KR20120027229A - 사람의 자세를 결정하기 위한 시스템 및 방법 - Google Patents

사람의 자세를 결정하기 위한 시스템 및 방법 Download PDF

Info

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
Application number
KR1020117026765A
Other languages
English (en)
Inventor
피에르 잘롱
Original Assignee
꼼미사리아 아 레네르지 아토미끄 에뜨 옥스 에너지스 앨터네이티브즈
모베아 에스.아
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 꼼미사리아 아 레네르지 아토미끄 에뜨 옥스 에너지스 앨터네이티브즈, 모베아 에스.아 filed Critical 꼼미사리아 아 레네르지 아토미끄 에뜨 옥스 에너지스 앨터네이티브즈
Publication of KR20120027229A publication Critical patent/KR20120027229A/ko

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

사람의 자세를 결정하기 위한 시스템 및 방법{SYSTEM AND METHOD FOR DETERMINING THE POSTURE OF A PERSON}
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
Figure pct00001
에 의해 정의되며,
여기서,
Figure pct00002
은 지수 n의 샘플에서의 저주파수 성분을 나타내는 차원 1의 신호이고,
Figure pct00003
는 상기 저주파수 성분과 동일한 차원의 벡터를 나타내고 관련 은닉 마르코프 모델의 상태 i를 나타내며
Figure pct00004
는 저주파수 성분
Figure pct00005
의 분산의 제곱근을 나타내고, 관련 은닉 마르코프 모델의 상태 i를 나타내고,
Figure pct00006
은 지수 n의 샘플에서의 고주파수 성분을 나타내며,
Figure pct00007
는 움직임 센서의 고려되는 측정 축의 개수를 나타내고,
Figure pct00008
는 상태 i에서 변수
Figure pct00009
의 시간 평균에 비례하는 값이며, 예를 들어,
Figure pct00010
는 변수
Figure pct00011
의 시간 평균을
Figure pct00012
로 나눈 값이고,
Figure pct00013
는
Figure pct00014
,
Figure pct00015
및
Figure pct00016
를 만족하는 감마 함수이다.
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(
Figure pct00017
)이며, 특정 시점에서의 상태(은닉 프로세스)에 따라 달라지는 확률 밀도를 가진다. 이 확률 밀도는 다음의 관계식에 의해 미리 정의되는 동시 확률 밀도에 대응한다:
Figure pct00018
여러 다른 상태에 따라 달라지는 확률 밀도
Figure pct00019
및
Figure pct00020
의 파라미터의 예가 이하에서 발견될 수 있으며, 본 출원의 전체에서, 용어 '상태'와 '자세'는 동일한 의미를 지닌다:
- 서거나 앉은 자세에 대해,
Figure pct00021
,
Figure pct00022
및
Figure pct00023
;
- 걷는 자세에 대해,
Figure pct00024
,
Figure pct00025
및
Figure pct00026
;
- 기댄 자세에 대해,
Figure pct00027
,
Figure pct00028
및
Figure pct00029
;
- 누운 자세에 대해,
Figure pct00030
,
Figure pct00031
및
Figure pct00032
.
Figure pct00033
는 시점 n에서 상태 i와 연계된,
Figure pct00034
및
Figure pct00035
의 확률 밀도를 나타낸다.
Figure pct00036
는 이전에 정의된 확률 밀도
Figure pct00037
와
Figure pct00038
의 곱에 대응한다. 관측 데이터
Figure pct00039
과
Figure pct00040
을 조합한 값
Figure pct00041
이 고려되는 경우,
Figure pct00042
와 같이 써질 수 있으며, 여기서
Figure pct00043
은 시점 n에서의 상태를 나타낸다.
Figure pct00044
그러나 관측 데이터
Figure pct00045
및 이와 연계된 확률 밀도
Figure pct00046
만 갖고 시점 n에서의 상태
Figure pct00047
를 결정하는 것은 만족스럽지 못한 것이 일반적이다. 실제로, 단일 샘플의 관측에 의해서는, 자세가 결정될 수 없는 것이 일반적이며, 복수의 샘플이 관측될 필요가 있다.
따라서
Figure pct00048
이 시점 n=0 내지 시점 n=N에서의 상태들의 수열을 나타내고,
Figure pct00049
