KR101483218B1 - 활동 진단 장치 - Google Patents

활동 진단 장치 Download PDF

Info

Publication number
KR101483218B1
KR101483218B1 KR20120086787A KR20120086787A KR101483218B1 KR 101483218 B1 KR101483218 B1 KR 101483218B1 KR 20120086787 A KR20120086787 A KR 20120086787A KR 20120086787 A KR20120086787 A KR 20120086787A KR 101483218 B1 KR101483218 B1 KR 101483218B1
Authority
KR
South Korea
Prior art keywords
activity
subject
unit
clustering
activity data
Prior art date
Application number
KR20120086787A
Other languages
English (en)
Other versions
KR20140020440A (ko
Inventor
권동수
안준성
임종관
김재홍
Original Assignee
한국과학기술원
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 한국과학기술원 filed Critical 한국과학기술원
Priority to KR20120086787A priority Critical patent/KR101483218B1/ko
Publication of KR20140020440A publication Critical patent/KR20140020440A/ko
Application granted granted Critical
Publication of KR101483218B1 publication Critical patent/KR101483218B1/ko

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10Services
    • G06Q50/20Education
    • G06Q50/205Education administration or guidance
    • GPHYSICS
    • G09EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09BEDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B17/00Teaching reading
    • G09B17/003Teaching reading electrically operated apparatus or devices
    • G09B17/006Teaching reading electrically operated apparatus or devices with audible presentation of the material to be studied
    • GPHYSICS
    • G09EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09BEDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B19/00Teaching not covered by other main groups of this subclass
    • G09B19/06Foreign languages
    • GPHYSICS
    • G09EDUCATION; CRYPTOGRAPHY; DISPLAY; ADVERTISING; SEALS
    • G09BEDUCATIONAL OR DEMONSTRATION APPLIANCES; APPLIANCES FOR TEACHING, OR COMMUNICATING WITH, THE BLIND, DEAF OR MUTE; MODELS; PLANETARIA; GLOBES; MAPS; DIAGRAMS
    • G09B5/00Electrically-operated educational appliances
    • G09B5/06Electrically-operated educational appliances with both visual and audible presentation of the material to be studied

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Educational Administration (AREA)
  • Educational Technology (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Multimedia (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • General Business, Economics & Management (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

본 발명의 활동 진단 장치는 피험자의 동작을 나타내는 특징점을 유사도에 근거하여 복수의 군집으로 분류하는 군집화부 및 상기 각 군집의 특징 또는 상기 군집의 개수로부터 상기 피험자의 활동 수준을 진단하는 진단부를 포함함으로써, 시스템에 대한 사전 교육 없이, 즉 비교사 방식으로 피험자의 활동 수준을 신뢰성 있게 진단할 수 있다.

