KR20100052408A - 관절과 근육 이상 진단 시스템 및 관절과 근육 이상 진단 방법 - Google Patents

관절과 근육 이상 진단 시스템 및 관절과 근육 이상 진단 방법 Download PDF

Info

Publication number
KR20100052408A
KR20100052408A KR1020090105053A KR20090105053A KR20100052408A KR 20100052408 A KR20100052408 A KR 20100052408A KR 1020090105053 A KR1020090105053 A KR 1020090105053A KR 20090105053 A KR20090105053 A KR 20090105053A KR 20100052408 A KR20100052408 A KR 20100052408A
Authority
KR
South Korea
Prior art keywords
joint
muscle
normal
relative angle
moment
Prior art date
Application number
KR1020090105053A
Other languages
English (en)
Other versions
KR101081643B1 (ko
Inventor
문정환
김효신
임용훈
Original Assignee
성균관대학교산학협력단
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 성균관대학교산학협력단 filed Critical 성균관대학교산학협력단
Publication of KR20100052408A publication Critical patent/KR20100052408A/ko
Application granted granted Critical
Publication of KR101081643B1 publication Critical patent/KR101081643B1/ko

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
    • A61B5/45—For evaluating or diagnosing the musculoskeletal system or teeth
    • A61B5/4528—Joints
    • 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
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/112—Gait analysis
    • 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
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1121—Determining geometric values, e.g. centre of rotation or angular range of movement
    • 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
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
    • A61B5/1128—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique using image analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/45—For evaluating or diagnosing the musculoskeletal system or teeth
    • A61B5/4519—Muscles

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Dentistry (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Public Health (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Physiology (AREA)
  • Orthopedic Medicine & Surgery (AREA)
  • Rheumatology (AREA)
  • Geometry (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

본 발명은 관절과 근육 이상 진단 시스템 및 관절과 근육 이상 진단 방법에 관한 것으로, 본 발명에 의한 관절 이상 진단 시스템은 보행 1주기의 모션을 캡쳐하여 데이터를 수집하는 데이터 수집부, 상기 데이터를 복수 개의 구간으로 나누어 관절의 상대각을 계산하는 상대각 계산부, 다수의 상기 관절의 상대각으로부터 관절 정상인의 상대각 범위를 생성할 수 있도록 학습된 인공신경망 학습 모델에 의해 상기 관절의 상대각이 상기 관절 정상인의 상대각 범위 내에 속하는 경우 관절 정상으로 판정하고, 상기 관절의 상대각이 상기 관절 정상인의 상대각 범위 밖에 속하는 경우 관절 비정상으로 판정하는 관절 이상 진단부를 포함한다.
관절 이상 진단, 근육 이상 진단, 인공신경망