이 시점 n=0 내지 시점 n=N에서의 관측된 데이터를 나타내는 경우, 상태
Figure pct00050
의 수열에 대응하는 상태 수열
Figure pct00051
의 확률은,
Figure pct00052
와 같이 써지며,
Figure pct00053
에 비례한다.
예를 들어, 수열
Figure pct00054
에 대하여, 이 확률은 다음과 같이 써질 수 있다:
Figure pct00055
추정된 상태 수열
Figure pct00056
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.
Figure pct00057
는 초기 상태
Figure pct00058
와 연계된 확률을 일컫는다. 예를 들어, n=0인 경우, 가능한 상태 각각의 등확률 분포(equiprobable distribution)가 선택될 수 있다.
-
Figure pct00059
는 시점
Figure pct00060
에서 데이터
Figure pct00061
의 관측 확률을 나타낸다. 이는 확률
Figure pct00062
에 대응하며, 여기서
Figure pct00063
이다.
-
Figure pct00064
는 시점 n-1에서 상태
Figure pct00065
에 있고, 시점 n에서
Figure pct00066
에 있을 확률을 나타낸다.
-
Figure pct00067
는 상태
Figure pct00068
에 있을 때 값
Figure pct00069
을 관측할 확률을 나타낸다. 이는
Figure pct00070
일 때 확률
Figure pct00071
에 대응한다.
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,
Figure pct00072
은 상기 제 1 및 제 2 가속도계 각각의 저주파수 성분(BF)의 쌍을 나타내고,
Figure pct00073
은 지수 n의 샘플에서의 제 2 가속도계의 고주파수 성분(HF)을 나타내며, 값
Figure pct00074
을 얻을 확률 밀도(
Figure pct00075
)는 다음의 표현식
Figure pct00076
에 의해 정의되고, 여기서
Figure pct00077
는, 모델의 상태 i에 대해 신호
Figure pct00078
의 공분산 행렬을 표현하는 차원 2의 대각 행렬이며,
Figure pct00079
는 2-성분 컬럼 벡터를 나타내고, 모델의 상태 i를 나타낸다.
이들 상태와 연계된 변수
Figure pct00080
과
Figure pct00081
의 확률은, 다음의 파라미터를 갖는 앞서 언급된 확률에 의해 정의된다:
- 선 자세(상태 1)에 대해, 확률 밀도의 파라미터는,
Figure pct00082
및
Figure pct00083
와 같이 정의되며, 고주파수 성분
Figure pct00084
에 대해, 그 파라미터는
Figure pct00085
이고,
- 앉은 자세(상태 2)에 대해, 확률 밀도의 파라미터는,
Figure pct00086
및
Figure pct00087
와 같이 정의되며, 고주파수 성분
Figure pct00088
에 대해, 그 파라미터는
Figure pct00089
이며,
- 누운 자세(상태 3)에 대해, 확률 밀도의 파라미터는,
Figure pct00090
및
Figure pct00091
이며, 고주파수 성분
Figure pct00092
에 대해, 그 파라미터는
Figure pct00093
이고,
- 걷는 자세(상태 4)에 대해, 확률 밀도의 파라미터는,
Figure pct00094
및
Figure pct00095
이며, 고주파수 성분
Figure pct00096
에 대해, 그 파라미터는
Figure pct00097
이다.
따라서 앞서 상세히 설명한 이유로,
Figure pct00098
이 시점 n=0 내지 시점 n=N에서의 상태들의 수열을 나타내고,
Figure pct00099
이 시점 n=0 내지 시점 n=N에서 관측되는 데이터를 나타내는 경우,
Figure pct00100
은 다음의 표현식을 최대화하는 상태들
Figure pct00101
의 수열에 대응한다:
Figure pct00102
이 실시예에 따르면,
Figure pct00103
인데, 여기서
Figure pct00104
과
Figure pct00105
는 각각, 시점 n에서 2개의 가속도계에 의해 측정된 신호
Figure pct00106
의 저주파수 성분과 고주파수 성분이다.
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 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(
Figure pct00107
)의 분산의 제곱과, 저주파수 성분(BF)의 확률(
Figure pct00108
)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
Figure pct00109
을 획득할 동시 확률
Figure pct00110
의 확률 밀도는, 저주파수 성분(BF)에 대해 값
Figure pct00111
을 획득할 확률 밀도
Figure pct00112
와, 고주파수 성분(HF)에 대한 값
Figure pct00113
을 획득할 확률 밀도
Figure pct00114
의 곱과 동일하며, 확률 밀도
Figure pct00115
및
Figure pct00116
은, 각각의 i에 대해, 다음의 표현식에 의해 정의된다:
Figure pct00117
여기서,
Figure pct00118
은 지수 n의 샘플에서의 저주파수 성분을 나타내며,
Figure pct00119
은 은닉 마르코프 모델의 관심 상태 i를 나타내며, 상기 저주파수 성분과 동일한 차원을 갖는 벡터이고,
Figure pct00120
은 은닉 마르코프 모델의 관심 상태 i를 나타내며, 저주파수 성분의 분산
Figure pct00121
의 제곱근을 나타내며,
Figure pct00122
은 지수 n의 샘플에서의 고주파수 성분을 나타내고,
Figure pct00123
는 움직임 센서의 고려되는 측정 축의 개수를 나타내며,
Figure pct00124
은 상태 i에서의, 변수
Figure pct00125
의 시간 평균에 비례하는 값이며, 예를 들면,
Figure pct00126
은 변수
Figure pct00127
의 시간 평균을
Figure pct00128
로 나눈 값이며,
Figure pct00129
는
Figure pct00130
,
Figure pct00131
및
Figure pct00132
을 만족시키는 감마 함수이다.
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:
- 서거나 앉은 자세(상태 1):
Figure pct00133
,
Figure pct00134
및
Figure pct00135
;
- 걷는 자세(상태 2):
Figure pct00136
,
Figure pct00137
및
Figure pct00138
;
- 기대는 자세(상태 3):
Figure pct00139
,
Figure pct00140
및
Figure pct00141
;
- 누운 자세(상태 4):
Figure pct00142
,
Figure pct00143
및
Figure pct00144
.
그 후, 각각의 시점 n에서의 사람의 상태가 다음과 같이 결정될 수 있다:
Figure pct00145
시점 n에서, 사람이 상태 i일 경우,
Figure pct00146
이다.
Figure pct00147
는,
Figure pct00148
과
Figure pct00149
의 시점 n에서 상태 i와 연계된 확률 밀도를 나타내며, 미리 정의된 확률 밀도
Figure pct00150
와
Figure pct00151
의 곱에 대응한다. 관측 데이터
Figure pct00152
와
Figure pct00153
를 조합한 값
Figure pct00154
이 고려되는 경우,
Figure pct00155
은 다음과 같이 쓰여질 수 있다:
Figure pct00156
여기서, 은 시점 n에서의 상태를 나타낸다.
그러나 순수하게 관측 데이터
Figure pct00158
및
Figure pct00159
과, 이들과 연계된 확률 밀도
Figure pct00160
및
Figure pct00161
만 기초로 하여 이뤄지는, 시점 n에서의 상태
Figure pct00162
의 결정은 만족스럽지 않은 것이 일반적이다.
경험에 의하면, 예를 들어, 시점 n-1 동안 결정된 상태
Figure pct00163
를 고려하는 것이 필요하다.
따라서,
Figure pct00164
이 시점 n=0 내지 시점 n=N에서의 상태들의 수열을 의미하고,
Figure pct00165
이 시점 n=0 내지 시점 n=N에서의 관측 데이터를 의미한다면, 상태 수열
Figure pct00166
에 대응하는 상태 수열
Figure pct00167
의 확률은
Figure pct00168
와 같이 써질 수 있으며,
Figure pct00169
에 비례한다.
예를 들어, 수열
Figure pct00170
에 대해, 이 확률은 다음과 같이 써질 수 있다:
Figure pct00171
추정된 상태 수열
Figure pct00172
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.
Figure pct00173
는 초기 상태
Figure pct00174
와 연계된 확률을 나타낸다. 예를 들어, n=0인 경우, 가능한 상태 각각의 등확률 분포(equiprobable distribution)이 선택될 수 있다.
-
Figure pct00175
은 시점
Figure pct00176
에서 데이터
Figure pct00177
를 관측할 확률을 나타낸다. 이는 확률
Figure pct00178
(여기서,
Figure pct00179
)에 대응한다.
-
Figure pct00180
은 시점 n-1에서 상태
Figure pct00181
이었을 때 상태
Figure pct00182
일 확률을 나타낸다.
-
Figure pct00183
은 상태
