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
- 이응혁
- 발행연도
- 2020
- 저작권
- 한국산업기술대학교 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
대퇴 의족의 기술이 발전함에 따라 최근에는 의족에 부착된 센서로부터 데이터를 취득하여 보행 환경에 따라 자동으로 보행 모드가 변경되는 자동 보행 모드 변경 기법이 사용되고 있다. 이러한 기법을 위한 알고리즘은 패턴 인식 또는 퍼지 추론 기법을 이용하지만 즉각적인 보행 환경 변화와 주관적인 기준점을 가진다는 단점이 있다.
따라서 이러한 한계점을 해결하고자 한 보행 주기 내 특정 보행 단계에서의 보행 환경 추정을 통해 다음 걸음의 보행 모드를 자동으로 변환하고자 하며, 본 논문에서는 무릎각도와 관성센서 데이터를 이용하여 보행 시 입각기 3단계와 유각기 2단계를 추정하고, 보행 환경은 경사로 상행과 평지, 경사로 하행 총 3가지를 구분하고자 한다.
본 논문에서 제안하는 머신러닝 기반의 보행 모드 변경 알고리즘은 마이크로 컨트롤러 내에 이식되어 운용되어야 하므로 계산량과 추정 소요 시간을 고려하여 랜덤포레스트 기반의 보행 단계 및 환경 추정 모델을 생성하고 각각의 정확도를 비교하였으며 학습 데이터를 기준으로 각각 97.4%, 91.7%의 정확도를 가지는 랜덤포레스트 기반의 보행 단계 및 환경 추정 모델을 개발하였다.
개발된 랜덤포레스트 기반의 보행 단계 및 환경 추정 모델의 유효성을 평가하기 위해 약 8。의 기울기를 가지는 오름-내림 경사로에서 데이터를 취득하고 평가를 진행하였으며, 학습에 사용하지 않은 새로운 데이터를 기준으로 경사로 상행 92%, 평지 88%, 경사로 하행 96%, 평균 92%의 정확도를 보였다.
따라서 본 논문에서 제안하는 한 보행 주기 내 중간입각기 구간에서의 보행 환경을 추정하여 자동으로 다음 걸음의 보행 모드의 변경이 가능하며, 이는 기존의 패턴 인식 또는 퍼지 추론 기법이 가지는 단점을 해결할 수 있을 것으로 판단된다.
따라서 이러한 한계점을 해결하고자 한 보행 주기 내 특정 보행 단계에서의 보행 환경 추정을 통해 다음 걸음의 보행 모드를 자동으로 변환하고자 하며, 본 논문에서는 무릎각도와 관성센서 데이터를 이용하여 보행 시 입각기 3단계와 유각기 2단계를 추정하고, 보행 환경은 경사로 상행과 평지, 경사로 하행 총 3가지를 구분하고자 한다.
본 논문에서 제안하는 머신러닝 기반의 보행 모드 변경 알고리즘은 마이크로 컨트롤러 내에 이식되어 운용되어야 하므로 계산량과 추정 소요 시간을 고려하여 랜덤포레스트 기반의 보행 단계 및 환경 추정 모델을 생성하고 각각의 정확도를 비교하였으며 학습 데이터를 기준으로 각각 97.4%, 91.7%의 정확도를 가지는 랜덤포레스트 기반의 보행 단계 및 환경 추정 모델을 개발하였다.
개발된 랜덤포레스트 기반의 보행 단계 및 환경 추정 모델의 유효성을 평가하기 위해 약 8。의 기울기를 가지는 오름-내림 경사로에서 데이터를 취득하고 평가를 진행하였으며, 학습에 사용하지 않은 새로운 데이터를 기준으로 경사로 상행 92%, 평지 88%, 경사로 하행 96%, 평균 92%의 정확도를 보였다.
따라서 본 논문에서 제안하는 한 보행 주기 내 중간입각기 구간에서의 보행 환경을 추정하여 자동으로 다음 걸음의 보행 모드의 변경이 가능하며, 이는 기존의 패턴 인식 또는 퍼지 추론 기법이 가지는 단점을 해결할 수 있을 것으로 판단된다.
목차
제 1 장 서 론 1제 2 장 보행 단계 및 환경 추정을 위한 알고리즘 분석 5제 1 절 무릎각도 변화를 이용한 보행 단계 추정 기법 고찰 5제 2 절 고관절 각도 변화를 이용한 보행 환경 추정 기법 고찰 10제 3 절 보행 단계 및 환경 추정을 위한 머신러닝 기법 적용 11제 3 장 자동 보행 모드 변경을 위한 머신러닝 기법 선정 13제 1 절 비교 평가를 통한 최적의 머신러닝 기법 선정 13제 2 절 추정 모델의 학습을 위한 데이터 집합 구축 18제 4 장 랜덤포레스트 기반 자동 보행 모드 변경 기법 개발 26제 1 절 랜덤포레스트 기반 보행 단계 추정 모델 생성 28제 2 절 랜덤포레스트 기반 보행 환경 추정 모델 생성 33제 5 장 실험 및 고찰 39제 1 절 실제 의족 적용을 위한 실험 환경 구축 40제 2 절 추정 기법의 추정 정확도 산출 및 비교 43제 6 장 결 론 48참 고 문 헌 49ABSTRACT 54
최근 본 자료
댓글(0)
0