Description

관절과 근육 이상 진단 시스템 및 관절과 근육 이상 진단 방법{A DIAGNOSTIC SYSTEM FOR JOINT AND MUSCLE DISORDERS AND A DIAGNOSTIC METHOD THEREOF}
본 발명은 관절과 근육 이상 진단 시스템 및 관절과 근육 이상 진단 방법에 관한 것으로, 보다 상세하게는 보행 1주기를 복수 개의 구간으로 나누어 구한 관절의 상대각 및 모멘트로부터 인공신경망을 이용하여 관절과 근육의 이상을 진단할 수 있는 시스템 및 진단 방법에 관한 것이다.
일반적으로, 관절과 근육의 이상 여부를 진단하기 위한 장비로서, 인체의 내부를 투시하여 촬영하는 엑스레이(X-Ray), 자기공명촬영장비(MRI) 및 컴퓨터단층촬영장비(CT)가 사용되고 있다.
엑스레이(X-ray)는 빠른 전자를 물체에 충돌시킬 때 방출되는 투과력이 강한 복사선(전자기파)를 말하는 것으로, 이를 이용하여 눈으로 볼 수 없는 물체의 내부를 촬영할 수 있으며, 인체 내부의 이상을 진단할 수 있다.
자기공명촬영장비(MRI, Magnetic Resonance Imager)는 자력에 의하여 발생하는 자기장을 이용하여 생체의 임의의 단층상을 얻을 수 있는 첨단의학기계를 말하는 것으로, 인체에 무해하고, 3-D 영상화가 가능하며, 대조도와 해상도가 뛰어나 고, 관상면과 시상면도 촬영할 수 있으며, 중추신경계, 두경부, 척추와 척수 등 다양한 범위의 인체 내부의 이상 진단에 활용된다.
컴퓨터단층촬영장비(CT, Computed Tomography)는 CT 스캐너를 이용한 컴퓨터단층촬영법으로, 엑스선이나 초음파를 여러 각도에서 인체에 투영하고 이를 컴퓨터로 재구성하여 인체 내부 단면의 모습을 화상으로 처리하는 것으로, 종양 등의 진단에 널리 이용되고 있다.
그러나, 상기의 진단 방법들에 의하는 경우에는 인체의 동작을 정지시킨 상태에서 촬영된 결과를 토대로 진단을 함으로써 보행 중에 장애를 주게 되는 요소에 대해서는 제대로 포착할 수 없는 문제점이 있었다.
즉, 인체가 움직이지 않는 상태에서는 이상이 없으나, 보행을 하는 가운데 이상이 나타나는 질환의 경우에는 상기 장비들에 의해 이상 여부가 나타나지 않으므로, 인체가 보행하는 가운데 나타나는 관절과 근육의 이상 여부를 판정할 수 없는 문제점이 있었다.
본 발명은 상기와 같은 문제점을 해결하기 위해 안출한 것으로서, 보행 중인 인체를 모션 캡쳐하여 구한 관절의 모멘트 및 모멘트로부터 인공신경망을 이용하여 인체가 보행하는 가운데 나타나는 관절과 근육의 이상 여부를 판정할 수 있는 관절과 근육 이상 진단 시스템 및 관절과 근육 이상 진단 방법을 제공하는데 그 목적이 있다.
또한, 보행 중인 인체에 대하여 보행 1주기의 모션을 캡쳐하여 8개의 구간으로 나눔으로써, 더욱 효과적으로 관절과 근육의 이상 여부를 판정할 수 있는 관절과 근육 이상 진단 시스템 및 관절과 근육 이상 진단 방법을 제공하는데 그 목적이 있다.
상기와 같은 목적에 따른 본 발명에 의한 관절 이상 진단 시스템은 보행 1주기의 모션을 캡쳐하여 데이터를 수집하는 데이터 수집부, 상기 데이터를 복수 개의 구간으로 나누어 관절의 상대각을 계산하는 상대각 계산부, 다수의 상기 관절의 상대각으로부터 관절 정상인의 상대각 범위를 생성할 수 있도록 학습된 인공신경망 학습 모델에 의해 상기 관절의 상대각이 상기 관절 정상인의 상대각 범위 내에 속하는 경우 관절 정상으로 판정하고, 상기 관절의 상대각이 상기 관절 정상인의 상대각 범위 밖에 속하는 경우 관절 비정상으로 판정하는 관절 이상 진단부를 포함한다.
상기와 같은 목적에 따른 본 발명에 의한 근육 이상 진단 시스템은 보행 1주기의 모션을 캡쳐하여 데이터를 수집하는 데이터 수집부, 상기 데이터를 복수 개의 구간으로 나누어 관절의 모멘트를 계산하는 모멘트 계산부, 다수의 상기 관절의 모멘트로부터 근육 정상인의 모멘트 범위를 생성할 수 있도록 학습된 인공신경망 학습 모델에 의해 상기 관절의 모멘트가 상기 근육 정상인의 모멘트 범위 내에 속하는 경우 근육 정상으로 판정하고, 상기 관절의 모멘트가 상기 근육 정상인의 모멘트 범위 밖(초과 또는 미만)에 속하는 경우 근육 비정상으로 판정하는 근육 이상 진단부를 포함한다.
상기와 같은 목적에 따른 본 발명에 의한 관절 이상 진단 방법은 보행 1주기의 모션을 캡쳐하여 데이터를 수집하는 제 1단계, 상기 데이터를 복수 개의 구간으로 나누어 관절의 상대각을 계산하는 제 2 단계, 다수의 상기 관절의 상대각으로부터 관절 정상인의 상대각 범위를 생성할 수 있도록 학습된 인공신경망 학습 모델에 의해 상기 관절의 상대각이 상기 관절 정상인의 상대각 범위 내에 속하는 경우 관절 정상으로 판정하고, 상기 관절의 상대각이 상기 관절 정상인의 상대각 범위 밖에 속하는 경우 관절 비정상으로 판정하는 제 3 단계를 포함한다.
상기와 같은 목적에 따른 본 발명에 의한 근육 이상 진단 방법은 보행 1주기의 모션을 캡쳐하여 데이터를 수집하는 제 1단계, 상기 데이터를 복수 개의 구간으로 나누어 관절의 모멘트를 계산하는 제 2 단계, 다수의 상기 관절의 모멘트로부터 근육 정상인의 모멘트 범위를 생성할 수 있도록 학습된 인공신경망 학습 모델에 의해 상기 근육의 모멘트가 상기 근육 정상인의 모멘트 범위 내에 속하는 경우 근육 정상으로 판정하고, 상기 근육의 모멘트가 상기 근육 정상인의 모멘트 범위 밖에 속하는 경우 근육 비정상으로 판정하는 제 3 단계를 포함한다.
상기한 바와 같은 본 발명에 의한 관절과 근육 이상 진단 시스템 및 관절과 근육 이상 진단 방법은 다음과 같은 효과가 있다.
본 발명에 의한 관절과 근육 이상 진단 시스템 및 관절과 근육 이상 진단 방법에 의하면, 보행 중인 인체를 모션 캡쳐하여 구한 관절의 상대각 및 모멘트로부 터 인공신경망을 이용하여 인체가 보행하는 가운데 나타나는 관절과 근육의 이상 여부를 판정할 수 있는 효과가 있다.
또한, 보행 중인 인체에 대하여 보행 1주기의 모션을 캡쳐하여 8개의 구간으로 나눔으로써, 보다 효과적으로 관절과 근육의 이상 여부를 판정할 수 있는 효과가 있다.
이하, 첨부된 도면을 참조하여 본 발명에 따른 관절 이상 진단 시스템에 대해 상세히 설명하면 다음과 같다.
도 1은 일반적으로 인체가 보행하는 중에 영향을 받는 관절의 종류 및 관절의 해부학적 축 별 운동에 관련되는 근육의 종류를 표로 나타낸 것이다.
