KR20210022375A - 검출정보별 판별 분석을 실시하여 개인을 식별하는 장치 및 방법 - Google Patents

검출정보별 판별 분석을 실시하여 개인을 식별하는 장치 및 방법 Download PDF

Info

Publication number
KR20210022375A
KR20210022375A KR1020190101807A KR20190101807A KR20210022375A KR 20210022375 A KR20210022375 A KR 20210022375A KR 1020190101807 A KR1020190101807 A KR 1020190101807A KR 20190101807 A KR20190101807 A KR 20190101807A KR 20210022375 A KR20210022375 A KR 20210022375A
Authority
KR
South Korea
Prior art keywords
unit
discriminant analysis
data
information
user
Prior art date
Application number
KR1020190101807A
Other languages
English (en)
Other versions
KR102302234B1 (ko
KR102302234B9 (ko
Inventor
최상일
Original Assignee
단국대학교 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 단국대학교 산학협력단 filed Critical 단국대학교 산학협력단
Priority to KR1020190101807A priority Critical patent/KR102302234B1/ko
Publication of KR20210022375A publication Critical patent/KR20210022375A/ko
Application granted granted Critical
Publication of KR102302234B1 publication Critical patent/KR102302234B1/ko
Publication of KR102302234B9 publication Critical patent/KR102302234B9/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
    • A61B5/117—Identification of persons
    • 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
    • A61B5/112—Gait analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor

Landscapes

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

Abstract

본 발명은 다양한 종류의 센서가 내장된 스마트 인솔을 이용하여 보행 정보를 수집하고, 센서 종류별로 판별 분석을 실시하며, 분석된 정보를 이용하여 개인을 식별하는 기술로서, 보행에 의한 운동 정보 검출 센서를 포함하는 스마트 인솔로부터 사용자의 보행 데이터를 수신하는 정보 수집부, 정보 수집부에서 수신된 보행 데이터 중 센서의 종류별로 판별 분석(discriminant analysis)을 실시하고, 판별 분석 결과를 이용하여 사용자의 신분을 식별하는 분류부를 포함한다.

Description

검출정보별 판별 분석을 실시하여 개인을 식별하는 장치 및 방법 {APPARATUS AND METHOD FOR IDENTIFYING INDIVIDUALS BY PERFORMING DISCRIMINANT ANALYSIS FOR VARIOUS DETECTION INFORMATION}
본 발명은 검출정보별 판별 분석을 실시하여 개인을 식별하는 장치 및 방법에 관한 것으로서, 보다 상세하게는 다양한 종류의 센서가 내장된 스마트 인솔을 이용하여 보행 정보를 수집하고, 센서 종류별로 판별 분석을 실시하며, 분석된 정보를 이용하여 개인을 식별하는 기술이다.
보행(gait)의 패턴은 사람의 신체 활동에 대한 많은 정보를 담고 있다. 보행의 패턴에 문제가 발생 할 경우 관절의 변형 등의 근골격계 질환뿐만 아니라 지능 장애, 치매, 우울증 등의 정신적 질환까지 유발할 수 있기 때문에 보행패턴의 분석은 헬스케어, 스포츠 분석, 행동 분석 등의 다양한 응용 분야에서 많은 관심을 받고 있다.
보행형태 분류시스템은 센서데이터를 취득하는 센서 모듈과 취득된 데이터를 기반으로 분류결과를 계산하는 어플리케이션 모듈로 구성된다. 보행분류에 이용되는 센서로는 주로 비디오 센서, EMG(electromyographic)센서, 족저압(plantar pressure)센서, 가속도센서, 자이로 센서 등이 있다. 하지만 대부분의 센서들은 센서의 크기, 설치의 불편함과 같은 제약으로 인해 제한된 환경에서만 보행데이터를 측정할 수밖에 없는 한계가 존재했다. 최근 웨어러블 센서 기술의 발전은 보행데이터의 측정에 사용할 장비의 경량화 및 간소화를 이끌어내었다.
다양한 종류의 센서를 이용하여 측정한 보행데이터를 바탕으로 보행의 패턴을 분석하는 방법들이 제안되어 왔다. 압력센서와 자이로스코프 센서를 이용하여 직선과 곡선의 보행을 구분하는 방법, 가속도 센서만을 사용해서 걷기, 옆으로 걷기, 뛰기에 대한 보행데이터를 수집한 후, 보행 횟수와 실제로 움직인 거리를 계산하는 방법이 제안되었다.
한편, 동일한 종류의 정상적인 보행에서도 개인에 따라 다른 특성을 나타내기 때문에 보행패턴은 얼굴인식, 지문인식 등과 같은 생체인식(biometrics) 용도로도 이용될 수 있다. 기존의 생체인식을 위한 보행의 분석들은 주로 비디오 시퀀스(sequence)로부터의 모션 분석에 의해 이루어져 왔다. 그러나 이러한 방법들은 보행자가 카메라 앞에 홀로 노출되어야 하고, 카메라의 각도에 따라 정확도가 달라질 수 있기 때문에 다양한 환경에서 사용자를 인식하는 위한 용도로 사용하기에는 여러 제약이 있다.
등록특허공보 제10-1583369호
이에 본 발명은 상기와 같은 종래의 제반 문제점을 해소하기 위해 제안된 것으로, 본 발명의 목적은 다양한 종류의 센서가 내장된 스마트 인솔을 이용하여 보행 정보를 수집하고, 센서 종류별로 판별분석을 실시하며, 분석된 정보를 이용하여 개인을 식별하는 장치 및 방법을 제공하기 위한 것이다.
상기와 같은 목적을 달성하기 위하여 본 발명의 기술적 사상에 의한 검출정보별 판별 분석을 실시하여 개인을 식별하는 장치는, 보행에 의한 운동 정보 검출 센서를 포함하는 스마트 인솔로부터 사용자의 보행 데이터를 수신하는 정보 수집부; 상기 정보 수집부에서 수신된 보행 데이터 중 센서의 종류별로 판별 분석(discriminant analysis)을 실시하고, 상기 판별 분석 결과를 이용하여 상기 사용자의 신분을 식별하는 분류부를 포함하는 것을 특징으로 한다.
또한, 상기 분류부는, 상기 정보 수집부에서 수신된 보행 데이터를 센서 종류별로 판별 분석을 실시하는 특징 추출부; 상기 특징 추출부의 판별 분석 결과를 종합 분석하여 사용자의 신분을 식별하는 개인식별부를 포함하는 것을 특징으로 할 수 있다.
또한, 상기 특징 추출부의 판별 분석은 NLDA(Null-space linear discriminant analysis) 방법인 것을 특징으로 할 수 있다.
또한, 상기 특징 추출부는 센서 종류별 보행 데이터를 NLDA에 적용하여 단일 모달(single-modal) 특징을 추출하고, 상기 개인식별부는 상기 센서 종류별 단일 모달(single-modal) 특징의 분별력을 평가하여 사용자 식별에 이용될 결합된 특징을 생성하는 것을 특징으로 할 수 있다.
또한, 상기 특징 추출부는 보행 데이터의 샘플
Figure pat00001
에 대한 특징 벡터
Figure pat00002
를
Figure pat00003
으로 연산하는 것을 특징으로 할 수 있다(이때,
Figure pat00004
는
Figure pat00005
개의 투영벡터
Figure pat00006
으로 구성된 투영행렬).
또한, 상기 개인식별부는 라플라시안 점수(laplacian score)를 이용하여 상기 단일 모달 특징의 분별력(discrimination)을 판단하는 것을 특징으로 할 수 있다.
또한, 상기 개인식별부는, 상기 라플라시안 점수를 이용하여 상기 단일 모달 특징 중 분별 정보가 많은 순서대로 입력하여 다중 모달 특징 벡터(multi-modal feature vector)를 연산하며, 상기 다중 모달 특징 벡터의 값을 이용하여 상기 사용자의 신분을 식별하는 것을 특징으로 할 수 있다.
또한, 상기 개인식별부는 상기 다중 모달 특징 벡터를 One-NN 규칙(One-Nearest Neighborhood rule)에 입력하여 상기 사용자의 신분을 식별하는 것을 특징으로 할 수 있다.
또한, 상기 개인식별부의 One-NN 규칙은 거리 측정(distance measure)에 유클리디안 거리(Euclidean distance)를 이용하는 것을 특징으로 할 수 있다.
또한, 상기 정보 수집부가 수신한 보행 데이터에서 단위 걸음의 구간을 정의하여 각 단위 걸음에 대한 데이터를 분할하고, 분할된 데이터의 길이가 모두 같도록 정규화(normalize)하는 전처리부를 더 포함하는 것을 특징으로 할 수 있다.
또한, 상기 전처리부는 센서 종류별 단위 걸음에 대한 검출 값을 배열로 나타내고, 사전 순서 연산자(lexicographic ordering operator)를 이용하여 각 배열을 일렬의 정보로 변환하는 것을 특징으로 할 수 있다.
또한, 상기 전처리부는 0 내지 0.1 사이의 랜덤 넘버를 더해주는 정규화(regularization)를 수행함으로써 순위 부족으로 발생하는 고유값 분해(eigenvalue decomposition)의 불안정성 문제를 해결하는 것을 특징으로 할 수 있다.
한편, 상기와 같은 목적을 달성하기 위하여 본 발명의 기술적 사상에 의한 검출정보별 판별 분석을 실시하여 개인을 식별하는 방법은, 정보수집부가 보행에 의한 운동 정보 검출 센서를 포함하는 스마트 인솔로부터 사용자의 보행 데이터를 수신하는 단계; 전처리부가 상기 보행 데이터에서 단위 걸음의 구간을 정의하여 각 단위 걸음에 대한 데이터를 분할하고, 분할된 데이터의 길이가 모두 같도록 정규화(normalize)하는 단계; 분류부가 정규화된 보행 데이터 중 센서의 종류별로 판별 분석(discriminant analysis)을 실시하고, 판별 분석 결과를 이용하여 사용자의 신분을 식별하는 단계를 포함하는 것을 특징으로 한다.
또한, 상기 분류부가 정규화된 보행 데이터 중 센서의 종류별로 판별 분석을 실시하고, 판별 분석 결과를 이용하여 사용자의 신분을 식별하는 단계는, 상기 정보 수집부에서 수신된 보행 데이터를 센서 종류별로 판별 분석을 실시하는 단계; 상기 판별 분석의 결과를 종합 분석하여 사용자의 신분을 식별하는 단계를 포함하는 것을 특징으로 할 수 있다.
또한, 상기 판별 분석은 NLDA(Null-space linear discriminant analysis) 방법인 것을 특징으로 할 수 있다.
또한, 상기 정보 수집부에서 수신된 보행 데이터를 센서 종류별로 판별 분석을 실시하는 단계는 센서 종류별 보행 데이터를 NLDA에 적용하여 단일 모달(single-modal) 특징을 추출하고, 상기 판별 분석의 결과를 종합 분석하여 사용자의 신분을 식별하는 단계는 상기 센서 종류별 단일 모달(single-modal) 특징의 분별력을 평가하여 사용자 식별에 이용될 결합된 특징을 생성하는 것을 특징으로 할 수 있다.
또한, 상기 정보 수집부에서 수신된 보행 데이터를 센서 종류별로 판별 분석을 실시하는 단계는, 보행 데이터의 샘플
Figure pat00007
에 대한 특징 벡터
Figure pat00008
를
Figure pat00009
으로 연산하는 것을 특징으로 할 수 있다(이때,
Figure pat00010
는
Figure pat00011
개의 투영벡터
Figure pat00012
으로 구성된 투영행렬).
또한, 상기 판별 분석의 결과를 종합 분석하여 사용자의 신분을 식별하는 단계는, 라플라시안 점수(laplacian score)를 이용하여 상기 단일 모달 특징의 분별력(discrimination)을 판단하는 것을 특징으로 할 수 있다.
또한, 상기 판별 분석의 결과를 종합 분석하여 사용자의 신분을 식별하는 단계는, 상기 라플라시안 점수를 이용하여 상기 단일 모달 특징 중 분별 정보가 많은 순서대로 입력하여 다중 모달 특징 벡터(multi-modal feature vector)를 연산하는 단계, 상기 다중 모달 특징 벡터의 값을 이용하여 상기 사용자의 신분을 식별하는 단계를 포함하는 것을 특징으로 할 수 있다.
또한, 상기 전처리부가 상기 보행 데이터에서 단위 걸음의 구간을 정의하여 각 단위 걸음에 대한 데이터를 분할하고, 분할된 데이터의 길이가 모두 같도록 정규화(normalize)하는 단계는, 센서 종류별 단위 걸음에 대한 검출 값을 배열로 나타내는 단계; 사전 순서 연산자(lexicographic ordering operator)를 이용하여 상기 각 배열을 일렬의 정보로 변환하는 단계를 포함하는 특징으로 할 수 있다.
본 발명에 의한 검출정보별 판별 분석을 실시하여 개인을 식별하는 장치 및 방법에 따르면,
첫째, 본 발명은 발에 착용하는 웨어러블 센서를 이용하기 때문에 영상 분석을 이용하는 방법보다 사용 환경의 제약이 거의 없는 효과가 있다.
둘째, 본 발명이 이용하는 가속도 센서 등의 웨어러블 센서 데이터는 비디오 데이터에 비해 볼륨이 현저히 적기 때문에 보다 적은 컴퓨팅성능(computing power)으로도 실시간 인식이 가능한 효과가 있다.
셋째, 본 발명은 판별 분석 기반의 특징 추출 방법을 이용함에 따라 대량의 데이터 확보가 필요한 심층학습 네트워크보다 적은 학습양으로 높은 분류율을 나타낼 수 있다.
넷째, 본 발명은 판별 분석 기반의 특징 추출 방법을 이용함에 따라 종래의 심층학습 네트워크보다 현저히 적은 컴퓨팅성능(computing power)으로도 개인 식별의 연산을 신속히 수행할 수 있는 효과가 있다.
도 1은 본 발명의 실시예에 따른 검출정보별 판별 분석을 실시하여 개인을 식별하는 장치의 구성도.
도 2는 스마트 인솔 FootLogger의 조립도.
도 3은 본 발명의 실시예가 보행 주기를 스탠스 단계와 스윙 단계로 구분한 것을 나타낸 도면.
도 4는 FootLogger 인솔을 이용하여 검출된 센서 값이 보행 패턴 분석 전 정렬되고, 정규화 및 규칙화되는 상태를 나타낸 도면.
도 5는 이 실시예의 전체 프로세스를 개략적으로 나타낸 도면.
도 6은 본 발명의 실시예에 따른 검출정보별 판별 분석을 실시하여 개인을 식별하는 방법의 순서도.
도 7은 S160 단계를 구체적으로 나타낸 순서도.
도 8은 스마트 인솔로 측정한 14명의 단위 걸음 데이터에 대해 입력 데이터 공간과 다중 모달 특징 공간에서 각 단계의 데이터 샘플을 2차원적으로 나타낸 도면.
도 9는 특징 공간의 다양한 차원에 대한 인식율을 나타낸 도면.
도 10은 압력 센서와 가속도 센서 각각의 단일 모달 특징과 다중 모달 특징의 k에 대한 인식률을 나타낸 도면.
첨부한 도면을 참조하여 본 발명의 실시예들에 의한 검출정보별 판별 분석을 실시하여 개인을 식별하는 장치 및 방법에 대하여 상세히 설명한다. 본 발명은 다양한 변경을 가할 수 있고 여러 가지 형태를 가질 수 있는바, 특정 실시예들을 도면에 예시하고 본문에 상세하게 설명하고자 한다. 그러나 이는 본 발명을 특정한 개시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.
또한, 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가지고 있다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥 상 가지는 의미와 일치하는 의미를 가지는 것으로 해석되어야 하며, 본 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
본 발명의 실시예에 따른 검출정보별 판별 분석을 실시하여 개인을 식별하는 장치 및 방법은 스마트 인솔(1)에 장착된 여러 종류의 센서 데이터를 이용하여 개인을 식별하는 방법을 제안한다. 종래 기술들은 보행 타입 분류를 위해 보행 영상을 분석하거나, 웨어러블 센서들을 다리, 허리 등에 부착하였지만, 본 발명의 실시예는 인솔의 웨어러블 센서 데이터에 대한 판별 분석을 통해 보행 데이터를 가지고 사용자를 식별하는 점에서 종래기술과 차별된다. 이 실시예는 웨어러블 센서를 사용하기 때문에 사용자가 군중 속에 있거나, 계측할 수 있는 지정된 장소에 있어야 하는 등의 사용 환경의 제약이 거의 없다. 또한, 가속도 센서 등의 웨어러블 센서 데이터는 비디오 데이터에 비해 용량이 적기 때문에 실시간 인식이 가능한 장점이 있다.
먼저, 스마트 인솔(1)의 센서에서 측정된 데이터가 사용자 식별을 위한 판별 분석에 적합한 형태로 전처리된다. 보행은 같은 사람이라도 당일의 컨디션과 걷는 당시의 상황에 따라 걷는 속도가 다르다. 이를 테면, 출근 시간과 산책 하는 동안의 보행 속도는 차이가 있을 수 있으며, 이러한 특성은 같은 클래스 내에서의 데이터 변이를 크게 만들어 사용자 식별 성능을 위한 보행 특징 추출을 어렵게 한다. 따라서 이 실시예의 전처리 과정에서는 연속적인 보행 데이터를 단위 걸음으로 분할하고 속도 변이의 영향을 없애기 위해 단위 걸음들을 동일한 길이로 정규화하였다. 또한, 특징 추출 과정에서 발생 할 수 있는 순위 부족(rank deficiency) 문제를 피하기 위해 랜덤 노이즈를 추가하는 규칙화(regularization) 과정을 더 수행하였다.
전처리 과정에서는 연속적인 보행 데이터에서 보행 주기의 스윙 단계(swing phase)를 찾고 이를 기준으로 단위 걸음을 분할하였다. 전처리된 압력 센서 측정 데이터와 가속도 센서 측정 데이터는 사전편찬식 선호(lexicopraphic ordering)를 이용하여 각각 벡터 형태로 변환하였다.
보행 패턴의 특징을 추출하기 위해 통계적 기반의 여러 차원 축소 방법을 적용할 수 있다. 각 센서는 10Hz의 샘플링율로 데이터를 측정하기 때문에 보행 데이터는 고차원의 데이터이다. 따라서 이 실시예는 판별 분석 기반의 특징 추출 방법들 중에서 영상 데이터와 같은 고차원 데이터에 효과적인 NLDA(Nullspace linear discriminant analysis)를 이용하여 사용자 식별에 유용한 판별 특징(discriminant feature)을 추출하였다. 이 실시예는 압력 센서와 가속도 센서 각각에 대해 NLDA를 적용하여 단일 모달(single-modal) 특징 공간을 구성하고, 압력 센서와 가속도 센서 각각의 특징벡터를 얻는다. 그런 다음, 특징벡터를 구성하는 모든 특징들은 판별거리 척도(FSDD)를 이용하여 특징들이 갖고 있는 분별 정보의 크기대로 재배열하여 사용자 식별을 위한 최종적인 다중 모달(multi-modal) 특징 벡터를 구성하였다.
본 발명의 실시예는 각 구성이 하나의 컴퓨터장치에서 실행되거나, 네트워크로 연결된 복수의 컴퓨터장치에 분산되어 설치 및 실행되는 방법으로 실시될 수 있다.
20~30대 성인 14명이 스마트 깔창을 착용하고 3분간 걸으면서 데이터를 측정하였으며, 실험을 통해 제안한 방법이 우수하게 사용자를 식별하는 것을 확인하였다.
도 1을 참조하면, 본 발명의 실시이예에 따른 검출정보별 판별 분석을 실시하여 개인을 식별하는 장치는, 보행에 의한 운동 정보 검출 센서를 포함하는 스마트 인솔로부터 사용자의 보행 데이터를 수신하는 정보 수집부(10)를 포함한다.
또한, 정보 수집부(10)에서 수신된 보행 데이터 중 센서의 종류별로 판별 분석(discriminant analysis)을 실시하고, 판별 분석 결과를 이용하여 사용자의 신분을 식별하는 분류부(40)를 포함한다.
또한, 정보 수집부(10)가 수신한 보행 데이터에서 단위 걸음의 구간을 정의하여 각 단위 걸음에 대한 데이터를 분할하고, 분할된 데이터의 길이가 모두 같도록 정규화(normalize)하는 전처리부(20)를 더 포함한다.
도 2를 참조하면, 이 실시예의 정보 수집부(10)가 보행 데이터를 수신하는 인솔(1)은 쓰리엘랩스(3L-Labs)에서 제작한 FootLogger라는 스마트 인솔(1)을 이용하였다. FootLogger는 8개의 압력 센서, 3축 가속도 센서 및 자이로 센서를 내장하고 있으며, 양 쪽 신발에 각각 장착된 깔창의 센서들은 동시에 100Hz의 샘플링율로 데이터를 측정한다. 압력 센서는 발바닥의 앞쪽 좌우에 3개씩, 뒤꿈치 쪽에 2개가 배치되어 있다. 압력 센서는 압력의 세기에 따라 0, 1, 2의 값으로 측정되며 0은 압력이 없는 상태, 즉 발이 지면에서 떨어진 상태를 의미하고, 1과 2는 스탠스 단계(stance phase)의 발이 지면을 디디고 있는 상태에서 센서가 위치한 부위에서의 압력의 세기를 의미한다.
이 실시예가 이용한 FootLogger는 스마트 인솔(1) 중 하나일 뿐이다. 본 발명은 다양한 센서를 포함하는 다른 스마트 인솔(1) 기성품이 이용되어도 되며, 신규하게 제작된 스마트 인솔(1)도 이용 가능하다.
또한, 이 실시예는 두 종류의 센서(압력 센서, 가속도 센서)를 이용하는 것으로 설명하고 있으나, 자이로센서, 온도센서, 습도센서, 지자기센서 등 다른 종류의 센서를 이용하는 것도 충분히 가능하다. 또한, 이 실시예가 이용하는 스마트 인솔(1)은 압력 센서가 8개 설치되어 있으나, 본 발명이 센서의 수는 이것으로 한정되지 않는다.
도 3을 참조하면, 보행 데이터는 보행자가 걷는 동안 측정되는 일종의 시간 신호(time signal)이다. 보행은 일련의 동작이 반복되며 이루어지기 때문에, 이 실시예는 보행패턴의 특징을 반복되는 주기로부터 추출하였다. 보행에서 반복되는 최소 주기를 보행 주기라고 부르는데, 일반적으로 보행주기는 한쪽 발이 지면에 닿는 순간부터 지면에서 떨어졌다가 다시 지면에 닿기까지의 동작을 의미한다. 보행주기는 보통 한 쪽 발을 기준으로 했을 때, 다시 크게 발이 지면에 닿는 스탠스 단계(stance phase)와 발이 지면에서 떨어져 앞으로 움직이는 스윙 단계(swing phase)로 구분되며, 보다 구체적으로 7단계(heel strike, foot flat, mid stance, heel off, toe off, mid swing, late swing)로 구분하기도 한다.
먼저, 이 실시예에 따른 전처리부(20)의 걸음단위 설정부(22)는 보행이 시작하는 시점과 종료되는 시점을 찾기 위해, 한 쪽 발의 인솔에 장착된 모든 압력센서의 값이 0이 되는 스윙 단계(Swing phase)의 시작점을 기준으로 보행 주기를 검출하여 연속적으로 측정된 보행 데이터를 단위 걸음별로 분할한다.
도 4를 참조하면, 전처리부(20)의 정보 배열부(23)는 단위 걸음 데이터 샘플을 압력 센서 어레이, 가속도 센서 어레이 각각에 대해 양 쪽 발의 센서값들을 시간축(t)에 나란히 배열하여 2차원 행렬 형태로 저장한다. 행렬의 열(column)은 센서의 인덱스이고, 행(row)는 측정된 시점(time point)를 의미한다. 한 쪽 발당 8개의 센서로 구성된 압력 센서 어레이는 총 16열이고, 가속도 센서 어레이는 6열로 구성된다.
보행의 속도는 개인별로 다르기 때문에 사람을 구분 짓는 특성이 될 수도 있지만, 같은 사람이라도 시간과 상황에 따라 다른 속도로 걷기 때문에 데이터의 클래스 내 변동(within class variation)을 증가시키는 요인이 될 수 있다. 따라서 전처리부(20)의 정규화부(26)는 보행 측정 당시의 환경적 변수를 제거하기 위해 분할된 단위걸음의 시간 길이가 같도록 리사이징한다(t=63). 그 결과, 이 실시예는 압력 센서 어레이와 가속도 센서 어레이의 정규화된 단위 걸음에 대한 측정값은 각각 63×16, 63×3의 배열이 되었다.
한편, 대부분의 통계적 기반의 특징 추출 방법들은 데이터의 공분산 행렬 형태의 산란 행렬과 이를 이용한 목적함수를 정의한다. 따라서 이러한 방법들을 이용하기 위해, 정규화부(26)는 배열 형태의 각 센서 데이터를 사전 순서 연산자(lexicographic ordering operator)를 이용하여 일렬의 정보로 저장한다. 이 실시예는 압력 센서 어레이와 가속도 센서 어레이가 각각 1008×1, 378×1의 벡터(x)로 저장되었다.
그런데, 모든 단위 걸음 샘플은 스윙 단계(swing phase)를 기준으로 분할되었기 때문에 모든 샘플의 특정 구간들이 0이 되어 공분산 행렬 연산과정에서 순위 부족(rank deficiency)이 발생할 수 있다. 따라서 정규화부(26)는 0 내지 0.1 사이의 랜덤 넘버를 더해주는 규칙화(regularization)를 수행함으로써 순위 부족으로 발생하는 고유값 분해(eigenvalue decomposition)의 불안정성 문제를 해결한다.
한편, 이 실시예의 분류부(40)는 정보 수집부(10)에서 수신되고, 전처리부(20)에서 정규화된 보행 데이터를 센서 종류별로 판별 분석을 실시하는 특징 추출부(42), 특징 추출부(42)의 판별 분석 결과를 종합 분석하여 사용자의 신분을 식별하는 개인식별부(45)를 포함한다.
스마트 인솔(1)에 내장된 센서들은 0.01초 간격으로 데이터를 측정하기 때문에 보행 데이터는 고차원의 벡터로 기록된다. 따라서 특징 추출부(42)는 데이터 분류 목적으로 개발된 감독형 기계학습 기술(supervised machine learning technique)들 중 고차원 데이터를 다룰 때 발생하는 적은 샘플 크기 문제(small sample size problem)를 피할 수 있는 NLDA 방법을 이용하여 보행 데이터의 특징을 추출한다. NLDA 방법은 LDA(linear discriminant analysis) 방법을 변형(variant)한 것이다. NLDA는 클래스 내 산란 행렬의 빈 공간(Null space)에 보행 데이터의 샘플들을 투영함으로써 같은 클래스 내의 샘플들을 한 곳으로 모은 후, 다른 클래스의 샘플들의 평균 사이의 거리를 멀리 떨어뜨리는 특징 공간을 구성한다. NLDA는 클래스 내 산란 행렬의 빈 공간(Null space)을 충분히 확보할 수 있는 영상데이터와 같은 고차원 데이터에 효과적이다.
압력 센서와 가속도 센서를 통해 측정된 보행데이터는 각각 다른 속성을 가지고 있다. 각 센서는 측정의 내용이 다를 뿐만 아니라, 압력 센서는 3 양자화 레벨(quantization level)을 갖는 불연속 데이터(discrete data)인 반면, 가속도 센서 데이터는 연속적인 속성을 많이 포함하고 있다. 따라서 특징 추출부(42)는 압력 센서 데이터와 가속도 센서 데이터에 각각 NLDA를 적용하여 단일 모달(single-modal) 특징을 추출하고, 개인식별부(45)는 추출된 모든 특징들에 대한 분별력을 평가하여 최종 사용자 식별에 이용될 결합된 특징을 생성한다.
분류할 사용자의 수를 C, 데이터 샘플의 차원이 n, 센서 검출 데이터가 S 일 때, 수학식1이 정의될 수 있다.
[수학식1]
Figure pat00013
이때, 센서 검출 데이터(S)는 압력센서 데이터(P) 또는 가속도센서 데이터(A)를 포함한다.
만약, 각 클래스에 속하는 샘플 수가
Figure pat00014
면,
Figure pat00015
는 수학식2와 같다.
[수학식2]
Figure pat00016
이때,
Figure pat00017
는 클래스
Figure pat00018
에 속하는 j번째 샘플,
Figure pat00019
는
Figure pat00020
의 샘플 평균이다.
또한, 클래스간 분산 행렬(inter-class scatter matrix)
Figure pat00021
는 수학식3과 같다.
[수학식3]
Figure pat00022
이때,
Figure pat00023
는 전체 샘플의 평균이다.
Figure pat00024
과
Figure pat00025
를 이용하는 판별 분석에서, 분류
Figure pat00026
의 빈 공간(Null space)은 같은 클래스에 속한 모든 샘플들을 한 점으로 모으기 때문에 차별적 일률(discriminative power)이 매우 높은 공간이다. 특징 추출부(42)의 NLDA는 클래스 간의 판별력을 최대화하기 위해
Figure pat00027
의 빈(null) 공간에 샘플들을 투영시킨 후, 각 클래스의 평균들 간의 분산이 최대가 되는 특징 공간을 찾는다. 이를 위해, 수학식4와 같은 목적함수를 정의하고 이를 만족시키는 투영 벡터들을 구한다.
[수학식4]
Figure pat00028
이때,
Figure pat00029
는
Figure pat00030
개의 투영벡터
Figure pat00031
으로 구성된 투영 행렬이다.
보행 데이터의 샘플
Figure pat00032
에 대한 특징 벡터
Figure pat00033
는 수학식5와 같이 구할 수 있다.
[수학식5]
Figure pat00034
각 센서(모드) 데이터로부터 추출된 특징 벡터
Figure pat00035
는 C-1개의 특징들로 구성되는데, 모든 특징이 분류 작업에서 동일한 기여를 하지는 않는다. 각 특징의 분별력은 해당 특징을 만들때 사용된 투영 벡터의 고유값(eigenvalue)에 반영이 되어 있기 때문에, 개인식별부(45)는 투영 행렬
Figure pat00036
를 고유값이 큰 투영벡터부터 나열(정렬)한다. 그러나 고유값의 상대적 비교에 따른 특징 평가는 같은 모드 내에서만 유효하다. 따라서 개인식별부(45)는 각 센서 데이터에서 추출된 모든 특징들에 대한 분별력을 측정하고, 그 결과를 바탕으로 다중 모달(multi-modal) 특징 벡터를 구성한다.
특징의 유용성을 평가하는 방법은 다양하다. 그 중, 이 실시예의 개인식별부(45)는 감독형 방식(supervised fashion)으로 특징들의 분별력을 측정하는 라플라시안 점수(laplacian score)를 이용하여 각 특징들을 평가하였다. 라플라시안 점수는 국부적인 기하학적 구조(local geometric structure)를 근거로 특징(feature)들의 차별점(discrimination)을 판단한다.
먼저, 개인식별부(45)는 각 센서에 대한 모든 특징
Figure pat00037
와
Figure pat00038
(
Figure pat00039
)을 다중 모달 특징 벡터에 대한 후보 벡터
Figure pat00040
로 병합하고 각 특징의 라플라시안 스코어를 연산한다.
이를 위해, 학습데이터 수(N) 및 가중치 행렬
Figure pat00041
와 가장 인접한 노드(node)를 갖는 NNG(nearest neighbor graph)(G)를 정의한다. i번째 노드와 j 번째 노드에 해당하는 두 후보 벡터
Figure pat00042
와
Figure pat00043
가 같은 클래스에 속하였으면 두 노드사이에는 엣지(edge)가 놓여진다.
엣지가 놓인 두 노드에 대한
Figure pat00044
는
Figure pat00045
이고 (여기서 m은 사용자 매개 변수, 이 실시예는 m을 2로 설정), 그렇지 않은 경우
Figure pat00046
는 0이다.
그런 다음,
Figure pat00047
, D 및 1이 각각
Figure pat00048
,
Figure pat00049
및
Figure pat00050
일 때, r 번째 피처에 대한 라플라시안 점수
Figure pat00051
은 [수학식6]과 같이 연산된다.
[수학식6]
Figure pat00052
이때,
Figure pat00053
이고, L=D-
Figure pat00054
이다.
개인식별부(45)는 라플라시안 점수를 이용하여 상기 단일 모달 특징 중 분별 정보가 많은 순서대로 입력하여 다중 모달 특징 벡터(multi-modal feature vector)를 연산한다. 즉, 라플라시안 점수에 기초하여 더 큰 라플라시안 점수에 대응하는 피쳐들이 사용자 식별을 위한 분류자에 입력들로서 사용되는 결합된 피쳐 벡터
Figure pat00055
을 구성하도록 선택된다.
개인식별부(45)는 다중 모달 특징 벡터의 값 및 기 마련된 사용자 식별 분류기를 이용하여 상기 사용자의 신분을 식별하게 된다. 이 실시예는 사용자 식별 분류기로써 단일 모달 특징(single-modal feature)과 다중 모달 특징(multi-modal feature)을 입력할 수 있는 One-NN 규칙(One-Nearest Neighborhood rule)을 이용하였다. 또한, One-NN 규칙은 거리 측정(distance measure)에 유클리디안 거리(Euclidean distance)를 이용하였다.
이 실시예에서 사용자의 신분이란, 이 실시예에 기 저장된 사용자의 정보로써, 보행 특징과 매칭되어 기 저장된 관련자의 이름, 고유의 ID코드, 연락처 등이 포함될 수 있다.
이어서, 본 발명의 실시예에 따른 검출정보별 판별 분석을 실시하여 개인을 식별하는 방법을 설명한다.
도 5 및 도 6을 참조하면, 본 발명의 실시예에 따른 검출정보별 판별 분석을 실시하여 개인을 식별하는 방법은, 정보수집부가 보행에 의한 운동 정보 검출 센서를 포함하는 스마트 인솔로부터 사용자의 보행 데이터를 수신하는 단계(S120), 전처리부(20)가 보행 데이터에서 단위 걸음의 구간을 정의하여 각 단위 걸음에 대한 데이터를 분할하고, 분할된 데이터의 길이가 모두 같도록 정규화(normalize)하는 단계(S140), 분류부(40)가 정규화된 보행 데이터 중 센서의 종류별로 판별 분석(discriminant analysis)을 실시하고, 판별 분석 결과를 이용하여 사용자의 신분을 식별하는 단계(S160)를 포함한다.
도 7을 참조하면, S160 단계는 정보 수집부(10)에서 수신된 보행 데이터를 센서 종류별로 판별 분석을 실시하는 단계(S162), 판별 분석의 결과를 종합 분석하여 사용자의 신분을 식별하는 단계(S166, S168)를 포함한다.
판별 분석은 NLDA(Null-space linear discriminant analysis) 방법이 될 수 있다.
S162 단계는 센서 종류별 보행 데이터를 NLDA에 적용하여 단일 모달(single-modal) 특징을 추출한다. 또한, 판별 분석의 결과를 종합 분석하여 사용자의 신분을 식별하는 단계는 센서 종류별 단일 모달(single-modal) 특징의 분별력을 평가하여 사용자 식별에 이용될 결합된 특징을 생성한다.
구체적으로 S162 단계는, 보행 데이터의 샘플
Figure pat00056
에 대한 특징 벡터
Figure pat00057
를 수학식5로 연산한다.
또한, 판별 분석의 결과를 종합 분석하여 사용자의 신분을 식별하는 단계는, 라플라시안 점수(laplacian score)를 이용하여 상기 단일 모달 특징의 분별력(discrimination)을 판단한다.
구체적으로, 판별 분석의 결과를 종합 분석하여 사용자의 신분을 식별하는 단계는, 라플라시안 점수를 이용하여 상기 단일 모달 특징 중 분별 정보가 많은 순서대로 입력하여 다중 모달 특징 벡터(multi-modal feature vector)를 연산하는 단계(S166), 다중 모달 특징 벡터의 값을 이용하여 사용자의 신분을 식별하는 단계(S168)를 포함한다.
한편, S140 단계는 센서 종류별 단위 걸음에 대한 검출 값을 배열로 나타내는 단계, 사전 순서 연산자(lexicographic ordering operator)를 이용하여 상기 각 배열을 일렬의 정보로 변환하는 단계를 포함한다.
실험.
FootLogger 스마트 인솔을 이용하여 실측한 데이터를 이용하여 본 발명의 실시예에 따른 검출정보별 판별 분석을 실시하여 개인을 식별하는 장치 및 방법의 성능을 평가하였다.
데이터 수집을 위해 20~30대 성인 14명이 참여하였으며, 한 사람당 3분 동안의 걸음을 측정하였다. 14명에 대한 걸음 데이터는 전처리 과정을 거쳐 총 2295개의 단위걸음 샘플로 저장되었다. 전체 샘플 중 랜덤하게 700개의 샘플을 선택하고, 이 중 한 사람당 샘플을 3개씩 선별하여 학습 데이터 셋을 42개(3×14명) 구성하고, 나머지 데이터들(658개)은 테스트셋에 이용하였다. 이러한 실험을 25번 반복하여 얻은 인식률들의 평균을 실험 결과로 제시한다.
사용자 식별을 위한 분류기로는 단일 모달 특징(single-modal feature)과 다중 모달 특징(multi-modal feature)을 입력으로 하는 One-NN 규칙(One-Nearest Neighborhood rule)을 사용하였으며, 거리 측정(distance measure)에는 유클리디안 거리(Euclidean distance)를 사용하였다.
도 8은 스마트 인솔(1)로 측정한 14명의 단위 걸음 데이터에 대해 입력 데이터 공간(input data space)(
Figure pat00058
및
Figure pat00059
)과 다중 모달 특징 공간(
Figure pat00060
)에서 각 단계의 데이터 샘플을 2차원적으로 나타낸 것이다. 고차원 데이터를 2차원 공간에 시각화(visualization)하기 위해, t-SNE(t-distributed Stochastic Neighbor Embedding)를 이용하였다. t-SNE는 다양한 기계 학습 애플리케이션에서 이용되는 비선형 차원 감소 방법이다.
입력 공간(input space)보다 특징 공간(feature space)에서 대상(subject)별로 피험자가 보다 분명하게 클러스터링(clustering)되어 있는 것을 볼 수 있다. 특징 추출에 의한 클러스터링 개선 효과는 특히 가속도 센서 데이터에서 두드러지게 나타났다. 멀티 모달 특징 공간(multi-modal feature space)은 클러스터(cluster)의 분산(scatter)이 가속도 센서 데이터의 입력 공간보다 더 적게 나타난 것을 볼 수 있다.
도 9는 각 단계별 사용자 식별 성능을 보여준다. 도 9에서, 다중 모달 특징(multi-modal feature)(
Figure pat00061
)이 단일 모달 특징(single-modal feature)(
Figure pat00062
및
Figure pat00063
)보다 더 우수한 인식 성능을 보여 주었다.
Figure pat00064
의 인식률은 특징 공간의 차원이 늘어남에 따라 점차 증가하다가 약 20차원 정도부터 인식률이 포화(saturated)되는 것을 볼 수 있다. 따라서, 각 특징들에 대한 분별력 평가를 통해 인식에 유용한 특징들을 순차적으로 선별하면 사용자 식별을 위한 다중 모달 특징 벡터를 구성하는데 효과적이다.
한편, 압력 센서 데이터로부터 얻은 단일 모달 특징(single-modal feature)(
Figure pat00065
)이 가속도 센서 데이터의 특징(feature)(
Figure pat00066
)보다 더 좋은 인식 성능을 보여주었다. 이것은 사용자를 구분할 수 있는 개인 고유의 보행 특징이 걸을 때에 발바닥에 체중이 실리는 지점들의 분포에서 더 잘 나타남을 보여준다.
이어서, 사용자 식별을 위한 보행 특징을 추출하는데 필요한 최소 걸음 수를 확인하기 위해, 한 개의 단위걸음으로 보행 샘플을 구성했을 때와(k=1), 두 걸음(k=2)과 세 걸음(k=3)으로 보행 샘플을 구성했을 때의 인식 성능을 평가해 보았다. k=1은 총 걸음 샘플의 수가 2295개이고, k=2 및 k=3인 경우는 각각 1148개와 765개가 된다.
도 10은 압력 센서와 가속도 센서 각각의 단일 모달 특징과 다중 모달 특징의 k에 대한 인식률을 나타낸다. 도 10에서, 단일 모달 특징(single-modal feature)과 다중 모달 특징(multi-modal feature) 모두 k가 증가함에 따라 인식률이 향상되었다. 모든 k에 대해서 다중 모달 특징(multi-modal feature)이 단일 모달 특징(single-modal feature)보다 좋은 인식 성능을 보여주었으며, 특히 다중 모달 특징(multi-modal feature)는 단일 모달 특징(single-modal feature)들에 비해 k=1에서도 93% 이상의 높은 인식률을 보여주었다. 이는 서로 다른 종류의 센서들의 특성이 상호 보완되면서 시너지 효과를 통해 적은 데이터에서도 좋은 특징들을 추출할 수 있기 때문으로 판단된다.
이상에서 본 발명의 바람직한 실시예를 설명하였으나, 본 발명은 다양한 변화와 변경 및 균등물을 사용할 수 있다. 본 발명은 상기 실시예를 적절히 변형하여 동일하게 응용할 수 있음이 명확하다. 따라서 상기 기재 내용은 다음 특허청구범위의 한계에 의해 정해지는 본 발명의 범위를 한정하는 것이 아니다.
1 : 스마트 인솔
10 : 정보 수집부
20 : 전처리부
22 : 걸음단위 설정부
23 : 정보 배열부
26 : 정규화부
40 : 분류부
42 : 특징 추출부
45 : 개인식별부

Claims (20)

  1. 보행에 의한 운동 정보 검출 센서를 포함하는 스마트 인솔로부터 사용자의 보행 데이터를 수신하는 정보 수집부;
    상기 정보 수집부에서 수신된 보행 데이터 중 센서의 종류별로 판별 분석(discriminant analysis)을 실시하고, 상기 판별 분석 결과를 이용하여 상기 사용자의 신분을 식별하는 분류부를 포함하는 것을 특징으로 하는 검출정보별 판별 분석을 실시하여 개인을 식별하는 장치.
  2. 제1항에 있어서, 상기 분류부는,
    상기 정보 수집부에서 수신된 보행 데이터를 센서 종류별로 판별 분석을 실시하는 특징 추출부;
    상기 특징 추출부의 판별 분석 결과를 종합 분석하여 사용자의 신분을 식별하는 개인식별부를 포함하는 것을 특징으로 하는 검출정보별 판별 분석을 실시하여 개인을 식별하는 장치.
  3. 제2항에 있어서,
    상기 특징 추출부의 판별 분석은 NLDA(Null-space linear discriminant analysis) 방법인 것을 특징으로 하는 검출정보별 판별 분석을 실시하여 개인을 식별하는 장치.
  4. 제3항에 있어서,
    상기 특징 추출부는 센서 종류별 보행 데이터를 NLDA에 적용하여 단일 모달(single-modal) 특징을 추출하고,
    상기 개인식별부는 상기 센서 종류별 단일 모달(single-modal) 특징의 분별력을 평가하여 사용자 식별에 이용될 결합된 특징을 생성하는 것을 특징으로 하는 검출정보별 판별 분석을 실시하여 개인을 식별하는 장치.
  5. 제4항에 있어서,
    상기 특징 추출부는 보행 데이터의 샘플
    Figure pat00067
    에 대한 특징 벡터
    Figure pat00068
    를
    Figure pat00069

    으로 연산하는 것을 특징으로 하는 검출정보별 판별 분석을 실시하여 개인을 식별하는 장치.
    (이때,
    Figure pat00070
    는
    Figure pat00071
    개의 투영벡터
    Figure pat00072
    으로 구성된 투영행렬)
  6. 제4항에 있어서,
    상기 개인식별부는 라플라시안 점수(laplacian score)를 이용하여 상기 단일 모달 특징의 분별력(discrimination)을 판단하는 것을 특징으로 하는 검출정보별 판별 분석을 실시하여 개인을 식별하는 장치.
  7. 제6항에 있어서, 상기 개인식별부는,
    상기 라플라시안 점수를 이용하여 상기 단일 모달 특징 중 분별 정보가 많은 순서대로 입력하여 다중 모달 특징 벡터(multi-modal feature vector)를 연산하며,
    상기 다중 모달 특징 벡터의 값을 이용하여 상기 사용자의 신분을 식별하는 것을 특징으로 하는 검출정보별 판별 분석을 실시하여 개인을 식별하는 장치.
  8. 제7항에 있어서,
    상기 개인식별부는 상기 다중 모달 특징 벡터를 One-NN 규칙(One-Nearest Neighborhood rule)에 입력하여 상기 사용자의 신분을 식별하는 것을 특징으로 하는 검출정보별 판별 분석을 실시하여 개인을 식별하는 장치.
  9. 제8항에 있어서,
    상기 개인식별부의 One-NN 규칙은 거리 측정(distance measure)에 유클리디안 거리(Euclidean distance)를 이용하는 것을 특징으로 하는 검출정보별 판별 분석을 실시하여 개인을 식별하는 장치.
  10. 제2항에 있어서,
    상기 정보 수집부가 수신한 보행 데이터에서 단위 걸음의 구간을 정의하여 각 단위 걸음에 대한 데이터를 분할하고, 분할된 데이터의 길이가 모두 같도록 정규화(normalize)하는 전처리부를 더 포함하는 것을 특징으로 하는 검출정보별 판별 분석을 실시하여 개인을 식별하는 장치.
  11. 제10항에 있어서,
    상기 전처리부는 센서 종류별 단위 걸음에 대한 검출 값을 배열로 나타내고, 사전 순서 연산자(lexicographic ordering operator)를 이용하여 각 배열을 일렬의 정보로 변환하는 것을 특징으로 하는 검출정보별 판별 분석을 실시하여 개인을 식별하는 장치.
  12. 제11항에 있어서,
    상기 전처리부는 0 내지 0.1 사이의 랜덤 넘버를 더해주는 규칙화(regularization)를 수행함으로써 순위 부족으로 발생하는 고유값 분해(eigenvalue decomposition)의 불안정성 문제를 해결하는 것을 특징으로 하는 검출정보별 판별 분석을 실시하여 개인을 식별하는 장치.
  13. 정보수집부가 보행에 의한 운동 정보 검출 센서를 포함하는 스마트 인솔로부터 사용자의 보행 데이터를 수신하는 단계;
    전처리부가 상기 보행 데이터에서 단위 걸음의 구간을 정의하여 각 단위 걸음에 대한 데이터를 분할하고, 분할된 데이터의 길이가 모두 같도록 정규화(normalize)하는 단계;
    분류부가 정규화된 보행 데이터 중 센서의 종류별로 판별 분석(discriminant analysis)을 실시하고, 판별 분석 결과를 이용하여 사용자의 신분을 식별하는 단계를 포함하는 것을 특징으로 하는 검출정보별 판별 분석을 실시하여 개인을 식별하는 방법.
  14. 제13항에 있어서, 상기 분류부가 정규화된 보행 데이터 중 센서의 종류별로 판별 분석을 실시하고, 판별 분석 결과를 이용하여 사용자의 신분을 식별하는 단계는,
    상기 정보 수집부에서 수신된 보행 데이터를 센서 종류별로 판별 분석을 실시하는 단계;
    상기 판별 분석의 결과를 종합 분석하여 사용자의 신분을 식별하는 단계를 포함하는 것을 특징으로 하는 검출정보별 판별 분석을 실시하여 개인을 식별하는 방법.
  15. 제14항에 있어서,
    상기 판별 분석은 NLDA(Null-space linear discriminant analysis) 방법인 것을 특징으로 하는 검출정보별 판별 분석을 실시하여 개인을 식별하는 방법.
  16. 제15항에 있어서,
    상기 정보 수집부에서 수신된 보행 데이터를 센서 종류별로 판별 분석을 실시하는 단계는 센서 종류별 보행 데이터를 NLDA에 적용하여 단일 모달(single-modal) 특징을 추출하고,
    상기 판별 분석의 결과를 종합 분석하여 사용자의 신분을 식별하는 단계는 상기 센서 종류별 단일 모달(single-modal) 특징의 분별력을 평가하여 사용자 식별에 이용될 결합된 특징을 생성하는 것을 특징으로 하는 검출정보별 판별 분석을 실시하여 개인을 식별하는 방법.
  17. 제16항에 있어서, 상기 정보 수집부에서 수신된 보행 데이터를 센서 종류별로 판별 분석을 실시하는 단계는,
    보행 데이터의 샘플
    Figure pat00073
    에 대한 특징 벡터
    Figure pat00074
    를
    Figure pat00075

    으로 연산하는 것을 특징으로 하는 검출정보별 판별 분석을 실시하여 개인을 식별하는 방법.
    (이때,
    Figure pat00076
    는
    Figure pat00077
    개의 투영벡터
    Figure pat00078
    으로 구성된 투영행렬)
  18. 제16항에 있어서, 상기 판별 분석의 결과를 종합 분석하여 사용자의 신분을 식별하는 단계는,
    라플라시안 점수(laplacian score)를 이용하여 상기 단일 모달 특징의 분별력(discrimination)을 판단하는 것을 특징으로 하는 검출정보별 판별 분석을 실시하여 개인을 식별하는 방법.
  19. 제18항에 있어서, 상기 판별 분석의 결과를 종합 분석하여 사용자의 신분을 식별하는 단계는,
    상기 라플라시안 점수를 이용하여 상기 단일 모달 특징 중 분별 정보가 많은 순서대로 입력하여 다중 모달 특징 벡터(multi-modal feature vector)를 연산하는 단계,
    상기 다중 모달 특징 벡터의 값을 이용하여 상기 사용자의 신분을 식별하는 단계를 포함하는 것을 특징으로 하는 검출정보별 판별 분석을 실시하여 개인을 식별하는 방법.
  20. 제13항에 있어서, 상기 전처리부가 상기 보행 데이터에서 단위 걸음의 구간을 정의하여 각 단위 걸음에 대한 데이터를 분할하고, 분할된 데이터의 길이가 모두 같도록 정규화(normalize)하는 단계는,
    센서 종류별 단위 걸음에 대한 검출 값을 배열로 나타내는 단계;
    사전 순서 연산자(lexicographic ordering operator)를 이용하여 상기 각 배열을 일렬의 정보로 변환하는 단계를 포함하는 특징으로 하는 검출정보별 판별 분석을 실시하여 개인을 식별하는 방법.
KR1020190101807A 2019-08-20 2019-08-20 검출정보별 판별 분석을 실시하여 개인을 식별하는 장치 및 방법 KR102302234B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190101807A KR102302234B1 (ko) 2019-08-20 2019-08-20 검출정보별 판별 분석을 실시하여 개인을 식별하는 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190101807A KR102302234B1 (ko) 2019-08-20 2019-08-20 검출정보별 판별 분석을 실시하여 개인을 식별하는 장치 및 방법

Publications (3)

Publication Number Publication Date
KR20210022375A true KR20210022375A (ko) 2021-03-03
KR102302234B1 KR102302234B1 (ko) 2021-09-14
KR102302234B9 KR102302234B9 (ko) 2022-03-15

Family

ID=75151261

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190101807A KR102302234B1 (ko) 2019-08-20 2019-08-20 검출정보별 판별 분석을 실시하여 개인을 식별하는 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102302234B1 (ko)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112990869A (zh) * 2021-03-12 2021-06-18 盐城师范学院 一种智能型学生考勤管理装置
CN116439693A (zh) * 2023-05-18 2023-07-18 四川大学华西医院 一种基于fmg的步态检测方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101583369B1 (ko) 2015-04-27 2016-01-21 (주)엠더블유스토리 걸음 인지 시스템 및 그 방법, 그리고 이 방법을 처리하는 프로그램이 기록된 저장 매체
KR20170043308A (ko) * 2015-10-13 2017-04-21 충북대학교 산학협력단 보행 데이터에 기반한 대상자 식별 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101583369B1 (ko) 2015-04-27 2016-01-21 (주)엠더블유스토리 걸음 인지 시스템 및 그 방법, 그리고 이 방법을 처리하는 프로그램이 기록된 저장 매체
KR20170043308A (ko) * 2015-10-13 2017-04-21 충북대학교 산학협력단 보행 데이터에 기반한 대상자 식별 방법

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112990869A (zh) * 2021-03-12 2021-06-18 盐城师范学院 一种智能型学生考勤管理装置
CN112990869B (zh) * 2021-03-12 2023-08-22 盐城师范学院 一种智能型学生考勤管理装置
CN116439693A (zh) * 2023-05-18 2023-07-18 四川大学华西医院 一种基于fmg的步态检测方法及系统
CN116439693B (zh) * 2023-05-18 2024-05-28 四川大学华西医院 一种基于fmg的步态检测方法及系统

Also Published As

Publication number Publication date
KR102302234B1 (ko) 2021-09-14
KR102302234B9 (ko) 2022-03-15

Similar Documents

Publication Publication Date Title
US10503967B2 (en) Fast behavior and abnormality detection
Xia et al. Classification of gait rhythm signals between patients with neuro-degenerative diseases and normal subjects: Experiments with statistical features and different classification models
Dolatabadi et al. An automated classification of pathological gait using unobtrusive sensing technology
Frank et al. Activity and gait recognition with time-delay embeddings
Uddin et al. Random forests based recognition of human activities and postural transitions on smartphone
US20190365287A1 (en) Apparatus and method for gait type classification using pressure sensor of smart insole
WO2011140632A1 (en) Method of identification and devices thereof
Zheng et al. Evaluation framework on translation-invariant representation for cumulative foot pressure image
Khabir et al. Prediction of gender and age from inertial sensor-based gait dataset
Rastegari et al. A bag-of-words feature engineering approach for assessing health conditions using accelerometer data
KR102302234B1 (ko) 검출정보별 판별 분석을 실시하여 개인을 식별하는 장치 및 방법
Ren et al. Activity recognition and intensity estimation in youth from accelerometer data aided by machine learning
KR102280291B1 (ko) 검출정보별 신경망 분석을 실시하여 파킨슨 환자 및 족관절염 환자를 식별하는 장치 및 방법
Aderinola et al. Learning age from gait: A survey
Nandy et al. A study on gait entropy image analysis for clothing invariant human identification
Vajdi et al. Human gait database for normal walk collected by smartphone accelerometer
KR102175191B1 (ko) 스마트 인솔의 압력 센서를 이용한 보행 패턴 분류를 위한 장치 및 방법
Horst et al. Modeling biological individuality using machine learning: A study on human gait
Luqian et al. Human activity recognition using time series pattern recognition model-based on tsfresh features
KR102194313B1 (ko) 검출정보별 신경망 분석을 실시하여 개인을 식별하는 장치 및 방법
KR102302719B1 (ko) 검출정보별 신경망 분석을 실시하여 보행 종류를 분류하는 장치 및 방법
Yadav et al. SPECIAL SESSION ON RECENT ADVANCES IN COMPUTATIONAL INTELLIGENCE & TECHNOLOGYS (SS_10_RACIT) Development of Generic Human Motion Simulation Categorization using Inception based CNN
Uslu et al. RAM: Real Time Activity Monitoring with feature extractive training
Kumari et al. Effect of reduced dimensionality on deep learning for human activity recognition
Das Activity recognition using histogram of oriented gradient pattern history

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
G170 Re-publication after modification of scope of protection [patent]