KR102250938B1 - Apparatus for estimating center of pressure trajectories during gait using neural network model and method thereof - Google Patents

Apparatus for estimating center of pressure trajectories during gait using neural network model and method thereof Download PDF

Info

Publication number
KR102250938B1
KR102250938B1 KR1020190061832A KR20190061832A KR102250938B1 KR 102250938 B1 KR102250938 B1 KR 102250938B1 KR 1020190061832 A KR1020190061832 A KR 1020190061832A KR 20190061832 A KR20190061832 A KR 20190061832A KR 102250938 B1 KR102250938 B1 KR 102250938B1
Authority
KR
South Korea
Prior art keywords
pressure
neural network
network model
feature points
artificial neural
Prior art date
Application number
KR1020190061832A
Other languages
Korean (ko)
Other versions
KR20200136147A (en
Inventor
최안렬
Original Assignee
가톨릭관동대학교산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 가톨릭관동대학교산학협력단 filed Critical 가톨릭관동대학교산학협력단
Priority to KR1020190061832A priority Critical patent/KR102250938B1/en
Publication of KR20200136147A publication Critical patent/KR20200136147A/en
Application granted granted Critical
Publication of KR102250938B1 publication Critical patent/KR102250938B1/en

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/1036—Measuring load distribution, e.g. podologic studies
    • A61B5/1038—Measuring plantar pressure during gait
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/0002—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network
    • A61B5/0015—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system
    • A61B5/0024—Remote monitoring of patients using telemetry, e.g. transmission of vital signals via a communication network characterised by features of the telemetry system for multiple sensor units attached to the patient, e.g. using a body or personal area network
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0247—Pressure sensors

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Biophysics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Artificial Intelligence (AREA)
  • Veterinary Medicine (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Software Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Fuzzy Systems (AREA)
  • Computing Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Footwear And Its Accessory, Manufacturing Method And Apparatuses (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

본 발명에 따른 보행 중 압력 중심의 궤적을 추적하는 장치는, 족부 전체를 N개로 분할한 단위 영역 위치에 설치된 압력 센서를 포함하며 깔창 형태로 구현된 인솔 센서와, 상기 압력 센서에 전원을 공급하고, 상기 압력 센서로부터 신호를 송수신하는데 이용되는 연결부와, 상기 연결부를 통해 인솔 센서와 연결되며, 상기 N개의 압력 센서 중 M개의 특징점(N > M)을 선택하고, 상기 M개의 특징점을 이용하여, 시간에 따른 족부의 앞뒤 방향, 양옆 방향의 압력 중심 값을 출력하는 통신 및 데이터 처리 장치를 포함한다. 여기서, 상기 M개의 특징점은 상기 N개의 측정값을 입력으로 하여 인공 신경망 모델을 적용하여 학습되며, 상기 압력 중심값은 상기 선택된 M개의 특징점을 입력으로 하여 상기 인공 신경망 모델을 적용하여 추정될 수 있다. The apparatus for tracking the trajectory of the center of pressure during walking according to the present invention includes a pressure sensor installed at a unit area position in which the entire foot is divided into N, and includes an insole sensor implemented in the form of an insole, and supplies power to the pressure sensor. , A connection part used to transmit/receive a signal from the pressure sensor, and connected to an insole sensor through the connection part, selecting M feature points (N> M) among the N pressure sensors, and using the M feature points, It includes a communication and data processing device that outputs the pressure center values in the forward and backward directions and both lateral directions of the foot over time. Here, the M feature points are learned by applying an artificial neural network model by inputting the N measured values, and the pressure center value may be estimated by applying the artificial neural network model by using the selected M feature points as inputs. .

Description

인공 신경망을 이용한 보행 중 압력 중심 궤적 추적 장치 및 그 방법 {Apparatus for estimating center of pressure trajectories during gait using neural network model and method thereof} {Apparatus for estimating center of pressure trajectories during gait using neural network model and method thereof}

보행 중 압력 중심 궤적(COP: Center of Pressure)을 추적하는 장치 및 그 방법이 제공된다. 더욱 상세하게는 인솔 센서를 이용하여 멀티스텝 중에도 압력 중심 궤적을 추적하는 장치 방법을 제공이 된다.An apparatus and a method for tracking a center of pressure (COP) while walking are provided. In more detail, there is provided an apparatus method for tracking a pressure center trajectory even during multi-steps using an insole sensor.

도 1은 보행 중 압력 중심(COP)의 궤적을 도시한 도면이다. 1 is a view showing the trajectory of the center of pressure (COP) while walking.

압력 중심의 궤적은 보행 중에 압력의 중심 지점이 이동하는 궤적을 의미한다. 도 1에 도시된 바와 같이 한 쪽 발이 지면에 닿는 순간 통상 COP는 뒤꿈치부터 앞꿈치로 이동하는 것을 확인할 수 있다. 사람은 양 발을 지면과 서로 교차 접촉하기 때문에 COP의 궤적은 양 발을 번갈아 이동하게 된다.The trajectory of the center of pressure means the trajectory that the central point of pressure moves while walking. As shown in FIG. 1, the moment one foot touches the ground, it can be seen that the normal COP moves from the heel to the forefoot. Since humans cross-contact both feet with the ground, the trajectory of the COP alternates between the two feet.

COP의 궤적은 단순히 족부가 지면에 닿은 지점뿐 아니라 왼발 오른발로 이동되기 때문에 양발의 간격, 보폭, 보행 행태와 관련된 정보도 제공한다.The trajectory of the COP provides not only the point where the foot touches the ground, but also the distance between the feet, the stride length, and the walking behavior because the left foot is moved to the right foot.

이렇듯 COP의 궤적은 환자의 질환이나 처치, 교정을 위한 중요한 데이터로서 많이 활용되어 왔다. 예를 들어, 소아마비나 다른 뇌 질환이 있는 환자들의 경우에는 일반인과 상이한 COP의 궤적을 보이기 때문에 COP의 궤적을 통해 질환의 정도나 교정을 위한 정보를 획득할 수 있다.As such, the trajectory of COP has been widely used as important data for patient disease, treatment, and correction. For example, in the case of patients with polio or other brain diseases, since the trajectory of the COP is different from that of the general population, information for the degree or correction of the disease can be obtained through the trajectory of the COP.

