KR20170043308A - 보행 데이터에 기반한 대상자 식별 방법 - Google Patents

보행 데이터에 기반한 대상자 식별 방법 Download PDF

Info

Publication number
KR20170043308A
KR20170043308A KR1020150142902A KR20150142902A KR20170043308A KR 20170043308 A KR20170043308 A KR 20170043308A KR 1020150142902 A KR1020150142902 A KR 1020150142902A KR 20150142902 A KR20150142902 A KR 20150142902A KR 20170043308 A KR20170043308 A KR 20170043308A
Authority
KR
South Korea
Prior art keywords
subject
walking
value
current
data
Prior art date
Application number
KR1020150142902A
Other languages
English (en)
Other versions
KR101790719B1 (ko
Inventor
류근호
박현우
류광선
Original Assignee
충북대학교 산학협력단
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 충북대학교 산학협력단 filed Critical 충북대학교 산학협력단
Priority to KR1020150142902A priority Critical patent/KR101790719B1/ko
Publication of KR20170043308A publication Critical patent/KR20170043308A/ko
Application granted granted Critical
Publication of KR101790719B1 publication Critical patent/KR101790719B1/ko

Links

Images

Classifications

    • G06K9/00362—
    • 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
    • A61B5/1036—Measuring load distribution, e.g. podologic studies
    • A61B5/1038—Measuring plantar pressure during gait
    • G06K9/627—

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Dentistry (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

본 발명은 보행 데이터에 기반한 대상자 식별 방법에 대하여 개시한다. 본 발명의 일면에 따른 대상자의 보행시 수집된 족저압(足底壓) 특징값 및 보행시간에 관련된 보행시간 특징값을 포함하는 보행 데이터를 이용하여 대상자를 식별하는 대상자 식별 방법은, 이전 족저압 특징값을 학습하여 기구축된 제1 보행모델을 기반으로 현재 족저압 특징값이 대상자의 것인지를 판단하는 제1 분류단계; 이전 보행시간 특징값을 학습하여 기구축된 제2 보행모델을 기반으로 현재 보행시간 특징값이 대상자의 것인지를 판단하는 제2 분류단계; 및 상기 제1 및 제2 분류단계의 판단결과의 정확도를 고려하여 제1 및 제2 분류 가중치를 각기 산출하고, 상기 제1 및 제2 분류 가중치를 이용하여 현재 보행 데이터가 대상자의 데이터인지를 최종적으로 판단하는 단계를 포함하는 것을 특징으로 한다.

