KR101945613B1 - 웨어러블 센서를 활용한 등산로 위험 구간 탐지 시스템 및 방법 - Google Patents
웨어러블 센서를 활용한 등산로 위험 구간 탐지 시스템 및 방법 Download PDFInfo
- Publication number
- KR101945613B1 KR101945613B1 KR1020170031729A KR20170031729A KR101945613B1 KR 101945613 B1 KR101945613 B1 KR 101945613B1 KR 1020170031729 A KR1020170031729 A KR 1020170031729A KR 20170031729 A KR20170031729 A KR 20170031729A KR 101945613 B1 KR101945613 B1 KR 101945613B1
- Authority
- KR
- South Korea
- Prior art keywords
- climbing
- danger
- section
- user
- trail
- Prior art date
Links
- 230000009194 climbing Effects 0.000 claims abstract description 105
- 238000000034 method Methods 0.000 claims abstract description 48
- 238000004458 analytical method Methods 0.000 claims abstract description 38
- 230000003213 activating effect Effects 0.000 claims abstract description 7
- 230000002493 climbing effect Effects 0.000 claims description 34
- 238000010801 machine learning Methods 0.000 claims description 25
- 238000001514 detection method Methods 0.000 claims description 23
- 230000001133 acceleration Effects 0.000 claims description 12
- 231100001261 hazardous Toxicity 0.000 claims description 8
- 230000000737 periodic effect Effects 0.000 claims description 7
- 238000004891 communication Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 2
- 238000012545 processing Methods 0.000 description 9
- 238000010586 diagram Methods 0.000 description 8
- 241001503987 Clematis vitalba Species 0.000 description 7
- 238000005259 measurement Methods 0.000 description 7
- 230000002265 prevention Effects 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 2
- 230000005021 gait Effects 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 238000001308 synthesis method Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004590 computer program Methods 0.000 description 1
- 239000013078 crystal Substances 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000010191 image analysis Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
- G06F1/16—Constructional details or arrangements
- G06F1/1613—Constructional details or arrangements for portable computers
- G06F1/163—Wearable computers, e.g. on a belt
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Human Computer Interaction (AREA)
- Educational Administration (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Traffic Control Systems (AREA)
- Navigation (AREA)
Abstract
웨어러블 센서를 활용한 등산로 위험 구간 탐지 시스템 및 방법이 제시된다. 본 발명에서 제안하는 웨어러블 센서를 활용한 등산로 위험 구간 탐지 방법은 사용자 단말의 모션 센서 데이터를 수집하는 로깅 프로그램을 활성화하여 사용자의 등산 정보를 수집하는 단계, 수집된 등산 정보를 이용하여 사용자의 등산 활동 분석 및 위험 등산로 구간을 분류하는 단계, 수집된 사용자의 등산 정보, 사용자의 등산 활동 분석 결과 및 위험 등산로 구간의 분류 결과를 서버로 전송하여 저장하는 단계, 서버가 사용자의 등산 정보, 사용자의 등산 활동 분석 결과 및 위험 등산로 구간의 분류 결과를 종합하여 위험 등산로 구간을 판단하는 단계, 판단된 위험 등산로 구간을 지도에 표기하여 위치 정보를 사용자 단말에 제공하는 단계 및 사용자 단말을 통해 위험 등산로 구간을 확인하는 단계를 포함한다.
Description
본 발명은 등산 사고 위험이 높은 등산로 구간을 탐지하여 위험 구간 정보를 등산객들에게 제공하는 웨어러블 센서를 활용한 등산로 위험 구간 탐지 시스템 및 방법에 관한 것이다.
등산은 우리나라에서 가장 인기 있는 스포츠로, 등산 인구가 2014년 1000만 명을 기록하였을 정도로 많은 사람들이 즐기고 있다. 하지만 등산 사고는 꾸준히 증가하고 있으며, 많은 사상자가 발생할 정도로 위험하다.
등산 사고의 원인은 대부분 실족 및 추락으로, 높은 바위나 얼음 같이 정상적으로 등산할 수 없는 미끄러운 등산로의 노면 상태가 등산 사고를 유발한다. 국립공원 연구원 자료에 따르면 등산하는 사람들이 가장 필요로 하는 정보는 주변 관광 정보나 맛집 정보보다 등산로에 대한 정보라고 조사되었다(국립공원연구원, 2013). 대부분의 산악사고가 바위 등에서의 낙상사고인 것을 볼 때, 개인의 상황에 맞는 등산로 선택을 하려는 사람들의 필요도가 높은 것을 알 수 있다.
따라서, 등산로의 노면 정보를 등산객들에게 제공하여 전문 산악 장비 없이 위험한 등산로를 가지 않도록 관리해야 할 필요성이 있다. 하지만, 국립공원에서는 전문 조사원이 정밀 모바일 GPS를 활용하여 모바일 맵핑을 수행하므로 막대한 시간과 비용이 소모된다. 예를 들어, 주요 국립공원 등산로(약 1,800km) 정보 수집에 3년이 소요된다(국립공원관리공단, 2015).
우리나라의 경우 정상을 최단시간에 도달할 목적으로 만들어진 샛길이 수없이 많아 등산로 추적 관리가 매우 어려운 실정이고, 국립공원이나 지방자치단체관리 등산로 정도만 정보가 있으며 대부분의 일반 등산로 정보는 전무하다. 관리되고 있는 등산로의 경우에도 새롭게 생성되고 사멸하는 다양한 등산로에 대한 프로파일링에 대한 비용 문제 때문에 추진이 힘든 상황이다.
일반 도로의 경우 노면 정보를 파악하는 모바일 시스템(예를 들어, 고가의 프로파일링 자동차, 정밀 항공사진 촬영 등)이 사용되며, 움푹 파인 정도, 결함 등을 자동으로 탐지가 가능하다. 하지만 도로의 결함을 탐지하는 기존의 방법을 등산로 위험 구간 탐지에 그대로 적용하기에는 어려움이 있다.
