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
- 이상철
- 발행연도
- 2015
- 저작권
- 인하대학교 논문은 저작권에 의해 보호받습니다.
이용수1
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 논문은 시각적으로 유발되는 어지럼증(VIMS, visually induced motion sickness)에 영향을 미치는 동영상의 모션에 대한 분석 및 분류를 수행하고, 이를 바탕으로 VIMS에 따른 뇌전도와 활력 징후의 신체적 반응 및 유발 요인에 대한 분석을 수행하였다. 이를 위해 VIMS에 영향을 미치는 동영상의 모션에 따른 촬영 기법 분류 방법을 제시하고, 동영상의 모션에 따른 사람의 신체적 변화를 조사하는 임상 실험을 수행하였다.
동영상의 모션을 전역 모션과 지역 모션으로 분류하기 위해 먼저 1차 Bayesian 분류기에서 입력 영상의 옵티컬 플로우에 대한 통계적 분석 과정을 거쳐 전역 모션과 지역 모션으로 분류한다. 1차 Bayesian 분류기에서 전역 모션으로 분류된 샷들은 2차 Bayesian 분류기에서 전역 모션과 각각의 촬영 기법으로 다시 분류된다. 이를 위해 샷 경계 검출을 수행한 후 동영상 모션의 시공간적 특징을 추출하기 위해 영역별 옵티컬 플로우에 Principal Component Analysis (PCA)를 적용하여 특징 벡터를 추출하였다. 추출된 특징 벡터로부터 동영상 내용의 시간적 특징을 반영하는 대표 플로우 벡터를 추출하고, 대표 플로우 벡터 간의 히스토그램을 이용하여 특징을 추출하였다. 입력 동영상은 추출한 특징들을 입력으로 하는 1,2차 Bayesian 분류 과정을 통해 핸드헬드(handheld) 기법과 팬, 틸트(pan, tilt)로부터 기인하는 좌우회전 및 줌(zoom) 기법의 세 가지 촬영 기법에 의한 전역 모션과, 전역 모션과 지역 모션이 동시에 일어나는 총 여섯 가지 경우로 분류되었다. 이를 통해 VIMS 유발 동영상의 자동화된 전역 모션 분류를 수행하였다.
이후 임상 실험을 위해 VIMS 유발 동영상으로부터 전역 모션을 추출한 후 모션이 없는 동영상에 적용하여 인위적인 모션을 갖는 여러 동영상을 제작하였다. 제작된 동영상은 임상 실험에서 피험자가 시청하며, 동영상 시청 중 뇌전도와 활력 징후를 측정하여 VIMS 유발 동영상의 모션에 따른 피험자의 신체 반응 변화를 분석하였다. VIMS 유발 동영상으로부터 추출한 전역 모션을 적용한 동영상은 콘텐츠 종류에 따라 영화, 텍스트 두 종류로 분류되며, 적용된 모션 강도에 따라 콘텐츠 별 세 편씩 총 여섯 편의 실험 동영상을 제작하였다. 이후 11명의 피험자들에 대한 설문조사와 임상 실험을 수행하였다. 피험자가 시청하는 동안 간이 뇌전도 측정기를 이용하여 실시간으로 뇌전도를 측정하였고, 이와 동시에 전자혈압계를 이용해 최고, 최저 혈압과 맥박을 주기적으로 측정하였다. 측정된 뇌전도 신호는 채널 별 신호 간 상관도(correlation) 연산을 통해 얻어진 Distance Map (DM)을 활용하여 분석하였으며, 측정된 신체 반응 지수와 모션 강도 및 설문조사 결과와 관계에 대한 정량적 분석 및 분류를 수행하였다. 결과 분석을 통해 동영상의 모션 강도와 동영상 시청 전후의 신체 반응의 변화 정도에 따라 모션과 피험자가 느끼는 어지럼에 대한 상관관계를 분석하여 피험자를 특정한 그룹으로 분류할 수 있었다.
동영상의 모션을 전역 모션과 지역 모션으로 분류하기 위해 먼저 1차 Bayesian 분류기에서 입력 영상의 옵티컬 플로우에 대한 통계적 분석 과정을 거쳐 전역 모션과 지역 모션으로 분류한다. 1차 Bayesian 분류기에서 전역 모션으로 분류된 샷들은 2차 Bayesian 분류기에서 전역 모션과 각각의 촬영 기법으로 다시 분류된다. 이를 위해 샷 경계 검출을 수행한 후 동영상 모션의 시공간적 특징을 추출하기 위해 영역별 옵티컬 플로우에 Principal Component Analysis (PCA)를 적용하여 특징 벡터를 추출하였다. 추출된 특징 벡터로부터 동영상 내용의 시간적 특징을 반영하는 대표 플로우 벡터를 추출하고, 대표 플로우 벡터 간의 히스토그램을 이용하여 특징을 추출하였다. 입력 동영상은 추출한 특징들을 입력으로 하는 1,2차 Bayesian 분류 과정을 통해 핸드헬드(handheld) 기법과 팬, 틸트(pan, tilt)로부터 기인하는 좌우회전 및 줌(zoom) 기법의 세 가지 촬영 기법에 의한 전역 모션과, 전역 모션과 지역 모션이 동시에 일어나는 총 여섯 가지 경우로 분류되었다. 이를 통해 VIMS 유발 동영상의 자동화된 전역 모션 분류를 수행하였다.
이후 임상 실험을 위해 VIMS 유발 동영상으로부터 전역 모션을 추출한 후 모션이 없는 동영상에 적용하여 인위적인 모션을 갖는 여러 동영상을 제작하였다. 제작된 동영상은 임상 실험에서 피험자가 시청하며, 동영상 시청 중 뇌전도와 활력 징후를 측정하여 VIMS 유발 동영상의 모션에 따른 피험자의 신체 반응 변화를 분석하였다. VIMS 유발 동영상으로부터 추출한 전역 모션을 적용한 동영상은 콘텐츠 종류에 따라 영화, 텍스트 두 종류로 분류되며, 적용된 모션 강도에 따라 콘텐츠 별 세 편씩 총 여섯 편의 실험 동영상을 제작하였다. 이후 11명의 피험자들에 대한 설문조사와 임상 실험을 수행하였다. 피험자가 시청하는 동안 간이 뇌전도 측정기를 이용하여 실시간으로 뇌전도를 측정하였고, 이와 동시에 전자혈압계를 이용해 최고, 최저 혈압과 맥박을 주기적으로 측정하였다. 측정된 뇌전도 신호는 채널 별 신호 간 상관도(correlation) 연산을 통해 얻어진 Distance Map (DM)을 활용하여 분석하였으며, 측정된 신체 반응 지수와 모션 강도 및 설문조사 결과와 관계에 대한 정량적 분석 및 분류를 수행하였다. 결과 분석을 통해 동영상의 모션 강도와 동영상 시청 전후의 신체 반응의 변화 정도에 따라 모션과 피험자가 느끼는 어지럼에 대한 상관관계를 분석하여 피험자를 특정한 그룹으로 분류할 수 있었다.
목차
제 1장 서론 1제 2장 기존의 연구 32.1. VIMS 32.2. 동영상 분석 4제 3장 동영상 모션 분류 연구 73.1. 전처리 73.2. 특징 추출 73.3. Bayesian 분류기 12제 4장 임상 연구 144.1. 임상 실험 설계 144.2. 임상 실험 도구 154.3. 임상 실험 분석 방법 22제 5장 실험 결과 285.1. 동영상 모션 분류 285.2. 임상 실험 결과 30제 6장 결론 43참고문헌 45
최근 본 자료
댓글(0)
0