Description

보행 데이터에 기반한 대상자 식별 방법{Method for identificating Person on the basis gait data}
본 발명은 생체 인식 기술에 관한 것으로서, 더 구체적으로는 걸음걸이에 대한 데이터를 기반하여 대상자를 식별하는 보행 데이터에 기반한 대상자 식별 방법에 관한 것이다.
패턴인식 중에서도 특히 생체인식의 대표적인 분야에는 지문인식, 홍채인식, 얼굴인식, 손 모양 인식 등이 있다.
이러한 인식 장치는 각 사용자의 데이터가 입력되면, 미리 구축된 참조 데이터베이스에서 가장 일치하는 사용자를 식별해 낸다.
종래의 생체인식 방법은 신체적인 접촉이나 의도적인 인식 절차 등에 번거로운 처리가 필요하다. 이러한 절차는 사용자 불편 또는 사용자 거부감을 일으키는 문제점이 있다.
이러한 문제점을 방지하고자, 신발 발자국 압력 이미지를 입력받아, 참고 이미지와의 유사도를 비교하여 개인을 식별하는 장치가 개시된 바 있다.
한국등록특허 제10-1288949(등록일 2013.07.17)
본 발명은 전술한 바와 같은 기술적 배경에서 안출된 것으로서, 대상자의 보행 데이터의 특징을 이용하여 대상자를 식별할 수 있는 보행 데이터에 기반한 대상자 식별 방법을 제공하는 것을 그 목적으로 한다.
본 발명의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 발명의 일면에 따른 대상자의 보행시 수집된 족저압(足底壓) 특징값 및 보행시간에 관련된 보행시간 특징값을 포함하는 보행 데이터를 이용하여 대상자를 식별하는 대상자 식별 방법은, 이전 족저압 특징값을 학습하여 기구축된 제1 보행모델을 기반으로 현재 족저압 특징값이 대상자의 것인지를 판단하는 제1 분류단계; 이전 보행시간 특징값을 학습하여 기구축된 제2 보행모델을 기반으로 현재 보행시간 특징값이 대상자의 것인지를 판단하는 제2 분류단계; 및 상기 제1 및 제2 분류단계의 판단결과의 정확도를 고려하여 제1 및 제2 분류 가중치를 각기 산출하고, 상기 제1 및 제2 분류 가중치를 이용하여 현재 보행 데이터가 대상자의 데이터인지를 최종적으로 판단하는 단계를 포함하는 것을 특징으로 한다.
본 발명의 다른 면에 따른 대상자 식별 장치에 의한 대상자 식별 방법은, 센싱 기기에 의해 대상자의 양발의 하부 전단과 후반의 족저압 값 및 적어도 한 발의 3축 가속도 값을 감지하는 단계; 상기 센싱 기기로부터 일정기간 동안의 상기 족저압 값 및 상기 3축 가속도 값을 전달받아, 상기 족저압 값으로부터 대상자 한 걸음당 현재 압력 분포 특성 및 보행시간 특징값을 확인하는 단계; 및 이전 압력 분포 특성, 이전 보행시간 특징값 및 이전 3축 가속도 값 패턴을 학습하여 각기 구축된 제1 내지 제3 보행 모델에 대비한 상기 현재 압력 분포 특성, 보행시간 특징값 및 3축 가속도 값 패턴의 일치 여부를 확인하는 단계를 포함하는 것을 특징으로 한다.
본 발명에 따르면, 대상자의 걸음걸이에 의해 대상자를 식별할 수 있다.
도 1은 본 발명의 제1실시예에 따른 보행모델 생성 시스템을 도시한 구성도.
도 2는 본 발명의 실시예에 따른 보행시간을 설명하기 위한 도면.
도 3은 본 발명의 제2실시예에 따른 보행 데이터 기반의 보행자 식별 시스템을 도시한 구성도.
도 4는 본 발명의 제2실시예에 따른 가속도 값에 DTW 알고리즘을 적용하는 과정을 설명하기 위한 도면.
도 5는 본 발명의 제3실시예에 따른 대상자 식별 방법을 도시한 흐름도.
본 발명의 전술한 목적 및 그 이외의 목적과 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 것이며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 한편, 본 명세서에서 사용된 용어는 실시예들을 설명하기 위한 것이며 본 발명을 제한하고자 하는 것은 아니다. 본 명세서에서, 단수형은 문구에서 특별히 언급하지 않는 한 복수형도 포함한다. 명세서에서 사용되는 "포함한다(comprises)" 및/또는 "포함하는(comprising)"은 언급된 구성소자, 단계, 동작 및/또는 소자는 하나 이상의 다른 구성소자, 단계, 동작 및/또는 소자의 존재 또는 추가를 배제하지 않는다.
이제 본 발명의 실시예에 대하여 첨부한 도면을 참조하여 상세히 설명하기로 한다. 도 1은 본 발명의 제1실시예에 따른 보행모델 생성 시스템을 도시한 구성도이다.
도 1에 도시된 바와 같이, 본 발명의 제1실시예에 따른 보행모델 생성 시스템은 센싱 기기(1100) 및 보행모델 생성 장치(1200)를 포함한다.
센싱 기기(1100)는 대상자의 발 부위(신발)에 착용 가능한 웨어러블 기기로서, 대상자(개인)의 보행시에 양발의 압력 및 적어도 한 발의 3축 가속도 값을 감지한다.
센싱 기기(1100)는 복수의 압력센서(1110), 3축 가속도센서(1120), 제어부(1130) 및 저장부(1140)를 포함한다.
