http://chineseinput.net/에서 pinyin(병음)방식으로 중국어를 변환할 수 있습니다.
변환된 중국어를 복사하여 사용하시면 됩니다.
- 中文 을 입력하시려면 zhongwen을 입력하시고 space를누르시면됩니다.
- 北京 을 입력하시려면 beijing을 입력하시고 space를 누르시면 됩니다.
RISS 인기검색어
- 검색키워드
- 저자 : 조우형(W. H. Cho) (검색결과 7 건)
- 무료
- 기관 내 무료
- 유료
-
-
-
-
-
조우형(W. H. Cho),김연욱(Y. W. Kim),이승관(S. G. Lee),황종학(J. H. Hwang),심현민(H. M. Shim),이상민(S. M. Lee) 한국재활복지공학회 2018 재활복지공학회논문지 Vol.12 No.4
양궁은 일련의 연속적인 동작을 통하여 슈팅 스코어를 비교하는 운동이다. 양궁에서 각 동작이 진행되는 동안 좌 · 우 균형을 유지하는 것은 매우 중요하다. 본 연구에서는 전문가와 비전문가들 간에 슈팅전후 좌 · 우 균형에 대한 변화를 분석하였다. 참가자들의 슈팅 동작을 4개 구간으로 나누어 좌 · 우 균형 변화를 분석하고 6회 반복 슈팅을 통하여 좌 · 우 균형 변화의 일관성을 분석하였다. 좌 · 우 균형에 대한 평가는 자체 제작한 족저압 측정판에서 취득한 데이터를 기반으로 SI (symmetry index)를 활용하였다. 실험결과 전문가의 경우 슈팅이 진행되는 4개 구간동안 좌우 족저압의 SI값의 변화가 작았지만 아마추어의 경우 SI값 변화가 컸다. 6회 반복 슈팅을 통해 전문가의 경우 SI변화가 일정하게 유지되는 반면 아마추어의 경우 일정하지 않았다. 본 연구의 결과는 향후 아마추어들의 훈련 모니터링 기법으로 활용 가능하겠다. Archery is the sports that compares shooting scores through a series of consecutive motions. It is very important to maintain the left-right balance during each motion in the archery shooting. In this study, we analyzed how the left-right balance of the participants changes before and after their shooting between an expert and non-experts. The shooting motions of the participants were divided into 4 periods and the left-right balance of each period was analyzed. For analyzing the consistency of left-right balance variation, shooting motion was repeated 6 times. The evaluation of the left-right balance was measured using the SI(symmetry index) with the data obtained from foot pressure measurement board developed by our team. As a result of the experiment, in case of the expert, the change of SI value, which came from the pressure values of metatarsal bone of left and right foot, was smaller than the change of SI value of the non-experts. Through 6 times shooting, it is verified that the change of the SI value of the expert was limited in a certain range. On the contrary, the change of SI value of the non-experts did not show any consistent patterns. In the future, the results of this study can be used as a method of monitoring for training of non-experts.
-
김연욱(Y. W. Kim),조우형(W. H. Cho),전유용(Y. Y. Jeon),이상민(S. M. Lee) 한국재활복지공학회 2017 재활복지공학회논문지 Vol.11 No.3
바르지 못한 앉은 자세는 다양한 질병과 신체 변형을 유발한다. 하지만 오랜 시간동안 바른 앉은 자세를 유지하는 것은 쉬운 일이 아니다. 이러한 이유 때문에 그동안 자동으로 바른 앉은 자세를 유도하기 위한 다양한 시스템이 제안되어왔다. 이전에 제안되었던 앉은 자세 판별 및 바른 앉은 자세 유도 시스템은 영상 처리를 이용한 방법, 의자에 압력센서를 달아 측정하는 방법, IMU(Internal Measurement Unit)를 이용한 방법이 있었다. 이 중 IMU를 이용한 측정 방법은 하드웨어 구성이 간단하고, 공간, 광량 등의 환경적 제한이 적어 측정에 있어서 용이한 이점이 있었다. 본 논문에서는 하나의 IMU를 이용하여 적은 데이터로 효율적으로 앉은 자세를 분류하는 방법을 연구하였다. 특징추출 기법을 이용하여 데이터 분류에 기여도가 낮은 데이터를 제거하였으며, 머신러닝 기법을 이용하여 앉은 자세 분류에 적합한 센서 위치를 찾고, 여러 개의 머신러닝 모델 중 가장 분류 정확도가 높은 머신러닝 모델을 선정하였다. 특징추출 기법은 PCA(Principal Component Analysis)를 사용하였고, 머신러닝 모델은 SVM(Support Vector Machine), KNN(K Nearest Neighbor), K-means (K-means Algorithm) GMM (Gaussian Mixture Model), and HMM (Hidden Marcov Model)모델을 사용하였다. 연구결과 데이터 분류율이 높게나온 뒷목이 적합한 센서 위치가 되었으며, 센서 데이터 중 Yaw데이터는 분류 기여도가 가장 낮은 데이터임을 PCA 특징추출 기법을 이용하여 확인하고, 제거하여도 분류율에 영향이 매우 작음을 확인하였다. 적합 머신러닝 모델은 SVM, KNN 모델로 다른 모델에 비하여 분류율이 높게 나오는 것을 확인할 수 있었다. Bad sitting postures are known to cause for a variety of diseases or physical deformation. However, it is not easy to fit right sitting posture for long periods of time. Therefore, methods of distinguishing and inducing good sitting posture have been constantly proposed. Proposed methods were image processing, using pressure sensor attached to the chair, and using the IMU (Internal Measurement Unit). The method of using IMU has advantages of simple hardware configuration and free of various constraints in measurement. In this paper, we researched on distinguishing sitting postures with a small amount of data using just one IMU. Feature extraction method was used to find data which contribution is the least for classification. Machine learning algorithms were used to find the best position to classify and we found best machine learning algorithm. Used feature extraction method was PCA(Principal Component Analysis). Used Machine learning models were five : SVM(Support Vector Machine), KNN(K Nearest Neighbor), K-means (K-means Algorithm) GMM (Gaussian Mixture Model), and HMM (Hidden Marcov Model). As a result of research, back neck is suitable position for classification because classification rate of it was highest in every model. It was confirmed that Yaw data which is one of the IMU data has the smallest contribution to classification rate using PCA and there was no changes in classification rate after removal it. SVM, KNN are suitable for classification because their classification rate are higher than the others.
-
홍상표(S. P. Hong),김연욱(Y. W. Kim),조우형(W. H. Cho),좌경림(K. L. Joa),정한영(H. Y. Jung),김규성(K. S. Kim),이상민(S. M. Lee) 한국재활복지공학회 2017 재활복지공학회논문지 Vol.11 No.1
본 논문에서는 균형평가도구 중 임상에서 가장 많이 사용되는 BBS(Berg Balance Scale)를 머신러닝 기법을 이용하여 점수 분류 정확도를 제시한다. 데이터취득은 Noraxon 시스템을 이용하여, 신체 8군데(왼쪽·오른쪽 발목, 왼쪽·오른쪽 엉덩이 위, 왼쪽·오른쪽 손목, 등(Back), 이마)에 관성센서를 부착하였다. 관성센서의 3축 가속도데이터를 기반으로 특징벡터 STFT(Short Time Fourier Transform), SAM(Signal Area Magnitude)를 추출하였다. 그 다음, BBS의 항목을 동작특성에 따라 정적인 동작(static movement)과 동적인 동작(dynamic movement)으로 나누었고, BBS의 각 항목에 대하여 점수에 영향이 있는 센서부착위치에 따라 특징벡터를 선별하였다. BBS의 항목마다 선별된 특징벡터는 GMM(Gaussian Mixture Model)을 이용하여 분류하였다. 실험대상자 40명에 대한 정확도 산출결과, 1번순으로 차례대로 55.5%, 72.2%, 87.5%, 50%, 35.1%, 62.5%, 43.3%, 58.6%, 60.7%, 33.3%, 44.8%, 89.2%, 51.8%, 85.1%의 분류 정확도를 확인하였다. In this paper, we present the score classification accuracy of BBS(Berg Balance Scale) which is the most commonly used balance evaluation tool using machine learning. Data acquisition was performed using the Noraxon system and an inertial sensor of Noraxon system was attached to the body in 8 locations (left and right ankle, left and right upper buttocks, left and right wrists, back, forehead). Based on the 3-axis accelerometer of the inertial sensor, the feature vector STFT(Short Time Fourier Transform) and SAM(Signal Area Magnitude) were extracted. Then, the items of the BBS were divided into static movement and dynamic movement depending on the operation characteristics, and the feature vectors were selected according to the sensor attachment positions which affect the score for each item of the BBS. Feature vectors selected for each item of BBS were classified using GMM(Gaussian Mixture Model). As a result of the accuracy calculation for 40 subjects, 55.5%, 72.2%, 87.5%, 50%, 35.1%, 62.5%, 43.3%, 58.6%, 60.7%, 33.3%, 44.8%, 89.2%, 51.8%, 85.1%, respectively.
ScienceON연관 검색어 추천
이 검색어로 많이 본 자료
활용도 높은 자료
