개인구독
소속 기관이 없으신 경우, 개인 정기구독을 하시면 저렴하게
논문을 무제한 열람 이용할 수 있어요.
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
- 최상일
- 발행연도
- 2018
- 저작권
- 단국대학교 논문은 저작권에 의해 보호받습니다.
이용수26
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
본 논문에서는 스마트 깔창에 내장된 압력 센서 어레이, 가속도 센서 어레이, 자이로 센서 어레이를 이용하여 보행 데이터를 측정하고, 심층 컨볼루션 신경망(deep convolutional neural network, DCNN)을 이용하여 추출한 보행 패턴의 특징을 바탕으로 보행의 종류를 분류하는 방법을 제안한다. 이를 위해, 연속적인 보행에 대한 측정 데이터를 단위 걸음으로 분할한 후 노이즈 제거 및 정규화 하는 전처리를 수행하였으며, 각 센서 어레이의 데이터 별로 독립적인 DCNN을 구성하여 특징맵을 추출하였다. 그런 다음, 각각의 특징맵들을 결합하여 분류를 위한 최종 완전 연결 네트워크를 구성하여 보행의 종류를 분류하였다. 걷기, 뛰기, 빠르게 걷기, 계단 올라가기와 내려가기, 언덕 올라가기와 내려가기의 7종류 보행 데이터를 실측하여 분류 실험을 해 본 결과, 제안한 방법이 90% 이상의 높은 분류율을 보이는 것을 확인하였다.
목차
목 차국문초록 ⅰ목 차 ⅲ표목차 ⅳ그림목차 ⅴⅠ. 서 론 1Ⅱ. 데이터 수집 및 전처리 42.1. 데이터 수집 42.2. 단위 걸음 정의 52.3. 노이즈 제거 82.3. 단위 걸음 정규화 9Ⅲ. 본 론 113.1 심층 컨볼루션 신경망 구조 113.2. 입력 데이터 형태 133.3. 컨볼루션 레이어 143.4. 완전 연결 레이어 와 출력 16Ⅳ. 실험 174.1 실험 데이터 측정 174.2 실험결과 19Ⅴ. 결 론 22참고문헌 23영문초록 28표목차<표-1> 데이터베이스 특성 18<표-2> 단위보행 데이터 개수 18<표-3> 실험결과 표 19그림목차그림1. 스마트 깔창 ‘FootLogger’의 센서 구조 4그림2. 보행주기 5그림3. FootLogger를 이용하여 측정한 보행데이터 예 7그림4. Swing Phase에서 발생하는 노이즈 제거방법 흐름도 8그림5. 단위걸음 샘플을 정규화 하기 전, 후 원본 데이터의 형태 10그림6. 제안하는 방법의 흐름도 11그림7. 제안하는 네트워크 구조도 12그림8. 컨볼루션 레이어 필터 적용 예시 14그림9. Mono-modal과 Multi-modal의 네트워크 구조 19그림10. Multi-modal 실험결과 21
최근 본 자료
댓글(0)
0