복수의 압력센서(1110)는 예컨대, 대상자의 양발 신발 밑창에, 적어도 두 개씩 부착되는데, 대상자의 보행에 관련되어 족저압을 감지하기 위해서 양발의 전단과 후단을 포함하는 복수부위에 부착되어, 기설정된 센싱 주기마다 양발 하부의 압력을 각기 검출한다.
이때, 압력센서의 센싱 주기는 1초에 100번 또는 그 이상일 수 있다.
3축 가속도센서(1120)는 대상자의 적어도 한 발의 일정부위에 고정되어, 대상자의 보행시 3축 가속도 값을 검출한다. 여기서, 3축의 x축은 각 발의 앞뒤, y축은 각 발의 좌우, z축은 각 발의 상하 방향일 수 있다. 이 같이, 3축 가속도센서(1120)는 대상자 양발에 구비될 수도 있지만, 이하의 명세서에서는 설명의 편의성을 위해서 대상자 한발에 구비되는 경우를 예로 들어 설명한다.
제어부(1130)는 압력센서(1110) 및 3축 가속도센서(1120)의 동작을 지시하며, 압력센서(1110) 및 3축 가속도센서(1120)에 의해 일정기간 동안 감지된 압력 및 3축 가속도 값을 시간정보와 함께 저장부(1140)에 저장시킨다.
제어부(1130)는 저장된 압력 및 3축 가속도 값을 다양한 유무선 통신 방식으로 보행모델 생성 장치(1200)로 전달할 수 있다. 제어부(1130)는 적어도 하나의 프로세싱 유닛을 포함할 수 있다.
보행모델 생성 장치(1200)는 일정기간 단위의 대상자 양발 압력 및 한발 3축 가속도 값을 전달받으면, 이를 이용하여 대상자별 보행 모델을 구축한다. 이하, 일정기간이 하루인 경우를 예로 들어 설명한다.
보행모델 생성 장치(1200)는 족압속성 검출부(1210), 속도속성 검출부(1220), 제1 학습부(1230), 제2 학습부(1240) 및 제3 학습부(1250)를 포함한다. 이하, 보행모델 생성 장치(1200)의 각 구성요소에 대하여 설명한다.
족압속성 검출부(1210)는 대상자의 한걸음에 반응한 양발의 압력센서별 압력 값의 합(TPi)을 산출한다.
Figure pat00001
상기 수학식 1에서, TPi는 i번째 센서에서 한 걸음 동안의 압력의 합, Tmax는 한 걸음 동안의 시간, Pi[t]는 i번째 센서에서 i 시간에 반응한 데이터 값, i는 센서의 위치번호이다.
족압속성 검출부(1210)는 양발의 한걸음에 반응한 센서별 압력 데이터의 합을 산출하고, 산출된 센서별 압력 데이터의 합을 수학식 2에 의해서 정규화한다.
Figure pat00002
수학식 2에서, MAX(d)는 하루 동안의 각 압력센서에 의해 감지된 전체 압력 값 중에서 최대값, MIN(d)는 전체 압력 값 중에서 최소값 및 di는 i번째 산출된 각 압력 데이터의 합이다.
전술한 과정을 거쳐, 족압속성 검출부(1210)는 대상자 한걸음마다 양발 압력센서별 압력 데이터의 합을 산출하고, 산출된 압력센서별 압력 데이터의 합을 한걸음별로 구분하여 대상자 각 걸음의 족압 분포 특성을 산출한다. 이때, 족압 분포 특성은 제1 학습부(1230)가 어느 위치의 압력센서에 대응하는 압력 데이터의 합인지를 구분할 수 있도록 압력센서별 압력 데이터의 합을 일정한 순서로 출력할 수 있다.
속도속성 검출부(1220)는 도 2와 같이, 하루 동안의 양발의 족압을 이용하여 보행시간에 관련된 정보를 추출하고, 보행시간에 관련된 정보를 이용하여 보행속도속성 정보를 산출한다.
일 예로서, 속도속성 검출부(1220)는 대상자 각 발에 대해 압력센서의 압력감지의 시작시각과 종료시각까지의 시간으로부터 각 발이 지면에 닿아있는 시간인 스탠스 시간(Stance time)을 검출할 수 있다. 또한, 속도속성 검출부(1220)는 대상자 각 발에 대해 압력센서의 압력감지의 종료시각과 압력감지의 시작시각으로부터 보행걸음 간의 간격인 스윙 시간(Swing time)을 검출할 수 있다.
그리고 속도속성 검출부(1220)는 전술한 수학식 2를 이용하여 스윙 시간과 스탠스 시간을 각기 정규화할 수 있다. 이때, MAX(d)는 산출된 하루 동안의 스윙 시간(또는 스탠스 시간) 중 최대값이고, MIN(d)는 하루 동안의 스윙 시간(또는 스탠스 시간) 중에서 최소값이며, di는 i번째 스윙 시간(또는 스탠스 시간)의 합이다.
속도속성 검출부(1220)는 한 걸음의 정규화된 스탠스 시간과 정규화된 스윙 시간의 비율을 대상자 각 걸음의 보행속도속성 정보로 산출할 수 있다. 여기서, 각 걸음의 보행속도속성 정보는 발별로 상이할 수 있어, 속도속성 검출부(1220)는 각 걸음에서 양발 보행속도속성 정보를 생성하여 출력할 수 있다. 이때, 양발 보행속도속성 정보는 어느 발의 정보인지를 구분하는 발 식별자 및 걸음의 시점을 구분하는 시간정보 등을 포함할 수 있다.
이때, 보행속도속성 정보는 왼발과 오른발의 보행시간(스윙 시간 및 스탠스 시간) 차이 등이 더 포함될 수 있다.
제1 학습부(1230)는 일정기간 동안의 대상자 각 걸음의 족압속성 정보를 훈련 데이터로 하여, 단일 클래스 기반 K-인접 알고리즘(k-Nearest Neighbors data description; KNNDD)으로 학습함에 따라 개인별 족압 보행모델을 구축한다.
