1 |
1
웨어러블 타입의 데이터 수집부를 통해 모션 센서 데이터를 획득하는 단계;프로세서가, 모션 센서 데이터를 CNN(Convolutional Neural Network) 모델 및 LSTM(Long Short-Term Memory) 모델의 학습 데이터 또는 입력 데이터로 활용하기 위한 전처리 작업을 수행하는 단계;프로세서가, 전처리 작업이 완료된 모션 센서 데이터를 학습 데이터로 입력하여, CNN 모델 및 LSTM 모델을 학습시키는 단계; 및프로세서가, 학습된 CNN 모델 및 LSTM 모델에 전처리 작업이 완료된 모션 센서 데이터를 입력 데이터로 입력하여, 사용자의 일상생활동작을 낙상 동작, 서있는 동작, 걷는 동작, 뛰는 동작 및 앉거나 일어서는 동작 중 어느 하나로 분류하는 단계;를 포함하는 일상생활동작 분류 방법
|
2 |
2
청구항 1에 있어서,모션 센서 데이터는,가속도 3축 데이터, 자이로스코프 3축 데이터 및 가속도0026#자이로스코프 6축 데이터를 포함하며,모션 센서 데이터는,수집되는 과정에서 기설정된 주기 단위로 프레임화되는 것을 특징으로 하는 일상생활동작 분류 방법
|
3 |
3
청구항 2에 있어서,전처리 작업을 수행하는 단계는,CNN 모델의 학습 데이터 또는 입력 데이터로 활용하기 위해, 모션 센서 데이터를 대상으로 정규화 작업 및 이미지화 작업을 수행하는 것을 특징으로 하는 일상생활동작 분류 방법
|
4 |
4
청구항 2에 있어서,전처리 작업을 수행하는 단계는,CNN 모델 및 LSTM 모델의 학습 데이터로 활용하고자 하는 모션 센서 데이터를 일상생활동작 중 어느 하나로 분류하여, 분류 결과에 따라 라벨번호를 부여하는 데이터 라벨링 작업을 수행하는 것을 특징으로 하는 일상생활동작 분류 방법
|
5 |
5
청구항 4에 있어서,학습시키는 단계는, 데이터 라벨링 작업이 완료된 모션 센서 데이터를 CNN 모델 및 LSTM 모델에 각각 학습 데이터로 입력하여, 3축 CNN 모델, 3축 LSTM 모델, 6축 CNN 모델 및 6축 LSTM 모델을 학습시키는 것을 특징으로 하는 일상생활동작 분류 방법
|
6 |
6
청구항 5에 있어서,분류하는 단계는,학습된 3축 CNN 모델, 3축 LSTM 모델, 6축 CNN 모델 및 6축 LSTM 모델에 전처리 작업이 완료된 모션 센서 데이터를 입력 데이터로 입력하여 모델별로 각각의 예측 데이터를 획득하고, 획득된 각각의 예측 데이터를 종합하여 낙상 동작, 서있는 동작, 걷는 동작, 뛰는 동작 및 앉거나 일어서는 동작 중 가장 높은 확률을 갖는 동작을 분류 결과로 도출하는 것을 특징으로 하는 일상생활동작 분류 방법
|
7 |
7
청구항 1에 있어서,일상생활동작의 분류 작업이 완료된 이후, 사용자의 모션 센서 데이터가 추가로 수집되면, 추가로 수집된 모션 센서 데이터를 기반으로 학습된 CNN 모델 및 LSTM 모델을 재학습시키는 단계;를 더 포함하는 것을 특징으로 하는 일상생활동작 분류 방법
|
8 |
8
웨어러블 타입으로 구현되어, 모션 센서 데이터를 획득하는 데이터 수집부; 및모션 센서 데이터를 CNN(Convolutional Neural Network) 모델 및 LSTM(Long Short-Term Memory) 모델의 학습 데이터 또는 입력 데이터로 활용하기 위한 전처리 작업을 수행하고, 전처리 작업이 완료된 모션 센서 데이터를 학습 데이터로 입력하여, CNN 모델 및 LSTM 모델을 학습시키며, 학습된 CNN 모델 및 LSTM 모델에 전처리 작업이 완료된 모션 센서 데이터를 입력 데이터로 입력하여, 사용자의 일상생활동작을 낙상 동작, 서있는 동작, 걷는 동작, 뛰는 동작 및 앉거나 일어서는 동작 중 어느 하나로 분류하는 프로세서;를 포함하는 일상생활동작 분류 장치
|