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
- 태기식
- 발행연도
- 2021
- 저작권
- 건양대학교 논문은 저작권에 의해 보호받습니다.
이용수13
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 연구는 립모션 카메라를 이용한 손동작 인식 재활 콘텐츠와 구글 음성인식 API를 이용한 증강현실 기반 인지재활 시스템을 개발하고 이때 적용되는 입력 메커니즘 중 CNN(convolutional neural network:합성곱신경망)을 이용한 오일러 각의 스펙트로그램 분류 기법을 이용한 손동작 인식의 정확도를 검증하고자 한다.
기존 SVM(support vector machine: 서포트벡터머신)을 이용한 손동작 인식 방법이 여러 개의 손동작에서 전체적으로 91.3%의 정확도를 보이거나 Close동작에서 97%의 정확도와 Four동작에서 100%의 정확도를 보였으나 본 논문에서는 증강현실 기반 콘텐츠에서 합성곱신경망을 이용한 스펙트로그램 분류 기법의 효용성을 검정하기 위해 5개의 동작을 선정하여 각 손동작별로 100회 측정하고 90%는 훈련 데이터로 활용하고 10%는 테스트 데이터로 활용하여 진행하였다. 5가지 손동작에 대한 벨리데이션 결과는 100%로 측정되었으며 기존 서포트벡터머신 방법의 결과와 동일한 수준 혹은 더 정확도가 높은 수준의 뛰어난 인식 정확도를 나타내었다. 이를 통해 합성곱신경망을 통한 손동작 인식과 그 적용방법은 서포트벡터머신을 활용한 손동작 인식 방법보다 증강현실 기반 인지재활 훈련시스템에 유용하게 적용될 수 있을 것으로 사료된다.
기존 SVM(support vector machine: 서포트벡터머신)을 이용한 손동작 인식 방법이 여러 개의 손동작에서 전체적으로 91.3%의 정확도를 보이거나 Close동작에서 97%의 정확도와 Four동작에서 100%의 정확도를 보였으나 본 논문에서는 증강현실 기반 콘텐츠에서 합성곱신경망을 이용한 스펙트로그램 분류 기법의 효용성을 검정하기 위해 5개의 동작을 선정하여 각 손동작별로 100회 측정하고 90%는 훈련 데이터로 활용하고 10%는 테스트 데이터로 활용하여 진행하였다. 5가지 손동작에 대한 벨리데이션 결과는 100%로 측정되었으며 기존 서포트벡터머신 방법의 결과와 동일한 수준 혹은 더 정확도가 높은 수준의 뛰어난 인식 정확도를 나타내었다. 이를 통해 합성곱신경망을 통한 손동작 인식과 그 적용방법은 서포트벡터머신을 활용한 손동작 인식 방법보다 증강현실 기반 인지재활 훈련시스템에 유용하게 적용될 수 있을 것으로 사료된다.
목차
제1장 서론 01제1절 연구의 목적 01제2절 연구문제 정의 및 용어 정의 051. 증강현실 및 가상현실의 구성요소 052. 인지재활 평가항목 정의 063. 서포트 벡터 머신의 정의 및 한계 094. 모션인식에서 합성곱신경망이 갖는 차별성 10제2장 본론 11제1절 연구도구 및 개발환경 구축 11제2절 Argumented reality 환경 구성 및 설계 121. 입력 메커니즘 구성요소 122. 손 모션인식 콘트롤러의 기술동향 123. 립모션 콘트롤러 144. 시스템 설계 155. 손 모션 인식 구현 16가. 잡는 동작의 검출 및 손뼉 동작의 검출 16나. 손 모션 라벨링 206. 기구부 설계 217. AR 콘텐츠 설계 24가. 콘텐츠 1: 주의훈련 및 관리기능 훈련 콘텐츠 241) 시스템 설계 및 구성 242) 화면설계 26나. 콘텐츠 2: 단기 개념 기억 훈련 콘텐츠 271) 시스템 설계 및 구성 272) 화면설계 29다. 콘텐츠 3: 개념화 및 구성 훈련 콘텐츠(1) 301) 시스템 설계 및 구성 302) 화면설계 32라. 콘텐츠 4: 개념화 및 구성 훈련 콘텐츠(2) 331) 시스템 설계 및 구성 332) 화면설계 35제3절 실험 설계 및 방법 361. 실험 설계 362. 실험방법 37가. 실험 1: 모션인식 정확도 실험 37나. 실험 2: 모델 재인식 반응속도 실험 43다. 실험 3: CNN 기반 스펙트로그램을 이용한 모션 분류 40제3장 연구 결과 43제1절 실험 결과 및 분석 431. 실험 1: 모션인식 정확도 실험 432. 실험 2: 모델 재인식 반응속도 실험 473. 실험 3: 모션인식 정확도 실험 48제4장 결론 및 고찰 50제5장 참고문헌 54
최근 본 자료
댓글(0)
0