지원사업
학술연구/단체지원/교육 등 연구자 활동을 지속하도록 DBpia가 지원하고 있어요.
커뮤니티
연구자들이 자신의 연구와 전문성을 널리 알리고, 새로운 협력의 기회를 만들 수 있는 네트워킹 공간이에요.
논문 기본 정보
- 자료유형
- 학위논문
- 저자정보
- 지도교수
- 이상민
- 발행연도
- 2017
- 저작권
- 인하대학교 논문은 저작권에 의해 보호받습니다.
이용수10
이 논문의 연구 히스토리 (2)
- 이 논문의 후속연구가 궁금하신가요?
- 연관 학술논문 또는 학술발표를 통해 보다 발전된 연구결과를 확인하실 수 있습니다.
- 이 논문의 연구 히스토리 확인하기
초록· 키워드
오류제보하기
균형이란 자세의 안정성을 지속적으로 유지해 가는 과정으로, 특히 고령자나 뇌졸중환자가 일상생활을 영위하기 위한 필수적인 요소이다. 균형평가의 주 목적은 균형능력의 정도와 문제점을 정확히 찾아내어 적절한 운동치료를 제공하며 기능을 향상시킨다. 최근, 과학기술발달로 관성센서의 보급화와 하드웨어의 처리속도 증가, 사물인터넷(Internet of Things, IoT)의 도래에 따른 빅 데이터 축적이 용이하게 되었으며, 헬스케어분야에서는 데이터 기반의 머신러닝을 이용하여 균형평가진단 연구가 활발히 진행 중이다.
본 논문에서는 균형의 정의와 여러 개의 균형평가도구 중 임상에서 가장 많이 사용되는 BBS(Berg Balance Scale)에 대해 간략히 살펴보고, 머신러닝 기법을 이용하여 14개로 항목으로 구성된 BBS에 대하여 항목별로 점수 분류 정확도를 제시하였다. 데이터취득은 Noraxon 시스템을 이용하였고, 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 선별 된 특징벡터는 GMM(Gaussian Mixture Model)을 이용하여 분류하였다. 본 논문의 실험은 고령 및 뇌질환 환자 20명을 대상으로 BBS 항목 1번 ‘앉은 자세에서 일어나기’부터 ‘14번 한 다리로 서 있기’를 차례대로 진행하였다. 실험대상자 20명의 데이터를 GMM모델로 형성(formation)하고, 자신을 제외한 다른 모델과의 우도(likelihood)를 비교하였다. 우도가 높은 상위 5개를 선출하여 점수를 조사하고, 누적개수가 많은 점수를 최종으로 정하였다. 그 다음, 교육을 받은 관찰자가 BBS 동작에 대해 채점한 것과 본 논문에서 구축한 시스템의 동작 점수를 비교하고, 각각의 BBS항목에 대한 정확도를 산출하였다. 산출결과, BBS 항목 1번순으로 차례대로 58.8%, 70.6%, 90%, 41.1%, 36.8%, 60%, 46.60%, 57.1%, 57.1%, 33.3%, 42.85%, 84.6%, 50%, 83.3%의 분류 정확도를 확인하였다.
본 논문에서는 균형의 정의와 여러 개의 균형평가도구 중 임상에서 가장 많이 사용되는 BBS(Berg Balance Scale)에 대해 간략히 살펴보고, 머신러닝 기법을 이용하여 14개로 항목으로 구성된 BBS에 대하여 항목별로 점수 분류 정확도를 제시하였다. 데이터취득은 Noraxon 시스템을 이용하였고, 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 선별 된 특징벡터는 GMM(Gaussian Mixture Model)을 이용하여 분류하였다. 본 논문의 실험은 고령 및 뇌질환 환자 20명을 대상으로 BBS 항목 1번 ‘앉은 자세에서 일어나기’부터 ‘14번 한 다리로 서 있기’를 차례대로 진행하였다. 실험대상자 20명의 데이터를 GMM모델로 형성(formation)하고, 자신을 제외한 다른 모델과의 우도(likelihood)를 비교하였다. 우도가 높은 상위 5개를 선출하여 점수를 조사하고, 누적개수가 많은 점수를 최종으로 정하였다. 그 다음, 교육을 받은 관찰자가 BBS 동작에 대해 채점한 것과 본 논문에서 구축한 시스템의 동작 점수를 비교하고, 각각의 BBS항목에 대한 정확도를 산출하였다. 산출결과, BBS 항목 1번순으로 차례대로 58.8%, 70.6%, 90%, 41.1%, 36.8%, 60%, 46.60%, 57.1%, 57.1%, 33.3%, 42.85%, 84.6%, 50%, 83.3%의 분류 정확도를 확인하였다.
목차
제 1장. 서 론 1제 2장. 이론적 배경 42.1. 균형 42.2. 균형유지에 관여하는 해부학적 구조물 52.3. 균형평가도구 72.3.1. TUG 검사 72.3.2. FRT 검사 72.3.3. BBS 검사 8제 3장. 제안하는 자동 점수 분류 시스템 133.1. 관성센서를 이용한 자동 점수 분류 시스템 133.2. 제안하는 BBS 항목 별 점수 분류 알고리즘 153.2.1. 데이터취득 및 전처리 153.2.2. 특징벡터추출 173.2.2.1. STFT 173.2.2.2. SMA 173.2.3. 분류기 193.2.4. 제안하는 알고리즘 203.2.4.1. BBS 동작특성 213.2.4.1. BBS 항목별 특징벡터 23제 4장. 실험방법 및 결과 284.1. 연구대상 및 실험절차 284.2. 실험 결과 36제 5장. 고찰 및 결론 435.1. 고찰 435.2. 결론 44참고문헌 46
최근 본 자료
댓글(0)
0