KR102031983B1 - 복수의 lstm을 이용한 시계열적 자세 예측 장치 - Google Patents
복수의 lstm을 이용한 시계열적 자세 예측 장치Info
- Publication number
- KR102031983B1 KR102031983B1 KR1020190033221A KR20190033221A KR102031983B1 KR 102031983 B1 KR102031983 B1 KR 102031983B1 KR 1020190033221 A KR1020190033221 A KR 1020190033221A KR 20190033221 A KR20190033221 A KR 20190033221A KR 102031983 B1 KR102031983 B1 KR 102031983B1
- Authority
- KR
- South Korea
- Prior art keywords
- posture
- information
- time series
- user
- specific
- Prior art date
Links
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
- A61B5/1123—Discriminating type of movement, e.g. walking or running
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7235—Details of waveform analysis
- A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
-
- A—HUMAN NECESSITIES
- A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
- A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
- A61B5/00—Measuring for diagnostic purposes; Identification of persons
- A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
- A61B5/7271—Specific aspects of physiological measurement analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- 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
- A61B2562/0247—Pressure sensors
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Artificial Intelligence (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Medical Informatics (AREA)
- Surgery (AREA)
- Veterinary Medicine (AREA)
- Physiology (AREA)
- Pathology (AREA)
- Public Health (AREA)
- Heart & Thoracic Surgery (AREA)
- Animal Behavior & Ethology (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Evolutionary Computation (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Psychiatry (AREA)
- Data Mining & Analysis (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Computational Linguistics (AREA)
- Fuzzy Systems (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Software Systems (AREA)
- Dentistry (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
- Image Analysis (AREA)
Abstract
본 발명은 복수의 LSTM을 이용한 시계열적 자세 예측 장치 및 방법에 관한 것이다. 이를 위하여 의자, 매트 또는 침대에 grid 또는 matrix 형태로 구성되는 복수개의 압력센서 또는 압전센서에 의해 생성된 사용자의 압력 분포 정보를 수신하고, 압력 분포 정보를 토대로 사용자의 자세를 분류하여 압력 분포 정보에 대응되는 자세 분류 정보를 생성하는 자세 분류 모듈; 자세 분류 정보를 시계열적으로 연속 수신하여 특정 자세 정보를 생성하고, 복수개의 특정 자세 정보를 시계열적으로 포함하는 시계열 자세 세트 정보를 생성하는 제1LSTMs; 및 시계열 자세 세트 정보를 시계열적으로 복수개 연속 수신하고, 복수개의 시계열 자세 세트 정보를 토대로 사용자의 자세 예측 정보를 생성하는 제2LSTM;가 제공될 수 있다. 이에 따르면, 의자, 침대 또는 매트 등에서 사용자 자중에 의한 압력 분포값을 이용해 특정 자세의 예측, 특정 행동의 예측 등을 제공할 수 있게 되는 효과가 있다.
Description
본 발명은 복수의 LSTM을 이용한 시계열적 자세 예측 장치 및 방법에 관한 것이다.
신경망 모델(Neural Network model)은 생물학에서의 뉴런 구조로부터 착안된 지도 학습(supervised learning) 알고리즘이다. 신경망 모델의 기본적인 작동 원리는 여러 개의 뉴런들을 상호 연결하여 입력값에 대한 최적의 출력값을 예측하는 것이다. 통계적인 관점에서 보면 신경망 모델은 입력 변수의 선형 결합에 비선형 함수를 취하는 사영추적회귀로 볼 수 있다.
도 1은 다층 신경망 모델(딥러닝 또는 심층 신경망 모델)의 구조를 도시한 모식도이다. 도 1에 도시된 바와 같이 다층 신경망 모델은 입력층(input layer), 은닉층(hidden layer), 출력층(output layer)으로 구성된다. 입력층은 각 입력변수에 대응되는 노드로 구성되며, 노드의 수는 입력변수의 개수와 같다. 은닉층은 입력층으로부터 전달되는 변수값들의 선형 결합을 시그모이드 함수와 같은 비선형 함수로 처리하여 출력층 또는 다른 은닉층에 전달하는 역할을 한다(최근에는 Back propagation에서 chain rule을 적용하면서 error가 앞단의 layer에서 희석되는 vanishing gradient 문제가 발생되어 시그모이드 함수 대신, ReLU를 일반적으로 이용한다). 출력층은 출력 변수에 대응되는 노드로서 분류 모형에서는 클래스의 수만큼 출력 노드가 생성된다.
도 2는 노드에서의 계산 과정을 도시한 모식도이다. 도 2에 도시된 바와 같이, 각각의 노드에서는 실제로 연산이 일어나는데, 이 연산 과정은 인간의 신경망을 구성하는 뉴런에서 일어나는 과정을 모사하도록 수학적으로 설계되어있다. 노드는 일정 크기 이상의 자극을 받으면 반응을 하는데, 그 반응의 크기는 바이어스(bias) 값을 제외하고 입력 값과 노드의 계수(또는 가중치, weights)를 곱한 값과 대략 비례한다. 일반적으로 노드는 여러 개의 입력을 받으며 입력의 개수만큼 계수를 가지고 있다. 따라서 이 계수를 조절함으로써 여러 입력에 다른 가중치를 부여할 수 있다. 최종적으로 곱한 값들은 전부 더해지고 그 합은 활성 함수(activation function)의 입력으로 들어가게 된다. 활성 함수의 결과가 노드의 출력에 해당하며 이 출력값이 궁극적으로 분류나 회귀 분석에 쓰이게 된다. 신경망 모델의 각 층은 적어도 하나의 노드로 이루어져 있으며 입력값에 따라 각 노드의 활성화/비활성화 여부가 결정된다. 입력 데이터는 첫 번째 층(입력층, input layer)의 입력이 되며 그 이후엔 각 층의 출력이 다시 다음 층의 입력이 된다. 모든 계수는 학습 과정에서 계속 조금씩 변하는데, 결과적으로 각 노드가 어떤 입력을 중요하게 여기는지를 반영한다. 그리고 신경망 모델의 '학습(training)'은 이 계수를 업데이트하는 과정이다.
다층 신경망 모델, 즉 딥러닝에서 가장 문제되는 것은 과적합(overfitting) 문제이다. 과적합(Overfitting)은 주어진 데이터의 양에 비해 모델의 복잡도(complexity)가 높으면 발생하게 된다. 안타깝게도 신경망(neural network)이 깊어질수록 모델의 복잡도는 exponential하게 증가하게 된다. 그렇기 때문에 거의 무한한 표현형을 학습할 수 있는 deep network가 좋다는 것을 다들 알고 있음에도 불구하고, 너무나 과적합(overfitting)이 심하게 발생하기 때문에 Marvin Minsky 교수의 1969년 Perceptrons 이론에 의해 neural network 연구가 멈추게 된 것이다. 하지만, 2007~2008년 즈음하여 과적합을 막기 위한 새로운 initialization 방법인 RBM(Restricted Boltzmann Machine)과 CNN(Convolutional Neural Network)이 제안되면서, 다시 딥러닝 연구가 활발하게 진행되었다.
특히, RBM은 DBN(Deep Belief Network)을 구성하는 요소로 이용되고, unsupervised RBM(restricted Boltzmann machine)을 통해 학습시킬 feedforward neural network의 각 층을 효과적으로 사전훈련(pre-training)하여 과적합(overfitting)을 방지할 수 있는 수준의 initialize point를 잡았고, 이를 다시 supervised back propagation를 사용하는 형태로 학습을 진행한다.
하지만, NIPS 2006에 발표된 Bengio 교수 연구팀의 Greedy layer-wise training of deep networks 연구와 NIPS 2007에 발표된 Hinton 교수 연구팀의 A fast learning algorithm for deep belief nets 두 논문을 통해 제안되었던 RBM과 DBN 같은 unsupervised pretraining method들은 최근 실무에서 사용되지는 않는다. 지금은 데이터가 충분히 많을 경우 이런 방식으로 weight를 initialization하는 것보다 random initialization의 성능이 훨씬 우수하다는 것이 알려져 있기 때문이다. Random initialization의 일환으로 Drop-out이라는 개념이 소개되었고, 최근에는 대부분이 Drop-out 방식을 이용하고 있다.
도 3은 Drop-out 방식을 도시한 모식도이다. 도 3에 도시된 바와 같이, Drop-out 방식은 매 학습시 은닉층에서 모든 neuron을 사용하는 것이 아니라 50% 정도의 neuron을 사용한다. 하나의 딥러닝에서 여러 개의 작은 neural network이 앙상블(ensemble)되어진 효과가 있고, 앙상블은 과적합이 크게 줄어든다고 알려져 있다. 또한, 비슷한 weight를 갖는 뉴런들이 줄어들게 되어서 중복된 판단을 하는 뉴런들이 줄어들게 되어 뉴런을 효율적으로 사용가능한 장점이 있다.
또한, 최근에는 ReLU(Rectified Linear Unit) 라는 활성함수(activation function)로 느린 학습시간과 과적합 문제 등을 해결하고 있다. 도 4는 ReLU 활성함수를 도시한 그래프이다. 도 4에 도시된 바와 같이, 기존의 sigmoid 함수는 기울기 하강(Gradient Descent)를 여러 층으로 해나갈 때마다 error가 소멸되는 문제가 발생한다. 여러 층을 지나 극한으로 갈수록 sigmoid 함수는 Gradient(기울기)가 작아져서 weight가 업데이트되지 않는 문제가 발생하는 것이다. 그런데 활성함수로 ReLU 함수를 사용시, 기울기가 0 또는 1로 학습되는 경우에 100%로 error가 전파되어 이러한 문제가 해소되게 된다. ReLU 함수는 sigmoid 처럼 [0,1]로 제한되는 것이 아니고 그 범위가 무제한이기 때문에 좀 더 확실한 표현력을 가진다고 볼 수 있다. 또한, 각 노드의 출력값 중 필요 없는 값들이 많다. 이럴 때, sigmoid 함수 사용시 모든 값에 대한 계산을 해야하는데, ReLU 함수는 상당 부분의 연산량을 줄일 수 있어 컴퓨팅 속도가 개선되는 효과가 발생된다. ReLU 함수에 의해 정규화(Regularization)가 향상될 수 있다.
사용자의 자세를 예측하거나 분류하기 위한 방법으로는 컴퓨터 비전 등 상당히 많은 방법이 있다. 이때, 사용자가 의자에 앉아있거나 침대 또는 매트에 서있거나 누워있는 경우 사용자의 자중을 센싱하는 압력센서의 압력 분포값으로 자세를 예측하거나 분류하게 되는 경우, 카메라 등 별도의 외부 장비가 필요하지 않게 되어 사용자의 UX가 현저히 향상되는 효과가 발생된다.
하지만, 사용자의 자중에 의한 압력분포만으로 사용자의 자세를 예측하거나 분류하는 것은 단순한 컴퓨터 비전 알고리즘이나 단순한 선형적 분류 알고리즘으로는 달성하기 어려울 정도로 기술적 난이도가 높다. 따라서, 사용자의 자중에 의한 압력분포로 사용자의 자세를 예측하거나 분류하기 위해서는 위에 기재한 인공신경망을 이용할 수 있다.
하지만, 기존의 위와 같은 인공신경망 모델을 이용하여 의자, 침대 또는 매트 등에 설치된 압력 센서에 입력되는 사용자 자중에 의한 압력값 분포를 통해 자세를 예측하거나 분류하는 것이 매우 어려운 실정이다. 압력분포값은 특정 좌표값을 포함하게 되고, 동시에 시계열적으로 매우 다이나믹하게 변동되기 때문이다.
따라서, 본 발명의 목적은 인공 신경망 모델을 이용하여, 의자에 앉아있거나 침대 또는 매트에 서있거나 누워있는 경우의 자세를 시계열적으로 분석하는 인공 신경망을 이용한 시계열적 자세 예측 장치 및 방법을 제공하는데 있다.
이하 본 발명의 목적을 달성하기 위한 구체적 수단에 대하여 설명한다.
본 발명의 목적은, 의자, 매트 또는 침대에 grid 또는 matrix 형태로 구성되는 복수개의 압력센서 또는 압전센서에 의해 생성된 사용자의 압력 분포 정보를 수신하고, 상기 압력 분포 정보를 토대로 상기 사용자의 자세를 분류하여 상기 압력 분포 정보에 대응되는 자세 분류 정보를 생성하는 자세 분류 모듈; 상기 자세 분류 정보를 시계열적으로 연속 수신하여 특정 자세 정보를 생성하고, 복수개의 상기 특정 자세 정보를 시계열적으로 포함하는 시계열 자세 세트 정보를 생성하는 제1LSTMs; 및 상기 시계열 자세 세트 정보를 시계열적으로 복수개 연속 수신하고, 복수개의 상기 시계열 자세 세트 정보를 토대로 상기 사용자의 자세 예측 정보를 생성하는 제2LSTM;을 포함하는, 인공 신경망을 이용한 시계열적 자세 예측 장치를 제공하여 달성될 수 있다.
또한, 상기 제2LSTM에서 시계열적으로 수신되는 복수개의 상기 시계열 자세 세트 정보는 상기 특정 자세 정보를 단위로 상호 페어와이즈 조합으로 구성되는 것을 특징으로 할 수 있다.
또한, 상기 제1LSTMs는, 시계열로 구성되고 각각이 하나의 특정 자세 정보를 생성하는 복수개의 LSTM을 포함하는 것을 특징으로 할 수 있다.
또한, 상기 자세 예측 정보와 특정 이벤트에 대한 기준값(ground truth)의 손실함수(loss function)을 통해 상기 특정 이벤트의 예측을 수행하도록 구성될 수 있다.
본 발명의 다른 목적은, 자세 분류 모듈이, 의자, 매트 또는 침대에 grid 또는 matrix 형태로 구성되는 복수개의 압력센서 또는 압전센서에 의해 생성된 사용자의 압력 분포 정보를 수신하고, 상기 압력 분포 정보를 토대로 상기 사용자의 자세를 분류하여 상기 압력 분포 정보에 대응되는 자세 분류 정보를 생성하는 자세 분류 단계; 제1LSTMs가, 상기 자세 분류 정보를 시계열적으로 연속 수신하여 특정 자세 정보를 생성하고, 복수개의 상기 특정 자세 정보를 시계열적으로 포함하는 시계열 자세 세트 정보를 생성하는 시계열 자세 세트 정보 생성 단계; 및 제2LSTM이, 상기 시계열 자세 세트 정보를 시계열적으로 복수개 연속 수신하고, 복수개의 상기 시계열 자세 세트 정보를 토대로 상기 사용자의 자세 예측 정보를 생성하는 자세 예측 정보 생성 단계;를 포함하는, 인공 신경망을 이용한 시계열적 자세 예측 방법을 제공하여 달성될 수 있다.
상기한 바와 같이, 본 발명에 의하면 이하와 같은 효과가 있다.
첫째, 본 발명의 일실시예에 따르면, 의자, 침대 또는 매트 등에서 사용자 자중에 의한 압력 분포값을 이용해 특정 자세의 예측, 특정 행동의 예측 등을 제공할 수 있게 되는 효과가 있다.
둘째, 본 발명의 일실시예에 따르면, 사용자의 자세를 예측하는 것, 다음 행동을 예측하는 것과 같은 특정 이벤트를 자세 정보를 기초로 예측할 수 있게 되는 효과가 발생된다.
셋째, 본 발명의 일실시에에 따르면, 사용자의 자세를 시계열적으로 분석하여 특정 이벤트를 예측하는데에 있어서 카메라 등의 다른 디바이스가 필요치 않게 되는 효과가 발생된다.
본 명세서에 첨부되는 다음의 도면들은 본 발명의 바람직한 실시예를 예시하는 것이며, 발명의 상세한 설명과 함께 본 발명의 기술사상을 더욱 이해시키는 역할을 하는 것이므로, 본 발명은 그러한 도면에 기재된 사항에만 한정되어 해석되어서는 아니 된다.
이하 첨부된 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 본 발명을 쉽게 실시할 수 있는 실시예를 상세히 설명한다. 다만, 본 발명의 바람직한 실시예에 대한 동작원리를 상세하게 설명함에 있어서 관련된 공지기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략한다.
또한, 도면 전체에 걸쳐 유사한 기능 및 작용을 하는 부분에 대해서는 동일한 도면 부호를 사용한다. 명세서 전체에서, 특정 부분이 다른 부분과 연결되어 있다고 할 때, 이는 직접적으로 연결되어 있는 경우뿐만 아니라, 그 중간에 다른 소자를 사이에 두고, 간접적으로 연결되어 있는 경우도 포함한다. 또한, 특정 구성요소를 포함한다는 것은 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라, 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
본 발명의 실시예에서는 설명의 편의 를 위해 LSTM을 예로 들었으나, RNN(Recurrent Neural Network)에 해당되는 다른 알고리즘들도 본 발명의 범위에 포함될 수 있다.
인공 신경망을 이용한 시계열적 자세 예측 장치
도 5는 본 발명의 일실시예에 따른 시계열적 자세 분석 장치를 도시한 것이다. 도 5에 도시된 바와 같이, 본 발명의 일실시예에 따른 시계열적 자세 분석 장치(1)는 자세 분류 모듈(201), 복수개의 제1LSTM(202), 제2LSTM(204)을 포함할 수 있다.
자세 분류 모듈(201)은 의자, 매트, 침대 등에 grid/matrix 형태로 구성되는 복수개의 압력센서(또는 압전센서)에 의해 생성된 압력 분포 정보(200)를 수신하고, 해당 압력 분포 정보(200)를 토대로 사용자의 자세를 분류하여 상기 압력 분포 정보(200)에 대응되는 자세 분류 정보를 생성하는 모듈이다. 보다 구체적으로는 Convolution neural network이 이용될 수 있다. 도 6은 본 발명의 일실시예에 따라 convolution neural network이 이용된 자세 분류 모듈(201)을 도시한 것이다. 도 6에 도시된 바와 같이, 자세 분류 모듈(201)의 분류 모델은 Convolution Neural Network으로 구성될 수 있고, 구체적으로는 특정 매트릭스 사이즈로 구성되는 적어도 하나 이상의 Convolution layer, 적어도 하나 이상의 Pooling layer, 적어도 하나 이상의 Fully connected layer 등으로 구성될 수 있다. 결국, 본 발명의 일실시예에 따른 자세 분류 모듈(201)은 압력 분포 정보(200)를 수신하여 매트릭스 형태의 입력 데이터로 이용하고, 압력 분포 정보(200)를 CNN으로 분류하여 텍스트 정보인 자세 분류 정보(210)를 생성하여, 제1LSTMs(202)에 제공하도록 구성될 수 있다. 본 발명의 일실시예에 따른 자세 분류 정보(210)는 정자세, 우측으로 기움, 좌측으로 기움, 정면으로 기움, 한쪽다리를 올림 등의 카테고리화된 자세 정보를 의미할 수 있으며, 이러한 자세 분류 모듈(201)은 이러한 카테고리화 된 자세 정보와 해당 자세 정보에 대응되는 압력 분포 정보로 기학습될 수 있다.
복수개의 제1LSTM(202)는 자세 분류 정보(210)를 기초로 시계열 자세 세트 정보를 생성하도록 구성될 수 있다. 본 발명의 일실시예에 따른 복수개의 제1LSTM(202)은 시계열로 구성되는 복수개의 제1LSTM으로 구성되고, 각각의 제1LSTM은 하나의 특정 자세에 대응되는 시게열 분석 Neural Network으로 구성될 수 있다. 도 7은 본 발명의 일실시예에 따른 제1LSTM을 도시한 것이다. 도 7에 도시된 바와 같이, 본 발명의 일실시에에 따른 제1LSTM은 CNN인 자세 분류 모듈(201)에서 특정 자세로 분류되는 복수개의 자세 분류 정보(210)를 시계열적으로 연속 수신하여 특정 자세 정보(211)를 출력할 수 있다.
복수개의 제1LSTM(202)는 이러한 제1LSTM이 시계열적으로 복수개 구성될 수 있다. 도 8은 본 발명의 일실시예에 따른 제1LSTMs와 제2LSTM을 도시한 것이다. 도 8에 도시된 바와 같이, 제1LSTMs에서는 특정 자세에 대응되는 제1LSTM이 시계열적으로 복수개 구성되어 분류되는 자세가 변화될 때마다 다른 제1LSTM으로 넘어가게 구성될 수 있다. 이러한 복수개의 제1LSTM에 의해 복수개의 특정 자세 정보(211)를 시계열적으로 포함하는 시계열 자세 세트 정보(203)가 생성될 수 있는데, 이러한 시계열 자세 세트 정보(203)는 시계열적으로 복수개가 구비될 수 있고, 각각의 시계열 자세 세트 정보(203)는 특정 자세 정보(211)를 단위로 시계열적인 페어와이즈 조합(pairwise)으로 구성될 수 있다. 시계열적인 페어와이즈 조합으로 구성된 복수개의 시계열 자세 세트 정보(203)는 제2LSTM(204)의 입력 데이터로 입력될 수 있다. 본 발명의 일실시예에 따라 시계열 페어와이즈 조합으로 구성된 복수개의 시계열 자세 세트 정보(203)를 이용하는 경우, 단순히 특정 시간의 값을 이용하는 것보다 제2LSTM(204)에 대한 입력 데이터의 표준화/정규화가 가능해지는 효과가 발생된다. 예를 들어, Posture A와 Posture B는 시계열적 측면의 데이터 양의 관점에서 상호 동일하지 않은 데이터의 개수를 가지고 있을 확률이 높은데, 이를 그대로 입력하는 경우 정교한 자세 예측 값이 출력되지 않을 확률이 높다. 즉, 빈도가 드믄 자세 또는 시간이 짧은 자세가 전체 패턴 분석에 기여하지 못할 수 있기 때문이다. 하지만, 본 발명의 일실시예에 따라 시계열 페어와이즈 조합으로 구성된 복수개의 시계열 자세 세트 정보(203)를 이용하는 경우, 드믄 자세나 시간이 짧은 자세 정보도 표준화 덕분에 전체 패턴 분석에 기여할 수 있게 되는 효과가 발생된다.
제2LSTM(204)는 복수개의 시계열 자세 세트 정보(203)를 연속적으로 수신하여 자세 예측 정보(205)를 생성할 수 있다. 이렇게 생성된 자세 예측 정보(205)는 사용자가 예측하고 싶어하는 특정 이벤트의 기준값(ground truth) 값과 손실함수(loss function)의 학습을 통해 특정 이벤트를 예측하는데 이용될 수 있다.
도 8에서 도시된 jl m∈J, 여기서 l은 이 feature에서 대표되는 자세의 종류이다. m은 한 자세에서 유지된 시간 슬롯(time slot)을 나타낸다. jl m은 대표되는 l자세에서의 m번째 시간 슬롯(time slot)에서의 feature를 나타낸다. 그러므로 J는 Jl m의 집합이 되게 된다. 본 발명의 일실시예에 따른 제1LSTM(202)은 inter-posture estimator라고 할 수 있고, 제2LSTM(204)은 intra-posture and global posture estimator라고 할 수 있다.
도 9, 10은 본 발명의 일실시예에 따른 시계열적 자세 분석 장치(1)와 일반 통계 기법을 사용하여 사용자가 한번에 앉아있을 시간(사용자가 일어날 시간 또는 사용자 이탈 시간)을 예측한 그래프이다. 도 9, 10에서 y축은 시간, x축은 실험자 A,B의 테스트 회차수를 의미한다. 파란색 바는 실제 측정 시간, 붉은색 바는 일반 통계기법, 회색 바는 본 발명의 일실시에에 따른 시계열적 자세 분석 장치를 이용한 것이다. 도 8, 9에서는 제2LSTM의 기준값(ground truth)가 사용자의 의자 이탈로 설정되어 사용자가 의자에서 일어날 확률을 예측한 것이다. 즉, 도 9, 10에 도시된 그림은 일반 통계 기법과 본 발명의 일실시예에 의해서 예측된 사용자의 이탈 시간을 막대 그래프로 나타낸 것이라고 볼 수 있다. 도 9에서는 사용자의 이탈 시간 분포의 폭이 큰 경우를 나타내고 있고, 도 9에 따르면 일반 통계 기법보다 본 발명의 일실시예에 따른 시계열적 자세 분석장치(1)가 사용자의 이탈 시간을 월등히 잘 예측하는 것을 확인할 수 있다. 또한, 도 10과 같이 사용자의 이탈 시간 분포의 폭(사용자의 특정 이벤트에 대한 표준편차)이 작은 경우에는 일반 통계 기법뿐만 아니라 본 발명의 일실시예에 따른 시계열적 자세 분석장치(1)를 이용하는 것 모두 괜찮은 예측 결과를 보이는 것을 확인할 수 있다. 이를 통해 앞서 각각의 자세에서 제1LSTM으로 정규화 시킨 후 제2LSTM으로 입력시켜 결과를 예측하는 것이 사용자의 이탈 시간 분포의 폭이 큰 경우(사용자의 특정 이벤트에 대한 표준편차가 큰 경우)에는 기존의 일반적인 통계 기법보다 월등한 효과가 있다는 것을 확인할 수 있다.
도 11은 본 발명의 일실시예에 따른 시계열적 자세 분석 장치(1)와 일반 통계 기법을 이용하여 사용자가 일어날 시간에 대한 예측의 평균 오차를 도시한 그래프이고, 도 12는 측정 데이터에 의한 표준 편차를 도시한 그래프이다. 도 11,12에 도시된 바와 같이, 본 발명의 일실시예에 따른 시계열적 자세 분석 장치로 사용자가 일어날 시간을 예측한 것이 일반 통계 기법을 예측한 것보다 임의의 시계열 자세 데이터 분포를 가지고 있는 임의의 사용자를 상대로 평균적으로 안정적인 오차를 나타내며, 예측 정확도도 더 높다는 것을 확인할 수 있다.
인공 신경망을 이용한 시계열적 자세 예측 방법
도 13은 본 발명의 일실시예에 따른 시계열적 자세 분석 방법을 도시한 흐름도이다. 도 13에 도시된 바와 같이, 본 발명의 일실시예에 따른 시계열적 자세 분석 방법은 자세 분류 단계(S10), 시계열 자세 세트 정보 생성 단계(S11), 자세 예측 정보 생성 단계(S12)를 포함할 수 있다.
자세 분류 단계(S10)는 자세 분류 모듈(201)이 의자, 매트, 침대 등에 grid/matrix 형태로 구성되는 복수개의 압력센서(또는 압전센서)에 의해 생성된 압력 분포 정보(200)를 수신하고, 해당 압력 분포 정보(200)를 토대로 사용자의 자세를 분류하여 상기 압력 분포 정보(200)에 대응되는 자세 분류 정보를 시간별로 생성하는 단계이다.
시계열 자세 세트 정보 생성 단계(S11)는, 제1LSTMs가 시간별로 생성된 복수개의 자세 분류 정보(210)를 시계열적으로 연속 수신하여 특정 자세 하나에 할당되는 LSTM을 복수개 구비하고, 각각의 LSTM에서 출력되는 특정 자세 정보(211)에 기초하여, 복수개의 제1LSTM에 의해 복수개의 특정 자세 정보(211)를 시계열적으로 포함하는 시계열 자세 세트 정보(203)가 생성되는 단계이다.
자세 예측 정보 생성 단계(S12)는, 제2LSTM이 이러한 시계열 자세 세트 정보(203)를 복수개 시계열적으로 수신하고, 이렇게 시계열적으로 수신된 복수개의 시계열 자세 세트 정보(203)를 기초로 제2LSTM에 의해 자세 예측 정보(205)가 생성되는 단계이다.
이상에서 설명한 바와 같이, 본 발명이 속하는 기술 분야의 통상의 기술자는 본 발명이 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 상술한 실시예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해해야만 한다. 본 발명의 범위는 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 등가 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함하는 것으로 해석되어야 한다.
본 명세서 내에 기술된 특징들 및 장점들은 모두를 포함하지 않으며, 특히 많은 추가적인 특징들 및 장점들이 도면들, 명세서, 및 청구항들을 고려하여 당업자에게 명백해질 것이다. 더욱이, 본 명세서에 사용된 언어는 주로 읽기 쉽도록 그리고 교시의 목적으로 선택되었고, 본 발명의 주제를 묘사하거나 제한하기 위해 선택되지 않을 수도 있다는 것을 주의해야 한다.
본 발명의 실시예들의 상기한 설명은 예시의 목적으로 제시되었다; 이는 개시된 정확한 형태로 본 발명을 제한하거나, 빠뜨리는 것 없이 만들려고 의도한 것이 아니다. 당업자는 상기한 개시에 비추어 많은 수정 및 변형이 가능하다는 것을 이해할 수 있다.
본 설명의 일부는 정보 상 연산의 기호 표현 및 알고리즘에 관한 본 발명의 실시예들을 기술한다. 이러한 알고리즘적 설명 및 표현은, 일반적으로 그들의 작업의 핵심을 효율적으로 다른 당업자에게 전달하기 위해 데이터 처리 분야의 당업자에 의해 사용된다. 이러한 동작은 기능적, 연산적, 또는 논리적으로 설명되지만, 컴퓨터나 이와 동등한 전기 회로, 마이크로코드 등에 의해 구현될 것으로 이해된다. 나아가, 또한 이것은 모듈로서의 이러한 동작의 배열을 나타내기 위해, 때때로 일반성의 상실 없이 편리하게 입증된다. 상기 기술된 동작 및 그들의 연관된 모듈은 소프트웨어, 펌웨어, 하드웨어, 또는 이들의 임의의 조합 내에서 구현될 수 있다.
여기서 기술된 임의의 단계, 동작, 또는 프로세스는, 하나 이상의 하드웨어 또는 소프트웨어 모듈과 함께 단독으로 또는 다른 장치와 조합하여 수행되거나 구현될 수 있다. 일 실시예에서, 소프트웨어 모듈은 컴퓨터 프로그램 코드를 포함하는 컴퓨터-판독 가능 매체로 구성되는 컴퓨터 프로그램 제품과 함께 구현되고, 컴퓨터 프로그램 코드는 기술된 임의의 또는 모든 공정, 단계, 또는 동작을 수행하기 위한 컴퓨터 프로세서에 의해 실행될 수 있다.
또한, 본 발명의 실시예들은, 여기서의 동작을 수행하기 위한 장치와 관련될 수 있다. 이들 장치는 요구되는 목적을 위해 특별히 제작될 수 있고/있거나, 컴퓨터 내에 저장된 컴퓨터 프로그램에 의해 선택적으로 활성화되거나 재구성되는 일반적-목적의 연산 장치를 포함할 수 있다. 이러한 컴퓨터 프로그램은, 유형의 컴퓨터 판독가능 저장 매체 또는 전자 명령어를 저장하기 위해 적합한 임의의 유형의 미디어 내에 저장될 수 있고, 컴퓨터 시스템 버스에 결합될 수 있다. 나아가, 본 명세서에 참조되는 임의의 연산 시스템은 단일 프로세서를 포함할 수 있거나, 증가한 연산 능력을 위한 다중 프로세서 디자인을 채택한 구조가 될 수 있다.
마지막으로, 본 명세서에 사용된 언어는 주로 읽기 쉽도록 그리고 교시의 목적으로 선택되었고, 본 발명의 주제를 묘사하거나 제한하기 위해 선택되지 않을 수 있다.
그러므로 본 발명의 범위는 상세한 설명에 의해 한정되지 않고, 이를 기반으로 하는 출원의 임의의 청구항들에 의해 한정된다. 따라서, 본 발명의 실시예들의 개시는 예시적인 것이며, 이하의 청구항에 기재된 본 발명의 범위를 제한하는 것은 아니다.
1: 시계열적 자세 분석 장치
200: 압력 분포 정보
201: 자세 분류 모듈
202: 제1LSTMs
203: 시계열 자세 세트 정보
204: 제2LSTM
205: 자세 예측 정보
210: 자세 분류 정보
211: 특정 자세 정보
200: 압력 분포 정보
201: 자세 분류 모듈
202: 제1LSTMs
203: 시계열 자세 세트 정보
204: 제2LSTM
205: 자세 예측 정보
210: 자세 분류 정보
211: 특정 자세 정보
Claims (1)
- 의자, 매트 또는 침대에 그리드 또는 매트릭스 형태로 구성되는 복수개의 압력센서 또는 압전센서에 의해 생성된 사용자의 압력 분포 정보를 수신하고, 특정 매트릭스 사이즈로 구성되는 컨벌루젼 레이어(Convolution layer)를 포함하며, 상기 압력 분포 정보를 토대로 상기 사용자의 자세를 분류하여 상기 압력 분포 정보의 특징에서 대표되는 자세 분류 정보를 생성하는 자세 분류 모듈;
하나의 자세로 연달아 분류되는 상기 자세 분류 정보를 시계열적으로 입력받고, 연속된 상기 자세 분류 정보를 기초로 특정 자세 정보를 생성하여 출력하는 복수개의 제1LSTM; 및
특정 자세의 상기 특정 자세 정보 및 상기 특정 자세 이전의 상기 특정 자세 정보를 포함하여 연속으로 구성되는 시계열 자세 세트 정보를 시계열적으로 복수개 연속 입력받고, 복수개의 상기 시계열 자세 세트 정보를 기초로 상기 사용자의 자세 예측 정보를 생성하여 출력하는 제2LSTM;
을 포함하고,
각각의 상기 제1LSTM은 하나의 자세로 분류되어 유지되는 동안의 상기 자세 분류 정보를 입력받아 상기 특정 자세 정보를 생성하여 상기 자세 분류 정보를 정규화하고,
상기 제2LSTM는 상기 제2LSTM의 기준값(ground truth)이 상기 사용자의 이탈로 설정되어, 상기 사용자가 이탈할 확률을 의미하는 상기 자세 예측 정보를 생성하는 것을 특징으로 하는,
복수의 LSTM을 이용한 시계열적 자세 예측 장치.
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190033221A KR102031983B1 (ko) | 2019-03-22 | 2019-03-22 | 복수의 lstm을 이용한 시계열적 자세 예측 장치 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR1020190033221A KR102031983B1 (ko) | 2019-03-22 | 2019-03-22 | 복수의 lstm을 이용한 시계열적 자세 예측 장치 |
Related Parent Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020170084647A Division KR101963556B1 (ko) | 2017-07-04 | 2017-07-04 | 인공 신경망을 이용한 시계열적 자세 예측 장치 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20190035635A KR20190035635A (ko) | 2019-04-03 |
KR102031983B1 true KR102031983B1 (ko) | 2019-10-14 |
Family
ID=66165747
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020190033221A KR102031983B1 (ko) | 2019-03-22 | 2019-03-22 | 복수의 lstm을 이용한 시계열적 자세 예측 장치 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102031983B1 (ko) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021132813A1 (ko) * | 2019-12-23 | 2021-07-01 | 경희대학교 산학협력단 | 딥러닝 모델을 이용한 통증 평가 방법 및 분석 장치 |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR102323329B1 (ko) | 2019-12-24 | 2021-11-08 | 주식회사 싸인텔레콤 | 열전소자를 이용한 고열 방지 기능을 갖는 임베디드 일체형 카메라 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009297148A (ja) * | 2008-06-11 | 2009-12-24 | Nippon Telegr & Teleph Corp <Ntt> | 起き上り動作検出装置及び起き上り動作検出方法 |
JP2013544616A (ja) * | 2010-12-07 | 2013-12-19 | アーリーセンス リミテッド | 臨床症状のモニター、予測、および治療 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101815975B1 (ko) | 2011-07-27 | 2018-01-09 | 삼성전자주식회사 | 객체 자세 검색 장치 및 방법 |
-
2019
- 2019-03-22 KR KR1020190033221A patent/KR102031983B1/ko active IP Right Grant
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2009297148A (ja) * | 2008-06-11 | 2009-12-24 | Nippon Telegr & Teleph Corp <Ntt> | 起き上り動作検出装置及び起き上り動作検出方法 |
JP2013544616A (ja) * | 2010-12-07 | 2013-12-19 | アーリーセンス リミテッド | 臨床症状のモニター、予測、および治療 |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021132813A1 (ko) * | 2019-12-23 | 2021-07-01 | 경희대학교 산학협력단 | 딥러닝 모델을 이용한 통증 평가 방법 및 분석 장치 |
Also Published As
Publication number | Publication date |
---|---|
KR20190035635A (ko) | 2019-04-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
JP6608981B2 (ja) | 異常セッション感知方法 | |
US11544535B2 (en) | Graph convolutional networks with motif-based attention | |
Choudhury et al. | Imputation of missing data with neural networks for classification | |
US20200366690A1 (en) | Adaptive neural networks for node classification in dynamic networks | |
US20190005384A1 (en) | Topology aware graph neural nets | |
KR102483639B1 (ko) | 뉴럴 네트워크 구조 확장 방법, 디멘션 리덕션 방법, 및 그 방법을 이용한 장치 | |
Suykens et al. | Least squares support vector machine classifiers: a large scale algorithm | |
US20190034497A1 (en) | Data2Data: Deep Learning for Time Series Representation and Retrieval | |
US8504493B2 (en) | Self-organizing sequential memory pattern machine and reinforcement learning method | |
KR102031982B1 (ko) | 언레이블드 데이터의 재학습 여부 결정을 이용한 압력분포 정보의 자세 분류 장치 | |
Leung et al. | On the selection of weight decay parameter for faulty networks | |
US11606393B2 (en) | Node classification in dynamic networks using graph factorization | |
de Sousa et al. | SOMprocessor: A high throughput FPGA-based architecture for implementing Self-Organizing Maps and its application to video processing | |
KR102031983B1 (ko) | 복수의 lstm을 이용한 시계열적 자세 예측 장치 | |
Gutiérrez et al. | Combined projection and kernel basis functions for classification in evolutionary neural networks | |
US20220292377A1 (en) | Computer system and method for utilizing variational inference | |
KR101963556B1 (ko) | 인공 신경망을 이용한 시계열적 자세 예측 장치 | |
Gil et al. | Supervised SOM based architecture versus multilayer perceptron and RBF networks | |
Kaur | Implementation of backpropagation algorithm: A neural net-work approach for pattern recognition | |
Ben-Bright et al. | Taxonomy and a theoretical model for feedforward neural networks | |
JP2023090591A (ja) | 共進化神経常微分方程式基盤の人工知能神経網装置及び方法 | |
Perrinet | Feature detection using spikes: the greedy approach | |
Hu et al. | Neural-PDE: a RNN based neural network for solving time dependent PDEs | |
Singh et al. | Deep learning architectures, libraries and frameworks in healthcare | |
Liu et al. | Functional extreme learning machine |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A107 | Divisional application of patent | ||
A201 | Request for examination | ||
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |