KR101793934B1 - 피트니스 운동의 유형을 자동으로 분류하기 위한 방법 및 장치 - Google Patents
피트니스 운동의 유형을 자동으로 분류하기 위한 방법 및 장치 Download PDFInfo
- Publication number
- KR101793934B1 KR101793934B1 KR1020160126916A KR20160126916A KR101793934B1 KR 101793934 B1 KR101793934 B1 KR 101793934B1 KR 1020160126916 A KR1020160126916 A KR 1020160126916A KR 20160126916 A KR20160126916 A KR 20160126916A KR 101793934 B1 KR101793934 B1 KR 101793934B1
- Authority
- KR
- South Korea
- Prior art keywords
- axis
- value
- fitness
- standard deviation
- type
- Prior art date
Links
Images
Classifications
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1116—Determining posture transitions
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1121—Determining geometric values, e.g. centre of rotation or angular range of movement
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
- A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
- A61B5/1123—Discriminating type of movement, e.g. walking or running
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
- A61B2562/02—Details of sensors specially adapted for in-vivo measurements
- A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Physics & Mathematics (AREA)
- Heart & Thoracic Surgery (AREA)
- Molecular Biology (AREA)
- Dentistry (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Engineering & Computer Science (AREA)
- Biomedical Technology (AREA)
- Physiology (AREA)
- Medical Informatics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Veterinary Medicine (AREA)
- Geometry (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
본 발명의 일 실시예에 의한 피트니스 운동의 유형을 자동으로 분류하기 위한 방법은, (a) 3축 가속도 센서가 장착된 웨어러블 기기를 착용하고 있는 사용자가 피트니스 운동을 하고 있는 동안에 수집된 3축 가속도 값들에 기반하여 각 축에 따른 가속도의 평균값과 표준편차값 및 대응하는 피트니스 운동의 유형을 신경망 알고리즘의 학습 데이터로서 입력하여, 피트니스 운동의 유형을 분류하기 위한 분류 모형을 도출하는 단계; (b) 상기 3축 가속도 센서에 의해 센싱된 3축 가속도 값을 수집하는 단계; (c) 시간축을 주파수축으로 변경하여 상기 수집된 3축 가속도 값을 분석함으로써 상기 피트니스 운동의 주기인 타임 윈도우(time window) 대표값을 결정하는 단계; (d) 상기 타임 윈도우 대표값을 상기 운동의 주기로 하여 각 축에 따른 가속도의 평균값과 표준편차값을 도출하는 단계; 및 (e) 상기 도출된 분류 모형을 이용하여 상기 단계 (d)에서 도출된 각 축에 따른 가속도의 평균값과 표준편차값의 변화 패턴을 분류하여 사용자가 현재 실시하고 있는 피트니스 운동의 유형을 판별하는 단계를 포함한다.
Description
본 발명은 피트니스 운동의 유형을 자동으로 분류하기 위한 방법 및 장치에 관한 것이다.
피트니스 운동을 하는 사람들은 자신의 몸 상태를 관리하기 위하여, 어떤 유형의 피트니스 운동을 얼마만큼 했는지 파악할 필요가 있다.
어떤 유형의 피트니스 운동을 얼마만큼 했는지를 파악하기 위해서는 어떤 유형의 피트니스 운동을 하는지 그리고 각 운동을 한 횟수를 파악하여 일일이 수동으로 기록해야 한다.
이것은 매우 신경이 쓰이는 시간소모적인 성가신 일이고, 사용자가 일일이 운동 유형 및 운동 횟수를 파악하여 수동으로 기록해야 하기 때문에 부정확할 수 있디.
특히, 사용자가 벤치 프레스(bench press), 딥스(dips), 스쿼트(squat), 데드리프트(deadlift), 밀리터리 프레스(military press)를 포함하는, 다양한 유형의 피트니스 운동을 하는 경우, 상기 피트니스 운동 유형 간에는 유사한 동작이 존재하기 때문에, 사용자의 동작을 감지하여 피트니스 운동의 유형을 자동으로 정확하게 판별하는 것은 용이하지 않다.
따라서 사용자의 움직임을 감지하여 피트니스 운동의 유형을 자동으로 판별하여 분류하고 각 유형의 피트니스 운동을 실시한 횟수를 자동으로 결정하여 기록할 수 있는 방법 및 장치에 대한 요구가 존재한다.
본 발명이 해결하고자 하는 과제는 사용자의 움직임을 감지하여 피트니스 운동의 유형을 자동으로 판별하여 분류하고 각 유형의 피트니스 운동을 실시한 횟수를 자동으로 결정하여 기록할 수 있는 피트니스 운동의 유형을 자동으로 분류하기 위한 방법을 제공하는 것이다.
본 발명이 해결하고자 하는 다른 과제는 사용자의 움직임을 감지하여 피트니스 운동의 유형을 자동으로 판별하여 분류하고 각 유형의 피트니스 운동을 실시한 횟수를 자동으로 결정하여 기록할 수 있는 피트니스 운동의 유형을 자동으로 분류하기 위한 장치를 제공하는 것이다.
상기 과제를 해결하기 위한 본 발명의 일 실시예에 의한 피트니스 운동의 유형을 자동으로 분류하기 위한 방법은,
(a) 3축 가속도 센서가 장착된 웨어러블 기기를 착용하고 있는 사용자가 피트니스 운동을 하고 있는 동안에 수집된 3축 가속도 값들에 기반하여 각 축에 따른 가속도의 평균값과 표준편차값 및 대응하는 피트니스 운동의 유형을 신경망 알고리즘의 학습 데이터로서 입력하여, 피트니스 운동의 유형을 분류하기 위한 분류 모형을 도출하는 단계;
(b) 상기 3축 가속도 센서에 의해 센싱된 3축 가속도 값을 수집하는 단계;
(c) 시간축을 주파수축으로 변경하여 상기 수집된 3축 가속도 값을 분석함으로써 상기 피트니스 운동의 주기인 타임 윈도우(time window) 대표값을 결정하는 단계;
(d) 상기 타임 윈도우 대표값을 상기 운동의 주기로 하여 각 축에 따른 가속도의 평균값과 표준편차값을 도출하는 단계; 및
(e) 상기 도출된 분류 모형을 이용하여 상기 단계 (d)에서 도출된 각 축에 따른 가속도의 평균값과 표준편차값의 변화 패턴을 분류하여 사용자가 현재 실시하고 있는 피트니스 운동의 유형을 판별하는 단계를 포함한다.
본 발명의 일 실시예에 의한 피트니스 운동의 유형을 자동으로 분류하기 위한 방법에 있어서, 상기 단계 (a)는,
(a-1) 상기 3축 가속도 센서가 장착된 웨어러블 기기를 착용하고 있는 사용자가 피트니스 운동을 하고 있는 동안에, 상기 3축 가속도 센서에 의해 센싱된 3축 가속도 값들을 수집하는 단계;
(a-2) 시간축을 주파수축으로 변경하여 상기 수집된 3축 가속도 값들을 분석하여 크기가 최대값을 갖는 주파수값에 기반하여 상기 피트니스 운동의 주기인 타임 윈도우(time window) 대표값을 결정하는 단계;
(a-3) 상기 타임 윈도우 대표값을 상기 운동의 주기로 하여 각 축에 따른 가속도의 평균값과 표준편차값을 도출하는 단계; 및
(a-4) 상기 타임 윈도우 대표값, 상기 도출된 각 축에 따른 평균값과 표준편차값, 및 대응하는 피트니스 운동의 유형을 신경망 알고리즘의 학습 데이터로서 입력하여, 피트니스 운동의 유형을 분류하기 위한 분류 모형을 도출하는 단계를 포함할 수 있다.
또한, 본 발명의 일 실시예에 의한 피트니스 운동의 유형을 자동으로 분류하기 위한 방법에 있어서, 상기 단계 (a-1)과 상기 단계 (b)에서, 상기 3축 가속도값은 10 Hz 이상의 샘플링 레이트에 따라 샘플링되어 획득될 수 있다.
또한, 본 발명의 일 실시예에 의한 피트니스 운동의 유형을 자동으로 분류하기 위한 방법에 있어서, 상기 피트니스 운동의 유형은 벤치 프레스(bench press), 딥스(dips), 스쿼트(squat), 데드리프트(deadlift), 밀리터리 프레스(military press)를 포함할 수 있다.
또한, 본 발명의 일 실시예에 의한 피트니스 운동의 유형을 자동으로 분류하기 위한 방법에 있어서, 상기 각 축에 따른 가속도의 평균값과 표준편차값은, x축 평균, y축 평균, z축 평균, x축 표준편차, y축 표준편차, 및 z축 표준편차를 포함할 수 있다.
또한, 본 발명의 일 실시예에 의한 피트니스 운동의 유형을 자동으로 분류하기 위한 방법은, 상기 단계 (e) 이후에, 사용자가 피트니스 운동을 종료하는 경우, 각 피트니스 운동 유형별 운동 횟수를 결정하는 단계를 더 포함할 수 있다.
상기 다른 과제를 해결하기 위한 본 발명의 일 실시예에 의한 피트니스 운동의 유형을 자동으로 분류하기 위한 장치는,
사용자의 움직임을 감지하여 3축 가속도 값을 센싱하기 위한 3축 가속도 센서;
상기 3축 가속도 센서가 장착된 웨어러블 기기를 착용하고 있는 사용자가 피트니스 운동을 하고 있는 동안에 수집된 3축 가속도 값들에 기반하여 각 축에 따른 가속도의 평균값과 표준편차값 및 대응하는 피트니스 운동의 유형을 신경망 알고리즘의 학습 데이터로서 입력받아, 피트니스 운동의 유형을 분류하기 위한 분류 모형을 도출하는 신경망 모듈; 및
상기 3축 가속도 센서에 의해 센싱된 3축 가속도 값을 수집하고, 시간축을 주파수축으로 변경하여 상기 수집된 3축 가속도 값을 분석함으로써 상기 피트니스 운동의 주기인 타임 윈도우(time window) 대표값을 결정하며, 상기 타임 윈도우 대표값을 상기 운동의 주기로 하여 각 축에 따른 가속도의 평균값과 표준편차값을 도출하고, 상기 도출된 분류 모형을 이용하여 상기 도출된 각 축에 따른 가속도의 평균값과 표준편차값의 변화 패턴을 분류하여 사용자가 현재 실시하고 있는 피트니스 운동의 유형을 판별하는 제어부를 포함한다.
본 발명의 일 실시예에 의한 피트니스 운동의 유형을 자동으로 분류하기 위한 장치에 있어서, 상기 제어부는,
상기 3축 가속도 센서가 장착된 웨어러블 기기를 착용하고 있는 사용자가 피트니스 운동을 하고 있는 동안에, 상기 3축 가속도 센서에 의해 센싱된 3축 가속도 값들을 수집하는 동작;
시간축을 주파수축으로 변경하여 상기 수집된 3축 가속도 값들을 분석하여 크기가 최대값을 갖는 주파수값에 기반하여 상기 피트니스 운동의 주기인 타임 윈도우(time window) 대표값을 결정하는 동작; 및
상기 타임 윈도우 대표값을 상기 운동의 주기로 하여 각 축에 따른 가속도의 평균값과 표준편차값을 도출하여 상기 신경망 모듈에 제공하는 동작을 더 수행할 수 있다.
또한, 본 발명의 일 실시예에 의한 피트니스 운동의 유형을 자동으로 분류하기 위한 장치에 있어서, 상기 3축 가속도값은 10 Hz 이상의 샘플링 레이트에 따라 샘플링되어 획득될 수 있다.
또한, 본 발명의 일 실시예에 의한 피트니스 운동의 유형을 자동으로 분류하기 위한 장치에 있어서, 상기 피트니스 운동의 유형은 벤치 프레스(bench press), 딥스(dips), 스쿼트(squat), 데드리프트(deadlift), 밀리터리 프레스(military press)를 포함할 수 있다.
또한, 본 발명의 일 실시예에 의한 피트니스 운동의 유형을 자동으로 분류하기 위한 장치에 있어서, 상기 각 축에 따른 가속도의 평균값과 표준편차값은, x축 평균, y축 평균, z축 평균, x축 표준편차, y축 표준편차, 및 z축 표준편차를 포함할 수 있다.
또한, 본 발명의 일 실시예에 의한 피트니스 운동의 유형을 자동으로 분류하기 위한 장치에 있어서, 상기 제어부는, 사용자가 피트니스 운동을 종료하는 경우, 각 피트니스 운동 유형별 운동 횟수를 결정하는 동작을 더 수행할 수 있다.
또한, 본 발명의 일 실시예에 의한 피트니스 운동의 유형을 자동으로 분류하기 위한 장치는,
상기 판별된 피트니스 운동의 유형 및 각 피트니스 운동 유형별 운동 횟수를 저장하기 위한 메모리; 및
상기 판별된 피트니스 운동의 유형 및 각 피트니스 운동 유형별 운동 횟수를 표시하기 위한 표시부를 더 포함할 수 있다.
본 발명의 일 실시예에 의한 피트니스 운동의 유형을 자동으로 분류하기 위한 방법 및 장치에 의하면, 사용자의 움직임을 감지하여 벤치 프레스(bench press), 딥스(dips), 스쿼트(squat), 데드리프트(deadlift), 밀리터리 프레스(military press)를 포함하는, 다양한 피트니스 운동 유형을 자동으로 판별하여 분류할 수 있고, 각 유형의 피트니스 운동을 실시한 횟수를 자동으로 결정하여 기록할 수 있다.
도 1은 본 발명의 일 실시예에 의한 피트니스 운동의 유형을 자동으로 분류하기 위한 방법의 흐름도.
도 2는 본 발명의 일 실시예에 의한 피트니스 운동의 유형을 자동으로 분류하기 위한 장치의 블록도.
도 3은 대표적인 피트니스 운동의 유형을 도시한 도면.
도 2는 본 발명의 일 실시예에 의한 피트니스 운동의 유형을 자동으로 분류하기 위한 장치의 블록도.
도 3은 대표적인 피트니스 운동의 유형을 도시한 도면.
본 발명의 목적, 특정한 장점들 및 신규한 특징들은 첨부된 도면들과 연관되어지는 이하의 상세한 설명과 바람직한 실시예들로부터 더욱 명백해질 것이다.
이에 앞서 본 명세서 및 청구범위에 사용된 용어나 단어는 통상적이고 사전적인 의미로 해석되어서는 아니되며, 발명자가 그 자신의 발명을 가장 최선의 방법으로 설명하기 위해 용어의 개념을 적절하게 정의할 수 있는 원칙에 입각하여 본 발명의 기술적 사상에 부합되는 의미와 개념으로 해석되어야 한다.
본 명세서에서 각 도면의 구성요소들에 참조번호를 부가함에 있어서, 동일한 구성 요소들에 한해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 번호를 가지도록 하고 있음에 유의하여야 한다.
또한, "제1", "제2", "일면", "타면" 등의 용어는, 하나의 구성요소를 다른 구성요소로부터 구별하기 위해 사용되는 것으로, 구성요소가 상기 용어들에 의해 제한되는 것은 아니다.
이하, 본 발명을 설명함에 있어, 본 발명의 요지를 불필요하게 흐릴 수 있는 관련된 공지 기술에 대한 상세한 설명은 생략한다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시형태를 상세히 설명하기로 한다.
도 1은 본 발명의 일 실시예에 의한 피트니스 운동의 유형을 자동으로 분류하기 위한 방법의 흐름도이고, 도 2는 본 발명의 일 실시예에 의한 피트니스 운동의 유형을 자동으로 분류하기 위한 장치의 블록도이다.
먼저, 도 2를 참조하면, 본 발명의 일 실시예에 의한 피트니스 운동의 유형을 자동으로 분류하기 위한 장치는, 사용자의 움직임을 감지하여 3축 가속도 값을 센싱하기 위한 3축 가속도 센서(200), 상기 3축 가속도 센서(200)가 장착된 웨어러블 기기를 착용하고 있는 사용자가 피트니스 운동을 하고 있는 동안에 수집된 3축 가속도 값들에 기반하여 각 축에 따른 가속도의 평균값과 표준편차값 및 대응하는 피트니스 운동의 유형을 신경망 알고리즘의 학습 데이터로서 입력받아, 피트니스 운동의 유형을 분류하기 위한 분류 모형을 도출하는 신경망 모듈(204), 및 상기 3축 가속도 센서(200)에 의해 센싱된 3축 가속도 값을 수집하고, 시간축을 주파수축으로 변경하여 상기 수집된 3축 가속도 값을 분석함으로써 상기 피트니스 운동의 주기인 타임 윈도우(time window) 대표값을 결정하며, 상기 타임 윈도우 대표값을 상기 운동의 주기로 하여 각 축에 따른 가속도의 평균값과 표준편차값을 도출하고, 상기 도출된 분류 모형을 이용하여 상기 도출된 각 축에 따른 가속도의 평균값과 표준편차값의 변화 패턴을 분류하여 사용자가 현재 실시하고 있는 피트니스 운동의 유형을 판별하는 제어부(202)를 포함한다.
또한, 본 발명의 일 실시예에 의한 피트니스 운동의 유형을 자동으로 분류하기 위한 장치는, 상기 판별된 피트니스 운동의 유형 및 각 피트니스 운동 유형별 운동 횟수를 저장하기 위한 메모리(206), 및 상기 판별된 피트니스 운동의 유형 및 각 피트니스 운동 유형별 운동 횟수를 표시하기 위한 표시부(208)를 더 포함한다.
상기 3축 가속도 센서(200), 제어부(202), 신경망 모듈(204), 메모리(206), 및 표시부(208)는, 예를 들어 스마트 밴드, 스마트 팔찌, 스마트 워치 등 사용자의 신체 일부에 착용될 수 있는 웨어러블 기기에 포함될 수 있다.
이하, 본 발명의 일 실시예에 의한 피트니스 운동의 유형을 자동으로 분류하기 위한 방법 및 장치에 대한 동작 설명을 도 1 내지 도 3을 참조하여 설명하기로 한다.
단계 S100에서, 사용자는 상기 3축 가속도 센서(200), 제어부(202), 신경망 모듈(204), 메모리(206), 및 표시부(208)를 포함하는 본 발명의 일 실시예에 의한 피트니스 운동의 유형을 자동으로 분류하기 위한 장치를 포함하는 웨어러블 기기를 착용하고 피트니스 운동을 실시한다.
단계 S102에서, 제어부(202)는 3축 가속도 센서(200)로부터 출력되는 신호를 수신하여 10Hz 이상의 샘플링 레이트로 샘플링하여 3축 가속도 값을 실시간으로 추적하고, 단계 S104에서 제어부(202)는 3축(x축, y축, z축) 가속도 값을 실시간으로 수집한다.
단계 S106에서, 제어부(202)는 고속 푸리에 변환(FFT: fast Fourier transform)을 통해 시간축을 주파수축으로 변경하여 분석한 후 이 결과 가장 값이 두드러진 주파수값, 즉 크기가 최대값을 갖는 주파수값의 역수를 타임 윈도우 대표값(예를 들어 3초)으로 결정한다. 상기 타임 윈도우 대표값은 사용자가 실시하고 있는 피트니스 운동의 주기라고 할 수 있다.
단계 S108에서, 제어부(202)는 운동 주기인 타임 윈도우 대표값과 관련된 값들을 도출한다. 즉, 제어부(202)는 상기 타임 윈도우 대표값을 사용자가 실시하고 있는 피트니스 운동의 주기로 하여 각 축에 따른 가속도의 평균값과 표준편차값을 도출한 후 신경망 모듈(204)에 제공한다. 각 축에 따른 가속도의 평균값과 표준편차값은, x축 평균, y축 평균, z축 평균, x축 표준편차, y축 표준편차, z축 표준편차이다.
단계 S110에서 사용자는 현재 실시하고 있는 피트니스 운동의 유형값을 신경망 모듈(204)에 입력한다.
즉, x축 평균, y축 평균, z축 평균, x축 표준편차, y축 표준편차, z축 표준편차, 대응하는 피트니스 트레이닝 유형 및 타임 윈도우 대표값(운동 주기)이 신경망 모듈(204)에 입력된다.
단계 S112에서, 신경망 모듈(204)은 입력된 값들을 학습 데이터로서 사용하여 신경망 알고리즘을 이용하여 학습함으로써 입력되는 정보의 특성을 자동으로 분류하기 위한 분류 모형을 도출한다.
본 발명의 일 실시예에서 상기 신경망 모듈(204)은 예시적으로 딥 러닝 알고리즘을 구현하는 딥 콘볼루션 신경망(Deep Convolutional Neural Network)을 이용하여 입력되는 정보를 학습하는 모듈이다.
상기한 단계들을 통해 사용자가 피트니스 운동을 실시하고 있을 때 3축 가속도 센서(200)에서 출력되는 3축 가속도값의 평균 및 표준편차에 기반하여 피트니스 운동의 유형을 분류하기 위한 분류 모형이 도출된다.
이제 제어부(202)가 도출된 분류 모형에 기반하여 사용자가 현재 실시하고 있는 피트니스 운동의 유형을 판별하는 과정을 살펴보기로 한다.
다시 단계 S100에서, 사용자는 상기 3축 가속도 센서(200), 제어부(202), 신경망 모듈(204), 메모리(206), 및 표시부(208)를 포함하는 본 발명의 일 실시예에 의한 피트니스 운동의 유형을 자동으로 분류하기 위한 장치를 포함하는 웨어러블 기기를 착용하고 피트니스 운동을 실시한다.
단계 S102에서, 제어부(202)는 3축 가속도 센서(200)로부터 출력되는 신호를 수신하여 10Hz 이상의 샘플링 레이트로 샘플링하여 3축 가속도 값을 실시간으로 추적하고, 단계 S104에서 제어부(202)는 3축(x, y, z축) 가속도 값을 실시간으로 수집한다.
단계 S106에서, 제어부(202)는 고속 푸리에 변환(FFT: fast Fourier transform)을 통해 시간축을 주파수축으로 변경하여 분석한 후 이 결과 가장 값이 두드러진 주파수값, 즉 크기가 최대값을 갖는 주파수값의 역수를 타임 윈도우 대표값(예를 들어 3초)으로 결정한다. 상기 타임 윈도우 대표값은 사용자가 하고 있는 피트니스 운동의 주기라고 할 수 있다.
단계 S108에서, 제어부(202)는 운동 주기인 타임 윈도우 대표값과 관련된 값들을 도출한다. 즉, 제어부(202)는 상기 타임 윈도우 대표값을 사용자가 하고 있는 피트니스 운동의 주기로 하여 각 축에 따른 가속도의 평균값과 표준편차값을 도출한다. 각 축에 따른 가속도의 평균값과 표준편차값은, x축 평균, y축 평균, z축 평균, x축 표준편차, y축 표준편차, z축 표준편차이다.
단계 S114에서, 제어부(202)는 상기 도출된 분류 모형을 이용하여 상기 도출된 각 축에 따른 가속도의 평균값과 표준편차값의 변화 패턴을 분류하여 현재 사용자의 신체 동작이 어떤 피트니스 운동의 유형에 속하는지를 결정함으로써, 사용자가 현재 실시하고 있는 피트니스 운동의 유형을 판별하여 분류한다.
본 발명의 일 실시예에 의한 피트니스 운동의 유형을 자동으로 분류하기 위한 방법 및 장치에서는, 3축에 따른 가속도의 평균값과 표준편차값의 변화 패턴을 신경망 알고리즘을 이용하여 가속도의 평균값과 표준편차값의 변화에 대응하는 피트니스 운동의 유형을 학습함으로써 각 축에 따른 가속도의 평균값과 표준편차값의 변화 패턴에 따라 피트니스 운동의 유형을 판별하여 분류한다.
본 발명의 일 실시예에 의한 피트니스 운동의 유형을 자동으로 분류하기 위한 방법 및 장치는, 도 3a 내지 도 3e에 도시된 바와 같이, 벤치 프레스(bench press), 딥스(dips), 스쿼트(squat), 데드리프트(deadlift), 밀리터리 프레스(military press)를 판별하여 분류할 수 있지만, 본 발명은 이에 한정되지 않고 다른 다양한 유형의 피트니스 운동의 유형을 판별하여 분류할 수도 있다.
벤치 프레스(bench press), 딥스(dips), 스쿼트(squat), 데드리프트(deadlift), 밀리터리 프레스(military press)의 3축에 따른 가속도의 평균값과 표준편차값의 변화 패턴들은 서로 구별가능한 특징을 가지고 있기 때문에, 본 발명의 일 실시예에 의한 피트니스 운동의 유형을 자동으로 분류하기 위한 방법 및 장치에서는, 각 피트니스 운동의 유형에 대한 3축에 따른 가속도의 평균값과 표준편차값에 따른 학습을 통해 도출된 분류 모형에 기반하여, 각 피트니스 운동의 유형을 판별하여 분류할 수 있다.
또한, 제어부(202)는, 사용자가 피트니스 운동을 종료하는 경우, 각 피트니스 운동 유형별 운동 횟수를 결정할 수 있다.
또한, 제어부(202)는, 상기 결정된 피트니스 운동의 유형 및 각 피트니스 운동 유형별 운동 횟수를 메모리(206)에 저장하거나 표시부(208)에 표시할 수 있다.
또한, 본 발명의 일 실시예에서는 3축 가속도 값들에 기반하여 피트니스 운동의 유형을 판별하였으나, 본 발명은 이에 한정되지 않고, 3축 각속도 값을 센싱하여 3축 각속도 값에 기반하여 피트니스 운동의 유형을 판별할 수도 있다.
한편, 본 발명의 일 실시예에 의한 피트니스 운동의 유형을 자동으로 분류하기 위한 방법 및 장치의 성능을 검증하기 위하여 하기와 같은 실험을 실시하였다.
