KR20170019347A

KR20170019347A - 사용자의 움직임 분류 및/또는 사용자의 걸음 카운트를 수행하는 장치 및 방법

Info

Publication number: KR20170019347A
Application number: KR1020167033220A
Authority: KR
Inventors: 크히네 초 초 더인; 키티퐁 카삼수크; 아이 아웅
Original assignee: 닛토덴코 가부시키가이샤
Priority date: 2014-05-30
Filing date: 2014-05-30
Publication date: 2017-02-21
Also published as: JP2017522149A; KR20190112842A; US10441197B2; CN106572814B; KR102141367B1; SG11201609607QA; CN113303790A; US20170188897A1; WO2015183193A1; US20200000379A1; CN106572814A; JP6567658B2

Abstract

사용자의 움직임 분류 및/또는 사용자의 걸음 카운트를 수행하는 장치 및 방법이 제공된다. 사용자의 움직임을 분류하는 방법은 복수의 축들에 대한 가속도계 데이터를 측정하고, 가속도계 데이터에 기초하여 복수의 축들 중 가장 액티브한 축을 확인하며, 하나 이상의 쓰레시홀드 값들 및 가장 액티브한 축에 대한 가속도계 데이터의 신호 진폭에 기초하여 사용자의 움직임을 분류한다.

Description

사용자의 움직임 분류 및/또는 사용자의 걸음 카운트를 수행하는 장치 및 방법{DEVICE AND METHOD FOR CLASSIFYING THE ACTIVITY AND/OR COUNTING STEPS OF A USER}

본 발명은 대략적으로 사용자의 움직임 분류 및/또는 사용자의 걸음 카운트를 수행하는 장치 및 방법에 관한 것이다.

최근, 사람들은 보다 건강을 의식하고 있고, 운동을 위한 편리하고 효과적인 방법으로서 달리기와 걷기를 시작하고 있다. 또한, 웨어러블 센서(wearable sensor)들을 통한 일상 활동의 셀프-트래킹(self-tracking)에 대한 관심이 높아지고 있다. 이에, 수행된 걸음들의 개수뿐 만 아니라 착용자의 걸음걸이 상태를 정확하게 기록할 수 있는 걸음 카운트 장치가 요구된다.

가속도계(accelerometer)들을 사용하는 종래의 걸음 카운트 장치들은 사용자가 먼저 상기 장치를 제한된 세트의 방향들로 위치시키는 것을 요구한다. 예를 들어, 상기 사용자는 전용 축(dedicated axis)(즉, 상기 장치의 방향)이 측정 기간 내내 실질적이고 계속적으로 중력의 방향에 정렬되도록 상기 장치를 몸에 고정시켜야 한다.

현존하는 장치들은 대개 변화들을 검출할 수 없고, 사용자의 서로 다른 걸음걸이들에 상응하는 신호들을 구별할 수 없다. 이것은 수행된 걸음들이 부정확하게 카운트되도록 만든다. 또한, 상기 장치들에 의해 경험된 모션 노이즈(motion noise)들은 현존하는 걸음 카운트 장치들에서 가짜 걸음들이 측정되고 진짜 걸음들이 놓쳐지도록 만들 것이다.

또한, 상기 장치가 부착된 몸의 일부가 매 걸음마다 동일하게 앞뒤로 흔들리지는 않으므로, 현존하는 장치들은 대개 신호 피크(peak)들 및 트로프(trough)들 내 불일치들 때문에 걸음 카운트로서의 피크들을 정확하게 식별할 수 없다.

본 발명의 실시예들은 상기 문제점들 중 적어도 하나 이상을 바로잡는 움직임 모니터링을 수행하는 시스템 및 방법을 제공한다.

본 발명의 제1 양상에 따르면, 장치를 착용한 사용자의 움직임을 분류하는 상기 장치가 제공된다. 상기 장치는 복수의 축들에 대한 가속도계 데이터를 측정하는 가속도계 및 프로세서를 포함한다. 상기 프로세서는 상기 가속도계 데이터에 기초하여 상기 복수의 축들 중 가장 액티브(active)한 축을 식별하고, 하나 이상의 쓰레시홀드(threshold) 값들 및 상기 가장 액티브한 축에 대한 상기 가속도계 데이터의 신호 진폭(signal amplitude)에 기초하여 상기 사용자의 상기 움직임을 분류한다.

본 발명의 제2 양상에 따르면, 장치를 착용한 사용자에 의해 수행된 걸음들의 개수를 카운트하는 상기 장치가 제공된다. 상기 장치는 적어도 하나 이상의 축에 대한 가속도계 데이터를 측정하는 가속도계 및 프로세서를 포함한다. 상기 프로세서는 연속되는 프로세싱 윈도우들에서 상기 가속도계 데이터에 미분 연산자(derivative operator)를 적용하고, 각 프로세싱 윈도우에서 상기 가속도계 데이터의 도함수(또는, 미분)(derivative) 내 피크들을 카운트하며, 이전(preceding) 프로세싱 윈도우 내 마지막 피크 및 현재 윈도우 내 첫 번째 피크 사이의 시간차에 기초하여 오버-카운트된(over-counted) 피크들을 제거한다.

본 발명의 제3 양상에 따르면, 사용자의 움직임을 분류하는 방법이 제공된다. 상기 방법은 복수의 축들에 대한 가속도계 데이터를 측정하는 단계, 상기 가속도계 데이터에 기초하여 상기 복수의 축들 중 가장 액티브한 축을 식별하는 단계, 및 하나 이상의 쓰레시홀드 값들 및 상기 가장 액티브한 축에 대한 상기 가속도계 데이터의 신호 진폭에 기초하여 상기 사용자의 상기 움직임을 분류하는 단계를 포함한다.

본 발명의 제4 양상에 따르면, 사용자에 의해 수행된 걸음들의 개수를 카운트하는 방법이 제공된다. 상기 방법은 적어도 하나 이상의 축에 대한 가속도계 데이터를 측정하는 단계, 연속되는 프로세싱 윈도우들에서 상기 가속도계 데이터에 미분 연산자를 적용하는 단계, 각 프로세싱 윈도우에서 상기 가속도계 데이터의 상기 도함수 내 피크들을 카운트하는 단계, 이전 프로세싱 윈도우 내 마지막 피크 및 현재 윈도우 내 첫 번째 피크 사이의 시간차에 기초하여 오버-카운트된 피크들을 제거하는 단계를 포함한다.