Description

활동 진단 장치{ACTIVITY DIAGNOSIS APPARATUS}
본 발명은 활동 진단 장치 및 방법에 관한 것으로 피험자의 동작으로부터 피험자의 활동 수준을 신뢰성 있게 진단할 수 있는 장치 및 방법에 관한 것이다.
건강에 대한 관심도가 증가하며 피험자의 활동수준을 진단하려는 시도로 the Short Form-36 Health Survey(SF-36) 등과 같은 설문조사 기반의 칼로리량을 추정하는 방법이 일반적이다.
일정 기간에 대해 피험자의 활동 내역을 설문조사하여 실제 활동별 에너지 소모값, MET(metabolic equivalent of task) 값으로 환산, 최종적으로 피험자의 칼로리 소모를 추정한다. 이후 이를 자동화한 제품이 상품화되었다. 이들 제품의 처리과정은 주로 가속도를 채택한 센서부에서 측정한 센서 신호를 일정주기별 Fast Fourier Transform 에너지 등으로 환산후 이를 MET와 사상시켜 피험자의 칼로리 소모를 실시간으로 추정한다.
기존의 자동화 방식은 주로 운동량을 측정해 운동에서 발생하는 에너지를 계산 후, 에너지값을 근거로 활동을 대략적으로 분류하거나, 이를 생략하고 MET와 에너지값을 일대일 대응시킨다. 따라서 운동량의 계산은 가능하나, 피험자의 활동을 분류할 수 없으며, 설사 분류하더라도 에너지만을 판단의 기저로 삼기 때문에 부정확하다는 문제점이 발생한다.
이를 해결하기 위해 센서의 측정신호를 이용해 교사학습의 동작인식으로 활동 종류를 분류하려는 시도가 있었으나, 동작의 최소 단위가 모호하여 일정 수준의 인식률 달성을 위해 인식할 수 있는 동작 개수를 제약하거나 또는 인식기의 교사학습을 위한 데이터 수집이 곤란한 경우가 발생하여 결국 연구 수준에 머무르고 있다. 따라서 기존의 기술은 운동량과 함께, 활동의 종류가 주요 평가요소로 등장하는 고령화 진단 등에 적용하기에는 제약이 발생한다.
한국공개특허공보 제2001-0099250호에는 주어진 상황에 대한 다양한 활동 정보를 통합적으로 사용자에게 제공할 수 있으며, 타인의 상황에 따른 정보를 분석하여 행동방식에 대한 정보를 제공하는 기술이 개시되고 있다. 그러나 피험자의 동작과 관련된 피험자의 활동수준을 진단하는 것과는 거리가 있다.
한국공개특허공보 제2001-0099250호
본 발명은 피험자의 동작으로부터 피험자의 활동 수준을 신뢰성 있게 진단할 수 있는 활동 진단 장치 및 방법을 제공하기 위한 것이다.
본 발명이 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 발명의 활동 진단 장치는 피험자의 동작을 나타내는 특징점을 유사도에 근거하여 복수의 군집으로 분류하는 군집화부 및 상기 각 군집의 특징, 상기 군집의 개수, 특정 특징점별 군집의 분포도 중 적어도 하나로부터 상기 피험자의 활동 수준을 진단하는 진단부를 포함할 수 있다.
본 발명의 다른 활동 진단 장치는 피험자의 동작을 나타내는 활동 데이터를 획득하기 위해 상기 피험자에 장착되는 감지부의 장착 위치, 상기 활동 데이터의 대표값인 특징점을 얼마의 기간을 주기로 획득할 것인가와 관련된 설정 기간, 상기 특징점을 산출하기 위해 상기 활동 데이터에 적용되는 연산 방식, 상기 설정 기간이 중복되는 정도를 나타낸 중복 구간 중 적어도 하나를 결정하는 설정부를 포함할 수 있다.
본 발명의 활동 진단 방법은 피험자의 동작을 나타내는 활동 데이터를 획득하는 단계, 상기 활동 데이터 또는 상기 활동 데이터의 대표값인 특징점을 유사도에 근거하여 복수의 군집으로 분류하는 단계 및 상기 군집의 개수로부터 상기 피험자의 활동 수준을 진단하는 단계를 포함할 수 있다.
본 발명의 다른 활동 진단 방법은 피험자의 복수 신체 부위에 감지부를 설치하는 단계, 상기 각 감지부로부터 복수의 설정 구간별로 획득된 활동 데이터에 서로 다른 연산을 적용하여 복수의 특징점 후보를 산출하는 단계, 상기 감지부의 설치 위치, 상기 설정 구간, 상기 특징점 후보, 상기 설정 기간이 중복되는 정도를 나타낸 중복 구간 중 적어도 하나에 대해 상기 각 비교 군집간 공분산과 상기 각 비교 군집 내 공분산의 비를 구함으로써 상기 감지부의 설치 위치, 상기 설정 구간, 상기 특징점 후보, 상기 설정 기간이 중복되는 정도를 나타낸 중복 구간 중 적어도 하나를 설정하는 단계를 포함할 수 있다.
본 발명의 활동 진단 장치 및 방법은 피험자의 동작을 나타내는 데이터를 군집화하고, 분류된 군집을 활동의 종류로 간주하여 피험자의 활동을 진단함으로써 시스템에 대한 사전 학습 없이, 즉 비교사 방식으로 피험자의 활동 수준을 진단할 수 있다.
도 1은 본 발명의 활동 진단 장치를 나타낸 블럭도이다.
도 2는 군집화부에 의해 군집화가 이루어진 특징점들을 나타낸 개략도이다.
도 3은 본 발명의 활동 진단 방법을 나타낸 개략도이다.
도 4는 FR이 큰 경우와 작은 경우를 나타낸 개략도이다.
도 5는 본 발명의 활동 진단 장치에서 중복 구간, 설정 기간, 특징점 후보의 FR값의 변산도를 나타낸 개략도이다.
도 6은 본 발명의 활동 진단 장치에서 특징점 후보간 FR 비교 결과를 나타낸 개략도이다.
도 7은 본 발명의 활동 진단 장치에서 감지부의 장착 위치간 FR 비교 결과를 나타낸 개략도이다.
도 8은 본 발명의 활동 진단 장치의 외적 구성을 나타낸 개략도이다.
이하, 첨부된 도면들을 참조하여 본 발명에 따른 실시예를 상세히 설명한다. 이 과정에서 도면에 도시된 구성요소의 크기나 형상 등은 설명의 명료성과 편의상 과장되게 도시될 수 있다. 또한, 본 발명의 구성 및 작용을 고려하여 특별히 정의된 용어들은 사용자, 운용자의 의도 또는 관례에 따라 달라질 수 있다. 이러한 용어들에 대한 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 한다.
도 1은 본 발명의 활동 진단 장치를 나타낸 블럭도이다.
도 1에 도시된 활동 진단 장치는 피험자의 동작을 나타내는 특징점을 유사도에 근거하여 복수의 군집으로 분류하는 군집화부(150) 및 각 군집의 특징 또는 군집의 개수로부터 피험자의 활동 수준을 진단하는 진단부(170)를 포함할 수 있다.
진단부(170)에서 진단된 활동 수준은 노화 진단, 활동량 진단 등에 이용될 수 있다.
피험자의 동작 인식에 기반한 노화 진단 방식은 인식률의 성능은 차치하고 진단 장치 설계시 다음과 같은 본질적인 한계를 갖는다.
우선 교사 학습 형태의 인식기 설계는 구분하고자 하는 클래스의 설정을 전제로 한다. 즉, 인간의 행동을 몇 가지 클래스로 구분해야 하는데 연속적으로 진행되는 행동을 구분하는 것이 쉽지 않다.
두번째, 행동을 몇 가지 동작 단위로 구분을 하여도 동일한 동작의 다양한 변형을 같은 클래스로 묶는 것과 다양한 피험자로부터 얻어낸 신호 차원의 데이터를 일반화시키는 것 역시 풀리지 않는 난제이다.
끝으로 앞에서 지적한 두 가지 난제가 해결되더라도 진단 장치를 학습시키기 위해 데이터를 수집하고 대용량의 데이터에 클래스 단위의 주석을 다는 것 역시 어려운 일이다.
이에 대한 대책으로 본 발명은 피험자가 구사 가능한 활동을 구체적으로 정의하지 않는 활동 수준을 노화 진단의 측정 지표로 삼고 새로운 활동 수준 모델로서 비교사 학습 기반의 군집 모델을 제안한다.
피험자가 구사 가능한 활동의 개수는 노화 정도에 반비례하는 것으로 전제로 한다. 이러한 전제는 기존 노화 진단을 위한 설문조사 ADL, IADL을 통해 입증되었음을 언급한다.
피험자의 동작을 시각적으로 구분하는 것은 어려운 일이나 수집된 신호 차원에서 신호의 표상화를 통해 피험자의 동작을 신호별 유사성을 기준으로 분류하는 것은 용이하다.
신호별 유사성을 기준으로 분류한 신호패턴을 군집화 알고리즘을 통해 분류하면 신호 차원의 유사 패턴 군집 개수를 파악할 수 있으며 이를 피험자가 구사 가능한 동작의 개수로 추정할 수 있다. 결과적으로 이러한 과정을 통해 파악한 신호 차원의 유사 패턴 군집 개수와 군집별 특징, 군집간 연결 특징, 특정 특징점별 군집 분포도 등을 AL(Activity Level)로 정의한다.
피험자의 동작은 다양한 방법으로 획득될 수 있다. 이때 피험자의 동작은 많은 데이터를 포함하고 있는데, 효율적인 처리를 위해 피험자의 동작을 대표하는 특징점을 이용할 수 있다. 특징점은 최소한의 점, 위치 정보, 속도 정보 등으로 피험자의 동작을 표현한다.
특징점을 이용함으로써 군집화부(150), 진단부(170) 등의 후처리부의 처리 부하를 경감시킬 수 있으며, 보다 명확한 정보를 제공할 수 있다.
특징점과 관련하여 활동 진단 장치는 감지부(110)와 추출부(130)를 더 포함할 수 있다.
감지부(110)는 피험자의 동작을 감지하고, 피험자의 동작을 나타내는 활동 데이터를 출력한다. 감지부(110)는 하나 이상의 센서를 포함할 수 있다. 감지부는 각 센서로별로 감지 결과를 출력할 수도 있고, 센서의 조합으로 얻어진 신호 결과를 출력할 수도 있다. 감지부(110)는 가속도 센서를 포함할 수 있다. 가속도 센서를 통해 측정된 피험자의 활동 데이터는 가속도의 크기로 중력값이 포함된 것일 수 있다. 중력값은 피험자의 동작과 무관하므로 배제될 수 있다. 이를 위해 활동 진단 장치는 가속도 센서에서 출력된 활동 데이터에 포함된 중력값을 제거하는 전처리부(120)를 포함할 수 있다.
전처리부(120)는 또한 중력값 외의 기타 잡음을 제거할 수 있다. 이를 위해 전처리부(120)는 저주파 대역 필터를 포함할 수 있다. 피험자의 일반적인 활동 가속도는 20Hz 미만이므로, 전처리부(120)의 저주파 대역 필터는 20Hz 이상의 신호를 제거할 수 있다.
전처리부(120)는 수학식 1에서와 같이 X, Y, Z축에서 같은 시점에 감지부(110)로부터 수집된 가속도 신호를 3차원 벡터로 보고 벡터의 크기를 구한 후 중력값을 배제할 수 있다.
Figure 112012063448765-pat00001
여기서, 절대값 A는 활동 데이터이고,
ax는 X축에 대한 가속도이며,
ay는 Y축에 대한 가속도이고,
az는 Z축에 대한 가속도이며,
9.8은 중력값이다.
추출부(130)는 활동 데이터로부터 최소한의 점으로 피험자의 동작을 표현하는 특징점을 추출할 수 있다. 특징점은 다양한 방안으로 추출될 수 있으며, 이하에 개시되는 방안은 예시적인 것을 환기한다.
특징점은 설정 기간동안 감지부(110)로부터 획득된 활동 데이터를 대상으로 Mean, Variance, Skewness, Kurtosis, Median, Mean Absolute Deviation, Activity Count, Frequency domain Energy, Time domain Energy, Signal Magnitude Area, Spectral Entropy 등의 연산을 적용함으로써 획득될 수 있다.
Mean은 데이터의 분포에 대한 산술적인 평균을 나타내는 척도로 일반적으로 수학식 2로 나타낼 수 있다.
Figure 112012063448765-pat00002
Variance는 데이터 분포의 변산도를 나타내는 척도로 일반적으로 수학식 3으로 나타낼 수 있다.
Figure 112012063448765-pat00003
Skewness는 데이터의 분포의 치우침을 나타내는 척도로 일반적으로 수학식 4로 나타낼 수 있다.
Figure 112012063448765-pat00004
Kurtosis는 데이터의 분포의 첨예도를 나타내는 척도로 일반적으로 수학식 5로 나타낼 수 있다.
Figure 112012063448765-pat00005
Median은 데이터의 중간값을 나타내며, Mean과 비교하여 고주파 잡음의 영향에 둔감하다. Median은 일반적으로 수학식 6으로 나타낼 수 있다.
Figure 112012063448765-pat00006
Mean Absolute Deviation(MAD)은 평균 절대 편차이며 Variance에 비해 고주파 잡음의 영향에 둔감하다. MAD는 일반적으로 수학식 7로 나타낼 수 있다.
Figure 112012063448765-pat00007
Activity Count는 일정 구간에서 특정값을 한계값으로 설정해두고, 그 한계값 이상으로 나타나는 신호의 횟수를 셈하는 것을 뜻한다. 그러나 계산의 편의를 위해 일정 구간의 데이터에서 가장 높은 값을 대표값으로 취하고 있다. Activity Count는 수학식 8로 나타낼 수 있다.
Figure 112012063448765-pat00008
Frequency domain Energy는 주파수 영역에서 계산한 에너지로 수학식 9로 나타낼 수 있다.
Figure 112012063448765-pat00009
Time domain Energy는 시간 영역에서 계산한 에너지로 수학식 10으로 나타낼 수 있다.
Figure 112012063448765-pat00010
Signal Magnitude Area(SMA)는 축별로 신호의 절대값을 구한 후 합산한 값으로 수학식 11로 나타낼 수 있다.
Figure 112012063448765-pat00011
Spectral Entropy는 FFT(fast Fourier transform)를 통해 신호의 스펙트럼을 구한 후 각 주파수 계수의 합을 1로 두고 구한 주파수 계수의 확률 분포에 대해 구한 엔트로피로 수학식 12로 나타낼 수 있다.
Figure 112012063448765-pat00012
추출부(130)는 위 수학식 2 내지 12에서 산출한 특징점의 조합으로 특징점 벡터 X =(x1,x2,...,xd)T를 만든다. 특징점 벡터의 차원이 증가할수록 군집화부(150)에서 이루어지는 분류 및 군집화의 정확성이 증가한다.
군집화부(150)는 피험자의 동작을 나타내는 활동 데이터 또는 특징점을 유사도에 근거하여 복수의 군집으로 분류할 수 있다.
군집화의 목표는 같은 군집 내의 샘플은 서로 가깝고 다른 군집에 속한 샘플 사이의 거리는 멀게 하는 것이다. 따라서, 군집화부에서 거리 개념은 중요하고 여러 계산 방법이 존재한다. 선택된 계산 방법에 따라 군집화의 결과는 달라진다. 따라서 주어진 문제에 적합한 거리 측정 방법을 선택하는 것이 중요하다. 거리와 유사도는 반대 개념이고 하나를 알면 다른 것은 공식을 이용하여 쉽게 계산할 수 있다.
군집화부(150)는 활동 데이터 또는 특징점에 대한 사전 지식 없이 유사도에 근거하여 활동 데이터 또는 특징점의 군집을 형성하거나 분류할 수 있다. 군집화부(150)에서 이루어지는 군집화를 위해서는 거리 척도와 군집화 알고리즘이 필요하다. 거리 척도는 유사도와 반비례 관계가 있으므로 거리 척도는 곧 유사도로 나타낼 수 있다.
유사도는 코사인 유사도, 이진 특징 벡터의 유사도 등의 수학식을 이용할 수 있다.
코사인 유사도는 문서 검색 등에 사용되며 특정 단어가 특징이되고, 특정 단어의 출현빈도가 특징점이 될 수 있다. 코사인 유사도는 다음의 수학식 13으로 나타낼 수 있다.
Figure 112012063448765-pat00013
이진 특징 벡터는 다음의 수학식 14로 나타낼 수 있다.
[수학식 14]
Figure 112012063448765-pat00014
유사도와 거리는 다음의 수학식 15를 통해 상호 변환될 수 있다.
Figure 112012063448765-pat00015
s는 유사도이고, d는 거리이다. 아래첨자의 max는 최대값을 나타낸다.
군집화는 구분하려고 하는 비교사 학습의 일종으로 특징점 등 sample들에 대한 지식 없이 유사도에 근거하여 특징점 등 sample의 군집을 형성하거나 분류한다. 군집화를 위해서는 유사도가 필요하다. 유사도는 거리 척도와 반비례 관계에 있다. 따라서, 유사도를 구해 거리 척도로 변환하거나 거리 척도를 바로 구한 후 거리 척도를 이용하는 군집화 알고리즘을 적용할 수 있다.
거리 척도는 Minkowski 거리, 유클리디언 거리, 맨하탄 거리, Hamming 거리 등을 적용하여 획득될 수 있다.
정리하면, 군집화부(150)는 각 특징점 간의 Minkowski 거리, 유클리디언 거리, 맨하탄 거리, Hamming 거리 등으로부터 유사도를 산출할 수 있다.
또한, 군집화부(150)는 유사도 또는 유사도를 변환한 거리 척도에 근거하는 계층 군집화 알고리즘, 분할 군집화 알고리즘, 신경망 방식 알고리즘, 통계적 탐색 알고리즘 등을 이용해 특징점을 군집화할 수 있다.
군집 해 C2={c21, c22,..., c2n}의 모든 군집 c2i가 다른 군집 해 C1={c11, c12,..., c1k}에 속한 군집의 부분 집합일 때 C2는 C1에 포함된다고 말한다. 예를 들어 C2 = {{x1, x3, x6}, {x2}, {x4, x5}}는 C1 = {{x1, x3, x6}, {x2, x4, x5}}에 포함된다. 이때, n>k이다. 계층 군집화 알고리즘은 이러한 포함 관계를 군집화 결과로 출력한다. 계측 군집화 알고리즘에는 작은 군집들에서 출발하여 이들을 모아 나가는 응집 방식과 큰 군집에서 출발하여 이들을 나누어 나가는 분열 방식이 있다.
분할 군집화 알고리즘에는 순차 알고리즘, k-means 알고리즘, MST 알고리즘, GMM(gaussian mixture model) 알고리즘 등이 있다.
순차 알고리즘은 군집 개수를 찾아주는 알고리즘으로 순서에 민감하고 빠른 특성이 있다. 대신 임계값을 설정해야 한다.
k-means 알고리즘은 군집의 개수를 설정해야 하나 직관적 이해에 용이하므로 자주 사용된다. 군집의 개수로 활동 수준을 평가하는 항목이 포함되는 경우 군집의 개수를 획득하기 위해 다른 군집화 알고리즘과 병행할 필요가 있다.
신경망 방식 알고리즘에는 SOM 알고리즘, ART 알고리즘 등이 있다.
SOM(self organizing map) 알고리즘은 샘플들을 상호 비교하여 스스로 군집을 조직해내는 알고리즘으로 경쟁 학습을 사용한다.
Minkowski 거리 dij는 두 점간의 거리 척도를 나타내며 수학식 16으로 표현된다. p=1일 때, 맨하탄 거리가 되고, p=2일 때 유클리디언 거리가 된다.
Figure 112012063448765-pat00016
Hamming 거리는 이진 특징 벡터에 사용할 수 있는 거리 척도로 서로 다른 비트의 개수를 이용한다.
도 2는 군집화부(150)에 의해 군집화가 이루어진 특징점들을 나타낸 개략도이다.
도 2를 살펴보면 복수의 특징점들이 표시되고 있는데, 군집화부(150)에 의해 5개의 군집으로 분류된 상태가 개시된다. 이때의 각 군집은 피험자의 특정 동작을 나타내므로, 군집의 개수는 피험자의 동작 개수와 대응된다. 각 군집에 포함된 특징점은 유사도에 근거하는 유사 패턴이 되므로 군집화부(150)에서 출력되는 결과는 앞에서 살펴본 AL이 된다.
진단부(170)는 군집화부(150)에서 형성된 각 군집의 특징 또는 군집의 개수로부터 피험자의 활동 수준을 진단할 수 있다. 군집의 개수만으로 활동 수준을 파악할 수도 있으나, 각 군집의 특징으로도 활동 수준의 파악이 가능하다. 물론 군집의 특징과 군집의 개수, 특정 특징점별 군집의 분포도 등을 함께 이용하여 활동 수준을 파악할 수도 있다.
군집의 특징은 각 군집의 면적, 각 군집 내의 특징점 분포도, 각 군집 내의 특징점 집중도, 각 군집의 평균 에너지, 각 군집의 에너지 편차 등에 의해 정의될 수 있다.
이상에서 살펴본 활동 진단 장치에 의하면 기존의 진단 방법에 비해 활동 분류라는 면이 강조됨으로써 보다 구체적인 활동 수준 진단이 가능하며, 군집화의 결과로 나온 군집의 개수, 군집별 면적정보, 신호의 분포도, 에너지 차이, 그리고 신호의 집중도 등을 이용하여 심층적인 분석이 가능하다. 또한, 이미 상용제품으로 출시된 칼로리 소비 측정기의 역할을 에너지 관련 특징점 추출을 이용하여 칼로리 소비를 계산하고 있으므로 기존 상용제품을 대체할 수 있다.
도 3은 본 발명의 활동 진단 방법을 나타낸 개략도로, 도 1의 활동 진단 장치의 동작으로 설명될 수도 있다. 도 3에서는 가속도 센서로 획득된 가속도 신호를 나타내었으나, 감지부의 구성에 따라 사용되는 신호는 다양할 수 있음을 환기한다.
먼저, 피험자의 동작을 나타내는 활동 데이터를 획득한다(S 510). 감지부(110)에서 이루어지는 동작으로 감지부(110)는 가속도 센서를 포함할 수 있다. 이때, 감지부(110)로부터 출력되는 활동 데이터는 가속도 신호를 포함할 수 있다.
