KR20120027229A - 사람의 자세를 결정하기 위한 시스템 및 방법 - Google Patents
사람의 자세를 결정하기 위한 시스템 및 방법 Download PDFInfo
- Publication number
- KR20120027229A KR20120027229A KR1020117026765A KR20117026765A KR20120027229A KR 20120027229 A KR20120027229 A KR 20120027229A KR 1020117026765 A KR1020117026765 A KR 1020117026765A KR 20117026765 A KR20117026765 A KR 20117026765A KR 20120027229 A KR20120027229 A KR 20120027229A
- Authority
- KR
- South Korea
- Prior art keywords
- posture
- frequency component
- determining
- high frequency
- low frequency
- 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
-
- 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
- A61B5/1118—Determining activity level
-
- 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
- A61B5/40—Detecting, measuring or recording for evaluating the nervous system
- A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
- A61B5/4094—Diagnosing or monitoring seizure diseases, e.g. epilepsy
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
- G06V40/20—Movements or behaviour, e.g. gesture recognition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
Landscapes
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Animal Behavior & Ethology (AREA)
- Heart & Thoracic Surgery (AREA)
- Biophysics (AREA)
- Pathology (AREA)
- Veterinary Medicine (AREA)
- Public Health (AREA)
- Physiology (AREA)
- Biomedical Technology (AREA)
- Surgery (AREA)
- Molecular Biology (AREA)
- Medical Informatics (AREA)
- Oral & Maxillofacial Surgery (AREA)
- Dentistry (AREA)
- Neurology (AREA)
- Neurosurgery (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Social Psychology (AREA)
- Psychiatry (AREA)
- Human Computer Interaction (AREA)
- Theoretical Computer Science (AREA)
- Multimedia (AREA)
- General Physics & Mathematics (AREA)
Abstract
본 발명은 사람의 자세를 결정하기 위한 시스템에 관한 것이다. 상기 시스템은 하나 이상의 측정 축을 갖는 하나 이상의 움직임 센서(CM)와, 상기 움직임 센서(CM)를 사용자에게 견고하게 연결하기 위한 부착 수단(MF)을 포함하고, 상기 시스템은, 사용자의 자세를 결정하기 위한 분석 수단(AN)을 더 포함한다. 상기 분석 수단(AN)은 각각의 자세에 대해 정의되는 저주파수 성분과 고주파수 성분의 동시 확률 밀도 함수와, 2개의 연속하는 자세들 간에 전이할 확률을 조합한다.
Description
본 발명은 사람의 자세를 결정하기 위한 시스템과 방법에 관한 것이다.
은닉 마르코프 모델(hidden Markov model)을 토대로 움직임을 분석하는 것과 관련된 시스템 및 방법이, 예를 들어, 문서 "Gesture recognition using the XWand" (Daniel Wilson 및 Andy Wilson 저)와 "Motion-based gesture recognition with an accelerometer"(학사 논문)(P.V. Borza 저)에 알려져 있다.
문서 "A hidden Markov model-based stride segmentation technique applied to equine inertial sensor trunk movement data" (Journal of Biomechanics 41 (2008) 216-220, Thilo Pfau, Marta Ferrari, Kevin Parsons, 및 Alan Wilson 저)는 말의 걸음걸이의 분석에 관한 것이다.
그러나 이들 시스템 및 방법은 낮은 정확도를 가진다.
본 발명의 한 가지 목적은, 이동 요소(mobile element), 특히, 사람이든 동물이든 생물체의 동작을 결정함에 있어, 정확도를 개선하는 것이다.
본 발명의 일 양태에 따르면, 하나 이상의 측정 축을 갖는 하나 이상의 움직임 센서와, 상기 움직임 센서를 사용자에게 단단하게 연결하기 위한 고정 수단을 포함하는 사람의 자세를 결정하기 위한 시스템이 제안된다.
상기 시스템은,
- 움직임 센서의 각각의 측정 축에 대해, 제 1 임계치 이상의 고주파수를 선택하고, 상기 제 1 임계치보다 낮거나 같은 제 2 임계치 이하의 저주파수를 선택하는 필터,
- 움직임 센서의 고려되는 측정 축들의 고주파수의 제곱들의 합과 동일한 1차원성 고주파수 성분과, 상기 움직임 센서의 고려되는 측정 축들의 개수와 동일한 차원의 저주파수 성분을 결정하기 위한 결정 수단,
- 상기 고주파수 성분의 확률 밀도와 상기 저주파수 성분의 확률 밀도를 계산하기 위한 계산 수단으로서, 고주파수 성분의 확률 밀도는, 움직임 센서의 고려되는 측정 축의 개수와 동일한 자유도를 이용한 Chi-2법에 의해 정의되며, 저주파수 성분의 확률 밀도는 가우시안법에 의해 정의되는 특징의, 상기 계산 수단,
- 사용자의 자세를 결정하기 위한 분석 수단
을 포함하며, 상기 분석 수단은
- 자세 각각에 대해 정의된 저주파수 성분과 고주파수 성분의 동시 확률 밀도와,
- 2개의 연속하는 자세 간에 전이(transition)할 확률
을 조합한다.
