, 이러한 프로세스는 이 식당에 도착하는 나머지 손님들에 대해서 계속될 것이다. 손님이 다른 손님이 이미 앉은 테이블에 앉을 확률은, 수학식 24에 주어진 대로 테이블 m_k에 이미 앉은 손님의 수에 따른다. 그러나, 새로운 테이블에 앉는 가능성은 수학식 25에 주어진 대로 α 에 비례한다.

라벨

의 샘플을 구하기 위하여 깁스 샘플러가 사용된다. N-1 개의 데이터 포인트를 관찰한 다음에, 베이즈 법칙을 사용하여 선행 분포 (priors)를 업데이트할 수 있다. 따라서, 하나의 데이터 포인트를 특정 클러스터 c_i에 할당하는 확률은 아래의 수학식 26으로 나타낼 수 있다.

상기 수학식 26에서

_-i는 클러스터 i 에 현재 할당된 데이터 포인트들 중 o_i를 제외한 것들의 집합이고, 수학식 26에서

는 CRP를 따르고,

는 파라미터가

인 가우시안 모델을 따른다. 하나의 데이터 포인트가 대표 클러스터에 속할 확률은 아래 수학식 27으로 나타낼 수 있다.

상기 수학식 27에서의 적분은 한계적 (marginal) 분포이고, 여기서

는 적분 된다. 켤레 사전 분포 (conjugate prior)를 사용하면 상기 적분이 추적가능 해진다. 게다가, 이미 설명한 바와 같이, 다변수 정규 분포의 켤레 사전 분포가 역-위샤트 분포이기 때문에 상기 파라미터

를 적분함으로써 문제의 샘플 크기를 줄일 수 있고, 상기 깁스 샘플러는 조기에 수렴된다.

따라서, 본 실시예에 따른 모션 인식 방법은, 우리는 줄어든 복잡도 측면에서 퍼포먼스를 향상시키기 위하여 붕괴 깁스 샘플러(collapsed Gibbs sampler)를 사용할 수 있다. 상기 붕괴 깁스 샘플러에 대하여는 문헌 "Liu, J.S, The collapsed Gibbs sampler in Bayesian computations with applications to a gene regulation problem. Journal of the American Statistical Association, 1994, 958-966"을 참조할 수 있다.

이미 설명한 바와 같이, 본 실시예에 따른 모션 인식 방법은 깁스 샘플러를 사용하여 무한 가우시안 혼합 모델에 대한 사후 분포를 추정한다. 따라서, 이미 설명한 바와 같이, 본 실시예에 따른 모션 인식 방법은 파라미터

를 적분하기 위하여 역-위샤트 (Inverse-Wishart) 분포를 사용한다. 붕괴 깁스 샘플링 접근법에서는 파라미터

가 적분된다. 따라서 사후 분포에 대한 폐쇄된 형태의 해를 구하는 것이 가능하다. 문헌 "Nguyen, N; Zheng, R; Han, Z. On Identifying Primary User Emulation Attacks in Cognitive Radio Systems Using Nonparametric Bayesian Classification. IEEE Transactions on Signal Processing, 2012, 99, 5172-5175"에는, 수학식 28이 기재되어 있다.

상기 수학식 28의 우변 첫째 항은 CRP를 따르며 상기 수학식 24로 주어진다. 그러나, 상기 수학식 28의 우변 두 번째 항은 다변수 학생-t 분포 학생 t-분포(Student's t-distribution)를 따른다("Gelman, A; Carlin, J.B; Stern, H.S; Rubin, D.B. Bayesian data analysis. CRC press, 2004 pg-88" 참조). 이는 하이퍼-파라미터

이 사후 추정에 관련되는 적분 과정을 단순화하는데 사용되기 때문이다. 따라서 본 실시예에서는 아래의 수학식 29, 30에 기재된 것과 같이, Σ_k 분포의 사전 분포(prior)로서 역-위샤트 (Inverse-Wishart) 분포를 선택하고

에 대해서는 가우시안 분포를 선택하였다.

문헌 "Gelman, A; Carlin, J.B; Stern, H.S; Rubin, D.B. Bayesian data analysis. CRC press, 2004 pg-88"을 참조하면, 상기 수학식 28의 우변 두 번째 항은 다음과 같이 나타낼 수 있다.

상기 수학식 31에서 D 는 데이터 포인트의 차원 수(본 실시예에 따르면 3)이고, S 는 관찰치

의 샘플 분산이고,

, κ_n, υ_n, Λ_n는 업데이트된 하이퍼-파라미터들이다. n 은 상기 특정 클러스터에서의 데이터 포인트 개수이다. 상기 수학식 31을 사용하여, 상기 분포는 아래 수학식 36과 같이 하이퍼-파라미터를 갖는 다변수 학생-t 분포인 것으로 판단될 수 있다.

본 실시예에 따른 클러스터링의 결과, 아래의 수학식 37과 같이, 대상 데이터 포인트가 하나의 데이터 포인트가 K개의 클러스터의 대표 클러스터들 중 하나에 속하는 경우가 있을 수 있다.