그러나, 종래의 COP의 궤적을 측정하는 방법은 '지면 반력기(ground reaction force plate)'를 이용하는 것이 유일하다. 그러나, 지면 반력기는 상당히 고가이며, 공간적인 문제로 인해 하나의 스텝에서의 COP 궤적 밖에 측정할 수 없는 문제점이 존재하였다. However, the only conventional method of measuring the trajectory of COP is to use a'ground reaction force plate'. However, the ground reaction force is quite expensive, and there is a problem that only the COP trajectory in one step can be measured due to spatial problems.

결국 인솔 센서를 이용하여야 멀티 스텝에 대한 COP 정보를 얻을 수 있으나, 인솔 센서는 족부내에서의 COP 궤적을 추적할 수는 있지만, 보폭이나 양발 사이의 간격에 대한 COP 궤적은 추적할 수 없는 문제점이 존재하였다.Eventually, COP information for multi-steps can be obtained only by using the insole sensor, but the insole sensor can track the COP trajectory within the foot, but it is not possible to track the COP trajectory for the stride length or the interval between both feet. Existed.

따라서, 저가의 인솔 센서를 이용하되 보행중의 멀티스텝의 COP 궤적을 추적할 수 있는 장치 및 방법이 필요한 실정이다. Therefore, there is a need for an apparatus and method capable of tracking a multi-step COP trajectory while using a low-cost insole sensor.

한국 공개 특허 제 10-2018-0024189호Korean Patent Publication No. 10-2018-0024189 한국 등록 특허 제 10-1848169호Korean Patent Registration No. 10-1848169 일본 공개 특허 제 2018-526060호Japanese Laid-Open Patent No. 2018-526060

본 발명은 인공 신경망과 인솔 센서를 이용하여 보행 중 COP의 궤적을 추적할 수 있는 장치 및 그 방법을 개시한다. The present invention discloses an apparatus and method capable of tracking a trajectory of a COP while walking using an artificial neural network and an insole sensor.

본 발명의 일측면에 따른 보행 중 압력 중심의 궤적을 추적하는 장치는, 족부 전체를 N개로 분할한 단위 영역 위치에 설치된 압력 센서를 포함하며 깔창 형태로 구현된 인솔 센서와,상기 압력 센서에 전원을 공급하고, 상기 압력 센서로부터 신호를 송수신하는데 이용되는 연결부와, 상기 연결부를 통해 인솔 센서와 연결되며, 상기 N개의 압력 센서 중 M개의 특징점(N > M)을 선택하고, 상기 M개의 특징점을 이용하여, 시간에 따른 족부의 앞뒤 방향, 양옆 방향의 압력 중심 값을 출력하는 통신 및 데이터 처리 장치를 포함한다. 여기서, 상기 M개의 특징점은 상기 N개의 측정값을 입력으로 하여 인공 신경망 모델을 적용하여 학습되며, 상기 압력 중심값은 상기 선택된 M개의 특징점을 입력으로 하여 상기 인공 신경망 모델을 적용하여 추정된다. An apparatus for tracking the trajectory of a pressure center during walking according to an aspect of the present invention includes a pressure sensor installed at a position of a unit area divided into N pieces of the entire foot, and an insole sensor implemented in the form of an insole, and a power supply to the pressure sensor And a connection part used to transmit/receive a signal from the pressure sensor, and connected to an insole sensor through the connection part, selecting M feature points (N> M) among the N pressure sensors, and selecting the M feature points By using, it includes a communication and data processing device for outputting the pressure center value in the forward and backward directions and both lateral directions of the foot over time. Here, the M feature points are learned by applying an artificial neural network model by inputting the N measured values, and the pressure center value is estimated by applying the artificial neural network model by using the selected M feature points as inputs.

한편, 상기 상기 인공 신경망 모델은 LSTM(long short-term memory) 아키텍처에 의해 구현될 수 있다. Meanwhile, the artificial neural network model may be implemented using a long short-term memory (LSTM) architecture.

또한, 상기 특징점의 개수는 상대적인 평균 제곱근 오차(Root Mean Square Error: RMSE)와 예측값과 실측값의 상관값에 기초한 정지 기준을 이용하여 선택될 수 있다. In addition, the number of feature points may be selected using a stop criterion based on a relative root mean square error (RMSE) and a correlation value between a predicted value and an actual measured value.

본 발명의 다른 측면을 따른 보행중 압력 중심 궤적을 추적하는 방법은,인공 신경망 모델을 이용하여 족부 전체를 N개로 분할한 단위 영역 중 압력 중심 궤적 추적에 이용할 M개의 특징점을 선택하는 단계와, 상기 인공 신경망 모델을 이용하여 선택된 M개의 특징점을 입력으로 한 시간에 따른 족부 앞뒤의 압력 중심값과 족부 양옆의 압력 중심값을 출력하는 단계와, 시간에 따른 상기 족부 앞뒤의 압력 중심값과 족부 양옆의 압력 중심값을 이용하여 압력 중심 궤적을 추적하는 단계를 포함한다. A method of tracking a pressure center trajectory while walking according to another aspect of the present invention includes the steps of selecting M feature points to be used for tracking the pressure center trajectory from a unit area in which the entire foot is divided into N using an artificial neural network model, and the The step of outputting the pressure center value of the front and rear of the foot and the pressure center of both sides of the foot according to time by inputting M feature points selected using the artificial neural network model, and And tracking the center of pressure trajectory using the center of pressure value.

여기서, 상기 인공 신경망 모델은 LSTM(long short-term memory) 아키텍처에 의해 구현될 수 있다.Here, the artificial neural network model may be implemented using a long short-term memory (LSTM) architecture.

상기 LSTM 아키텍처는 인솔 센서의 상기 N개의 단위 영역에 배치된 압력 센서의 압력 측정값을 입력으로서 이용할 수 있다. The LSTM architecture may use a pressure measurement value of a pressure sensor disposed in the N unit areas of the insole sensor as an input.

또한, 상기 인공 신경망 모델은 인솔에 상기 M개의 특징점에 배치된 압력 센서로부터 측정된 값을 입력값으로서 이용할 수 있다.In addition, the artificial neural network model may use a value measured from a pressure sensor disposed at the M feature points on the insole as an input value.

전술한 본 발명의 수단에 따른 COP 궤적 추적 장치는 고가의 지면 반력기를 이용하지 않고서도 보행중의 COP의 궤적을 추적할 수 있다. 더불어, 본 발명의 수단에 따른 COP 궤적 추적 장치는 여러 걸음을 걷는 경우에도 보행중 양발 사이의 COP 궤적, 보폭 사이의 COP 궤적을 추적하여 사용자의 질환의 검진과 처치에 유용하게 이용할 수 있다.The COP trajectory tracking apparatus according to the means of the present invention described above can track the trajectory of the COP while walking without using an expensive ground reaction force. In addition, the COP trajectory tracking apparatus according to the means of the present invention can be usefully used for the diagnosis and treatment of the user's disease by tracking the COP trajectory between both feet and the COP trajectory between strides even when walking several steps.

본 발명의 효과는 상기한 효과로 한정되는 것은 아니며, 본 발명의 상세한 설명 또는 특허청구범위에 기재된 발명의 구성으로부터 추론 가능한 모든 효과를 포함하는 것으로 이해되어야 한다.The effects of the present invention are not limited to the above effects, and should be understood to include all effects that can be inferred from the configuration of the invention described in the detailed description or claims of the present invention.

도 1은 보행 중 압력 중심(COP)의 궤적을 도시한 도면이다.
도 2는 본 발명의 일 실시예에 따른 COP 궤적 추적 방법을 설명하기 위한 도면이다.
도 3는 본 발명의 일 실시예에 따른 인공 신경망 모델을 도시한 블록도이다.
도 4는 본 발명의 일 실시예에 따라 특징점을 선택하는 방법을 설명하는 그래프도이다.
도 5는 본 발명의 일 실시예에 따른 COP 궤적 추적 장치를 도시한 도면이다.
도 6은 본 발명의 다른 실시예에 따른 COP 궤적 추적 장치를 도시한 도면이다.
도 7은 본 발명의 실시예에 따른 COP 궤적 장치의 성능을 도시한 그래프도이다.
도 8은 본 발명의 실시예에 따른 COP 궤적의 오차율을 도시한 그래프도이다. 1 is a view showing the trajectory of the center of pressure (COP) while walking.
2 is a view for explaining a COP trajectory tracking method according to an embodiment of the present invention.
3 is a block diagram illustrating an artificial neural network model according to an embodiment of the present invention.
4 is a graph illustrating a method of selecting a feature point according to an embodiment of the present invention.
5 is a diagram showing a COP trajectory tracking apparatus according to an embodiment of the present invention.
6 is a view showing a COP trajectory tracking apparatus according to another embodiment of the present invention.
7 is a graph showing the performance of a COP trajectory device according to an embodiment of the present invention.
8 is a graph showing an error rate of a COP trajectory according to an embodiment of the present invention.

이하, 본 발명을 더욱 상세하게 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 의해 본 발명이 한정되지 않으며 본 발명은 후술할 청구범위의 의해 정의될 뿐이다.Hereinafter, the present invention will be described in more detail. However, the present invention may be implemented in various different forms, and the present invention is not limited by the embodiments described herein, and the present invention is only defined by the claims to be described later.

덧붙여, 본 발명에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 발명의 명세서 전체에서 어떤 구성요소를 '포함'한다는 것은 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다.In addition, terms used in the present invention are only used to describe specific embodiments, and are not intended to limit the present invention. Singular expressions include plural expressions unless the context clearly indicates otherwise. In the entire specification of the present invention, "including" a certain component means that other components may be further included, rather than excluding other components unless specifically stated to the contrary.

도 2는 본 발명의 일 실시예에 따른 COP 궤적 추적 방법을 설명하기 위한 도면이다. 2 is a view for explaining a COP trajectory tracking method according to an embodiment of the present invention.

단계(S100)에서는 인솔 센서에 설치된 복수개의 압력센서로부터 압력값을 측정한다. 상기 압력값은 복수개의 센서는 족부 전체에 걸쳐 분포된 단위영역(예를 들어, 99개)에서의 압력값이 될 수있다. 또한, 상기 압력값은 족부 일부에 배치된 센서로부터 인공 신경망을 이용하여 추정된 값이 될 수 있다. 센서 측정값은 인공 신경망 모델의 입력으로 제공된다. 인공신경망 모델은 sequential forward feature selection을 통해 입력 특징점을 선택하고 기계학습을 통해 COP의 궤적을 출력하는 인공 신경망 모델이 이용될 수 있다.In step S100, a pressure value is measured from a plurality of pressure sensors installed in the insole sensor. The pressure value may be a pressure value in a unit area (eg, 99 units) distributed over the entire foot of the plurality of sensors. In addition, the pressure value may be a value estimated using an artificial neural network from a sensor disposed on a part of the foot. Sensor measurements are provided as input to the artificial neural network model. As for the artificial neural network model, an artificial neural network model that selects input feature points through sequential forward feature selection and outputs the COP trajectory through machine learning can be used.

단계(S110)에서는 딥러닝 모델의 기계학습 방식으로 특징점 입력이 선택된다. 특징입력은 복수개의 센서 측정값의 부분 집합이며, COP 궤적과 상관성이 높은 특징점 입력이 선택된다. In step S110, a feature point input is selected as a machine learning method of the deep learning model. The feature input is a subset of the measured values of a plurality of sensors, and a feature point input having a high correlation with the COP trajectory is selected.

선택된 특징점 입력은 인공 신경망 모델의 입력으로 이용된다(S120). 인공 신경망 모델은 사람 또는 동물의 두뇌의 신경망에 모사하는 컴퓨팅 시스템으로서 한 개의 입력층과 출력층 사이에 적어도 하나의 은닉층이 존재하는 다층 퍼셉트론으로 구현된다. 입력층, 은닉층, 출력층 사이에는 다수의 가중 링크로 연결되며, 가중 링크의 가중치는 학습을 통해서 조정된다. The selected feature point input is used as an input of an artificial neural network model (S120). The artificial neural network model is a computing system that simulates the neural network of a human or animal brain, and is implemented as a multilayer perceptron in which at least one hidden layer exists between one input layer and an output layer. A number of weighted links are connected between the input layer, the hidden layer, and the output layer, and the weights of the weighted links are adjusted through learning.

본 발명의 실시예는 인솔 센서의 딥러닝 모델을 이용하여 출력값뿐 아니라 특징점이 되는 입력값도 학습하여 선택하고, 선택된 특징점과 인공 신경망 모델을 이용하여 족부의 앞뒤 방향의 COP_X, 양옆 방향의 COP_Y를 출력한다. 인솔 센서를 이용하기 때문에 멀티 스텝에 대한 COP 값을 획득하는 할 수 있으며, 기계 학습에 지면 반력기의 실측 값을 활용하기 때문에 멀티 스텝에서도 완벽한 COP 궤적을 획득할 수 있다. In an embodiment of the present invention, not only an output value but also an input value as a feature point is learned and selected using a deep learning model of an insole sensor, and COP_X in the forward and backward directions of the foot and COP_Y in both lateral directions are determined using the selected feature point and an artificial neural network model. Print it out. Because the insole sensor is used, it is possible to obtain the COP value for multi-steps, and because the actual measured value of the ground reaction force is used for machine learning, the perfect COP trajectory can be obtained even in multi-steps.

이하, 본 발명의 실시예에 적용된 인공 신경망 모델에 상세히 설명한다.Hereinafter, an artificial neural network model applied to an embodiment of the present invention will be described in detail.

도 3는 본 발명의 일 실시예에 따른 인공 신경망 모델을 도시한 블록도이다. 3 is a block diagram illustrating an artificial neural network model according to an embodiment of the present invention.

본 발명의 실시예에서는 COP 궤적 추적을 위한 특징점 선택을 위하여 시간의 흐름에 따라 변화하는 데이터를 학습하는 딥러닝 모델을 사용한다. 예를 들어, 양발의 인솔 센서의 센싱값은 198(99+99)개로 LSTM(long short-term memory) 아키텍처의 입력으로 사용된다. LSTM 아키텍처는 시간의 흐름에 따라 변화하는 데이터를 학습하는 딥러닝 모델로서 이전 단계의 정보를 받아 반복적으로 처리하는 순환 신경망 모델의 하나이다. LAYER 1에서는 양발 모두 198개의 입력 변수를 딥러닝 모델을 이용하여 학습된 입력을 제공하게 된다. 예를 들어, 학습에 의해 선택된 특징점인 입력값은 13~18개 정도로 결정될 수 있다.In an embodiment of the present invention, a deep learning model that learns data that changes over time is used to select a feature point for tracking a COP trajectory. For example, the sensing values of the insole sensor of both feet are 198 (99+99), which are used as inputs to the long short-term memory (LSTM) architecture. The LSTM architecture is a deep learning model that learns data that changes over time, and is one of the recurrent neural network models that receive information from the previous step and process it repeatedly. In LAYER 1, 198 input variables for both feet are provided using a deep learning model. For example, about 13 to 18 input values, which are feature points selected by learning, may be determined.

LAYER 2에는 선택된 입력 변수를 이용하여 단계(S120)의 학습된 출력값이 출력된다. 예를 들어, 본 발명의 일 실시예에서는 도 2에 도시된 모델을 설정하고 다수의 입력 표본(예를 들어, 100명)의 특징점으로 선택된 입력값을 측정하고, 출력에 대응하는 COP의 궤적을 출력 표본 값으로서 측정한다. 미리 준비된 입력값과 출력 표본값을 기초로 하여 은닉층과 가중 링크와 가중치를 설정하여 인공 신경망 모델을 구성한다. 이렇게 구성된 인공 신경망 모델을 이용하여 수집된 예측 출력값은 미리 준비된 출력 표본값과 비교하여 오차를 수정하는 방향으로 가중치를 변경시켜 최종적으로 인공 신경망 모델을 구축한다. 구축된 인공 신경망 모델은 양 발에 관한 COP의 변화를 제공하고, 제공된 COP의 시간에 따른 변화를 통해 COP 궤적을 추적할 수 있다.In LAYER 2, the learned output value of step S120 is output using the selected input variable. For example, in an embodiment of the present invention, the model shown in FIG. 2 is set, an input value selected as a feature point of a plurality of input samples (for example, 100 people) is measured, and the trajectory of the COP corresponding to the output is determined. Measure as the output sample value. An artificial neural network model is constructed by setting a hidden layer, a weighted link, and a weight based on the input value and output sample value prepared in advance. The predicted output values collected using the artificial neural network model constructed in this way are compared with the output sample values prepared in advance, and the weights are changed in the direction of correcting the error, and finally the artificial neural network model is constructed. The constructed artificial neural network model provides the change of COP for both feet and can track the COP trajectory through the change over time of the provided COP.

전술한 구성과 같이, 딥러닝을 수행하는 인공 신경망 모델을 이용하는 본 발명의 실시예에서는 입력 변수도 학습을 통해 최적의 특징점을 선택 가능하고, COP의 궤적을 추적할 수 있는 장점이 있다.As described above, in an embodiment of the present invention using an artificial neural network model that performs deep learning, there is an advantage in that it is possible to select an optimal feature point through learning of an input variable as well as to track a trajectory of a COP.

도 4는 본 발명의 일 실시예에 따라 특징점을 선택하는 방법을 설명하는 그래프도이다. 4 is a graph illustrating a method of selecting a feature point according to an embodiment of the present invention.

그래프도의 X축은 인솔 센서가 장착된 신발을 신고 걸음수와 특징점에 해당하는 센서 개수를 의미한다. 최초의 1개의 특징점 센서로부터 1개씩 추가할수록 상대적인 평균 제곱근 오차(Root Mean Square Error: RMSE)는 감소하는 것을 확인할 수 있다. The X-axis of the graph indicates the number of steps and the number of sensors corresponding to feature points wearing shoes equipped with an insole sensor. It can be seen that the relative root mean square error (RMSE) decreases as each of the first feature point sensors is added.

한편, 실측 COP 궤적과의 상관계수는 특징점 센서의 개수를 증가시킬 수 1에 가까워지는 것을 확인할 수 있다. On the other hand, it can be confirmed that the correlation coefficient with the measured COP trajectory approaches 1, which increases the number of feature point sensors.

미리 정해진 정지 기준을 만족하는 경우 특징점 선택을 중지할 수 있다 예를 들어, 도 4에 도시된 실시예에서는 RMSE를 5%, 상관계수를 0.95 이상을 정지기준으로 설정한다면, 대략 13개의 특징점을 선택하고 더 이상 특징점을 선택하지 않을 수 있다. When a predetermined stop criterion is satisfied, feature point selection can be stopped.For example, in the embodiment shown in FIG. 4, if an RMSE is set as 5% and a correlation coefficient of 0.95 or more is set as a stop criterion, approximately 13 feature points are selected. And no more feature points can be selected.

RMSE가 5% 및 상관계수가 0.95 수준인 경우에는 COP의 궤적은 충분히 실제 COP 궤적과 유사하기 때문에 이를 환자나 검사체의 COP 궤적으로 활용하는 것이 가능하다.When the RMSE is 5% and the correlation coefficient is 0.95, the COP trajectory is sufficiently similar to the actual COP trajectory, so it is possible to use it as the COP trajectory of the patient or test subject.

도 5는 본 발명의 일 실시예에 따른 COP 궤적 추적 장치를 도시한 도면이다. 5 is a diagram showing a COP trajectory tracking apparatus according to an embodiment of the present invention.

COP 궤적 추적 장치는 인솔 센서(10), 전력 및 데이터 케이블(20). 구동 및 디스플레이 장치(30)을 포함한다. 인솔 센서(10)는 족부 전체를 센싱할 수 있는 개수(예를 들어, 99개)의 센서가 깔창 전체에 배치될 수 있다. 센서를 구동하기 위해서, 전력 및 데이터 케이블(20)이 구동 및 디스플레이 장치(30)과 연결된다.The COP trajectory tracking device includes an insole sensor (10), a power and data cable (20). And a driving and display device 30. In the insole sensor 10, the number of sensors (eg, 99) capable of sensing the entire foot may be disposed on the entire insole. In order to drive the sensor, a power and data cable 20 is connected to the drive and display device 30.

구동 및 디스플레이 장치(30)은 센서를 구동하기 위한 배터리, 구동회로, 마이크로 컨트롤러, 메모리, 디스플레이 모듈을 포함할 수 있다(도시 생략). The driving and display device 30 may include a battery for driving a sensor, a driving circuit, a microcontroller, a memory, and a display module (not shown).

도시한 구성은 족부의 단위 영역의 압력값을 측정하여 프로세싱하기 위한 장치이며, 전술한 딥러닝 모델과 인공 신경망 모델은 소트프웨어 형태로 구동 및 디스플레이 장치(30)에서 수행될 수 있다. 또는 블루투스와 같은 근거리 통신 모듈을 이용하여 구동 및 플레이이 장치(30)과 유/무선으로 연결된 스마트 장치에서 수행될 수 있다.The illustrated configuration is a device for measuring and processing a pressure value of a unit area of the foot, and the above-described deep learning model and artificial neural network model may be driven in the form of software and performed by the display device 30. Alternatively, driving and playing may be performed in a smart device connected to the device 30 by wire/wireless using a short-range communication module such as Bluetooth.

도 6은 본 발명의 다른 실시예에 따른 COP 궤적 추적 장치를 도시한 도면이다. 6 is a view showing a COP trajectory tracking apparatus according to another embodiment of the present invention.

COP 궤적 추적 장치는 인솔 센서(100), 연결부(120), 통신 및 데이터 처리부(200), 통신 및 데이터 처리부(200)과 유/무선 통신으로 연결가능한 스마트 장치(300, 400)을 포함한다.The COP trajectory tracking device includes an insole sensor 100, a connection unit 120, a communication and data processing unit 200, a communication and data processing unit 200, and smart devices 300 and 400 that are connectable through wired/wireless communication.

인솔 센서(100)는 족부의 특징점에 배치된 압력 센서(110-1 내지 110-9)를 포함한다. 또한, 센서 중심의 압력이 측정되기 때문에 종래의 특수 제작된 센서보다 큰 크기의 저가의 제품이 사용 가능하다. 예를 들어, FSR (Force Sensing Resistor)와 같은 압력 센서가 사용될 수 있다. The insole sensor 100 includes pressure sensors 110-1 to 110-9 disposed at characteristic points of the foot. In addition, since the pressure at the center of the sensor is measured, an inexpensive product having a size larger than that of a conventional specially manufactured sensor can be used. For example, a pressure sensor such as FSR (Force Sensing Resistor) can be used.

여기서 특징점의 위치는 전체 단위 영역 중에서 도 3 및 도 4에 도시된 실시예의 딥러닝 모델을 포함한 인공 신경망에서 학습된다. 즉, 도 5에 도시된 실시예는 측정된 198개의 입력에서 특징점을 소프트웨어적으로 선택하는 구성을 취하고 있으나, 도 6에 도시된 실시예는 선택된 위치에 센서를 미리 하드웨어 형태로 구현한 것이 상이한 점이다.Here, the position of the feature point is learned in an artificial neural network including the deep learning model of the embodiment shown in FIGS. 3 and 4 among the entire unit area. That is, the embodiment shown in FIG. 5 takes a configuration in which feature points are selected in software from 198 measured inputs, but the embodiment shown in FIG. 6 differs in that the sensor is implemented in a hardware form in advance at the selected location. to be.

압력 센서(110-1 내지 110-9)는 족부의 단위 영역(예를 들어 99개)보다 크기가 커도 상관없지만, 압력 센서의 중심은 상기 단위 영역에 대응되어 배치되는 것이 좋다.The pressure sensors 110-1 to 110-9 may be larger in size than the unit area of the foot (for example, 99 units), but the center of the pressure sensor is preferably disposed to correspond to the unit area.

압력 센서(110-1 내지 110-9)에서 측정된 압력값은 연결부(120)을 통해 통신 및 데이터 처리 장치(200)으로 전송될 수 있다. 연결부(120)는 외부로부터 전원을 공급받거나 데이터를 송수신할 때 사용될 수 있다. 만약 압력 센서(110-1 내지 110-9)가 9개인 경우에는 연결부(120)는 다중화 기술을 이용하여 이보다 더 적은 물리적 케이블을 포함할 수 있다. The pressure values measured by the pressure sensors 110-1 to 110-9 may be transmitted to the communication and data processing apparatus 200 through the connection unit 120. The connection unit 120 may be used when receiving power from the outside or transmitting and receiving data. If there are 9 pressure sensors 110-1 to 110-9, the connection unit 120 may include fewer physical cables than this by using a multiplexing technique.

통신 및 데이터 처리 장치(200)는 근거리 통신 모듈(210). 마이크로 컨트롤러(220), 멀티플렉서(230), 통신 인터페이스(240)을 포함한다. The communication and data processing device 200 is a short-range communication module 210. A microcontroller 220, a multiplexer 230, and a communication interface 240 are included.

근거리 통신 모듈(210)은 다른 근거리 통신 모듈을 갖춘 스마트 장치(300,400)과 통신을 하는데 이용된다. 예를 들어, 근거리 통신 모듈(210)은 저전력 블루투스 기술 (BLE:Bluetooth Low Energy)로 구현될 수 있다.The short-range communication module 210 is used to communicate with smart devices 300 and 400 equipped with other short-range communication modules. For example, the short-range communication module 210 may be implemented with Bluetooth Low Energy (BLE).

마이크로 컨트롤러(230)는 인솔 센서(100)를 구동하거나, 인솔 센서(100)으로부터 수신되는 신호 처리 및 통신 및 데이터 처리 장치(200)내의 데이터 처리를 제어한다. 도면에는 도시되지 않았지만, 마이크로 컨트롤러(220)와 함께 제어 동작을 수행할 수 있도록 휘발성 또는 비휘발성 메모리가 더 포함될 수 있는 것은 당업자들은 용이하게 이해할 수 있을 것이다.The microcontroller 230 drives the insole sensor 100 or controls signal processing and communication received from the insole sensor 100 and data processing in the data processing apparatus 200. Although not shown in the drawings, it will be readily understood by those skilled in the art that a volatile or nonvolatile memory may be further included to perform a control operation together with the microcontroller 220.

멀티플렉서(230)은 인솔 센서(100)을 구동하거나, 처리된 데이터를 근거리 통신 모듈(210)을 통해 전송되는 신호를 다중화하는데 이용될 수 있다. The multiplexer 230 may be used to drive the insole sensor 100 or to multiplex a signal transmitted through the short-range communication module 210 with processed data.

통신 인터페이스(240)은 인솔 센서(100) 또는 스마트 장치(300,400)과의 통신을 위한 프로토콜을 이용하여 신호 또는 처리된 데이터를 송 수신하는 기능을 수행한다. The communication interface 240 performs a function of transmitting and receiving a signal or processed data using a protocol for communication with the insole sensor 100 or the smart devices 300 and 400.

스마트 장치(300, 400)은 보다 높은 컴퓨팅 파워를 이용하여 수신된 데이터를 처리하여 COP 궤적을 추적한다. 이때 COP 궤적을 추적하는 신경망 모델 또는 알고리즘은 스마트 장치(300, 400)의 메모리에 저장되어 수행될 수 있다. The smart devices 300 and 400 track the COP trajectory by processing the received data using higher computing power. In this case, the neural network model or algorithm for tracking the COP trajectory may be stored and executed in the memory of the smart devices 300 and 400.

그러나, COP 궤적을 추적하는 신경망 모델이 하나의 하드웨어로 통신 및 데이터 처리 장치(200)에 장착된 경우에는 전술한 신경망 모델 또는 알고리즘은 통신 및 데이터 처리 장치(200)에서 수행되는 것도 가능하다. 이 경우에는 스마트 장치(300, 400)은 처리된 데이터를 수신하여 디스플레이만 하여도 충분한다. However, when the neural network model for tracking the COP trajectory is mounted on the communication and data processing apparatus 200 as one piece of hardware, the aforementioned neural network model or algorithm may be performed by the communication and data processing apparatus 200. In this case, it is sufficient for the smart devices 300 and 400 to receive and display the processed data.

도 7은 본 발명의 실시예에 따른 COP 궤적 장치의 성능을 도시한 그래프도이다. 7 is a graph showing the performance of a COP trajectory device according to an embodiment of the present invention.

그래프(A,C,E) 보행 사이클 중 족부의 앞뒤로의 COP 궤적을 의미하고, 그래프(B,D,E)는 보행 사이클 중 족부의 양옆으로의 COP 궤적을 의미한다. 도 7은 족부의 앞뒤, 양옆의 COP 궤적을 보행의 속도별로 도시하고 있다. 족부의 앞뒤, 양옆으로의 COP 궤적을 통해 전체 COP 궤적이 산출될 수 있다.Graphs (A,C,E) refer to the COP trajectories of the foot back and forth during the walking cycle, and the graphs (B,D,E) refer to the COP trajectories on both sides of the foot during the walking cycle. 7 shows the COP trajectories on the front and rear and both sides of the foot according to the walking speed. The entire COP trajectory can be calculated through the COP trajectory of the foot front, rear, and both sides.

도 7에 도시된 바와 같이, 점선으로 표시된 딥러닝 모델(LSTM)을 이용하는 인공 신경망 모델이 적용된 예측 COP의 궤적은 지면 반력기 등과 같은 실측하여 산출된 COP 궤적과 거의 일치하는 양상을 보여주고 있다. As shown in FIG. 7, the trajectory of the predicted COP to which the artificial neural network model using the deep learning model (LSTM) indicated by the dotted line is applied is almost identical to the COP trajectory calculated by actual measurement such as a ground reaction force.

도 8은 본 발명의 실시예에 따른 COP 궤적의 오차율을 도시한 그래프도이다. 8 is a graph showing an error rate of a COP trajectory according to an embodiment of the present invention.

그래프(A)는 앞뒤 방향으로 보행 속도별로 평균 제곱근 오차(Root Mean Square Error: RMSE)를 도시하고 있으며, 그래프(B)는 앞뒤 방향으로 보행 속도별로 RMSE를 도시하고 있다. Graph (A) shows the root mean square error (RMSE) for each walking speed in the forward and backward directions, and graph (B) shows the RMSE for each walking speed in the forward and backward directions.

각각의 그래프(A, B)는 FFANN (Feed Forward Artificial Neural Network) 인공신경망을 적용한 그래프와 딥러닝(LSTM)을 적용한 인공신경망을 적용한 그래프를 비교 도시하고 있다. RMSE는 통상 15% 이하인 경우 정확도가 높은 것으로 평가하고 있다. 족부 앞뒤 궤적의 RMSE를 도시한 그래프(A)는 FFANN 모델과 LSTM 모델 모두 낮은 오차율을 보이고 있지만, 족부 양옆 궤적의 RMSE를 도시한 그래프(B)는 LSTM을 적용한 모델이 훨씬 정확도가 높은 것을 확인할 수 있다. COP의 궤적 중 족부 양옆의 궤적은 신체 마비나 뇌질환 등을 진단하는데 특히 유용하기 때문에 딥러닝을 적용한 본 발명의 실시예가 더 활용성이 높은 것을 확인할 수 있다. Each of the graphs (A, B) shows a comparison between a graph to which FFANN (Feed Forward Artificial Neural Network) artificial neural network is applied and a graph to which deep learning (LSTM) is applied artificial neural network. RMSE is generally evaluated as having high accuracy when it is less than 15%. The graph (A) showing the RMSE of the anterior and posterior trajectory of the foot shows a low error rate for both the FFANN model and the LSTM model, but the graph (B) showing the RMSE of the both lateral trajectory of the foot shows that the model to which the LSTM is applied has much higher accuracy. have. Among the trajectories of the COP, the trajectories on both sides of the foot are particularly useful for diagnosing body paralysis or brain disease, so it can be seen that the embodiment of the present invention to which deep learning is applied is more useful.

전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.The above description of the present invention is for illustrative purposes only, and those of ordinary skill in the art to which the present invention pertains will be able to understand that other specific forms can be easily modified without changing the technical spirit or essential features of the present invention. will be. Therefore, it should be understood that the embodiments described above are illustrative in all respects and are not limiting. For example, each component described as a single type may be implemented in a distributed manner, and similarly, components described as being distributed may also be implemented in a combined form.

본 발명의 범위는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.The scope of the present invention is indicated by the claims to be described later, and all changes or modified forms derived from the meaning and scope of the claims and their equivalent concepts should be construed as being included in the scope of the present invention.

100: 인솔 센서 200: 통신 및 데이터 처리부
300: 스마트 장치 110: 압력센서 120: 연결부100: insole sensor 200: communication and data processing unit
300: smart device 110: pressure sensor 120: connection

Claims (9)

보행 중 압력 중심의 궤적을 추적하는 장치에 있어서,
족부 전체를 N개로 분할한 단위 영역 위치에 설치된 압력 센서를 포함하며 깔창 형태로 구현된 인솔 센서와,
상기 압력 센서에 전원을 공급하고, 상기 압력 센서로부터 신호를 송수신하는데 이용되는 연결부와,
상기 연결부를 통해 인솔 센서와 연결되며, 상기 N개의 압력 센서 중 M개의 특징점(N > M)을 선택하고, 상기 M개의 특징점을 이용하여, 시간에 따른 족부의 앞뒤 방향, 양옆 방향의 압력 중심 값을 출력하는 통신 및 데이터 처리 장치를 포함하며,
상기 M개의 특징점은 상기 N개의 측정값을 입력으로 하여 인공 신경망 모델을 적용하여 학습되며, 상기 압력 중심값은 상기 선택된 M개의 특징점을 입력으로 하여 상기 인공 신경망 모델을 적용하여 추정되며
상기 인공 신경망 모델은 LSTM(long short-term memory) 아키텍처를 포함하며,
상기 특징점의 개수는 상대적인 평균 제곱근 오차(Root Mean Square Error: RMSE)와 예측값과 실측값의 상관값에 기초한 정지 기준을 이용하여 선택되는 것인 압력 중심 궤적 추적 장치.
In the device for tracking the trajectory of the center of pressure while walking,
An insole sensor implemented in the form of an insole and including a pressure sensor installed at the location of the unit area divided into N pieces of the entire foot,
A connection part used to supply power to the pressure sensor and transmit/receive a signal from the pressure sensor,
It is connected to the insole sensor through the connection part, selects M feature points (N> M) among the N pressure sensors, and uses the M feature points, the pressure center value in the forward and backward directions and both lateral directions of the foot over time It includes a communication and data processing device for outputting,
The M feature points are learned by applying an artificial neural network model by inputting the N measured values, and the pressure center value is estimated by applying the artificial neural network model by inputting the selected M feature points.
The artificial neural network model includes a long short-term memory (LSTM) architecture,
The number of feature points is selected using a relative root mean square error (RMSE) and a stop criterion based on a correlation value between a predicted value and an actual measured value.
 삭제delete 삭제delete 제1항에 있어서,
상기 통신 및 데이터 처리 장치는 근거리 통신 모듈을 포함하며, 상기 근거리 통신 모듈을 이용하여, 상기 상기 인공 신경망 모델의 적용을 외부의 스마트 장치에서 수행하는 것인 압력 중심 궤적 추적 장치.The method of claim 1,
The communication and data processing device includes a short-range communication module, wherein the application of the artificial neural network model is performed by an external smart device using the short-range communication module. 보행중 압력 중심의 궤적을 추적하는 방법에 있어서,
인공 신경망 모델을 이용하여 족부 전체를 N개로 분할한 단위 영역 중 압력 중심 궤적 추적에 이용할 M개의 특징점을 학습하여 선택하는 단계와,
상기 인공 신경망 모델을 이용하여 선택된 M개의 특징점을 입력으로 한 시간에 따른 족부 앞뒤의 압력 중심값과 족부 양옆의 압력 중심값을 출력하는 단계와,
시간에 따른 상기 족부 앞뒤의 압력 중심값과 족부 양옆의 압력 중심값을 이용하여 압력 중심 궤적을 추적하는 단계를 포함하며,
상기 인공 신경망 모델은 LSTM(long short-term memory) 아키텍처를 포함하며,
상기 특징점의 개수는 상대적인 평균 제곱근 오차(Root Mean Square Error: RMSE)와 예측값과 실측값의 상관값에 기초한 정지 기준을 이용하여 선택되는 것인 압력 중심 궤적 추적 방법.
In the method of tracking the trajectory of the center of pressure while walking,
The step of learning and selecting M feature points to be used for tracking the center of pressure trajectory among the unit regions in which the entire foot is divided into N using an artificial neural network model;
The step of outputting the pressure center values of the front and rear of the foot and the pressure center values of both sides of the foot according to the time of inputting the M feature points selected using the artificial neural network model; and
Including the step of tracking the pressure center trajectory using the pressure center values of the front and rear of the foot and the pressure center values of both sides of the foot over time,
The artificial neural network model includes a long short-term memory (LSTM) architecture,
The number of feature points is selected using a relative root mean square error (RMSE) and a stop criterion based on a correlation value between a predicted value and an actual measured value.
 삭제delete 삭제delete 제 5 항에 있어서,
상기 LSTM 아키텍처는 인솔 센서의 상기 N개의 단위 영역에 배치된 압력 센서의 압력 측정값을 입력으로서 이용하는 것인 압력 중심 궤적 추적 방법.The method of claim 5,
The LSTM architecture uses as input a pressure measurement value of a pressure sensor disposed in the N unit areas of an insole sensor. 제 5 항에 있어서,
상기 인공 신경망 모델은 인솔에 상기 M개의 특징점에 배치된 압력 센서로부터 측정된 값을 입력값으로서 이용하는 것인 압력 중심 궤적 추적 방법. The method of claim 5,
The artificial neural network model is a pressure center trajectory tracking method using a value measured from a pressure sensor disposed at the M feature points in an insole as an input value.
KR1020190061832A 2019-05-27 2019-05-27 Apparatus for estimating center of pressure trajectories during gait using neural network model and method thereof KR102250938B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190061832A KR102250938B1 (en) 2019-05-27 2019-05-27 Apparatus for estimating center of pressure trajectories during gait using neural network model and method thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190061832A KR102250938B1 (en) 2019-05-27 2019-05-27 Apparatus for estimating center of pressure trajectories during gait using neural network model and method thereof

Publications (2)

Publication Number Publication Date
KR20200136147A KR20200136147A (en) 2020-12-07
KR102250938B1 true KR102250938B1 (en) 2021-05-12

Family

ID=73791002

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190061832A KR102250938B1 (en) 2019-05-27 2019-05-27 Apparatus for estimating center of pressure trajectories during gait using neural network model and method thereof

Country Status (1)

Country Link
KR (1) KR102250938B1 (en)

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2017004240A1 (en) 2015-06-30 2017-01-05 Ishoe, Inc Identifying fall risk using machine learning algorithms
KR20180024189A (en) 2016-08-29 2018-03-08 연세대학교 산학협력단 Sensor for measuring foot pressure center and method for measuring foot pressure center
KR101878254B1 (en) * 2016-10-31 2018-07-13 부산외국어대학교 산학협력단 Smart Shoes System And Method for Realizing The Same
KR101848169B1 (en) 2016-11-22 2018-04-11 한국산업기술대학교산학협력단 Insole-type device for analyzing walking, and method for analyzing walking using the same

Also Published As

Publication number Publication date
KR20200136147A (en) 2020-12-07

Similar Documents

Publication Publication Date Title
US20240041349A1 (en) Gait Analysis Devices, Methods, and Systems
Wahab et al. Gait analysis measurement for sport application based on ultrasonic system
US20170055880A1 (en) Gait Analysis Devices, Methods, and Systems
EP2783630A1 (en) Human motion analysis method and device
CN105616112A (en) Assisting torque setting apparatus and walking assistance apparatus
TW201018507A (en) Control method and system for intelligent treadmill
Minto et al. Validation of a footwear-based gait analysis system with action-related feedback
US10881852B2 (en) Device, system and apparatus for functional electrical stimulation of muscle
US20220409098A1 (en) A wearable device for determining motion and/or a physiological state of a wearer
Delgado-Gonzalo et al. Real-time gait analysis with accelerometer-based smart shoes
Wu et al. Gait phase prediction for lower limb exoskeleton robots
Prado et al. Prediction of gait cycle percentage using instrumented shoes with artificial neural networks
CA3170237A1 (en) System and method for gait monitoring and improvement
KR102260470B1 (en) Apparatus for estimating foot pressure distribution during gait using neural network model and method thereof
KR102250938B1 (en) Apparatus for estimating center of pressure trajectories during gait using neural network model and method thereof
US20230157578A1 (en) Analysis system and method for analyzing the movement of a portion of the body and/or of a human prosthesis
KR102268445B1 (en) Apparatus for estimation of gait stability based on inertial information and method thereof
Wahab et al. Microsystem based portable shoe integrated instrumentation using ultrasonic for gait analysis measurement
CN111296994A (en) Intelligent gesture interaction control system
EP3760120A1 (en) Wearable cueing systems for assisting a subject with walking
CN111481405A (en) Motion instruction triggering method and device and exoskeleton equipment
KR20210040671A (en) Apparatus for estimating displacement center of gravity trajectories and method thereof
US20230031376A1 (en) Method and apparatus for adjusting control parameter values of wearable device
KR102473667B1 (en) Artificial intelligence-based smart prosthetic leg system capable of walking step analysis and predictive control
US20230329588A1 (en) Electronic device and wearable device for providing physical ability measurement mode, and methods of operating the same

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant