KR20230156865A - 도메인 적응기법과 유연 시간윈도우를 이용한 보행상태 예측시스템 및 방법 - Google Patents

도메인 적응기법과 유연 시간윈도우를 이용한 보행상태 예측시스템 및 방법 Download PDF

Info

Publication number
KR20230156865A
KR20230156865A KR1020220056223A KR20220056223A KR20230156865A KR 20230156865 A KR20230156865 A KR 20230156865A KR 1020220056223 A KR1020220056223 A KR 1020220056223A KR 20220056223 A KR20220056223 A KR 20220056223A KR 20230156865 A KR20230156865 A KR 20230156865A
Authority
KR
South Korea
Prior art keywords
value
walking state
time window
domain adaptation
adaptation technique
Prior art date
Application number
KR1020220056223A
Other languages
English (en)
Inventor
남우철
이기욱
양원석
나재영
최원석
박준일
Original Assignee
중앙대학교 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 중앙대학교 산학협력단 filed Critical 중앙대학교 산학협력단
Priority to KR1020220056223A priority Critical patent/KR20230156865A/ko
Publication of KR20230156865A publication Critical patent/KR20230156865A/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/112—Gait analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—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
    • A61B5/1121—Determining geometric values, e.g. centre of rotation or angular range of movement
    • 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
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • Physics & Mathematics (AREA)
  • Medical Informatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Artificial Intelligence (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Physiology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Mathematical Physics (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Evolutionary Computation (AREA)
  • Primary Health Care (AREA)
  • Dentistry (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Geometry (AREA)
  • Fuzzy Systems (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

본 발명은 도메인 적응기법과 유연 시간윈도우를 이용한 보행상태 예측시스템 및 방법에 관한 것으로, 보다 상세하게는 기존 피실험자에 대한 동작신호값과 보행상태변수의 참값을 DB화하여 저장하는 데이터 베이스; 새로운 피실험자의 동작신호값을 측정하는 동작신호측정부; 상기 새로운 피실험자의 동작신호값에서 특성인자를 추출하는 특성인자 추출부; 및 상기 데이터베이스에 저장된 데이터를 소스데이터로 하고, 상기 특성인자 추출부에서 추출된 특성인자를 타겟데이터로 하여, 도메인 적응기법을 통해 상기 새로운 피실험자에 대한 보행상태변수를 예측하는 보행상태변수 예측부;를 포함하는 것을 특징으로 하는 도메인 적응기법과 유연 시간윈도우를 이용한 보행상태 예측시스템에 관한 것이다.

Description

도메인 적응기법과 유연 시간윈도우를 이용한 보행상태 예측시스템 및 방법{Neural network for prediction of gait phase variable using domain adaptation technique and flexible time-window}
본 발명은 도메인 적응기법과 유연 시간윈도우를 이용한 보행상태 예측시스템 및 방법에 관한 것이다.
도 1은 보행상태 변수의 정의를 나타낸 것이다. 사람의 2족 보행은 도 1에 도시된 같이 0%에서 100%까지 연속적으로 변하는 보행상태변수로 표현할 수 있으며, 이 보행상태변수는 왼쪽 발이 지면에 닿는 순간이 0%로 지정되며, 그 후로는 변수는 시간에 비례하여 증가하여 왼쪽 발이 다시 지면에 닿는 순간 100%가 되도록 정의된다. 그리고 그 순간은 왼쪽 발이 지면에 닿는 순간이므로 다시 0%로 정의된다.
보행상태 예측방법은 경험적 규칙을 이용한 예측과 머신 러닝 기반의 보행 단계 예측으로 분류된다. 전자는 보행 신호의 역치 값(threshold) 또는 최대값 (peak value)과 같은 통계적 수치를 활용해 특정한 규칙에 의해 보행 단계를 예측하는 방법이다. 후자는 센서에서 측정되는 신호를 서포트 벡터 머신, 다층 퍼셉트론, 컨볼루션 신경망, 순환 신경망 등의 머신 러닝 알고리즘을 활용하여 보행 신호의 단계를 추정한다.
기존의 보행상태 예측모델은 피실험자의 다리동작 신호값(허벅지에 부착된 IMU의 신호)과 시간에 따른 보행상태변수의 참값을 모두 학습데이터로 사용해야 낮은 에러를 가진다는 단점을 지니고 있다. 그러므로 모델을 사용할 새로운 피실험자가 생기면 그 사람의 다리동작 신호값과 보행상태변수값을 모두 측정하는 실험을 수행하고 그 데이터로 모델을 학습시켜야 한다. 동작신호값은 단순히 IMU센서를 다리에 부착하고 보행을 시행하면 쉽게 취득할 수 있다. 그러나 보행상태변수의 참값을 취득하기 위해서는 발과 지면이 접촉하는 순간을 정확히 측정할 수 있는 고가의 장비가 필요하다. 다시 말하자면, 기존 보행상태 예측모델을 사용할 경우, 정확한 예측을 위해서는 반드시 고가의 장비로 보행자 발의 지면접촉순간을 측정하는 실험(족압데이터 수집과정)을 수행해야 한다는 한계점을 지닌다.
보행예측모델은 도 2와 같이 시간 윈도우를 사용하여 특성인자를 도출하여 예측에 사용한다. 예를 들면, 최근 0.3초 시간윈도우 안에서 측정된 다리 각도값의 평균값, 분산값, 최대값, 최소값 등을 특성인자로 정하고 이 인자값을 예측모델의 입력값으로 사용하여 현재의 보행상태변수값으로 예측할 수 있다. 그러나 기존 모델들은 고정된 길이의 시간윈도우를 사용한다는 한계를 지닌다. 이 경우, 피실험자의 보행주기가 시간에 따라 변하면, 보행동작의 패턴 자체가 유지되더라도 특성인자 값이 변하게 되어 예측의 성능이 저하된다는 문제가 발생한다.
대한민국 등록특허 10-2173918 대한민국 등록특허 10-2357259 대한민국 공개특허 10-2012-0112231 대한민국 등록특허 10-2302719
따라서 본 발명은 상기와 같은 종래의 문제점을 해결하기 위하여 안출된 것으로서, 기존의 보행상태 예측모델들은 정확도에 관련된 문제들을 지니고 있으므로 이를 해결하기 위하여 본 발명의 실시예에서는 도메인 적응 기술과 유연한 시간윈도우 기법을 통합하여 예측의 정확도를 향상시킬 수 있는, 도메인 적응기법과 유연 시간윈도우를 이용한 보행상태 예측시스템 및 방법을 제공하는데 그 목적이 있다.
본 발명의 실시예에 따르면, 허벅지의 각도와 각도값(다리동작신호)을 입력값으로 받아 보행상태 변수값을 결과값으로 출력하는 인공신경망 알고리즘에 대한 것으로, 이 알고리즘은 사람의 보행 분석을 통한 재활, 스포츠 분석, 웨어러블 로봇 제어에 활용 가능한, 도메인 적응기법과 유연 시간윈도우를 이용한 보행상태 예측시스템 및 방법을 제공하는데 그 목적이 있다.
본 발명의 실시예에 따르면, 소수의 피실험자에 대한 보행상태변수에 대한 데이터베이스를 구축해 놓으면, 새로운 피실험자가 생기더라도 그 새로운 피실험자의 보행상태변수에 대한 측정값이 없이도 새로운 피실험자에 맞춤화된 모델을 학습할 수 있는, 도메인 적응기법과 유연 시간윈도우를 이용한 보행상태 예측시스템 및 방법을 제공하는데 그 목적이 있다.
본 발명의 실시예에 따르면, 1) 기존 피실험자의 동작신호값, 2) 기존 피실험자의 보행상태변수값, 그리고 3) 새로운 피실험자의 동작신호값만을 이용하여 새로운 피실험자에 맞춤화된 모델을 학습시킬 수 있는, 도메인 적응기법과 유연 시간윈도우를 이용한 보행상태 예측시스템 및 방법을 제공하는데 그 목적이 있다.
본 발명의 실시예에 따른 시간윈도우의 길이값은 바로 이전 보행사이클의 보행주기값을 기반으로 실시간으로 업데이트하며, 이러한 방식을 사용하여 보행주기가 변하더라도 그에 따라 능동적으로 변화하는 시간윈도우를 가질 수 있으므로 예측에러를 감소시킬 수 있는, 도메인 적응기법과 유연 시간윈도우를 이용한 보행상태 예측시스템 및 방법을 제공하는데 그 목적이 있다.
종래의 보행분석 알고리즘을 학습하기 위해서는 모든 사용자에 대한 보행상태변수의 참값이 필요하였고 이를 위해 모든 사용자들이 고가의 측정장비가 설치되어 있는 실험실에 방문하여 보행실험을 진행해야 한다는 단점을 지니고 있어 로봇활용의 확대에 제한이 있었으나, 본 발명의 실시예에 따르면, 소수의 피실험자에 대한 보행상태변수의 참값을 측정하고 나면, 그 후에 새롭게 추가되는 피실험자들은 보행상태변수 측정에 대한 실험이 없이도 보행상태 예측이 가능하며 즉, 보다 간편하게 개인 맞춤화된 보행상태예측 모델 학습을 실행할 수 있고 보행주기가 변하도록 자유롭게 보행하더라도 예측의 정확도가 감소하지 않는, 도메인 적응기법과 유연 시간윈도우를 이용한 보행상태 예측시스템 및 방법을 제공하는데 그 목적이 있다.
한편, 본 발명에서 이루고자 하는 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급하지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 발명의 제1목적은 보행상태변수를 예측하기 위한 시스템으로서, 기존 피실험자에 대한 동작신호값과 보행상태변수의 참값을 DB화하여 저장하는 데이터 베이스; 새로운 피실험자의 동작신호값을 측정하는 동작신호측정부; 상기 새로운 피실험자의 동작신호값에서 특성인자를 추출하는 특성인자 추출부; 및 상기 데이터베이스에 저장된 데이터를 소스데이터로 하고, 상기 특성인자 추출부에서 추출된 특성인자를 타겟데이터로 하여, 도메인 적응기법을 통해 상기 새로운 피실험자에 대한 보행상태변수를 예측하는 보행상태변수 예측부;를 포함하는 것을 특징으로 하는 도메인 적응기법과 유연 시간윈도우를 이용한 보행상태 예측시스템으로서 달성될 수 있다.
그리고 상기 동작신호측정부는 관성센서이고, 상기 동작신호값은 허벅지 각도와 각속도인 것을 특징으로 할 수 있다.
또한 상기 특성인자추출부는 유연 시간윈도우를 이용하여 특성인자를 추출하는 것을 특징으로 할 수 있다.
그리고 동작신호의 시간 윈도우에서 직전 보행사이클의 보행주기를 산출하고, 상기 보행주기에서 특정 %에 해당하는 시간을 시간윈도우 길이값으로 결정하고, 결정된 상기 시간윈도우 길이 내에서 특성인자를 추출하는 것을 특징으로 할 수 있다.
또한 상기 보행주기는 각도값의 이동평균의 피크값들의 시간차이로 계산되며, 상기 특성인자는 시간윈도우 안에 존재하는 각도의 마지막값, 최소값, 최대값, 평균값, 분산값, 및 각속도의 마지막 값 중 적어도 어느 하나를 포함하는 것을 특징으로 할 수 있다.
그리고 상기 보행상태변수 예측부는, 상기 소스데이터와 상기 타겟데이터 분포를 유사하게 되도록 학습하는 맵핑테트워크; 유사화된 타겟데이터와 소스데이터를 기반으로 새로운 피실험자의 보행상태변수를 산출하는 회귀네트워크; 및 소스데이터와 타켓데이터를 분류하는 도메인분류기;를 포함하는 것을 특징으로 할 수 있다.
또한 상기 도메인 적응기법의 전체 네트워크 파라미터값은, 회귀네트위크의 에러값과을 최소화하면서 동시에 도메인 분류기의 에러값을 최대화하도록 학습하는 것을 특징으로 할 수 있다.
그리고 상기 회귀네트위크의 에러값은 기존 피실험자의 보행상태변수에 대한 에러값이고, 상기 도메인 분류기 에러값은 분류 성능에 대한 에러값인 것을 특징으로 할 수 있다.
본 발명의 제2목적은 보행상태변수를 예측하기 위한 방법으로서, 기존 피실험자에 대한 동작신호값과 보행상태변수의 참값을 데이터 베이스에 저장하여 DB화하는 단계; 동작신호측정부가 새로운 피실험자의 동작신호값을 측정하는 단계; 특성인자 추출부가 상기 새로운 피실험자의 동작신호값에서 유연 시간윈도우 기법을 이용하여 특성인자를 추출하는 단계; 및 보행상태 변수 예측부가 상기 데이터베이스에 저장된 데이터를 소스데이터로 하고, 상기 특성인자 추출부에서 추출된 특성인자를 타겟데이터로 하여, 도메인 적응기법을 통해 상기 새로운 피실험자에 대한 보행상태변수를 예측하는 단계;를 포함하는 것을 특징으로 하는 도메인 적응기법과 유연 시간윈도우를 이용한 보행상태 예측방법으로서 달성될 수 있다.
그리고 상기 특성인자를 추출하는 단계는, 동작신호의 시간 윈도우에서 직전 보행사이클의 보행주기를 산출하고, 상기 보행주기에서 특정 %에 해당하는 시간을 시간윈도우 길이값으로 결정하고, 결정된 상기 시간윈도우 길이 내에서 특성인자를 추출하고, 상기 보행주기는 각도값의 이동평균의 피크값들의 시간차이로 계산되며, 상기 특성인자는 시간윈도우 안에 존재하는 각도의 마지막값, 최소값, 최대값, 평균값, 분산값, 및 각속도의 마지막 값 중 적어도 어느 하나를 포함하는 것을 특징으로 할 수 있다.
그리고 상기 보행상태변수를 예측하는 단계는, 핑네트워크가 상기 소스데이터와 상기 타겟데이터 분포를 유사하게 되도록 학습하는 단계; 도메인 분류기가 소스데이터와 타켓데이터를 분류하는 단계; 및 회귀네트워크가 유사화된 타겟데이터와 소스데이터를 기반으로 새로운 피실험자의 보행상태변수를 산출하는 단계를 포함하는 것을 특징으로 할 수 있다.
또한 상기 보행상태변수를 예측하는 단계는, 상기 도메인 적응기법의 전체 네트워크 파라미터값은, 기존 피실험자의 보행상태변수에 대한 에러인 회귀네트위크의 에러값과을 최소화하면서 동시에 분류 성능에 대한 에러인 도메인 분류기의 에러값을 최대화하도록 학습하는 것을 특징으로 할 수 있다.
기존의 보행상태 예측모델들은 정확도에 관련된 문제들을 지니고 있으므로 이를 해결하기 위하여 본 발명의 실시예에 따른 도메인 적응기법과 유연 시간윈도우를 이용한 보행상태 예측시스템 및 방법에 따르면, 도메인 적응 기술과 유연한 시간윈도우 기법을 통합하여 예측의 정확도를 향상시킬 수 있는 효과를 갖는다.
본 발명의 실시예에 따른 도메인 적응기법과 유연 시간윈도우를 이용한 보행상태 예측시스템 및 방법에 따르면, 허벅지의 각도와 각도값(다리동작신호)을 입력값으로 받아 보행상태 변수값을 결과값으로 출력하는 인공신경망 알고리즘에 대한 것으로, 이 알고리즘은 사람의 보행 분석을 통한 재활, 스포츠 분석, 웨어러블 로봇 제어에 활용 가능한 장점이 있다.
본 발명의 실시예에 따른 도메인 적응기법과 유연 시간윈도우를 이용한 보행상태 예측시스템 및 방법에 따르면, 소수의 피실험자에 대한 보행상태변수에 대한 데이터베이스를 구축해 놓으면, 새로운 피실험자가 생기더라도 그 새로운 피실험자의 보행상태변수에 대한 측정값이 없이도 새로운 피실험자에 맞춤화된 모델을 학습할 수 있는 효과를 갖는다.
본 발명의 실시예에 따른 도메인 적응기법과 유연 시간윈도우를 이용한 보행상태 예측시스템 및 방법에 따르면, 1) 기존 피실험자의 동작신호값, 2) 기존 피실험자의 보행상태변수값, 그리고 3) 새로운 피실험자의 동작신호값만을 이용하여 새로운 피실험자에 맞춤화된 모델을 학습시킬 수 있는 효과를 갖는다.
본 발명의 실시예에 따른 도메인 적응기법과 유연 시간윈도우를 이용한 보행상태 예측시스템 및 방법에 따르면, 시간윈도우의 길이값은 바로 이전 보행사이클의 보행주기값을 기반으로 실시간으로 업데이트하며, 이러한 방식을 사용하여 보행주기가 변하더라도 그에 따라 능동적으로 변화하는 시간윈도우를 가질 수 있으므로 예측에러를 감소시킬 수 있는 효과를 갖는다.
종래의 보행분석 알고리즘을 학습하기 위해서는 모든 사용자에 대한 보행상태변수의 참값이 필요하였고 이를 위해 모든 사용자들이 고가의 측정장비가 설치되어 있는 실험실에 방문하여 보행실험을 진행해야 한다는 단점을 지니고 있어 로봇활용의 확대에 제한이 있었으나, 본 발명의 실시예에 따른 도메인 적응기법과 유연 시간윈도우를 이용한 보행상태 예측시스템 및 방법에 따르면, 소수의 피실험자에 대한 보행상태변수의 참값을 측정하고 나면, 그 후에 새롭게 추가되는 피실험자들은 보행상태변수 측정에 대한 실험이 없이도 보행상태 예측이 가능하며 즉, 보다 간편하게 개인 맞춤화된 보행상태예측 모델 학습을 실행할 수 있고 보행주기가 변하도록 자유롭게 보행하더라도 예측의 정확도가 감소하지 않는 효과를 갖는다.
한편, 본 발명에서 얻을 수 있는 효과는 이상에서 언급한 효과들로 제한되지 않으며, 언급하지 않은 또 다른 효과들은 아래의 기재로부터 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
본 명세서에 첨부되는 다음의 도면들은 본 발명의 바람직한 실시예를 예시하는 것이며, 발명의 상세한 설명과 함께 본 발명의 기술적 사상을 더욱 이해시키는 역할을 하는 것이므로, 본 발명은 그러한 도면에 기재된 사항에만 한정되어 해석 되어서는 아니 된다.
도 1은 보행상태 변수의 정의를 나타낸 모식도,
도 2는 시간윈도우를 이용한 특성인자 추출과 보행상태변수 예측모델,
도 3은 본 발명의 실시예에 따른 도메인 적응기법과 유연 시간윈도우를 이용한 보행상태 예측시스템의 블록도,
도 4는 본 발명의 실시예에 따른 도메인 적응기법과 유연 시간윈도우를 이용한 보행상태 예측방법의 흐름도,
도 5는 본 발명의 실시예에 따른 유연 시간 윈도우를 통한 특성인자 추출 과정,
도 6은 본 발명의 실시예에 따른 도메인 적응기법을 통한 새로운 피실험자에 대한 보행상태 변수 예측 과정을 나타낸 블록도를 도시한 것이다.
이상의 본 발명의 목적들, 다른 목적들, 특징들 및 이점들은 첨부된 도면과 관련된 이하의 바람직한 실시예들을 통해서 쉽게 이해될 것이다. 그러나 본 발명은 여기서 설명되는 실시예들에 한정되지 않고 다른 형태로 구체화될 수도 있다. 오히려, 여기서 소개되는 실시예들은 개시된 내용이 철저하고 완전해질 수 있도록 그리고 통상의 기술자에게 본 발명의 사상이 충분히 전달될 수 있도록 하기 위해 제공되는 것이다.
본 명세서에서, 어떤 구성요소가 다른 구성요소 상에 있다고 언급되는 경우에 그것은 다른 구성요소 상에 직접 형성될 수 있거나 또는 그들 사이에 제 3의 구성요소가 개재될 수도 있다는 것을 의미한다. 또한 도면들에 있어서, 구성요소들의 두께는 기술적 내용의 효과적인 설명을 위해 과장된 것이다.
본 명세서에서 기술하는 실시예들은 본 발명의 이상적인 예시도인 단면도 및/또는 평면도들을 참고하여 설명될 것이다. 도면들에 있어서, 막 및 영역들의 두께는 기술적 내용의 효과적인 설명을 위해 과장된 것이다. 따라서 제조 기술 및/또는 허용 오차 등에 의해 예시도의 형태가 변형될 수 있다. 따라서 본 발명의 실시예들은 도시된 특정 형태로 제한되는 것이 아니라 제조 공정에 따라 생성되는 형태의 변화도 포함하는 것이다. 예를 들면, 직각으로 도시된 영역은 라운드지거나 소정 곡률을 가지는 형태일 수 있다. 따라서 도면에서 예시된 영역들은 속성을 가지며, 도면에서 예시된 영역들의 모양은 소자의 영역의 특정 형태를 예시하기 위한 것이며 발명의 범주를 제한하기 위한 것이 아니다. 본 명세서의 다양한 실시예들에서 제1, 제2 등의 용어가 다양한 구성요소들을 기술하기 위해서 사용되었지만, 이들 구성요소들이 이 같은 용어들에 의해서 한정되어서는 안 된다. 이들 용어들은 단지 어느 구성요소를 다른 구성요소와 구별시키기 위해서 사용되었을 뿐이다. 여기에 설명되고 예시되는 실시예들은 그것의 상보적인 실시예들도 포함한다.
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 구성요소는 하나 이상의 다른 구성요소의 존재 또는 추가를 배제하지 않는다.
아래의 특정 실시예들을 기술하는데 있어서, 여러 가지의 특정적인 내용들은 발명을 더 구체적으로 설명하고 이해를 돕기 위해 작성되었다. 하지만 본 발명을 이해할 수 있을 정도로 이 분야의 지식을 갖고 있는 독자는 이러한 여러 가지의 특정적인 내용들이 없어도 사용될 수 있다는 것을 인지할 수 있다. 어떤 경우에는, 발명을 기술하는 데 있어서 흔히 알려졌으면서 발명과 크게 관련 없는 부분들은 본 발명을 설명하는데 있어 별 이유 없이 혼돈이 오는 것을 막기 위해 기술하지 않음을 미리 언급해 둔다.
이하에서는 본 발명의 실시예에 따른 도메인 적응기법과 유연 시간윈도우를 이용한 보행상태 예측시스템의 구성, 기능 및 예측방법에 대해 설명하도록 한다.
본 발명의 실시예에 따르면, 도메인 적응 기술과 유연한 시간윈도우 기법을 통합하여 예측의 정확도를 향상시킬 수 있으며, 허벅지의 각도와 각도값(동작신호)을 입력값으로 받아 보행상태 변수값을 결과값으로 출력하는 인공신경망 알고리즘에 대한 것으로, 이 알고리즘은 사람의 보행 분석을 통한 재활, 스포츠 분석, 웨어러블 로봇 제어에 활용 가능한 장점이 있다. 즉, 본 발명의 실시예에 따르면, 소수의 피실험자에 대한 보행상태변수에 대한 데이터베이스를 구축해 놓으면, 새로운 피실험자가 생기더라도 그 새로운 피실험자의 보행상태변수에 대한 측정값이 없이도 새로운 피실험자에 맞춤화된 모델을 학습할 수 있게 된다.
먼저, 도 3은 본 발명의 실시예에 따른 도메인 적응기법과 유연 시간윈도우를 이용한 보행상태 예측시스템의 블록도를 도시한 것이다. 그리고 도 4는 본 발명의 실시예에 따른 도메인 적응기법과 유연 시간윈도우를 이용한 보행상태 예측방법의 흐름도를 도시한 것이다.
본 발명의 실시예에 따른 도메인 적응기법과 유연 시간윈도우를 이용한 보행상태 예측시스템은 도 3에 도시된 바와 같이, 전체적으로 데이터베이스, 동작신호 측정부, 유연 시간윈도우 기법을 적용하는 특성인자 추출부, 도메인 적응모델이 적용되는 보행상태변수 예측부를 포함하여 구성됨을 알 수 있다.
데이터베이스(10)는 소수의 기존 피실험자에 대한 동작신호값과 보행상태변수의 참값을 DB화하여 저장하게 된다(S1). 동작신호는 다리 각도값, 각속도 값이며, 보행상태변수는 족압데이터를 통해 산출된 참값에 해당한다.
본 발명의 실시예에서는, 이러한 소수의 기존 피실험자에 대한 동작신호값과 보행상태변수를 소스데이터로 하고, 새로운 피실험자에 대한 동작신호값만을 통해(새로운 피실험자의 족압데이터 필요 없음), 새로운 피실험자에 대한 보행상태변수를 산출, 예측하는 것을 특징으로 한다.
동작신호측정부(1)는 새로운 피실험자의 동작신호값을 측정한다(S2). 동작신호는 다리 각도값, 각속도 값이고, 동작신호측정부(1)는 허벅지에 설치되는 관성센서(IMU)일 수 있다.
그리고 특성인자 추출부(20)는 새로운 피실험자의 동작신호값에서 특성인자를 추출한다.
본 발명의 실시예에서는 이러한 특성인자 추출에 대한 유연 시간윈도우 기법을 적용한다.
먼저, 동작신호의 시간 윈도우에서 직전 보행사이클의 보행주기를 산출하고(S3), 이러한 보행주기에서 특정 %에 해당하는 시간을 시간윈도우 길이값으로 결정하고(S4), 결정된 시간윈도우 길이 내에서 특성인자를 추출하게 된다(S5).
또한 보행주기는 각도값의 이동평균의 피크값들의 시간차이로 계산되며, 특성인자는 시간윈도우 안에 존재하는 각도의 마지막값, 최소값, 최대값, 평균값, 분산값, 및 각속도의 마지막값 등이다.
도 5는 본 발명의 실시예에 따른 유연 시간 윈도우를 통한 특성인자 추출 과정을 나타낸 것이다.
즉, 동작신호 측정부(IMU 센서)(1)를 통해 얻은 허벅지의 각도와 각속도 신호(동작신호)에 대한 특성인자를 유연한 시간 윈도우로 이용하여 계산한다. 이 때 사용되는 특성인자로는 최신 시간윈도우 안에 존재하는 각도의 마지막 값 (), 최소값 (), 최대값 (), 평균값 (), 분산값 () 및 각속도의 마지막 값 ()이 있다.
학습 보행 신호에 적용하는 윈도우 사이즈(길이값)는 이전 보행사이클의 보행주기의 30%에 해당하는 시간으로 결정한다. 이전 보행주기는 허벅지 각도(동작신호)의 근접한 peak값들의 시간차이로 계산될 수 있다. 허벅지 각도는 작게 변동하는 패턴을 보이므로 이러한 노이즈를 제거하기 위해서는 각도값 이동평균의 peak를 사용하면 더 정확하게 보행주기를 계산할 수 있다.
따라서 본 발명의 실시예에 따르면, 시간윈도우의 길이값은 바로 이전 보행사이클의 보행주기값을 기반으로 실시간으로 업데이트되며, 이러한 방식을 사용하여 보행주기가 변하더라도 그에 따라 능동적으로 변화하는 시간윈도우를 가질 수 있으므로 예측에러를 감소시킬 수 있게 된다.
다음으로, 보행상태변수 예측부(30)는 데이터베이스(10)에 저장된 데이터(기존 피실험자의 동작신호값, 보행상태변수 참값)를 소스데이터로 하고, 특성인자 추출부(20)에서 추출된 특성인자를 타겟데이터로 하여, 도메인 적응기법을 통해 새로운 피실험자에 대한 보행상태변수를 예측하게 된다.
이러한 보행상태변수를 예측하는 단계는, 매핑네트워크(31)가 소스데이터와 타겟데이터 분포를 유사하게 되도록 학습하게 된다(S6). 그리고 도메인 분류기(33)가 소스데이터와 타켓데이터를 분류하며, 회귀네트워크(32)가 유사화된 타겟데이터와 소스데이터를 기반으로 새로운 피실험자의 보행상태변수를 산출하게 된다(S7).
또한 이러한 보행상태변수를 예측하는 단계는, 도메인 적응기법의 전체 네트워크 파라미터값은, 기존 피실험자의 보행상태변수에 대한 에러인 회귀네트위크(32)의 에러값과을 최소화하면서 동시에 분류 성능에 대한 에러인 도메인 분류기(33)의 에러값을 최대화하도록 학습한다.
도 6은 본 발명의 실시예에 따른 도메인 적응기법을 통한 새로운 피실험자에 대한 보행상태 변수 예측 과정을 나타낸 블록도를 도시한 것이다.
도메인 적응 방법은 두 종류의 피실험자의 신호를 입력으로 받아들인다. 첫번째 신호는 IMU신호값(동작신호값)과 보행상태변수의 참값을 모두 알고 있는 "기존 피실험자"에 대한 데이터(소스데이터)이다. 두번째 신호는 IMU신호값(동작신호값)만 알고 보행상태변수의 참값은 모르고 있는 "새로운 피실험자"에 대한 데이터(타겟데이터)이다. 다시 강조하자면, 이 모델의 목적으로 이 "새로운 피실험자"의 보행상태변수를 예측하는 것이다.
도메인 적응 모델은 도 3 및 도 6과 같이 맵핑 네트워크(mapping network)(31), 회귀 네트워크(regression network)(32), 도메인 분류기(domain classifier)(33)로 이루어져 있다. 맵핑 네트워크(31)는 네트워크 입력값(특성인자값, 타겟데이터)을 새로운 데이터 공간으로 맵핑하는 역할을 한다. 그리고 도메인 분류기(33)는 입력으로 데이터가 "기존 피실험자"의 데이터(소스데이터)인지 "새로운 피실험자"의 데이터(타겟데이터)인지 구분하는 역할을 한다. 또한 회귀 네트워크(32)는 새로운 피실험자의 보행상태 변수값을 예측하는 기능을 한다.
네트워크는 에러값을 이용하여 학습되는데, 도메인 적응모델의 에러에는 두 가지 종류가 있다. 첫번째 에러는 도메인 분류기(33)의 에러로써 입력으로 들어온 데이터가 "기존 피실험자"의 데이터인지 "새로운 피실험자"의 데이터인지 분류하는 성능에 대한 에러값이다. 두번째 에러값은 회귀 네트워크(#1)의 에러값으로 "기존 피실험자"의 보행상태변수 예측에 대한 에러이다. 참고로 "새로운 피실험자"에 대한 보행상태변수 참값은 모르고 있으므로 "기존 피실험자" 데이터에 대한 회귀 네트워크의 에러값만을 학습에 사용한다.
전체 네트워크의 파라미터값은 회귀 네트워크의 손실값을 최소화하면서도 동시에 도메인 분류기의 손실값을 최대화하도록 학습시킨다. 이를 통해 입력으로 데이터의 주인(피실험자)를 구분하기 어려워지도록 학습된다. 이는 맵핑된 공간에서 "기존 피실험자"와 "새로운 피실험자"의 데이터 분포를 유사하게 되도록 맵핑 네트워크가 학습됨을 의미한다. 동시에 회귀 네트워크는 "기존 피실험자"의 보행상태를 정확하게 예측하도록 학습된다.
이렇게 학습이 완료된 후에는 맵핑된 공간에서는 두 피실험자의 데이터 분포가 유사하므로, "새로운 피실험자"의 보행상태를 "기존 피실험자"에 최적화된 회귀 네트워크로 예측해도 그 정확도가 높다. 그러므로 이 모델은 "새로운 피실험자"의 보행상태신호에 대한 참값 없이도 보행상태값을 정확하게 예측할 수 있게 된다.
앞서 언급한 바와 같이, 본 발명의 실시예에 따르면, 1) 기존 피실험자의 동작신호값, 2) 기존 피실험자의 보행상태변수값, 그리고 3) 새로운 피실험자의 동작신호값만을 이용하여 새로운 피실험자에 맞춤화된 모델을 학습시킬 수 있게 된다.
종래의 보행분석 알고리즘을 학습하기 위해서는 모든 사용자에 대한 보행상태변수의 참값이 필요하였고 이를 위해 모든 사용자들이 고가의 측정장비가 설치되어 있는 실험실에 방문하여 보행실험을 진행해야 한다는 단점을 지니고 있어 로봇활용의 확대에 제한이 있었으나, 앞서 언급한 본 발명의 실시예에 따른 도메인 적응기법과 유연 시간윈도우를 이용한 보행상태 예측시스템 및 방법에 따르면, 소수의 피실험자에 대한 보행상태변수의 참값을 측정하고 나면, 그 후에 새롭게 추가되는 피실험자들은 보행상태변수 측정에 대한 실험이 없이도 보행상태 예측이 가능하며 즉, 보다 간편하게 개인 맞춤화된 보행상태예측 모델 학습을 실행할 수 있고 보행주기가 변하도록 자유롭게 보행하더라도 예측의 정확도가 감소하지 않는 효과를 갖는다.
또한, 상기와 같이 설명된 장치 및 방법은 상기 설명된 실시예들의 구성과 방법이 한정되게 적용될 수 있는 것이 아니라, 상기 실시예들은 다양한 변형이 이루어질 수 있도록 각 실시예들의 전부 또는 일부가 선택적으로 조합되어 구성될 수도 있다.
1:동작신호 측정부
10:데이터베이스
20:특성인자추출부
30:보행상태변수 예측부
31:매핑네트워크
32:회귀네트워크
33:도메인 분류기
100:도메인 적응기법과 유연 시간윈도우를 이용한 보행상태 예측시스템

Claims (13)

  1. 보행상태변수를 예측하기 위한 시스템으로서,
    기존 피실험자에 대한 동작신호값과 보행상태변수의 참값을 DB화하여 저장하는 데이터 베이스;
    새로운 피실험자의 동작신호값을 측정하는 동작신호측정부;
    상기 새로운 피실험자의 동작신호값에서 특성인자를 추출하는 특성인자 추출부; 및
    상기 데이터베이스에 저장된 데이터를 소스데이터로 하고, 상기 특성인자 추출부에서 추출된 특성인자를 타겟데이터로 하여, 도메인 적응기법을 통해 상기 새로운 피실험자에 대한 보행상태변수를 예측하는 보행상태변수 예측부;를 포함하는 것을 특징으로 하는 도메인 적응기법과 유연 시간윈도우를 이용한 보행상태 예측시스템.
  2. 제 1항에 있어서,
    상기 동작신호측정부는 관성센서이고, 상기 동작신호값은 허벅지 각도와 각속도인 것을 특징으로 하는 도메인 적응기법과 유연 시간윈도우를 이용한 보행상태 예측시스템.
  3. 제 2항에 있어서,
    상기 특성인자추출부는 유연 시간윈도우를 이용하여 특성인자를 추출하는 것을 특징으로 하는 도메인 적응기법과 유연 시간윈도우를 이용한 보행상태 예측시스템.
  4. 제 3항에 있어서,
    동작신호의 시간 윈도우에서 직전 보행사이클의 보행주기를 산출하고, 상기 보행주기에서 특정 %에 해당하는 시간을 시간윈도우 길이값으로 결정하고, 결정된 상기 시간윈도우 길이 내에서 특성인자를 추출하는 것을 특징으로 하는 도메인 적응기법과 유연 시간윈도우를 이용한 보행상태 예측시스템.
  5. 제 4항에 있어서,
    상기 보행주기는 각도값의 이동평균의 피크값들의 시간차이로 계산되며,
    상기 특성인자는 시간윈도우 안에 존재하는 각도의 마지막값, 최소값, 최대값, 평균값, 분산값, 및 각속도의 마지막 값 중 적어도 어느 하나를 포함하는 것을 특징으로 하는 도메인 적응기법과 유연 시간윈도우를 이용한 보행상태 예측시스템.
  6. 제 4항에 있어서,
    상기 보행상태변수 예측부는,
    상기 소스데이터와 상기 타겟데이터 분포를 유사하게 되도록 학습하는 맵핑테트워크;
    유사화된 타겟데이터와 소스데이터를 기반으로 새로운 피실험자의 보행상태변수를 산출하는 회귀네트워크; 및
    소스데이터와 타켓데이터를 분류하는 도메인분류기;를 포함하는 것을 특징으로 하는 도메인 적응기법과 유연 시간윈도우를 이용한 보행상태 예측시스템.
  7. 제 6항에 있어서,
    상기 도메인 적응기법의 전체 네트워크 파라미터값은, 회귀네트위크의 에러값과을 최소화하면서 동시에 도메인 분류기의 에러값을 최대화하도록 학습하는 것을 특징으로 하는 도메인 적응기법과 유연 시간윈도우를 이용한 보행상태 예측시스템.
  8. 제 7항에 있어서,
    상기 회귀네트위크의 에러값은 기존 피실험자의 보행상태변수에 대한 에러값이고, 상기 도메인 분류기 에러값은 분류 성능에 대한 에러값인 것을 특징으로 하는 도메인 적응기법과 유연 시간윈도우를 이용한 보행상태 예측시스템.
  9. 보행상태변수를 예측하기 위한 방법으로서,
    기존 피실험자에 대한 동작신호값과 보행상태변수의 참값을 데이터 베이스에 저장하여 DB화하는 단계;
    동작신호측정부가 새로운 피실험자의 동작신호값을 측정하는 단계;
    특성인자 추출부가 상기 새로운 피실험자의 동작신호값에서 유연 시간윈도우 기법을 이용하여 특성인자를 추출하는 단계; 및
    보행상태 변수 예측부가 상기 데이터베이스에 저장된 데이터를 소스데이터로 하고, 상기 특성인자 추출부에서 추출된 특성인자를 타겟데이터로 하여, 도메인 적응기법을 통해 상기 새로운 피실험자에 대한 보행상태변수를 예측하는 단계;를 포함하는 것을 특징으로 하는 도메인 적응기법과 유연 시간윈도우를 이용한 보행상태 예측방법.
  10. 제 9항에 있어서,
    상기 특성인자를 추출하는 단계는,
    동작신호의 시간 윈도우에서 직전 보행사이클의 보행주기를 산출하고, 상기 보행주기에서 특정 %에 해당하는 시간을 시간윈도우 길이값으로 결정하고, 결정된 상기 시간윈도우 길이 내에서 특성인자를 추출하고,
    상기 보행주기는 각도값의 이동평균의 피크값들의 시간차이로 계산되며,
    상기 특성인자는 시간윈도우 안에 존재하는 각도의 마지막값, 최소값, 최대값, 평균값, 분산값, 및 각속도의 마지막 값 중 적어도 어느 하나를 포함하는 것을 특징으로 하는 도메인 적응기법과 유연 시간윈도우를 이용한 보행상태 예측방법.
  11. 제 10항에 있어서,
    상기 보행상태변수를 예측하는 단계는,
    매핑네트워크가 상기 소스데이터와 상기 타겟데이터 분포를 유사하게 되도록 학습하는 단계;
    도메인 분류기가 소스데이터와 타켓데이터를 분류하는 단계; 및
    회귀네트워크가 유사화된 타겟데이터와 소스데이터를 기반으로 새로운 피실험자의 보행상태변수를 산출하는 단계를 포함하는 것을 특징으로 하는 도메인 적응기법과 유연 시간윈도우를 이용한 보행상태 예측방법.
  12. 제 11항에 있어서,
    상기 보행상태변수를 예측하는 단계는,
    상기 도메인 적응기법의 전체 네트워크 파라미터값은, 기존 피실험자의 보행상태변수에 대한 에러인 회귀네트위크의 에러값과을 최소화하면서 동시에 분류 성능에 대한 에러인 도메인 분류기의 에러값을 최대화하도록 학습하는 것을 특징으로 하는 도메인 적응기법과 유연 시간윈도우를 이용한 보행상태 예측방법.
  13. 컴퓨터에 의해 판독되어지는 프로그램으로서, 제 9항 내지 제 12항 중 어느 한 항에 따른 예측방법을 실행시키도록 하는 프로그램.

KR1020220056223A 2022-05-06 2022-05-06 도메인 적응기법과 유연 시간윈도우를 이용한 보행상태 예측시스템 및 방법 KR20230156865A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220056223A KR20230156865A (ko) 2022-05-06 2022-05-06 도메인 적응기법과 유연 시간윈도우를 이용한 보행상태 예측시스템 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220056223A KR20230156865A (ko) 2022-05-06 2022-05-06 도메인 적응기법과 유연 시간윈도우를 이용한 보행상태 예측시스템 및 방법

Publications (1)

Publication Number Publication Date
KR20230156865A true KR20230156865A (ko) 2023-11-15

Family

ID=88742624

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220056223A KR20230156865A (ko) 2022-05-06 2022-05-06 도메인 적응기법과 유연 시간윈도우를 이용한 보행상태 예측시스템 및 방법

Country Status (1)

Country Link
KR (1) KR20230156865A (ko)

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120112231A (ko) 2011-03-31 2012-10-11 (주)우리들웰니스 보행자 보법 분석시스템
KR102173918B1 (ko) 2019-01-29 2020-11-04 순천향대학교 산학협력단 멀티센서 기반 보행상태 분석 시스템 및 방법
KR102302719B1 (ko) 2019-07-22 2021-09-27 단국대학교 산학협력단 검출정보별 신경망 분석을 실시하여 보행 종류를 분류하는 장치 및 방법
KR102357259B1 (ko) 2020-09-29 2022-02-07 박만규 보행패턴의 균일성 및 대칭성의 직관적 인지가 가능한 보행패턴 분석시스템

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120112231A (ko) 2011-03-31 2012-10-11 (주)우리들웰니스 보행자 보법 분석시스템
KR102173918B1 (ko) 2019-01-29 2020-11-04 순천향대학교 산학협력단 멀티센서 기반 보행상태 분석 시스템 및 방법
KR102302719B1 (ko) 2019-07-22 2021-09-27 단국대학교 산학협력단 검출정보별 신경망 분석을 실시하여 보행 종류를 분류하는 장치 및 방법
KR102357259B1 (ko) 2020-09-29 2022-02-07 박만규 보행패턴의 균일성 및 대칭성의 직관적 인지가 가능한 보행패턴 분석시스템

Similar Documents

Publication Publication Date Title
CN109190537B (zh) 一种基于掩码感知深度强化学习的多人物姿态估计方法
CN107480704B (zh) 一种具有遮挡感知机制的实时视觉目标跟踪方法
CN111539941B (zh) 帕金森病腿部灵活性任务评估方法及系统、存储介质及终端
US20150356421A1 (en) Method for Learning Exemplars for Anomaly Detection
KR20160031246A (ko) 보행 환경 인식 방법 및 장치
JP7263216B2 (ja) ワッサースタイン距離を使用する物体形状回帰
KR101876051B1 (ko) 기계 학습 시스템 및 그의 사용자 제어 패턴 학습 방법
CN113037577B (zh) 网络流量预测方法、装置和计算机可读存储介质
CN111353450B (zh) 一种基于异构电磁感知信息融合的目标识别系统和方法
CN111709410A (zh) 一种强动态视频的行为识别方法
CN114898470A (zh) 基于改进YOLOv5的跌倒行为检测方法及系统
CN116557787B (zh) 管网状态智能评估系统及其方法
KR20230003346A (ko) 타겟 부위 추적 방법, 장치, 전자 기기 및 판독 가능 저장 매체
CN115331263A (zh) 鲁棒的姿态估计方法及其在朝向判断的应用及相关方法
KR20230156865A (ko) 도메인 적응기법과 유연 시간윈도우를 이용한 보행상태 예측시스템 및 방법
CN106598856B (zh) 一种路径检测方法及装置
CN116204821B (zh) 用于轨道交通车辆的振动评估方法及系统
KR102188970B1 (ko) 경량 다층 랜덤 포레스트 기반의 얼굴 표정 인식 방법 및 장치
CN117058756A (zh) 老年人群膝关节动作识别方法
JP4875010B2 (ja) 運動クラス類別装置及び追尾処理装置
CN108168546B (zh) 定位系统及定位方法
KR102350593B1 (ko) 딥러닝 앙상블을 이용한 멀티모달 센서 기반의 보행 패턴 분류를 위한 장치 및 방법
CN111401123B (zh) 一种基于深度学习的slam回环检测方法及系统
KR101878320B1 (ko) 통신 시스템에서 장애 예측 장치 및 방법
KR20230060214A (ko) 인공지능 기반 영상 객체 추적 장치 및 방법