또한, 본 실시예에 따른 클러스터링의 결과, 아래의 수학식 38과 같이, 대상 데이터 포인트가 새로운 클러스터에 속하는 경우가 있을 수 있다.

유도된 사후 분포가 상기 붕괴 깁스 샘플러에서 사용된다.

도 5에는 본 실시예에 따른 모션 인식 방법의 수도 알고리즘이 도시되어 있다.

도 5에 도시된 알고리즘의 입력 값은 데이터 포인트

, 수렴 알고리즘을 모니터링하기 위한 단계 개수(sweep) 및 하이퍼-파라미터가 있다. 데이터 모델은 관찰된 데이터 및 하이퍼-파라미터들을 이용하여 추정된다. 도 5에 도시된 알고리즘은 초기화 과정 이후 수렴에 이르기까지 지정된 개수의 단계만큼 실행된다. 각 데이터 포인트에 대하여 조건 분포에서 얻은 샘플들이 모든 변수들의 동시 분포(joint distribution)를 추정하는데 이용된다. 상기 알고리즘에서, 깁스 샘플러에서의 각 단계에 대하여 사전 분포가 추정되고 업데이트 된다. 반복된 추정과 업데이트 과정 이후에, 최종적인 사후 추정을 상기 알고리즘의 최종 단계에서 구할 수 있다. 도 5에 도시된 괄호 내 숫자는 본 명세서의 수학식을 의미한다. 예를 들어, 19 라인의 (31)은 수학식 31을 의미하는 점을 참고한다.

모션 인식에서의 마지막 단계는 모션 매핑이다. 사람의 모션을 파악하기 위하여 각 클러스터의 평균과 분산을 이용할 수 있다. 본 발명에서는 3개의 특징 값(TAS, SVA, ACT)으로 구성되는 특징 공간(feature space)에 대하여 각 동작 의존적인 수치가 주어지는 것으로 전제한다. 본 발명에서는 상기 의존적인 수치를 붕괴 깁스 샘플러에서 구한 값과 비교하고, 두 분포간의 유사성을 쿨백-라이블러 발산 (Kullback-Leibler divergence: KLD)을 통해 측정한다.

KLD 값은 상기 비모수적 베이지언 추론으로 구한 각 클러스터와 기준 훈련 데이터 간에 계산된다. 모션 매핑은 상기 KLD 값을 최소로 하는 모션으로 각 클러스터를 매핑하는 것에 의하여 수행된다.

이하 본 발명의 다른 실시예에 따른 비모수적 베이지언 모션 인식 장치의 구조 및 동작을 도 6을 참조하여 설명하기로 한다.

본 실시예에 따른 센서(10)는 적어도 1개 축의 각속도를 측정하는 자이로 센서 및 3축 가속도 센서를 포함하여 구성될 수 있다. 본 실시예에 따른 모션 인식 장치(20)는 모션 인식 대상자에 부착된 센서(10)로부터 모션 측정 데이터를 수신한다. 모션 인식 장치(20)는 데이터 수신부(22), 프로세서(24) 및 모션 인식 결과 출력부(26)를 포함할 수 있다. 상기 모션 측정 데이터는 3개 축의 가속도 측정 값 및 1개 축의 각속도 측정 값을 포함하여 총 4개의 측정 값을 포함할 수 있다.

데이터 수신부(22)는 상기 모션 측정 데이터를 수신하여 프로세서(24)에 제공한다.

프로세서(24)는 상기 모션 측정 데이터로부터 모션을 인식하기 위한 연산을 수행하여, 그 결과를 모션 인식 결과 출력부(26)에 제공한다.

프로세서(24)는 특징값 연산부(240), 데이터 모델링부(242), 클러스터링부(244) 및 모션 인식 결과 생성부(246)를 포함할 수 있다.

먼저, 특징값 연산부(240)는 상기 모션 측정 데이터로부터 경사각 합산값(TAS), 가속도 분산 값의 합산값(SVA) 및 경사각의 자기 상관 계수(ACT)를 연산한다. 상기 경사각 합산값, 가속도 분산 값의 합산값 및 경사각의 자기 상관 계수로 구성되는 하나의 데이터 세트는 데이터 모델링의 대상이된다. 상기 데이터 세트를 데이터 포인트로 지칭한다.

다음으로, 데이터 모델링부(242)는 상기 데이터 포인트들의 분포를 무한 가우시안 혼합 모델을 이용하여 모델링한다.

다음으로, 클러스터링부(244)는 상기 모델링된 데이터 포인트를 붕괴 깁스 샘플링(collapsed Gibbs sampling)을 이용하여 무한 가우시안 혼합 모델에 대한 사후 분포를 추정함으로써 비모수적 베이지안 클러스터링한다. 클러스터링부(244)의 클러스터링의 결과, 모션과 일대일 대응되는 클러스터 내에 상기 데이터 포인트들이 포함되게 된다.

다음으로, 모션 인식 결과 생성부(246)는 각각의 새로 입력된 상기 데이터 포인트가 어떤 클러스터에 포함되어 있는지를 바탕으로 모션 인식 결과 출력부(26)가 인식할 수 있는 모션 식별 정보를 생성하여 모션 인식 결과 출력부(26)에 제공한다.

