KR20110064478A - 러프 집합을 이용한 규칙 기반 신체 활동 상태 결정방법 및 시스템 - Google Patents

Abstract

본 발명은 러프 집합을 이용한 규칙 기반 신체 활동 상태 결정 방법에 관한 것으로, 센서노드가, 피실험자의 신체에 부착되어 피실험자의 신체 활동에 따른 센싱 신호를 생성하여 신체 활동 상태 결정장치로 전송하는 단계; 상기 신체 활동 상태 결정장치가, 상기 센서노드로부터의 센싱 신호에 대응되는 신체 활동 상태를 미리 정해둔 러프 집합을 이용한 규칙 테이블로부터 검출하여 결정하는 단계;를 구비하며, 상기 러프 집합을 이용한 규칙 테이블은, 입력 속성의 영역을 추출하고, 출력 라벨에 대응되는 내부 구간을 찾고, 데이터 포인트들을 분할하여 이산화된 구간을 검출한 후에, 이산화된 구간을 언어적인 항으로 변환하여 후보 규칙패턴을 생성하고, 상기 후보 규칙패턴에 대해 러프 집합을 적용하여 불필요한 속성을 제거하여 생성함을 특징으로 한다.

러프 집합, 신체 활동 상태 결정

Description

러프 집합을 이용한 규칙 기반 신체 활동 상태 결정방법 및 시스템{Decision Method and System for Rule-based Physical Activity Status using Rough Sets}

본 발명은 생체 센서로부터의 센싱 신호로부터 신체 활동 상태를 결정하는 기술에 관한 것으로, 더욱 상세하게는 3축 가속도 센서로부터의 센싱 신호로부터 신체 활동 상태를 결정하는 방법 및 시스템에 관한 것이다.

최근의 센서는 고성능화, 지능화, 고집적화, 저전력화 및 소형화의 추세로 발전해가고 있으며, 환경 및 국방, 자동화 시스템, 의료 등 다양한 분야에서 유비쿼터스 센서 네트워크(ubiquitous sensor network) 기반의 서비스를 통해 그 응용범위가 확대되고 있다.

그 중 가장 비약적인 발전을 보이고 있는 분야가 의료 분야이며 센서 기술은 미래 의료 패러다임의 변화를 이끌 핵심 역할을 담당할 것으로 기대되고 있으며, 센서를 활용한 의료기기 개발에 있어서도 가장 관심이 집중되고 있다.

상기 의료 분야에서 센서는 생체정보 측정, 환자 모니터링, 활동량 모니터링, 자원 관리 등 다양한 분야로 활용이 가능하다. 상기 센서를 활용한 신체활동상태 인식기술은 센서를 인체의 특정 부위에 부착시키고, 인간의 활동에 의해 발생하 는 데이터를 조합하여 인간의 동작을 인식하는 것이다. 여기서, 상기 인체의 동작상태 또는 활동의 정량적 측정에 대한 상황 인식 기술에 사용되고 있는 센서는 작고 가벼워서 몸에 착용하기 편리해야 하며 장시간 동작하기 위해 저전력, 저가격 등이 요구되고 있다.

현재까지 일상생활 중의 신체 활동인 걷기, 앉기, 서기, 뛰기, 눕기 등을 인식하는 연구에서는 가속도 센서가 주로 이용되고 있고, 상기 가속도 센서로부터의 가속도 신호로부터 인체의 동작상태 정보와 활동량 분석을 위해서 주파수 성분 분석(frequency components analysis) 및 뉴럴 네트워크(neural network), 웨이브렛 변환(wavelet transform)과 같은 방법을 적용한 다양한 연구들이 진행되고 있다.

그러나 이러한 방법들은 복잡한 연산으로 비교적 많은 시간이 걸리며 규칙을 과다하게 생성하기 때문에 실용성이 낮고 시스템의 설계도 복잡하다는 제약점을 가지고 있다.

본 발명은 러프 집합을 신체 활동 상태 결정에 적용하여 규칙을 감축하고 감축된 규칙들 간의 중복 속성값들을 제거하여 규칙을 최소화하는 러프 집합을 이용한 규칙 기반 신체 활동 상태 결정방법 및 시스템을 제공하는 것을 그 목적으로 한다.

상기한 목적을 달성하기 위한 본 발명에 따르는 러프 집합을 이용한 규칙 기반 신체 활동 상태 결정방법은, 센서노드가, 피실험자의 신체에 부착되어 피실험자의 신체 활동에 따른 센싱 신호를 생성하여 신체 활동 상태 결정장치로 전송하는 단계; 상기 신체 활동 상태 결정장치가, 상기 센서노드로부터의 센싱 신호에 대응되는 신체 활동 상태를 미리 정해둔 러프 집합을 이용한 규칙 테이블로부터 검출하여 결정하는 단계;를 구비하며, 상기 러프 집합을 이용한 규칙 테이블은, 입력 속성의 영역을 추출하고, 출력 라벨에 대응되는 내부 구간을 찾고, 데이터 포인트들을 분할하여 이산화된 구간을 검출한 후에, 이산화된 구간을 언어적인 항으로 변환하여 후보 규칙패턴을 생성하고, 상기 후보 규칙패턴에 대해 러프 집합을 적용하여 불필요한 속성을 제거하여 생성함을 특징으로 한다.

상기한 본 발명은 러프 집합을 신체 활동 상태 결정에 적용하여 규칙을 감축하고 감축된 규칙들간의 중복 속성값들을 제거하여 규칙을 최소화할 수 있는 효과 가 있다.

도 1은 본 발명의 바람직한 실시예에 따른 신체 활동 상태 결정 시스템의 개략적인 구성도이다. 상기 신체 활동 상태 결정 시스템은 크게 센서 노드(100)와 신체 활동 상태 결정 장치(200)로 구성된다.

<센서 노드>

상기 센서 노드(100)의 구성을 도 2를 참조하여 상세히 설명한다. 상기 센서 노드(100)는 크게 센서부(102)와 센싱신호 송신부(106)로 나눌 수 있다.

상기 센서부(102)에는 다수의 센서(1041~1043)가 구비되며, 상기 센서로는 생체신호를 센싱하는 생체 센서 및 가속도 센서 등이 채용된다. 특히 상기 가속도 센서로는 3축 가속도 센서(MMA7260Q,FREESCALE)가 채용된다.

상기 센싱신호 송신부(106)는 마이크로 콘트롤러(108), 제1메모리부(110), 리셋 스위치부(112), 유저 스위치부(114), LED 표시부(116), 제2메모리부(118), 안테나부(120), RF 송수신부(122)로 구성된다.

상기 마이크로 콘트롤러(108)는 상기 센싱신호 송신부(106)의 각부를 전반적으로 제어함과 아울러, 본 발명의 바람직한 실시예에 따라 센서부(102)로부터 수신되는 센싱 신호에 시리얼 ID 정보를 부가하여 RF 송수신부(122)로 제공하며, 상기 RF 송수신부(122)는 상기 시리얼 ID가 부가된 센싱신호를 안테나부(120)를 통해 신체 활동 상태 결정 장치(200)로 전송한다. 상기한 마이크로 콘트롤러(108)로는 MSP430F1611(TI,USA)가 채용되며, 내부에 48KB의 프로그램 메모리와 10KB의 램을 가지고 있으며, 12비트 ADC 8채널을 가진다.

상기 제1메모리부(110)는 센서노드(100)의 시리얼 ID 정보를 저장하여 신체 활동 상태 결정 장치(200)가 센싱신호가 어느 센서노드(100)로부터 수신된 것인지를 판별할 수 있게 한다.

상기 리셋 스위치부(112)는 사용자에 의해 조작될 때에 마이크로 콘트롤러(108)로 리셋 신호를 전송한다.

상기 유저 스위치부(114)는 사용자에 의해 조작되는 다수의 스위치를 구비하며, 상기 다수의 스위치를 조작하여 정보 또는 명령을 마이크로 콘트롤러(108)로 입력 가능하게 한다.

상기 LED 표시부(116)는 상기 마이크로 콘트롤러(108)의 제어에 따른 각종 정보를 표시한다.

상기 제2메모리부(118)는 상기 마이크로 콘트롤러(108)로부터의 제어에 따른 각종 정보를 저장한다.

상기 RF 송수신부(122)는 상기 마이크로 콘트롤러(108)로부터의 제어에 따라 센싱신호를 제공받아 안테나부(120)를 통해 신체 활동 상태 결정 장치(200)로 전송한다. 상기 RF 송수신부(122)로는 IEEE 802.15.4/ZIGBEE를 지원하는 RF 칩인 CC2420을 채용하며, 2400~2483.5MHz 대역을 지원하며, 직접 시퀀스 대역 확산(direct sequence spread spectrum, DSSS) 방식으로 동작하며, O-QPSK 변조 방식과 250kbps의 전송률을 지원한다.

<신체 활동 상태 결정 장치>

상기 신체 활동 상태 결정 장치(200)는 퍼스널 컴퓨팅 장치 등으로, 상기 센서 노드(100)로부터 수신되는 센싱 신호를 토대로 피실험자의 신체 활동 상태를 결정한다.

상기 신체 활동 상태 결정 장치(200)의 처리 과정을 상세히 설명한다.

상기 신체 활동 상태 결정 장치(200)는 신체 활동 상태를 결정하기 위한 규칙 테이블을 구성하고, 상기 규칙 테이블에 따라 상기 센서 노드(100)로부터 수신되는 센싱 신호에 따른 신체 활동 상태를 결정한다.

먼저, 상기 규칙 테이블을 구성하는 과정을 설명한다.

주어진 데이터 X={x_i｜x_i=(x_i1,x_i2,...,x_in), i=1,2,3,...,s}가 s개의 인스턴스들을 포함하는 n차원 벡터이고, j번째 속성 α_j={x_1j,x_2j,...,x_sj},(j=1,2,...,n)은 s개의 데이터 포인트들로 구성되고, 출력 C={c_k｜k=1,2,...,m}는 m개의 라벨로 이루어진 집합이다.

상기 속성의 이산화 구간 및 후보 규칙 패턴의 생성은 다음과 같은 과정에 의하여 추출된다.

제1단계 : j번째 입력 속성의 도메인 d_j=[min(α_j),max(α_j)]을 추출하고, 해당 라벨에 대응하는 j번째 속성의 내부 구간 I_jk=[I^l _jk,I^u _jk]을 찾는다. 상기 I^l _jk,=min(α_j)과 I^u _jk=max(α_j)은 각각 j번째 속성에서 k번째 라벨에 대응하는 속성 값들의 최소값과 최대값을 나타낸다.

제2단계 : 제1단계에서 추출한 내부 구간들 사이에서 중첩된 구간들을 중심으로 도 3에 도시한 바와 같이 주어진 데이터 포인트들을 분할한다. 즉, ｜d_j｜=｜o_j1｜+｜o_j2｜+...+｜o_jl｜이 된다. 상기 l은 중첩된 구간을 중심으로 분할된 이산화된 구간의 수를 ｜.｜은 이산화된 구간의 길이를 나타내고, 이산화된 구간의 길이(length)의 총합은 전체 도메인의 길이와 동일하다.

제3단계: 각 인스턴스를 정성적으로 평가하기 위하여 상기 제2단계를 통해 추출된 이산화된 구간을 근거로 해당 구간을 언어적인 항(lingiustic term), 즉 저속(slow), 중속(moderate), 고속(fast) 등으로 변환하여 규칙 패턴을 생성한다.

제4단계 : 제3단계에서 생성된 규칙 패턴에서 동일한 패턴의 규칙들을 제거하고 신체 활동 상태를 결정하기 위한 후보 규칙 패턴을 생성한다.

상기한 제1 내지 제4단계로부터 생성된 후보 규칙패턴에서 여러 불필요한 속성값(redundant attribute values)들을 제거하기 위해서 본 발명은 1980년초 Pawlak에 의해 제안된 러프 집합의 개념과 의사 결정 규칙 테이블에서 코어(core)와 리덕트(reduct) 개념을 추출하기 위해 slowinski와 stefanowski에 의해 제안한 식별 가능 행렬을 이용한다.

오브젝트(즉, 인스턴스)들의 유한 집합 U={x₁,x₂,...,x_n)와 속성들의 집합 A로 이루어진 정보 시스템(Information System) IS=(U,A)이 있다고 가정할 때, 각 속성 α∈A의 도메인 V_a는 정보 함수(Information Function) f_a: U-> V_a으로 정의되 고, 식별 가능 행렬(discernibility matrix)은 수학식 1과 같이 n×n 행렬로 정의된다. 상기 c_ij(i,j=1,2,...,n)는 i 번째 오브젝트 x_i와 j번째 오브젝트 x_j를 구별하는 모든 속성들의 집합을 의미한다.

(c_ij)={α∈A:α(x_i)≠α(x_i)}, ∃i,j

이제 상기 후보 규칙 패턴에서 불필요한 속성값을 제거하는 과정을 설명한다.

표 1은 오브젝트들의 집합인 U={x₁,x₂,...,x_n)과 3개의 조건부(입력부) 속성과 1개의 의사결정부(출력부) 속성인 A={a₁,a₂,a₃,d}을 규칙 테이블로 구성한 것이다.

상기 표 1에 나타낸 규칙 테이블은 수학식 1에 의해 표 2와 같은 식별 가능 행렬로 재구성될 수 있다.

상기 식별 가능 행렬에서 "-"는 동일한 출력 속성값(즉, 라벨)을 가지는 경우와 동일한 오브젝트들을 가지는 경우를 나타낸 것이다. 다시 말해, 동일한 클래스내에 존재하는 인스턴스들은 이미 전체 공간 내에서 특정 부분 공간으로 분할되어 있으므로 식별 가능요소를 추출할 필요가 없다. 또한 식별 가능 행렬에서 주 대각 원소를 제외한 하삼각 행렬의 원소와 상삼각 행렬의 원소는 서로 대칭적인 특성을 가지기 때문에 어떠한 행렬의 원소를 사용하더라도 동일한 특성을 가진다. 또한 식별 가능 행렬에서 코어 속성은 단일 원소로 이루어진 항목들의 집합으로 수학식 2와 같이 정의될 수 있다.

Core(A)={α∈A:c_ij=(α)}, ∃i,j

상기 α는 i번째와 j번째 속성을 유일하게 식별할 수 있는 속성을 의미한다.

상기 수학식 2로부터 상기 식별 가능 행렬의 예에서 코어 속성은 유일한 단 일 속성을 가진 {α₁,α₃}가 되고, 리덕트는 하나 이상의 속성을 포함하는 {{α₁,α₂,α₃},{α₂,α₃},{α₁,α₃},{α₁,α₂}}가 된다. 즉 정보 시스템 IS에서 코어는 주어진 인스턴스를 분류하는데 반드시 필요한 속성을 의미하고, 리덕트는 그 인스턴스를 분류하는데 부가적으로 필요한 속성을 의미한다. 이는 집합의 근사화 개념, 즉 상한근사(upper approximation)와 하한 근사(lower approximation)에서 아주 중요한 특징이며, 확률 개념에 기반한 dempster-shafer의 증거 이론(evidence theory)과도 유사한 성질을 나타낸다.

다음으로 상기 식별 가능 행렬에서 코어 속성과 리덕트 속성을 계산하기 위하여 수학식 3의 식별 가능 함수 f(A)를 계산한다.

상기

는 최소 논리곱 정규형(conjunctive normal form,CNF)을 의미하며, 최종적으로 코어와 리덕트를 계산하기 위해 부울 대수의 홉수 법칙(absorption law)을 이용한다.

즉, 상기 식별 가능 행렬에 상기 식별 가능 함수 f(A)를 적용하여 계산하면 다음과 같다.

상기 {α₁,α₃}는 식별 가능 함수 f(A)의 요소, 즉 리덕트를 의미한다. 따라서 수학식 2와 수학식 3에 의해서 속성 {α₁,α₃}는 상기 식별 가능 행렬에서 코어 속성인 동시에 리덕트 속성임을 의미하고, 속성 a₂는 불필요한 속성임을 나타낸다.

상기 불필요한 속성이 검출되면, 상기 불필요한 속성을 상기 식별 가능 행렬에서 제거하며, 상기 불필요한 속성이 제거된 행렬을 나타낸 것이 표 3이다.

또한 상기 수학식 3으로부터 얻은 리덕트 속성을 근거로 오브젝트들의 불필요한 속성값들을 제거하기 위하여 수학식 4에 따른 식별 가능 함수 f^x(A)를 계산한다.

상기 리덕트 속성{α₁,α₃}만으로 재구성된 식별 가능 행렬에서 불필요한 속성값을 제거하기 위하여, 각 오브젝트는 상기 수학식 4에 따라 다음과 같이 처리되어 속성값 중 불필요한 속성값이 제거된다.

상기 불필요한 속성값을 제거한 최종 규칙 테이블은 표 4와 같다.

상기 최종 규칙 테이블은 3개의 오브젝트 x₁,x₃,x₅는 조건부 속성 a₁의 값이 불필요한 속성값이라는 것을 나타낸다.

상기한 최종 규칙 테이블이 생성되면, 상기 최종 규칙 테이블에 따라 신체 활동 상태를 결정한다.

<실험예>

상기한 최종 규칙 테이블의 생성과정을 실제 실험결과에 적용한 예를 설명한다.

상기 실험을 위하여 생체센서노드와 가속도 센서보드를 가슴착용형으로 일체 제작하여 건강상태가 양호한 성인(연령 29세, 성별 남, 신장 173cm, 체중 65kg) 1명을 대상으로 가슴 중앙 부분에 착용시키고, 서기, 걷기, 뛰기의 동작상태를 수행하여 피실험자의 신체의 움직임에 따라 변화하는 신체 가속도 데이터를 측정하였다.

본 실험은 런닝머신 위에서 걷기, 뛰기의 동작을 이행하는 동안의 신체의 움직임에 따른 신호를 3축 가속도 센서를 사용하여 측정하고, 상기 측정한 신체 가속도의 출력신호의 변화 결과는 도 4와 같다.

상기 도 4를 참조하면, 뛰기 동작 중 측정된 가속도 신호는 걷기 동작보다 진폭변화가 많은 것을 알 수 있었다. 본 실험에서 얻은 결과 데이터는 서기, 걷기, 뛰기에 대하여 각각 1000개의 데이터를 획득하고, 3축 가속도 센서로부터 얻은 총 3000개의 데이터 셋(data set)을 이용하여 신체활동상태를 정성적으로 평가한다.

실험에서 사용된 모든 프로그램은 Matlab 2008에서 구현되었고 사용된 데이터 셋의 특징은 다음과 같다.

1) 입력속성의 수 : 3개

2) 출력속성의 수 : 1개

3) 출력속성의 라벨(클래스)의 수 : 3개(서기, 걷기, 뛰기)

4) 인스턴스들의 수 : 3000개(서기 : 1000개, 걷기 : 1000개, 뛰기 : 1000개)

도 5는 실험에서 사용된 데이터 셋의 공간적인 분포를 나타낸다. "o,", "*","+"는 3개의 출력 클래스, 서기, 걷기, 뛰기를 의미하고, 서로 다른 2개의 축에서 걷기와 띄기의 데이터 분포가 서기의 데이터 분포에 비해 상대적으로 밀집되어 있다.

본 발명에서는 신체 활동 상태의 정성적인 평가를 위해 데이터의 공간적인 분포를 고려하여 각 속성의 값들을 이산화하였다.

그리고 표 5는 제1단계 및 제2단계로부터 계산된 해당 클래스별 입력 속성 값들의 구간을 나타낸 것이다.

상기 도 5와 상기 표 5를 참조하면, 클래스 "서기"는 선형적인 분리가 가능하다. 본 발명에서는 이들 클래스별 입력 속성 구간과 표 6의 분할 기준을 근거로 각 분할 구간을 언어적인 항으로 변환한다.

표 6에서 "느림(slow)"에 대한 3축의 언어적인 구간은 각각 1,754≤X≤1,931, 2,854≤Y≤2,975, 2,123≤Z≤2,382로 변환하고, 나머지 2개의 언어적인 구간인 "중간(moderate)"와 "빠름(fast)"도 동일한 방법으로 변환한다. 또한 주어진 3000개의 인스턴스를 언어적인 구간으로 변환한 후에 표 7과 같은 규칙패턴들을 추출한다.

상기 표 7에서 음영부분은 서로 다른 클래스들이 동일한 규칙패턴을 포함할 때의 규칙패턴들을 나타내고, 빈도수 항목은 3000개의 인스턴스들이 해당 규칙패턴에 대응될 때의 합을 나타낸다.

그러나 생성된 11개의 규칙패턴들 중에서 규칙 패턴 R2와 R4, R3과 R5는 클래스 걷기와 뛰기에서 규칙들이 서로 충돌한다.

이와같이 규칙간의 커플링(충돌)의 문제를 최소화하기 위해 규칙의 커플링 문제를 최소화하기 위해 퍼지 러프 분류 방법을 채용하여 각 인스턴스로부터 대응된 규칙패턴의 빈도수를 고려하여 충돌문제를 최소화하였고, 그 결과를 표 8에 나타내었다.

상기 표 8의 후보 규칙 패턴들 중에서 입력 속성의 불필요한 속성값들을 제거하기 위해 수학식 1 내지 수학식 3을 이용하여 다음과 같이 러프 집합의 식별 가능 행렬과 식별 가능 함수 f(A)를 유도한다.

상기 식별 가능 함수 f(R)의 결과로부터 조건부 속성인 X와 Y는 식별 가능 행렬에서 코어 속성인 동시에 리덕트 속성으로 사용될 수 있음을 볼 수 있다. 이러한 사실을 근거로 각 규칙의 불필요한 속성값들을 수학식 4를 이용하여 제거한 후에 표 9와 같은 결과를 얻을 수 있다.

상기 표 9에서 "-"은 표 8의 후보 규칙 패턴에서 제거된 속성값들을 의미하고, R8-1과 R8-2, R9-1과 R9-2는 규칙 R8과 R9의 선택 가능한 2가지 형태의 리덕트 속성(즉, 조합 가능한 리덕트의 속성 수는 4가지)을 나타난다. 따라서 최적의 규칙 패턴을 추출하기 위해서 조합 가능한 리덕트의 속성들 가운데 상대적인 빈도가 높은 속성값을 선택함으로써 표 10과 같은 최종 규칙 패턴을 획득할 수 있다.

상기 표 10에 나타낸 바와 같이 입력 속성 X,Y,Z 중에서 속성 Z는 3가지 신체 활동 상태를 결정하는 데 있어서, 속성 집합 {X,Y,Z}와 {X,Y}의 의존성이 서로 동일하므로 속성 Z는 불필요한 속성(즉, 중복 속성)임을 알 수 있다.

또한 표 10과 표 8의 규칙 패턴을 비교해 볼 때에, 불필요한 속성값을 제거한 후에 생성된 최종 규칙패턴이 규칙의 수와 규칙의 해석 측면에서 보다 효과적이며, 표 11은 분류 정확성 측면에서도 불필요한 속성을 제거하기 전과 후에 동일한 결과를 제공함을 나타낸다.

상기한 본 발명은 신체 활동 상태의 정보를 수집하기 위해서 생체 센서 노드와 가속도 센서 보드를 가슴 착용형으로 제작된 장치를 피실험자의 가슴 중앙 부위에 착용시켜 추출된 데이터를 규칙 패턴을 추출하기 위해 데이터의 공간적인 분포를 고려한 데이터의 이산화와 규칙생성 방법을 제안하였다.

또한 생성된 규칙패턴들 간의 중복 속성을 제거하기 위하여 러프 집합의 근사화 개념을 이용하여 규칙패턴을 간략화할 수 있게 하였다.

또한 본 발명의 타당성을 보이기 위해 규칙 감축 전과 후의 규칙의 수와 분류 정확도를 비교하였고, 그 결과 불필요한 속성값을 제거한 후에 생성된 규칙패턴이 규칙의 수와 해석 측면에서 보다 효과적임을 보였으며, 분류 정확성 측면에서도 동일한 결과를 제공함을 보였다.

따라서 본 발명은 연속 또는 이산적인 분포를 가진 데이터로부터 규칙을 생성하고, 생성된 규칙에서 과다한 중복성을 가진 패턴들을 줄이는데 효과적이다.

도 1은 본 발명의 바람직한 실시예에 따른 신체 활동 상태 결정 시스템의 개략적인 구성도.

도 2는 본 발명의 바람직한 실시예에 따른 센서 노드의 구성도.

도 3은 내부 구간들 사이에서 중첩된 구간들을 중심으로 주어진 데이터 포인트들을 분할한 예를 도시한 도면.

도 4는 신체 가속도의 출력신호의 변화 결과를 도시한 도면.

도 5는 본 발명에 따른 실험에서 사용된 데이터 셋의 공간적인 분포도.

Claims (5)

1. 러프 집합을 이용한 규칙 기반 신체 활동 상태 결정 시스템에 있어서,

   피실험자의 신체에 부착되어 피실험자의 신체 활동에 따른 센싱 신호를 생성하여 전송하는 센서노드;

   상기 센서노드로부터의 센싱 신호에 대응되는 신체 활동 상태를 미리 정해둔 러프 집합을 이용한 규칙 테이블로부터 검출하는 신체 활동 상태 결정장치;를 구비하며,

   상기 러프 집합을 이용한 규칙 테이블은, 입력 속성의 영역을 추출하고, 출력 라벨에 대응되는 내부 구간을 찾고, 데이터 포인트들을 분할하여 이산화된 구간을 검출한 후에, 이산화된 구간을 언어적인 항으로 변환하여 후보 규칙패턴을 생성하고, 상기 후보 규칙패턴에 대해 러프 집합을 적용하여 불필요한 속성을 제거하여 생성함을 특징으로 하는 러프 집합을 이용한 규칙 기반 신체 활동 상태 결정 시스템.
2. 제1항에 있어서,

   상기 후보 규칙패턴에 대해 러프 집합을 적용하는 과정은,

   인스턴스와 속성을 나타내는 규칙 테이블을 수학식 5에 따라 식별 가능 행렬로 변환하고,

   상기 식별 가능 행렬에 대해 수학식 6 및 수학식 7에 따라 코어와 리덕트를 검출하여 불필요한 속성을 검출하여 제거하고,

   수학식 8에 따라 각 오브젝트에 대한 식별 가능 함수를 계산하여 오브젝트별 불필요한 속성값을 검출하여 최종 규칙 테이블을 생성하는 것임을 특징을 하는 러프 집합을 이용한 규칙 기반 신체 활동 상태 결정 시스템.

   (c_ij)={α∈A:α(x_i)≠α(x_i)}, ∃i,j

   Core(A)={α∈A:c_ij=(α)}, ∃i,j

   

   상기

   

   는 최소 논리곱 정규형(conjunctive normal form,CNF)을 의미.

   
3. 제1항에 있어서,

   상기 센서노드는,

   3차원 가속도 센서와,

   상기 3차원 가속도 센서로부터의 센싱 신호를 상기 신체 활동 상태 결정 장치로 송신하는 센싱신호 송신부;

   로 구성됨을 특징으로 하는 러프 집합을 이용한 규칙 기반 신체 활동 상태 결정 시스템.
4. 러프 집합을 이용한 규칙 기반 신체 활동 상태 결정 방법에 있어서,

   센서노드가, 피실험자의 신체에 부착되어 피실험자의 신체 활동에 따른 센싱 신호를 생성하여 신체 활동 상태 결정장치로 전송하는 단계;

   상기 신체 활동 상태 결정장치가, 상기 센서노드로부터의 센싱 신호에 대응되는 신체 활동 상태를 미리 정해둔 러프 집합을 이용한 규칙 테이블로부터 검출하여 결정하는 단계;를 구비하며,

   상기 러프 집합을 이용한 규칙 테이블은, 입력 속성의 영역을 추출하고, 출력 라벨에 대응되는 내부 구간을 찾고, 데이터 포인트들을 분할하여 이산화된 구간을 검출한 후에, 이산화된 구간을 언어적인 항으로 변환하여 후보 규칙패턴을 생성하고, 상기 후보 규칙패턴에 대해 러프 집합을 적용하여 불필요한 속성을 제거하여 생성함을 특징으로 하는 러프 집합을 이용한 규칙 기반 신체 활동 상태 결정 방법.
5. 제4항에 있어서,

   상기 후보 규칙패턴에 대해 러프 집합을 적용하는 과정은,

   인스턴스와 속성을 나타내는 규칙 테이블을 수학식 9에 따라 식별 가능 행렬로 변환하고,

   상기 식별 가능 행렬에 대해 수학식 8 및 수학식 11에 따라 코어와 리덕트를 검출하여 불필요한 속성을 검출하여 제거하고,

   수학식 12에 따라 각 오브젝트에 대한 식별 가능 함수를 계산하여 오브젝트별 불필요한 속성값을 검출하여 최종 규칙 테이블을 생성하는 것임을 특징을 하는 러프 집합을 이용한 규칙 기반 신체 활동 상태 결정 방법.

   (c_ij)={α∈A:α(x_i)≠α(x_i)}, ∃i,j

   Core(A)={α∈A:c_ij=(α)}, ∃i,j

   

   상기

   

   는 최소 논리곱 정규형(conjunctive normal form,CNF)을 의미.

   

Images