Figure pct00184
일 때 값
Figure pct00185
을 관측할 확률을 나타낸다. 이는 확률
Figure pct00186
에 대응한다(여기서,
Figure pct00187
).
확률
Figure pct00188
은 상태
Figure pct00189
에서 상태
Figure pct00190
로 전이할 확률에 대응한다. 이들 확률은,
Figure pct00191
과
Figure pct00192
의 표기를 이용하여, 이하의 표에서 나타난다.
예를 들어, 해당 업계 종사자에게 잘 알려져 있는 비터비 알고리즘을 이용함으로써, 표현식 (1)을 최대화하는 상태 수열
Figure pct00193
이 얻어질 수 있다.
따라서,
1) 각각의 상태
Figure pct00194
에 대해, 다음의 확률을 확립하고,
- 상태
Figure pct00195
에서 값
Figure pct00196
를 관측할 확률,
Figure pct00197
- 상태
Figure pct00198
에서 상태
Figure pct00199
로의 전이 확률,
Figure pct00200
,
2) 각각의 상태
Figure pct00201
와 연계된 확률을 확립하며,
3) n=0 내지 n=N의 각각의 시점 n에서 관측된 값
Figure pct00202
을 획득함으로써, 최대 근접한(the most probable) 상태 수열
Figure pct00203
이 얻어질 수 있다.
본원에서,
Figure pct00204
임을 다시 상기하라(여기서, 과
Figure pct00206
은 각각, 시점 n에서 가속도계에 의해 측정된 신호
Figure pct00207
의 저주파수 성분과 고주파수 성분임).
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:
Figure pct00208
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,
Figure pct00209
는 상기 2개의 가속도계 각각의 저주파수 성분(BF)의 쌍을 나타내며,
Figure pct00210
은 상기 제 2 가속도계의 고주파수 성분(HF)이며, 이때, 지수 샘플 n, 값
Figure pct00211
을 획득하기 위한 확률 밀도
Figure pct00212
는 다음의 표현식에 의해 정의된다:
Figure pct00213
여기서,
Figure pct00214
는 모델의 상태 i에 대한 신호
Figure pct00215
의 공분산 행렬을 묘사하는 차원 2의 대각 행렬이다.
Figure pct00216
은 모델의 상태 i를 나타내는 2-요소 열 벡터를 나타낸다.
이들 상태와 연계되는 변수
Figure pct00217
및
Figure pct00218
의 확률은, 다음에서 나열되는 파라미터에 의해, 앞서 언급된 확률에 의해 정의된다:
- 선 자세(상태 1)에 대해, 확률 밀도의 파라미터는,
Figure pct00219
및
Figure pct00220
와 같이 정의된다.
고주파수 성분
Figure pct00221
에 대해, 상기 의 파라미터는,
Figure pct00223
이다.
- 앉은 자세(상태 2)에 대해, 확률 밀도의 파라미터는,
Figure pct00224
및
Figure pct00225
와 같이 정의된다.
고주파수 성분
Figure pct00226
에 대해, 상기
Figure pct00227
의 파라미터는
Figure pct00228
이다.
- 누운 자세(상태 3)에 대해, 확률 밀도의 파라미터는,
Figure pct00229
및
Figure pct00230
와 같이 정의된다.
고주파수 성분
Figure pct00231
에 대해,
Figure pct00232
의 파라미터는
Figure pct00233
이다.
- 걷는 자세(상태 4)에 대해, 확률 밀도의 파라미터는,
Figure pct00234
및
Figure pct00235
와 같이 정의된다.
고주파수 성분
Figure pct00236
에 대해,
Figure pct00237
의 파라미터는
Figure pct00238
이다.
따라서 이상의 이유로,
Figure pct00239
이 시점 n=0 내지 시점 n=N에서의 상태의 수열을 나타내고,
Figure pct00240
이 시점 n=0 내지 시점 n=N에서의 관측 데이터를 나타낸다면,
Figure pct00241
은, 다음의 표현식을 최대화하는 상태들의 수열
Figure pct00242
에 대응한다:
Figure pct00243
이 실시예에 따르면,
Figure pct00244
이며, 여기서
Figure pct00245
및
Figure pct00246
은 각각, 시점 n에서 2개의 가속도계에 의해 측정된 신호
Figure pct00247
의 저주파수 성분과 고주파수 성분이다.
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:
Figure pct00248
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)

  1. 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(
    Figure pct00249
    )와 상기 저주파수 성분(BF)의 확률 밀도(
    Figure pct00250
    )를 계산하기 위한 계산 수단(CALC)으로서, 고주파수 성분(HF)의 확률 밀도는, 움직임 센서(CM)의 고려되는 측정 축의 개수(
    Figure pct00251
    )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.
  2. 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.
  3. 제 1 항 또는 제 2 항에 있어서, 저주파수 성분(BF)과 고주파수 성분(HF)에 대한 값의 쌍(
    Figure pct00252
    )의 확률 밀도(
    Figure pct00253
    )는, 저주파수 성분(BF)에 대한 값(
    Figure pct00254
    )을 얻을 확률 밀도(
    Figure pct00255
    )와, 고주파수 성분(HF)에 대한 값(
    Figure pct00256
    )을 얻을 확률 밀도(
    Figure pct00257
    )의 곱을 포함하며, 상기 확률 밀도 (
    Figure pct00258
    ) 및 (
    Figure pct00259
    )는 각각의 상태 i에 대해, 다음의 표현식
    Figure pct00260

    에 의해 정의되며,
    여기서,
    Figure pct00261
    은 지수 n의 샘플에서의 저주파수 성분을 나타내는 차원 1의 신호이고,
    Figure pct00262
    는 상기 저주파수 성분과 동일한 차원의 벡터를 나타내고 관련 은닉 마르코프 모델의 상태 i를 나타내며
    Figure pct00263
    는 저주파수 성분
    Figure pct00264
    의 분산의 제곱근을 나타내고, 관련 은닉 마르코프 모델의 상태 i를 나타내고,
    Figure pct00265
    은 지수 n의 샘플에서의 고주파수 성분을 나타내며,
    Figure pct00266
    는 움직임 센서의 고려되는 측정 축의 개수를 나타내고,
    Figure pct00267
    는 상태 i에서 변수
    Figure pct00268
    의 시간 평균에 비례하는 값이며, 예를 들어,
    Figure pct00269
    는 변수
    Figure pct00270
    의 시간 평균을
    Figure pct00271
    로 나눈 값이고,
    Figure pct00272
    는
    Figure pct00273
    ,
    Figure pct00274
    및
    Figure pct00275
    를 만족하는 감마 함수인 것을 특징으로 하는 사람의 자세를 결정하기 위한 시스템.
  4. 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.
  5. 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.
  6. 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.
  7. 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.
  8. 제 7 항에 있어서,
    - 서거나 앉은 자세에 대해,
    Figure pct00276
    ,
    Figure pct00277
    및
    Figure pct00278
    ;
    - 걷는 자세에 대해,
    Figure pct00279
    ,
    Figure pct00280
    및
    Figure pct00281
    ;
    - 기댄 자세에 대해,
    Figure pct00282
    ,
    Figure pct00283
    및
    Figure pct00284
    ;
    - 누운 자세에 대해,
    Figure pct00285
    ,
    Figure pct00286
    및
    Figure pct00287
    인 것을 특징으로 하는 사람의 자세를 결정하기 위한 시스템.
  9. 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.
  10. 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.
  11. 제 10 항에 있어서,
    Figure pct00288
    은 상기 제 1 및 제 2 가속도계 각각의 저주파수 성분(BF)의 쌍을 나타내고,
    Figure pct00289
    은 지수 n의 샘플에서의 제 2 가속도계의 고주파수 성분(HF)을 나타내며, 값
    Figure pct00290
    을 얻을 확률 밀도(
    Figure pct00291
    )는 다음의 표현식
    Figure pct00292

    에 의해 정의되고, 여기서
    Figure pct00293
    는, 모델의 상태 i에 대해 신호
    Figure pct00294
    의 공분산 행렬을 표현하는 차원 2의 대각 행렬이며,
    Figure pct00295
    는 2-성분 컬럼 벡터를 나타내고, 모델의 상태 i를 나타내는 것을 특징으로 하는 사람의 자세를 결정하기 위한 시스템.
  12. 제 11 항에 있어서,
    - 선 자세에 대해,
    Figure pct00296
    ,
    Figure pct00297
    및
    Figure pct00298
    이고,
    - 앉은 자세에 대해,
    Figure pct00299
    ,
    Figure pct00300
    및
    Figure pct00301
    이며,
    - 누운 자세에 대해,
    Figure pct00302
    ,
    Figure pct00303
    및
    Figure pct00304
    이고,
    - 걷는 자세에 대해,
    Figure pct00305
    ,
    Figure pct00306
    및
    Figure pct00307
    인 것을 특징으로 하는 사람의 자세를 결정하기 위한 시스템.
  13. 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(
    Figure pct00308
    )와 상기 저주파수 성분(BF)의 확률 밀도(
    Figure pct00309
    )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.
KR1020117026765A 2009-04-24 2010-04-26 사람의 자세를 결정하기 위한 시스템 및 방법 KR20120027229A (ko)

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)

* Cited by examiner, † Cited by third party
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)

* Cited by examiner, † Cited by third party
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

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