이때, 제1 학습부(1230)는 대상자의 각 걸음에서 양발의 족압속성 정보를 각기 학습하여 개인별 보행족압에 대한 보행모델(제1 보행모델)을 구축할 수 있다.
제2 학습부(1240)는 일정기간 동안의 대상자 각 걸음의 보행속도속성 정보를 훈련 데이터로 입력받아, 단일 클래스 기반 K-인접 알고리즘으로 학습함에 따라 개인별 보행속도에 대한 보행모델(제2 보행모델)을 구축한다.
제3 학습부(1250)는 하루 동안의 일정 주기(예컨대, 1/1000초 단위)로 검출된 3축 가속도 값을 DTW 기반 K-인접 알고리즘으로 학습함에 따라 개인별 보행 가속도에 대한 보행모델(제3 보행모델)을 구축한다.
이때, 제3 학습부(1250)는 하기의 수학식 3과 같이 3축 가속도 값의 종합 값(E)을 학습할 수 있다. 이 경우, 보행모델 생성 장치(1200)는 3축 가속도 값을 이용하여 종합 값을 산출하는 가속도속성 검출부(미도시)를 더 포함한다.
Figure pat00003
이때, 식별하고자 하는 대상자가 복수 명일 경우, 보행모델 생성 장치(1200)는 대상자별로 각기 족압 분포 특성, 보행 기간 비(스탠스 시간 대 스윙스 시간 비) 및 가속도 패턴을 학습하여 이후 각 대상자를 식별하기 위한 제1 내지 제3 보행모델을 구축할 수 있다.
전술한 제1실시예에서는 대상자의 보행 데이터로부터 대상자의 보행 속성을 학습하여 보행모델을 구축하는 과정에 대하여 설명하였다. 이하에서는 도 3을 참조하여 보행모델을 기반으로 대상자를 식별하는 과정에 대하여 설명한다.
도 3은 본 발명의 제2실시예에 따른 보행 데이터 기반의 보행자 식별 시스템을 도시한 구성도이다.
도 3에 도시된 바와 같이, 보행 데이터 기반의 보행자 식별 시스템은 센싱 기기(1100') 및 대상자 식별 장치(1200')를 포함한다.
센싱 기기(1100')는 일정기간 단위로 대상자의 양발 족압 및 한발의 3축 가속도 값을 감지한다. 여기서, 일정기간은 도 1과 같이 전술한 일정기간과 상이할 수 있다.
대상자 식별 장치(1200')는 센싱 기기(1100')로부터의 양발 족압 및 한발의 3축 가속도 값 및 기구축된 제1 내지 제3 보행모델을 기반으로 대상자를 식별한다.
대상자 식별 장치(1200')는 족압속성 검출부(1210'), 속도속성 검출부(1220'), 제1 분류부(1230'), 제2 분류부(1240'), 제3 분류부(1250') 및 평가부(1260')를 포함한다. 이하, 대상자 식별 장치(1200')의 각 구성요소에 대하여 설명한다.
족압속성 검출부(1210')는 대상자의 양발 족압으로부터 각 걸음의 양발 족압 분포 특성을 검출한다.
속도속성 검출부(1220')는 대상자의 양발 족압으로부터 각 걸음의 보행시간 비를 검출한다. 족압속성 검출부(1210') 및 속도속성 검출부(1220')는 도 1에서 전술한 구성과 동일 또는 유사하므로 그에 대한 더 상세한 설명은 생략한다.
제1 분류부(1230')는 단일 클래스 기반 k-인접 분류 알고리즘을 기반으로 현재의 제1 대상자의 각 걸음의 양발 족압 분포 특성을 기학습된 제1 대상자의 제1 보행모델과 유사도를 비교하여 제1 대상자인지 여부를 식별한다.
상세하게는, 제1 분류부(1230')는 유클리디언 거리를 사용하여 제1 보행모델로부터 새로운 데이터(양발 족압 분포 특성)와 인접한 k 개의 인접 데이터 사이의 평균 거리(제1거리); 및 k 개의 인접 데이터들과 인접한 k 개의 인접 데이터 사이의 평균 거리(제2거리)를 각기 계산한다. 그리고 제1 분류부(1230')는 제1거리를 제2거리로 제산한 결과가 임계치보다 크면, 제1 대상자가 아닌 것으로 식별하고(false), 임계치 이하이면 제1 대상자인 것으로 식별할 수 있다(True).
제2 분류부(1240')는 단일 클래스 기반 k-인접 분류 알고리즘을 기반으로 현재의 제1 대상자의 각 걸음의 보행시간 비율을 기학습된 제1 대상자의 제2 보행모델과 유사도를 비교하여 제1 대상자인지 여부를 식별한다.
상세하게는, 제2 분류부(1240')는 유클리디언 거리(Euclidean distance)를 사용하여 제2 보행모델로부터 새로운 데이터(보행시간 비율)와 인접한 k 개의 인접 데이터 사이의 평균 거리(제3거리); 및 k 개의 인접 데이터들과 인접한 k 개의 인접 데이터 사이의 평균 거리(제4거리)를 각기 계산한다. 그리고 제2 분류부(1240')는 제3거리를 제4거리로 제산한 결과가 임계치보다 크면, 제1 대상자가 아닌 것으로 식별하고(false), 임계치 이하이면 제1 대상자인 것으로 식별할 수 있다(True).
제3 분류부(1250')는 DTW(Dynamic Time Warping) 알고리즘을 이용하여 하기 수학식 4와 같이 기학습된 제1 대상자의 3축 가속도 데이터(제3 보행모델)와 현재 3축 가속도 데이터 간의 유사도를 계산하고, k-인접 분류 기법을 기반으로 유사도를 이용하여 제1 대상자 여부를 식별한다.
Figure pat00004
Figure pat00005
상세하게는, 제3 분류부(1250')는 도 4와 같이, 계산된 DTW 값이 가장 작은 인접 이웃 k 개 패턴의 데이터들의 클래스를 확인하고, k 개 인접 이웃들의 클래스에 대한 대상자 판단 결과에 다수결 원칙을 적용하여 새로운 가속도 데이터의 대상자 여부를 확인한다.
예를 들어, k가 3인 경우, 제3 분류부(1250')는 계산된 DTW 값이 가장 작은 3개의 인접 이웃 데이터의 클래스에 대한 대상자 식별 결과 yes 2개, no 1개이면, 새로운 가속도 데이터를 yes로 분류하여, 제1 대상자인 것으로 판단할 수 있다.
이 같이, 제1 내지 제3 분류부(1230'~50')는 센싱 기기(1100')로부터의 양발 족압 및 한발의 3축 가속도 값을 전달받을 때 어느 대상자인지를 확인할지에 대한 정보인 대상자 식별정보(예컨대, 대상자 이름, 번호, 접속정보 등)를 전달받으므로, 제1 대상자에 대한 제1 보행모델과 비교할 수 있다.
이때, 제1 내지 제3 분류부(1230'~50')는 판단 결과에 대한 정확도를 계산하여 그 결과를 출력한다.
평가부(1260')는 제1 내지 제3 분류부(1230'~50')로부터 판단결과의 정확도를 입력받고, 각 분류부(1230'~50')의 참과 거짓의 정확도를 이용하여 제1 내지 제3 보행모델의 가중치를 각기 계산하여 그 총합을 산출한다. 이때, 평가부(1260')는 산출된 총합이 0보다 크면 대상자 본인인 것으로 식별하고, 0보다 작으면 대상자가 아닌 다른 사람인 것으로 식별할 수 있다.
예를 들어, 평가부(1260')는 제1 분류부(1230')의 true의 정확도가 45%, false의 정확도가 55%인 경우에는 하기의 수학식 5와 같이 true와 false의 정확도를 적용한 제1 분류부(1230')의 가중치는 -0.1이 된다.
Figure pat00006
마찬가지의 방식으로, 평가부(1260')는 제2 및 제3 분류부(1250')에 대해서도 가중치를 산출할 수 있다.
평가부(1260')는 제1 내지 제3 분류부(1230'~50')의 가중치의 총합이 0보다 크면, 제1 대상자인 것으로 판단할 수 있다. 반면, 평가부(1260')는 제1 내지 제3 분류부(1230'~50')의 가중치의 총합이 0보다 작으면, 현재 보행 데이터가 제1 대상자가 아닌 다른 사람의 것으로 판단할 수 있다.
한편, 전술한 제1 및 제2실시예에서는 보행모델 생성 장치(1200)와 대상자 식별 장치(1200')가 별개의 구성요소인 경우를 예로 들어 설명하였다. 하지만, 통상 보행모델 생성 장치(1200)와 대상자 식별 장치(1200')는 동일한 구성요소인 경우가 대부분이다. 즉, 최초에 보행 데이터를 입력받을 때에는 학습을 수행하는 보행모델 생성 장치(1200)로 동작하며, 이후 한번 이상의 학습이 수행된 이후에는 보행 데이터를 이용하여 대상자를 식별하는 대상자 식별 장치(1200') 및 보행 데이터에 대한 학습결과를 보행모델에 반영하는 보행모델 생성 장치(1200)로 동작한다. 이때, 제1 내지 제3 학습부(1230~1250)는 각기 제1 내지 제3 분류부(1230'~1250')에 대응될 수 있다.
이러한, 본 발명의 실시예는 출입 인증 시스템으로 이용될 수 있다. 상세하게는, 사용자는 출입에 근접하기 이전에 웨어러블 기기인 센싱 기기를 장착하고, 출입문에 근접하기 이전까지의 보행 데이터를 수집한다. 그리고 센싱 기기는 출입문에 도착하면 무선으로 출입문에 장착된 대상자 식별 장치로 수집된 데이터를 전달할 수 있다. 이때 사용자는 자신의 사증 등을 출입문에 인식시켜 대상자 식별 정보를 전달할 수 있다. 그러면, 대상자 식별 장치는 대상자 식별 정보에 대응하는 보행 모델을 기반으로 현재 수신된 보행 데이터의 유사도를 확인하는 과정을 거쳐 대상자의 출입 여부를 결정할 수 있다.
한편, 전술한 실시예에서는 대상자 식별에 족저압 분포, 보행시간 및 3축 가속도 값이 모두 사용되는 경우를 예로 들어 설명하였다. 그러나 본 발명의 실시예는 세 가지 데이터 중 두 가지 데이터(예컨대, 족저압 분포, 보행시간)만을 사용하여 대상자를 식별할 수도 있다.
이와 같이, 본 발명에서는 보행시 대상자 양발의 시간에 따른 압력 분포뿐만 아니라, 대상자 보행 보폭과 발 간의 보행시간 차이 및 더 나아가 양방의 진행 방향 등을 더 고려하여 대상자를 식별함에 따라 대상자 식별의 정확성을 향상시킬 수 있다. 이에, 본 발명의 실시예는 사용자 인증 등에 적용될 경우 보안성을 향상시킬 수 있다.
더 나아가, 본 발명의 실시예는 지문인식, 홍채 인식, 손모양 등과 같은 사용자 인증의 기술 분야를 더욱 다양화하고, 그에 따라 보안성을 향상시킬 수 있다.
한편, 전술한 실시예에서는 적어도 하나의 대상자의 보행 데이터를 학습하고, 학습 결과를 이용하여 대상자 여부를 식별하는 경우를 예로 들어 설명하였다. 하지만, 이와 달리, 본 발명의 실시예에 따른 대상자 식별 장치는 사용자의 건강관리에 이용될 수도 있다. 이하, 도 5를 참조하여 본 발명의 제3실시예에 따른 대상자 식별 방법에 대하여 설명한다.
도 5는 본 발명의 제3실시예에 따른 대상자 식별 방법을 도시한 흐름도이다. 도 5에서는 파킨슨병과 같이 근육 이상이 유발되는 병으로 인해 대상자 보행에 변화가 발생하는 대상자에게 적용되는 대상자 식별 방법에 대하여 설명한다.
도 5를 참조하면, 병을 진단받은 대상자는 현재의 몸 상태를 진단받기 위해서 센싱 기기(1100)를 장착하고 일정기간(예컨대, 10분) 걸음에 따라, 센싱 기기(1100)가 제1 기간의 보행 데이터를 수집하여 보행모델 생성 장치(1200)로 전달한다(S510). 여기서, 보행 데이터는 양발 족저압 및 적어도 한발의 가속도 값을 포함할 수 있다.
보행모델 생성 장치(1200)는 제1 기간의 보행 데이터를 학습하여 대상자의 족저압, 보행시간 및 3축 가속도에 관련된 제1 내지 제3 보행모델을 생성한다(S520).
이후, 대상자가 병의 경과상황을 진단받기 위해 센싱 기기(1100)를 장착하여 일정기간 걸으면, 센싱 기기(1100)는 제2 기간의 보행 데이터를 수집하여 대상자 식별 장치(1200')로 전달한다(S530).
그러면, 대상자 식별 장치(1200')는 제1 내지 제3 보행모델을 기반으로 제1 기간의 보행 데이터(족압 분포 특성 및 보행시간 비율)와 제2 기간의 보행 데이터의 비교하고, 비교결과를 이용하여 대상자 병의 경과 상황을 확인한다(S540).
예를 들면, 대상자 식별 장치(1200')는 제1 기간의 족압 분포 특성에서 제2 기간의 족압 분포 특성과 인접한 k 개의 이웃 인접 데이터의 평균 유클리디언 거리를 산출한다. 또한, 대상자 식별 장치(1200')는 k 개의 이웃 인접 데이터들과 인접한 k 개의 이웃 인접 데이터 사이의 평균 유클리디언 거리를 산출한다. 그리고 대상자 식별 장치(1200')는 전자의 평균 유클리디언 거리를 후자의 유클리디언 거리로 제산한 결과(유사도)를 이용하여 대상자의 족압 속성의 변화를 확인할 수 있다.
예를 들면, 대상자 식별 장치(1200')는 산출된 유사도가 1 또는 1 미만이면, 족압 속성에 큰 변화가 없는 것으로 판단하고, 유사도가 1보다 크면, 족압 속성이 변화된 것으로 판단할 수 있다.
마찬가지로, 대상자 식별 장치(1200')는 보행시간 비를 이용하여 보행시간속성의 변화 여부를 판단할 수 있다.
또한, 대상자 식별 장치(1200')는 DTW 알고리즘 및 k-인접 분류 알고리즘을 기반으로 기학습된 가속도 값 및 현재 가속도 값의 유사도를 확인하여 대상자의 가속도속성의 변화 여부를 확인할 수 있다.
이때, 대상자 식별 장치(1200')는 전술한 각 보행 변수에 대한 판단결과의 참 및 거짓의 정확도를 이용하여 최종적으로 대상자의 병의 경과 여부를 판별할 수 있다.
이를 위해서, 본 발명의 실시예에 따른 보행모델 생성 장치(1200) 또는 대상자 식별 장치(1200')는 파킨슨 등의 병의 진행상황에 따라 복수 환자의 보행 데이터를 기학습하고, 병의 진행상황별로 각 환자의 이전 보행 데이터와 현재 보행 데이터의 유사도가 어떻게 달라지는지를 확인하는 과정이 선행될 필요가 있다. 이러한 과정을 통해서, 병의 진행상황에 따라 족저압 속성, 보행시간 속성 및 가속도 속성의 가중치 기준은 설정될 수 있고, 대상자 식별 장치(1200')는 설정된 가중치 기준을 이용하여 대상자 병의 경과 여부를 판별할 수 있다.
한편, 전술한 예에서 센싱 기기(1100)는 대상자에 의해 구비되고, 대상자 식별 장치(1200')의 온라인 인터페이스 가능한 서버로 구축될 수 있다. 이 경우, 대상자는 자신의 집에서 센싱 기기(1100)를 장착한 후 보행 데이터를 확보하고, 보행 데이터를 온라인을 통해 대상자 식별 장치(1200')로 전송하고, 대상자 식별 장치(1200')는 온라인을 통해서 보행 데이터를 수신하면, 전술한 과정을 통해서 병의 경과 상황을 진단할 수 있다. 이때, 대상자 식별 장치(1200')는 센싱 기기(1100)의 고유 번호 또는 온라인 접속 정보 등을 이용하여 어느 대상자의 보행 데이터가 수신되었고, 데이터베이스 내 어떤 보행 모델을 이용하여 전술한 과정을 수행해야 할지를 알 수 있다. 이 같이, 본 발명의 실시예는 병의 진행상황을 원격으로 진단하는데 이용될 수도 있다.
이와 같이, 본 발명의 실시예는 대상자의 보행 데이터를 기반으로 대상자의 걸음걸이의 특징값을 학습하고, 이후 병의 경과 상황에 따라 재수집된 대상자의 보행 데이터를 이용하여 걸음걸이의 변화 여부를 판단함에 따라 대상자의 건강 상태를 진단할 수 있다.
이상, 본 발명의 구성에 대하여 첨부 도면을 참조하여 상세히 설명하였으나, 이는 예시에 불과한 것으로서, 본 발명이 속하는 기술분야에 통상의 지식을 가진자라면 본 발명의 기술적 사상의 범위 내에서 다양한 변형과 변경이 가능함은 물론이다. 따라서 본 발명의 보호 범위는 전술한 실시예에 국한되어서는 아니되며 이하의 특허청구범위의 기재에 의하여 정해져야 할 것이다.
1100, 1100': 센싱 기기, 1200: 보행모델 생성 장치
1200': 대상자 식별 장치

Claims (12)

  1. 대상자의 보행시 수집된 족저압(足底壓) 특징값 및 보행시간에 관련된 보행시간 특징값을 포함하는 보행 데이터를 이용하여 대상자를 식별하는 대상자 식별 방법으로서,
    이전 족저압 특징값을 학습하여 기구축된 제1 보행모델을 기반으로 현재 족저압 특징값이 대상자의 것인지를 판단하는 제1 분류단계;
    이전 보행시간 특징값을 학습하여 기구축된 제2 보행모델을 기반으로 현재 보행시간 특징값이 대상자의 것인지를 판단하는 제2 분류단계; 및
    상기 제1 및 제2 분류단계의 판단결과의 정확도를 고려하여 제1 및 제2 분류 가중치를 각기 산출하고, 상기 제1 및 제2 분류 가중치를 이용하여 현재 보행 데이터가 대상자의 데이터인지를 최종적으로 판단하는 단계
    를 포함하는 대상자 식별 방법.
  2. 제1항에서,
    일정기간 동안의 상기 대상자의 양발 하부의 전단과 후반에 구비된 복수의 압력센서에 의해 감지된 압력 값으로부터 상기 대상자 한걸음당 상기 이전 및 현재 족저압 특징값을 산출하는 단계
    를 더 포함하는 대상자 식별 방법.
  3. 제1항에서, 상기 제1 분류단계는,
    단일 클래스 기반 k-인접 분류 알고리즘을 이용하여 상기 제1 보행모델과 상기 현재 족저압 특징값의 유사도를 확인하여 상기 현재 족저압 특징값이 대상자의 것인지를 판단하는 단계를 각기 포함하는 것인 대상자 식별 방법.
  4. 제1항에서, 상기 제2 분류단계는,
    단일 클래스 기반 k-인접 분류 알고리즘을 이용하여 상기 제2 보행모델과 상기 현재 보행시간 특징값의 유사도를 확인하여 상기 현재 보행시간 특징값이 대상자의 것인지를 판단하는 단계를 각기 포함하는 것인 대상자 식별 방법.
  5. 제1항에서,
    일정기간 동안의 상기 대상자의 적어도 한 발에 구비된 3축 가속도센서에 의해 발의 전방과 후방, 좌우 및 상하 방향의 3축 가속도 값을 학습하여 구축된 제3 보행모델을 기반으로 현재 3축 가속도 값이 대상자의 것인지를 판단하는 제3 분류단계를 더 포함하는 대상자 식별 방법.
  6. 제5항에서, 상기 최종적으로 판단하는 단계는,
    상기 제1 내지 제3 분류단계의 판단결과의 참과 거짓의 정확도를 각기 이용해 제1 내지 제3 분류 가중치를 각기 산출하고, 각기 산출된 상기 제1 내지 제3 분류 가중치들을 종합하여 상기 현재 보행 데이터가 대상자의 것인지를 최종적으로 식별하는 것인 대상자 식별 방법.
  7. 제5항에서, 상기 제3 분류단계는,
    DTW(Dynamic Time Warping) 알고리즘 및 k-인접 분류 알고리즘에 기반하여 상기 제3 보행모델과 상기 현재 3축 가속도 값의 유사도를 확인하여 상기 현재 3축 가속도 값이 대상자의 것인지를 판단하는 것인 대상자 식별 방법.
  8. 대상자 식별 장치에 의한 대상자 식별 방법으로서,
    센싱 기기에 의해 대상자의 양발의 하부 전단과 후반의 족저압 값 및 적어도 한 발의 3축 가속도 값을 감지하는 단계;
    상기 센싱 기기로부터 일정기간 동안의 상기 족저압 값 및 상기 3축 가속도 값을 전달받아, 상기 족저압 값으로부터 대상자 한 걸음당 현재 압력 분포 특성 및 보행시간 특징값을 확인하는 단계; 및
    이전 압력 분포 특성, 이전 보행시간 특징값 및 이전 3축 가속도 값 패턴을 학습하여 각기 구축된 제1 내지 제3 보행 모델에 대비한 상기 현재 압력 분포 특성, 보행시간 특징값 및 3축 가속도 값 패턴의 일치 여부를 확인하는 단계를 포함하는 대상자 식별 방법.
  9. 제8항에서, 상기 대상자 한 걸음당 현재 압력 분포 특성을 확인하는 단계는,
    상기 족저압 값으로부터 대상자 한 걸음당 압력센서별 압력 값의 합을 이용하여 상기 대상자 한걸음당 압력 분포 특성으로 산출하는 단계를 포함하는 것인 대상자 식별 방법.
  10. 제8항에서, 상기 족저압 값으로부터 현재 대상자 한 걸음당 보행시간 특징값을 확인하는 단계는,
    상기 족저압 값으로부터 대상자의 각 발이 지면에 닿는 시간과 지면에 닿지 않는 시간인 상기 현재 보행시간 특징값을 검출하는 단계를 포함하는 것인 대상자 식별 방법.
  11. 제8항에서, 상기 일치 여부를 확인하는 단계는,
    상기 제1 보행모델로부터 상기 현재 압력 분포 특성과 인접한 k 개의 이웃 인접 데이터의 평균 유클리디언 거리인 제1거리를 산출하는 단계;
    상기 k 개의 이웃 인접 데이터들과 인접한 k 개의 인접 데이터 사이의 평균 유클리디언 거리인 제2거리를 산출하는 단계; 및
    상기 제1거리를 상기 제2거리로 제산한 결과를 기설정된 임계치를 초과하면 상기 현재 압력 분포 특성이 상기 대상자의 이전 압력 분포 특성과 일치한다고 판단하는 단계
    를 포함하는 것인 대상자 식별 방법.
  12. 제8항에서, 상기 일치 여부를 확인하는 단계는,
    상기 제2 보행모델로부터 상기 현재 스탠스와 스윙시간 특성과 인접한 k 개의 이웃 인접 데이터의 평균 유클리디언 거리인 제1거리를 산출하는 단계;
    상기 k 개의 이웃 인접 데이터들과 인접한 k 개의 인접 데이터 사이의 평균 유클리디언 거리인 제2거리를 산출하는 단계; 및
    상기 제1거리를 상기 제2거리로 제산한 결과를 기설정된 임계치를 초과하면, 상기 현재 보행시간 특징값이 상기 대상자의 이전 보행시간 특징값과 일치한다고 판단하는 단계
    를 포함하는 것인 대상자 식별 방법.
KR1020150142902A 2015-10-13 2015-10-13 보행 데이터에 기반한 대상자 식별 방법 KR101790719B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020150142902A KR101790719B1 (ko) 2015-10-13 2015-10-13 보행 데이터에 기반한 대상자 식별 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020150142902A KR101790719B1 (ko) 2015-10-13 2015-10-13 보행 데이터에 기반한 대상자 식별 방법