모션 인식 결과 출력부(26)는 상기 모션 식별 정보를 모션 인식 결과 생성부(246)로부터 제공받아 시각적 방식으로 모션 식별 정보를 디스플레이하는 방식 및 청각적 방식으로 모션 식별 정보를 디스플레이하는 방식 중 적어도 하나를 이용하여 인식된 모션에 대한 정보를 출력한다.

지금까지 도 6의 각 구성요소는 소프트웨어(software) 또는, FPGA(field-programmable gate array)나 ASIC(application-specific integrated circuit)과 같은 하드웨어(hardware)를 의미할 수 있다. 그렇지만 상기 구성요소들은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니며, 어드레싱(addressing)할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 실행시키도록 구성될 수도 있다. 상기 구성요소들 안에서 제공되는 기능은 더 세분화된 구성요소에 의하여 구현될 수 있으며, 복수의 구성요소들을 합하여 특정한 기능을 수행하는 하나의 구성요소로 구현할 수도 있다.

이상 첨부된 도면을 참조하여 본 발명의 실시예들을 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.

Claims (9)

1. 모션 인식 장치가 모션 측정 데이터를 인식 대상자에 부착된 센서로부터 수신하는 단계;
   상기 모션 인식 장치가 상기 모션 측정 데이터로부터 경사각 합산값(TAS), 가속도 분산 값의 합산값(SVA) 및 경사각의 자기 상관 계수(ACT)를 연산하는 단계;
   상기 모션 인식 장치가 상기 TAS, SVA, ACT로 구성되는 데이터 포인트의 분포를 무한 가우시안 혼합 모델을 이용하여 모델링하는 단계; 및
   상기 모션 인식 장치가 상기 모델링된 데이터 포인트를 붕괴 깁스 샘플링(collapsed Gibbs sampling)을 이용하여 무한 가우시안 혼합 모델에 대한 사후 분포를 추정함으로써 비모수적 베이지안 클러스터링하는 단계를 포함하는 모션 인식 장치의 비모수적 베이지언 모션 인식 방법.
2. 제1 항에 있어서,
   상기 연산하는 단계는,
   x축 방향 가속도의 분산, y축 방향 가속도의 분산 및 z축 방향 가속도의 분산 모두를 합산하여 상기 SVA를 연산하는 단계를 포함하는 모션 인식 장치의 비모수적 베이지언 모션 인식 방법.
3. 제1 항에 있어서,
   상기 연산하는 단계는 수식

   

   에 의하여 상기 ACT(△(n))를 연산하는 단계를 포함하는,
   모션 인식 장치의 비모수적 베이지언 모션 인식 방법.
4. 제1 항에 있어서,
   상기 모델링하는 단계는 아래의 수식에 의하여 모델링하는 단계를 포함하는
   

   

   
   모션 인식 장치의 비모수적 베이지언 모션 인식 방법.
5. 제4 항에 있어서,
   

   

   = {μ_o, κ_o, υ_o, Λ_o }인,
   모션 인식 장치의 비모수적 베이지언 모션 인식 방법.
6. 제5 항에 있어서,
   

   

   
   

   

   인,
   모션 인식 장치의 비모수적 베이지언 모션 인식 방법.
7. 제5 항에 있어서,
   스틱-파괴 프로세스(Stick(α))에 의하여 하나의 데이터 포인트가 클러스터 k에 속할 확률인 가중치

   

   들의 혼합 가중치

   

   를 연산하는 단계를 포함하는,
   모션 인식 장치의 비모수적 베이지언 모션 인식 방법.
8. 제7 항에 있어서,
   상기 혼합 가중치

   

   를 연산하는 단계는,
   수식

   

   에 의하여 혼합 가중치

   

   를 연산하는 단계를 포함하는,
   모션 인식 장치의 비모수적 베이지언 모션 인식 방법.
9. 모션 인식 장치에 있어서,
   모션 측정 데이터를 인식 대상자에 부착된 센서로부터 수신하는 데이터 수신부; 및
   상기 모션 측정 데이터를 상기 데이터 수신부로부터 제공받고, 상기 모션 측정 데이터로부터 모션을 인식하기 위한 연산을 수행하는 프로세서를 포함하되,
   상기 프로세서는,
   상기 모션 측정 데이터로부터 경사각 합산값(TAS), 가속도 분산 값의 합산값(SVA) 및 경사각의 자기 상관 계수(ACT)를 연산하는 특징값 연산부;
   상기 TAS, SVA, ACT로 구성되는 데이터 포인트의 분포를 무한 가우시안 혼합 모델을 이용하여 모델링하는 데이터 모델링부; 및
   상기 모델링된 데이터 포인트를 붕괴 깁스 샘플링(collapsed Gibbs sampling)을 이용하여 무한 가우시안 혼합 모델에 대한 사후 분포를 추정함으로써 비모수적 베이지안 클러스터링하는 클러스터링부를 포함하는,
   비모수적 베이지언 모션 인식 장치.

Images