은닉 마르코프 모델(hidden Markov model)은 2개의 랜덤 프로세스에 의해 정의되는데, 첫 번째는 본 출원에서 "상태(state)"라고 일컬어지는 것인데, 관측되지 않는, 즉, 은닉(hidden)되는 것이다. 두 번째는 관측치이며, 특정 시점에서의 상태의 값에 따라 달라지는 상기 특정 시점에서의 확률 밀도이다. 이러한 본 발명의 첫 번째 양태에 따르면, 상태는 이산 값이라고 가정된다.
이러한 유형의 시스템에 의해, 이동 요소, 구체적으로, 인간인지 동물인지에 관계없이 생물체의 동작이 더 정확하게 결정될 수 있다.
일 실시예에서, 상기 결정 수단은, 움직임 센서의 고려된 측정 축에 따르는 측정치들의 일차 결합(linear combination)과 동일한 1차원성 저주파수 성분과, 자유도를 이용하는 Chi-2법에 의해 정의되는 고주파수 성분을 결정한다.
일 실시예에 따르면, 저주파수 성분과 고주파수 성분에 대한 값의 쌍의 확률 밀도는, 저주파수 성분에 대한 값을 얻을 확률 밀도와, 고주파수 성분에 대한 값을 얻을 확률 밀도의 곱을 포함하며, 상기 확률 밀도 및 는 각각의 상태 i에 대해, 다음의 표현식
에 의해 정의되며,
관측된 신호의 이러한 유형의 모델링은 대부분의 가능한 경우에 적합할 수 있다.
일 실시예에서, 상기 시스템은 디스플레이 수단을 포함한다.
일 실시예에 따르면, 상기 움직임 센서는 가속도계(accelerometer), 자기력계(magnetometer) 및 자이로미터(gyrometer) 중 적어도 하나이다.
일 실시예에 따르면, 상기 시스템은, 측정 축을 갖는 제 1 가속도계와, 사용자가 직립할 때 측정 축이 사용자 신체의 수직 축(VT)과 일치하도록, 상기 제 1 가속도계를 사용자의 몸통에 고정하기 위한 고정 수단을 포함한다.
일 실시예에 따르면, 상기 분석 수단은 최대 4개의 상태를 갖는 은닉 마르코프 모델을 이용하여, 시간의 흐름에 따라, 서거나 앉은 자세, 걷는 자세, 기댄 자세, 및 누운 자세 중에서 사용자의 자세를 결정하기에 적합하다.
그 후, 은닉 마르코프 모델이 다음에 나열된 프로세스에 의해 정의된다:
- 상태라고 명명되는 비관측되는(unobserved) 이산 프로세스로서, 서거나 앉은 자세, 걷는 자세, 기댄 자세, 및 누운 자세 중의 4가지 값을 가정한다. 이 변수, 즉 상태는 차수 1의 마르코프 수열이며, 따라서, 하나의 상태에서 또 다른 상태로의 전이(transition) 확률에 의해 특징지어진다.
- 은닉 마르코프 모델의 관측 프로세스로서, 다차원 신호()이며, 특정 시점에서의 상태(은닉 프로세스)에 따라 달라지는 확률 밀도를 가진다. 이 확률 밀도는 다음의 관계식에 의해 미리 정의되는 동시 확률 밀도에 대응한다:
는 시점 n에서 상태 i와 연계된, 및 의 확률 밀도를 나타낸다. 는 이전에 정의된 확률 밀도와 의 곱에 대응한다. 관측 데이터 과 을 조합한 값 이 고려되는 경우, 와 같이 써질 수 있으며, 여기서 은 시점 n에서의 상태를 나타낸다.
그러나 관측 데이터 및 이와 연계된 확률 밀도만 갖고 시점 n에서의 상태 를 결정하는 것은 만족스럽지 못한 것이 일반적이다. 실제로, 단일 샘플의 관측에 의해서는, 자세가 결정될 수 없는 것이 일반적이며, 복수의 샘플이 관측될 필요가 있다.
따라서 이 시점 n=0 내지 시점 n=N에서의 상태들의 수열을 나타내고, 이 시점 n=0 내지 시점 n=N에서의 관측된 데이터를 나타내는 경우, 상태 의 수열에 대응하는 상태 수열 의 확률은, 와 같이 써지며,
에 비례한다.
추정된 상태 수열 은 가장 높은 확률을 갖는 수열이다. 실제로, 모든 가능한 수열을 고려하고, 각각의 수열에 대해 확률을 계산하는 것보다, 비터비 알고리즘(Viterbi algorithm)을 사용하여, 이 수열을 추정하는 것이 바람직할 수 있다.