프로파일링 자동차를 사용하는 경우 노면상태 탐지를 위한 고가의 센서 장비(예를 들어, LIDAR 등) 및 데이터 처리 모듈을 사용해야 한다. 저가의 프로파일링 장치는 자동차 주행 시 발생하는 진동을 분석하는데, 이러한 저가의 프로파일링 장비는 산악환경에 사용할 수 없는 단점이 있다.
또한, 정밀 항공영상 촬영의 등산로가 숲으로 가려진 경우가 많아 영상분석이 힘들다는 단점이 있다. 특히 숲이 울창한 우리나라 지형에는 적용이 매우 힘들다.
본 발명이 이루고자 하는 기술적 과제는 등산 사고 위험이 높은 등산로 구간을 자동으로 탐지하여 위험 구간 정보를 등산객들에게 제공하기 위한 방법 및 시스템을 제공하는데 있다.
일 측면에 있어서, 본 발명에서 제안하는 웨어러블 센서를 활용한 등산로 위험 구간 탐지 방법은 사용자 단말의 모션 센서 데이터를 수집하는 로깅 프로그램을 활성화하여 사용자의 등산 정보를 수집하는 단계, 수집된 등산 정보를 이용하여 사용자의 등산 활동 분석 및 위험 등산로 구간을 분류하는 단계, 수집된 사용자의 등산 정보, 사용자의 등산 활동 분석 결과 및 위험 등산로 구간의 분류 결과를 서버로 전송하여 저장하는 단계, 서버가 사용자의 등산 정보, 사용자의 등산 활동 분석 결과 및 위험 등산로 구간의 분류 결과를 종합하여 위험 등산로 구간을 판단하는 단계, 판단된 위험 등산로 구간을 지도에 표기하여 위치 정보를 사용자 단말에 제공하는 단계 및 사용자 단말을 통해 위험 등산로 구간을 확인하는 단계를 포함한다.
등산 정보는 모션 센서 데이터, 위치 정보 데이터, 가속 센서 데이터 및 GPS 데이터를 포함하고, 등산로 트래킹 어플리케이션에 임베디드되어 수집된다.
수집된 등산 정보를 이용하여 사용자의 등산 활동 분석 및 위험 등산로 구간을 분류하는 단계는 수집된 모션 센서 데이터를 각각의 걸음 단위로 시계열 데이터를 분할하여 분석하는 단계, 각각의 걸음 단위로 분할된 모션 센서 데이터를 복수의 패턴으로 나누는 단계, 복수의 패턴으로 나누어진 모션 센서 데이터에 대한 걸음 패턴을 판단하는 단계 및 판단된 걸음 패턴을 이용하여 등산 중의 위험 걸음 빈도를 측정하고, 사용자의 위험 걸음 빈도가 높아지는 구간을 위험 등산로 구간으로 분류하는 단계를 포함한다.
각각의 걸음 단위로 분할된 모션 센서 데이터를 나누는 복수의 걸음 패턴은 위험하지 않은 노면에서의 걸음 패턴 및 위험한 노면에서의 걸음 패턴을 포함한다.
복수의 패턴으로 나누어진 모션 센서 데이터에 대한 걸음 패턴을 판단하는 단계는 위험하지 않은 노면에서의 걸음 패턴을 활용하여 생성된 기계학습 모델을 이용하여, 복수의 패턴으로 나누어진 모션 센서 데이터에 대한 걸음 패턴이 위험하지 않은 노면에서의 걸음 패턴인지 판단한다.
일 실시예에 따르면, 기계학습 모델을 생성하기 위해 모션 센서 데이터의 평균값 및 분산을 포함하는 통계적 특징, 푸리에 분석 및 웨이블릿 분석을 이용하는 주기적 특징을 사용한다.
일 실시예에 따르면, 위험하지 않은 노면에서의 걸음 패턴을 활용하여 기계학습 모델을 생성하기 위해 단항 분류 기반의 기계학습 방법을 사용한다.
서버가 사용자의 등산 정보, 사용자의 등산 활동 분석 결과 및 위험 등산로 구간의 분류 결과를 종합하여 위험 등산로 구간을 판단하는 단계는 클러스터링 알고리즘을 이용하여 해당 등산로 구간에 대해 GPS 오차와 다수결 방식을 통합하여 위험 등산로 구간을 판단한다.
또 다른 일 측면에 있어서, 본 발명에서 제안하는 웨어러블 센서를 활용한 등산로 위험 구간 탐지 장치는 모션 센서 데이터를 수집하는 로깅 프로그램을 활성화하여 사용자의 등산 정보를 수집하는 등산 정보 수집부, 수집된 등산 정보를 이용하여 사용자의 등산 활동 분석 및 위험 등산로 구간을 분류하는 등산로 구간 분석부 및 수집된 사용자의 등산 정보, 사용자의 등산 활동 분석 결과 및 위험 등산로 구간의 분류 결과를 서버로 전송하는 통신부를 포함한다.
등산로 구간 분석부는 수집된 모션 센서 데이터를 각각의 걸음 단위로 시계열 데이터를 분할하여 분석하고, 각각의 걸음 단위로 분할된 모션 센서 데이터를 복수의 패턴으로 나누어 복수의 패턴으로 나누어진 모션 센서 데이터에 대한 걸음 패턴을 판단하고, 판단된 걸음 패턴을 이용하여 등산 중의 위험 걸음 빈도를 측정하고, 사용자의 위험 걸음 빈도가 높아지는 구간을 위험 등산로 구간으로 분류한다.
각각의 걸음 단위로 분할된 모션 센서 데이터를 나누는 복수의 걸음 패턴은 위험하지 않은 노면에서의 걸음 패턴 및 위험한 노면에서의 걸음 패턴을 포함한다.
위험하지 않은 노면에서의 걸음 패턴을 활용하여 생성된 기계학습 모델을 이용하여, 복수의 패턴으로 나누어진 모션 센서 데이터에 대한 걸음 패턴이 위험하지 않은 노면에서의 걸음 패턴인지 판단한다.
일 실시예에 따르면, 기계학습 모델을 생성하기 위해 모션 센서 데이터의 평균값 및 분산을 포함하는 통계적 특징, 푸리에 분석 및 웨이블릿 분석을 이용하는 주기적 특징, 단항 분류 기반의 기계학습 방법을 사용한다.
또 다른 일 측면에 있어서, 본 발명에서 제안하는 웨어러블 센서를 활용한 등산로 위험 구간 탐지 서버는 사용자의 등산 정보, 사용자의 등산 활동 분석 결과 및 위험 등산로 구간의 분류 결과를 수신하여 저장하는 데이터베이스, 사용자의 등산 정보, 사용자의 등산 활동 분석 결과 및 위험 등산로 구간의 분류 결과를 종합하여 위험 등산로 구간을 판단하는 위험 등산로 구간 판단부 및 판단된 위험 등산로 구간을 지도에 표기하여 위치 정보를 사용자 단말에 제공하는 지도 생성부를 포함한다.
위험 등산로 구간 판단부는 클러스터링 알고리즘을 이용하여 해당 등산로 구간에 대해 GPS 오차와 다수결 방식을 통합하여 위험 등산로 구간을 판단한다.
본 발명의 실시예들에 따르면 사고 위험이 높은 등산로 구간을 등산객이 휴대하고 있는 스마트폰 및 웨어러블 장치로부터 수집되는 센서 데이터만을 사용하여 탐지할 수 있으므로, 등산로 정보 수집에 관리되는 예산을 효율적으로 절감할 수 있고, 기존 방법보다 저비용 고정밀로 관련 정보를 주기적으로 수집할 수 있다. 등산로 및 노면정보(유형, 상태 등)는 개인 맞춤형 등산, 산악사고방지, 산악레포츠, 산림관리, 산악구조, 재난방재 등 다양한 응용 서비스에 적용할 수 있다.
도 1은 본 발명의 일 실시예에 따른 웨어러블 센서를 활용한 등산로 위험 구간 탐지 과정을 설명하기 위한 도면이다.
도 2는 본 발명의 일 실시예에 따른 등산로 위험 구간 탐지 방법을 설명하기 위한 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 수집된 등산 정보를 이용하여 사용자의 등산 활동 분석 및 위험 등산로 구간을 분류하는 방법을 설명하기 위한 흐름도이다.
도 4는 본 발명의 일 실시예에 따른 가속 센서 측정 데이터를 나타내는 도면이다.
도 5는 본 발명의 일 실시예에 따른 가속 센서 측정 데이터의 최고점을 탐지하기 위한 알고리즘을 나타내는 도면이다.
도 6은 본 발명의 일 실시예에 따른 웨이블릿 분석 결과를 나타내는 도면이다.
도 7은 본 발명의 일 실시예에 따른 통합된 위험 등산로 구간 탐지 결과를 나타내는 도면이다.
도 8은 본 발명의 일 실시예에 따른 등산로 위험 구간 탐지 시스템의 구성을 나타내는 도면이다.
도 2는 본 발명의 일 실시예에 따른 등산로 위험 구간 탐지 방법을 설명하기 위한 흐름도이다.
도 3은 본 발명의 일 실시예에 따른 수집된 등산 정보를 이용하여 사용자의 등산 활동 분석 및 위험 등산로 구간을 분류하는 방법을 설명하기 위한 흐름도이다.
도 4는 본 발명의 일 실시예에 따른 가속 센서 측정 데이터를 나타내는 도면이다.
도 5는 본 발명의 일 실시예에 따른 가속 센서 측정 데이터의 최고점을 탐지하기 위한 알고리즘을 나타내는 도면이다.
도 6은 본 발명의 일 실시예에 따른 웨이블릿 분석 결과를 나타내는 도면이다.
도 7은 본 발명의 일 실시예에 따른 통합된 위험 등산로 구간 탐지 결과를 나타내는 도면이다.
도 8은 본 발명의 일 실시예에 따른 등산로 위험 구간 탐지 시스템의 구성을 나타내는 도면이다.
이하, 본 발명의 실시 예를 첨부된 도면을 참조하여 상세하게 설명한다.
도 1은 본 발명의 일 실시예에 따른 웨어러블 센서를 활용한 등산로 위험 구간 탐지 과정을 설명하기 위한 도면이다.
본 발명에서는 등산로의 노면상태를 저비용, 고정밀로 추출하기 위한 새로운 방식을 제안한다. 최근 웨어러블 센서 및 스마트 기기가 보편화 되면서 등산객들이 개인의 등산 및 운동 기록관리를 위하여 모바일 트래킹 서비스를 많이 사용하고 있다. 등산객들로부터 수집되는 웨어러블 센서(예를 들어, 스마트 밴드 등) 및 스마트 기기 데이터(예를 들어, GPS, 모션 등)를 활용하여 등산 노면 상태를 추론이 가능하다. 다시 말해, 복수의 사용자들이 센서 데이터 수집과 계산이 가능한 모바일 디바이스를 이용하여 협력적으로 데이터를 수집하고 공유하여 공동의 이익이 되는 정보를 창출해낼 수 있다. 또한, 참여자가 적극적으로 정보 공유에 기여(예를 들어, 사진 찍기 등)할 수 있고, 참여자의 개입 없이 자동으로 데이터가 수집되어 정보를 공유할 수 있다.
비록 개개인으로부터 수집되는 데이터는 노이즈가 많아서 부정확하지만 여러 사용자들로부터 추론된다면 노면 상태정보를 취합하여 보다 정확한 등산로 상태정보를 추론할 수 있다.
제안하는 웨어러블 센서를 활용한 등산로 위험 구간 탐지 과정에서 사용자들(111, 121, 131)은 등산이 시작될 때 소지하고 있는 모바일 기기를 이용하여 모션 센서 데이터, 위치 정보 데이터 등을 수집(112, 122, 132)한다.
수집된 모션 센서 데이터(112, 122, 132)를 이용하여 사용자들의 주기적인 걸음 패턴(gait pattern) 특성을 파악하고, 당산 사고 위험이 높은 등산로 구간을 분류한다. 이러한 등산로 구간에서는 사용자들의 걸음이 일반 걸음과 다른 이상 걸음 패턴을 보일 것이라는 가설에 근거한다.
이와 같이 추론된 개인 사용자들의 등산로 노면 정보 분류 결과를 위험 구간 여부 및 GPS 위치 정보와 함께 서버에 전송한다. 수집 된 개인 사용자들의 등산로 노면 정보를 종합하여, 서버에서 최종적으로 등산로 위험 구간의 위치 정보를 추론(113, 123, 133)한다.
서버에서 추론한 사용자들의 등산로 위험 구간을 등산로 지도(140)에 표기(114, 124, 134)하고, 사용자들은 다음 등산을 시작하기 전, 서버에서 제공되는 등산로 노면 정보를 확인할 수 있다.
도 2는 본 발명의 일 실시예에 따른 등산로 위험 구간 탐지 방법을 설명하기 위한 흐름도이다.
제안하는 등산로 위험 구간 탐지 방법은 사용자 단말의 모션 센서 데이터를 수집하는 로깅 프로그램을 활성화하여 사용자의 등산 정보를 수집하는 단계(210), 수집된 등산 정보를 이용하여 사용자의 등산 활동 분석 및 위험 등산로 구간을 분류하는 단계(220), 수집된 사용자의 등산 정보, 사용자의 등산 활동 분석 결과 및 위험 등산로 구간의 분류 결과를 서버로 전송하여 저장하는 단계(230), 서버가 사용자의 등산 정보, 사용자의 등산 활동 분석 결과 및 위험 등산로 구간의 분류 결과를 종합하여 위험 등산로 구간을 판단하는 단계(240), 판단된 위험 등산로 구간을 지도에 표기하여 위치 정보를 사용자 단말에 제공하는 단계(250) 및 사용자 단말을 통해 위험 등산로 구간을 확인하는 단계(260)를 포함한다.
단계(210)에서, 사용자는 등산 활동을 시작하기 전에 사용자 단말, 다시 말해 모바일 기기의 모션 센서 데이터를 수집하는 로깅 프로그램을 활성화하여 등산 데이터를 수집할 수 있다. 등산 정보는 모션 센서 데이터, 위치 정보 데이터, 가속 센서 데이터 및 GPS 데이터를 포함하고, 등산로 트래킹 어플리케이션에 임베디드되어 데이터를 수집될 수 있다.
단계(220)에서, 수집된 등산 정보를 이용하여 사용자의 등산 활동 분석 및 위험 등산로 구간을 분류한다. 단계(220)는 수집된 모션 센서 데이터를 각각의 걸음 단위로 시계열 데이터를 분할하여 분석하는 단계, 각각의 걸음 단위로 분할된 모션 센서 데이터를 복수의 패턴으로 나누는 단계, 복수의 패턴으로 나누어진 모션 센서 데이터에 대한 걸음 패턴을 판단하는 단계, 판단된 걸음 패턴을 이용하여 등산 중의 위험 걸음 빈도를 측정하고, 사용자의 위험 걸음 빈도가 높아지는 구간을 위험 등산로 구간으로 분류하는 단계를 포함한다. 도 3을 참조하여 수집된 등산 정보를 이용하여 사용자의 등산 활동 분석 및 위험 등산로 구간을 분류하는 단계를 더욱 상세히 설명한다.
도 3은 본 발명의 일 실시예에 따른 수집된 등산 정보를 이용하여 사용자의 등산 활동 분석 및 위험 등산로 구간을 분류하는 방법을 설명하기 위한 흐름도이다.
수집된 등산 정보를 이용하여 사용자의 등산 활동 분석 및 위험 등산로 구간을 분류하는 단계는 수집된 모션 센서 데이터를 각각의 걸음 단위로 시계열 데이터를 분할하여 분석하는 단계(310), 각각의 걸음 단위로 분할된 모션 센서 데이터를 복수의 패턴으로 나누는 단계(320), 복수의 패턴으로 나누어진 모션 센서 데이터에 대한 걸음 패턴을 판단하는 단계(330), 판단된 걸음 패턴을 이용하여 등산 중의 위험 걸음 빈도를 측정하고, 사용자의 위험 걸음 빈도가 높아지는 구간을 위험 등산로 구간으로 분류하는 단계(340)를 포함한다.
단계(310)에서, 수집된 모션 센서 데이터를 각각의 걸음 단위로 시계열 데이터를 분할하여 분석한다. 예를 들어, 걸음을 탐지하고 분할하는 방법으로 최고점 탐지 기법 등을 활용할 수 있다.
도 4는 본 발명의 일 실시예에 따른 가속 센서 측정 데이터를 나타내는 도면이다.
도 5는 본 발명의 일 실시예에 따른 가속 센서 측정 데이터의 최고점을 탐지하기 위한 알고리즘을 나타내는 도면이다.
사용자 별 위험 등산로 구간을 탐지하기 위해 도 4의 가속 센서 측정 데이터를 걸음으로 분할할 수 있다. 가속 센서 측정 데이터를 걸음으로 분할하기 위해 도 5와 같은 최고점 탐지 알고리즘을 이용할 수 있다. 여기에서 Heel-strike는 지면에서 발이 떨어지는 순간을 나타낸다. 이러한 알고리즘을 이용하여 가속 센서 데이터의 최고점, 다시 말해 걸음이 시작되는 heel-strike를 탐지할 수 있다. 도 5에 나타낸 알고리즘은 걸음 탐지에 사용될 시에 노이즈에 강건한 특징을 갖는다.
단계(320)에서, 각각의 걸음 단위로 분할된 모션 센서 데이터를 복수의 패턴으로 나눈다. 각각의 걸음 단위로 분할된 모션 센서 데이터를 나누는 복수의 걸음 패턴은 위험하지 않은 노면에서의 걸음 패턴 및 위험한 노면에서의 걸음 패턴을 포함할 수 있다.
단계(320)에서, 위험하지 않은 노면에서의 걸음 패턴을 활용하여 생성된 기계학습 모델을 이용하여, 복수의 패턴으로 나누어진 모션 센서 데이터에 대한 걸음 패턴이 위험하지 않은 노면에서의 걸음 패턴인지 판단한다. 대부분의 걸음은 위험하지 않은 노면에서의 걸음(또는 정상 걸음)이므로 정상 걸음 데이터를 활용하여 기계학습 모델을 만들어 주어진 데이터가 위험하지 않은 노면에서의 걸음인지를 판단할 수 있도록 한다.
이때, 기계학습 모델을 생성하기 위해 모션 센서 데이터의 평균값 및 분산을 포함하는 통계적 특징, 푸리에 분석 및 웨이블릿 분석을 이용하는 주기적 특징을 사용하고, 사용자의 정상적인 걸음을 학습시키기 위해 단항 분류 기반의 기계학습 방법을 사용할 수 있다.
도 6은 본 발명의 일 실시예에 따른 웨이블릿 분석 결과를 나타내는 도면이다.
웨이블릿 분석은 수학식(1)과 같이 나타낼 수 있다.
여기에서, 
는 웨이블릿 함수, 
는 스케일링 함수, 
는 깊이 레벨, 
는 해상도, 
는 다른 해상도에서의 원신호들의 웨이블릿 계수들, 
원신호의 근사 계수를 나타낸다.
이러한 웨이블릿 분석은 다양한 스케일에서 신호 데이터의 특성 분석이 가능하고, 시간의 추이를 고려한 시간-주파수 분석이 가능하다. 또한, 생체 신호와 같은 비정상성(non-stationary) 데이터 분석이 가능하고, 가속 센서 데이터의 각 해상도에서의 웨이블릿 계수들 
과 근사 계수 
가 특징값으로 사용된다.
단항 분류 기반의 기계학습을 위한 단항 지지도 벡터 머신(One-class support vector machine)의 목표 함수는 수학식(2)와 같다.
학습 데이터들은 잘 묘사할 수 있는 특징 공간을 학습하고, 학습 데이터들을 한 곳에 분류할 수 있는 초평면(hyper plane)을 이용한다. 이에 따라, 원점에서 초평면까지의 거리(
)를 최대화할 수 있다. 
와 같이 비선형 결정 이진 학습이 가능하고, 
는 패널티 파라미터(penalty parameter)로서 오버-피팅(over-fitting)을 방지할 수 있다.
단계(330)에서, 복수의 패턴으로 나누어진 모션 센서 데이터에 대한 걸음 패턴을 판단한다.
단계(340)에서, 판단된 걸음 패턴을 이용하여 등산 중의 위험 걸음 빈도를 측정하고, 사용자의 위험 걸음 빈도가 높아지는 구간을 위험 등산로 구간으로 분류한다.
다시 도 2를 참조하면, 단계(230)에서 수집된 사용자의 등산 정보, 사용자의 등산 활동 분석 결과 및 위험 등산로 구간의 분류 결과를 서버로 전송하여 저장한다.
단계(240)에서, 서버가 사용자의 등산 정보, 사용자의 등산 활동 분석 결과 및 위험 등산로 구간의 분류 결과를 종합하여 위험 등산로 구간을 판단한다. 이때, 클러스터링 알고리즘을 이용하여 해당 등산로 구간에 대해 GPS 오차와 다수결 방식을 통합하여 위험 등산로 구간을 판단할 수 있다.
해당 등산로 구간에 대하여 수집된 여러 등산객들의 추론 결과를 종합하여 최종적으로 위험 등산로 구간 탐지할 수 있다. 최종적으로 종합하는 방법으로는, 해당 등산로 구간에 대하여 절반 이상의 등산객들의 추론 결과가 위험 구간일 경우 위험 구간으로 판단하는 다수결 방법이 사용될 수 있다.
일 실시예에 있어서, 등산로 구간의 위치 정보를 GPS를 이용하여 수집하였고, 이러한 경우에는 같은 등산로 구간에 대하여 사용자 간의 GPS 오차가 생길 수 있다. 따라서, 기계학습 방법 중 클러스터링 알고리즘을 이용하여 GPS 오차와 다수결 방식을 통합 고려할 수 있다.
단계(250)에서, 판단된 위험 등산로 구간을 지도에 표기하여 위치 정보를 사용자 단말에 제공한다.
단계(260)에서 사용자 단말을 통해 위험 등산로 구간을 확인한다. 사용자는 다음 등산 시 위험 구간 정보를 확인하고 등산 루트를 선택할 때 활용할 수 있다.
도 7은 본 발명의 일 실시예에 따른 통합된 위험 등산로 구간 탐지 결과를 나타내는 도면이다.
데이터의 밀도에 기초한 군집화 방법(Density-based spatial clustering of applications with noise; DBSCAN)을 이용하여 위험 등산로 구간 탐지 결과를 통합할 수 있다. 이때, 두 개의 매개변수를 이용할 수 있다. 두 개의 매개변수는 인접 반경(ε) 및 군집화되기 위한 최소 데이터 개수(P)일 수 있다. 예를 들어, 인접 반경 내(ε)에서 군집화되기 위한 최소 데이터 개수(P)보다 많은 수의 데이터가 존재할 경우 군집을 생성한다. 생성된 군집에 인접 반경(ε) 내에 데이터가 존재할 경우 군집을 확장한다. 군집에 속하지 않은 데이터는 노이즈로 처리된다.
도 7을 참조하면, 클러스터 1(710)과 클러스터 2(720)의 위험 등산로 구간 및 노이즈 데이터(730)를 나타내었다. 좌표 (-1, -1) 및 (2, 2)에서 두 개의 위험 등산로 구간이 존재한다.
이때, GPS 측정 에러로 인해 개인별로 탐지한 위험 구간의 위치가 실제 위험 구간의 근방으로 나타내어질 수 있다. 따라서, 좌표 (0, 0) 및 (1, 1)에서와 같이 위험 등산로 구간으로 잘못 탐지하는 결과가 나타날 수 있다.
도 8은 본 발명의 일 실시예에 따른 등산로 위험 구간 탐지 시스템의 구성을 나타내는 도면이다.
제안하는 등산로 위험 구간 탐지 시스템은 사용자 단말(810)과 서버(820)를 포함한다.
사용자 단말(810)은 등산 정보 수집부(811), 등산로 구간 분석부(812) 통신부(813)를 포함한다.
등산 정보 수집부(811)는 모션 센서 데이터를 수집하는 로깅 프로그램을 활성화하여 사용자의 등산 정보를 수집한다. 등산 정보 수집부(811)는 사용자가 등산 활동을 시작하기 전에 사용자 단말, 다시 말해 모바일 기기의 모션 센서 데이터를 수집하는 로깅 프로그램을 활성화하여 등산 데이터를 수집할 수 있다. 등산 정보는 모션 센서 데이터, 위치 정보 데이터, 가속 센서 데이터 및 GPS 데이터를 포함하고, 등산로 트래킹 어플리케이션에 임베디드되어 데이터를 수집될 수 있다.
등산로 구간 분석부(812)는 수집된 등산 정보를 이용하여 사용자의 등산 활동 분석 및 위험 등산로 구간을 분류한다.
등산로 구간 분석부(812)는 수집된 모션 센서 데이터를 각각의 걸음 단위로 시계열 데이터를 분할하여 분석하고, 각각의 걸음 단위로 분할된 모션 센서 데이터를 복수의 패턴으로 나누어 복수의 패턴으로 나누어진 모션 센서 데이터에 대한 걸음 패턴을 판단한다. 그리고, 판단된 걸음 패턴을 이용하여 등산 중의 위험 걸음 빈도를 측정하고, 사용자의 위험 걸음 빈도가 높아지는 구간을 위험 등산로 구간으로 분류한다.
등산로 구간 분석부(812)는 수집된 모션 센서 데이터를 각각의 걸음 단위로 시계열 데이터를 분할하여 분석하기 위해 예를 들어, 걸음을 탐지하고 분할하는 방법으로 최고점 탐지 기법 등을 활용할 수 있다.
단계(320)에서, 각각의 걸음 단위로 분할된 모션 센서 데이터를 복수의 패턴으로 나눈다. 각각의 걸음 단위로 분할된 모션 센서 데이터를 나누는 복수의 걸음 패턴은 위험하지 않은 노면에서의 걸음 패턴 및 위험한 노면에서의 걸음 패턴을 포함할 수 있다.
그리고, 위험하지 않은 노면에서의 걸음 패턴을 활용하여 생성된 기계학습 모델을 이용하여, 복수의 패턴으로 나누어진 모션 센서 데이터에 대한 걸음 패턴이 위험하지 않은 노면에서의 걸음 패턴인지 판단한다. 대부분의 걸음은 위험하지 않은 노면에서의 걸음(또는 정상 걸음)이므로 정상 걸음 데이터를 활용하여 기계학습 모델을 만들어 주어진 데이터가 위험하지 않은 노면에서의 걸음인지를 판단할 수 있도록 한다.
이때, 기계학습 모델을 생성하기 위해 모션 센서 데이터의 평균값 및 분산을 포함하는 통계적 특징, 푸리에 분석 및 웨이블릿 분석을 이용하는 주기적 특징을 사용하고, 사용자의 정상적인 걸음을 학습시키기 위해 단항 분류 기반의 기계학습 방법을 사용할 수 있다.
이후, 복수의 패턴으로 나누어진 모션 센서 데이터에 대한 걸음 패턴을 판단하고, 판단된 걸음 패턴을 이용하여 등산 중의 위험 걸음 빈도를 측정하고, 사용자의 위험 걸음 빈도가 높아지는 구간을 위험 등산로 구간으로 분류한다.
통신부(813)는 수집된 사용자의 등산 정보, 사용자의 등산 활동 분석 결과 및 위험 등산로 구간의 분류 결과를 서버로 전송한다.
서버(820)는 데이터베이스(821), 위험 등산로 구간 판단부(822), 지도 생성부(823)를 포함한다.
데이터베이스(821)는 사용자의 등산 정보, 사용자의 등산 활동 분석 결과 및 위험 등산로 구간의 분류 결과를 수신하여 저장한다.
위험 등산로 구간 판단부(822)는 사용자의 등산 정보, 사용자의 등산 활동 분석 결과 및 위험 등산로 구간의 분류 결과를 종합하여 위험 등산로 구간을 판단한다.
위험 등산로 구간 판단부(822)는 서버가 사용자의 등산 정보, 사용자의 등산 활동 분석 결과 및 위험 등산로 구간의 분류 결과를 종합하여 위험 등산로 구간을 판단한다. 이때, 클러스터링 알고리즘을 이용하여 해당 등산로 구간에 대해 GPS 오차와 다수결 방식을 통합하여 위험 등산로 구간을 판단할 수 있다.
해당 등산로 구간에 대하여 수집된 여러 등산객들의 추론 결과를 종합하여 최종적으로 위험 등산로 구간 탐지할 수 있다. 최종적으로 종합하는 방법으로는, 해당 등산로 구간에 대하여 절반 이상의 등산객들의 추론 결과가 위험 구간일 경우 위험 구간으로 판단하는 다수결 방법이 사용될 수 있다.
일 실시예에 있어서, 등산로 구간의 위치 정보를 GPS를 이용하여 수집하였고, 이러한 경우에는 같은 등산로 구간에 대하여 사용자 간의 GPS 오차가 생길 수 있다. 따라서, 기계학습 방법 중 클러스터링 알고리즘을 이용하여 GPS 오차와 다수결 방식을 통합 고려할 수 있다.
지도 생성부(823)는 판단된 위험 등산로 구간을 지도에 표기하여 위치 정보를 사용자 단말에 제공한다. 사용자 단말(810)에서 지도 생성부(823)로부터 제공 받은 위치정보를 통해 위험 등산로 구간을 확인할 수 있다. 사용자는 다음 등산 시 위험 구간 정보를 확인하고 등산 루트를 선택할 때 활용할 수 있다
제안하는 웨어러블 센서를 활용한 등산로 위험 구간 탐지 시스템 및 방법을 이용한 실험결과에서, 사용자 개인으로부터 수집되는 센서 정보를 활용한 위험 등산로 구간 검출의 경우 80%의 정확도를 보이나, 복수의 사용자의 정보를 통합할 경우 주어진 데이터 셋에서 100%의 정확도를 보임을 확인하였다.
본 발명의 실시예들에 따르면 사고 위험이 높은 등산로 구간을 등산객이 휴대하고 있는 스마트폰 및 웨어러블로부터 수집되는 센서 데이터만을 사용하여 탐지할 수 있으므로, 등산로 정보 수집에 관리되는 예산을 효율적으로 절감할 수 있고, 기존 방법보다 저비용 고정밀로 관련 정보를 주기적으로 수집할 수 있다. 등산로 및 노면정보(유형, 상태 등)는 개인 맞춤형 등산, 산악사고방지, 산악레포츠, 산림관리, 산악구조, 재난방재 등 다양한 응용 서비스에 적용할 수 있다.
이상에서 설명된 장치는 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPA(field programmable array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치에 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다.
이상과 같이 실시예들이 비록 한정된 실시예와 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.
그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.
Claims (15)
- 등산 정보 수집부를 통해 사용자 단말의 모션 센서 데이터를 수집하는 로깅 프로그램을 활성화하여 사용자의 등산 정보를 수집하는 단계;
등산로 구간 분석부를 통해 수집된 등산 정보를 이용하여 사용자의 등산 활동 분석 및 위험 등산로 구간을 분류하는 단계;
통신부를 통해 수집된 사용자의 등산 정보, 사용자의 등산 활동 분석 결과 및 위험 등산로 구간의 분류 결과를 서버로 전송하여 데이터베이스에 저장하는 단계;
등산로 구간 판단부를 통해 서버가 사용자의 등산 정보, 사용자의 등산 활동 분석 결과 및 위험 등산로 구간의 분류 결과를 종합하여 위험 등산로 구간을 판단하는 단계;
지도 생성부를 통해 판단된 위험 등산로 구간을 지도에 표기하여 위치 정보를 사용자 단말에 제공하는 단계; 및
사용자 단말을 통해 위험 등산로 구간을 확인하는 단계
를 포함하는 위험 구간 탐지 방법. - 제1항에 있어서,
등산 정보는 모션 센서 데이터, 위치 정보 데이터, 가속 센서 데이터 및 GPS 데이터를 포함하고, 등산로 트래킹 어플리케이션에 임베디드되어 수집되는
위험 구간 탐지 방법. - 제1항에 있어서,
수집된 등산 정보를 이용하여 사용자의 등산 활동 분석 및 위험 등산로 구간을 분류하는 단계는,
수집된 모션 센서 데이터를 각각의 걸음 단위로 시계열 데이터를 분할하여 분석하는 단계;
각각의 걸음 단위로 분할된 모션 센서 데이터를 복수의 패턴으로 나누는 단계;
복수의 패턴으로 나누어진 모션 센서 데이터에 대한 걸음 패턴을 판단하는 단계; 및
판단된 걸음 패턴을 이용하여 등산 중의 위험 걸음 빈도를 측정하고, 사용자의 위험 걸음 빈도가 높아지는 구간을 위험 등산로 구간으로 분류하는 단계
를 포함하는 위험 구간 탐지 방법. - 제3항에 있어서,
각각의 걸음 단위로 분할된 모션 센서 데이터를 나누는 복수의 걸음 패턴은 위험하지 않은 노면에서의 걸음 패턴 및 위험한 노면에서의 걸음 패턴을 포함하는
위험 구간 탐지 방법. - 제3항에 있어서,
복수의 패턴으로 나누어진 모션 센서 데이터에 대한 걸음 패턴을 판단하는 단계는,
위험하지 않은 노면에서의 걸음 패턴을 활용하여 생성된 기계학습 모델을 이용하여, 복수의 패턴으로 나누어진 모션 센서 데이터에 대한 걸음 패턴이 위험하지 않은 노면에서의 걸음 패턴인지 판단하는
위험 구간 탐지 방법. - 제5항에 있어서,
기계학습 모델을 생성하기 위해 모션 센서 데이터의 평균값 및 분산을 포함하는 통계적 특징, 푸리에 분석 및 웨이블릿 분석을 이용하는 주기적 특징을 사용하는
위험 구간 탐지 방법. - 제5항에 있어서,
위험하지 않은 노면에서의 걸음 패턴을 활용하여 기계학습 모델을 생성하기 위해 단항 분류 기반의 기계학습 방법을 사용하는
위험 구간 탐지 방법. - 제1항에 있어서,
서버가 사용자의 등산 정보, 사용자의 등산 활동 분석 결과 및 위험 등산로 구간의 분류 결과를 종합하여 위험 등산로 구간을 판단하는 단계는,
클러스터링 알고리즘을 이용하여 해당 등산로 구간에 대해 GPS 오차와 다수결 방식을 통합하여 위험 등산로 구간을 판단하는
위험 구간 탐지 방법. - 모션 센서 데이터를 수집하는 로깅 프로그램을 활성화하여 사용자의 등산 정보를 수집하는 등산 정보 수집부;
수집된 등산 정보를 이용하여 사용자의 등산 활동 분석 및 위험 등산로 구간을 분류하는 등산로 구간 분석부; 및
수집된 사용자의 등산 정보, 사용자의 등산 활동 분석 결과 및 위험 등산로 구간의 분류 결과를 서버로 전송하는 통신부
를 포함하는 위험 구간 탐지 장치. - 제9항에 있어서,
등산로 구간 분석부는,
수집된 모션 센서 데이터를 각각의 걸음 단위로 시계열 데이터를 분할하여 분석하고, 각각의 걸음 단위로 분할된 모션 센서 데이터를 복수의 패턴으로 나누어 복수의 패턴으로 나누어진 모션 센서 데이터에 대한 걸음 패턴을 판단하고, 판단된 걸음 패턴을 이용하여 등산 중의 위험 걸음 빈도를 측정하고, 사용자의 위험 걸음 빈도가 높아지는 구간을 위험 등산로 구간으로 분류하는
위험 구간 탐지 장치. - 제10항에 있어서,
각각의 걸음 단위로 분할된 모션 센서 데이터를 나누는 복수의 걸음 패턴은 위험하지 않은 노면에서의 걸음 패턴 및 위험한 노면에서의 걸음 패턴을 포함하는
위험 구간 탐지 장치. - 제10항에 있어서,
위험하지 않은 노면에서의 걸음 패턴을 활용하여 생성된 기계학습 모델을 이용하여, 복수의 패턴으로 나누어진 모션 센서 데이터에 대한 걸음 패턴이 위험하지 않은 노면에서의 걸음 패턴인지 판단하는
위험 구간 탐지 장치. - 제12항에 있어서,
기계학습 모델을 생성하기 위해 모션 센서 데이터의 평균값 및 분산을 포함하는 통계적 특징, 푸리에 분석 및 웨이블릿 분석을 이용하는 주기적 특징, 단항 분류 기반의 기계학습 방법을 사용하는
위험 구간 탐지 장치. - 사용자의 등산 정보, 사용자의 등산 활동 분석 결과 및 위험 등산로 구간의 분류 결과를 수신하여 저장하는 데이터베이스;
사용자의 등산 정보, 사용자의 등산 활동 분석 결과 및 위험 등산로 구간의 분류 결과를 종합하여 위험 등산로 구간을 판단하는 위험 등산로 구간 판단부; 및
판단된 위험 등산로 구간을 지도에 표기하여 위치 정보를 사용자 단말에 제공하는 지도 생성부
를 포함하는 위험 구간 탐지 서버. - 제14항에 있어서,
등산로 구간 판단부는,
클러스터링 알고리즘을 이용하여 해당 등산로 구간에 대해 GPS 오차와 다수결 방식을 통합하여 위험 등산로 구간을 판단하는
위험 구간 탐지 서버.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170031729A KR101945613B1 (ko) | 2017-03-14 | 2017-03-14 | 웨어러블 센서를 활용한 등산로 위험 구간 탐지 시스템 및 방법 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020170031729A KR101945613B1 (ko) | 2017-03-14 | 2017-03-14 | 웨어러블 센서를 활용한 등산로 위험 구간 탐지 시스템 및 방법 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20180104881A KR20180104881A (ko) | 2018-09-27 |
| KR101945613B1 true KR101945613B1 (ko) | 2019-02-07 |
Family
ID=63719332
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020170031729A KR101945613B1 (ko) | 2017-03-14 | 2017-03-14 | 웨어러블 센서를 활용한 등산로 위험 구간 탐지 시스템 및 방법 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR101945613B1 (ko) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20200134995A (ko) * | 2019-05-24 | 2020-12-02 | 삼성전자주식회사 | 사용자의 이동 패턴 특징을 이용한 모드 제어 방법 및 장치 |
-
2017
- 2017-03-14 KR KR1020170031729A patent/KR101945613B1/ko active IP Right Grant
Also Published As
| Publication number | Publication date |
|---|---|
| KR20180104881A (ko) | 2018-09-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US11933624B2 (en) | Distributed data processing systems for processing remotely captured sensor data | |
| Jain et al. | Lookup: Enabling pedestrian safety services via shoe sensing | |
| CN106462627B (zh) | 根据多个位置数据报告分析语义地点和相关数据 | |
| US20200348139A1 (en) | Automatically creating a terrain mapping database | |
| US9448073B2 (en) | System and method for assessing road quality using data collected from a mobile device | |
| CN104091053B (zh) | 用于自动检测行为模式的方法和设备 | |
| US9971402B2 (en) | Information processing system, mobile terminal, server apparatus, method for processing information, and non-transitory computer readable storage medium | |
| Kim et al. | TrailSense: A crowdsensing system for detecting risky mountain trail segments with walking pattern analysis | |
| Panchal et al. | Flooding level classification by gait analysis of smartphone sensor data | |
| KR101945613B1 (ko) | 웨어러블 센서를 활용한 등산로 위험 구간 탐지 시스템 및 방법 | |
| Yilmaz | Application of GIS-Based fuzzy logic and Analytical Hierarchy Process (AHP) to snow avalanche susceptibility mapping, North San Juan, Colorado | |
| KR102470153B1 (ko) | 사용자 로그 데이터에 대한 계층화 태그의 패턴 분석을 이용한 위험 감지 시스템 및 방법 | |
| CN103310180A (zh) | 检测在目标图像中的随机对象的系统和方法 | |
| JP6457346B2 (ja) | 路面状況理解システム、路面状況理解方法、路面状況理解プログラム | |
| JPWO2018139258A1 (ja) | 情報処理装置および方法、プログラム、並びに情報処理システム | |
| CN111887859A (zh) | 跌倒行为识别方法、装置、电子设备以及介质 | |
| Sharp | Evaluating the exposure of heliskiing ski guides to avalanche terrain using a fuzzy logic avalanche susceptibility model | |
| Nag et al. | Surface type estimation from GPS tracked bicycle activities | |
| Hwang et al. | GPS data mining for monitoring community mobility of individuals | |
| Valle et al. | Uso de datos pasivos obtenidos mediante dispositivos inerciales para inferir la condición del pavimento en ciclovías | |
| Woo | Driving Manoeuvre Recognition using Mobile Sensors | |
| Viallard et al. | Trip mode detection from massive smartphone data | |
| Islam | A Study on Use of Wide-Area Persistent Video Data for Modeling Traffic Characteristics | |
| Kim et al. | Trailsense: Crowdsensing Risky Mountain Trail Segments | |
| WO2023073157A1 (en) | Computer-implemented method for user fall assessment implementing a trained machine learning model comprising an action plan |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| A201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| E902 | Notification of reason for refusal | ||
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant | ||
| R401 | Registration of restoration |