우선, 본 발명의 일 실시예에 의한 피트니스 운동의 유형을 자동으로 분류하기 위한 장치가 구비된 스마트 워치를 전문적인 피트니스 트레이너에 착용시켜 벤치 프레스(bench press), 딥스(dips), 스쿼트(squat), 데드리프트(deadlift), 밀리터리 프레스(military press)를 실시하였다.
실험 결과, 본 발명의 일 실시예에 의한 피트니스 운동의 유형을 자동으로 분류하기 위한 방법 및 장치는, 92.8%의 정확도로 벤치 프레스(bench press), 딥스(dips), 스쿼트(squat), 데드리프트(deadlift), 밀리터리 프레스(military press)를 판별하였다.
하기에 실험 과정을 상세히 설명하기로 한다.
우선, 전문적인 피트니스 트레이너에게 벤치 프레스(bench press), 딥스(dips), 스쿼트(squat), 데드리프트(deadlift), 밀리터리 프레스(military press)를 포함하는 5가지 유형의 피트니스 운동을 수행하도록 하였다.
피트니스 트레이너는 10회 반복을 한 세트로 하여, 각 운동을 총 10 세트 수행하였다. 근육 피로를 최소화하기 위하여 한 세트 운동 후에 충분한 휴식을 취하도록 하였다. 벤치 프레스, 스쿼트 및 데드리프트는 바(bar)의 중량을 포함하지 않고, 총 20 ㎏의 중량을 가지고 수행되었다. 반면에 딥스와 밀리터리 프레스는 중량없이 수행되었다. 본 실험에서는 무거운 중량보다는 적합한 폼이 더 중요한 것으로 간주되었다.
마이크로소프트 컴퓨테이셔널 네트워크 툴키트(CNTK: Computational Network Toolkit) 플랫폼을 사용하여 딥 콘볼루션 신경망이 적용되었다. 0.9의 고정 모멘텀을 갖는 확률 기울기 하강(Stochastic Gradient Descent)이 사용되었고, 반면에 학습률은 전체 데이터 세트에 대해 0.1로 설정되었다.
결과로서, 5가지 유형의 피트니스 운동, 즉 벤치 프레스, 딥스, 스쿼트, 데드리프트 및 밀리터리 프레스의 예측 정확도는 92.8%로 결정되었다.
상기와 같이, 본 발명의 일 실시예에 의한 피트니스 운동의 유형을 자동으로 분류하기 위한 방법 및 장치에 의하면, 사용자의 움직임을 감지하여 벤치 프레스(bench press), 딥스(dips), 스쿼트(squat), 데드리프트(deadlift), 밀리터리 프레스(military press)를 포함하는, 다양한 피트니스 운동 유형을 자동으로 판별하여 분류할 수 있고, 각 유형의 피트니스 운동을 실시한 횟수를 자동으로 결정하여 기록할 수 있다.
이상 본 발명을 구체적인 실시예를 통하여 상세하게 설명하였으나, 이는 본 발명을 구체적으로 설명하기 위한 것으로, 본 발명은 이에 한정되지 않으며, 본 발명의 기술적 사상 내에서 당 분야의 통상의 지식을 가진 자에 의해 그 변형이나 개량이 가능함은 명백하다고 할 것이다.
본 발명의 단순한 변형 내지 변경은 모두 본 발명의 영역에 속하는 것으로, 본 발명의 구체적인 보호 범위는 첨부된 청구범위에 의하여 명확해질 것이다.
200 : 3축 가속도 센서 202 : 제어부
204 : 신경망 모듈 206 : 메모리
208 : 표시부
204 : 신경망 모듈 206 : 메모리
208 : 표시부
Claims (13)
- (a) 3축 가속도 센서가 장착된 웨어러블 기기를 착용하고 있는 사용자가 피트니스 운동을 하고 있는 동안에 수집된 3축 가속도 값들에 기반하여 각 축에 따른 가속도의 평균값과 표준편차값 및 대응하는 피트니스 운동의 유형을 신경망 알고리즘의 학습 데이터로서 입력하여, 피트니스 운동의 유형을 분류하기 위한 분류 모형을 도출하는 단계;
(b) 상기 3축 가속도 센서에 의해 센싱된 3축 가속도 값을 수집하는 단계;
(c) 시간축을 주파수축으로 변경하여 상기 수집된 3축 가속도 값을 분석함으로써 상기 피트니스 운동의 주기인 타임 윈도우(time window) 대표값을 결정하는 단계;
(d) 상기 타임 윈도우 대표값을 상기 운동의 주기로 하여 각 축에 따른 가속도의 평균값과 표준편차값을 도출하는 단계; 및
(e) 상기 도출된 분류 모형을 이용하여 상기 단계 (d)에서 도출된 각 축에 따른 가속도의 평균값과 표준편차값의 변화 패턴을 분류하여 사용자가 현재 실시하고 있는 피트니스 운동의 유형을 판별하는 단계를 포함하고,
상기 단계 (a)는,
(a-1) 상기 3축 가속도 센서가 장착된 웨어러블 기기를 착용하고 있는 사용자가 피트니스 운동을 하고 있는 동안에, 상기 3축 가속도 센서에 의해 센싱된 3축 가속도 값들을 수집하는 단계;
(a-2) 시간축을 주파수축으로 변경하여 상기 수집된 3축 가속도 값들을 분석하여 크기가 최대값을 갖는 주파수값에 기반하여 상기 피트니스 운동의 주기인 타임 윈도우(time window) 대표값을 결정하는 단계;
(a-3) 상기 타임 윈도우 대표값을 상기 운동의 주기로 하여 각 축에 따른 가속도의 평균값과 표준편차값을 도출하는 단계; 및
(a-4) 상기 타임 윈도우 대표값, 상기 도출된 각 축에 따른 평균값과 표준편차값, 및 대응하는 피트니스 운동의 유형을 신경망 알고리즘의 학습 데이터로서 입력하여, 피트니스 운동의 유형을 분류하기 위한 분류 모형을 도출하는 단계를 포함하며,
상기 피트니스 운동의 유형은 벤치 프레스(bench press), 딥스(dips), 스쿼트(squat), 데드리프트(deadlift), 밀리터리 프레스(military press)를 포함하고,
상기 단계 (e) 이후에,
사용자가 피트니스 운동을 종료하는 경우, 각 피트니스 운동 유형별 운동 횟수를 결정하는 단계를 더 포함하는, 피트니스 운동의 유형을 자동으로 분류하기 위한 방법. - 삭제
- 청구항 1에 있어서,
상기 단계 (a-1)과 상기 단계 (b)에서, 상기 3축 가속도값은 10 Hz 이상의 샘플링 레이트에 따라 샘플링되어 획득되는, 피트니스 운동의 유형을 자동으로 분류하기 위한 방법. - 삭제
- 청구항 1에 있어서,
상기 각 축에 따른 가속도의 평균값과 표준편차값은, x축 평균, y축 평균, z축 평균, x축 표준편차, y축 표준편차, 및 z축 표준편차를 포함하는, 피트니스 운동의 유형을 자동으로 분류하기 위한 방법. - 삭제
- 사용자의 움직임을 감지하여 3축 가속도 값을 센싱하기 위한 3축 가속도 센서;
상기 3축 가속도 센서가 장착된 웨어러블 기기를 착용하고 있는 사용자가 피트니스 운동을 하고 있는 동안에 수집된 3축 가속도 값들에 기반하여 각 축에 따른 가속도의 평균값과 표준편차값 및 대응하는 피트니스 운동의 유형을 신경망 알고리즘의 학습 데이터로서 입력받아, 피트니스 운동의 유형을 분류하기 위한 분류 모형을 도출하는 신경망 모듈; 및
상기 3축 가속도 센서에 의해 센싱된 3축 가속도 값을 수집하고, 시간축을 주파수축으로 변경하여 상기 수집된 3축 가속도 값을 분석함으로써 상기 피트니스 운동의 주기인 타임 윈도우(time window) 대표값을 결정하며, 상기 타임 윈도우 대표값을 상기 운동의 주기로 하여 각 축에 따른 가속도의 평균값과 표준편차값을 도출하고, 상기 도출된 분류 모형을 이용하여 상기 도출된 각 축에 따른 가속도의 평균값과 표준편차값의 변화 패턴을 분류하여 사용자가 현재 실시하고 있는 피트니스 운동의 유형을 판별하는 제어부를 포함하고,
상기 제어부는,
상기 3축 가속도 센서가 장착된 웨어러블 기기를 착용하고 있는 사용자가 피트니스 운동을 하고 있는 동안에, 상기 3축 가속도 센서에 의해 센싱된 3축 가속도 값들을 수집하는 동작;
시간축을 주파수축으로 변경하여 상기 수집된 3축 가속도 값들을 분석하여 크기가 최대값을 갖는 주파수값에 기반하여 상기 피트니스 운동의 주기인 타임 윈도우(time window) 대표값을 결정하는 동작; 및
상기 타임 윈도우 대표값을 상기 운동의 주기로 하여 각 축에 따른 가속도의 평균값과 표준편차값을 도출하여 상기 신경망 모듈에 제공하는 동작을 더 수행하며,
상기 피트니스 운동의 유형은 벤치 프레스(bench press), 딥스(dips), 스쿼트(squat), 데드리프트(deadlift), 밀리터리 프레스(military press)를 포함하고,
상기 제어부는, 사용자가 피트니스 운동을 종료하는 경우, 각 피트니스 운동 유형별 운동 횟수를 결정하는 동작을 더 수행하며,
상기 판별된 피트니스 운동의 유형 및 각 피트니스 운동 유형별 운동 횟수를 저장하기 위한 메모리; 및
상기 판별된 피트니스 운동의 유형 및 각 피트니스 운동 유형별 운동 횟수를 표시하기 위한 표시부를 더 포함하는, 피트니스 운동의 유형을 자동으로 분류하기 위한 장치. - 삭제
- 청구항 7에 있어서,
상기 3축 가속도값은 10 Hz 이상의 샘플링 레이트에 따라 샘플링되어 획득되는, 피트니스 운동의 유형을 자동으로 분류하기 위한 장치. - 삭제
- 청구항 7에 있어서,
상기 각 축에 따른 가속도의 평균값과 표준편차값은, x축 평균, y축 평균, z축 평균, x축 표준편차, y축 표준편차, 및 z축 표준편차를 포함하는, 피트니스 운동의 유형을 자동으로 분류하기 위한 장치. - 삭제
- 삭제
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020160126916A KR101793934B1 (ko) | 2016-09-30 | 2016-09-30 | 피트니스 운동의 유형을 자동으로 분류하기 위한 방법 및 장치 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020160126916A KR101793934B1 (ko) | 2016-09-30 | 2016-09-30 | 피트니스 운동의 유형을 자동으로 분류하기 위한 방법 및 장치 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR101793934B1 true KR101793934B1 (ko) | 2017-11-06 |
Family
ID=60384450
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020160126916A KR101793934B1 (ko) | 2016-09-30 | 2016-09-30 | 피트니스 운동의 유형을 자동으로 분류하기 위한 방법 및 장치 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR101793934B1 (ko) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101859549B1 (ko) * | 2017-11-15 | 2018-05-21 | (주)컬처릿 | 웨어러블 센서 기반의 동작 훈련 가이드 시스템 및 그 방법 |
KR20190102924A (ko) * | 2018-02-27 | 2019-09-04 | 세종대학교산학협력단 | 관성 측정 유닛을 사용하여 콘볼루션 신경망 기반의 제스처 인식을 수행하는 기법 |