일 실시예에서, 상기 시스템은, 측정 축을 갖는 제 2 가속도계와, 사용자가 직립할 때 측정 축이 사용자 신체의 수직 축(VT)과 일치하도록 상기 제 2 가속도계를 사용자의 대퇴부에 고정하는 고정 수단을 더 포함한다.
예를 들어, 상기 분석 수단은, 최대 4개의 상태를 갖는 은닉 마르코프 모델을 이용하여, 시간의 흐름에 따라, 선 자세, 앉은 자세, 누운 자세, 및 걷는 자세 중에서 사용자의 자세를 결정한다.
이러한 유형의 시스템에 의해, 사람의 자세가 실시간으로 계산될 수 있다.
일 실시예에 따르면, 은 상기 제 1 및 제 2 가속도계 각각의 저주파수 성분(BF)의 쌍을 나타내고, 은 지수 n의 샘플에서의 제 2 가속도계의 고주파수 성분(HF)을 나타내며, 값 을 얻을 확률 밀도()는 다음의 표현식
따라서 앞서 상세히 설명한 이유로, 이 시점 n=0 내지 시점 n=N에서의 상태들의 수열을 나타내고, 이 시점 n=0 내지 시점 n=N에서 관측되는 데이터를 나타내는 경우, 은 다음의 표현식을 최대화하는 상태들 의 수열에 대응한다:
본 발명의 또 다른 양태에 따라, 사람의 자세를 결정하기 위한 방법이 제시된다. 상기 방법은,
- 움직임 센서의 각각의 측정 축에 대해, 제 1 임계치 이상의 고주파수와, 상기 제 1 임계치보다 낮거나 같은 제 2 임계치 이하의 저주파수를 선택하도록 필터링이 수행되며,
- 움직임 센서의 고려되는 측정 축들의 고주파수들의 합과 동일한 1차원성 고주파수 성분과, 움직임 센서의 고려되는 측정 축의 개수와 동일한 차원을 갖는 저주파수 성분이 결정되며,
- 상기 고주파수 성분의 확률 밀도와 상기 저주파수 성분의 확률 밀도가 계산되고, 상기 고주파수 성분은 상기 움직임 센서의 고려되는 측정 축의 개수와 동일한 자유도를 이용한 Chi-2법에 의해 정의되며, 상기 저주파수 성분은 가우시안법에 의해 정의되고,
- 각각 N개의 자세에 대응하는 N개의 상태를 갖는 은닉 마르코프 모델을 이용하여, 시간의 흐름에 따른 사용자의 자세가 결정되며, 이러한 결정은
- 각각의 자세에 대해 정의된 상기 저주파수 성분과 상기 고주파수 성분의 동시 확률 밀도와,
- 2개의 연속하는 자세 간에 전이(transition)할 확률
을 조합함으로써, 이뤄진다.
본 발명은 한정이 아닌 예로서 기재된 많은 실시예들과, 첨부된 도면을 참조함으로써 더 명확히 이해될 것이다.
도 1은 본 발명의 하나의 양태에 따르는 시스템을 도시한다.
도 2는 본 발명의 하나의 양태에 따르는 시스템의 기록의 일례를 도시한다.
도 3은 본 발명의 또 다른 양태에 따르는 시스템의 기록의 일례를 도시한다.
도 2는 본 발명의 하나의 양태에 따르는 시스템의 기록의 일례를 도시한다.
도 3은 본 발명의 또 다른 양태에 따르는 시스템의 기록의 일례를 도시한다.
도 1은, 하나 이상의 측정 축을 갖는 하나 이상의 움직임 센서(CM)를 포함하는, 사람의 자세를 결정하기 위한 시스템을 도시하며, 상기 움직임 센서(CM)는, 상기 움직임 센서(CM)를 사용자에게 단단하게 연결하기 위한 고정 수단(가령, 탄성 요소)이 구비된 하우징(BT) 내에 배치된다. 상기 움직임 센서(CM)는 1개, 또는 2개, 또는 3개의 측정 축을 갖는 가속도계, 또는 자기력계, 또는 자이로미터일 수 있다.
상기 시스템은 움직임 센서(CM)의 각각의 측정 축에 대해, 제 1 임계치(S1) 이상의 고주파수와, 상기 제 1 임계치(S1)보다 낮거나 같은 제 2 임계치(S2) 이하의 저주파수를 선택하기 위한 필터(FILT)를 포함한다. 또한 상기 시스템은, 움직임 센서(CM)의 고려되는 측정 축의 고주파수의 제곱의 합과 동일한 1차원성 고주파수 성분(HF)과, 움직임 센서(CM)의 고려되는 측정 축에 따른 측정치들의 일차 결합(linear combination)과 동일한 1차원성 저주파수 성분(BF)을 결정하기 위한 결정 모듈(DET)을 포함한다.
또한 상기 시스템은, 상기 고주파수 성분(HF)의 확률()의 분산의 제곱과, 저주파수 성분(BF)의 확률()의 분산의 제곱을 계산하기 위한 계산 모듈(CALC)을 더 포함하며, 상기 고주파수 성분(HF)은, 자유도를 이용한 Chi-2법에 의해 정의되고, 상기 저주파수 성분(BF)은, 가우시안 법(Gaussian law)에 의해 정의된다.
분석 수단(AN)에 의해, N개의 자세에 각각 대응하는 N개의 은닉 마르코프 모델을 이용함으로써, 사용자의 자세가 시간의 함수로서 결정될 수 있다.
각각의 상태 i에 대해, 저주파수 성분(BF)과 고주파수 성분(HF)에 대한 값의 쌍 을 획득할 동시 확률의 확률 밀도는, 저주파수 성분(BF)에 대해 값 을 획득할 확률 밀도 와, 고주파수 성분(HF)에 대한 값을 획득할 확률 밀도 의 곱과 동일하며, 확률 밀도 및 은, 각각의 i에 대해, 다음의 표현식에 의해 정의된다:
또한 시스템은 디스플레이 스크린(AFF)을 포함한다.
제 1 예시에서, 시스템은 하나의 측정 축을 갖는 가속도계와, 사용자가 직립하고 있을 때 상기 측정 축이 사용자의 수직 축(VT)과 일치하도록 상기 가속도계를 사용자의 몸통에 고정하기 위한 고정 수단을 포함한다.
사용되는 은닉 마르코프 모델은 4가지 자세에 대응하는 4개의 상태, 즉, 서거나 앉은 자세(상태 1), 걷는 자세(상태 2), 기대는 자세(상태 3), 누운 자세(상태 4)를 포함한다.
은닉 마르코프 모델의 상태는 다음과 같이 정의된다:
그 후, 각각의 시점 n에서의 사람의 상태가 다음과 같이 결정될 수 있다:
는, 과 의 시점 n에서 상태 i와 연계된 확률 밀도를 나타내며, 미리 정의된 확률 밀도 와 의 곱에 대응한다. 관측 데이터 와 를 조합한 값 이 고려되는 경우, 은 다음과 같이 쓰여질 수 있다:
여기서, 은 시점 n에서의 상태를 나타낸다.
따라서, 이 시점 n=0 내지 시점 n=N에서의 상태들의 수열을 의미하고, 이 시점 n=0 내지 시점 n=N에서의 관측 데이터를 의미한다면, 상태 수열 에 대응하는 상태 수열 의 확률은 와 같이 써질 수 있으며,
에 비례한다.
추정된 상태 수열 은 가장 높은 확률을 갖는 수열이다. 실제로, 모든 가능한 수열을 고려하고, 각각에 대해 확률을 계산하는 것보다, 비터비 알고리즘(Viterbi algorithm)이 사용되어, 이 수열을 추정할 수 있는 것이 바람직하다.
따라서,
은닉 마르코프 모델의 한 자세에 대응하는 상태i에서, 은닉 마르코프 모델의 한 자세에 대응하는 또 다른 상태인 상태j로의 전이의 확률 밀도 P(상태i/상태j)는, 다음과 같이, 시스템이 우수한 안정성을 갖도록 하는 방식으로 선택된다:
입력 신호와 정의된 은닉 마르코프 모델을 기초로, 분석 모듈(AN)이, 종래의 절차에 따라, 가령, 모든 가능한 상태 수열에 대해 연계된 확률을 계산하고, 관측 신호를 고려하며, 최대 근접 수열을 유지함으로써 상태(자세)의 최대 근접 수열을 결정하며, 상기 절차는, 예를 들어, 문서 "An introduction to hidden Markov models"(L.R. Rabiner 및 B.H. Juang 저, IEEE ASSP Magazine, 1986년1월), 또는 책 "Inference in Hidden Markov Models"(Cappe, Moulines 및 Ryden 저, Springer, "Springer series in statics" 시리즈)에 기재되어 있다.
시스템의 여러 다른 요소들은, 예를 들어, 도 1a에 나타난 바와 같이, 동일한 하우징(BT)으로 일체 구성되거나, 도 1b에 도시된 바와 같이, 일부 요소들은 외부에, 가령, 휴대용 컴퓨터(OP)에 위치할 수 있다.
도 2는 하단 그래프에서 제 1 예시에서 시스템에 의한 사용자의 기록의 일례를 도시하고, 시스템에 의해 제공되는 결과를 도시한다. 상기 결과는, 사용자가 36초 동안 서거나 앉은 자세(상태 1)였으며, 그 후 16초 동안 걷는 자세(상태 2)였고, 그 후 8초 동안 서거나 걷는 자세(상태 1)였으며, 그 후, 18초 동안 기대는 자세(상태 3)였고, 그 후 6초 동안 서거나 앉은 자세(상태 1)였으며, 그 후 30초 동안 걷는 자세(상태 2)였으며, 그 후 38초 동안 기대는 자세(상태 3)였고, 그 후 8초 동안 서거나 앉은 자세(상태 1)였으며, 51초 동안 걷는 자세(상태 2)였고, 그 후 마지막으로 서거나 앉은 자세(상태 1)로 마무리했음을 보여준다.
제 2 예시에서, 시스템은 측정 축을 갖는 제 1 가속도계와, 사용자가 직립하고 있을 때, 상기 측정 축이 사용자의 수직 축(VT)과 일치하도록 상기 제 1 가속도계를 사용자의 몸통에 고정하기 위한 제 1 고정 요소와, 측정 축을 갖는 제 2 가속도계와, 사용자가 직립하고 있을 때 측정 축이 사용자의 수직 축(VT)과 일치하도록 상기 제 2 가속도계를 사용자의 대퇴부에 고정하기 위한 제 2 고정 요소를 포함한다.
사용된 은닉 마르코프 모델은 4가지 자세에 대응하는 4개의 상태, 즉, 선 자세(상태 1), 앉은 자세(상태 2), 누운 자세(상태 3) 및 걷는 자세(상태 4)를 포함한다.
이 경우, 는 상기 2개의 가속도계 각각의 저주파수 성분(BF)의 쌍을 나타내며, 은 상기 제 2 가속도계의 고주파수 성분(HF)이며, 이때, 지수 샘플 n, 값 을 획득하기 위한 확률 밀도 는 다음의 표현식에 의해 정의된다:
따라서 이상의 이유로, 이 시점 n=0 내지 시점 n=N에서의 상태의 수열을 나타내고, 이 시점 n=0 내지 시점 n=N에서의 관측 데이터를 나타낸다면, 은, 다음의 표현식을 최대화하는 상태들의 수열 에 대응한다:
은닉 마르코프 모델의 한 자세에 대응하는 상태i에서, 은닉 마르코프 모델의 한 자세에 대응하는 또 다른 상태인 상태j로의 전이의 확률 밀도 P(상태i/상태j)는, 다음과 같이, 시스템이 우수한 안정성을 갖도록 하는 방식으로 선택된다:
입력 신호와 정의된 은닉 마르코프 모델을 기초로 하여, 분석 모듈(AN)이, 종래의 절차에 따라, 가령, 모든 가능한 상태 수열에 대해 연계된 확률을 계산하고, 관측 신호를 고려하며, 최대 근접 수열을 유지함으로써 상태(자세)의 최대 근접 수열을 결정하며, 상기 절차는, 예를 들어, 문서 "An introduction to hidden Markov models"(L.R. Rabiner 및 B.H. Juang 저, IEEE ASSP Magazine, 1986년1월), 또는 책 "Inference in Hidden Markov Models"(Cappe, Moulines 및 Ryden 저, Springer, "Springer series in statics" 시리즈)에 기재되어 있다.
도 3은 하단 그래프에서 제 1 예시에 나타난 시스템에 의한 사용자의 기록의 일례를 도시하고, 시스템에 의해 제공되는 결과를 도시한다. 상기 결과는, 사용자가 50초 동안 앉은 자세(상태 2)였고, 그 후 85초 동안 걷는 자세(상태 4)였으며, 그 후 50초 동안 선 자세(상태 1)였고, 그 후 61초 동안 걷는 자세(상태 4)였으며, 그 후 8초 동안 앉은 자세(상태 2)였으며, 그 후 94초 동안 누운 자세(상태 3)였고, 그 후, 54초 동안 걷는 자세(상태 4)였으며, 마지막으로 앉은 자세(상태 2)로 마무리했음을 나타낸다.
본 발명에 의해, 자세의 변화를 정확히 결정함으로써, 감소된 비용과 향상된 정확도로, 실시간으로, 또는 차후에 사람의 자세가 결정될 수 있다.
Claims (13)
- 하나 이상의 측정 축을 갖는 하나 이상의 움직임 센서(CM)와, 상기 움직임 센서(CM)를 사용자에게 견고하게 연결하기 위한 고정 수단(MF)을 포함하는, 사람의 자세를 결정하기 위한 시스템에 있어서, 상기 시스템은
- 움직임 센서(CM)의 각각의 측정 축에 대해, 제 1 임계치(S1) 이상의 고주파수를 선택하고, 상기 제 1 임계치(S1)보다 낮거나 같은 제 2 임계치(S2) 이하의 저주파수를 선택하는 필터(FILT),
- 움직임 센서(CM)의 고려되는 측정 축들의 고주파수의 제곱들의 합과 동일한 1차원성 고주파수 성분(HF)과, 상기 움직임 센서(CM)의 고려되는 측정 축들의 개수와 동일한 차원의 저주파수 성분(BF)을 결정하기 위한 결정 수단(DET),
- 상기 고주파수 성분(HF)의 확률 밀도()와 상기 저주파수 성분(BF)의 확률 밀도()를 계산하기 위한 계산 수단(CALC)으로서, 고주파수 성분(HF)의 확률 밀도는, 움직임 센서(CM)의 고려되는 측정 축의 개수()와 동일한 자유도를 이용한 Chi-2법에 의해 정의되며, 저주파수 성분(BF)의 확률 밀도는 가우시안법에 의해 정의되는 특징의, 상기 계산 수단(CALC),
- 사용자의 자세를 결정하기 위한 분석 수단(AN)
을 포함하며, 상기 분석 수단(AN)은
- 자세 각각에 대해 정의된 저주파수 성분과 고주파수 성분의 동시 확률 밀도와,
- 2개의 연속하는 자세 간에 전이(transition)할 확률
을 조합하는 것을 특징으로 하는 사람의 자세를 결정하기 위한 시스템. - 제 1 항에 있어서, 상기 결정 수단(DET)은, 움직임 센서(CM)의 고려된 측정 축에 따르는 측정치들의 일차 결합(linear combination)과 동일한 1차원성 저주파수 성분(BF)과, 자유도를 이용하는 Chi-2법에 의해 정의되는 고주파수 성분을 결정하는 것을 특징으로 하는 사람의 자세를 결정하기 위한 시스템.
- 제 1 항 또는 제 2 항에 있어서, 저주파수 성분(BF)과 고주파수 성분(HF)에 대한 값의 쌍()의 확률 밀도()는, 저주파수 성분(BF)에 대한 값()을 얻을 확률 밀도()와, 고주파수 성분(HF)에 대한 값()을 얻을 확률 밀도()의 곱을 포함하며, 상기 확률 밀도 () 및 ()는 각각의 상태 i에 대해, 다음의 표현식
에 의해 정의되며,
여기서, 은 지수 n의 샘플에서의 저주파수 성분을 나타내는 차원 1의 신호이고,
는 상기 저주파수 성분과 동일한 차원의 벡터를 나타내고 관련 은닉 마르코프 모델의 상태 i를 나타내며
는 저주파수 성분의 분산의 제곱근을 나타내고, 관련 은닉 마르코프 모델의 상태 i를 나타내고,
은 지수 n의 샘플에서의 고주파수 성분을 나타내며,
는 움직임 센서의 고려되는 측정 축의 개수를 나타내고,
는 상태 i에서 변수 의 시간 평균에 비례하는 값이며, 예를 들어, 는 변수 의 시간 평균을 로 나눈 값이고,
는 , 및 를 만족하는 감마 함수인 것을 특징으로 하는 사람의 자세를 결정하기 위한 시스템. - 제 1 항 내지 제 3 항 중 어느 한 항에 있어서, 상기 시스템은 디스플레이 수단(AFF)을 포함하는 것을 특징으로 하는 사람의 자세를 결정하기 위한 시스템.
- 제 1 항 내지 제 4 항 중 어느 한 항에 있어서, 상기 움직임 센서(CM)는 가속도계(accelerometer), 자기력계(magnetometer) 및 자이로미터(gyrometer) 중 하나 이상인 것을 특징으로 하는 사람의 자세를 결정하기 위한 시스템.
- 제 1 항 내지 제 5 항 중 어느 한 항에 있어서, 상기 시스템은,
측정 축을 갖는 제 1 가속도계와, 사용자가 직립할 때 측정 축이 사용자 신체의 수직 축(VT)과 일치하도록, 상기 제 1 가속도계를 사용자의 몸통에 고정하기 위한 고정 수단을 포함하는 것을 특징으로 하는 사람의 자세를 결정하기 위한 시스템. - 제 6 항에 있어서, 상기 분석 수단(AN)은, 최대 4개의 상태를 갖는 은닉 마르코프 모델을 이용하여, 시간의 흐름에 따라, 서거나 앉은 자세, 걷는 자세, 기댄 자세, 및 누운 자세 중에서 사용자의 자세를 결정하는 것을 특징으로 하는 사람의 자세를 결정하기 위한 시스템.
- 제 6 항에 있어서, 상기 시스템은, 측정 축을 갖는 제 2 가속도계와, 사용자가 직립할 때 측정 축이 사용자 신체의 수직 축(VT)과 일치하도록 상기 제 2 가속도계를 사용자의 대퇴부에 고정하는 고정 수단을 더 포함하는 것을 특징으로 하는 사람의 자세를 결정하기 위한 시스템.
- 제 9 항에 있어서, 분석 수단(AN)은, 최대 4개의 상태를 갖는 은닉 마르코프 모델을 이용하여, 시간의 흐름에 따라, 선 자세, 앉은 자세, 누운 자세, 및 걷는 자세 중에서 사용자의 자세를 결정하는 것을 특징으로 하는 사람의 자세를 결정하기 위한 시스템.
- 사람의 자세를 결정하기 위한 방법에 있어서,
- 움직임 센서(CM)의 각각의 측정 축에 대해, 제 1 임계치(S1) 이상의 고주파수와, 상기 제 1 임계치(S1)보다 낮거나 같은 제 2 임계치(S2) 이하의 저주파수를 선택하도록 필터링(FILT)이 수행되며,
- 움직임 센서(CM)의 고려되는 측정 축들의 고주파수들의 합과 동일한 1차원성 고주파수 성분(HF)과, 움직임 센서(CM)의 고려되는 측정 축의 개수와 동일한 차원을 갖는 저주파수 성분(BF)이 결정(DET)되며,
- 상기 고주파수 성분(HF)의 확률 밀도()와 상기 저주파수 성분(BF)의 확률 밀도()가 계산(CALC)되고, 상기 고주파수 성분(HF)은 상기 움직임 센서(CM)의 고려되는 측정 축의 개수와 동일한 자유도를 이용한 Chi-2법에 의해 정의되며, 상기 저주파수 성분(BF)은 가우시안법에 의해 정의되고,
- 각각 N개의 자세에 대응하는 N개의 상태를 갖는 은닉 마르코프 모델을 이용하여, 시간의 흐름에 따른 사용자의 자세가 결정되며, 이러한 결정은
- 각각의 자세에 대해 정의된 상기 저주파수 성분과 상기 고주파수 성분의 동시 확률 밀도와,
- 2개의 연속하는 자세 간에 전이(transition)할 확률
을 조합함으로써, 이뤄지는 것을 특징으로 하는 사람의 자세를 결정하기 위한 방법.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
FR0952694 | 2009-04-24 | ||
FR0952694 | 2009-04-24 |
Publications (1)
Publication Number | Publication Date |
---|---|
KR20120027229A true KR20120027229A (ko) | 2012-03-21 |
Family
ID=41200528
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020117026765A KR20120027229A (ko) | 2009-04-24 | 2010-04-26 | 사람의 자세를 결정하기 위한 시스템 및 방법 |
Country Status (6)
Country | Link |
---|---|
US (1) | US9445752B2 (ko) |
EP (1) | EP2421436A1 (ko) |
JP (1) | JP2012524579A (ko) |
KR (1) | KR20120027229A (ko) |
CN (1) | CN102438521A (ko) |
WO (1) | WO2010122174A1 (ko) |
Families Citing this family (24)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8898041B2 (en) * | 2009-04-24 | 2014-11-25 | Commissariat A L'energie Atomique Et Aux Energies Alternatives | System and method for determining the activity of a person lying down |
US9072461B2 (en) | 2011-02-25 | 2015-07-07 | Embraer S.A. | Posture observer for ergonomic observation, posture analysis and reconstruction |
FR2981561B1 (fr) | 2011-10-21 | 2015-03-20 | Commissariat Energie Atomique | Procede de detection d'activite a capteur de mouvements, dispositif et programme d'ordinateur correspondants |
CN102488522A (zh) * | 2011-11-22 | 2012-06-13 | 哈尔滨工业大学 | 基于Zigbee加速度传感网络的人体坐姿检测系统及检测方法 |
WO2013086363A2 (en) * | 2011-12-07 | 2013-06-13 | Access Business Group International Llc | Behavior tracking and modification system |
US8965599B2 (en) | 2013-05-01 | 2015-02-24 | Delphi Technologies, Inc. | Passive entry and passive start system with operator walking detection |
EP2835769A1 (en) | 2013-08-05 | 2015-02-11 | Movea | Method, device and system for annotated capture of sensor data and crowd modelling of activities |
US20160019360A1 (en) | 2013-12-04 | 2016-01-21 | Apple Inc. | Wellness aggregator |
AU2015312215B2 (en) * | 2014-09-02 | 2017-10-19 | Apple Inc. | Physical activity and workout monitor |
CN113521710A (zh) | 2015-08-20 | 2021-10-22 | 苹果公司 | 基于运动的表盘和复杂功能块 |
US10264996B2 (en) * | 2015-10-19 | 2019-04-23 | Sayfe Kiaei | Method and apparatus for wirelessly monitoring repetitive bodily movements |
DK201770423A1 (en) | 2016-06-11 | 2018-01-15 | Apple Inc | Activity and workout updates |
US10736543B2 (en) | 2016-09-22 | 2020-08-11 | Apple Inc. | Workout monitor interface |
CN108261585B (zh) * | 2016-12-30 | 2022-06-07 | 上海移宇科技股份有限公司 | 一种人工胰腺闭环控制的系统和方法 |
US10845955B2 (en) | 2017-05-15 | 2020-11-24 | Apple Inc. | Displaying a scrollable list of affordances associated with physical activities |
CN107582061B (zh) * | 2017-07-21 | 2020-03-27 | 青岛海信移动通信技术股份有限公司 | 一种识别人体运动状态的方法及智能移动设备 |
US11317833B2 (en) | 2018-05-07 | 2022-05-03 | Apple Inc. | Displaying user interfaces associated with physical activities |
DK201970532A1 (en) | 2019-05-06 | 2021-05-03 | Apple Inc | Activity trends and workouts |
US11979467B2 (en) | 2019-06-01 | 2024-05-07 | Apple Inc. | Multi-modal activity tracking user interface |
DK181076B1 (en) | 2020-02-14 | 2022-11-25 | Apple Inc | USER INTERFACES FOR TRAINING CONTENT |
US11938376B2 (en) | 2021-05-15 | 2024-03-26 | Apple Inc. | User interfaces for group workouts |
CN114252073B (zh) * | 2021-11-25 | 2023-09-15 | 江苏集萃智能制造技术研究所有限公司 | 一种机器人姿态数据融合方法 |
US11896871B2 (en) | 2022-06-05 | 2024-02-13 | Apple Inc. | User interfaces for physical activity information |
US11977729B2 (en) | 2022-06-05 | 2024-05-07 | Apple Inc. | Physical activity information user interfaces |
Family Cites Families (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0678902A (ja) * | 1992-09-04 | 1994-03-22 | Res:Kk | 移動手段判別法 |
US6678413B1 (en) * | 2000-11-24 | 2004-01-13 | Yiqing Liang | System and method for object identification and behavior characterization using video analysis |
JP5028751B2 (ja) | 2005-06-09 | 2012-09-19 | ソニー株式会社 | 行動認識装置 |
US20080275349A1 (en) * | 2007-05-02 | 2008-11-06 | Earlysense Ltd. | Monitoring, predicting and treating clinical episodes |
CN100487618C (zh) * | 2007-06-08 | 2009-05-13 | 北京航空航天大学 | 一种基于遗传最优request和gupf的组合定姿方法 |
JP2010207488A (ja) * | 2009-03-12 | 2010-09-24 | Gifu Univ | 行動解析装置及びプログラム |
US8152694B2 (en) * | 2009-03-16 | 2012-04-10 | Robert Bosch Gmbh | Activity monitoring device and method |
-
2010
- 2010-04-26 JP JP2012506530A patent/JP2012524579A/ja active Pending
- 2010-04-26 CN CN2010800224939A patent/CN102438521A/zh active Pending
- 2010-04-26 EP EP10715545A patent/EP2421436A1/fr not_active Withdrawn
- 2010-04-26 KR KR1020117026765A patent/KR20120027229A/ko not_active Application Discontinuation
- 2010-04-26 WO PCT/EP2010/055562 patent/WO2010122174A1/fr active Application Filing
- 2010-04-26 US US13/264,965 patent/US9445752B2/en active Active
Also Published As
Publication number | Publication date |
---|---|
US20120143094A1 (en) | 2012-06-07 |
WO2010122174A1 (fr) | 2010-10-28 |
US9445752B2 (en) | 2016-09-20 |
EP2421436A1 (fr) | 2012-02-29 |
JP2012524579A (ja) | 2012-10-18 |
CN102438521A (zh) | 2012-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR20120027229A (ko) | 사람의 자세를 결정하기 위한 시스템 및 방법 | |
US8416102B2 (en) | Activity monitoring system insensitive to accelerations induced by external motion factors | |
CN102292025B (zh) | 确定用户的能量消耗 | |
KR20120016236A (ko) | 이동 요소의 동작을 결정하기 위한 시스템 및 방법 | |
KR101872907B1 (ko) | 듀얼 스마트 밴드를 이용한 모션 분석 장치 및 방법 | |
JP2012524579A5 (ko) | ||
US10126108B2 (en) | Apparatus and method for classifying orientation of a body of a mammal | |
CN104813379A (zh) | 检测设备在水平或垂直方向的位置的变化 | |
Xu et al. | Channel attention for sensor-based activity recognition: embedding features into all frequencies in DCT domain | |
CN116226727A (zh) | 一种基于ai的运动识别系统 | |
Yang et al. | On stability analysis via Lyapunov exponents calculated from a time series using nonlinear mapping—a case study | |
KR101755242B1 (ko) | 근전도 센서와 모션 센서를 이용한 지화 인식 장치 및 그것을 이용한 지화 인식 방법 | |
WO2009031064A2 (en) | Extracting inertial and gravitational vector components from acceleration measurements | |
Nguyen et al. | Skeleton-based gait index estimation with lstms | |
US9026477B2 (en) | Method for identifying a person's posture | |
US8898041B2 (en) | System and method for determining the activity of a person lying down | |
KR101213677B1 (ko) | 점진적 em pca를 이용한 결측값 대치 시스템 | |
JP4830585B2 (ja) | 画像処理装置および画像処理方法 | |
CN113916223A (zh) | 定位方法及装置、设备、存储介质 | |
KR101547208B1 (ko) | 손목 궤적을 이용한 전신 동작 생성 장치 및 방법 | |
CN109692004B (zh) | 一种检测人体站姿的方法和装置 | |
CN115191933A (zh) | 认知能力评估方法、系统及存储介质 | |
CN114781468A (zh) | 一种图像检测方法、装置、电子设备及可读存储介质 | |
CN114533010A (zh) | 心率检测方法和装置 | |
CN111664834A (zh) | 室内移动体的高程位置估算方法/系统、存储介质及设备 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
WITN | Application deemed withdrawn, e.g. because no request for examination was filed or no examination fee was paid |