도 1에 도시된 바와 같이, 엉덩 관절의 Flexion 운동에 관련되는 근육에는 Psoas major, Iliacus, Tensor fasciae latae, Adductor longus, Satorius가 있고, Extension 운동에 관련되는 근육에는 Gluteus maximus, Adductor magnus, Biceps femoris, Semitendinosus, Semimembranosus가 있으며, Abduction 운동에 관련되는 근육에는 Gluteus medius, Gluteus minimus, Tensor fasciae latae, Satorius가 있고, Adduction 운동에 관련되는 근육에는 Adductor longus, Adductor magnus가 있으며, 중간 Rotation 운동에 관련되는 근육에는 Gluteus medius, Gluteus minimus, Tensor fasciae latae가 있고, 측면 Rotation 운동에 관련되는 근육에는 Adductor longus, Adductor magnus가 있다.
무릎 관절의 Flexion 운동에 관련되는 근육에는 Psoas major, Semitendinosus, Semimembranosus, Satorius, Gastrocnemius가 있고, Extension 운동에 관련되는 근육에는 Rectus femoris, Vastus lateralis, Vastus medialis, Vastus intermedius가 있다.
발목 관절의 Dorsiflexion 운동에 관련되는 근육에는 Tibialis anterior, Peroneus tertius, Extensor digitorum longus가 있고, Plantar flexion 운동에 관련되는 근육에는 Gastrocnemius, Soleus, Flexor digitorum longus, Tibialis posterior, Peroneus longus가 있으며, Inversion 운동에 관련되는 근육에는 Tibialis anterior, Peroneus tertius, Flexor digitorum longus, Tibialis posterior가 있고, Eversion 운동에 관련되는 근육에는 Extensor digitorum longus, Peroneus longus 가 있다.
도 2는 본 발명에 의한 관절 이상 진단 시스템의 일 실시예의 구성도이다.
본 발명에 의한 관절 이상 진단 시스템은 도 2에 도시된 바와 같이, 보행 1주기의 모션을 캡쳐하여 데이터를 수집하는 데이터 수집부(110), 수집된 데이터를 복수 개의 구간으로 나누어 관절의 상대각을 계산하는 상대각 계산부(112), 다수의 관절의 상대각으로부터 관절 정상인의 상대각 범위를 생성할 수 있도록 학습된 인공신경망 학습 모델에 의해 관절의 상대각이 관절 정상인의 상대각 범위 내에 속하는 경우 관절 정상으로 판정하고, 관절의 상대각이 관절 정상인의 상대각 범위 밖에 속하는 경우 관절 비정상으로 판정하는 관절 이상 진단부(114)로 구성된다.
데이터 수집부(110)는 보행 1주기의 모션 캡쳐를 통해 복잡한 움직임에 대한 데이터를 수집한다. 모션 캡쳐는 몸에 센서를 부착시켜 인체의 움직임을 디지털 형태로 기록하는 작업을 말하는 것으로, 모션 캡쳐 장비에는 기계식, 자기장식, 광학식 등이 있다. 기계식은 사람이 외골격 형태의 장치를 입고 움직이면 외골격에 부착된 관절 센서가 관절의 움직임을 전기 신호로 출력하는 방식이고, 자기장식은 고정된 위치에 자기장 발생장치가 있고 그 앞에서 사람이 몸에 자기장 센서를 부착하고 움직이면 몸의 움직임에 따라 몸에 부착된 자기장 센서가 검출한 자기장 값을 이용해서 몸의 움직임 값을 산출하는 방식이며, 광학식은 고정된 광원 앞에서 재귀반사(self reflective) 마크를 몸에 부착한 사람이 움직이는 것을 광원 근처에 고정된 카메라로 촬영한 영상에서 재귀반사 마크의 위치를 분석해서 움직임을 산출하는 방식이다.
데이터 수집부(110)에서는 다수의 관절 정상인과 관절 비정상인의 보행 1주기의 모션을 캡쳐하여 데이터를 수집한다. 이때, 인공신경망 학습에 사용될 관절 정상인과 관절 비정상인에 대한 각 구간별 모션 캡쳐 데이터가 많을수록 관절의 정상 및 비정상 여부를 더 정확히 생성할 수 있다.
보행 1주기는 사람이 걸어가는 과정에서 반복되는 주기를 의미하는 것으로, 이를 다수의 구간으로 나누어 살펴볼 수 있다. 본 발명의 일 실시예에서는 보행 1주기를 제 1 구간 내지 제 8 구간으로 나누며, 나누는 기준에 대해서는 도 3에 대한 설명에서 후술한다.
상대각 계산부(112)는 데이터 수집부(110)에서 수집된 보행 1주기의 데이터를 8개의 구간으로 나누어 각 구간별 움직임에 대한 데이터로부터 관절의 상대각을 계산한다. 이때, 관절의 상대각으로는 엉덩 관절의 X축 상대각, Y축 상대각, Z축 상대각, 무릎 관절의 X축 상대각, Y축 상대각, Z축 상대각, 발목 관절의 X축 상대각, Y축 상대각, Z축 상대각을 계산한다. 엉덩 관절은 골반과 대퇴골을 잇는 관절로써, 고관절이라고도 한다. 무릎 관절은 대퇴골 하단과 경골(脛骨) 상단 및 슬개골(무릎뼈)의 후면 사이에 있는 관절로 슬관절이라고도 한다. 발목 관절은 경.비골의 원위부와 족근골을 연결하는 관절로 족관절이라고도 한다.
상기 각 축에 대한 정의는 다음과 같다.
X축은 각 관절을 구성하는 두 세그먼트를 중심으로 Lateral/Medial 방향을 정의하는 축을 나타내고, Y축은 각 관절을 구성하는 두 세그먼트를 중심으로 Anterior/Posterior 방향을 정의하는 축을 나타내며, Z축은 각 관절을 구성하는 두 세그먼트를 중심으로 Proximal/Distal 방향을 정의하는 축을 나타낸다.
상대각 계산부(112)는 다수의 관절 정상인과 관절 비정상인의 각 구간별 모션 캡쳐 데이터로부터 관절 정상인과 관절 비정상인의 각 구간별 관절의 상대각을 계산한다.
관절 이상 진단부(114)는 상대각 계산부(112)에서 계산된 다수의 관절 정상인과 관절 비정상인의 각 구간별 관절의 상대각으로부터 관절 정상인의 상대각 범위를 생성할 수 있도록 학습된 인공신경망 모델을 이용하여 관절의 이상 여부를 진단한다. 관절 이상 진단 시스템에 이용되는 인공신경망에 대해서는 도 4에 대한 설명에서 후술한다.