이후, 획득된 활동 데이터 또는 활동 데이터의 대표값인 특징점을 유사도에 근거하여 복수의 군집으로 분류한다. 군집화부(150)에서 이루어지는 동작으로 시계열적으로 살펴보면 각 활동 데이터 또는 각 특징점을 신호 패턴별로 분류한(S 520) 후 분류된 신호 패턴을 군집화하는 것일 수 있다(S 530). 군집화의 대상을 감지부(110)에서 출력되는 활동 데이터로 할 수 있으나, 처리할 데이터의 양이 방대하므로 특징점을 이용하는 것이 유리할 수 있다.
다음, 군집화로 형성된 군집의 특징 또는 군집의 개수를 파악함으로써(S 540) 피험자의 활동 수준을 진단한다. 진단부(170)에서 이루어지는 동작으로 파악된 군집의 특징 또는 군집의 개수를 기조사된 데이터와 비교함으로써 피험자의 활동 수준을 진단할 수 있다(S 550).
기존에는 설문 조사를 통해 피험자의 동작 개수를 파악하거나, 감지부(110)에서 획득된 가속도 신호 등으로 동작을 인식하고 별도의 군집화 없이 바로 동작 개수를 파악하는 것으로 노화를 진단하였다. 이는 앞에서 살펴본 바와 같이 다양한 문제에 직면하나, 본 발명에 의하면 이러한 문제를 해소할 수 있다.
피험자의 동작은 활동 데이터 또는 특징점으로 나타낼 수 있다. 이때, 특징점을 이용하는 것이 유리하다.
감지부(110)에서 출력되는 다수의 활동 데이터로부터 특징점을 추출하는 방식은 다양할 수 있다. 특징점을 추출하는 방식에 따라 특징점을 이용한 이후 처리의 효율이 달라질 수 있다. 최적의 특징점을 발굴하는 것에 따라 활동 데이터의 크기를 줄임으로써 군집화부(150) 등의 연산 시간을 줄일 수 있으며 동작 인식 성능을 극대화시킬 수 있다. 따라서, 최적의 특징점을 추출할 필요가 있으며, 이하에서는 이에 대해 살펴보도록 한다.
활동 진단 장치는 추출부(130)에서 최적의 특징점이 추출되도록 특징점 추출에 관여하는 다양한 요소를 설정하는 설정부(190)를 포함할 수 있다.
이때의 요소는 피험자에 장착되는 감지부(110)의 위치, 특징점을 산출하는 주기, 특징점 산출에 적용되는 연산 방식, 특징점 산출 주기의 중복 정도 등일 수 있다.
구체적으로 설정부(190)는 피험자의 동작을 나타내는 활동 데이터를 획득하기 위해 피험자에 장착되는 감지부(110)의 장착 위치, 활동 데이터의 대표값인 특징점을 얼마의 기간을 주기로 획득할 것인가와 관련된 설정 기간, 특징점을 산출하기 위해 활동 데이터에 적용되는 연산 방식, 설정 기간이 중복되는 정도를 나타낸 중복 구간 중 적어도 하나를 결정할 수 있다.
감지부(110)는 피험자의 다양한 신체 부위에 장착될 수 있다. 그런데, 피험자에 작착되는 감지부(110)의 위치에 따라 특징점의 효율이 달라진다.
예를 들어 피험자의 활동 수준이 청년군(20~34세)에 속하는지, 중년군(35~49세)에 속하는지, 장년군(50~65세)에 속하는지 진단하고자 하는 경우를 가정한다.
이때의 청년군, 중년군, 장년군은 피험자의 활동 진단 결과가 되는 비교 군집일 수 있다.
이러한 경우 감지부(110)를 피험자의 머리 부위에 장착시키는 것과 팔 부위에 장착시키는 경우 결과가 달라질 수 있다. 예를 들어 팔에 감지부(110)를 장착할 경우 청년군, 중년군, 장년군에 따라 활동 데이터가 큰 차이를 보이는 반면, 머리에 감지부(110)를 장착할 경우 각 비교 군집 간의 차이가 작게 나타날 수 있다. 이런 경우 팔 부위에 감지부(110)를 장착시키는 것이 유리하다.
정리하면, 설정부(190)는 피험자의 신체 부위에서 최적의 감지부(110) 장착 위치를 결정할 수 있다. 예를 들어 설정부(190)는 피험자의 신체 7곳에 감지부(110)를 장착시킨 후 최적의 특징점을 추출할 수 있는 장착 위치를 결정할 수 있다. 이렇게 결정된 장착 위치는 추후 본격적인 활동 진단시에 적용될 수 있다.
감지부(110)가 장착되는 신체 7곳은 피험자의 왼쪽 허리, 주요 손목, 주요 팔, 반대쪽 손목, 주요 허벅지, 주요 발목, 바지 주머니일 수 있다. 여기에 더하여 오른쪽 허리에도 감지부(110)를 장착할 수 있다. 이때 오른쪽 허리에 장착되는 감지부(110)는 활동 에너지와 노화의 상관 관계를 분석하기 위한 자료를 수집할 수 있다.
주요 손목과 주요 팔은 오른손잡이의 경우 오른손 측이고 왼손잡이의 경우 왼손 측이다. 주요 허벅지와 주요 발목은 오른손잡이의 경우 왼발 측이고 왼손잡이의 경우 오른발 측이다.
바지 주머니 위치는 활동 진단 장치로서 바지 주머니(실험에서는 오른쪽 바지 주머지)에 수납할 수 있는 휴대용 단말기를 구성한 경우를 상정한 것이다.
실험 과정은 20~60세의 비고령자 18명의 피험자(표 1)에 대해 장소는 건물 내부로 한정, 피험자당 4시간 동안 일상 생활에서 발생하는 활동 데이터를 가속도 센서로 수집하였다. 이때, 수집하는 가속도계 신호와 동기화시켜 카메라를 이용, 1분에 1회 이상의 사진 촬영을 통해 피험자의 활동을 기록하였다.
20대 30대 40대 50대 60대
6 4 3 4 1
4 2 3 1 2 1 2 2 0 1
활동 수준 또는 노화 진단을 위해 비전이나, 각종 센서, RFID를 도입할 수 있으나, 본 실험에서는 성능비가 우수하고 장소의 제약이 없는 가속도 센서를 사용하였다. 이때, 감지부(110)는 가속도 센서, 마이크로 프로세서, 블루투스 모듈, 디지털 시계로 구성하였다. 가속도 센서는 Freescale사의 MMA7260QT를 사용하였으며, X, Y, Z축의 가속도 측정 범위는 ±2g, 샘플링 주파수는 100Hz로 고정하였다. 가속도 센서의 아날로그-디지털 변환을 위해 Atmel사의 ATmega8L을 사용하여 8비트로 양자화하고, 블루투스 모듈을 통해 메인 서버에 데이터를 전송하였다. 메인 서버에는 전송된 데이터를 저장하는 저장부를 설치하였다.
감지부(110)가 장착된 각 부위별로 활동 데이터를 수집한 후 전처리부(120)를 통해 잡음과 중력값을 배제시켰다. 이후 전처리부(120)의 출력값에 수학식 2 내지 수학식 12의 연산 방식을 각각 적용하여 특징점 후보를 산출하였다. 감지부(110)에서 출력된 데이터는 일정 기간(실험에서는 4시간)동안 지속되므로 얼마의 주기로 특징점을 추출할 것이지도 중요할 수 있다. 따라서, 위 연산 방식은 설정 기간별로 획득된 활동 데이터를 대상으로 하는 Mean, Variance, Skewness, Kurtosis, Median, Mean Absolute Deviation, Activity Count, Frequency domain Energy, Time domain Energy, Signal Magnitude Area, Spectral Entropy 중 적어도 하나일 수 있다. 실험에서 설정 기간은 1s, 5s, 10s, 15s, 30s, 45s, 60s, 75s, 90s, 105s, 120s, 135s, 150s, 165s, 180s의 15 종으로 설정하였다. 중복 구간은 0%, 10%, 20%, 30%, 40%, 50%의 6종으로 설정하였다. 예를 들어 설정 기간이 1s이고 중복 구간이 0%이면 1초 간격으로 1초 동안 수집된 활동 데이터에 각 연산 방식을 적용한다. 설정 기간이 1s이고 중복 구간이 50%이면, 1초 동안 수집된 활동 데이터에 각 연산 방식을 적용하는 것은 동일하다. 다만 0s~1s, 0.5s~1.5s, 1s~2s, 1.5s~2.5s와 같이 50% 중복된 활동 데이터가 수집된다. 즉, 동일 설정 기간이라도 중복 구간이 커지면 수집되는 연산 방식이 적용될 데이터의 개수는 증가한다.
11개의 특징점 후보 중 특징점을 선별하기 위해 비교 군집으로 청년군(group1), 중년군(group2), 장년군(group3)으로 분류하고, 각 특징점 후보의 비교 군집 간의 차별화를 비교하기 위해 설정부(190)에 Fisher Ratio(FR)를 적용하였다.
FR은 군집간 공분산(SB)과 군집내 공분산(SW)의 비로서 FR이 클수록 군집간 특성차가 높은 것으로 간주할 수 있다. 1차원의 특징점을 사용할 경우 공분산 대신 각 데이터의 분산을 사용할 수 있다.
FR은 다음의 수학식 14에 의해 산출될 수 있다.
Figure 112012063448765-pat00017
도 4는 FR이 큰 경우와 작은 경우를 나타낸 개략도이다.
도 4의 왼쪽 도면은 각 비교 군집을 명확하게 구분할 수 있는 상태이고, 오른쪽 도면은 각 비교 군집을 구분하기 어려운 상태가 개시된다. 특징점 후보 별로 계산된 FR은 다르게 나타나게 되며 좌측 도면에 근접하는 결과를 나타내는 특징점 후보를 특징점으로 취할 수 있다. 이때, 설정부(190)는 특징점으로 취해진 특징점 후보를 산출한 연산 방식을 추출부(130)에서 사용하도록 할 수 있다.
도 5는 본 발명의 활동 진단 장치에서 중복 구간, 설정 기간, 특징점 후보의 FR값의 변산도를 나타낸 개략도이다.
7개의 감지부(110) 장착 위치, 11개의 특징점 후보, 15종의 설정 기간, 6종의 중복 구간에 대한 구한 FR값을 토대로 다음과 같은 결과를 획득하였다.
우선 11개 특징점 후보와 15종의 설정 기간, 6종의 중복 구간이 FR에 미치는 상대적인 영향력을 분석한다. 장착 위치/설정 기간/중복 구간의 구분없이 구한 11개 특징점 후보(feature)의 FR 값의 변산도, 장착 위치/특징점 후보/중복 구간의 구분없이 구한 15개 설정 기간(windowsize)에서 발생하는 FR값의 변산도, 장착 위치/특징점 후보/설정 기간의 구분없이 6종의 중복 구간(overlap)에서 발생하는 FR값의 변산도를 비교하여 도 5에 나타내었다. 설정 기간의 차이는 전체 군집 차별화에 미미한 영향을 끼치는 것으로 분석된다. 특징점별로 차이는 존재하나 대체로 설정 기간과 중복 구간의 길이가 늘어날수록 FR값이 증가한다.
도 6은 본 발명의 활동 진단 장치에서 특징점 후보간 FR 비교 결과를 나타낸 개략도이다.
장착 위치/중복 구간/설정 기간의 구분없이 구한 특징점 후보간 FR 비교에서는 에너지 계열 특징점이나 통계량 계열 특징점보다는 시계열 데이터의 설정 기간별 단순 대표값이 더 높은 FR을 보인다. Mean, Median, AC, SMA가 유력한 후보이며 평균차도 통계적으로 유의미하다.
도 7은 본 발명의 활동 진단 장치에서 감지부(110)의 장착 위치간 FR 비교 결과를 나타낸 개략도이다.
중복 구간/설정 기간/특징점 구분없이 구한 장착 위치별 FR 비교의 경우 특징점과 중복 구간 간의 격차가 커 통계적인 유의미성은 보이지 않으나 허리, 발목, 주머니의 위치가 유력한 후보군으로 제시된다. 발목의 높은 FR은 의외적으로 받아들여지나 손목이나 팔에 비해 개별적 특성이 상대적으로 적게 나타나는 부위라는 점을 고려하면 결국 발의 움직임이 인간의 행동 특성을 결정적으로 구별짓고 전체 군집차별화에도 영향을 미친다고 볼 수 있다.
정리하면, 설정부(190)는 각 비교 군집간 공분산과 각 비교 군집 내 공분산의 비가 설정값을 만족하는 감지부(110)의 장착 위치, 설정 기간, 연산 종류, 중복 구간 중 적어도 하나를 결정할 수 있다.
이상에서 살펴본 활동 진단 장치는 신호 차원으로 피험자의 동작을 표상화한다. 이는 특징점을 추출하는 방안의 제시와 감지부(110)의 최적 장착 위치를 제시함으로써 이루어진다.
활동 진단 장치는 피험자의 신체 부위에 설치된 각 감지부(110)로부터 복수의 설정 구간별로 획득된 활동 데이터에 서로 다른 연산을 적용하여 복수의 특징점 후보를 산출할 수 있다. 이후, 감지부(110)의 설치 위치, 설정 구간, 특징점 후보, 설정 기간이 중복되는 정도를 나타낸 중복 구간 중 적어도 하나에 대해 각 비교 군집간 공분산과 각 비교 군집 내 공분산의 비를 구함으로써 감지부(110)의 설치 위치, 설정 구간, 특징점 후보, 설정 기간이 중복되는 정도를 나타낸 중복 구간 중 적어도 하나를 설정할 수 있다.
도 8은 본 발명의 활동 진단 장치의 외적 구성을 나타낸 개략도이다.
도시된 활동 진단 장치는 감지부(110)와 감지부에서 측정된 결과를 저장하고 추가 계산을 진행하기 위한 처리부(180)로 구성될 수 있다.
감지부(110)는 실시간으로 피험자의 동작을 추출하기 위한 센서부(111), 센서부의 동작 타임을 예를 들어 실시간으로 설정하는 RTC(Real Time Clock)부(113), 측정 결과를 저장하는 저장부(115), 측정 결과를 처리부로 전달하는 통신부(117)를 포함할 수 있다. 또한, 감지부(110)는 센서부의 동작 여부, RTC의 설정, 저장부에 저장되는 측정 결과의 관리, 통신부의 동작 여부를 관할하는 제어부(119)를 포함할 수 있다.
처리부(180)는 앞에서 살펴본 추출부(130), 군집화부(150), 진단부(170), 설정부(190)를 포함할 수 있다.
처리부(180)의 처리 결과를 유/무선 통신망을 거쳐 진료 기관이나 보호 시설의 피험자 관리 서버(160)에 제공될 수 있다.
이상에서 본 발명에 따른 실시예들이 설명되었으나, 이는 예시적인 것에 불과하며, 당해 분야에서 통상적 지식을 가진 자라면 이로부터 다양한 변형 및 균등한 범위의 실시예가 가능하다는 점을 이해할 것이다. 따라서, 본 발명의 진정한 기술적 보호 범위는 다음의 특허청구범위에 의해서 정해져야 할 것이다.
110...감지부 111...센서부
113...RTC부 115...저장부
115...저장부 119...제어부
120...전처리부
130...추출부 150...군집화부
160...피험자 관리 서버 170...진단부
180...처리부 190...설정부

Claims (10)

  1. 피험자가 구사 가능한 동작이 정의되지 않은 상태에서, 설정 기간동안 상기 피험자의 동작을 나타내는 특징점을 유사도에 근거하여 복수의 군집으로 분류하는 군집화부;
    상기 설정 기간 동안 분류된 상기 군집의 개수를 이용하여 상기 설정 기간 동안 상기 피험자의 활동 수준을 진단하는 진단부; 및
    상기 피험자의 동작을 나타내는 활동 데이터를 획득하기 위해 상기 피험자에 장착되는 감지부의 장착 위치, 상기 활동 데이터의 대표값인 상기 특징점을 얼마의 기간을 주기로 획득할 것인가와 관련된 설정 기간, 상기 특징점을 산출하기 위해 상기 활동 데이터에 적용되는 연산 방식, 상기 설정 기간이 중복되는 정도를 나타낸 중복 구간 중 적어도 하나를 결정하는 설정부;를 포함하고,
    상기 설정부는 각 비교 군집간 공분산과 상기 각 비교 군집 내 공분산의 비가 설정값을 만족하는 상기 장착 위치, 상기 설정 기간, 상기 연산 방식, 상기 중복 구간 중 적어도 하나를 결정하는 활동 진단 장치.
  2. 제1항에 있어서,
    상기 군집화부는 상기 각 특징점 간의 Minkowski 거리, 유클리디언 거리, 맨하탄 거리, Hamming 거리 중 적어도 하나로부터 상기 유사도를 산출하고,
    상기 유사도에 근거하는 계층 군집화 알고리즘, 분할 군집화 알고리즘, 신경망 방식 알고리즘, 통계적 탐색 알고리즘 중 적어도 하나를 이용해 상기 특징점을 군집화하는 활동 진단 장치.
  3. 삭제
  4. 제1항에 있어서,
    상기 피험자의 동작을 감지하고, 상기 피험자의 동작을 나타내는 활동 데이터를 출력하는 상기 감지부; 및
    상기 활동 데이터로부터 최소한의 점으로 피험자의 동작을 표현하는 상기 특징점을 추출하는 추출부;를 포함하는 활동 진단 장치.
  5. 제4항에 있어서,
    상기 활동 데이터에 포함된 중력값을 제거하는 전처리부;를 포함하고,
    상기 감지부는 가속도 센서를 포함하며,
    상기 가속도 센서에서 출력된 상기 활동 데이터는 상기 중력값이 적용된 것인 활동 진단 장치.
  6. 삭제
  7. 삭제
  8. 제1항에 있어서,
    상기 연산 방식은 상기 설정 기간별로 획득된 상기 활동 데이터를 대상으로 하는 Mean, Variance, Skewness, Kurtosis, Median, Mean Absolute Deviation, Activity Count, Frequency domain Energy, Time domain Energy, Signal Magnitude Area, Spectral Entropy 중 적어도 하나인 활동 진단 장치.
  9. 삭제
  10. 삭제
KR20120086787A 2012-08-08 2012-08-08 활동 진단 장치 KR101483218B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR20120086787A KR101483218B1 (ko) 2012-08-08 2012-08-08 활동 진단 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR20120086787A KR101483218B1 (ko) 2012-08-08 2012-08-08 활동 진단 장치

Publications (2)

Publication Number Publication Date
KR20140020440A KR20140020440A (ko) 2014-02-19
KR101483218B1 true KR101483218B1 (ko) 2015-01-15

Family

ID=50267418

Family Applications (1)

Application Number Title Priority Date Filing Date
KR20120086787A KR101483218B1 (ko) 2012-08-08 2012-08-08 활동 진단 장치

Country Status (1)

Country Link
KR (1) KR101483218B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210085149A (ko) 2019-12-30 2021-07-08 한양대학교 산학협력단 활동량 모니터링을 통한 소 인공수정 시점 탐지 방법 및 장치

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180066789A (ko) * 2016-12-09 2018-06-19 아주대학교산학협력단 사용자의 행동 분류 방법 및 장치
KR102125742B1 (ko) * 2018-11-28 2020-06-23 고려대학교 산학협력단 기본 음성 주파수 대역 아래의 저주파 대역을 이용한 단말 간의 공존 판단 서버 및 그 판단 방법

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20070080852A (ko) * 2007-07-23 2007-08-13 주식회사 바이오에이지 생체 연령 측정 장치 및 그 서비스 방법
JP2009039466A (ja) 2007-08-13 2009-02-26 Advanced Telecommunication Research Institute International 行動識別装置、行動識別システムおよび行動識別方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20070080852A (ko) * 2007-07-23 2007-08-13 주식회사 바이오에이지 생체 연령 측정 장치 및 그 서비스 방법
JP2009039466A (ja) 2007-08-13 2009-02-26 Advanced Telecommunication Research Institute International 行動識別装置、行動識別システムおよび行動識別方法

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210085149A (ko) 2019-12-30 2021-07-08 한양대학교 산학협력단 활동량 모니터링을 통한 소 인공수정 시점 탐지 방법 및 장치

Also Published As

Publication number Publication date
KR20140020440A (ko) 2014-02-19

Similar Documents

Publication Publication Date Title
CN107462258B (zh) 一种基于手机三轴加速度传感器的计步方法
Frank et al. Activity and gait recognition with time-delay embeddings
CN108388912A (zh) 基于多传感器特征优化算法的睡眠分期方法
US20140156215A1 (en) Gait analysis system and method
CN106580282A (zh) 一种人体健康监测装置、系统及方法
CN104586398A (zh) 一种基于多传感器融合的老人跌倒检测方法及系统
CN108597601A (zh) 基于支持向量机的慢性阻塞性肺疾病诊断辅助系统及方法
WO2012119126A2 (en) Apparatus, system, and method for automatic identification of sensor placement
WO2010083562A1 (en) Activity detection
WO2021128923A1 (zh) 运动量测量方法、装置及电子设备
CN104269025B (zh) 面向户外摔倒监测的穿戴式单节点特征及位置选取方法
CN111643092A (zh) 一种癫痫报警装置及癫痫检测方法
CN108021888A (zh) 一种跌倒检测方法
CN110659677A (zh) 一种基于可移动传感器组合设备的人体跌倒检测方法
CN112043252A (zh) 基于脉搏信号中呼吸成分的情绪识别系统及方法
KR101483218B1 (ko) 활동 진단 장치
Luqian et al. Human activity recognition using time series pattern recognition model-based on tsfresh features
Sowmyayani et al. Fall detection in elderly care system based on group of pictures
CN111428690B (zh) 一种基于步态信号拓扑分析的身份认证方法
Saleh et al. A highly reliable wrist-worn acceleration-based fall detector
Zhang et al. An efficient feature selection method for activity classification
Kalogiannis et al. Geriatric group analysis by clustering non-linearly embedded multi-sensor data
Boehner A smartphone application for a portable fall detection system
CN114341947A (zh) 用于使用可穿戴设备的锻炼类型辨识的系统和方法
Valero et al. Reprint of: Vibration sensing-based human and infrastructure safety/health monitoring: A survey

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20180710

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20190107

Year of fee payment: 5