KR20190102915A (ko) * | 2018-02-27 | 2019-09-04 | 세종대학교산학협력단 | 착용가능 디바이스를 사용하여 신경망 기반의 제스처 인식을 수행하는 기법 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100305480A1 (en) * | 2009-06-01 | 2010-12-02 | Guoyi Fu | Human Motion Classification At Cycle Basis Of Repetitive Joint Movement |
-
2016
- 2016-09-30 KR KR1020160126916A patent/KR101793934B1/ko active IP Right Grant
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100305480A1 (en) * | 2009-06-01 | 2010-12-02 | Guoyi Fu | Human Motion Classification At Cycle Basis Of Repetitive Joint Movement |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101859549B1 (ko) * | 2017-11-15 | 2018-05-21 | (주)컬처릿 | 웨어러블 센서 기반의 동작 훈련 가이드 시스템 및 그 방법 |
KR20190102924A (ko) * | 2018-02-27 | 2019-09-04 | 세종대학교산학협력단 | 관성 측정 유닛을 사용하여 콘볼루션 신경망 기반의 제스처 인식을 수행하는 기법 |
KR20190102915A (ko) * | 2018-02-27 | 2019-09-04 | 세종대학교산학협력단 | 착용가능 디바이스를 사용하여 신경망 기반의 제스처 인식을 수행하는 기법 |
KR102046706B1 (ko) * | 2018-02-27 | 2019-11-19 | 세종대학교산학협력단 | 착용가능 디바이스를 사용하여 신경망 기반의 제스처 인식을 수행하는 기법 |
KR102046707B1 (ko) * | 2018-02-27 | 2019-11-19 | 세종대학교산학협력단 | 관성 측정 유닛을 사용하여 콘볼루션 신경망 기반의 제스처 인식을 수행하는 기법 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105310696B (zh) | 一种跌倒检测模型构建方法及相应的跌倒检测方法和装置 | |
US20180133551A1 (en) | System and method for personalized exercise training and coaching | |
Velloso et al. | Qualitative activity recognition of weight lifting exercises | |
CN110811578A (zh) | 计步装置及其计步方法、控制器和可读存储介质 | |
CN104841117B (zh) | 基于移动终端加速度传感器的运动次数的计数方法及系统 | |
KR102151301B1 (ko) | 인간 운동 활동의 유형을 결정하기 위한 방법 및 이를 구현하기 위한 장치 | |
KR101793934B1 (ko) | 피트니스 운동의 유형을 자동으로 분류하기 위한 방법 및 장치 | |
CN107212890A (zh) | 一种基于步态信息的运动识别和疲劳检测方法及系统 | |
CN105358046A (zh) | 自动锻炼分割和识别 | |
CN106580282A (zh) | 一种人体健康监测装置、系统及方法 | |
CN108021888A (zh) | 一种跌倒检测方法 | |
CN105142745A (zh) | 用体力活动监视设备来扩展游戏 | |
CN107016233A (zh) | 运动行为和认知能力的关联分析方法及系统 | |
KR101651429B1 (ko) | 피트니스 모니터링 시스템 | |
WO2016157217A2 (en) | Technological device to assist user in workouts and healthy living | |
Al-Ghannam et al. | Prayer activity monitoring and recognition using acceleration features with mobile phone | |
CN112057066A (zh) | 心率的检测方法、可穿戴设备及计算机存储介质 | |
Beily et al. | A sensor based on recognition activities using smartphone | |
CN108827290A (zh) | 一种人体运动状态反演装置及方法 | |
Koskimaki et al. | Accelerometer vs. electromyogram in activity recognition | |
CN109770913A (zh) | 一种基于反向传播神经网络的步态异常识别方法 | |
Marković et al. | Potential of IMU‐Based Systems in Measuring Single Rapid Movement Variables in Females with Different Training Backgrounds and Specialization | |
CN114341947A (zh) | 用于使用可穿戴设备的锻炼类型辨识的系统和方法 | |
Džaja et al. | Accelerometer-based algorithm for the segmentation and classification of repetitive human movements during workouts | |
CN108696377A (zh) | 一种实现移动用户行为识别的方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |