표제지
국문초록
목차
제1장 서론 11
1.1. 연구배경 및 동기 11
1.2. 연구 문제 11
1.3. 연구 목적 및 기대효과 12
제2장 선행 연구 13
2.1. 선행 연구의 측정 방식 13
2.2. 선행 연구의 분석 방식 16
2.3. 제안 연구의 측정 방식 16
2.4. 제안 연구의 분석 방식 17
제3장 딥러닝 기반 하이브리드 족압 분석 알고리즘 개발 18
3.1. 연구 실험 환경 18
3.2. 수치 데이터 이용 족압 분석 알고리즘 개발 19
3.2.1. K-Means을 이용한 클러스터링 19
3.2.2. 선행연구 클러스터링의 한계 21
3.2.3. 선행연구 클러스터링의 한계 개선 22
3.2.4. K-Means 클러스터링 결과를 각 발별로 조합 25
3.2.5. 구별된 클러스터의 조합에서 Heel/Ball 구분 27
3.2.6. 왼발/오른발 구분 28
3.2.7. 분류된 결과를 통한 각 부위별 압력의 차이 정량화 및 분류 36
3.3. 이미지 데이터를 이용한 합성곱신경망(CNN) 개발 38
3.3.1. 관련 연구 및 실험 환경 38
3.3.2. 학습 데이터 설정 40
3.3.3. 학습 모델 43
3.4. 딥러닝 기반 하이브리드 족압 분석 알고리즘 45
제4장 딥러닝 기반 하이브리드 족압 분석 알고리즘 검증 48
4.1. 딥러닝 기반 하이브리드 족압 분석 알고리즘 검증 실험 48
4.2. 딥러닝 기반 하이브리드 족압 분석 알고리즘 검증 실험 결과 49
4.2.1. 수치 데이터 이용 알고리즘을 사용한 분류 49
4.2.2. 이미지 데이터를 이용 합성곱신경망(CNN)을 사용한 분류 50
4.2.3. 딥러닝 기반 하이브리드 족압 분석 알고리즘을 적용한 분류 54
4.3. 딥러닝 기반 하이브리드 족압 분석 알고리즘 검증 실험 결과 평가 55
제5장 결론 56
참고문헌 57
ABSTRACT 58
표1. Gait 측정 방식 비교 16
표2. 기존연구와 제안연구 비교 17
표3. 클러스터별 눌린 센서의 수 36
표4. 클러스터별 압력센서값의 합 36
표5. 클러스터별 센서 데이터의 평균 37
표6. 각 유형별 압력 평균값 도출 방법 37
표7. 각 유형별 압력 평균값 도출 방법 45
표8. 수치 데이터 이용 족압 분석 알고리즘 적용 분류 정확도 49
표9. 정상의 경우 각 영역의 비율 49
표10. 개선 후 알고리즘 적용 분류 정확도 49
표11. 딥러닝 기반 하이브리드 족압 분석 알고리즘 결과 54
표12. 각 분류방식별 정확도 54
그림1. 비웨어러블 방식의 Gait 측정 13
그림2. 웨어러블 방식의 Gait 측정 14
그림3. 기존 보행 분석 방식 15
그림4. (주)모어씽즈의 moreMat 18
그림5. Canvas를 이용한 클러스터링 시각화 19
그림6. K-Means 클러스터링 진행 과정 20
그림7. K-Menas 클러스터링이 잘못 진행된 예시 21
그림8. 정상 분류의 클러스터링 중심 교차점 23
그림9. 비정상 분류의 클러스터링 중심교차점이... 23
그림10. 비정상 분류의 클러스터링 중심 교차점 24
그림11. 정상적인 클러스터링의 경우... 25
그림12. 정상적인 클러스터링의 경우... 25
그림13. 정상적인 클러스터링의 경우... 26
그림14. 각 발의 추세선 및 각 클러스터별 추세선 27
그림15. 회전에 따른 각 발 추세 각도의 음/양 상태 28
그림16. 두 Heel의 중심점에서 각 Ball과의 각도 29
그림17. 원점을 기준으로 각 포인트와의 각도 30
그림18. 원점과 교차점으로 영역 나누기 31
그림19. 기존 좌표평면 32
그림20. 이동된 좌표평면 32
그림21. 회전에 따른 두 Heel의 중심점과 교차점의 위치 관계 33
그림22. 회전에 따른 두 Heel의 중심점과 두 Ball의 중심점의 위치 관계 34
그림23. 각 클러스터별 데이터의 수 36
그림24. 실제 수치 데이터 38
그림25. 보간법을 이용한 시각화 38
그림26. 각 족압 유형별 시각화된 데이터 39
그림27. Augmentation 전 원본 데이터 40
그림28. Augmentation 된 데이터 41
그림29. 우측 쏠림 원본 데이터 41
그림30. 우측 쏠림 원본 데이터 수평 Flip 데이터 42
그림31. 우측 쏠림 원본 데이터 수직 Flip 데이터 42
그림32. VGG16 학습모델 구조 43
그림33. 실 적용된 VGG16 학습모델 구조 44
그림34. 딥러닝 기반 하이브리드 족압 분석 알고리즘 구조 46
그림35. 초기학습 정확도 50
그림36. 초기학습 Loss 50
그림37. 잘못된 데이터 예시 50
그림38. 수정학습 정확도 51
그림39. 수정학습 Loss 51
그림40. 전방쏠림과 좌측쏠림이 동시에 이루어지는 경우 51
그림41. 전방쏠림인지 정상인지 구분이 어려운 경우 52
그림42. 전방쏠림 제외 정확도 53
그림43. 전방쏠림 제외 Loss 53
그림44. 평가이미지 전방쏠림 라벨 54
수식1. 유클리디안 거리(Euclidean... 20
수식2. 딥러닝 기반 하이브리드 족압 분석 알고리즘 45