또한, 관절 이상 진단부(114)는 제 1 구간 내지 제 8 구간의 각 구간별로 계 산된 관절의 상대각을 학습된 인공신경망에 입력함으로써 8개의 구간별 관절의 상대각이 정상인 경우에 관절 정상으로 판정하고 관절의 상대각이 비정상인 경우 관절 비정상으로 판정하게 된다.
본 발명에 의한 관절 이상 진단 시스템의 일 실시예는 출력부(116)를 더 포함할 수 있다. 출력부(116)는 관절 이상 진단부(114)로부터 판정된 관절의 정상 또는 비정상 여부를 외부로 표시한다. 예를 들면, 출력부(116)는 컴퓨터 모니터 상에 표시하거나, 프린터를 통해 인쇄된 상태로 표시하는 등 다양한 형태로 관절의 정상 여부를 출력할 수 있다.
이하, 도 3을 참조하여 보행 1주기를 8개의 구간으로 나누는 기준에 대해 더욱 상세히 설명하면 다음과 같다.
도 3은 보행 1주기를 8개의 구간으로 나누어 표시한 도면이다.
8개의 구간은 보행 1주기의 전체를 100%로 보았을 때, 0%부터 2%까지를 제 1 구간(130), 2%부터 10%까지를 제 2 구간(132), 10%부터 30%까지를 제 3 구간(134), 30%부터 50%까지를 제 4 구간(136), 50%부터 60%까지를 제 5 구간(138), 60%부터 73%까지를 제 6 구간(140), 73%부터 87%까지를 제 7 구간(142), 87%부터 100%까지를 제 8 구간(144)으로 나누어진다.
보행 1주기의 시작을 오른쪽 발뒤꿈치가 바닥에 닿는 순간으로 보면, 제 1 구간(130)은 보행을 시작하여 오른쪽 발뒤꿈치가 바닥면에 접촉하는 구간이다. 제 2 구간(132)은 오른쪽 발바닥이 바닥면에 접촉한 때부터 왼쪽 발이 스윙을 위해 들어 올려질 때까지의 구간이다. 제 3 구간(134)은 왼쪽 발이 들어 올려질 때부터 오 른쪽 발뒤꿈치가 올려지기 전까지의 구간이다. 제 4 구간(136)은 오른쪽 발뒤꿈치가 올려질 때부터 왼쪽 발뒤꿈치가 바닥면에 접촉할 때까지의 구간이다. 제 5 구간(138)은 왼쪽 발뒤꿈치가 바닥면에 접촉할 때부터 오른쪽 발끝이 바닥면으로부터 떨어질 때까지의 구간이다. 제 6 구간(140)은 오른쪽 발끝이 바닥면으로부터 떨어질 때부터 오른쪽 발이 스윙하여 왼쪽 발을 지나갈 때까지의 구간이다. 제 7 구간(142)은 오른쪽 발이 왼쪽 발을 지난 때부터 오른쪽 다리의 경골이 보행해 나아가는 방향으로 수직이 될 때까지의 구간이다. 제 8 구간(144)은 오른쪽 다리의 경골이 수직이 되는 때부터 오른쪽 발 뒤꿈치가 바닥에 접촉하는 순간까지의 구간이다.
상기에서는 보행 1주기를 오른쪽 발뒤꿈치가 바닥에 닿는 순간부터 다시 오른쪽 발뒤꿈치가 바닥에 닿는 때까지를 8구간으로 나누어 살펴보았으나, 보행 1주기를 왼쪽 발을 기준으로 하여 왼쪽 발뒤꿈치가 바닥에 닿는 순간부터 다시 왼쪽 발뒤꿈치가 바닥에 닿는 때까지를 8구간으로 나누는 것도 가능하다.
이하, 도 4를 참조하여 본 발명에 의한 관절 이상 진단 시스템에 이용되는 인공신경망에 대해 더욱 상세히 설명하면 다음과 같다.
도 4는 본 발명에 의한 관절 이상 진단 시스템에 이용되는 인공신경망을 나타낸 도면이다.
인공신경망은 인공지능 분야의 한 이론으로 인간의 뇌를 모방하여 뉴런들의 인공적인 모델을 만든 것으로, 매우 융통성 있는 회귀모델이라 할 수 있다. 이는 입력이 들어가고 출력이 나오는 그 사이에서는 무슨 일이 일어나는지 밖으로 노출 이 되지 않기 때문에 마치 블랙박스와 같이 운영이 된다. 인공신경망의 본보기는 인간의 정보처리 시스템의 중추인 뇌로써, 인공신경망은 외부환경에 맞도록 자기 자신을 변화시켜서 자기 조직화라는 학습 능력을 가지고 있다. 따라서 인공신경망은 거의 모든 지식을 학습을 통해 스스로 터득해 가는 특성이 있으므로 별도의 조정이 필요 없으며, 단지 어떤 것을 학습시키고 어떤 것을 출력시킬 것인가만 결정해주면 된다.
인공신경망의 모델 가운데 가장 널리 사용되는 것 중의 하나인 다층 퍼셉트론(multilayer perceptron)에는 단위 신경세포의 층들이 존재하고, 최초의 층을 입력층(150, input layer)이라 하며, 최후의 층을 출력층(154, output layer)이라고 한다. 입력층(150)과 출력층(154) 사이에는 하나 이상의 층들이 존재하며, 이를 은닉층(152, hidden layer)이라고 한다. 각 신경세포들은 다양한 가중치를 가진 선(162)들로 연결되어 있다. 보통, 입력층과 첫번째 은닉층이 연결되고, 첫번째 은닉층과 두번째 은닉층이 연결되며, 이처럼 계속 순차적으로 연결되어 마지막 은닉층이 출력층에 연결된다.
관절 이상 진단 시스템의 인공신경망에서 입력층 신경세포(160)에는 다수의 관절 정상인과 관절 비정상인의 각 구간별 관절의 상대각이 입력된다. 인공신경망의 출력층 제 1 신경세포(164)에는 관절 정상이, 출력층 제 2 신경세포(166)에는 관절 비정상이 출력될 수 있도록 각 신경세포들 사이를 연결하고 있는 가중치를 가진 선(162)들의 가중치를 변경하면서 학습시킨다. 학습된 인공신경망에 임의의 피험자의 관절의 상대각을 입력하면 출력층 제 1 및 제 2 신경세포(164, 166)에 의해 정상과 비정상을 진단할 수 있다.
이하, 첨부된 도면을 참조하여 본 발명에 따른 근육 이상 진단 시스템에 대해 상세히 설명하면 다음과 같다.
도 5는 본 발명에 의한 근육 이상 진단 시스템의 일 실시예의 구성도이다.
본 발명에 의한 근육 이상 진단 시스템은 도 5에 도시된 바와 같이, 보행 1주기의 모션을 캡쳐하여 데이터를 수집하는 데이터 수집부(210), 수집된 데이터를 복수 개의 구간으로 나누어 관절의 모멘트을 계산하는 모멘트 계산부(212), 다수의 관절의 모멘트로부터 근육 정상인의 모멘트 범위를 생성할 수 있도록 학습된 인공신경망 학습 모델에 의해 관절의 모멘트가 근육 정상인의 모멘트 범위 내에 속하는 경우 근육 정상으로 판정하고, 관절의 모멘트가 근육 정상인의 모멘트 범위 밖(초과 또는 미만)에 속하는 경우 근육 비정상으로 판정하는 근육 이상 진단부(214)로 구성된다.
데이터 수집부(210)는 보행 1주기의 모션 캡쳐를 통해 복잡한 움직임에 대한 데이터를 수집한다. 데이터 수집부(210)에서는 다수의 근육 정상인과 근육 비정상인의 보행 1주기의 모션을 캡쳐하여 데이터를 수집한다. 이때, 인공신경망 학습에 사용될 근육 정상인과 근육 비정상인에 대한 각 구간별 모션 캡쳐 데이터가 많을수록 근육의 정상 및 비정상 여부를 더 정확히 생성할 수 있다.
모멘트 계산부(212)는 데이터 수집부(210)에 수집된 보행 1주기를 8개의 구간으로 나누어 각 구간별 움직임에 대한 데이터로부터 관절의 모멘트을 계산한다. 이때, 관절의 모멘트로는 엉덩 관절의 X축 모멘트, Y축 모멘트, Z축 모멘트, 무릎 관절의 X축 모멘트, 발목 관절의 X축 모멘트, Y축 모멘트를 계산한다. 모멘트 계산부(212)는 다수의 근육 정상인과 근육 비정상인의 각 구간별 모션 캡쳐 데이터로부터 근육 정상인과 근육 비정상인의 각 구간별 관절의 모멘트을 계산한다.
상기 각 축에 대한 정의는 다음과 같다.
X축은 각 관절을 구성하는 두 세그먼트를 중심으로 Lateral/Medial 방향을 정의하는 축을 나타내고, Y축은 각 관절을 구성하는 두 세그먼트를 중심으로 Anterior/Posterior 방향을 정의하는 축을 나타내며, Z축은 각 관절을 구성하는 두 세그먼트를 중심으로 Proximal/Distal 방향을 정의하는 축을 나타낸다.
근육 이상 진단부(214)는 모멘트 계산부(212)에서 계산된 다수의 근육 정상인과 근육 비정상인의 각 구간별 관절의 모멘트로부터 근육 정상인의 모멘트 범위를 생성할 수 있도록 학습된 인공신경망 학습 모델을 이용하여 학습된 인공신경망 모델을 이용하여 근육의 이상 여부를 진단한다. 근육 이상 진단 시스템에 이용되는 인공신경망에 대해서는 도 6에 대한 설명에서 후술한다.
또한, 근육 이상 진단부(214)는 제 1 구간 내지 제 8 구간의 각 구간별로 계산된 관절의 모멘트를 학습된 인공신경망에 입력함으로써 8개의 구간별 관절의 모멘트가 정상인 경우에 근육 정상으로 판정하고 관절의 모멘트가 비정상인 경우 근육 정상인의 초과 또는 미만으로 판정하게 된다.
본 발명에 의한 근육 이상 진단 시스템의 일 실시예는 출력부(216)를 더 포함할 수 있다. 출력부(216)는 근육 이상 진단부(214)로부터 판정된 근육의 정상 또는 비정상 여부를 외부로 표시한다. 예를 들면, 출력부(216)는 컴퓨터 모니터 상에 표시하거나, 프린터를 통해 인쇄된 상태로 표시하는 등 다양한 형태로 근육의 정상 여부를 출력할 수 있다.
이하, 도 6을 참조하여 본 발명에 의한 근육 이상 진단 시스템에 이용되는 인공신경망에 대해 더욱 상세히 설명하면 다음과 같다.
도 6은 본 발명에 의한 근육 이상 진단 시스템에 이용되는 인공신경망을 나타낸 도면이다.
근육 이상 진단 시스템에 이용되는 인공신경망은 단위 신경세포의 층들로 이루어지며, 이는 입력층(250), 은닉층(252), 출력층(254)으로 구성된다. 각 신경세포들은 다양한 가중치를 가진 선(262)들로 연결되어 있다. 보통, 입력층과 첫번째 은닉층이 연결되고, 첫번째 은닉층과 두번째 은닉층이 연결되며, 이처럼 계속 순차적으로 연결되어 마지막 은닉층이 출력층에 연결된다.
근육 이상 진단 시스템의 인공신경망에서 입력층 신경세포(260)에는 다수의 근육 정상인과 근육 비정상인의 각 구간별 관절의 모멘트가 입력된다. 인공신경망의 출력층 제 1 신경세포(264)에는 근육 비정상(초과)이, 출력층 제 2 신경세포(266)에는 근육 정상이, 출력층 제 3 신경세포(268)에는 근육 비정상(미만)이 출력될 수 있도록 각 신경세포들 사이를 연결하고 있는 가중치를 가진 선(262)들의 가중치를 변경하면서 학습시킨다. 학습된 인공신경망에 임의의 피험자의 관절의 모멘트를 입력하면 출력층 제 1 및 제 2, 3 신경세포(264, 266, 268)에 의해 정상과 비정상(초과 또는 미만)을 진단할 수 있다.
이하, 첨부된 도면을 참조하여 본 발명에 따른 관절 이상 진단 방법에 대해 상세히 설명하면 다음과 같다.
도 7은 본 발명에 의한 관절 이상 진단 방법의 일 실시예의 순서도이다.
본 발명에 의한 관절 이상 진단 방법은 도 2에 도시된 바와 같이, 보행 1주기의 모션을 캡쳐하여 데이터를 수집하는 제 1 단계(310), 수집된 데이터를 복수 개의 구간으로 나누어 관절의 상대각을 계산하는 제 2 단계(312), 인공신경망 학습 모델에 의해 관절의 이상 여부를 판정하는 제 3 단계(314)로 이루어진다.
제 1 단계(310)에서는 보행 1주기의 모션 캡쳐를 통해 복잡한 움직임에 대한 데이터를 수집한다. 이때, 다수의 관절 정상인과 관절 비정상인의 보행 1주기의 모션을 캡쳐하여 데이터를 수집한다. 인공신경망 학습에 사용될 관절 정상인과 관절 비정상인에 대한 각 구간별 모션 캡쳐 데이터가 많을수록 관절의 정상 및 비정상 여부를 더 정확히 생성할 수 있다.
제 2 단계(312)에서는 제 1 단계(310)에서 수집된 보행 1주기를 8개의 구간으로 나누어 각 구간별 움직임에 대한 데이터로부터 관절의 상대각을 계산한다. 이때, 관절의 상대각으로는 엉덩 관절의 X축 상대각, Y축 상대각, Z축 상대각, 무릎 관절의 X축 상대각, Y축 상대각, Z축 상대각, 발목 관절의 X축 상대각, Y축 상대각, Z축 상대각을 계산한다. 이때, 다수의 관절 정상인과 관절 비정상인의 각 구간별 모션 캡쳐 데이터로부터 관절 정상인과 관절 비정상인의 각 구간별 관절의 상대각을 계산한다.
제 3 단계(314)에서는 제 2 단계(312)에서 계산된 다수의 관절 정상인과 관절 비정상인의 각 구간별 관절의 상대각으로부터 관절 정상인의 상대각 범위를 생 성할 수 있도록 학습된 인공신경망 학습 모델을 이용하여 관절의 이상 여부를 진단한다. 인공신경망에 의한 학습 과정에 대해서는 도 8에 대한 설명에서 후술한다.
또한, 제 3 단계(314)에서는 제 1 구간 내지 제 8 구간의 각 구간별로 계산된 관절의 상대각을 학습된 인공신경망에 입력함으로써 8개의 구간별 관절의 상대각이 정상인 경우에 관절 정상으로 판정하고 관절의 상대각이 비정상인 경우에 관절 비정상으로 판정하게 된다.
본 발명에 의한 관절 이상 진단 방법의 일 실시예는 관절의 이상 여부를 표시하는 제 4 단계(316)를 더 포함할 수 있다. 제 4 단계(316)에서는 제 3 단계(314)에서 판정된 관절의 이상 여부를 외부로 표시한다. 예를 들면, 관절의 이상 여부를 컴퓨터 모니터 상에 표시하거나, 프린터를 통해 인쇄된 상태로 표시하는 등 다양한 형태로 출력할 수 있다.
이하, 도 8을 참조하여 본 발명에 의한 관절 이상 진단 방법에서 인공신경망에 의한 학습 과정에 대해 더욱 상세히 설명하면 다음과 같다.
도 8은 본 발명에 의한 관절 이상 진단 방법에서 인공신경망 학습 과정을 나타낸 순서도이다.
인공신경망은 입력층, 은닉층, 출력층의 단위 신경세포의 층들이 존재하고, 각 신경세포들은 다양한 가중치를 가진 선들로 연결되어 있다. 먼저, 인공신경망의 입력층에 관절 정상인 또는 관절 비정상인의 관절의 상대각을 입력한다.(350)
입력층에 입력된 관절의 상대각은 신경세포들 간을 연결하는 선을 따라서 은닉층을 통과하게 되는데 이때 각 연결선에 대한 가중치를 초기화한다.(352) 은닉층 은 여러 층으로 형성될 수 있으며, 입력층과 첫번째 은닉층이 연결되고, 첫번째 은닉층과 두번째 은닉층이 연결되며, 이처럼 계속 순차적으로 연결되어 마지막 은닉층이 출력층에 연결된다.(354)
관절의 상대각이 입력되면 정상 및 비정상 여부를 미리 알고 있기 때문에 인공신경망에 의해 계산된 출력값과 목적값(정상/비정상)을 비교하여(356) 같으면 훈련 패턴 종료 여부를 결정하고(360) 같지 않으면 연결선의 가중치를 변경한다.(358) 인공신경망 학습 모델에 사용하고자 하는 데이터를 모두 사용하여 학습을 시키고 원하는 학습률이 나오면 학습을 종료한다.
이하, 첨부된 도면을 참조하여 본 발명에 따른 근육 이상 진단 방법에 대해 상세히 설명하면 다음과 같다.
도 9는 본 발명에 의한 근육 이상 진단 방법의 일 실시예의 순서도이다.
본 발명에 의한 근육 이상 진단 방법은 도 5에 도시된 바와 같이, 보행 1주기의 모션을 캡쳐하여 데이터를 수집하는 제 1 단계(410), 수집된 데이터를 복수 개의 구간으로 나누어 관절의 모멘트를 계산하는 제 2 단계(412), 인공신경망 학습 모델에 의해 근육의 이상 여부를 판정하는 제 3 단계(414)로 이루어진다.
제 1 단계(410)에서는 보행 1주기의 모션 캡쳐를 통해 복잡한 움직임에 대한 데이터를 수집한다. 이때, 다수의 근육 정상인과 근육 비정상인의 보행 1주기의 모션을 캡쳐하여 데이터를 수집한다. 인공신경망 학습에 사용될 근육 정상인과 근육 비정상인에 대한 각 구간별 모션 캡쳐 데이터가 많을수록 근육의 정상 및 비정상 여부를 더 정확히 생성할 수 있다.
제 2 단계(412)에서는 제 1 단계(410)에서 수집된 보행 1주기를 8개의 구간으로 나누어 각 구간별 움직임에 대한 데이터로부터 관절의 모멘트를 계산한다. 이때, 관절의 모멘트로는 엉덩 관절의 X축 모멘트, Y축 모멘트, Z축 모멘트, 무릎 관절의 X축 모멘트, 발목 관절의 X축 모멘트, Y축 모멘트를 계산한다. 이때, 다수의 근육 정상인과 근육 비정상인의 각 구간별 모션 캡쳐 데이터로부터 근육 정상인과 근육 비정상인의 각 구간별 관절의 모멘트를 계산한다.
제 3 단계(414)에서는 제 2 단계(412)에서 계산된 다수의 근육 정상인과 근육 비정상인의 각 구간별 관절의 모멘트로부터 근육 정상인의 모멘트 범위를 생성할 수 있도록 학습된 인공신경망 학습 모델을 이용하여 근육의 이상 여부를 진단한다. 인공신경망에 의한 학습 과정에 대해서는 도 10에 대한 설명에서 후술한다.
또한, 제 3 단계(414)에서는 제 1 구간 내지 제 8 구간의 각 구간별로 계산된 관절의 모멘트를 학습된 인공신경망에 입력함으로써 8개의 각 구간별로 계산된 관절의 모멘트가 정상인 경우에 근육 정상으로 판정하고 관절의 모멘트가 정상인보다 크거나 작으면 근육 비정상(초과 또는 미만)으로 판정하게 된다.
본 발명에 의한 근육 이상 진단 방법의 일 실시예는 근육의 이상 여부를 표시하는 제 4 단계(416)를 더 포함할 수 있다. 제 4 단계(416)에서는 제 3 단계(414)에서 판정된 근육의 이상 여부를 외부로 표시한다. 예를 들면, 근육의 이상 여부를 컴퓨터 모니터 상에 표시하거나, 프린터를 통해 인쇄된 상태로 표시하는 등 다양한 형태로 출력할 수 있다.
이하, 도 10을 참조하여 본 발명에 의한 근육 이상 진단 방법에서 인공신경 망에 의한 학습 과정에 대해 더욱 상세히 설명하면 다음과 같다.
도 10은 본 발명에 의한 근육 이상 진단 방법의 일 실시예의 인공신경망 학습 과정을 나타낸 순서도이다.
인공신경망은 입력층, 은닉층, 출력층의 단위 신경세포의 층들이 존재하고, 각 신경세포들은 다양한 가중치를 가진 선들로 연결되어 있다. 먼저, 인공신경망의 입력층에 근육 정상인 또는 근육 비정상인의 관절의 모멘트를 입력한다.(450)
입력층에 입력된 관절의 모멘트는 신경세포들 간을 연결하는 선을 따라서 은닉층을 통과하게 되는데 이때 각 연설선에 대한 가중치를 초기화한다.(452) 은닉층은 여러 층으로 형성될 수 있으며, 입력층과 첫번째 은닉층이 연결되고, 첫번째 은닉층과 두번째 은닉층이 연결되며, 이처럼 계속 순차적으로 연결되어 마지막 은닉층이 출력층에 연결된다.(454)
관절의 모멘트가 입력되면 정상 및 비정상 여부를 미리 알고 있기 때문에 인공신경망에 의해 계산된 출력값과 목적값(정상초과/정상/정상미만)을 비교하여(456) 같으면 훈련 패턴 종료 여부를 결정하고(460) 같지 않으면 연결선의 가중치를 변경한다.(458) 인공신경망 학습 모델에 사용하고자 하는 데이터를 모두 사용하여 학습을 시키고 원하는 학습률이 나오면 학습을 종료한다.
이상에서 본 발명의 실시예에 대하여 설명하였으나 본 발명은 상기 실시예에한정되지 아니하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 변경, 변형할 수 있는 발명은 본 발명의 범위 내로 볼 것이다.
도 1은 일반적으로 인체가 보행하는 중에 영향을 받는 관절의 종류 및 관절의 해부학적 축 별 운동에 관련되는 근육의 종류에 대한 표
도 2은 본 발명에 의한 관절 이상 진단 시스템의 일 실시예의 구성도
도 3는 보행 1주기를 8개의 구간으로 나누어 표시한 도면
도 4은 본 발명에 의한 관절 이상 진단 시스템의 일 실시예의 인공신경망을 나타낸 도면
도 5는 본 발명에 의한 근육 이상 진단 시스템의 일 실시예의 구성도
도 6는 본 발명에 의한 근육 이상 진단 시스템의 일 실시예의 인공신경망을 나타낸 도면
도 7은 본 발명에 의한 관절 이상 진단 방법의 일 실시예의 순서도
도 8은 본 발명에 의한 관절 이상 진단 방법의 일 실시예의 인공신경망 학습 과정을 나타낸 순서도
도 9은 본 발명에 의한 근육 이상 진단 방법의 일 실시예의 순서도
도 10는 본 발명에 의한 근육 이상 진단 방법의 일 실시예의 인공신경망 학습 과정을 나타낸 순서도

Claims (24)

  1. 보행 1주기의 모션을 캡쳐하여 데이터를 수집하는 데이터 수집부;
    상기 데이터를 복수 개의 구간으로 나누어 각 구간별로 관절의 상대각을 계산하는 상대각 계산부;
    다수의 상기 관절의 상대각으로부터 관절 정상인의 상대각 범위를 생성할 수 있도록 학습된 인공신경망 학습 모델에 의해 상기 관절의 상대각이 상기 관절 정상인의 상대각 범위 내에 속하는 경우 관절 정상으로 판정하고, 상기 관절의 상대각이 상기 관절 정상인의 상대각 범위 밖에 속하는 경우 관절 비정상으로 판정하는 관절 이상 진단부를 포함하는
    관절 이상 진단 시스템.
  2. 제 1 항에 있어서,
    상기 데이터 수집부는,
    상기 관절 정상인 및 관절 비정상인의 상기 보행 1주기의 모션을 캡쳐하여 데이터를 수집하고,
    상기 상대각 계산부는,
    상기 데이터를 복수 개의 구간으로 나누어 상기 관절 정상인 및 상기 관절 비정상인의 상기 관절의 상대각을 계산하며,
    상기 인공신경망은,
    상기 관절 정상인의 상대각이 상기 관절 정상인의 상대각 범위 내에 속하는지 여부 및 상기 관절 비정상인의 상대각이 상기 관절 정상인의 상대각 범위 밖에 속하는지 여부에 따라 학습하는 것을 특징으로 하는
    관절 이상 진단 시스템.
  3. 제 1 항에 있어서,
    상기 복수 개의 구간은 8개의 구간인 것을 특징으로 하고,
    상기 8개의 구간은
    상기 보행 1주기를 100%로 보았을 때,
    0%부터 2%까지를 제 1 구간, 2%부터 10%까지를 제 2 구간, 10%부터 30%까지를 제 3 구간, 30%부터 50%까지를 제 4 구간, 50%부터 60%까지를 제 5 구간, 60%부터 73%까지를 제 6 구간, 73%부터 87%까지를 제 7 구간, 87%부터 100%까지를 제 8 구간으로 나누어지는 것을 특징으로 하는
    관절 이상 진단 시스템.
  4. 제 1 항에 있어서,
    상기 관절의 상대각은
    엉덩 관절의 X축 상대각, Y축 상대각, Z축 상대각, 무릎 관절의 X축 상대각, Y축 상대각, Z축 상대각, 발목 관절의 X축 상대각, Y축 상대각, Z축 상대각으로 이루어지는 것을 특징으로 하는
    관절 이상 진단 시스템.
  5. 제 2 항에 있어서,
    상기 인공신경망은,
    입력층, 은닉층, 출력층으로 이루어지고,
    상기 입력층, 상기 은닉측, 및 상기 출력층은 가중치를 가진 다수의 선들로 연결되어 있으며,
    상기 인공신경망의 학습을 통해 상기 가중치를 변경하는 것을 특징으로 하는
    관절 이상 진단 시스템.
  6. 제 1 항에 있어서,
    상기 관절의 정상 또는 비정상 여부를 표시하는 출력부를 더 포함하는
    관절 이상 진단 시스템.
  7. 보행 1주기의 모션을 캡쳐하여 데이터를 수집하는 데이터 수집부;
    상기 데이터를 복수 개의 구간으로 나누어 각 구간별로 관절의 모멘트를 계산하는 모멘트 계산부;
    다수의 상기 관절의 모멘트로부터 근육 정상인의 모멘트 범위를 생성할 수 있도록 학습된 인공신경망 학습 모델에 의해 상기 관절의 모멘트가 상기 근육 정상인의 모멘트 범위 내에 속하는 경우 근육 정상으로 판정하고, 상기 관절의 모멘트 가 상기 근육 정상인의 모멘트 범위 밖에 속하는 경우 근육 비정상으로 판정하는 근육 이상 진단부를 포함하는
    근육 이상 진단 시스템.
  8. 제 7 항에 있어서,
    상기 데이터 수집부는,
    상기 근육 정상인 및 근육 비정상인의 상기 보행 1주기의 모션을 캡쳐하여 데이터를 수집하고,
    상기 모멘트 계산부는,
    상기 데이터를 복수 개의 구간으로 나누어 상기 근육 정상인 및 상기 근육 비정상인의 상기 관절의 모멘트를 계산하며,
    상기 인공신경망은,
    상기 근육 정상인의 모멘트가 상기 근육 정상인의 모멘트 범위 내에 속하는지 여부 및 상기 근육 비정상인의 모멘트가 상기 근육 정상인의 모멘트 범위 밖에 속하는지 여부에 따라 학습하는 것을 특징으로 하는
    근육 이상 진단 시스템.
  9. 제 7 항에 있어서,
    상기 복수 개의 구간은 8개의 구간인 것을 특징으로 하고,
    상기 8개의 구간은
    상기 보행 1주기를 100%로 보았을 때,
    0%부터 2%까지를 제 1 구간, 2%부터 10%까지를 제 2 구간, 10%부터 30%까지를 제 3 구간, 30%부터 50%까지를 제 4 구간, 50%부터 60%까지를 제 5 구간, 60%부터 73%까지를 제 6 구간, 73%부터 87%까지를 제 7 구간, 87%부터 100%까지를 제 8 구간으로 나누어지는 것을 특징으로 하는
    근육 이상 진단 시스템.
  10. 제 7 항에 있어서,
    상기 관절의 모멘트는
    엉덩 관절의 X축 모멘트, Y축 모멘트, Z축 모멘트, 무릎 관절의 X축 모멘트, 발목 관절의 X축 모멘트, Y축 모멘트로 이루어지는 것을 특징으로 하는
    근육 이상 진단 시스템.
  11. 제 8 항에 있어서,
    상기 인공신경망은,
    입력층, 은닉층, 출력층으로 이루어지고,
    상기 입력층, 상기 은닉측, 및 상기 출력층은 가중치를 가진 다수의 선들로 연결되어 있으며,
    상기 인공신경망의 학습을 통해 상기 가중치를 변경하는 것을 특징으로 하는
    근육 이상 진단 시스템.
  12. 제 8 항에 있어서,
    상기 근육의 정상 또는 비정상 여부를 표시하는 출력부를 더 포함하는
    근육 이상 진단 시스템.
  13. 보행 1주기를 복수 개의 구간으로 나누어 상기 구간별로 모션을 캡쳐하여 데이터를 수집하는 제 1 단계;
    상기 데이터로부터 관절의 상대각을 계산하는 제 2 단계;
    다수의 상기 관절의 상대각으로부터 관절 정상인의 상대각 범위를 생성할 수 있도록 학습된 인공신경망 학습 모델에 의해 상기 관절의 상대각이 상기 관절 정상인의 상대각 범위 내에 속하는 경우 관절 정상으로 판정하고, 상기 관절의 상대각이 상기 관절 정상인의 상대각 범위 밖에 속하는 경우 관절 비정상으로 판정하는 제 3 단계를 포함하는
    관절 이상 진단 방법.
  14. 제 13 항에 있어서,
    상기 제 1 단계는,
    상기 관절 정상인 및 관절 비정상인의 상기 보행 1주기의 모션을 캡쳐하여 데이터를 수집하고,
    상기 제 2 단계는,
    상기 데이터를 복수 개의 구간으로 나누어 상기 관절 정상인 및 상기 관절 비정상인의 상기 관절의 상대각을 계산하며,
    상기 인공신경망은,
    상기 관절 정상인의 상대각이 상기 관절 정상인의 상대각 범위 내에 속하는지 여부 및 상기 관절 비정상인의 상대각이 상기 관절 정상인의 상대각 범위 밖에 속하는지 여부에 따라 학습하는 것을 특징으로 하는
    관절 이상 진단 방법.
  15. 제 13 항에 있어서,
    상기 복수 개의 구간은 8개의 구간인 것을 특징으로 하고,
    상기 8개의 구간은
    상기 보행 1주기를 100%로 보았을 때,
    0%부터 2%까지를 제 1 구간, 2%부터 10%까지를 제 2 구간, 10%부터 30%까지를 제 3 구간, 30%부터 50%까지를 제 4 구간, 50%부터 60%까지를 제 5 구간, 60%부터 73%까지를 제 6 구간, 73%부터 87%까지를 제 7 구간, 87%부터 100%까지를 제 8 구간으로 나누어지는 것을 특징으로 하는
    관절 이상 진단 방법.
  16. 제 13 항에 있어서,
    상기 관절의 상대각은
    엉덩 관절의 X축 상대각, Y축 상대각, Z축 상대각, 무릎 관절의 X축 상대각, Y축 상대각, Z축 상대각, 발목 관절의 X축 상대각, Y축 상대각, Z축 상대각으로 이루어지는 것을 특징으로 하는
    관절 이상 진단 방법.
  17. 제 14 항에 있어서,
    상기 인공신경망은,
    입력층, 은닉층, 출력층으로 이루어지고,
    상기 입력층, 상기 은닉측, 및 상기 출력층은 가중치를 가진 다수의 선들로 연결되어 있으며,
    상기 인공신경망의 학습을 통해 상기 가중치를 변경하는 것을 특징으로 하는
    관절 이상 진단 방법.
  18. 제 13 항에 있어서,
    상기 관절의 정상 또는 비정상 여부를 표시하는 제 4 단계를 더 포함하는
    관절 이상 진단 방법.
  19. 보행 1주기의 모션을 캡쳐하여 데이터를 수집하는 제 1 단계;
    상기 데이터를 복수 개의 구간으로 나누어 관절의 모멘트를 계산하는 제 2 단계;
    다수의 상기 관절의 모멘트로부터 근육 정상인의 모멘트 범위를 생성할 수 있도록 학습된 인공신경망 학습 모델에 의해 상기 근육의 상대각이 상기 근육 정상인의 모멘트 범위 내에 속하는 경우 근육 정상으로 판정하고, 상기 근육의 상대각이 상기 근육 정상인의 모멘트 범위 밖에 속하는 경우 근육 비정상으로 판정하는 제 3 단계를 포함하는
    근육 이상 진단 방법.
  20. 제 19 항에 있어서,
    상기 제 1 단계는,
    상기 근육 정상인 및 근육 비정상인의 상기 보행 1주기의 모션을 캡쳐하여 데이터를 수집하고,
    상기 제 2 단계는,
    상기 데이터를 복수 개의 구간으로 나누어 상기 근육 정상인 및 상기 근육 비정상인의 상기 관절의 모멘트를 계산하며,
    상기 인공신경망은,
    상기 근육 정상인의 모멘트가 상기 근육 정상인의 모멘트 범위 내에 속하는지 여부 및 상기 근육 비정상인의 모멘트가 상기 근육 정상인의 모멘트 범위 밖에 속하는지 여부에 따라 학습하는 것을 특징으로 하는
    근육 이상 진단 방법.
  21. 제 19 항에 있어서,
    상기 복수 개의 구간은 8개의 구간인 것을 특징으로 하고,
    상기 8개의 구간은
    상기 보행 1주기를 100%로 보았을 때,
    0%부터 2%까지를 제 1 구간, 2%부터 10%까지를 제 2 구간, 10%부터 30%까지를 제 3 구간, 30%부터 50%까지를 제 4 구간, 50%부터 60%까지를 제 5 구간, 60%부터 73%까지를 제 6 구간, 73%부터 87%까지를 제 7 구간, 87%부터 100%까지를 제 8 구간으로 나누어지는 것을 특징으로 하는
    근육 이상 진단 방법.
  22. 제 19 항에 있어서,
    상기 관절의 모멘트는
    엉덩 관절의 X축 모멘트, Y축 모멘트, Z축 모멘트, 무릎 관절의 X축 모멘트, 발목 관절의 X축 모멘트, Y축 모멘트로 이루어지는 것을 특징으로 하는
    근육 이상 진단 방법.
  23. 제 20 항에 있어서,
    상기 인공신경망은,
    입력층, 은닉층, 출력층으로 이루어지고,
    상기 입력층, 상기 은닉측, 및 상기 출력층은 가중치를 가진 다수의 선들로 연결되어 있으며,
    상기 인공신경망의 학습을 통해 상기 가중치를 변경하는 것을 특징으로 하는
    근육 이상 진단 방법.
  24. 제 19 항에 있어서,
    상기 근육의 정상 또는 비정상 여부를 표시하는 제 4 단계를 더 포함하는
    근육 이상 진단 방법.
KR1020090105053A 2008-11-10 2009-11-02 관절과 근육 이상 진단 시스템 및 관절과 근육 이상 진단 방법 KR101081643B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20080111286 2008-11-10
KR1020080111286 2008-11-10

Publications (2)

Publication Number Publication Date
KR20100052408A true KR20100052408A (ko) 2010-05-19
KR101081643B1 KR101081643B1 (ko) 2011-11-09

Family

ID=42277767

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020090105053A KR101081643B1 (ko) 2008-11-10 2009-11-02 관절과 근육 이상 진단 시스템 및 관절과 근육 이상 진단 방법

Country Status (1)

Country Link
KR (1) KR101081643B1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101315220B1 (ko) * 2011-11-29 2013-10-08 엘지전자 주식회사 인체의 모션 처리 장치 및 그 방법
KR20180119608A (ko) * 2016-02-22 2018-11-02 브로드리프 가부시키가이샤 작업 분석 지원 장치, 작업 분석 지원 방법, 컴퓨터 프로그램 및 정보 기억 매체
KR102255483B1 (ko) * 2020-10-16 2021-05-24 한수연 관절질환 진단 방법 및 이를 이용하는 장치
KR20220114224A (ko) * 2021-02-08 2022-08-17 순천향대학교 산학협력단 인공지능 기반 관절 경직도 예측 시스템 및 방법
WO2023136388A1 (ko) * 2022-01-17 2023-07-20 주식회사 에이아이포펫 관절의 상태를 예측 및 진단할 수 있는 서비스 제공 시스템 및 그 방법

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102290517B1 (ko) * 2019-08-28 2021-08-19 주식회사 에버닌 무릎 헬스 케어 시스템
KR102490519B1 (ko) 2022-07-21 2023-01-19 주식회사 라피치 발신자의 텍스트데이터에 대응하여 암호화를 하는 개인정보 보호 기능을 가지는 자동응답 시스템 및 방법

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002063579A (ja) 2000-08-17 2002-02-28 Hitachi Plant Eng & Constr Co Ltd 画像解析装置及びその方法
JP2005160747A (ja) 2003-12-03 2005-06-23 Research Institute Of Application Technologies For Chaos & Complex Systems Co Ltd 歩行障害の評価支援装置および評価支援方法

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101315220B1 (ko) * 2011-11-29 2013-10-08 엘지전자 주식회사 인체의 모션 처리 장치 및 그 방법
KR20180119608A (ko) * 2016-02-22 2018-11-02 브로드리프 가부시키가이샤 작업 분석 지원 장치, 작업 분석 지원 방법, 컴퓨터 프로그램 및 정보 기억 매체
US11068831B2 (en) 2016-02-22 2021-07-20 Broadleaf Co., Ltd. Work analysis assistance device, work analysis assistance method, computer program, and information storage medium
KR102255483B1 (ko) * 2020-10-16 2021-05-24 한수연 관절질환 진단 방법 및 이를 이용하는 장치
WO2022080772A1 (ko) * 2020-10-16 2022-04-21 한수연 관절질환 진단 방법 및 이를 이용하는 장치
KR20220114224A (ko) * 2021-02-08 2022-08-17 순천향대학교 산학협력단 인공지능 기반 관절 경직도 예측 시스템 및 방법
WO2023136388A1 (ko) * 2022-01-17 2023-07-20 주식회사 에이아이포펫 관절의 상태를 예측 및 진단할 수 있는 서비스 제공 시스템 및 그 방법

Also Published As

Publication number Publication date
KR101081643B1 (ko) 2011-11-09

Similar Documents

Publication Publication Date Title
KR101081643B1 (ko) 관절과 근육 이상 진단 시스템 및 관절과 근육 이상 진단 방법
JP5540386B2 (ja) 筋張力推定法及び装置
Triloka et al. Neural computing for walking gait pattern identification based on multi-sensor data fusion of lower limb muscles
Wesseling et al. Subject-specific geometrical detail rather than cost function formulation affects hip loading calculation
Cardiff Development of the finite volume method for hip joint stress analysis
Chèze Kinematic analysis of human movement
Matthew et al. Estimating sit-to-stand dynamics using a single depth camera
Guo et al. EMG-assisted forward dynamics simulation of subject-specific mandible musculoskeletal system
US20190125220A1 (en) Systems, devices, and methods for determining an overall motion and flexibility envelope
Gurchiek et al. Wearables-only analysis of muscle and joint mechanics: an EMG-driven approach
US20190117129A1 (en) Systems, devices, and methods for determining an overall strength envelope
Senanayake et al. Artificial neural network based gait patterns identification using neuromuscular signals and soft tissue deformation analysis of lower limbs muscles
Hellmers et al. Validation of a motion capture suit for clinical gait analysis
CN113869217A (zh) 一种用于获取图像识别数据的方法和***
Kumar et al. Prediction of lower limb kinematics from vision-based system using deep learning approaches
KR102584715B1 (ko) 경근 활성도 평가 장치 및 방법
Avvari et al. Gait analysis: an effective tool to measure human performance
Meng et al. Markerless measurement techniques for motion analysis in sports science
Çetiner et al. Tibial rotation assessment using artificial neural networks
Rekant et al. Validation of Inertial Measurement Unit-Based Motion Capture with a Single Calibration File for Assessing Gait in Healthy Young Adults
Nahavandi et al. Passive muscle force analysis during vehicle access: A gender comparison
Ma Movement Analysis and Biomechanical Simulation for Children with Cerebral Palsy and Equinus gait
Hill A 3D neuromuscular model of the human ankle-foot complex based on multi-joint biplanar fluoroscopy gait analysis
Miller A Patient-Specific Knee Model Driven by In Vivo Kinematics to Better Represent an ACL-Injured Pediatric Population
Auccahuasi et al. Low-cost System for Posture Analysis Applied to Post-Traumatic Recovery

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20140923

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20151102

Year of fee payment: 5

LAPS Lapse due to unpaid annual fee