본 발명의 실시예들은 예시로서 첨부된 도면과 함께 아래 상세한 설명으로부터 보다 잘 이해될 것이고, 해당 기술 분야의 통상의 기술자에게 명백해질 것이다.
도 1은 일 실시예에 따른 움직임 분류의 프로세스를 나타내는 도면이다.
도 2는 원시(raw) 가속도계 데이터 내 스파이크(spike)를 나타내는 도면이다.
도 3은 일 실시예에 따른 평활화(smoothing) 프로세스를 적용한 이후 감쇄된(attenuated) 스파이크를 가진 도 2의 가속도계 데이터를 나타내는 도면이다.
도 4는 일 실시예에 따른 가속도계 신호의 결정된 특성들 및 예시적인 신호 진폭들을 나타내는 도면이다.
도 5는 일 실시예에 따른 쓰레시홀드 레벨들을 이용하여 움직임을 분류하는 프로세스를 나타내는 도면이다.
도 6은 일 실시예에 따른 서로 다른 움직임들 동안 측정된 신호 진폭을 나타내는 도면이다.
도 7은 일 실시예에 따른 걸음 카운트 및 피크 검출의 프로세스를 나타내는 도면이다.
도 8은 일 실시예에 따른 팬 톰킨스(Pan Tompkins) 미분 연산자를 적용하기 전과 적용한 후의 손목 착용(wrist-worn) 장치의 신호 파형을 나타내는 도면이다.
도 9는 일 실시예에 따른 후속 윈도우(들)의 프로세싱을 위해 사용된 적응(adaptive) 쓰레시홀드 값(△w)을 나타내는 도면이다.
도 10은 일 실시예에 따른 2개의 연속된 윈도우들을 위한 피크들 사이의 피크-투-피크 거리(peak-to-peak distance)를 나타내는 도면이다.
도 11은 일 실시예에 따른 움직임 분류 및 걸음 카운트의 프로세스 흐름을 나타내는 도면이다.
도 12는 일 실시예에 따른 웨어러블 장치 및 통신 장치를 포함하는 어셈블리(assembly)를 나타내는 개략도이다.
도 13은 일 실시예에 따른 웨어러블 장치 및 통신 장치를 포함하는 어셈블리를 나타내는 블록도이다.
도 14는 일 실시예에 따른 사용자의 움직임을 분류하는 장치를 나타내는 블록도이다.
도 15는 일 실시예에 따른 사용자의 걸음들을 카운트하는 장치를 나타내는 블록도이다.
도 16은 일 실시예에 따른 사용자의 움직임을 분류하는 방법을 나타내는 순서도이다.
도 17은 일 실시예에 따른 사용자의 걸음들을 카운트하는 방법을 나타내는 순서도이다.

본 발명의 실시예들은 사용자의 움직임을 분류하는 웨어러블 장치 및 방법과 사용자에 의해 수행된 걸음들의 개수를 카운트하는 웨어러블 장치 및 방법에 관한 것이다. 하나의 비한정적인 실시예에서, 상기 장치는 사용자의 손목에 착용되고, 사용자의 움직임을 분류하거나 및/또는 사용자에 의해 수행된 걸음들의 개수를 카운트하는 프로세싱을 위한 사용자의 가속도(acceleration) 정보를 얻도록 구성된다.

본 명세서는 또한 상기 방법들의 동작들을 수행하는 기구(apparatus)를 개시한다. 실시예들에서, 상기 기구는 상기 웨어러블 장치의 내부 및/또는 외부에 있을 수 있다. 상기 기구는 요구되는 목적들을 위해 특별히 구성될 수 있다. 또는, 상기 기구는 범용(general purpose) 컴퓨터 또는 상기 컴퓨터에 저장된 컴퓨터 프로그램에 의해 재구성(reconfigured)되거나 선택적으로 활성화되는 다른 장치를 포함할 수 있다. 상기 알고리즘들 및 여기에 제시된 디스플레이들은 어느 특정한 컴퓨터 또는 다른 기구와 본질적으로 관련되어 있지는 않다. 다양한 범용 머신(machine)들이 여기에 개시된 것들에 따른 프로그램들과 함께 사용될 수 있다. 대신에, 상기 요구된 방법 단계들을 수행하기 위한 보다 전문화된 기구의 구성이 적합할 수 있다. 종래의 범용 컴퓨터의 구조는 아래 설명으로부터 알게 될 것이다. 또한, 본 명세서는 여기에 개시된 상기 방법의 개별적인 단계들이 컴퓨터 코드에 의해 실행될 수 있음이 해당 기술 분야의 통상의 기술자에게 명백하다는 점에서 컴퓨터 프로그램을 내재적으로 개시한다. 상기 컴퓨터 프로그램은 어느 특정한 프로그래밍 언어 및 그의 구현에 한정되지 않는다. 다양한 프로그래밍 언어들 및 그의 코딩이 여기에 포함된 개시 내용을 구현하기 위해 사용될 수 있다는 것을 이해할 것이다. 나아가, 상기 컴퓨터 프로그램은 어느 특정한 제어 흐름에 한정되지 않는다. 본 발명의 사상 또는 범위를 벗어나지 않으면서 다른 제어 흐름들을 사용할 수 있는 상기 컴퓨터 프로그램의 많은 다양한 변형들이 존재한다.

또한, 상기 컴퓨터 프로그램의 상기 단계들의 하나 이상이 순차적이기보다는 병렬적으로 수행될 수 있다. 그러한 컴퓨터 프로그램은 컴퓨터 판독 가능 매체 상에 저장될 수 있다. 컴퓨터 판독 가능 매체는 자기 또는 광학 디스크들과 같은 저장 장치들, 메모리 칩들, 또는 범용 컴퓨터와의 인터페이싱(interfacing)에 적합한 다른 저장 장치들을 포함할 수 있다. 또한, 상기 컴퓨터 판독 가능 매체는 인터넷 시스템에서 예시된 바와 같은 하드 와이어드(hard-wired) 매체 또는 GSM 이동 전화 시스템에서 예시된 바와 같은 무선 매체를 포함할 수 있다. 그러한 범용 컴퓨터에서 로딩(loading)되고 실행될 때, 상기 컴퓨터 프로그램은 선호되는 방법의 단계들을 구현하는 기구를 효과적으로 초래할 수 있다.

본 발명은 또한 하드웨어 모듈들로서 구현될 수 있다. 특히, 하드웨어 의미에서, 모듈은 다른 부품(component)들 또는 모듈들과 함께 사용하도록 설계된 기능적 하드웨어 유닛(functional hardware unit)이다. 예를 들어, 모듈은 개별적인 전자 부품들을 이용하여 구현되거나 또는 주문형 집적 회로(Application Specific Integrated Circuit; ASIC)와 같은 전체 전자 회로의 일부를 형성할 수 있다. 수많은 다른 가능성들이 존재한다. 해당 기술 분야의 통상의 기술자들은 상기 시스템이 하드웨어 및 소프트웨어 모듈들의 조합으로서 구현될 수도 있음을 알 것이다.

도 1은 일 실시예에 따른 사용자의 움직임을 분류하는 방법을 나타내는 순서도(100)이다. 상기 방법은 아래 단계들을 포함한다.

단계(102)에서, 상기 방법은 웨어러블 장치를 통해 사용자의 가속도 신호들을 얻는다

단계(104)에서, 상기 방법은 상기 가속도 신호들을 복수의 프로세싱 윈도우들로 분할한다.

그리고, 각각의 프로세싱 윈도우에서,

단계(106)에서, 상기 방법은 이동 평균 함수로 상기 데이터를 평활화한다.

단계(108)에서, 상기 방법은 상기 가속도계 데이터를 g값 데이터로 변환한다.

단계(110)에서, 상기 방법은 상기 가속도 신호들 중 가장 액티브한 축을 식별한다.

단계(112)에서, 상기 방법은 가장 액티브한 축으로부터의 가속도 신호들에 기초하여 사용자의 움직임을 분류한다.

개별적으로 및/또는 다른 예시적인 특징들 중 하나 이상과 조합하여 사용될 수 있는 예시적인 특징들의 세부 사항들이 아래에서 설명될 것이다.

프로세싱 윈도우들

여기서, 윈도우의 사이즈는 단지 예시로서 윈도우의 시간 지속으로 설명된다. 움직임들을 분류 및/또는 걸음들을 카운트하는 데에 적합한 정확도는 예를 들어, 특정 정확도 요구 사항에 따라 대략 0초 내지 5초 사이의 윈도우 사이즈들을 이용함으로써 제한 없이 달성될 수 있음이 밝혀졌다. 일반적으로, 윈도우 사이즈가 길면 윈도우 전환 영역에서 오버-카운트된 피크가 발생할 가능성이 낮아질 수 있고, 그에 따라, 정확도가 높아질 수 있다. 윈도우 사이즈가 짧으면 매우 짧은 기간 내에 발생할 수 있는 서로 다른 움직임들 간 전환을 보다 잘 포착(capture)할 수 있다.

가속도계 데이터의 평활화

원시 가속도계 데이터는 일반적으로 노이즈(noise)가 있다. 예시적인 가속도계 데이터(202) 내 스프레이 스파이크(spray spike)(200)가 도 2에 도시되어 있다. 스프레이 스파이크(200)는 후속 프로세싱을 위한 가장 액티브한 축으로서 식별되는 잘못된 축을 낳을 수 있다. 실시예들에서, 평활화가 원시 가속도계 데이터(202)에 유리하게 적용된다. 선호되게는, 평활화는 이동 평균 연산을 원시 가속도계 데이터(200)에 적용함으로써 달성된다.

도 3은 일 실시예에 따른 선호되게는 후속 프로세싱을 위한 가장 액티브한 축의 식별에 영향을 미치지 않는 감쇄된 스파이크(200*)를 가진 평활화 이후의 가속도계 데이터(202*)를 나타낸다.

가장 액티브한 축

실시예들에서, 가장 액티브한 축은 중력의 기여 효과(contributory effect) 및 착용자의 발의 지면에 대한 충격력을 나타내는 최대 진폭 신호를 갖는 가속도계 축으로서 식별된다. 다시 말하면, 실시예들에서, 가장 액티브한 축은 수직 방향 즉, 지면에 실질적으로 수직한 방향에 가장 가까운 가속도계 축이다.

바람직하게는, 사용자가 장치를 착용하거나 사용하는 위치나 방향에 관계없이 다른 축들 상에서 가장 액티브한 축이 쉽게 식별될 수 있다.

선호되는 실시예에서, 가장 액티브한 축이 평활화된 x, y 및 z축(즉, 지면에 대한 실제 방향과 관계없이 3개의 가속도계 축들) 데이터를 각각의 윈도우에서 비교함으로써 선택되며, 여기서는 이동 평균으로 명명된다. 각 윈도우로부터의 각 축의 절대값이 결정되고, 여기서는 절대 이동 평균으로 명명된다. 이후, 상기 절대값에 기초한 각 축의 평균값이 결정되고, 여기서는 평균 절대 이동 평균으로 명명된다. 선호되는 실시예에서, 3개의 평균값들의 비교로부터 가장 큰 평균값을 가진 축이 각 윈도우를 위한 가장 액티브한 축으로서 식별된다.

움직임 분류

실시예들에서, 가장 액티브한 축으로부터의 이동 평균 데이터를 이용하여 사용자의 움직임이 광 움직임으로 가벼운 움직임 상태, 보통 움직임 상태 또는 과도한 움직임 상태로 분류된다.

일 실시예에서, 가장 액티브한 축의 신호 진폭은, 도 4에 도시된 바와 같이, 예를 들어, 대략 0초 내지 5초 사이의 사이즈를 갖는 윈도우(408)에서 가장 액티브한 축 데이터(406)의 최대(max) g값(404)으로부터 평균 g값(400) 또는 최소(min) g값(402)을 감산(subtract)함으로써 계산된다.

도 5는 일 실시예에 다른 쓰레시홀드 레벨들을 이용하여 움직임을 분류하는 프로세스를 나타내는 순서도(500)이다. 상기 장치가 사용자의 손목에 착용되는 예시적인 상황에서, 실험 결과들(도 6을 참조)은 예를 들어, 0.1g 및 1g의 쓰레시홀드 레벨들이 움직임 분류를 위해 사용될 수 있음을 보여준다.

단계(502)에서, 가장 액티브한 축의 신호 진폭(SA)이 결정된다. 단계(504)에서, 신호 진폭(SA)이 쓰레시홀드1보다 작은 경우(예를 들어, SA<0.1g), 단계(506)에 나타난 바와 같이, 가벼운 움직임 상태로 분류된다. 단계(508)에서, 신호 진폭(SA)이 쓰레시홀드2보다 작은 경우(예를 들어, SA<1g), 단계(510)에 나타난 바와 같이, 보통 움직임 상태로 분류된다. 다시 말하면, 0.1g≤SA<1g인 실시예에서, 보통 움직임 상태로 분류된다. 신호 진폭(SA)이 쓰레시홀드2보다 크거나 같은 경우(예를 들어, SA≥1g), 단계(512)에 나타난 바와 같이, 과도한 움직임 상태로 분류된다.

분류들을 위한 예들은 다음과 같은 것들을 포함한다.

가벼운 움직임 - 정지 상태(standing still), 신호등이 초록색으로 바뀌는 것을 기다리는 상태, 또는 타이핑(예를 들어, 책상에서)하는 상태와 같은 정지 모션(stationary motion)들

보통 움직임 - 느리게 걷기, 활발하게 걷기

과도한 움직임 - 조깅(jogging), 뛰기

실시예들에서, 몸의 이동을 수반하는 대부분 다른 움직임들(예를 들어, 계단 오르기, 자전거 타기, 수영하기, 축구 경기하기) 또한 예를 들어, 다음과 같은 것들에 기초하여 분류될 수 있다.

i) 서로 다른 움직임들 각각에 상응하는 복수의 신호 진폭(SA) 쓰레시홀드들(상기 실시예에서 쓰레시홀드1과 쓰레시홀드2의 상단에 있음)로 추가적으로 분할할 수 있음, 및/또는

ii) 실시예들에서, 주파수 분류들 및/또는 신호 매칭(matching) 기법들을 이용하여 필터링 및 식별에 의해 상기 3개의 일반적인 분류들의 추가 프로세싱이 수행될 수 있음.

도 6을 참조하면, 플롯(plot)들(600, 602)은 상기 프로세싱 윈도우에서 (최대값 - 최소값)에 기초하여 계산되고, 상기 프로세싱 윈도우에서 (최대값 - 평균값)에 기초하여 계산된 가장 액티브한 축을 위한 신호 진폭(SA)을 각각 보여주고 있다. 도 6에 도시된 바와 같이, 상기 프로세싱 윈도우에서 (최대값 - 최소값)에 기초한 신호 진폭(SA)은 쓰레시홀드들에 기초한 분류를 위해 선호될 수 있다. 이것은 각 움직임 영역들에서 값들의 보다 좁은 밴드(band)들 및 감소된 절대값들을 가진 보다 평활화된 플롯을 만들 수 있다.

도 7은 일 실시예에 따른 걸음들을 카운트하는 프로세스를 나타내는 순서도(700)이다. 단계(702)에서, 가속도계 데이터가 포착된다. 단계(704)에서, 상기 데이터가 프로세스 윈도우들로 분할된다. 단계(706)에서, 로우 패스 필터링(low pass filtering)이 분류된 움직임에 기초하여 가장 액티브한 축으로부터 상기 데이터에 적용된다. 단계(708)에서, 팬 톰킨스 미분 연산자를 이용한 필터링된 데이터의 도함수가 계산된다. 단계(710)에서, 미분 신호의 출력이 정규화된다. 단계(712)에서, 걸음 카운트를 위해 피크 검출이 수행된다. 단계(714)에서, 적응 쓰레시홀드 값이 현재 프로세스 윈도우에 기초하여 결정되고, 다음 프로세스 윈도우를 위해 사용되기 위해 갱신된다. 단계(716)에서, 오버-카운트된 피크들이 제거된다.

개별적으로 및/또는 다른 예시적인 특징들의 하나 이상과 조합하여 사용될 수 있는 예시적인 특징들의 세부 사항들이 아래에서 설명될 것이다.

움직임 유형에 기초한 로우 패스 필터(도 7의 단계(706))

선호되게는, 모션 노이즈의 정확한 주파수 범위를 제거하기 위해 로우 패스 필터의 컷-오프(cut-off) 주파수가 움직임 유형에 기초하여 조절된다. 정확한 컷-오프 주파수의 선택은 후속 피크 검출 프로세싱 동안 가짜 피크들 또는 검출되지 않은 피크들을 피하기 위해 신호 지오메트리(signal geometry)를 향상시키는 이점이 있다.

실시예들에서, 움직임 유형은 사용자에 의해 입력되거나 또는 상술한 움직임 분류 방법 및 장치 또는 다른 방법 또는 장치를 이용하여 식별될 수 있다.

팬 톰킨스 미분 연산자(도 7의 단계(708))

[수식 1]

y(n) = (1/8) [ 2x(n) + x(n-1) - x(n-3) - 2x(n-4)]

(여기서, n은 데이터 지점을 나타내고, n>4이다)

[수식 1] 내 팬 톰킨스 미분 연산자는 기울기 정보를 유리하게 확대하고 피크 검출을 위한 신호 조건을 최적화함으로써 피크 검출의 정확도를 보다 향상시키기 위해 선호되는 실시예에서 사용된다.

일반적인 걷기 및 뛰기 동안, 예를 들어, 팔을 흔드는 것은 일반적으로 반대쪽 다리와 동조(sync)한다. 예를 들어, 왼쪽 발이 앞으로 디뎌질 때 오른쪽 팔이 앞으로 흔들어지고, 오른쪽 발이 앞으로 디뎌질 때 왼쪽 팔이 앞으로 흔들어진다. 이러한 이유에 기초하여, 사용자에 의해 수행된 매 걸음에 대해 예를 들어, 손목 착용 장치에서 하나의 가속도 피크가 검출된다.

가속도 변화들 또한 손의 흔들림 변화와 발의 충격력에 달려 있다. 일반적인 걷기 조건 동안, 상기 충격력은 대개 충분히 강하지 않고, 예를 들어, 손목 착용 장치에서 상기 가속도 변화들은 손의 흔들림에 기인한다. 손의 앞뒤 흔들림이 일반적으로 매 걸음마다 동일하지 않기 때문에, 신호 파형의 불일치한 피크들과 트로프들이 정확한 피크 검출 알고리즘을 구현하는 것을 어렵게 만들 수 있다. 또한, 선호되는 실시예에서, 팬 톰킨스 미분 연산자는 보다 일관된 피크들과 트로프들 패턴을 만든다. 도 8의 a) 및 b)는 일 실시예에 따른 팬 톰킨스 미분 연산자의 적용 전(커브(800))과 적용 후(커브(802))의 손목 착용 장치의 신호 파형을 각각 보여준다.

정규화(도 7의 단계(710))

실시예들에서, 미분 신호들이 피크 검출 프로세싱을 위해 정확하게 스케일링되도록 정규화 프로세스가 선호된다. 일 실시예에서, 신호는 먼저 신호로부터 신호의 최소값을 감산한 다음, 감산된 신호의 최대값으로 나눔으로써 정규화된다.

피크 검출(도 7의 단계(712))

실시예들에 따르면, 정규화된 미분 신호가 쓰레시홀드 레벨을 초과하면, 피크가 검출될 것이다(즉, 걸음이 카운트됨). 데이터가 이제 정규화됨에 따라(예를 들어, 최소값은 0이고, 최대값은 1임), 첫 번째 프로세싱 윈도우를 위한 쓰레시홀드 값(

)은 예를 들어, 0과 0.5 사이의 미리 결정된 값으로 설정될 수 있다.

적응 쓰레시홀드의 결정 및 갱신(도 7의 단계(714))

도 9에 도시된 바와 같이, 적응 쓰레시홀드 값(

)이 후속 윈도우들을 위해 결정되고 사용될 것이다. 이 때, 적응 쓰레시홀드 값(

)은 현재 윈도우의 마지막 피크와 밸리(valley) 값들 사이의 차이의 대략 0% 내지 50% 사이의 미리 결정된 값으로 설정될 수 있다. 일 실시예에서, [수식 2]가 사용될 수 있다.

[수식 2]

=(a-b)*0.5

(여기서,

는 다음 윈도우(w)의 적응 쓰레시홀드 값이고, a는 현재 윈도우(w-1) 내 마지막 피크 값이며, b는 현재 윈도우(w-1) 내 마지막 밸리 값이고, w≥2이다.)

오버-카운트된 피크들의 제거(도 7의 단계(716))

팬 톰킨스 미분 연산자가 피크들 즉, 걸음들의 오버-카운트를 초래할 수 있는 후속 윈도우들 내 가짜 첫 번째 피크를 생성하는 경향을 가질 수 있음이 발명자들에 의해 발견되었다.

도 10은 선호되는 실시예에서 상기 카운트로부터 제거될 상기 가짜 피크들을 유리하게 식별하는 방법을 나타낸다. 상기 가짜 피크들은 현재 측정된 윈도우(1002)의 첫 번째 피크(1000)와 이전 윈도우(1006)의 마지막 피크(1004) 사이의 거리(d)를 확인함으로써 식별된다.

일 실시예에서, 쓰레시홀드는 초(second)당 4걸음들로 설정될 수 있다. 예를 들어, 80Hz의 샘플링 레이트(sampling rate)의 데이터 지점 도메인에서, 거리 쓰레시홀드는 초당 4걸음들에 기초하여 20개의 데이터 지점들로 설정될 수 있다. 피크-투-피크 거리(d)가 20개의 데이터 지점들보다 작으면, 현재 피크(1200)는 가짜로 식별되고, 걸음 카운트에서 제거된다.

도 11은 일 실시예에 따른 프로세스 흐름(1100)을 나타내는 순서도이다. 여기서, 움직임 분류 및 움직임 기반 걸음 카운트 기법들은 모두 하나의 손목 웨어러블 장치로 통합된다.

단계(1102)에서, 사용자의 가속도 데이터가 3축 가속도계를 통해 상기 장치에 의해 포착된다. 단계(1104)에서, 가속도계 신호는 0초 내지 5초 사이의 프로세싱 윈도우들로 분할된다. 단계(1106)에서, 각 윈도우 내 신호는 이동 평균 함수를 수행함으로써 평활화된다. 단계(1108)에서, 가장 액티브한 축이 각 축의 평균 절대 이동 평균값을 비교함으로써 식별된다. 가장 큰 값을 가진 축이 가장 액티브한 축일 것이다.

단계들(1110, 1114)에서, 각 윈도우 내 움직임은 가장 액티브한 축의 이동 평균 신호의 신호 진폭(최대 평균(max-mean))을 계산함으로써 분류된다. 분류는 하나의 비한정적인 예에서 0.1g 및 1g 쓰레시홀드들에 기초할 것이다. 일단 낮은 움직임 상태가 식별(단계(1110))되면, 걸음들이 카운트될 필요가 없기 때문에, 상기 프로세스는 다음 윈도우로 이동(단계(1112))할 것이다.

보통 및 과도한 움직임 상태들을 위해(단계(1114)), 걸음 카운트가 수행된다. 단계들(1116, 1118)에서, 각 윈도우를 위한 로우 패스 필터의 컷-오프 주파수가 식별된 움직임에 기초하여 갱신될 것이고, 그에 따라, 로우 패스 필터링이 적용될 것이다.

단계(1120)에서, 팬 톰킨스 미분 연산자가 적용된다. 단계(1122)에서, 미분 신호는 정규화되어 각 윈도우에서 신호 진폭을 예를 들어, 0에서 1로 조정한다(하나의 비한정적인 예에서, 먼저 신호로부터 신호의 최소값을 감산한 후, 감산된 신호의 최대값으로 나눔).

단계(1124)에서, 피크 검출이 수행된다. 이 때, 검출된 각각의 피크는 걸음 카운트에 기여(contribute)한다. 가벼운 움직임 상태에서 보통 또는 과도한 움직임 상태로 전환한 후 첫 번째 윈도우에서, 하나의 비한정적인 예에서, 쓰레시홀드는 0 내지 0.5 사이로 설정될 것이다. 다시 말하면, 가벼운 움직임 상태로부터 전환된 첫 번째 윈도우는 대개 걸음 제거(step elimination)를 요구하지 않는다. 후속 윈도우들(보통 또는 과도한 움직임 상태일 수 있음)을 위해, 상기 윈도우에 대한 가벼운 움직임 상태가 검출되기 전까지, 오버-카운트된 피크 검출 및 제거가 유리하게 수행된다. 하나의 비한정적인 예에서, 단계(1126)에 따르면, 후속 윈도우들에서, 적응 쓰레시홀드가 사용되고, 이전 윈도우의 마지막 피크와 밸리 사이의 높이차의 대략 0% 내지 50% 사이로 설정될 것이다.

단계(1128)에서, 팬 톰킨스 연산으로부터 기인하는 가짜 피크들이 예를 들어, 피크-투-피크 거리(현재 윈도우 첫 번째 피크 대(vs) 이전 윈도우 마지막 피크) 쓰레시홀드를 이용하여 제거된다. 하나의 비한정적인 예에서, 상기 쓰레시홀드는 초당 4걸음들에 기초한다. 예를 들어, 80Hz의 샘플링 레이트의 데이터 지점 도메인에서, 상기 거리 쓰레시홀드는 20 데이터 지점으로 설정된다. 상기 피크-투-피크 거리가 20 데이터 지점들보다 작으면, 현재 피크는 가짜로 식별되고, 걸음 카운트에서 제거된다.

다음 윈도우를 위한 프로세스가 루프백(loop back)되고, 상술한 단계들(1106 내지 1128)을 따른다.

도 12는 일 실시예에 따른 손목 시계(1201) 형태의 웨어러블 장치를 포함하는 어셈블리(1200)를 보여준다. 다른 실시예들에서 상기 장치가 사용자의 몸의 일부(예를 들어, 남녀의 팔, 허리, 엉덩이 또는 발 등)에 착용되는 데에 적합한 다른 형태를 가질 수도 있음을 이해할 것이다. 손목 시계(1201)는 사용자의 움직임을 분류 및/또는 사용자에 의해 수행된 걸음들의 개수를 계산하고, 해당 결과(들)를 어셈블리(1200)(예를 들어, 이동 전화기(1202), 다른 이동 전자 기기들, 또는 데스크탑(desk top) 컴퓨터, 랩탑(laptop) 컴퓨터, 탭(tab) 컴퓨터 등과 같은 컴퓨팅 장치들)의 전기 통신 장치(telecommunication device)에 무선으로 전송한다.

도 13은 일 실시예에 따른 웨어러블 장치(1301)를 포함하는 어셈블리(1300)의 개략적인 블록도이다. 이 때, 웨어러블 장치(1301)는 사용자의 움직임 분류 및/또는 사용자의 걸음 카운트를 수행한다. 상기 장치(1301)는 사용자의 가속도 정보를 얻기 위한 가속도계(accelerometer), 자이로스코프(gyroscope) 등과 같은 신호 센싱 모듈(1302)을 포함한다.

상기 장치에서 사용하기에 적합할 수 있는 선호되는 가속도계의 하나의 비한정적인 예는 Freescale Semiconductor, Inc.에서 입수할 수 있는 3축 가속도계 MMA8652FC이다. 이 가속도계는 단일 패키지로 세 방향들 모두에서 가속도를 측정할 수 있는 이점을 제공할 수 있다. 대안적으로, 다른 실시예들에서, 3축 센싱을 제공하도록 지향된(oriented) 다수의 단일-축(single-axis) 가속도계들이 사용될 수 있다.

상기 장치(1301)는 또한 신호 센싱 모듈(1302)로부터 가속도 정보를 수신하여 프로세싱하기 위해 구성된 프로세서와 같은 데이터 프로세싱 및 계산 모듈(1304)을 포함한다. 상기 장치(1301)는 또한 상기 장치(1301)의 사용자에게 결과를 표시하기 위한 표시 유닛(1306)을 포함한다. 본 실시예의 상기 장치(1301)는 어셈블리(1300)의 전기 통신 장치(1301)와 무선 통신하기 위해 구성된 무선 전송 모듈(1308)을 더 포함한다. 전기 통신 장치(1310)는 웨어러블 장치(1301)로부터 신호들을 수신하기 위한 무선 수신기 모듈(1312) 및 전기 통신 장치(1310)의 사용자에게 결과를 표시하기 위한 표시 유닛(1314)을 포함한다.

도 14는 일 실시예에 따른 상기 장치를 착용한 사용자의 움직임을 분류하는 장치(1400)의 블록도이다. 상기 장치(1400)는 복수의 축들에 대한 가속도계 데이터를 측정하는 가속도계(1402), 및 가속도계 데이터에 기초하여 상기 복수의 축들 중 가장 액티브한 축을 식별하고, 하나 이상의 쓰레시홀드 값들 및 가장 액티브한 축에 대한 가속도계 데이터의 신호 진폭에 기초하여 사용자의 움직임을 분류하는 프로세서(1404)를 포함한다.

프로세서(1404)는 가장 액티브한 축을 식별하기 이전에 가속도계 데이터에 평활화(smoothing)를 적용하도록 구성될 수 있다.

프로세서(1404)는 가장 큰 평균 절대 이동 평균 신호 값으로도 명명될 수 있는 평활화된 신호의 가장 큰 평균 절대 진폭을 가진 축을 결정함으로써 가장 액티브한 축을 식별하도록 구성될 수 있다.

프로세서(1404)는 가장 액티브한 축에 대한 가속도계 데이터의 최대 신호 진폭에 기초하여 움직임을 분류하도록 구성될 수 있다.

프로세서(1404)는 가장 액티브한 축에 대한 (가속도계 데이터의 최대 신호 진폭 - 평균 신호 진폭)에 기초하여 움직임을 분류하도록 구성될 수 있다.

프로세서(1404)는 가장 액티브한 축을 식별하고, 미리 결정된 프로세싱 윈도우 상에서 측정된 가속도계 데이터에 기초하여 사용자의 움직임을 분류하도록 구성될 수 있다.

프로세싱 윈도우는 대략 0초 내지 5초의 범위일 수 있다.

도 15는 일 실시예에 따른 장치(1500)를 착용한 사용자에 의해 수행된 걸음들의 개수를 카운트하는 장치(1500)의 블록도이다. 상기 장치(1500)는 적어도 하나 이상의 축에 대한 가속도계 데이터를 측정하는 가속도계(1502) 및 연속되는 프로세싱 윈도우들에서 가속도계 데이터에 미분 연산자를 적용하고, 각 프로세싱 윈도우에서 가속도계 데이터의 도함수 내 피크들을 카운트하며, 현재 윈도우 내 첫 번째 피크와 이전 프로세싱 윈도우 내 마지막 피크 사이의 시간차에 기초하여 오버-카운트된 피크들을 제거하도록 구성된 프로세서(1504)를 포함한다.

프로세서(1504)는 현재 프로세싱 윈도우가 가벼운 움직임 상태에서 보통 또는 과도한 움직임 상태로 전환된 이후 첫 번째 프로세싱 윈도우인 경우, 제1 쓰레시홀드 값에 기초하여 피크들을 카운트하도록 구성된다.

상기 프로세서는 다음 윈도우를 위한 적응 쓰레시홀드를 갱신하도록 더 구성될 수 있다. 다음 윈도우를 위한 적응 쓰레시홀드는 현재 프로세싱 윈도우 내 마지막 연속되는 피크 및 밸리 쌍(valley pair)에 대한 신호 진폭의 차이에 기초할 수 있다. 다음 윈도우를 위한 적응 쓰레시홀드는 현재 프로세싱 윈도우 내 밸리 쌍 및 마지막 연속되는 피크에 대한 신호 진폭의 차이의 대략 0% 내지 50% 사이일 수 있다.

상기 프로세서(1504)는 현재 윈도우 내 첫 번째 피크와 이전 프로세싱 윈도우 내 마지막 피크 사이의 시간차가 제2 쓰레시홀드 값보다 작은 경우, 현재 윈도우에서 피크 카운트로부터 피크들을 제거하도록 구성될 수 있다. 제2 쓰레시홀드 값은 대략 1/4초일 수 있다. 미분 연산자는 팬 톰킨스 미분 연산자를 포함할 수 있다.

상기 장치들(1400, 1500)은 웨어러블 장치 내에 구현될 수 있다.

상기 장치들(1400, 1500)은 웨어러블 장치 및 통신 장치를 포함하는 어셈블리 내에 구현될 수 있다.

상기 장치들(1400, 1500)은 웨어러블 장치 및 무선 통신 장치를 포함하는 어셈블리 내에 구현될 수 있다.

도 16은 일 실시예에 따른 사용자의 움직임을 분류하는 방법을 나타내는 순서도(1600)이다. 단계(1602)에서, 가속도계 데이터가 복수의 축들에 대해 측정된다. 단계(1604)에서, 상기 복수의 축들 중 가장 액티브한 축이 가속도계 데이터에 기초하여 식별된다. 단계(1606)에서, 하나 이상의 쓰레시홀드 값들 및 가장 액티브한 축에 대한 가속도계 데이터의 신호 진폭에 기초하여 사용자의 움직임이 분류된다.

상기 방법은 가장 액티브한 축을 식별하기 이전에 가속도계 데이터에 평활화를 적용하는 단계를 포함할 수 있다.

상기 방법은 가장 큰 평균 절대 이동 평균 신호 값으로도 명명될 수 있는 평활화된 신호의 가장 큰 평균 절대값을 가진 축을 결정함으로써 가장 액티브한 축을 식별하는 단계를 포함할 수 있다. 상기 방법은 가장 액티브한 축에 대한 가속도계 데이터의 최대 신호 진폭에 기초하여 움직임을 분류하는 단계를 포함할 수 있다.

상기 방법은 가장 액티브한 축에 대한 (가속도계 데이터의 최대 신호 진폭 - 평균 신호 진폭)에 기초하여 움직임을 분류하는 단계를 포함할 수 있다.

상기 방법은 가장 액티브한 축을 식별하는 단계 및 미리 결정된 프로세싱 윈도우 상에서 측정된 가속도계 데이터에 기초하여 사용자의 움직임을 분류하는 단계를 포함할 수 있다.

프로세싱 윈도우는 대략 0초 내지 5초의 범위일 수 있다.

도 17은 사용자에 의해 수행된 걸음들의 개수를 카운트하는 방법을 나타내는 순서도(1700)이다. 단계(1702)에서, 가속도계 데이터가 적어도 하나 이상의 축에 대해 측정된다. 단계(1704)에서, 연속되는 프로세싱 윈도우들에서 미분 연산자가 가속도계 데이터에 적용된다. 단계(1706)에서, 각 프로세싱 윈도우에서 가속도계 데이터의 도함수 내 피크들이 카운트된다. 단계(1708)에서, 오버-카운트된 피크들이 현재 윈도우의 첫 번째 피크와 이전 프로세싱 윈도우 내 마지막 피크 사이의 시간차에 기초하여 제거된다.

상기 방법은 가벼운 움직임 상태에서 보통 또는 과도한 움직임 상태로 전환된 이후에 현재 프로세싱 윈도우가 첫 번째 프로세싱 윈도우인 경우, 제1 쓰레시홀드에 기초하여 피크들을 카운트하는 단계를 포함할 수 있다.

상기 방법은 다음 윈도우에서 적응 쓰레시홀드를 갱신하는 단계를 더 포함할 수 있다. 다음 윈도우를 위한 적응 쓰레시홀드는 현재 프로세싱 윈도우 내 밸리 쌍 및 마지막 연속되는 피크에 대한 신호 진폭의 차이에 기초할 수 있다. 다음 윈도우를 위한 적응 쓰레시홀드는 현재 프로세싱 윈도우 내 밸리 쌍 및 마지막 연속되는 피크에 대한 신호 진폭의 차이의 대략 0% 내지 50% 사이일 수 있다.

상기 방법은 현재 프로세싱 윈도우 내 첫 번째 피크와 이전 프로세싱 윈도우 내 마지막 피크 사이의 시간차가 제2 쓰레시홀드 값보다 작은 경우, 현재 프로세싱 윈도우에서 피크 카운트로부터 피크들을 제거하는 단계를 포함할 수 있다. 제2 쓰레시홀드 값은 대략 1/4초일 수 있다.

미분 연산자는 팬 톰킨스 미분 연산자를 포함할 수 있다.

본 발명의 실시예들은 모니터링 기간 동안 상기 장치가 고정된 지향(orientation)으로 부탁되어 있는 것을 요구하지 않는 이점을 갖는다. 이것은 실시예들에 따른 상기 장치가 후속 프로세스들을 위해 사용되도록 가장 액티브한 축(이것은 충격력의 방향에 가장 가까운 축일 것임)에 대한 프로세싱 윈도우들 내에서 지속적으로 검출하기 때문이다. 실시예들에서, 가장 액티브한 축은 각 윈도우 내에서 가장 큰 평균 절대 이동 평균 가속도 신호를 가진 축을 찾음으로써 식별될 수 있다.

본 발명의 실시예들은 가속도계 데이터를 프로세스 윈도우들로 분할하고, 각 윈도우 내에서 쓰레시홀드 레벨들(예를 들어, 0.1g 및 1g)에 대항하여 신호 진폭(예를 들어, 최대-평균(max-mean) 또는 최대-최소(max-min))을 관찰함으로써, 가벼운, 보통 또는 과도한 상태들에 상응하는 신호들을 구별하고, 변화들을 검출할 수 있는 이점을 갖는다.

본 발명의 실시예들에서, 모션 노이즈가 움직임에 따라 적합한 컷-오프 주파수들을 가진 로우 패스 필터들을 이용하여 정확하게 제거될 수 있다는 이점이 있다.

본 발명의 실시예들에서, 피크의 최대-최소(max-min) 값에 기초한 적응 쓰레시홀드들 및 피크 거리에 기초한 피크 제거 알고리즘과 함께 팬 톰킨스 미분 연산은 상기 장치와 상기 방법이 피크들을 걸음 카운트들로서 정확하게 식별하게 만드는 이점이 있다.

광범위하게 기술된 본 발명의 사상 또는 범위로부터 벗어나지 않으면서 특정 실시예들에서 도시된 본 발명에 여러 변화들 및/또는 변형들이 가해질 수 있음을 해당 기술 분야의 통상의 기술자는 이해할 것이다. 그러므로, 본 실시예들은 모든 면에서 예시적이고 비한정적인 것으로 간주되어야 한다. 또한, 본 발명은 본 발명의 특징 또는 특징들의 조합이 특허청구범위 또는 본 실시예들에 명시적으로 특정되어 있지 않다고 하더라도, 상기 특징들의 조합 특히, 특허청구범위 내 특징들의 조합을 포함하는 것이다.

예를 들어, 몇몇 실시예들에 손목 착용 장치가 설명되어 있더라도, 상기 장치는 사용자의 팔, 엉덩이, 허리 또는 발에 착용될 수 있다. 또한, 상기 장치 및 상기 방법은 상술한 걸음 카운트 및 움직임 분류 중에서 하나만을 수행할 수도 있고, 상술한 걸음 카운트 및 움직임 분류를 동시에 수행할 수도 있다.

Claims

사용자의 움직임을 분류하는 상기 사용자가 착용하는 사용자 움직임 분류 장치에 있어서,
복수의 축들에 대한 가속도계 데이터를 측정하는 가속도계; 및
상기 가속도계 데이터에 기초하여 상기 복수의 축들 중 가장 액티브한 축을 식별하고, 하나 이상의 쓰레시홀드 값들 및 상기 가장 액티브한 축에 대한 상기 가속도계 데이터의 신호 진폭에 기초하여 상기 사용자의 상기 움직임을 분류하는 프로세서를 포함하는 것을 특징으로 하는 사용자 움직임 분류 장치.
제 1 항에 있어서, 상기 프로세서는 상기 가장 액티브한 축을 식별하기 이전에 상기 가속도계 데이터에 평활화를 적용하는 것을 특징으로 하는 사용자 움직임 분류 장치.
제 2 항에 있어서, 상기 프로세서는 상기 평활화된 신호의 가장 큰 평균 절대 진폭을 가진 축을 결정함으로써 상기 가장 액티브한 축을 식별하는 것을 특징으로 하는 사용자 움직임 분류 장치.
제 1 항 내지 제 3 항 중 어느 한 항에 있어서, 상기 프로세서는 상기 가장 액티브한 축에 대한 상기 가속도계 데이터의 최대 신호 진폭에 기초하여 상기 움직임을 분류하는 것을 특징으로 하는 사용자 움직임 분류 장치.
제 4 항에 있어서, 상기 프로세서는 상기 가장 액티브한 축에 대한 상기 가속도계 데이터의 상기 최대 신호 진폭에서 상기 평균 신호 진폭을 감산한 값에 기초하여 상기 움직임을 분류하는 것을 특징으로 하는 사용자 움직임 분류 장치.
제 1 항 내지 제 5 항 중 어느 한 항에 있어서, 상기 프로세서는 상기 가장 액티브한 축을 식별하고, 미리 결정된 프로세싱 윈도우 상에서 측정된 가속도계 데이터에 기초하여 상기 사용자의 상기 움직임을 분류하는 것을 특징으로 하는 사용자 움직임 분류 장치.
제 6 항에 있어서, 상기 프로세싱 윈도우는 0초 내지 5초의 범위인 것을 특징으로 하는 사용자 움직임 분류 장치.
사용자에 의해 수행된 걸음들의 개수를 카운트하는 사용자가 착용하는 사용자 걸음 카운트 장치에 있어서,
적어도 하나 이상의 축에 대한 가속도계 데이터를 측정하는 가속도계; 및
연속되는 프로세싱 윈도우들에서 상기 가속도계 데이터에 미분 연산자를 적용하고, 각각의 프로세싱 윈도우에서 상기 가속도계 데이터의 도함수 내 피크들을 카운트하며, 현재 윈도우 내 첫 번째 피크와 이전 프로세싱 윈도우 내 마지막 피크 사이의 시간차에 기초하여 오버-카운트된 피크들을 제거하는 프로세서를 포함하는 것을 특징으로 하는 사용자 걸음 카운트 장치.
제 8 항에 있어서, 상기 프로세서는 가벼운 움직임 상태에서 보통 또는 과도한 움직임 상태로 전환된 이후에 상기 현재 프로세싱 윈도우가 첫 번째 프로세싱 윈도우인 경우, 제1 쓰레시홀드 값에 기초하여 상기 피크들을 카운트하는 것을 특징으로 하는 사용자 걸음 카운트 장치.
제 8 항 또는 제 9 항에 있어서, 상기 프로세서는 추가적으로 상기 다음 윈도우를 위한 적응 쓰레시홀드를 갱신하는 것을 특징으로 하는 사용자 걸음 카운트 장치.
제 10 항에 있어서, 상기 다음 윈도우를 위한 상기 적응 쓰레시홀드는 상기 현재 프로세싱 윈도우 내 밸리 쌍 및 마지막 연속되는 피크에 대한 신호 진폭의 상기 차이에 기초하는 것을 특징으로 하는 사용자 걸음 카운트 장치.
제 11 항에 있어서, 상기 다음 윈도우를 위한 상기 적응 쓰레시홀드는 상기 현재 프로세싱 윈도우 내 상기 밸리 쌍 및 상기 마지막 연속되는 피크에 대한 상기 신호 진폭의 상기 차이의 대략 0% 내지 50% 사이인 것을 특징으로 하는 사용자 걸음 카운트 장치.
제 8 항 내지 제 12 항 중 어느 한 항에 있어서, 상기 프로세서는 상기 현재 윈도우 내 상기 첫 번째 피크와 상기 이전 프로세싱 윈도우 내 상기 마지막 피크 사이의 상기 시간차가 제2 쓰레시홀드 값보다 작은 경우, 상기 현재 윈도우에서 상기 피크 카운트로부터 피크들을 제거하는 것을 특징으로 하는 사용자 걸음 카운트 장치.
제 13 항에 있어서, 상기 제2 쓰레시홀드 값은 대략 1/4초인 것을 특징으로 하는 사용자 걸음 카운트 장치.
제 8 항 내지 제 14 항 중 어느 한 항에 있어서, 상기 미분 연산자는 팬 톰킨스 미분 연산자를 포함하는 것을 특징으로 하는 사용자 걸음 카운트 장치.
제 8 항 내지 제 15 항 중 어느 한 항에 있어서, 상기 사용자 걸음 카운트 장치는 웨어러블 장치 내에 구현되는 것을 특징으로 하는 사용자 걸음 카운트 장치.
제 8 항 내지 제 16 항 중 어느 한 항에 있어서, 상기 사용자 걸음 카운트 장치는 웨어러블 장치 및 통신 장치를 포함하는 어셈블리 내에 구현되는 것을 특징으로 하는 사용자 걸음 카운트 장치.
제 8 항 내지 제 17 항 중 어느 한 항에 있어서, 상기 사용자 걸음 카운트 장치는 웨어러블 장치 및 무선 통신 장치를 포함하는 어셈블리 내에 구현되는 것을 특징으로 하는 사용자 걸음 카운트 장치.
사용자의 움직임을 분류하는 사용자 움직임 분류 방법에 있어서,
복수의 축들에 대한 가속도계 데이터를 측정하는 단계;
상기 가속도계 데이터에 기초하여 상기 복수의 축들 중 가장 액티브한 축을 식별하는 단계; 및
하나 이상의 쓰레시홀드 값들 및 상기 가장 액티브한 축에 대한 상기 가속도계 데이터의 신호 진폭에 기초하여 상기 사용자의 상기 움직임을 분류하는 단계를 포함하는 것을 특징으로 하는 사용자 움직임 분류 방법.
제 19 항에 있어서,
상기 가장 액티브한 축을 식별하기 이전에 상기 가속도계 데이터에 평활화를 적용하는 단계를 포함하는 것을 특징으로 하는 사용자 움직임 분류 방법.
제 20 항에 있어서,
상기 평활화된 신호의 가장 큰 평균 절대값을 가진 축을 결정함으로써 상기 가장 액티브한 축을 식별하는 단계를 포함하는 것을 특징으로 하는 사용자 움직임 분류 방법.
제 19 항 내지 제 21 항 중 어느 한 항에 있어서,
상기 가장 액티브한 축에 대한 상기 가속도계 데이터의 최대 신호 진폭에 기초하여 상기 움직임을 분류하는 단계를 포함하는 것을 특징으로 하는 사용자 움직임 분류 방법.
제 22 항에 있어서,
상기 가장 액티브한 축에 대한 상기 가속도계 데이터의 상기 최대 신호 진폭에서 상기 평균 신호 진폭을 감산한 값에 기초하여 상기 움직임을 분류하는 단계를 포함하는 것을 특징으로 하는 사용자 움직임 분류 방법.
제 19 항 내지 제 23 항 중 어느 한 항에 있어서,
상기 가장 액티브한 축을 식별하는 단계; 및
미리 결정된 프로세싱 윈도우 상에서 측정된 가속도계 데이터에 기초하여 상기 사용자의 상기 움직임을 분류하는 단계를 포함하는 것을 특징으로 하는 사용자 움직임 분류 방법.
제 24 항에 있어서, 상기 프로세싱 윈도우는 0초 내지 5초의 범위인 것을 특징으로 하는 사용자 움직임 분류 방법.
사용자에 의해 수행된 걸음들의 개수를 카운트하는 사용자 걸음 카운트 방법에 있어서,
적어도 하나 이상의 축에 대한 가속도계 데이터를 측정하는 단계;
연속되는 프로세싱 윈도우들에서 상기 가속도계 데이터에 미분 연산자를 적용하는 단계;
각각의 프로세싱 윈도우에서 상기 가속도계 데이터의 도함수 내 피크들을 카운트하는 단계; 및
현재 윈도우 내 첫 번째 피크와 이전 프로세싱 윈도우 내 마지막 피크 사이의 시간차에 기초하여 오버-카운트된 피크들을 제거하는 단계를 포함하는 것을 특징으로 하는 사용자 걸음 카운트 방법.
제 26 항에 있어서,
가벼운 움직임 상태에서 보통 또는 과도한 움직임 상태로 전환된 이후에 상기 현재 프로세싱 윈도우가 첫 번째 프로세싱 윈도우인 경우, 제1 쓰레시홀드 값에 기초하여 상기 피크들을 카운트하는 단계를 포함하는 것을 특징으로 하는 사용자 걸음 카운트 방법.
제 26 항 또는 제 27 항에 있어서,
상기 다음 윈도우를 위한 적응 쓰레시홀드를 갱신하는 단계를 더 포함하는 것을 특징으로 하는 사용자 걸음 카운트 방법.
제 28 항에 있어서, 상기 다음 윈도우를 위한 상기 적응 쓰레시홀드는 상기 현재 프로세싱 윈도우 내 밸리 쌍 및 마지막 연속되는 피크에 대한 신호 진폭의 상기 차이에 기초하는 것을 특징으로 하는 사용자 걸음 카운트 방법.
제 29 항에 있어서, 상기 다음 윈도우를 위한 상기 적응 쓰레시홀드는 상기 현재 프로세싱 윈도우 내 상기 밸리 쌍 및 상기 마지막 연속되는 피크에 대한 상기 신호 진폭의 상기 차이의 대략 0% 내지 50% 사이인 것을 특징으로 하는 사용자 걸음 카운트 방법.
제 26 항 내지 제 30 항 중 어느 한 항에 있어서,
상기 현재 프로세싱 윈도우 내 상기 첫 번째 피크와 상기 이전 프로세싱 윈도우 내 상기 마지막 피크 사이의 상기 시간차가 제2 쓰레시홀드 값보다 작은 경우, 상기 현재 윈도우에서 상기 피크 카운트로부터 피크들을 제거하는 단계를 포함하는 것을 특징으로 하는 사용자 걸음 카운트 방법.
제 31 항에 있어서, 상기 제2 쓰레시홀드 값은 대략 1/4초인 것을 특징으로 하는 사용자 걸음 카운트 방법.
제 26 항 내지 제 32 항 중 어느 한 항에 있어서, 상기 미분 연산자는 팬 톰킨스 미분 연산자를 포함하는 것을 특징으로 하는 사용자 걸음 카운트 방법.