인공지능 기반의 자세 추정에 따른 모바일 헬스케어 동작 연구 = Analysis on the Mobile Healthcare Behavior using on Artificial Intelligence Based Pose Estimation

다국어 초록 (Multilingual Abstract)

Trends in managing personal health using smartphone devices and healthcare-related devices are receiving a lot of attention, but it is not easy to spread them to the real market for some time. Currently, users rely heavily on instructor training through video content or fitness applications. In this study, we use PoseNet of artificial intelligence(AI) convolutional neural network(CNN) based on the data used in the Leeds Sports Pose(LSP) dataset to analyze pose estimation and analyze human coordinates, and to applaud the result as a clap. The development language uses the Node.js program to implement the final momentum results into mobile healthcare. This provides motivation for the behavioral results of pose estimation to deviate from the dependency of intuition and error. Motion analysis based on more quantitative and faster pose estimation through body coordinates is now possible. In this regard, PoseNet can be a model that fits our purpose of developing a personal fitness program, being served as one of the many features of the healthcare platform.

국문 초록 (Abstract)

스마트폰의 디바이스를 활용하여 개인의 건강을 실시간 관리하는 트렌드 확산과 헬스케어 관련 디바이스가 많은 관심을 받고 있지만 아직은 실제 시장으로 확산하기에는 쉽지 않을 것 같다. 현재는 사용자가 비디오 콘덴츠나 휘트니스 앱을 통한 강사 따라하기형에 많이 의존하고 있다. 본 연구에서는 LSP(Leeds Sports Pose) 데이터셋에서 사용되는 데이터를 기반으로 인공지능(Artificial Intelligence: AI) 합성신경망(Convolutional Neural Network: CNN)의 PoseNet을 활용하여 자세 추정 학습 및 인체 좌표를 분석하여 그 결과값으로 손뼉치기를 구현하고자 한다. 개발 언어는 Node.js 프로그램을 사용하여 최종 운동량 결과를 모바일 헬스케어로 구현하고자 한다. 이를 통해 자세 추정에 대한 동작 결과가 직관과 오류의 의존성에서 벗어나는 동기가 마련된다. 인체 좌표를 통한 보다 정량적이고 신속한 자세 추정에 근거한 동작 분석이 가능하게 되었다. 이런 점에서 PoseNet은 헬스케어 플랫폼의 많은 기능 중 하나로 서비스 되는 개인 휘트니스 프로그램을 개발하고자 하는 우리의 목적에 상당히 부합하는 모델이다.

참고문헌 (Reference)

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

2 조재민, "비주얼 서보잉을 위한 딥러닝 기반 물체 인식 및 자세 추정" 한국로봇학회 14 (14): 1-7, 2019

3 K. Simonyan, "Very Deep Convolutional Networks For Large-Scale Image Recognition" 2015

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

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

6 S. H. Lee, "The Future of Smart Healthcare Devices" 17 : 46-47, 2015

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

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

9 L. Jin, "Object Detection Free Instance Segmentation With Labeling Transformations"

10 M. Sandler, "MobileNetV2:Inverted Residuals and Linear Bottlenecks" 2018

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

12 A. Jain, "Learning Human Pose Estimation Features with Convolutional Networks" 2014

13 J. Tompson, "Joint Training of a Convolutional Network and a Graphical Model for Human Pose Estimation" 2014

14 A. Krizhevsky, "ImageNet Classification with Deep Convolutional Neural Networks" 2012

15 C. Szegedy, "Going Deeper With Convolutions" 2015

16 S. J. Lee, "Electronics and Telecommunications Trends" 33 (33): 33-42, 2018

17 K. He, "Deep Residual Learning for Image Recognition" 2015

18 I. J. LEE, "Current Status and Direction of Business Promotion in ICT Industry for Mobile Health Market" NIPA 1-8, 2011

19 H. I. Ku, "Artificial Intelligence and Deep Running Trends" 67 (67): 7-12, 2018