KR20220151340A - Method and apparatus for predicting muscle strength based on artificial intelligence - Google Patents

Method and apparatus for predicting muscle strength based on artificial intelligence Download PDF

Info

Publication number
KR20220151340A
KR20220151340A KR1020210058466A KR20210058466A KR20220151340A KR 20220151340 A KR20220151340 A KR 20220151340A KR 1020210058466 A KR1020210058466 A KR 1020210058466A KR 20210058466 A KR20210058466 A KR 20210058466A KR 20220151340 A KR20220151340 A KR 20220151340A
Authority
KR
South Korea
Prior art keywords
data
muscle strength
learning
motion
learning data
Prior art date
Application number
KR1020210058466A
Other languages
Korean (ko)
Other versions
KR102529726B1 (en
Inventor
유현석
배은경
Original Assignee
주식회사 리모
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 주식회사 리모 filed Critical 주식회사 리모
Priority to KR1020210058466A priority Critical patent/KR102529726B1/en
Publication of KR20220151340A publication Critical patent/KR20220151340A/en
Application granted granted Critical
Publication of KR102529726B1 publication Critical patent/KR102529726B1/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
    • A61B5/11—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
    • A61B5/103—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
    • A61B5/1116—Determining posture transitions
    • 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
    • A61B5/22—Ergometry; Measuring muscular strength or the force of a muscular blow
    • A61B5/224—Measuring muscular strength
    • 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
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Public Health (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Veterinary Medicine (AREA)
  • Physiology (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Geometry (AREA)
  • Orthopedic Medicine & Surgery (AREA)
  • Rheumatology (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

Provided is an AI-based muscle strength prediction method. A muscle strength prediction method according to some embodiments of the present invention comprises the steps of: receiving motion data of a prediction target and state data of the prediction target; and generating muscle strength prediction data based on the motion data and the state data. The step of generating muscle strength prediction data includes the steps of: generating motion learning data based on state learning data and muscle strength learning data in a reinforcement learning-based learning data generation model; storing a learning data set labeled with the state learning data, the muscle strength learning data, and the motion learning data in a learning database; acquiring a learning data set from a learning database in a muscle strength prediction learning model, using the state learning data and the motion learning data as input data, and learning by using the muscle strength learning data as label data; and generating, by a muscle strength prediction data generating device, the muscle strength prediction data based on the model learned in the muscle strength prediction learning model. According to the present invention, accuracy and operating characteristics are improved.

Description

인공지능 기반의 근력 예측 방법 및 장치{Method and apparatus for predicting muscle strength based on artificial intelligence}Artificial intelligence-based muscle strength prediction method and apparatus {Method and apparatus for predicting muscle strength based on artificial intelligence}

본 발명은 인공지능 기반의 근력 예측 방법 및 장치에 관한 것으로, 더욱 상세하게는 강화학습 기반의 인공지능 모델을 이용하여 학습 데이터를 생성하고, 생성된 학습 데이터를 이용한 지도학습 기반의 근력 예측 학습 모델을 포함하는 근력 예측 방법 및 장치에 관한 것이다.The present invention relates to an artificial intelligence-based muscle strength prediction method and apparatus, and more particularly, to generate learning data using a reinforcement learning-based artificial intelligence model, and to a supervised learning-based muscle strength prediction learning model using the generated learning data. It relates to a muscle strength prediction method and apparatus comprising a.

뇌졸중 등 뇌 질환 발생 후 가장 많이 발생하는 기능적인 제한은 보행 기능의 저하로, 뇌졸중 발생 후 3개월 내지 6개월까지 보행 기능이 향상되나 그 이후에는 정체기에 접어든다는 연구 결과가 발표되었고, 이에 따라 재활 초기의 보행 재활운동의 중요성이 강조되고 있다.The most frequent functional limitation after stroke or other brain disease is the decline in gait function. Research results have been published showing that gait function improves from 3 to 6 months after stroke, but then enters a plateau after that, and rehabilitation accordingly. The importance of early gait rehabilitation exercise is emphasized.

이러한 보행 재활운동은 각 근육의 활성도, 즉 근력을 향상시키는 것이 중요하고, 종래에는 바이오덱스(biodex) 등 물리적인 근력 측정 장비를 활용하여 근력을 측정하여 근력 향상 재활운동을 진행하였으나, 이러한 물리적인 근력 측정 장비는 고가로서 개인이 구비하기 어려워 병원 등에 방문하여 측정을 해야 하는 한계가 존재한다.In this gait rehabilitation exercise, it is important to improve the activity of each muscle, that is, muscle strength. Muscular strength measurement equipment is expensive and difficult for individuals to obtain, so there is a limit to visiting a hospital or the like for measurement.

이에, 국내공개특허 제10-2021-0009854호에는 환자의 보행영상을 획득하여 3차원 보행모델을 생성하고, 보행모델이 이상보행에 속하는지 여부를 판단하는 기술이 제안되었으나, 이는 환자의 보행만을 판단하여 환자의 신체정보, 보행특성 등을 반영하지 못하는 한계가 존재하고, 인체 각각의 관절의 움직임을 정확히 반영하지 못해 예측의 정확도가 떨어질 수 있다는 한계가 존재한다.Accordingly, Korean Patent Publication No. 10-2021-0009854 proposes a technique of acquiring a patient's gait image to generate a 3D gait model and determining whether the gait model belongs to abnormal gait, but this technique only measures the patient's gait. There is a limit that cannot reflect the patient's body information and gait characteristics, and there is a limit that the accuracy of prediction may be reduced because the movement of each joint of the human body cannot be accurately reflected.

국내공개특허 제10-2021-0009854호(2021년01월27일 공개)Domestic Patent Publication No. 10-2021-0009854 (published on January 27, 2021)

본 발명이 해결하고자 하는 기술적 과제는 환자의 영상 데이터를 획득하고, 이를 분석하여 근력을 예측하는 방법 및 장치를 제공하는 것이다.A technical problem to be solved by the present invention is to provide a method and apparatus for acquiring image data of a patient and predicting muscle strength by analyzing the obtained image data.

또한, 강화학습을 통해 근력 학습 데이터 세트를 생성하고, 이를 활용하여 근력 예측 모델을 학습함으로써 정확도 및 동작 특성이 향상된 근력 예측 방법 및 장치를 제공하는 것이다.In addition, to provide a muscle strength prediction method and apparatus with improved accuracy and motion characteristics by generating a muscle strength learning data set through reinforcement learning and learning a muscle strength prediction model using it.

본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 해당 기술 분야의 통상의 기술자에게 명확하게 이해될 수 있을 것이다.The technical problems of the present invention are not limited to the technical problems mentioned above, and other technical problems not mentioned will be clearly understood by those skilled in the art from the following description.

상기 기술적 과제를 달성하기 위한 본 발명의 몇몇 실시예에 따른 근력 예측 방법은 예측 대상자의 모션 데이터 및 예측 대상자의 상태 데이터를 수신하는 단계 및 모션 데이터 및 상태 데이터에 기초하여 근력 예측 데이터를 생성하는 단계를 포함하되, 근력 예측 데이터를 생성하는 단계는, 강화 학습 기반의 학습 데이터 생성 모델에서 상태 학습 데이터 및 근력 학습 데이터에 기초하여 모션 학습 데이터를 생성하는 단계, 상태 학습 데이터, 근력 학습 데이터 및 모션 학습 데이터가 레이블링된 학습 데이터 세트를 학습 데이터베이스에 저장하는 단계, 근력 예측 학습 모델에서 학습 데이터 세트를 학습 데이터베이스로부터 획득하고, 상태 학습 데이터 및 모션 학습 데이터를 입력(Input) 데이터로 사용하고 근력 학습 데이터를 라벨(Label) 데이터로 사용하여 학습하는 단계 및 근력 예측 데이터 생성 장치에서 근력 예측 학습 모델에서 학습된 모델에 기초하여 근력 예측 데이터를 생성하는 단계를 포함할 수 있다.Muscular strength prediction method according to some embodiments of the present invention for achieving the above technical problem includes receiving motion data and state data of a prediction target and generating muscle strength prediction data based on the motion data and state data. Including, but the step of generating muscle strength prediction data, generating motion learning data based on the state learning data and muscle strength learning data in the reinforcement learning-based learning data generation model, state learning data, muscle strength learning data and motion learning Storing the data-labeled training data set in the learning database, acquiring the training data set from the learning database in the muscle strength prediction learning model, using the state learning data and motion learning data as input data, and using the muscle strength training data as input data. It may include the step of learning using the label (Label) data and generating muscle strength prediction data based on the model learned from the muscle strength prediction data generating device in the muscle strength prediction learning model.

몇몇 실시예에 따라, 모션 학습 데이터를 생성하는 단계는, 근골격 시뮬레이션 데이터 생성부에서 상태 학습 데이터 및 근력 학습 데이터에 기초하여 근골격 시뮬레이션 데이터를 생성하는 단계 및 근골격 시뮬레이션 데이터에 기초하여 모션 학습 데이터를 생성하는 단계를 포함할 수 있다.According to some embodiments, generating the motion learning data includes generating the musculoskeletal simulation data based on the state learning data and the muscle strength learning data in a musculoskeletal simulation data generator and generating the motion learning data based on the musculoskeletal simulation data. steps may be included.

몇몇 실시예에 따라, 근골격 시뮬레이션 데이터에 기초하여 모션 학습 데이터를 생성하는 단계는, 모션 학습 데이터 생성부에서 근골격 시뮬레이션 데이터에 기정의된 적어도 하나의 타겟 동작을 적용시키는 단계 및 모션 학습 데이터 생성부에서 타겟 동작이 적용된 근골격 시뮬레이션 데이터에 기초하여 모션 학습 데이터를 생성하는 단계를 포함할 수 있다.According to some embodiments, the generating of the motion learning data based on the musculoskeletal simulation data may include applying at least one predefined target motion to the musculoskeletal simulation data in a motion learning data generating unit and a motion learning data generating unit. It may include generating motion learning data based on musculoskeletal simulation data to which a target motion is applied.

몇몇 실시예에 따라, 모션 학습 데이터는 타겟 동작이 적용되는 구간에서의 타겟 관절의 각도에 대한 데이터이고, 근력 학습 데이터는 타겟 관절에 인접하는 근육의 활성화 값으로 생성될 수 있다.According to some embodiments, the motion learning data may be data about an angle of a target joint in a section to which a target motion is applied, and the muscle strength learning data may be generated as an activation value of a muscle adjacent to the target joint.

몇몇 실시예에 따라, 모션 학습 데이터는 타겟 동작이 적용되는 구간에서의 타겟 관절의 각도의 변화에 대한 데이터일 수 있다.According to some embodiments, the motion learning data may be data about a change in angle of a target joint in a section to which a target motion is applied.

몇몇 실시예에 따라, 타겟 관절은 기정의된 복수의 관절들을 포함할 수 있다.According to some embodiments, the target joint may include a plurality of predefined joints.

이 때, 근력 학습 데이터는, 복수의 관절들 각각에 인접하는 복수의 근육들의 활성화 값들로 생성될 수 있다.In this case, the muscle strength learning data may be generated as activation values of a plurality of muscles adjacent to each of a plurality of joints.

몇몇 실시예에 따라, 상태 학습 데이터는 신장, 몸무게, BMI, 체지방량, 신장 대비 하체의 비율, 팔 대비 하체의 비율 및 신장 대비 팔의 비율 중 적어도 하나의 정보가 포함될 수 있다.According to some embodiments, the state learning data may include information on at least one of height, weight, BMI, body fat mass, height-to-lower body ratio, arm-to-lower body ratio, and height-to-arm ratio.

몇몇 실시예에 따라, 근력 학습 데이터는 0 내지 1의 범위를 갖는 근육의 활성화 값으로 생성될 수 있다.According to some embodiments, muscle strength learning data may be generated with muscle activation values ranging from 0 to 1.

이 때, 상태 학습 데이터에 기초하여 결정되는 최대 근력이 1로 정의되고, 상태 학습 데이터 및 모션 학습 데이터에 기초하여 판단되는 근력을 최대 근력과 비교하여 근력 학습 데이터를 결정할 수 있다.At this time, the maximum muscle strength determined based on the state learning data is defined as 1, and the muscle strength determined based on the state learning data and the motion learning data may be compared with the maximum muscle strength to determine the muscle strength learning data.

몇몇 실시예에 따라, 모션 데이터 및 상기 상태 데이터를 수신하는 단계는, 예측 대상자의 영상 데이터 및 상태 데이터를 수신하는 단계, 영상 데이터에 기초하여 예측 대상자의 골격 위치를 결정하는 단계 및 결정된 골격 위치에 기초하여 모션 데이터를 결정하는 단계를 포함할 수 있다.According to some embodiments, the receiving of the motion data and the state data may include receiving image data and state data of the prediction target, determining a skeleton position of the prediction target based on the image data, and determining a skeleton position of the prediction target based on the image data. Based on the method, motion data may be determined.

기타 실시예들의 구체적인 사항들은 상세한 설명 및 도면들에 포함되어 있다.Details of other embodiments are included in the detailed description and drawings.

도 1은 본 발명의 몇몇 실시예에 따른 근력 예측 시스템을 설명하기 위한 도면이다.
도 2는 근력 예측 시스템으로 입력되는 영상 데이터를 예시적으로 설명하기 위한 도면이다.
도 3은 본 발명의 몇몇 실시예에 따른 근력 예측 데이터 생성 시스템을 설명하기 위한 도면이다.
도 4는 본 발명의 몇몇 실시예에 따른 근력 예측 모델 학습 장치를 설명하기 위한 도면이다.
도 5는 본 발명의 몇몇 실시예에 따른 학습 데이터 생성 모델을 설명하기 위한 도면이다.
도 6a는 상태 데이터 또는 상태 학습 데이터를 예시적으로 설명하기 위한 도면이다.
도 6b는 근력 예측 데이터 또는 근력 학습 데이터를 예시적으로 설명하기 위한 도면이다.
도 6c 내지 도 6f는 모션 데이터 또는 모션 학습 데이터를 예시적으로 설명하기 위한 도면이다.
도 7은 본 발명의 몇몇 실시예에 따른 근력 예측 학습 모델을 설명하기 위한 도면이다.1 is a diagram for explaining a muscle strength prediction system according to some embodiments of the present invention.
2 is a diagram for illustratively describing image data input to a muscle strength prediction system.
3 is a diagram for explaining a system for generating muscle strength prediction data according to some embodiments of the present invention.
4 is a diagram for explaining a muscle strength prediction model learning apparatus according to some embodiments of the present invention.
5 is a diagram for explaining a learning data generation model according to some embodiments of the present invention.
6A is a diagram for explaining state data or state learning data by way of example.
6B is a diagram for explaining muscle strength prediction data or muscle strength learning data by way of example.
6C to 6F are diagrams for describing motion data or motion learning data by way of example.
7 is a diagram for explaining a muscle strength prediction learning model according to some embodiments of the present invention.

본 명세서에서 개시되어 있는 특정한 구조적 또는 기능적 설명들은 단지 기술적 개념에 따른 실시예들을 설명하기 위한 목적으로 예시된 것으로서, 실시예들은 다양한 다른 형태로 실시될 수 있으며 본 명세서에 설명된 실시예들에 한정되지 않는다.Specific structural or functional descriptions disclosed in this specification are merely illustrated for the purpose of describing embodiments according to technical concepts, and the embodiments may be implemented in various other forms and are limited to the embodiments described herein. It doesn't work.

제1 또는 제2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 이해되어야 한다. 예를 들어 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.Terms such as first or second may be used to describe various components, but these terms should only be understood for the purpose of distinguishing one component from another. For example, a first element may be termed a second element, and similarly, a second element may also be termed a first element.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성요소들 간의 관계를 설명하는 표현들, 예를 들어 "~간의"와 "바로~간의" 또는 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.It is understood that when an element is referred to as being "connected" or "connected" to another element, it may be directly connected or connected to the other element, but other elements may exist in the middle. It should be. On the other hand, when an element is referred to as “directly connected” or “directly connected” to another element, it should be understood that no other element exists in the middle. Expressions describing the relationship between components, such as "between" and "directly between" or "adjacent to" and "directly adjacent to", etc., should be interpreted similarly.

단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설시 된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.Singular expressions include plural expressions unless the context clearly dictates otherwise. In this specification, the terms "comprise" or "have" are intended to designate that the described feature, number, step, operation, component, part, or combination thereof exists, but one or more other features or numbers, It should be understood that the presence or addition of steps, operations, components, parts, or combinations thereof is not precluded.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.Unless defined otherwise, all terms used herein, including technical or scientific terms, have the same meaning as commonly understood by one of ordinary skill in the art. Terms such as those defined in commonly used dictionaries should be interpreted as having a meaning consistent with the meaning in the context of the related art, and unless explicitly defined in this specification, it should not be interpreted in an ideal or excessively formal meaning. don't

실시예들은 퍼스널 컴퓨터, 랩톱 컴퓨터, 태블릿 컴퓨터, 스마트 폰, 텔레비전, 스마트 가전 기기, 지능형 자동차, 키오스크, 웨어러블 장치 등 다양한 형태의 제품으로 구현될 수 있다. 이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타낸다.The embodiments may be implemented in various types of products such as personal computers, laptop computers, tablet computers, smart phones, televisions, smart home appliances, intelligent vehicles, kiosks, and wearable devices. Hereinafter, embodiments will be described in detail with reference to the accompanying drawings. Like reference numerals in each figure indicate like elements.

이하에서, 도 1 내지 도 7을 참조하여 본 발명의 몇몇 실시예에 따른 근력 예측 방법 및 장치를 설명한다.Hereinafter, a muscle strength prediction method and apparatus according to some embodiments of the present invention will be described with reference to FIGS. 1 to 7 .

도 1은 본 발명의 몇몇 실시예에 따른 근력 예측 시스템을 설명하기 위한 도면이고, 도 2는 근력 예측 시스템으로 입력되는 영상 데이터를 예시적으로 설명하기 위한 도면이다.1 is a diagram for explaining a muscle strength prediction system according to some embodiments of the present invention, and FIG. 2 is a diagram for illustratively explaining image data input to the muscle strength prediction system.

도 1을 참조하면, 본 발명의 몇몇 실시예에 따른 근력 예측 시스템(10)은 외부로부터 영상 데이터(DT_IMG) 및 상태 데이터(DT_STATUS)를 수신하고, 이에 기초하여 예측 대상자의 근력 예측 데이터(DT_PRED(MS))를 생성한다. 보다 구체적으로, 외부(예를 들어, 클라이언트 시스템 또는 클라이언트 단말)로부터 예측 대상자의 영상 데이터(DT_IMG)를 수신하고, 영상 데이터(DT_IMG)에 기초하여 예측 대상자의 근골격 모션 데이터(DT_MOTION)를 생성하고, 생성된 모션 데이터(DT_MOTION) 및 외부로부터 수신된 상태 데이터(DT_STATUS)에 기초하여 근력 예측 데이터를 생성할 수 있다. Referring to FIG. 1, the muscle strength prediction system 10 according to some embodiments of the present invention receives image data DT_IMG and state data DT_STATUS from the outside, and based on this, the muscle strength prediction data DT_PRED ( MS)). More specifically, receiving image data (DT_IMG) of a prediction target from the outside (eg, a client system or a client terminal), generating musculoskeletal motion data (DT_MOTION) of the prediction target based on the image data (DT_IMG), Muscle strength prediction data may be generated based on the generated motion data (DT_MOTION) and the state data (DT_STATUS) received from the outside.

외부로부터 수신되는 영상 데이터(DT_IMG)는, 도 2의 예시와 같이, 예측 대상자를 촬영한 영상에 관한 데이터일 수 있다. 몇몇 실시예에 따라, 영상 데이터(DT_IMG)에는 기정의된 적어도 하나의 동작을 수행한 예측 대상자의 동작 이미지 데이터를 포함할 수 있다.As in the example of FIG. 2 , the image data DT_IMG received from the outside may be data related to an image of a person to be predicted. According to some embodiments, the image data DT_IMG may include motion image data of a prediction target who has performed at least one predefined motion.

근력 예측 시스템(10)은 근골격 모션 데이터 생성 시스템(100) 및 근력 예측 데이터 생성 시스템(200)을 포함할 수 있다.The muscle strength prediction system 10 may include the musculoskeletal motion data generation system 100 and the muscle strength prediction data generation system 200 .

근골격 모션 데이터 생성 시스템(100)은 외부로부터 수신되는 영상 데이터(DT_IMG)에 기초하여 모션 데이터(DT_MOTION)를 생성할 수 있다. 예를 들어, 근골격 모션 데이터 생성 시스템(100)은 3차원 골격 위치 예측 알고리즘이 적용되어 영상 데이터(DT_IMG)를 예측 대상자의 골격 위치를 포함하는 모션 데이터(DT_MOTION)로 변환할 수 있고, 이 때 모션 데이터(DT_MOTION)는 시간 스텝별 3차원 골격 모션일 수 있다.The musculoskeletal motion data generating system 100 may generate motion data DT_MOTION based on image data DT_IMG received from the outside. For example, the musculoskeletal motion data generating system 100 may convert image data DT_IMG into motion data DT_MOTION including the position of a skeletal object of a prediction target by applying a 3D skeletal position prediction algorithm. The data DT_MOTION may be a 3D skeletal motion for each time step.

근력 예측 데이터 생성 시스템(200)은 근골격 모션 데이터 생성 시스템(100)으로부터 모션 데이터(DT_MOTION)를 수신하고, 모션 데이터(DT_MOTION) 및 상태 데이터(DT_STATUS)에 기초하여 예측 대상자의 근력 상태 및 근골격 질환 상태를 나타내는 근력 예측 데이터(DT_PRED(MS))를 생성할 수 있다. 근력 예측 데이터 생성 시스템(200)에 의해 근력 예측 모델이 학습되고, 학습된 인공지능 모델에 기초하여 근력 예측 데이터(DT_PRED(MS))가 생성되는 구체적인 동작은 도 3 내지 도 7을 참조하여 상세히 후술한다.The muscle strength prediction data generation system 200 receives motion data DT_MOTION from the musculoskeletal motion data generation system 100, and based on the motion data DT_MOTION and state data DT_STATUS, the muscle strength state and musculoskeletal disease state of the predicted subject It is possible to generate muscle strength prediction data (DT_PRED (MS)) representing. A specific operation in which the muscle strength prediction model is learned by the muscle strength prediction data generation system 200 and the muscle strength prediction data (DT_PRED(MS)) is generated based on the learned artificial intelligence model will be described later in detail with reference to FIGS. 3 to 7 do.

도 3은 본 발명의 몇몇 실시예에 따른 근력 예측 데이터 생성 시스템을 설명하기 위한 도면이다.3 is a diagram for explaining a system for generating muscle strength prediction data according to some embodiments of the present invention.

도 3을 참조하면, 본 발명의 몇몇 실시예에 따른 근력 예측 데이터 생성 시스템(200)은 각각이 인공 신경망을 활용하여 학습 및 구동되는 근력 예측 모델 학습 장치(1000) 및 근력 예측 데이터 생성 장치(2000)를 포함할 수 있다. 인공 신경망이란 사람의 두뇌가 정보를 처리하는 방식을 모방한 연산 시스템을 의미한다.Referring to FIG. 3, the muscle strength prediction data generation system 200 according to some embodiments of the present invention includes a muscle strength prediction model learning device 1000 and a muscle strength prediction data generation device 2000 each of which is learned and driven using an artificial neural network. ) may be included. An artificial neural network is a computing system that mimics the way the human brain processes information.

심층 신경망(Deep Neural Network)은 인공 신경망을 구현하는 하나의 방식으로서, 복수의 레이어(layer)를 포함할 수 있다. 예를 들어, 심층 신경망은 입력 데이터가 인가되는 입력 레이어(Input Layer), 학습을 바탕으로 입력 데이터에 기반한 예측을 통해 도출된 결과 값을 출력하는 출력 레이어(Output Layer) 및 입력 레이어와 출력 레이어 사이에 다중의 은닉 레이어(Hidden Layer)을 포함한다.A deep neural network is one method of implementing an artificial neural network, and may include a plurality of layers. For example, a deep neural network has an input layer to which input data is applied, an output layer that outputs result values derived through prediction based on input data based on learning, and a gap between the input layer and the output layer. contains multiple hidden layers.

심층 신경망은 정보를 처리하기 위해 이용되는 알고리즘에 따라, 컨볼루션 신경망(Convolutional Neural Network, 이하 "CNN"), 리커런트 신경망(Recurrent Neural Network, 이하 "RNN") 등으로 분류된다.Deep neural networks are classified into convolutional neural networks (hereinafter referred to as "CNN"), recurrent neural networks (hereinafter referred to as "RNN"), and the like, according to an algorithm used to process information.

인공 신경망을 학습하는 방식을 딥러닝(Deep Learning)이라 하며, 상술한 바와 같이 딥러닝에는 CNN, RNN 방식과 같이 다양한 알고리즘이 이용될 수 있다.A method of learning an artificial neural network is called deep learning, and as described above, various algorithms such as CNN and RNN methods may be used in deep learning.

이 때, 인공 신경망을 학습한다는 것은 계층간 가중치 및 바이어스 또는 인접한 계층 중 서로 다른 레이어에 속하는 복수의 뉴런들간의 가중치 및 바이어스를 결정하고 갱신하는 것을 나타낼 수 있다.In this case, learning the artificial neural network may refer to determining and updating weights and biases between layers or weights and biases between a plurality of neurons belonging to different layers among adjacent layers.

예를 들어, 복수의 계층적 구조 및 복수의 레이어들, 또는, 뉴런들 간의 가중치 및 바이어스를 총칭하여 인공 신경망의 연결성(connectivity)이라 할 수 있다. 따라서, 인공 신경망을 학습한다는 것은 연결성을 구축하고 학습하는 것을 나타낼 수 있다.For example, a plurality of hierarchical structures, a plurality of layers, or weights and biases between neurons may be collectively referred to as connectivity of an artificial neural network. Thus, learning an artificial neural network can refer to building and learning connectivity.

몇몇 실시예에 따라, 근력 예측 모델 학습 장치(1000)는 뉴럴 네트워크를 생성하거나, 뉴럴 네트워크를 훈련(train)(또는 학습(learn))하거나, 뉴럴 네트워크를 재훈련(retrain)하는 기능들과 같은 다양한 프로세싱 기능들을 갖는 컴퓨팅 디바이스에 해당된다. 예를 들어, 학습 데이터 생성 모델(1100)은 PC(personal computer), 서버 디바이스, 모바일 디바이스 등의 다양한 종류의 디바이스들로 구현될 수 있다.According to some embodiments, the muscle strength prediction model learning apparatus 1000 generates a neural network, trains (or learns) a neural network, or retrains a neural network, such as functions. Corresponds to a computing device having various processing functions. For example, the learning data generation model 1100 may be implemented in various types of devices such as a personal computer (PC), a server device, and a mobile device.

근력 예측 모델 학습 장치(1000)는 주어진 초기 뉴럴 네트워크를 반복적으로 훈련(학습)시킴으로써, 훈련된 뉴럴 네트워크를 생성할 수 있다. 훈련된 뉴럴 네트워크를 생성하는 것은 뉴럴 네트워크 파라미터를 결정하는 것을 의미할 수 있다. 여기서, 파라미터들은 예를 들어 뉴럴 네트워크의 입/출력 액티베이션들, 웨이트들, 바이어스들 등 뉴럴 네트워크에 입/출력되는 다양한 종류의 데이터를 포함할 수 있다. 뉴럴 네트워크의 반복적인 훈련이 진행됨에 따라, 뉴럴 네트워크의 파라미터들은 주어진 입력에 대해 보다 정확한 출력을 연산하기 위해 조정될(tuned) 수 있다.The muscle strength prediction model learning apparatus 1000 may generate a trained neural network by repeatedly training (learning) a given initial neural network. Creating a trained neural network can mean determining neural network parameters. Here, the parameters may include, for example, various types of data input/output to the neural network, such as input/output activations, weights, and biases of the neural network. As the iterative training of the neural network progresses, the parameters of the neural network can be tuned to compute a more accurate output for a given input.

근력 예측 모델 학습 장치(1000)는 훈련된 뉴럴 네트워크를 근력 예측 데이터 생성 장치(2000)에 전달할 수 있다. 근력 예측 데이터 생성 장치(2000)는 모바일 디바이스, 임베디드(embedded) 디바이스 등에 포함될 수 있다. 근력 예측 데이터 생성 장치(2000)는 뉴럴 네트워크의 구동을 위한 전용 하드웨어일 수 있다.The muscle strength prediction model training device 1000 may transfer the trained neural network to the muscle strength prediction data generating device 2000 . The muscle strength prediction data generating device 2000 may be included in a mobile device, an embedded device, or the like. The muscle strength prediction data generation apparatus 2000 may be dedicated hardware for driving a neural network.

근력 예측 데이터 생성 장치(2000)는 근력 예측 모델 학습 장치(1000)에 의해 훈련된 뉴럴 네트워크를 그대로 구동하거나, 훈련된 뉴럴 네트워크가 가공(예를 들어, 양자화)된 뉴럴 네트워크를 구동할 수 있다. 가공된 뉴럴 네트워크를 구동하는 근력 예측 데이터 생성 장치(2000)는, 근력 예측 모델 학습 장치(1000)와는 별도의 독립적인 디바이스에서 구현될 수 있다. 하지만 이에 제한되지 않고, 근력 예측 데이터 생성 장치(2000)는 근력 예측 모델 학습 장치(1000)와 동일한 디바이스 내에도 구현될 수 있다.The muscle strength prediction data generation apparatus 2000 may drive a neural network trained by the muscle strength prediction model learning apparatus 1000 as it is or drive a neural network in which the trained neural network is processed (eg, quantized). The muscle strength prediction data generation apparatus 2000 that drives the processed neural network may be implemented in a separate and independent device from the muscle strength prediction model learning apparatus 1000. However, it is not limited thereto, and the muscle strength prediction data generating apparatus 2000 may be implemented in the same device as the muscle strength prediction model learning apparatus 1000.

도 4는 본 발명의 몇몇 실시예에 따른 근력 예측 모델 학습 장치를 설명하기 위한 도면이다.4 is a diagram for explaining a muscle strength prediction model learning apparatus according to some embodiments of the present invention.

도 4를 참조하면, 본 발명의 몇몇 실시예에 따른 근력 예측 모델 학습 장치(1000)는 학습 데이터 생성 모델(1100), 근력 예측 학습 모델(1300) 및 학습 데이터베이스(1500)를 포함할 수 있다.Referring to FIG. 4 , the muscle strength prediction model learning apparatus 1000 according to some embodiments of the present invention may include a learning data generation model 1100, a muscle strength prediction learning model 1300, and a learning database 1500.

학습 데이터 생성 모델(1100)은 외부 또는 학습 데이터베이스(1500)로부터 상태 학습 데이터(DT_TN(STT1)) 및 근력 학습 데이터(DT_TN(MS))를 수신하고, 이에 기초하여 모션 학습 데이터(DT_TN(MT1))를 생성할 수 있다. 몇몇 실시예에 따라, 학습 데이터 생성 모델(1100)은 강화학습(Reinforcement Learning) 기반의 기계학습 모델이 적용될 수 있다. 강화는 시행착오를 통해 학습하는 방법 중 하나로, 실수와 보상을 통해 학습을 하여 목표를 찾아가는 알고리즘이다. The learning data generation model 1100 receives state learning data DT_TN(STT1) and muscle strength learning data DT_TN(MS) from the outside or the learning database 1500, and generates motion learning data DT_TN(MT1) based thereon. ) can be created. According to some embodiments, a machine learning model based on reinforcement learning may be applied to the learning data generation model 1100 . Reinforcement is one of the methods of learning through trial and error, and it is an algorithm that learns through mistakes and rewards to find a goal.

학습 데이터 생성 모델(1100)로 입력되고, 생성되는 상태 학습 데이터(DT_TN(STT1)), 근력 학습 데이터(DT_TN(MS)) 및 모션 학습 데이터(DT_TN(MT1))는 학습 데이터 세트로 레이블링되고, 학습 데이터베이스(1500)에 저장될 수 있다.The state learning data (DT_TN (STT1)), muscle strength learning data (DT_TN (MS)), and motion learning data (DT_TN (MT1)) that are input into the learning data generation model 1100 and generated are labeled as a training data set, may be stored in the learning database 1500.

근력 예측 학습 모델(1300)은 학습 데이터베이스(1500)로부터 학습 데이터 세트를 획득하고, 이에 기초하여 근력 예측 알고리즘을 학습할 수 있다. 이 때, 상태 학습 데이터(DT_TN(STT1)) 및 모션 학습 데이터(DT_TN(MT1))를 입력(Input) 데이터로 사용하고, 근력 학습 데이터(DT_TN(MS))를 라벨(Label) 데이터로 사용하여 학습할 수 있다.Muscular strength prediction learning model 1300 may obtain a learning data set from the learning database 1500, based on which to learn the muscle strength prediction algorithm. At this time, state learning data (DT_TN (STT1)) and motion learning data (DT_TN (MT1)) are used as input data, and muscle strength learning data (DT_TN (MS)) is used as label data. can learn

즉, 학습 데이터 생성 모델(1100)은 생체 학습 데이터(), 근력 학습 데이터(DT_TN(MS)) 및 모션 학습 데이터(DT_TN(MT1))가 레이블링된 학습 데이터 세트를 생성하고, 근력 예측 학습 모델(1300)은 학습 데이터 생성 모델(1100)에 의해 생성된 학습 데이터 세트를 사용하여 근력 예측 알고리즘을 학습할 수 있다.That is, the learning data generation model 1100 generates a learning data set in which biometric learning data ( ), muscle strength learning data (DT_TN (MS)), and motion learning data (DT_TN (MT1)) are labeled, and a muscle strength prediction learning model ( 1300) may learn the muscle strength prediction algorithm using the learning data set generated by the learning data generation model 1100.

도 5는 본 발명의 몇몇 실시예에 따른 학습 데이터 생성 모델을 설명하기 위한 도면이다.5 is a diagram for explaining a learning data generation model according to some embodiments of the present invention.

도 5를 참조하면, 학습 데이터 생성 모델(1100)은 근골격 시뮬레이션 데이터 생성부(1110) 및 모션 학습 데이터 생성부(1130)를 포함할 수 있고, 상태 학습 데이터(DT_TN(STT1)), 근력 학습 데이터(DT_TN(MS)) 및 모션 학습 데이터(DT_TN(MT1))로 레이블링된 학습 데이터 세트를 생성할 수 있다.Referring to FIG. 5 , the learning data generating model 1100 may include a musculoskeletal simulation data generating unit 1110 and a motion learning data generating unit 1130, state learning data DT_TN(STT1), and muscle strength learning data. You can create training data sets labeled with (DT_TN(MS)) and motion learning data (DT_TN(MT1)).

근골격 시뮬레이션 데이터 생성부(1110)는 외부 또는 학습 데이터베이스(1500)로부터 수신된 상태 학습 데이터(DT_TN(STT1)) 및 근력 학습 데이터(DT_TN(MS))에 기초하여 근골격 시뮬레이션 데이터(DT_SIM(SK))를 생성한다. 보다 구체적으로, 예측 대상자의 신체 정보 등을 포함하는 상태 학습 데이터(DT_TN(STT1))를 통해 예측 대상자에 대응되는 근골격 시뮬레이션 데이터(DT_SIM(SK))를 생성할 수 있다.The musculoskeletal simulation data generating unit 1110 generates musculoskeletal simulation data DT_SIM(SK) based on the state learning data DT_TN(STT1) and the muscle strength learning data DT_TN(MS) received from the outside or the learning database 1500. generate More specifically, the musculoskeletal simulation data DT_SIM(SK) corresponding to the prediction target may be generated through the state learning data DT_TN(STT1) including body information of the prediction target.

모션 학습 데이터 생성부(1130)는 강화학습을 적용하여 근골격 시뮬레이션 데이터(DT_SIM(SK))의 개별 근육들을 활성화시켜 운동 모션(예를 들어, 걷기, 뛰기, 일어나기, 앉기, 한발 서기 등)이 가능하도록 학습시킨다. 근육들이 활성화된 근골격 시뮬레이션 데이터(DT_SIM(SK))에 기정의된 타겟 동작을 적용시키고, 이에 기초하여 모션 학습 데이터(DT_TN(MT1))를 생성할 수 있다. 타겟 동작은, 예를 들어, 앉았다 일어나기, 일정 구간 달리기, 점프 동작, 한발 서기 동작 등이 될 수 있으나, 이는 예시적인 것으로 모션 학습 데이터(DT_TN(MT1))를 생성할 수 있는 다양한 동작이 적용될 수 있음은 물론이다.The motion learning data generation unit 1130 activates individual muscles of the musculoskeletal simulation data (DT_SIM(SK)) by applying reinforcement learning to enable exercise motion (eg, walking, running, getting up, sitting, standing on one leg, etc.) learn to do A predefined target motion may be applied to the musculoskeletal simulation data DT_SIM(SK) in which muscles are activated, and based on this, motion learning data DT_TN(MT1) may be generated. The target motion may be, for example, sitting and standing, running for a certain period of time, jumping, standing on one leg, etc., but this is an example and various motions capable of generating the motion learning data DT_TN(MT1) may be applied. Of course there is.

근골격 시뮬레이션 데이터 생성부(1110) 및 모션 학습 데이터 생성부(1130) 각각은 인공 신경망을 구성하는 하나 이상의 네트워크(또는, 레이어)일 수 있다. 또한, 근골격 시뮬레이션 데이터 생성부(1110) 및 모션 학습 데이터 생성부(1130)는 기능 및 논리적으로 분리될 수 있음을 나타내기 위해 별도로 도면에 표시한 것이며, 물리적으로 반드시 별도의 구성요소이거나 별도의 코드로 구현되는 것을 의미하는 것은 아니다.Each of the musculoskeletal simulation data generator 1110 and the motion learning data generator 1130 may be one or more networks (or layers) constituting an artificial neural network. In addition, the musculoskeletal simulation data generator 1110 and the motion learning data generator 1130 are shown separately in the drawing to indicate that they can be functionally and logically separated, and must be physically separate components or separate codes. is not meant to be implemented as

도 6a는 상태 데이터 또는 상태 학습 데이터를 예시적으로 설명하기 위한 도면이고, 도 6b는 근력 예측 데이터 또는 근력 학습 데이터를 예시적으로 설명하기 위한 도면이고, 도 6c 내지 도 6f는 모션 데이터 또는 모션 학습 데이터를 예시적으로 설명하기 위한 도면이다.6A is a diagram for exemplarily explaining state data or state learning data, FIG. 6B is a diagram for exemplarily explaining muscle strength prediction data or muscle strength learning data, and FIGS. 6C to 6F are motion data or motion learning. It is a diagram for explaining data by way of example.

도 6a를 참조하면, 상태 데이터(DT_STATUS)는 예측 대상자의 복수의 신체 상태 정보(S1 내지 Sn)를 포함할 수 있다. 예를 들어, 복수의 신체 상태 정보는 예측 대상자의 신장, 체중, BMI, 체지방량, 신장 대비 하체의 비율, 팔 대비 하체의 비율, 신장 대비 팔의 비율 등일 수 있다. 다만, 이는 예시적인 것으로 모션 데이터(DT_MOTION)를 생성하기 위한 다양한 종류의 신체 정보가 포함될 수 있다. 몇몇 실시예에 따라, 상태 학습 데이터(DT_TN(STT1)) 또한 상태 데이터(DT_STATUS)와 동일한 신체 상태 정보를 포함할 수 있다. Referring to FIG. 6A , the state data (DT_STATUS) may include a plurality of body state information (S1 to Sn) of a prediction target. For example, the plurality of pieces of body condition information may be height, weight, BMI, body fat mass, ratio of lower body to height, ratio of lower body to arm, ratio of arm to height, etc. of the prediction subject. However, this is an example and various types of body information for generating the motion data DT_MOTION may be included. According to some embodiments, the state learning data DT_TN(STT1) may also include the same body state information as the state data DT_STATUS.

도 6b를 참조하면, 근력 예측 데이터(DT_PRED(MS))는 복수의 활성화 값(P1 내지 Pm)을 포함할 수 있다. 각각의 활성화 값은 기정의된 복수의 관절 또는 복수의 관절들 각각에 인접하는 복수의 근육에 대응되는 활성화 값일 수 있다. 즉, 신체를 움직이게 하는 하나의 근육 그룹을 하나의 단위 객체로 보고, 하나의 활성화 값은 하나의 근육 그룹의 상태(활성도)를 결정할 수 있다.Referring to FIG. 6B , muscle strength prediction data DT_PRED(MS) may include a plurality of activation values P1 to Pm. Each activation value may be an activation value corresponding to a plurality of predefined joints or a plurality of muscles adjacent to each of the plurality of joints. That is, one muscle group that moves the body is viewed as one unit object, and one activation value can determine the state (activity) of one muscle group.

몇몇 실시예에 따라, 근력 예측 데이터(DT_PRED(MS))에 포함되는 활성화 값은 0 내지 1의 값으로 표현될 수 있다. 예를 들어, 활성화 값이 1인 경우 설정된 근력의 최대 능력을 발휘할 수 있는 상태를 의미할 수 있다. 활성화 값이 0.5인 경우 설정된 근력의 최대치의 50%의 근력을 사용할 수 있는 상태를 나타낼 수 있다. 활성화 값이 0인 경우 해당 관절 또는 근육은 작동(활용)할 수 없는 상태임을 의미할 수 있다. 몇몇 실시예에 따라, 근력 학습 데이터(DT_TN(MS)) 또는 상술한 근력 예측 데이터(DT_PRED(MS))와 동일한 정보를 포함할 수 있다.According to some embodiments, the activation value included in the muscle strength prediction data DT_PRED(MS) may be expressed as a value of 0 to 1. For example, when the activation value is 1, it may mean a state in which the maximum ability of the set muscle strength can be exerted. When the activation value is 0.5, it may represent a state in which muscle strength of 50% of the maximum value of the set muscle strength can be used. If the activation value is 0, it may mean that the corresponding joint or muscle is in a state in which it cannot operate (utilize). According to some embodiments, it may include the same information as the muscle strength training data (DT_TN(MS)) or the aforementioned muscle strength prediction data (DT_PRED(MS)).

도 6c 내지 도 6f를 참조하면, 모션 데이터(DT_MOTION)는 관절(joint)별 각도 변화에 대한 정보를 포함할 수 있다. 근골격 모션 데이터 생성 시스템(100)은 외부로부터 수신된 영상 데이터(DT_IMG)에 기초하여 모션 데이터(DT_MOTION)를 생성할 수 있고, 이 때 모션 데이터(DT_MOTION)는 복수의 관절별 각도 변화에 대한 정보를 포함할 수 있다. Referring to FIGS. 6C to 6F , the motion data DT_MOTION may include information about angle change for each joint. The musculoskeletal motion data generation system 100 may generate motion data DT_MOTION based on image data DT_IMG received from the outside, and in this case, the motion data DT_MOTION includes information about angle change for each joint. can include

몇몇 실시예에 따라, 도시된 바와 같이, 각 관절의 각도 변화를 x, y, z축의 각도 변화를 각각 포함하는 정보를 포함할 수 있다. 즉, 하나의 관절에 대한 각도 변화에 대한 복수(예를 들어, 3개)의 정보를 포함할 수 있다. 다른 예로서, 하나의 관절에 대해 3개의 축의 각도 변화를 모두 포함하는 데이터를 포함할 수 있다.According to some embodiments, as shown, the angle change of each joint may include information including the angle change of the x, y, and z axes, respectively. That is, a plurality (eg, three pieces) of information about angle change for one joint may be included. As another example, data including angle changes of all three axes for one joint may be included.

몇몇 실시예에 따라, 모션 데이터(DT_MOTION)에 포함되는 관절 각도 변화 데이터는 t개(t는 양의 정수)의 time step으로 구성될 수 있다. 예를 들어, 10초(s) 및 64 frame/s가 적용되어 640 time step으로 구성될 수 있다.According to some embodiments, the joint angle change data included in the motion data DT_MOTION may consist of t (t is a positive integer) time steps. For example, 10 seconds (s) and 64 frame/s may be applied to constitute 640 time steps.

몇몇 실시예에 따라, 모션 데이터(DT_MOTION)는 서있는(standing) 상태를 기본(default) 위치로 설정하고, 타겟 동작이 시작되고 종료되는 시간을 포함하고 학습의 조건 시간(예를 들어, 10초) 동안의 변화 값을 포함할 수 있다. 학습 데이터로 사용되는 모션 데이터(DT_MOTION)는 타겟 동작에 따른 각도 변화에 대한 시퀀스(sequence) 데이터에서 크롭(crop)하여 사용될 수 있고, 크롭 위치(시점)는 시작 지점과 종료 지점이 학습의 조건 시간 이내에 포함되는 지점이라면 임의 위치(시점)으로 적용할 수 있다.According to some embodiments, the motion data DT_MOTION sets a standing state as a default position, includes the time when the target motion starts and ends, and the condition time of learning (eg, 10 seconds) It can include the change value during. Motion data (DT_MOTION) used as learning data can be used by cropping from sequence data for angle change according to the target motion, and the crop position (time point) is the conditional time of learning when the starting point and ending point are It can be applied to any location (viewpoint) if it is a point included within the range.

도 7은 본 발명의 몇몇 실시예에 따른 근력 예측 학습 모델을 설명하기 위한 도면이다.7 is a diagram for explaining a muscle strength prediction learning model according to some embodiments of the present invention.

도 7을 참조하면, 근력 예측 학습 모델(1300)은 모션 데이터 학습부(1310), 상태 데이터 학습부(1330) 및 근력 예측부(1350)를 포함할 수 있고, 학습 데이터베이스(1500)로부터 학습 데이터 세트를 수신하여 근력 예측 학습을 수행할 수 있다. 구체적으로, 학습 데이터베이스(1500)로부터 모션 학습 데이터(DT_TN(MT1)), 상태 학습 데이터(DT_TN(STT1)) 및 근력 학습 데이터(DT_TN(MS))로 레이블링된 학습 데이터 세트를 획득하고, 상태 학습 데이터(DT_TN(STT1)) 및 모션 학습 데이터(DT_TN(MT1))를 입력 데이터로 사용하고 근력 학습 데이터(DT_TN(MS))를 라벨 데이터로 사용하여 학습을 수행할 수 있다.Referring to FIG. 7 , the muscle strength prediction learning model 1300 may include a motion data learning unit 1310, a state data learning unit 1330, and a muscle strength prediction unit 1350, and learning data from the learning database 1500. Muscle strength prediction learning may be performed by receiving the set. Specifically, learning data sets labeled as motion learning data (DT_TN(MT1)), state learning data (DT_TN(STT1)), and muscle strength learning data (DT_TN(MS)) are obtained from the learning database 1500, and state learning Learning can be performed using data (DT_TN(STT1)) and motion learning data (DT_TN(MT1)) as input data and muscle strength training data (DT_TN(MS)) as label data.

몇몇 실시예에 따라, 모션 데이터 학습부(1310)는 RNN 또는 CNN을 활용하여 학습할 수 있는 학습 네트워크로 구성되어 모션 학습 데이터(DT_TN(MT1))를 가공하여 모션 학습 데이터(DT_TN(MT2))를 생성할 수 있다. 상태 데이터 학습부(1330)는 Linear Neural Network를 활용하여 학습할 수 있는 학습 네트워크로 구성되어 상태 학습 데이터(DT_TN(STT1))를 가공하여 상태 학습 데이터(DT_TN(STT2))를 생성할 수 있다.According to some embodiments, the motion data learner 1310 is composed of a learning network capable of learning by using RNN or CNN, and processes the motion learning data (DT_TN(MT1)) to obtain the motion learning data (DT_TN(MT2)). can create The state data learning unit 1330 is composed of a learning network capable of learning using a linear neural network, and can generate state learning data DT_TN(STT2) by processing the state learning data DT_TN(STT1).

근력 예측부(1350)는 모션 학습 데이터(DT_TN(MT2)) 및 상태 학습 데이터(DT_TN(STT2))를 입력 데이터로 사용하고, 근력 학습 데이터(DT_TN(MS))를 라벨 데이터로 사용하여 학습할 수 있다.The muscle strength prediction unit 1350 uses motion learning data (DT_TN (MT2)) and state learning data (DT_TN (STT2)) as input data, and uses the muscle strength learning data (DT_TN (MS)) as label data to learn. can

모션 데이터 학습부(1310), 상태 데이터 학습부(1330) 및 근력 예측부(1350) 각각은 인공 신경망을 구성하는 하나 이상의 네트워크(또는, 레이어)일 수 있다. 또한, 모션 데이터 학습부(1310), 상태 데이터 학습부(1330) 및 근력 예측부(1350)는 기능 및 논리적으로 분리될 수 있음을 나타내기 위해 별도로 도면에 표시한 것이며, 물리적으로 반드시 별도의 구성요소이거나 별도의 코드로 구현되는 것을 의미하는 것은 아니다.Each of the motion data learner 1310, state data learner 1330, and muscle strength predictor 1350 may be one or more networks (or layers) constituting an artificial neural network. In addition, the motion data learning unit 1310, the state data learning unit 1330, and the muscle strength prediction unit 1350 are shown separately in the drawing to indicate that they can be functionally and logically separated, and are necessarily physically separate components. It is not meant to be an element or implemented as separate code.

이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 컨트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 컨트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.The embodiments described above may be implemented as hardware components, software components, and/or a combination of hardware components and software components. For example, the devices, methods, and components described in the embodiments may include, for example, a processor, a controller, an arithmetic logic unit (ALU), a digital signal processor, a microcomputer, a field programmable gate (FPGA). array), programmable logic units (PLUs), microprocessors, or any other device capable of executing and responding to instructions. A processing device may run an operating system (OS) and one or more software applications running on the operating system. A processing device may also access, store, manipulate, process, and generate data in response to execution of software. For convenience of understanding, there are cases in which one processing device is used, but those skilled in the art will understand that the processing device includes a plurality of processing elements and/or a plurality of types of processing elements. It can be seen that it can include. For example, a processing device may include a plurality of processors or a processor and a controller. Other processing configurations are also possible, such as parallel processors.

소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.Software may include a computer program, code, instructions, or a combination of one or more of the foregoing, which configures a processing device to operate as desired or processes independently or collectively. The device can be commanded. Software and/or data may be any tangible machine, component, physical device, virtual equipment, computer storage medium or device, intended to be interpreted by or provide instructions or data to a processing device. , or may be permanently or temporarily embodied in a transmitted signal wave. Software may be distributed on networked computer systems and stored or executed in a distributed manner. Software and data may be stored on one or more computer readable media.

실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. The method according to the embodiment may be implemented in the form of program instructions that can be executed through various computer means and recorded on a computer readable medium. The computer readable medium may include program instructions, data files, data structures, etc. alone or in combination. Program commands recorded on the medium may be specially designed and configured for the embodiment or may be known and usable to those skilled in computer software. Examples of computer-readable recording media include magnetic media such as hard disks, floppy disks and magnetic tapes, optical media such as CD-ROMs and DVDs, and magnetic media such as floptical disks. - includes hardware devices specially configured to store and execute program instructions, such as magneto-optical media, and ROM, RAM, flash memory, and the like. Examples of program instructions include high-level language codes that can be executed by a computer using an interpreter, as well as machine language codes such as those produced by a compiler.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.As described above, although the embodiments have been described with limited drawings, those skilled in the art can apply various technical modifications and variations based on the above. For example, the described techniques may be performed in an order different from the method described, and/or components of the described system, structure, device, circuit, etc. may be combined or combined in a different form than the method described, or other components may be used. Or even if it is replaced or substituted by equivalents, appropriate results can be achieved.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.Therefore, other implementations, other embodiments, and equivalents of the claims are within the scope of the following claims.

10: 근력 예측 시스템
100: 근골격 모션 데이터 생성 시스템
200: 근력 예측 데이터 생성 시스템
1000: 근력 예측 모델 학습 장치
1100: 학습 데이터 생성 모델
1110: 근골격 시뮬레이션 데이터 생성부
1130: 모션 학습 데이터 생성부
1300: 근력 예측 학습 모델
1310: 모션 데이터 학습부
1330: 상태 데이터 학습부
1350: 근력 예측부
1500: 학습 데이터베이스
2000: 근력 예측 데이터 생성 장치10: muscle strength prediction system
100: musculoskeletal motion data generation system
200: muscle strength prediction data generation system
1000: muscle strength prediction model learning device
1100: training data generation model
1110: musculoskeletal simulation data generation unit
1130: motion learning data generation unit
1300: muscle strength prediction learning model
1310: motion data learning unit
1330: state data learning unit
1350: muscle strength prediction unit
1500: learning database
2000: Muscle strength prediction data generation device

Claims (10)

예측 대상자의 모션 데이터 및 상기 예측 대상자의 상태 데이터를 수신하는 단계; 및
상기 모션 데이터 및 상기 상태 데이터에 기초하여 근력 예측 데이터를 생성하는 단계를 포함하되,
상기 근력 예측 데이터를 생성하는 단계는,
강화 학습 기반의 학습 데이터 생성 모델에서, 상태 학습 데이터 및 근력 학습 데이터에 기초하여 모션 학습 데이터를 생성하는 단계;
상기 상태 학습 데이터, 상기 근력 학습 데이터 및 상기 모션 학습 데이터가 레이블링된 학습 데이터 세트를 학습 데이터베이스에 저장하는 단계;
근력 예측 학습 모델에서, 상기 학습 데이터 세트를 상기 학습 데이터베이스로부터 획득하고, 상기 상태 학습 데이터 및 상기 모션 학습 데이터를 입력(Input) 데이터로 사용하고 상기 근력 학습 데이터를 라벨(Label) 데이터로 사용하여 학습하는 단계; 및
근력 예측 데이터 생성 장치에서, 상기 근력 예측 학습 모델에서 학습된 모델에 기초하여 상기 근력 예측 데이터를 생성하는 단계
를 포함하는 인공지능 기반의 근력 예측 방법.Receiving motion data of a prediction target and state data of the prediction target; and
Generating muscle strength prediction data based on the motion data and the state data,
Generating the muscle strength prediction data,
generating motion learning data based on state learning data and muscle strength learning data in a reinforcement learning-based learning data generation model;
storing a learning data set labeled with the state learning data, the muscle strength learning data, and the motion learning data in a learning database;
In the muscle strength prediction learning model, the learning data set is acquired from the learning database, the state learning data and the motion learning data are used as input data, and the muscle strength learning data is used as label data to learn. doing; and
In the muscle strength prediction data generating device, generating the muscle strength prediction data based on the model learned in the muscle strength prediction learning model
Artificial intelligence-based muscle strength prediction method including. 청구항 1에 있어서,
상기 모션 학습 데이터를 생성하는 단계는,
근골격 시뮬레이션 데이터 생성부에서, 상기 상태 학습 데이터 및 상기 근력 학습 데이터에 기초하여 근골격 시뮬레이션 데이터를 생성하는 단계; 및
상기 근골격 시뮬레이션 데이터에 기초하여 상기 모션 학습 데이터를 생성하는 단계
를 포함하는 인공지능 기반의 근력 예측 방법.The method of claim 1,
Generating the motion learning data,
generating, in a musculoskeletal simulation data generation unit, musculoskeletal simulation data based on the state learning data and the muscle strength learning data; and
Generating the motion learning data based on the musculoskeletal simulation data
Artificial intelligence-based muscle strength prediction method including. 청구항 2에 있어서,
상기 근골격 시뮬레이션 데이터에 기초하여 상기 모션 학습 데이터를 생성하는 단계는,
모션 학습 데이터 생성부에서, 상기 근골격 시뮬레이션 데이터에 기정의된 적어도 하나의 타겟 동작을 적용시키는 단계; 및
상기 모션 학습 데이터 생성부에서, 상기 타겟 동작이 적용된 상기 근골격 시뮬레이션 데이터에 기초하여 상기 모션 학습 데이터를 생성하는 단계
를 포함하는 인공지능 기반의 근력 예측 방법.The method of claim 2,
Generating the motion learning data based on the musculoskeletal simulation data,
applying at least one predefined target motion to the musculoskeletal simulation data in a motion learning data generating unit; and
Generating, by the motion learning data generation unit, the motion learning data based on the musculoskeletal simulation data to which the target motion is applied.
Artificial intelligence-based muscle strength prediction method including. 청구항 3에 있어서,
상기 모션 학습 데이터는 상기 타겟 동작이 적용되는 구간에서의 타겟 관절의 각도에 대한 데이터이고,
상기 근력 학습 데이터는, 상기 타겟 관절에 인접하는 근육의 활성화 값으로 생성되는 인공지능 기반의 근력 예측 방법.The method of claim 3,
The motion learning data is data about the angle of a target joint in a section to which the target motion is applied,
The strength learning data is an artificial intelligence-based strength prediction method generated as an activation value of a muscle adjacent to the target joint. 청구항 4에 있어서,
상기 모션 학습 데이터는, 상기 타겟 동작이 적용되는 구간에서의 상기 타겟 관절의 각도의 변화에 대한 데이터인, 인공지능 기반의 근력 예측 방법.The method of claim 4,
The motion learning data is data on a change in angle of the target joint in a section to which the target motion is applied, an artificial intelligence-based muscle strength prediction method. 청구항 4에 있어서,
상기 타겟 관절은 기정의된 복수의 관절들을 포함하고,
상기 근력 학습 데이터는, 상기 복수의 관절들 각각에 인접하는 복수의 근육들의 활성화 값들로 생성되는 인공지능 기반의 근력 예측 방법.The method of claim 4,
The target joint includes a plurality of predefined joints,
The muscle strength learning data is an artificial intelligence-based muscle strength prediction method generated as activation values of a plurality of muscles adjacent to each of the plurality of joints. 청구항 1에 있어서,
상기 상태 학습 데이터는 신장, 몸무게, BMI, 체지방량, 신장 대비 하체의 비율, 팔 대비 하체의 비율 및 신장 대비 팔의 비율 중 적어도 하나의 정보가 포함되는, 인공지능 기반의 근력 예측 방법.The method of claim 1,
The state learning data includes at least one information of height, weight, BMI, body fat mass, height-to-lower body ratio, arm-to-lower body ratio, and height-to-arm ratio, artificial intelligence-based strength prediction method. 청구항 1에 있어서,
상기 근력 학습 데이터는 0 내지 1의 범위를 갖는 근육의 활성화 값으로 생성되되,
상기 상태 학습 데이터에 기초하여 결정되는 최대 근력이 1로 정의되고, 상기 상태 학습 데이터 및 상기 모션 학습 데이터에 기초하여 판단되는 근력을 상기 최대 근력과 비교하여 상기 근력 학습 데이터를 결정하는, 인공지능 기반의 근력 예측 방법.The method of claim 1,
The muscle strength learning data is generated as a muscle activation value having a range of 0 to 1,
The maximum muscle strength determined based on the state learning data is defined as 1, and the state learning data and the muscle force determined based on the motion learning data are compared with the maximum muscle strength to determine the muscle strength learning data, artificial intelligence-based muscle strength prediction method. 청구항 1에 있어서,
상기 모션 데이터 및 상기 상태 데이터를 수신하는 단계는,
상기 예측 대상자의 영상 데이터 및 상기 상태 데이터를 수신하는 단계;
상기 영상 데이터에 기초하여, 상기 예측 대상자의 골격 위치를 결정하는 단계; 및
상기 결정된 골격 위치에 기초하여 상기 모션 데이터를 결정하는 단계
를 포함하는 인공지능 기반의 근력 예측 방법.The method of claim 1,
Receiving the motion data and the state data,
Receiving the image data and the state data of the prediction subject;
determining a location of a skeleton of the prediction target based on the image data; and
determining the motion data based on the determined skeletal position;
Artificial intelligence-based muscle strength prediction method including. 하드웨어와 결합되어 청구항 1 내지 청구항 9 중 어느 하나의 항의 방법을 실행시키기 위하여 컴퓨터 판독 가능한 기록 매체에 저장된 컴퓨터 프로그램.A computer program stored in a computer readable recording medium to be combined with hardware to execute the method of any one of claims 1 to 9.
KR1020210058466A 2021-05-06 2021-05-06 Method and apparatus for predicting muscle strength based on artificial intelligence KR102529726B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020210058466A KR102529726B1 (en) 2021-05-06 2021-05-06 Method and apparatus for predicting muscle strength based on artificial intelligence

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210058466A KR102529726B1 (en) 2021-05-06 2021-05-06 Method and apparatus for predicting muscle strength based on artificial intelligence

Publications (2)

Publication Number Publication Date
KR20220151340A true KR20220151340A (en) 2022-11-15
KR102529726B1 KR102529726B1 (en) 2023-05-08

Family

ID=84041693

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210058466A KR102529726B1 (en) 2021-05-06 2021-05-06 Method and apparatus for predicting muscle strength based on artificial intelligence

Country Status (1)

Country Link
KR (1) KR102529726B1 (en)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102140229B1 (en) * 2020-01-31 2020-07-31 이경석 Motor function evaluation system and method
KR20210009854A (en) 2019-07-18 2021-01-27 경상대학교산학협력단 Apparatus and application for predicting musculoskeletal disorders

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210009854A (en) 2019-07-18 2021-01-27 경상대학교산학협력단 Apparatus and application for predicting musculoskeletal disorders
KR102140229B1 (en) * 2020-01-31 2020-07-31 이경석 Motor function evaluation system and method

Also Published As

Publication number Publication date
KR102529726B1 (en) 2023-05-08

Similar Documents

Publication Publication Date Title
De Groote et al. Perspective on musculoskeletal modelling and predictive simulations of human movement to assess the neuromechanics of gait
Rane et al. Deep learning for musculoskeletal force prediction
KR102483643B1 (en) Method and apparatus for training model and for recognizing bawed on the model
US10130311B1 (en) In-home patient-focused rehabilitation system
Bianchi et al. Transferring knowledge as heuristics in reinforcement learning: A case-based approach
KR101986002B1 (en) Artificial agents and method for human intention understanding based on perception-action connected learning, recording medium for performing the method
Cao et al. Weak human preference supervision for deep reinforcement learning
JP2022530868A (en) Target object attribute prediction method based on machine learning, related equipment and computer programs
KR20220069823A (en) Transformer-based meta-imitation learning of robots
Stewart et al. Closed-loop neuromorphic benchmarks
Mengistu et al. Robot for visual object tracking based on artificial neural network
KR102529726B1 (en) Method and apparatus for predicting muscle strength based on artificial intelligence
Trifonov et al. Human–Machine Interface of Rehabilitation Exoskeletons with Redundant Electromyographic Channels
Camardella et al. A Random Tree Forest decision support system to personalize upper extremity robot-assisted rehabilitation in stroke: A pilot study
Abdi et al. Muscle excitation estimation in biomechanical simulation using NAF reinforcement learning
Yi et al. Muscular human cybertwin for internet of everything: a pilot study
KR102546807B1 (en) Method, apparatus and system for providing nutritional information based on fecal image analysis
KR102182807B1 (en) Apparatus of mixed effect composite recurrent neural network and gaussian process and its operation method
Fu et al. Deep reinforcement learning based upper limb neuromusculoskeletal simulator for modelling human motor control
Dorschky Optimal Control and Machine Learning in Biomechanics: Hybrid Models for Inertial Sensor-based Gait Analysis and Virtual Footwear Testing
Sun et al. Physical based motion reconstruction from videos using musculoskeletal model
Zhong Reliable deep learning for intelligent wearable systems
KR102514799B1 (en) Method and apparatus of quantifying reliability of latent policy, efficiency of episodic encoding, and task generalizability for developing human-like reinforcement learning model
Tao et al. Physical Integrated Digital twin-based Interaction Mechanism of Artificial Intelligence Rehabilitation Robots Combining Visual Cognition and Motion Control
CN117875407B (en) Multi-mode continuous learning method, device, equipment and storage medium

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