인공지능 기반의 스마트 헬스케어 운동관리를 위한 애플리케이션 구현 = Implementation of Application for Smart Healthcare Exercise Management Based on Artificial Intelligence

다국어 초록 (Multilingual Abstract)

With the spread of the trend of real-time management of personal health using smartphones, and healthcare-related devices are receiving a lot of attention, users are now relying heavily on following the instructor through video content or fitness apps. In this study, the Artificial Intelligence (AI) Convolutional Neural Network (CNN) model, PoseNet, is used to learn pose estimation, analyze human coordinates through this, and implement clapping as part of the motion. We intend to convert the value into the Metabolic Equivalent of Task (MET) and it is also intended to be implemented as a smart healthcare exercise management system application. In particular, PoseNet is effective as a method for determining the calorie consumption of a user's exercise using MET for the motion analysis of real-time pose estimation through a browser, whenever and wherever a device with a camera function is supported. Thus, PoseNet can be considered to be very useful, since it is a model that satisfies the purpose of developing smart healthcare services.

국문 초록 (Abstract)

스마트폰을 활용하여 개인의 건강을 실시간 관리하는 트렌드의 확산과 더불어 헬스케어 관련 디바이스가 많은 관심을 받고 있지만, 현재는 사용자가 비디오 콘텐츠나 피트니스 앱을 통한 강사 따라하기형에 많이 의존하고 있다. 본 연구에서는 인공지능(Artificial Intelligence:AI) 합성신경망(Convolutional Neural Network:CNN) 모델인 PoseNet을 활용하여 자세 추정 학습을 하고 이를 통한 인체 좌표를 분석하여 동작의 일환으로 손뼉치기를 구현하며, 그 결과값을 신진대사 해당치(Metabolic Equivalent of Task, MET)로 환산하여 보여주는 스마트 헬스케어 운동관리 시스템을 애플리케이션으로 구현하고자 한다. 특히, PoseNet은 카메라 기능이 지원되는 디바이스가 있다면 언제 어디서든 브라우저를 통해 실시간 자세 추정을 통한 동작 분석으로 MET를 활용한 사용자의 운동 칼로리 소모량을 파악하는 도구로서 효과적이며, 헬스케어 플랫폼의 많은 기능 중 스마트 헬스케어 서비스를 개발하고자 하는 목적에 상당히 부합하는 모델이라 그 활용성이 매우 클 것으로 판단된다.

참고문헌 (Reference)

1 이난경, "헬스케어 정보기술 분야의 연구 프레임워크 및 연구동향" 한국지능정보사회진흥원 21 (21): 3-32, 2014

2 하태용, "인공지능 기반의 행동인식을 통한 개인 운동 트레이너 구현의 방향성 제시" 한국융합학회 10 (10): 235-242, 2019

3 하태용, "인공지능 기반의 자세 추정에 따른 모바일 헬스케어 동작 연구" 대한전자공학회 57 (57): 63-69, 2020

4 이미영, "객관적 신체활동 검사도구의 타당도 증거와 검증 절차: 체계적 문헌분석" 한국체육측정평가학회 13 (13): 17-37, 2011

5 K. E. Ko, "Trend of Object Recognition and Detection Technology Using Deep Learning" 23 (23): 17-24, 2017

6 G. Papandreou, "Towards Accurate Multi -person Pose Estimation in the Wild" 2017

7 Y. S. Choi, "Smart Device Trend Magazine"

8 "Real-time Human Pose Estimation in the Browser with TensorFlow.js"

9 M. J. Lamonte, "Quantifying Energy Expenditure and Physical Activity in the Context of Dose Response" 33 (33): s370-s378, 2001

10 W. L. Haskell, "Physical Activity and Public Health: updated Recommendation for Adults from the American College of Sports Medicine and the American Heart Association" 116 (116): 1081-1093, 2007

11 G. Papandreou, "PersonLab: Person Pose Estimation and Instance Segmentation with a Bottom-Up, Part-Based, Geometric Embedding Model" 2018

12 S. H. Lee, "Mobile Healthcare Application Status and Forecast" 26 (26): 1-23, 2014

13 I. J. Lee, "Current Status and Direction of Business Promotion in ICT Industry for Mobile Health Market"

14 NIPA, "A Case Study on Introduction to Smart Healthcare Services" 2017

15 Ministry of Food and Drug Safety, "2018. Smart Health Care Technology Standard Strategy Report" 2018