Publications (2)

Publication Number Publication Date
KR20170043308A true KR20170043308A (ko) 2017-04-21
KR101790719B1 KR101790719B1 (ko) 2017-10-26

Family

ID=58705444

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150142902A KR101790719B1 (ko) 2015-10-13 2015-10-13 보행 데이터에 기반한 대상자 식별 방법

Country Status (1)

Country Link
KR (1) KR101790719B1 (ko)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190105867A (ko) * 2018-03-06 2019-09-18 단국대학교 산학협력단 족저압 변화 및 보행 패턴 분석을 위한 장치 및 방법
KR20190136729A (ko) 2018-05-31 2019-12-10 단국대학교 산학협력단 스마트 인솔의 가속도 센서를 이용한 사용자 식별을 위한 장치 및 방법
KR20190136324A (ko) * 2018-05-30 2019-12-10 단국대학교 산학협력단 스마트 인솔의 압력 센서를 이용한 보행 패턴 분류를 위한 장치 및 방법
KR20200063795A (ko) * 2018-11-28 2020-06-05 단국대학교 산학협력단 보행 압력 데이터 및 머신러닝을 이용하는 보행 패턴 분류 시스템 및 방법
KR20200141752A (ko) * 2019-06-11 2020-12-21 한국과학기술연구원 보행 시간-주파수 분석에 기초한 개인 식별 방법 및 시스템
KR102194313B1 (ko) * 2019-07-22 2020-12-22 단국대학교 산학협력단 검출정보별 신경망 분석을 실시하여 개인을 식별하는 장치 및 방법
KR20210022375A (ko) * 2019-08-20 2021-03-03 단국대학교 산학협력단 검출정보별 판별 분석을 실시하여 개인을 식별하는 장치 및 방법
KR20210039572A (ko) * 2019-10-02 2021-04-12 주식회사 지앤아이티글로벌 신경망 모델을 이용한 지층 분류 방법 및 이를 수행하는 장치
CN112800267A (zh) * 2021-02-03 2021-05-14 大连海事大学 一种细粒度鞋印图像检索方法
CN114287917A (zh) * 2021-11-30 2022-04-08 广州幻境科技有限公司 一种人体下肢的动作识别模型的构建方法和系统
KR20230064003A (ko) 2021-11-01 2023-05-10 (주)엠더블유스토리 스마트인솔 지오펜스 기술을 이용한 치매노인 원격 관리 시스템

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP6044670B2 (ja) * 2015-04-23 2016-12-14 Tdk株式会社 歩行分析装置

Cited By (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20190105867A (ko) * 2018-03-06 2019-09-18 단국대학교 산학협력단 족저압 변화 및 보행 패턴 분석을 위한 장치 및 방법
KR20190136324A (ko) * 2018-05-30 2019-12-10 단국대학교 산학협력단 스마트 인솔의 압력 센서를 이용한 보행 패턴 분류를 위한 장치 및 방법
KR20190136729A (ko) 2018-05-31 2019-12-10 단국대학교 산학협력단 스마트 인솔의 가속도 센서를 이용한 사용자 식별을 위한 장치 및 방법
KR20200063795A (ko) * 2018-11-28 2020-06-05 단국대학교 산학협력단 보행 압력 데이터 및 머신러닝을 이용하는 보행 패턴 분류 시스템 및 방법
KR20200141752A (ko) * 2019-06-11 2020-12-21 한국과학기술연구원 보행 시간-주파수 분석에 기초한 개인 식별 방법 및 시스템
KR102194313B1 (ko) * 2019-07-22 2020-12-22 단국대학교 산학협력단 검출정보별 신경망 분석을 실시하여 개인을 식별하는 장치 및 방법
KR20210022375A (ko) * 2019-08-20 2021-03-03 단국대학교 산학협력단 검출정보별 판별 분석을 실시하여 개인을 식별하는 장치 및 방법
KR20210039572A (ko) * 2019-10-02 2021-04-12 주식회사 지앤아이티글로벌 신경망 모델을 이용한 지층 분류 방법 및 이를 수행하는 장치
CN112800267A (zh) * 2021-02-03 2021-05-14 大连海事大学 一种细粒度鞋印图像检索方法
KR20230064003A (ko) 2021-11-01 2023-05-10 (주)엠더블유스토리 스마트인솔 지오펜스 기술을 이용한 치매노인 원격 관리 시스템
CN114287917A (zh) * 2021-11-30 2022-04-08 广州幻境科技有限公司 一种人体下肢的动作识别模型的构建方法和系统
CN114287917B (zh) * 2021-11-30 2023-12-01 幻境(珠海)科技有限公司 一种人体下肢的动作识别模型的构建方法和系统

Also Published As

Publication number Publication date
KR101790719B1 (ko) 2017-10-26

Similar Documents

Publication Publication Date Title
KR101790719B1 (ko) 보행 데이터에 기반한 대상자 식별 방법
Dikovski et al. Evaluation of different feature sets for gait recognition using skeletal data from Kinect
US11047706B2 (en) Pedometer with accelerometer and foot motion distinguishing method
Dubois et al. A gait analysis method based on a depth camera for fall prevention
CN104091177B (zh) 一种基于确定学习理论的异常步态检测方法
US20060228005A1 (en) Information processing apparatus and information processing method
KR102107379B1 (ko) 3축 동작측정기를 이용한 노쇠 예측 방법, 3축 동작측정기를 이용한 노쇠 예측 시스템 및 웨어러블 노쇠 예측 장치
KR101858116B1 (ko) 자세균형 훈련 시스템
US20020028003A1 (en) Methods and systems for distinguishing individuals utilizing anatomy and gait parameters
KR102124095B1 (ko) 족저압 변화 및 보행 패턴 분석을 위한 장치 및 방법
Zhou et al. The carpet knows: Identifying people in a smart environment from a single step
Zhao et al. Recognition of human fall events based on single tri-axial gyroscope
KR20190048351A (ko) 운동량 체크를 위한 스마트 헬스케어 시스템
WO2021094774A1 (en) Method of authenticating the identity of a user wearing a wearable device
US9420963B2 (en) Apparatus and method for recognizing user's posture in horse-riding simulator
Jung et al. Dynamic footprint‐based person recognition method using a hidden markov model and a neural network
Shi et al. Fall detection system based on inertial mems sensors: Analysis design and realization
Taghvaei et al. Image-based fall detection and classification of a user with a walking support system
Wang et al. Recognition of the Gait Phase Based on New Deep Learning Algorithm Using Multisensor Information Fusion.
TWI681756B (zh) 步態辨識系統及步態辨識方法
Gaud et al. Human gait analysis and activity recognition: A review
Hemmatpour et al. Polynomial classification model for real-time fall prediction system
Iskandar et al. Shallow and deep learning in footstep recognition: A survey
CN109543762A (zh) 一种多特征融合姿态识别系统及方法
Takeda et al. Biometrics personal identification by wearable pressure sensor

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant