KR20210040671A - 동적으로 변화하는 인체 무게 중심 궤적 추정 장치 및 그 방법 - Google Patents

Abstract

단일 센서로 인체 무게 중심 궤적을 추정할 수 있는 장치 및 방법에 제공된다.
본 발명에 따른 인체 무게 중심 궤적 추정 장치는, 착용 가능한 형태로 이루어지며, 3축의 각속도를 포함하는 관성 정보 신호를 측정할 수 있는 센서 장치와, 상기 관성 정보 신호를 수신하고, 상기 수신한 관성 정보 신호를 인공 신경망 모델의 입력으로 하고, 광학 운동 분석 장치가 산출한 인체 무게 중심 값을 이용하여 인체 무게 중심의 궤적의 추정값을 생성하는 데이터 처리 장치를 포함한다.

Description

동적으로 변화하는 인체 무게 중심 궤적 추정 장치 및 그 방법{APPARATUS FOR ESTIMATING DISPLACEMENT CENTER OF GRAVITY TRAJECTORIES AND METHOD THEREOF}

본 발명은 이동 또는 변위중인 인체 무게 중심의 궤적을 추정하는 장치 및 그 방법에 관한 것이다. 더욱 상세하게는, 관성 정보 센서와 인공 신경망을 이용하여 인체 무게 중심 궤적을 추정하는 장치 및 방법에 관한 것이다.

인체 무게 중심 (Center of gravity)은 인체의 각 부위에 분포된 질량의 평균 위치이며, 인체 무게 중심은 질량이 균등하게 분포된 지점이기 때문에 인체의 균형점이며 신체의 움직임을 설명하기 위한 지표로서 이용된다.

인체는 팔, 다리, 머리 등 다수의 체절로 이뤄져 있기 때문의 인체 무게 중심은 공간상 인체의 내부에만 있는 것이 아니라 자세에 따라 인체의 외부에 존재할 수도 있다.

인체 무게 중심은 각 체절 무게 중심 위치의 가중 평균으로 나타내며, 보행과 같이 인체가 움직일 때 3차원 공간상에서 좌표 값이 변한다. 따라서, 이동중이거나 변위 중인 신체의 체절은 개별적으로 위치가 변경되기 때문에 인체 무게 중심도 각 체절의 복합적인 변위에 기초하여 결정된다.

도 1은 인체 무게 중심을 설명하기 위한 예시도면이다.

도 1에 도시된 바와 같이 축구 선수가 질주할 때, 족부, 하퇴, 대퇴, 몸통, 전완, 상완 등의 체절은 각각 동적으로 움직이게 된다.

전술한 바와 같이, 인체 무게 중심은 각 체절의 무게 중심의 가중 평균이기 때문에 인체 무게 중심도 신체의 이동과 변위에 따라 동적으로 변화하게 된다. 이러한 인체 무게 중심의 변화는 3차원 공간에서 궤적으로 표현될 수 있으며, 인체 무게 중심의 궤적은 다양한 지표로서 활용 가능하다.

특히, 보행 중 무게 중심의 변화 양상은 인체에 작용하는 모든 외력과 모션의 최후 결과물로서 간주되며, 움직임에 필요한 에너지 소모와 밀접한 관련이 있다. 위아래 방향의 무게 중심 변화는 보행 시 산소 소모량과 높은 상관성을 나타내며, 내외측 방향의 증가된 무게 중심 궤적은 역학적, 대사적 에너지 소모를 약 50%까지 올리는 것으로 보고된 바가 있다.

따라서, 최소화된 무게 중심의 움직임은 일반적으로 효율적인 보행 목표 중 하나로 여겨진다. 또한, 근골격 시스템에 영향을 주는 인체 중추신경계의 질환은 정상 보행 동작을 방해하고, 비정상 보행 패턴은 인체 무게 중심 궤적에 영향을 미치게 된다. 따라서, 보행 시 무게 중심 궤적은 병적 보행의 메커니즘을 규명하는 중요한 지표로서 사용된다.

이러한, 인체 무게 중심 궤적을 측정하기 위해서 종래 기술은 광학식 운동 분석 장치를 활용하여 계산하는 방식 (Kinematic method, KM)과 지면 반력기를 사용하여 계산하는 방식 (Gravity line projection, GLP)을 사용하였다.

광학식 운동 분석 장치는 인체에 부착된 다수의 광학 마커의 3차원 궤적과 인체 계측 모델을 활용하여 각 체절의 무게 중심을 추출하고, 이를 가중 합계함으로써 계산하는 방식이다.

지면 반력기를 활용하는 방식은 뉴턴 제2법칙에 근거하여, 인체에 작용하는 최종 외력의 합은 질량과 가속도의 곱으로 표현된다는 조건으로 가속도를 2회 적분하여 무게 중심 궤적을 산출하는 방식이다. 이 방법은 적분 상수를 최적으로 선택하는 경우에는 광학식 운동 분석 장치 정도의 정확도를 획득할 수 있다.

그러나, 제시된 두가지 종래 기술은 비교적 높은 정확도로 무게 중심 궤적을 산출할 수 있다는 장점이 있지만, 고가의 실험 장비를 활용해야 하는 문제가 있다.

특히, 광학식 운동 분석 장치는 인체 전신에 마커를 부착하고 걸어야 하는 번거로움의 문제가 있으며, 지면 반력기를 활용하는 경우에는 마커 없이 인체 무게 중심을 추출은 가능하지만, 고정된 지면 반력 장치가 설치된 한정된 공간에서만 실험해야 되는 단점이 있다.

이러한 종래 기술의 문제점은 최근 착용형 모션 센서 기술을 활용하여 극복하려는 노력이 있다. 즉, 다수의 관성 센서를 장착하여 체절의 움직임을 추적하고 가속도를 2회 적분하여 이를 인체 무게 중심의 궤적으로 간주하는 방법이다.

그러나, 이와 같은 관성 센서를 이용한 인체 무게 중심은 인체 내부의 실질적인 무게 중심이 아닌 간접적인 방법이며, 관성 센서의 개수가 감소할수록 정확도가 감소하여 결국 종래 기술의 문제를 답습하게 된다.

따라서, 적은 수의 센서를 이용하여 동적으로 변화하는 인체의 무게 중심을 측정하는 새로운 기술의 개발이 절실한 상태이다.

본 발명이 이루고자 하는 기술적 과제는 단일 센서를 이용하여 변화하는 인체 무게 중심의 궤적을 높은 정확도로 추정할 수 있는 장치 및 방법을 제공하는 것이다. 본 발명이 이루고자 하는 기술적 과제는 인공 신경망을 이용하여 고가의 장비나 시설 없이 인체 무게 중심을 추정 가능한 장치 및 방법을 제공한다,

본 발명이 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

상기 기술적 과제를 달성하기 위하여, 본 발명의 일 측면에 따른 인체 무게 중심의 궤적을 추정하는 장치는, 착용 가능한 형태로 이루어지며, 3축의 각속도를 포함하는 관성 정보 신호를 측정할 수 있는 센서 장치와, 상기 관성 정보 신호를 수신하고, 상기 수신한 관성 정보 신호를 인공 신경망 모델의 입력으로 하고, 광학 운동 분석 장치가 산출한 인체 무게 중심 값을 이용하여 인체 무게 중심의 궤적의 추정값을 생성하는 데이터 처리 장치를 포함한다.

여기서, 상기 관성 정보 신호는 3축의 가속도를 더 포함할 수 있으며, 상기 인공 신경망 모델은 LSTM(Long Short Term Memory) 아키텍처를 포함하며, 상기 인공 신경망 모델은 시계열 데이터에 기초하여 모델을 변경하게 된다.

한편, 상기 센서 장치는 인체의 요추 부분에 착용될 수 있으며, 상기 데이터 처리 장치는 상기 인공 신경망 모델에 상기 관성 정보 신호를 입력하기 전에 상기 관성 정보 신호로부터 미리 정해진 주파수 이상의 주파수 성분을 제거한다.

또한, 상기 센서 장치는 각속도만 측정하는 자이로스코프일 수 있다. 반면, 상기 인공 신경망의 입력은 3축의 각속도 및 3축의 가속도 정보를 모두 이용하는 것도 가능하다.

본 발명의 다른 측면에 따른 인체 무게 중심 궤적을 추정하는 방법은, 적어도 3축 각속도 정보를 포함하는 관성 정보를 선택하는 단계; 선택된 관성 정보와 광학 운동 분석 장치로부터 산출된 인체 무게 중심값을 수집하는 단계; 상기 관성 정보를 입력 변수로 하고, 시상면, 관상면, 횡단면의 인체 무게 중심 궤적을 출력 변수로 하는 제1인공 신경망 모델을 설정하는 단계; 상기 인공 신경망 모델을 이용하여 획득된 인체 무게 중심 추정 값을 상기 광학 운동 분석 장치로부터 산출된 인체 무게 중심값을 이용하여 검증하는 단계; 및 상기 검증 단계의 결과에 기초하여 제1인공 신경망 모델을 수정하여 최종 인체 무게 중심 궤적 추정값을 결정하는 단계를 포함할 수 있다.

여기서, 상기 검증 단계에 기초하여 관성 정보 선택의 변경을 수행하는 단계를 더 포함할 수 있다.

본 발명의 실시예에 따르면, 광학 운동 분석 장치에 비해 저가이며, 한 종류에서 두 종류의 관성 정보 신호를 측정 가능한 단일 센서를 이용하여 인체의 무게 중심을 높은 정확도로 측정할 수 있다.

본 발명에 따르면, 공간적 제약 없이 인체 무게 중심의 궤적에 관한 정보를 충분히 획득할 수 있는 효과가 기대된다.

또한, 본 발명의 실시예에 따르면, 관성 정보 신호를 입력으로 한 인공 신경망 모델을 이용해 동적인 인체 무게 중심을 추정하고, 인공 신경망 모델은 입력의 특징값을 스스로 학습하여 선택하며, 인체 무게 중심 실측값과의 오차를 줄이는 복수의 학습을 통해 보다 정확하게 인체 무게 중심을 추정할 수 있다.

본 발명의 효과는 상기한 효과로 한정되는 것은 아니며, 본 발명의 상세한 설명 또는 특허청구범위에 기재된 발명의 구성으로부터 추론 가능한 모든 효과를 포함하는 것으로 이해되어야 한다.

도 1은 인체 무게 중심을 설명하기 위한 예시도면이다.
도 2는 보행 중 인체 무게 중심을 도시한 도면이다.
도 3은 인체를 표현하는 3가지면에 있어서 인체 무게 중심의 궤적을 도시한 도면이다.
도 4는 본 발명의 일 실시예에 따른 인체 무게 중심 추정 장치를 도시한 도면이다.
도 5는 본 발명의 실시예에 따른 인체 무게 중심값을 추정하는 방법을 도시한 흐름도이다.
도 6는 본 발명의 실시예에 따른 인공 신경망 모델을 도시한 도면이다.
도 7은 본 발명의 일 실시예에 따라 수집된 관성 정보를 도시한 도면이다.
도 8은 본 발명의 일 실시예에 따라 추정된 인체 무게 중심의 궤적을 도시한 도면이다.
도 9는 입력 변수에 따라 인체 무게 중심의 추정 성능을 도시한 도면이다.

이하에서는 첨부한 도면을 참조하여 본 발명을 설명하기로 한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 따라서 여기에서 설명하는 실시예로 한정되는 것은 아니다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.

명세서 전체에서, 어떤 부분이 다른 부분과 "연결(접속, 접촉, 결합)"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 부재를 사이에 두고 "간접적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 구비할 수 있다는 것을 의미한다.

본 명세서에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

이하 첨부된 도면을 참고하여 본 발명의 실시예를 상세히 설명하기로 한다.

도 2는 보행 중 인체 무게 중심을 도시한 도면이다.

전술한 바와 같이, 인체의 무게 중심은 인체의 체절을 무게 중심의 질량 가중 평균으로서 보행중에 3축에 따라 입체적으로 변화한다.

체절들이 동적인 변위에 응답하여 인체 무게 중심의 궤적도 다양하게 변화한다. 한편, 보행중인 경우에는 체절의 움직임은 일정한 패턴을 가지고 있기 때문에 인체 무게 중심은 인체 외부에 형성되는 경우는 매우 드물다.

도 2에 도시된 바와 같이, 인체 무게 중심은 요추 부분에 집중되어 궤적을 형성하는 것을 확인할 수 있다. 본 발명은 이러한 점에 착안하여 요추 부위에 관성 정보 센서를 장착하여 획득한 입력값을 이용하여 인체 무게 중심을 추정하고자 한다.

도 3은 인체를 표현하는 3가지면에 있어서 인체 무게 중심의 궤적을 도시한 도면이다.

인체를 표현하는 3가지 면은 관상면, 시상면, 횡단면을 포함한다. 관상면은 인체를 앞뒤로 나눈 면이며, 시상면은 인체를 좌우로 나눈 면이며, 횡단면은 신체를 상하로 나눈 면이다.

이러한 3가지 면에서 표현되는 인체 무게 중심은 각각 인체의 기능적 해부학 분석에 활용된다. 예를 들어, 인체 무게 중심은 인체의 동적 균형 능력 뿐만 아니라 움직임에 대한 에너지 요구량을 평가하기 위하여 사용된다. 인체 보행 중 무게 중심은 역진자 운동에 비교하여 설명될 수 있으며, 지면과의 접촉부 전/후에 놓이게 된다. 무게 중심의 위치가 접촉부 후방에 있을 경우, 전방 감속으로 인하여 운동에너지가 줄고 위치 에너지가 증가한다.

반면, 전방에 놓일 경우, 무게 중심의 높이가 감소하고, 전방 방향의 속도가 증가하게 된다. 이상적으로 마찰 없는 역진자의 경우, 운동 에너지와 위치 에너지의 합이 일정하게 유지되며, 움직임을 유지하기 위한 외부 작용은 필요하지 않다

하지만, 인체의 경우 에너지가 완벽하게 보존되지 않으며, 움직임을 유지하기 위한 근육 작용이 필요하게 된다. 인체 보행 시 무게 중심을 변화시키기 위한 근육 작용은 에너지 소모량과 밀접한 연관성이 있으며, 인체 무게 중심의 비정상적 패턴은 중추신경계나 근골격계 질환으로 인한 병적 보행을 설명할 수 있는 지표로 사용될 수 있다.

도 4는 본 발명의 일 실시예에 따른 인체 무게 중심 추정 장치를 도시한 도면이다.

본 발명의 실시예에 따른 인체 무게 중심 추정 장치는 관성 측정 장치(100) 및 관성 측정 장치(100)와 유무선으로 통신할 수 있는 데이터 처리 장치(200,300)를 포함할 수 있다.

관성 측정 장치(100)는 피험자의 요추 부위에 착용 가능한 형태로 이루어질 수 있으며, 피험자의 보행 시 피험자에 착용되어 관성 정보를 측정할 수 있다. 일 예로, 관성 측정 장치(100)는 IMU(Inertial Measurement Unit) 일 수 있으며, 피험자의 5번 요추에 장착될 수 있다.

구체적으로, 관성 측정 장치(100)는 관성 측정 센서(IMU sensor)(110), 배터리(120), 통신 모듈(130) 및 마이크로 컨트롤러(MCU: Micro Controller Unit)을 포함할 수 있다.

관성 측정 센서(110)는 가속도 정보, 각속도 정보 및 지자기 정보 중 적어도 둘 이상을 측정할 수 있으며, 측정한 정보를 기초로 관성 정보 신호를 생성할 수 있다. 이때, 인체 3가지 면에 대한 무게 중심의 궤적을 추정하기 위해서 가속도 정보, 각속도 정보 및 지자기 정보는 각각 3개의 축을 기준으로 측정될 수 있다.

일 예로, 가속도 정보는 앞/뒤(anterior/posterior) 방향으로 연장된 제1 축을 기준으로 측정된 제1 가속도 정보와, 좌/우(medial/lateral) 방향으로 연장된 제2 축을 기준으로 측정된 제2 가속도 정보와, 상/하(proximal/distal) 방향으로 연장된 제3 축을 기준으로 측정된 제3 가속도 정보를 포함할 수 있다. 즉, 가속도 정보는 3개의 신호로 이루어질 수 있다.

또한, 각속도 정보는 가속도 정보와 같이 3개의 축을 기준으로 측정된 제1 각속도 정보, 제2 각속도 정보, 제3 각속도 정보를 포함할 수 있으며, 3개의 신호로 이루어질 수 있다.

또한, 지자기 정보는 가속도 정보와 같이 3개의 축을 기준으로 측정된 제1 지자기 정보, 제2 지자기 정보, 제3 지자기 정보를 포함할 수 있으며, 3개의 신호로 이루어질 수 있다.

이에 따르면, 관성 정보 신호는 9개의 신호를 포함할 수 있다.

통신 모듈(130)은 관성 정보 신호를 데이터 처리 장치(200,300)로 전송할 수 있다. 일 예로, 통신 모듈(130)은 BLE(Bluetooth Low Energy), 블루투스(Bluetooth), 와이파이(Wi-fi), 로라(Lora), 지그비(Zigbee) 중 어느 하나의 통신 방식을 이용하는 모듈일 수 있다.

마이크로 컨트롤러는 관성 측정 센서(110) 및 통신 모듈(130)을 제어할 수 있다. 일 예로, 마이크로 컨트롤러는 I2C(Inter-Integrated Circuit), SPI(Serial Peripheral Interface), SCI(Serial Communication Interface), ECAN(Enhanced Controller Area Network) 등의 통신 방식을 이용해 관성 측정 센서(110)를 제어할 수 있으며, 통신 모듈(130)과 데이터 처리 장치(200,300) 간의 송수신을 제어할 수 있다.

배터리(120)는 관성 측정 장치(100)에 구비된 구성요소에 전원을 공급할 수 있다.

데이터 처리 장치(200,300)는 관성 측정 장치(100)로부터 관성 정보 신호를 수신할 수 있으며, 관성 정보 신호를 기초로 인체 무게 중심 궤적을 추정할 수 있다.

구체적으로 데이터 처리 장치(200,300)는 메모리(미도시)를 포함할 수 있으며, 인공 신경망 모델을 메모리에 저장할 수 있다.

그리고, 인공 신경망 모델은 관성 정보 신호 중 적어도 일부를 입력으로 하여 인체 무게 중심의 궤적을 추정한다. 상기 인공 신경망 모델은 입력 중에서도 특징적인 값을 시간에 따라 스스로 학습하는 LSTM(Long Short Term Memory) 아키텍처로 구현될 수 있다

일 예로, 데이터 처리 장치(200,300)는 노트북, 태블릿, 스마트폰 등의 통신 기능을 갖춘 장치일 수 있다.

한편, 인공 신경망 모델은 데이터 처리 장치(200,300)의 외부에 위치한 다른 스마트 장치 또는 서버에 탑재된 상태일 수도 있다. 일 예로, 데이터 처리 장치(200,300)는 통신 모듈을 포함할 수 있으며, 수신한 관성 정보 신호를 외부의 스마트 장치 또는 서버로 전송할 수 있다. 그리고, 외부의 스마트 장치 또는 서버는 인공 신경망 모델을 적용하여 인체 무게 중심의 궤적의 추정 값을 생성한 후 이를 데이터 처리 장치(200,300)로 전송할 수 있다.

본 발명의 일 실시예에 사용되는 인공 신경망 모델은 입력층, 은닉층 및 출력층을 포함할 수 있다.

인공 신경망 모델은 사람 또는 동물의 두뇌의 신경망에 착안하여 구현된 컴퓨팅 시스템으로서 한 개의 입력층과 출력층 사이에 적어도 하나의 은닉층이 존재하는 다층 퍼셉트론(perceptron)으로 구현된다. 입력층, 은닉층 및 출력층의 사이는 복수의 가중 링크로 연결되며, 가중 링크의 가중치는 학습을 통해서 조정된다. 즉, 인공 신경망 모델은 복수의 가중치를 포함할 수 있다. 일 예로, 인공 신경망 모델은 LSTM(Long Short Term Memory) 아키텍처로 설정될 수 있다.

구체적으로, 관성 정보 신호는 인공 신경망 모델의 입력층에 입력될 수 있다. 일 예로, 관성 정보 신호는 3개의 신호로 이루어진 가속도 정보와, 3개의 신호로 이루어진 각속도 정보와, 가속도 정보와 각속도 정보의 조합으로 구성될 수 있다.

그리고, 인공 신경망은 연산 결과를 기초로 적어도 하나 이상의 인체 무게 중심의 추정 값을 출력할 수 있다. 일 예로, 인체 무게 중심 추정값은 복수로 이루어질 수 있으며, 시상면, 관상면, 횡단면을 기준으로 한 보행 인체 무게 중심의 궤적을 출력할 수 있다.

도 5는 본 발명의 실시예에 따른 인체 무게 중심값을 추정하는 방법을 도시한 흐름도이다.

단계(S100)에서 인공 신경망에서 입력으로 사용될 관성정보를 선택한다. 관성 정보는 IMU 센서(110)에서 획득 가능한 가속도, 각속도, 지자기 값 중 적어도 하나가 될 수 있다.

바람직하게는 각속도와 가속도와 각속도의 조합값이 될 수 있다. 가속도 센서로부터 획득한 가속도 값은 두 번 적분을 통해 변위를 산출할 수 있지만 움직임이 발생한 경우에는 기울기 값을 측정하기 어려운 점이 존재한다. 한편, 각속도는 기울기를 측정이 가능하다. 단계(S100)는 3축의 가속도 및 각속도 값과 이의 조합 중 가장 실측값과 오차가 적은 입력 특징값을 학습하여 선택하는 과정 포함할 수 있다.

단계(S110)에서는 선택된 관성 정보 데이터를 수집한다. 예컨데 피험자의 5번 요추 위치에 관성 센서를 부착하고, 다양한 속도와 다수의 보행을 하고 이때 측정된 관성 정보를 획득한다. 획득된 관성정보는 디지털 필터를 이용하여 고주파 잡음을 제거하고, 피험자의 다리 길이 등을 고려하여 정규화 될 수 있다.

단계 (S120)에서는 훈련 및 검증을 위하여 보행 중 인체 무게 중심값을 산출 및 수집한다. 관성 정보 데이터 수집 대상의 피험자는 광학 운동 분석기를 통해 인체 무게 중심이 측정 및 산출될 수 있다. 예를 들어, 인체 부착된 마커의 궤적과 인체 계측 모델을 기반으로 인체 무게 중심이 산출될 수 있다. 전술한 바와 같이 3차원 공간상 인체 각 체절 무게 중심의 가중치 합을 산출한다.

본 발명의 일 실시예에서는 인체를 15 체절 (2 feet, 2 shanks, 2 thighs, pelvis, trunk, head, 2 upper arms, 2 lower arms and 2 hands)과 14 관절로 모델링 하였으며, 각 체절은 관절과 관절 사이의 강체로 가정한 후 체절의 무게 중심의 가중 평균으로 인체 무게 중심 궤적을 산출한다.

산출 및 수집된 인체 무게 중심 궤적은 피험자의 다리 길이 등을 고려하여 정규화 될 수 있다.

단계(S130)에서 수집된 관성정보 데이터와 인체 무게 중심값을 이용하여 제1인공 신경망 모델을 설정할 수 있다. 모델의 입력 변수는 3축 가속도 및 3축 각속도의 신호의 각각 또는 조합으로 구성될 수 있다. 출력변수는 시상면, 관상면 횡단면의 인체 무게 중심으로 설정될 수 있다. 제1인공 신경망 모델은 LSTM(Long short-term memory network model) 모델을 기반으로 설정될 수 있다. LSTM모델은 최적의 입력 변수를 학습하여 최적화 수렴성을 향상시킬 수 있다.

단계(S140)에서 추정된 보행중 인체 무게 중심값의 검증을 수행한다. 검증과 테스트 결과에 따라 제1인공 신경망 모델은 추가의 수정이 수행될 수 있다.

단계(S150)은 관성 정보의 선택의 변경이 필요한지 확인한다. 예컨데, 실측값과 추정값의 오차를 최소화하기 위한 관성정보의 선택의 학습을 수행하게 된다. 본 발명의 일 실시예에서는 시간에 따라 변화하는 3축 각속도 3개의 값 또는 3축 가속도 및 3축 각속도의 6개의 값을 변경하는 방법을 이용할 수 있다. 만약, 최적화를 위하여 관성 정보 선택의 변경이 필요한 경우에는 단계(S100)으로 회귀하여 수집 대상 관성 정보를 다시 선택하게 된다.

한편, 단계(S160)에서는 인공 신경망 모델의 수정이 필요한지 판단하게 된다. 모델의 수정의 방법은 산출값과 추정값의 오차가 감소하도록 인공 신경망 모델의 은닉층의 가중치를 수정하는 방법을 이용할 수 있다.

수정된 제2인공 신경망 모델은 학습-검증-테스트 단계를 반복하여 단계(S180)에서 최종 인공 신경망 모델을 결정하고, 이로부터 보행 중 인체 무게 중심값을 결정하게 된다.

최종 인공 신경망 모델에서 추정된 인체 무게 중심값은 시간에 따라 3가지 면에서 인체 무게 중심 궤적으로 출력된다.

도 6는 본 발명의 실시예에 따른 인공 신경망 모델을 도시한 도면이다.

도 6의 인공 신경망 모델은 인체 무게 중심의 궤적을 추정하기 위해 시간의 흐름에 따라 변화하는 데이터를 학습하는 딥러닝 모델을 사용한다.

도 6에 도시된 바와 같이, 인공 신경망 모델은 LSTM(Long Short Term Memory) 아키텍처로 구현될 수 있다. LSTM 아키텍처는 시간의 흐름에 따라 변화하는 데이터를 학습하는 딥러닝 방식으로 동작하며, 이전 단계의 정보를 받아 반복적으로 처리하는 순환 신경망 모델의 하나로서 시계열 데이터의 예측에 높은 정확도를 갖는 인공 신경망 모델이다.

이에 따르면, 인체 무게 중심값은 보다 정확히 추정될 수 있다. 이는 인공 신경망 모델에 입력되는 관성 정보 신호가 보행 시 시계열적으로 측정된 신호이기 때문이다. 즉, 인공 신경망 모델은 시계열적으로 측정된 관성 정보 신호를 분석하기 위해 시계열 데이터의 예측에 적합한 LSTM 아키텍처를 채택함으로써 인체 무게 중심 궤적을 보다 정확히 추정할 수 있다.

LSTM 아키텍처의 입력 벡터는 x,y,z축의 가속도와 각속도로 이뤄질 수 있다. 출력 벡터는 x,y,z 축의 무게 중심값이 될 수 있다. 이로부터, 시상면, 관상면, 횡단면의 무게 중심의 궤적을 획득할 수 있다.

본 발명의 일 실시예에서 LSTM 아키텍쳐는 State activation 함수로 하이퍼볼릭 탄젠트 함수를 사용하였으며, Optimizer는 최적화 수렴 성능이 좋은 adaptive moment estimation (Adam) stochastic gradient descent method를 사용할 수 있다.

도 7은 본 발명의 일 실시예에 따라 수집된 관성 정보를 도시한 도면이다.

도 7은 보행 시 피험자의 요추에 부착된 관성 센서로부터 추출된 3축 가속도 및 각속도 원시 신호(raw signal)와 10 Hz 컷오프 주파수로 필터링한 신호를 도시하고 있다. 가속도 및 각속도 원시 신호에서 보행 1 주기의 대략적인 신호 패턴이 나타났다. 가속도는 모든 축에서 약 -0.5g 부터 0.5g의 크기 내에서 나타났으며 (도 7의 (a) 참조), 각속도는 근위 원위(Proximal/distal) 방향에서 값의 변화가 대략 200 deg/s 로 가장 크게 나타났다 (도 7의 (b) 참조).

점선으로 표현된 신호는 필터를 적용한 신호로서, 고주파 성분은 제거되었으나 대부분의 원시신호 패턴을 유지하는 것을 확인할 수 있다.

도 8은 본 발명의 일 실시예에 따라 추정된 인체 무게 중심의 궤적을 도시한 도면이다.

도 8은, 광학 운동 분석 장치를 이용하여 산출된 인체 무게 중심 궤적은 실선으로 표시되고 있으며, 관성 센서를 이용하여 LSTM 아키텍쳐에서 추정된 무게 중심의 궤적은 점선으로 표시하고 있다.

전/후 방향(a)에서는 보행 진행 방향과 동일하기 때문에 약 1400mm 정도의 궤적 변화가 나타났다. 하지만 내외측 방향(b)과 근위/원위 방향(c)에서는 정현파 형태와 같은 주기적인 패턴이 나타났으며, 최대값과 최소값의 차이는 각각 약 25mm 과 30mm 정도로 변화하였다. 모든 축에서 모델에서 추정된 결과는 매우 적은 오차는 존재하지만 산출된 무게 중심과 일치하는 것을 확인할 수 있다.

실제로 가속도, 각속도, 가속도 각속도를 조합하여 추정된 인체 무게 중심의 상관 계수는 최소값이 0.89 수준으로 높은 상관성을 제공한다.

도 9는 입력 변수에 따라 인체 무게 중심의 추정 성능을 도시한 도면이다.

도 9로부터 가속계, 자이로 센서와 가속계와 자이로 센서의 조합에 따라 추정 결과가 상이한 것을 확인할 수 있다. 즉, 가속도, 각속도, 가속도와 각속도의 조합을 입력 변수로 선택했을 경우 각각의 산출값과의 RMSE (평균제곱근 오차)를 도시하고 있다.

도 9에 도시된 바와 같이 3가지 방향에 대해서 상대 RMSE값의 평균은 10%으로 확인된다. 각각의 방향을 살펴보면, 구체적으로, 내외측(Medial/lateral) 방향에서 약 15%의 상대 RMSE 값으로 가장 높게 나타났으며, 전후(Anterior/posterior) 방향에서 약 2.5 % 이내로 낮게 나타났다.

한편, 가속도계, 자이로스코프, 가속도계와 자이로스코프가 조합된 경우 각각의 성능을 확인할 수 있다.

가속계만을 이용한 경우에는 자이로스코프 또는 두가지를 신호를 다 이용한 경우에 비해 전/후 방향의 RMSE가 높게 측정되는 것을 확인할 수 있다.

이러한 결과를 기초로 하여, 본 발명의 일 실시예에서는 가속도와 각속도를 함께 측정 가능한 IMU센서를 이용할 수도 있지만, 각속도만 측정하는 자이로스코프 만으로 상당히 높은 정확도로 인체 무게 중심의 궤적을 추정할 수 있음을 확인할 수 있다.

전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.

본 발명의 범위는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.

100 : 관성 측정 장치
110 : 관성 측정 센서
120 : 배터리
130 : 통신 모듈
140 : 마이크로 컨트롤러
200, 300 : 데이터 처리 장치

Claims (12)

1. 인체 무게 중심의 궤적을 추정하는 장치에 있어서,
   착용 가능한 형태로 이루어지며, 3축의 각속도를 포함하는 관성 정보 신호를 측정할 수 있는 센서 장치와,
   상기 관성 정보 신호를 수신하고, 상기 수신한 관성 정보 신호를 인공 신경망 모델의 입력으로 하고, 광학 운동 분석 장치가 산출한 인체 무게 중심 값을 이용하여 인체 무게 중심의 궤적의 추정값을 생성하는 데이터 처리 장치를 포함하는 것인 인체 무게 중심 궤적 추정 장치.
2. 제1 항에 있어서, 상기 관성 정보 신호는 3축의 가속도를 더 포함하는 것인 인체 무게 중심 궤적 추정 장치.
3. 제1 항에 있어서,
   상기 인공 신경망 모델은 LSTM(Long Short Term Memory) 아키텍처를 포함하며, 상기 인공 신경망 모델은 시계열 데이터에 기초하여 모델을 변경하는 것인 인체 무게 중심 궤적 추정 장치.
4. 제1 항에 있어서,
   상기 센서 장치는 인체의 요추 부분에 착용되는 것인 인체 무게 중심 궤적 추정 장치.
5. 제1 항에 있어서,
   상기 데이터 처리 장치는 상기 인공 신경망 모델에 상기 관성 정보 신호를 입력하기 전에 상기 관성 정보 신호로부터 미리 정해진 주파수 이상의 주파수 성분을 제거하는 것인 인체 무게 중심 궤적 추정 장치..
6. 제1 항에 있어서,
   상기 센서 장치는 자이로스코프인 것인 인체 무게 중심 궤적 추정 장치.
7. 제2항에 있어서,
   상기 인공 신경망의 입력은 3축의 각속도 및 3축의 가속도 정보인 것인 인체 무게 중심 궤적 추정 장치.
8. 인체 무게 중심을 추정하는 방법에 있어서,
   적어도 3축 각속도 정보를 포함하는 관성 정보를 선택하는 단계;
   선택된 관성 정보와 광학 운동 분석 장치로부터 산출된 인체 무게 중심값을 수집하는 단계;
   상기 관성 정보를 입력 변수로 하고, 시상면, 관상면, 횡단면의 인체 무게 중심 궤적을 출력 변수로 하는 제1인공 신경망 모델을 설정하는 단계;
   상기 인공 신경망 모델을 이용하여 획득된 인체 무게 중심 추정 값을 상기 광학 운동 분석 장치로부터 산출된 인체 무게 중심값을 이용하여 검증하는 단계; 및
   상기 검증 단계의 결과에 기초하여 제1인공 신경망 모델을 수정하여 최종 인체 무게 중심 궤적 추정값을 결정하는 단계
   를 포함하는 인체 무게 중심 궤적 추정 방법.
9. 제 8항에 있어서,
   상기 검증 단계에 기초하여 관성 정보 선택의 변경을 수행하는 단계를 더 포함하는 인체 무게 중심 궤적 추정 방법.
10. 제9 항에 있어서,
    상기 제1 인공 신경망 모델은 LSTM(Long Short Term Memory) 아키텍처를 포함하는 것인 인체 무게 중심 궤적 추정 방법.
11. 제9 항에 있어서,
    상기 관성 정보 신호는 상기 입력으로 사용되기 전에 미리 정해진 주파수 이상의 주파수 성분이 제거되는 것인 인체 무게 중심 궤적 추정 방법.
12. 제8 항에 있어서,
    상기 관성 정보는 3축의 각속도 정보와 3축의 가속도 정보인 것인 인체 무게 중심 궤적 추정 방법.

Images