Nothing Special   »   [go: up one dir, main page]

KR20170022770A - 활동 모니터링 시스템 및 그것의 소모 열량 측정 방법 - Google Patents

활동 모니터링 시스템 및 그것의 소모 열량 측정 방법 Download PDF

Info

Publication number
KR20170022770A
KR20170022770A KR1020150118194A KR20150118194A KR20170022770A KR 20170022770 A KR20170022770 A KR 20170022770A KR 1020150118194 A KR1020150118194 A KR 1020150118194A KR 20150118194 A KR20150118194 A KR 20150118194A KR 20170022770 A KR20170022770 A KR 20170022770A
Authority
KR
South Korea
Prior art keywords
activity
user
calorie
data
classifying
Prior art date
Application number
KR1020150118194A
Other languages
English (en)
Inventor
장용원
김승환
Original Assignee
한국전자통신연구원
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 한국전자통신연구원 filed Critical 한국전자통신연구원
Priority to KR1020150118194A priority Critical patent/KR20170022770A/ko
Priority to US15/242,038 priority patent/US20170053553A1/en
Publication of KR20170022770A publication Critical patent/KR20170022770A/ko

Links

Images

Classifications

    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/60—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to nutrition control, e.g. diets
    • 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
    • A61B5/1118—Determining activity level
    • 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
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • A61B5/7267—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems involving training the classification device
    • G06F17/30318—
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10—Services
    • G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services
    • 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
    • G16H20/00—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance
    • G16H20/30—ICT specially adapted for therapies or health-improving plans, e.g. for handling prescriptions, for steering therapy or for monitoring patient compliance relating to physical therapies or activities, e.g. physiotherapy, acupressure or exercising
    • 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Medical Informatics (AREA)
  • Theoretical Computer Science (AREA)
  • Public Health (AREA)
  • Biophysics (AREA)
  • Artificial Intelligence (AREA)
  • Primary Health Care (AREA)
  • Data Mining & Analysis (AREA)
  • Epidemiology (AREA)
  • General Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Pathology (AREA)
  • Business, Economics & Management (AREA)
  • Nutrition Science (AREA)
  • Databases & Information Systems (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Surgery (AREA)
  • Physiology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Veterinary Medicine (AREA)
  • Signal Processing (AREA)
  • Educational Technology (AREA)
  • Tourism & Hospitality (AREA)
  • Educational Administration (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Fuzzy Systems (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)

Abstract

본 발명에 따른 활동 모니터링 시스템의 소모 열량 측정 방법은, 사용자에 착용된 적어도 하나의 감지 센서로부터 열량 소모와 관련된 데이터를 수집하는 단계, 상기 수집된 데이터에 대응하는 상기 사용자의 활동 유형을 분류하는 단계, 상기 활동 유형의 강도를 분류하는 단계, 및 상기 활동 유형의 강도에 대응하는 소모 열량을 계산하는 단계를 포함한다.

Description

활동 모니터링 시스템 및 그것의 소모 열량 측정 방법{ACTIVITY MONITORING SYSTEM AND METHOD FOR ASSESSING CLORIE CONSUMPTION THEREOF}
본 발명은 활동 모니터링 시스템 및 그것의 소모 열량 측정 방법에 관한 것이다.
가속도 센서, 자이로 센서 등의 물리적 센서 신호를 활용하여 소모 열량을 추정하는 기술은 널리 알려진 기술이며, 이를 활용한 기기들은 시장에 매우 널리 퍼져있다. 대부분이 손목에 사용하는 팔찌나 시계 등 웨어러블 기기 형태의 단독 기기로써 디자인이 수려하며 편의성이 높다. 하지만, 이를 활용하여 소모 열량을 추정한다면 정확도가 떨어질 수밖에 없다. 예를 들어, 손목에 기기를 착용하고서 운전을 할 경우, 그리고 자리에 앉아서 손을 지속적으로 움직이는 등의 경우에 기기는 과대측정을 할 수 있다.
또한, 인간의 소모 열량은 사람마다 매우 큰 차이가 있으므로 100% 정확한 측정은 불가능할 것이다. 간접 열량 측정장치(Indirect Calorie meter)등을 활용하여 소모 열량을 측정해보면, 측정된 가속도의 특성이 유사하더라도 소모 열량은 사람에 따라 차이가 큰 경우가 많다. 따라서 가속도계 등을 이용하여 소모 열량을 추론해내는 것에 대한 정확도에는 한계가 있다. 또한, 일부 기기의 경우 가속도의 파형의 크기 및 빈도를 활동 소모열량으로 연결시킴으로써, 열량 소비량을 추정하고 있으나, 이는 소모 열량의 추정치만 추론하는 것이다.
열량의 계산은 총 섭취열량과 총 소비열량으로 이루어진다. 섭취열량은 음식 등의 외부 유입을 통해서만 이루어지나, 총소비열량은 다양한 구성요소로 이루어진다. 일반적으로 필요한 에너지의 총대사량 (Total Metabolic Rate, TMR)은 생명활동을 유지하는데 필요한 기본적인 에너지 대사인 기초대사량 (Basal Metabolic Rate, BMR) 또는 휴식대사량 (Resting Metabolic Rate, RMR)과 신체활동에 필요한 에너지 대사에 해당하는 활동 대사량 (Thermic Effect of Exercise, TEE), 그리고 식품의 섭취 및 소화, 대사에 필요한 에너지로 사용하는 식품이용을 위한 에너지 소모량 (Thermic Effect of Food, TEF), 그리고 외부 온도 및 스트레스에 대응하는데 필요한 적응대사량 (Adaptive Thermogenesis, AT)으로 구성된다.
하지만, 성장기에 있는 아동 및 청소년의 경우에는 성장이 멈춘 성인과 달라서 이들의 비율이 크게 다를 수 있다. 또한 활동량이 성인에 비하여 많으므로 활동 소모 열량을 정확하게 추정하는 것이 총소비열량에 큰 영향을 미치지 못할 수 있다.
본 발명은 보다 정확하게 열량을 측정하는 활동 모니터링 시스템 및 그것의 소모 열량 측정 방법을 제안하고자 한다.
본 발명의 실시 예에 따른 활동 모니터링 시스템의 소모 열량 측정 방법은, 사용자에 착용된 적어도 하나의 감지 센서로부터 열량 소모와 관련된 데이터를 수집하는 단계; 상기 수집된 데이터에 대응하는 상기 사용자의 활동 유형을 분류하는 단계; 상기 활동 유형의 강도를 분류하는 단계; 및 상기 활동 유형의 강도에 대응하는 소모 열량을 계산하는 단계를 포함한다.
실시 예에 있어서, 상기 적어도 하나의 감지 센서는 가속도 센서를 포함한다.
실시 예에 있어서, 상기 사용자의 활동 유형을 분류하는 단계는, 상기 수집된 데이터를 분석하여 특징들을 도출하는 단계; 및 상기 특징들을 머신 러닝(machine learing)의 입력들로 이용하여 기저 활동으로 결정하는 단계를 포함한다.
실시 예에 있어서, 머신 러닝은 인공 신경망이다.
실시 예에 있어서, 상기 활동 유형의 강도를 분류하는 단계는, 상기 기저 활동을 적어도 2개 이상의 강도로 분류하는 단계를 포함한다.
실시 예에 있어서, 상기 소모 열량을 계산하는 단계는, 상기 분류된 기저 활동의 강도에 대응하는 열량 소모량을 추정하는 단계를 포함한다.
실시 예에 있어서, 이미지 센서를 통하여 섭취할 음식의 열량을 추정하는 단계를 더 포함한다.
실시 예에 있어서, 상기 섭취할 음식의 열량을 추정하는 단계는, 상기 섭취할 음식을 분류하는 단계; 상기 분류된 음식의 섭취량을 추정하는 단계; 및 상기 추정된 섭취량에 대응하는 열량을 계산하는 단계를 포함한다.
실시 예에 있어서, 상기 수집된 데이터를 디지털 처리하는 단계; 및 상기 디지털 처리된 데이터를 저장하는 단계를 더 포함한다.
실시 예에 있어서, 상기 수집된 데이터를 외부의 서버로 전송하는 단계를 더 포함한다.
실시 예에 있어서, 상기 수집된 데이터를 빅데이터 및 딥러닝을 이용하여 저장하는 단계; 및 상기 저장된 데이터를 이용하여 상기 사용자의 패턴을 인식하는 단계를 더 포함한다.
실시 예에 있어서, 상기 사용자의 활동 유형 변화에 적응하도록 상기 사용자의 새로운 움직임이 발생시 상기 사용자의 행동 양태에 따른 활동 유형을 다양하게 구분하는 단계를 더 포함한다.
실시 예에 있어서, 상기 사용자의 활동 유형에 따라 샘플링 레이트가 다르다.
본 발명의 실시 예에 따른 활동 모니터링 시스템은, 사용자에 결합된 복수의 감지 센서들을 갖는 센서부, 상기 센서부로부터 수집된 데이터를 처리하는 디지털 처리부, 상기 처리된 데이터를 저장하는 저장부, 및 상기 디지털 처리부의 처리 결과에 따른 사용자의 상태를 표시하는 상태 표시부를 포함하고, 상기 디지털 처리부는, 머신 러닝을 이용하여 상기 수집된 데이터에 대응하는 기저 활동을 분류하고, 상기 기저 활동의 강도를 결정하고, 상기 기저 활동의 강도에 대응하는 열량 소모를 추정한다.
본 발명의 실시 예에 따른 활동 모니터링 시스템 및 그것의 소모 열량 측정 방법은, 가속도 센서 등의 센서류에서 신호를 얻고, 이러한 신호로부터 활동유형을 감지 및 기록하고, 그로부터 활동 소모 열량을 추정함으로써, 활동유형을 기록하여 더욱 많은 정보를 제공할 수 있고, 또한 더욱 정확한 소모 열량을 추정할 수 있다.
도 1은 본 발명의 실시 예에 따른 활동 모니터링 시스템을 예시적으로 보여주는 블록도이다.
도 2는 본 발명의 실시 예에 따른 알고리즘의 일 실시 예로써의 인공 신경망을 예시적으로 보여주는 도면이다.
도 3은 본 발명의 실시 예에 따른 알고리즘의 3 단계 인공 신경망을 예시적으로 보여주는 도면이다.
도 4는 본 발명의 실시 예에 따른 인공신경망에 사용될 입력 특징들을 예시적으로 보여주는 도면이다.
도 5는 본 발명의 실시 예에 따른 활동 모니터링 시스템의 소모 열량 측정 방법을 예시적으로 보여주는 도면이다.
아래에서는 도면들을 이용하여 본 발명의 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있을 정도로 본 발명의 내용을 명확하고 상세하게 기재할 것이다.
본 발명의 개념에 따른 실시 예들은 다양한 변경들을 가할 수 있고 여러 가지 형태들을 가질 수 있으므로 실시 예들을 도면에 예시하고 본 명세서에서 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 개념에 따른 실시 예들을 특정한 개시 형태들에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물, 혹은 대체물을 포함한다.
제 1 혹은 제 2 등의 용어는 다양한 구성 요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만, 예컨대 본 발명의 개념에 따른 권리 범위로부터 벗어나지 않은 채, 제 1 구성 요소는 제 2 구성 요소로 명명될 수 있고 유사하게 제 2 구성 요소는 제 1 구성 요소로도 명명될 수 있다.
어떤 구성 요소가 다른 구성 요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성 요소에 직접적으로 연결되어 있거나 혹은 접속되어 있을 수도 있지만, 중간에 다른 구성 요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성 요소가 다른 구성 요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는 중간에 다른 구성 요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성 요소들 간의 관계를 설명하는 다른 표현들, 즉 "~사이에"와 "바로 ~사이에" 혹은 "~에 이웃하는"과 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.
본 명세서에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로서, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 혹은 "가지다" 등의 용어는 본 명세서에 기재된 특징, 숫자, 단계, 동작, 구성 요소, 부분품 혹은 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 혹은 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성 요소, 부분품 혹은 이들을 조합한 것들의 존재 혹은 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 나타낸다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
본 발명의 실시 예에 따른 활동 모니터링 시스템 및 그것의 소모 열량 측정 방법은, 가속도 센서 등의 센서들에서 신호를 얻고, 이러한 신호로부터 활동유형을 감지 및 기록하고, 그로부터 활동 소모 열량을 추정함으로써, 활동유형을 기록하여 더욱 많은 정보를 제공할 수 있고, 또한 더욱 정확한 소모 열량을 추정할 수 있다.
특히, 성장기 아동 및 청소년은 성장이 멈추고 열량 소모가 안정화된 성인과 달라서 연령대(성장의 단계)에 따라 소모 열량의 차이를 가진다. 따라서 소모 열량을 산출해내는 것뿐만 아니라 활동유형의 기록이, 사용자에게 큰 도움이 될 수 있다. 소모 열량은 개인차가 심해 정확하게 측정하는 것이 매우 어려운데, 설령 잘 맞지 않는다고 하더라도, 어떤 운동이 어떻게 이루어졌는지에 대한 정보를 제공한다면, 사용자는 날짜에 따라 움직인 패턴의 상대적인 분석을 할 수 있음으로 수치에 의존하지 않아도 도움을 받을 수 있다.
또한, 본 발명의 실시 예에 따른 활동 모니터링 시스템은, 웨어러블 형태로 착용이 가능한 지점에 부착되는 가속도 센서 등의 물리량 센서들을 포함할 수 있다. 모자, 안경, 시계, 벨트, 신발, 의류 등이 가능하며, 이 경우 별도의 장비를 착용하지 않고서 일상적인 생활의 측정이 가능하도록 편리하게 활동유형 감지 및 활동 소모 열량 추정하도록 물리량 센서들이 구현될 수 있다. 또한, 본 발명의 실시 예에 따른 활동 모니터링 시스템은 소모 열량의 정확성을 위해 복수의 물리량 센서를 조합하여 활동유형을 감지하는 알고리즘의 입력을 활용하도록 구현될 수 있다.
한편, 본 발명의 실시 예에 따른 활동 모니터링 시스템은, 사용자의 데이터를 수집하여, 사용자의 새로운 움직임에 대응하고 기존 움직임의 측정 정확도를 높이도록 구현될 수 있다. 이를 위하여, 활동 모니터링 시스템의 센서모듈은 사용자의 움직임을 저장하여 정해진 기능(활동유형 감지 및 활동 소모 열량 추정 등)을 수행하는 동시에 저장한 데이터를 지속적으로 수집하여 한 개인의 데이터를 축적할 수 있다.
실시 예에 있어서, 빅데이터, 그리고 딥러닝을 활용하면 사용자 개인의 데이터가 계속 축적되고, 활동 모니터링 시스템은 사용자의 패턴을 더욱 잘 인식할 수 있다. 또한, 본 발명의 활동 모니터링 시스템은, 새로운 움직임이 발생시 사용자의 행동양태에 따른 활동유형 구분을 다양화시킴으로써 사용자의 활동 유형 변화에 적응하도록 구현될 수 있다.
본 발명의 실시 예에 따른 활동 모니터링 시스템은, 기본적으로 활동유형 구분 및 활동에 기인한 활동 소모 열량을 추정하는 기능을 수행하는 웨어러블/착용형 기기를 포함할 수 있다.
도 1은 본 발명의 실시 예에 따른 활동 모니터링 시스템을 예시적으로 보여주는 블록도이다. 도 1을 참조하면, 활동 모니터링 시스템(100)은, 본체(120) 및 본체가 사용자의 신체에 결합하는 결합부(140)을 포함할 수 있다.
본체(120)는 센서부(121), 디지털 처리부(122), 입력부(123), 저장부(124), 상태 표시부(125), 통신부(126), 및 전원부(127)를 포함할 수 있다.
센서부(121)는 사용자의 신체에 부착될 수 있는 복수의 물리량 센서들을 포함할 수 있다. 실시 예에 있어서, 센서부(121)는 1.5 ~ 6g, 3-axis, analog type 으로 구현될 수 있다.
실시 예에 있어서, 센서부(121)는 움직임을 알아내는데 필요한 센서들을 포함할 수 있다. 예를 들어, 센서부(121)는 가속도 센서와 함께 자이로센서, 온도센서, 고도센서 등의 보조수단들이 조합될 수 있다.
또한, 이러한 센서들은, 여러 개가 복수개로 신체, 의류 및 엑세서리 형태로 착용되어 사용가능하다.
한편, 센서들의 착용 위치와 형태의 실시 예는 아래 표 1과 같다.
위치 착용 형태
허리 개별 착용형 또는 벨트 버클내 등
손목(팔, 손) 개별 착용형 또는 시계 일체형, 아대형태, 팔찌형태, 반지형태 등
발목(발) 개별 착용형 또는 양말 및 신발 결합형, 깔창형 등
머리 안경(부착형 또는 프레임내 삽입형, 안경 일체형 등), 헤어핀 형태의 고정물, 귀걸이/귀찌 형태의 악세서리, 이어폰/헤드폰 형태 (내부삽입 또는 외부 결합형)
의류 상/하의 (의류 부착형 또는 의류 일체형, 의류내 삽입형 등)
단독형 지갑 등에 삽입 가능한 카드형, 지갑내 삽입형(일체형), 단추, 브로치 형태로 신체/의류 부위에 착용 가능형태
디지털 처리부(122)는 물리량 센서들로부터 측정된 신호를 처리하도록 구현될 수 있다. 예를 들어, 디지털 처리부(122)는 MSP430(TI)을 포함하도록 구현될 수 있다. 예를 들어, 디지털 처리부(122)는 저전력 소비하는 12 비트의 아날로그 디지털 컨버터를 포함하도록 구현될 수 있다.
입력부(123)는 사용자로부터 특정한 입력을 받도록 구현될 수 있다. 예를 들어, 입력부(123)는 2 입력 스위치들로 구현될 수 있다.
저장부(124)는 측정된 데이터 및 수집된 데이터를 저장하도록 구현될 수 있다.
상태 표시부(125)는 사용자에게 상태를 표시해주도록 구현될 수 있다. 예를 들어, 상태 표시부(125)는 4개의 LEDs(light emitting diodes)로 구성될 수 있다.
통신부(126)는 외부의 장치와 유/무선으로 통신하도록 구현될 수 있다. 예를 들어, 통신부(126)는 USB 통신을 수행하도록 구현될 수 있다.
전원부(127)는 활동 모니터링 시스템(100)의 내부의 구성들에 전력을 공급하거나 전원을 충전하도록 구현될 수 있다. 실시 예에 있어서, 전원부(127)는 배터리를 포함할 수 있다. 예를 들어, 전원부(127)는 Li-Polymer 배터리로 구현될 수 있다. 실시 예에 있어서, 전원부(127)은 배터리를 충전하기 위한 배터리 충전 유닛을 포함할 수 있다.
결합부(140)는 사용자의 활동 모니터링 시스템(100)의 착용 혹은 삽입을 위하여 구현될 수 있다. 예를 들어, 결합부(140)는 클립 혹은 벨크로(Velcro) 밴드로 구현될 수 있다.
또한, 본 발명의 실시 예에 따른 활동 모니터링 시스템(100)의 샘플링 레이트는 상황(예, 사용자의 활동 유형)에 따라 다르게 함으로써, 데이터량과 전력소모를 줄일 수 있다. 예를 들어 앉아있음을 감지하였을 때는 활동성이 떨어짐으로써 다시 일어섬을 감지할 때까지 샘플링 레이트를 낮출 수 있다.
한편, 본 발명의 활동 모니터링 시스템(100)의 동작 방법(알고리즘)은 다음과 같다.
활동유형을 추정하는 알고리즘은, 기저활동과 활동 유형 두 단계로 추정되는 방식을 적용하여 사용자에게 걷고 뛰는 등의 행위를 너머 운동의 종목을 추정하는 방법을 적용함으로써 사용자에게 고차원적인 활동 기록을 제공할 수 있다.
기저 활동은 일상의 움직임이 되는 기본 활동 요소로써, 아래와 같은 예시로 나타낼 수 있다. 기저 활동 (Basis Activity)은 아래의 표 2와 같이 정의할 수 있다.
표기 기저 활동 비 고
a0 누워있기 자는 것과 같은 가장 편안한 자세
a1 앉아있기 의자에 앉기
a2 서있기
a3 돌아서기 좌/우, 90°/180°/360°
a4 걷기 천천히 / 빠르게 (개인별 편안한 속도)
a5 뛰기 천천히 / 빠르게 (개인별 편안한 속도)
a6 계단 올라가기 걸어서 / 뛰어서
a7 계단 내려가기 걸어서 / 뛰어서
a8 제자리뛰기
an Etc. 기타 활동요소 확장 가능
상술된 기저활동을 활용하여 아래 예와 같은 활동유형을 정의할 수 있다. 활동 유형 (Activity Type)은, 기저활동에서 정의된 요소들의 조합으로 구성되는 활동의 유형을 표시할 수 있다. 예를 들어 아래와 같은 정의가 가능하다. A1 = {…, a4 , a3 , a8 , … , a4 , a5 ,… , a8 , …}의 경우 농구로 분류 가능하다. A2, A3, A4 … 등을 축구, 조깅하기 등의 활동 형태로 유추 가능하다.
또한, 본 발명의 활동 유형을 추정하는 알고리즘은 기저활동에 대한 구분을 통해 기저활동에 대한 열소모량을 추정할 수 있다. 이는 미리 실험으로 구한 실험데이터와 비교함으로써 추정되거나 또는 MET(metablic equivalent of tack)를 참조하여 추정될 수도 있다.
한편, 본 발명의 실시 예에 따른 알고리즘은 머신 러닝(machine learing)을 이용할 수 있다. 예를 들어, 머신 러닝은 인공 신경망(artificial neural network)일 수 있다.
도 2는 본 발명의 실시 예에 따른 알고리즘의 일 실시예로써의 인공 신경망을 예시적으로 보여주는 도면이다. 도 2를 참조하면, 먼저 각각의 기저 활동을 알아내기 위해 실험을 통해 얻은 가속도 데이터를 분석하여 특징들을 뽑고, 이를 인공신경망의 입력으로 활용하고, 출력은 결정하고자 하는 기저 활동으로 정의될 수 있다. 또한 최적의 은닉 계층(hidden layer)의 노드 개수를 결정함으로써, 최적화된 결과가 도출 될수 있다.
도 3은 본 발명의 실시 예에 따른 알고리즘의 3 단계 인공 신경망을 예시적으로 보여주는 도면이다. 도 3을 참조하면, 스테이지 1는, 3개의 특징들을 구성된 입력 노드들, 6개의 은닉 계층 노드, 그리고 4개의 기저활동으로 구성된 출력 노드들로 구현될 수 있다. 실시 예에 있어서, 4개의 기저활동은 걷기, 뛰기, 계단 오르내리기, 제자리 뛰기(그림에서는 줄넘기로 표기) 가 될 수 있다. 이들로 활동 소모 열량을 추정할 수 있는데, 활동 소모 열량은 행동의 변이가 큰 경우 매우 큰 값의 범위를 가지므로 정확한 측정이 어려울 수 있다.
스테이지 2는, 걷기의 경우 천천히 걷기와 빨리 걷기, 뛰기는 천천히 뛰기와 빨리 뛰기, 그리고 계단은 올라가기와 내려가기의 두 가지로 세분화된 서브 분류들을 포함할 수 있다. 이렇게 세분화 시킬 때, 실험으로 구한 활동 소모 열량값(열량 측정값)의 분포 범위가 좁아짐으로서, 정확한 측정값이 계산될 수 있다.
스테이지 3는, 상술된 세분화된 활동 유형으로 각각의 활동 소모 열량값을 적용하여 데이터 피팅을 하고, 그 결과로써 최종적으로 사용자의 활동 소모 열량을 제공할 수 있다.
따라서, 스테이지 1에서의 활동유형 제공, 스테이지 2에서의 세분된 유형 제공, 스테이지 3에서의 활동유형별 소모 열량의 정확성 제고 등이 가능하게 된다.
인공신경망에 사용될 입력 특징들의 후보는 여러 가지가 있다.
도 4는 본 발명의 실시 예에 따른 인공신경망에 사용될 입력 특징들을 예시적으로 보여주는 도면이다. 도 4를 참조하면, accX, accY, accZ 는 가속도 센서의 3축의 방향이며, accYZ, accXYZ는 해당 축의 합벡터이다. 이러한 특징들은 예시적이 실시 예들에 불과하며, 실제 활용할 때는 이에 국한되지 않고 더 많은 것을 활용할 수 있다.
본 발명의 특징들, 은닉 계층 노드, 그리고 구분 활동 등을 정리한 일 실시예는 아래의 표 3과 같이 표현될 수 있다.
Network
I-H-O 		Features for network input Targets
Stage 1
Classification
3-6-4		 Range, std, sum of power (vertical axis) Walking,
Running,
Stairs moving,
Jumping rope
Stage 2-1
Classification
3-5-2		 std, 1st peak freq, max peak freq (vertical axis) Walking slow, walking fast
Stage 2-2
Classification
8-10-2		 Range, std, sum of power (vertical axis) // Mean, sum of power (sagital axis) // std (vector sum of transverse and sagital axis by here) // std, sum of power (vector sum of all 3 axes) Running slow,
Running fast
State 2-3
Classification
6-6-2		 std, 1st peak freq, 1st peak power, max peak freq, sum of power (vertical axis)//std(transverse axis) Stairs ascending, Stairs descending
Stage 3
Data fitting
5-H(7~9)-1		 Range, std, sum of power (vertical axis) // std, sum of power (vector sum of all 3 asxes) Consumed calories
(for each activity)
위 실시예에 따른 결과를 하기 표와 같이 정리하였다. 표 4는 스테이지 1의 네가지 기저활동을 구분하는 활동분류에 대한 결과이다.
Network Output Actual Activity (Target)
1
walking		 2
running		 3
stairs moving		 4
jumping rope
1 95.97 4.03 1.61 1.61
2 0.81 93.55 0.81 8.06
3 3.23 0.81 96.77 0.00
4 0.00 1.61 0.81 90.32
표 5는 스테이지 2의 기저활동 세분화에 대한 결과이다.
Stage 2-1 (waling) 2-2 (running) 2-3 (stairs)
Output Actual Activity (Target)
1=slow 2=fast 1=slow 2=fast 1=up 2=down
1 88.71 14.52 88.71 20.97 93.55 9.68
2 11.29 85.48 11.29 79.03 6.45 90.32
표 6은 스테이지 1~3을 거쳤을 때의 활동 소모 열량 추정 결과와 스테이지 2가 생략된 채로 활동 소모 열량을 추정한 결과를 비교한 표이다.
3-Stage 3-1 3-2 3-3 3-4 3-5 3-6 3-7
# 8 7 9 9 9 8 9
mse 0.83 1.61 3.44 7.40 1.68 0.62 10.45
error rate 13.72 15.51 14.51 18.70 23.58 25.62 14.97
2-Stage 3-1 & 3-2 3-3 & 3-4 3-5 & 3-6 3-7
# 10 8 16 9
mse 1.85 8.49 2.02 10.45
error rate 18.05 21.24 26.78 14.97
또한, 본 발명의 활동 모니터링 시스템은 섭취 열량을 추정할 수 있는 있다. 일 실시예로, 이를 위한 센서로써 이미지 센서를 활용하며 안경의 다리가 접히는 경첩 부분에 존재하여 시선 방향의 정보를 수집할 수 있다. 이 경우 음식의 절대 열량을 알아내는 방법과 상대적 열량을 추정해내는 방법이 있다.
먼저 절대 열량을 추정하려면 음식의 종류를 이미지 센서로부터 수집하고, 이를 영상처리 기법으로 음식물의 종류를 알아낸다. 일 실시예로 분류 방법이 있는데, 많은 영상을 확보하여 딥러닝 등의 방법으로 학습하여 유사한 종류의 음식을 알아낸다. 또한 손과 젓가락, 포크 등이 향하는 곳의 음식을 얼마나 섭취하는지 알아낼 수 있어 여러 사람이 함께 식사하는 경우에도 사용자가 섭취한 식사량을 알아낼 수 있다. 아래와 같은 예시로써 섭취물의 분류(예 한식/밥)가 가능하다면 섭취량 정보가 추가될 경우 섭취량의 추정이 가능하다. 물론 더욱 세부적인 정보가 있다면 좋겠으나 어느 정도의 분류와 섭취량 측정만으로도 섭취열량의 추정이 가능하므로 효율적인 사용을 위한 섭취량 추정 방법으로 접근이 가능하다.
한식류: 밥류 (쌀밥, 잡곡밥, 보리밥 등),나물류 (각종 푸른잎 채소, 콩나물 등), 김치류 (배추김치, 물김치, 동치미, 열무김치 등), 국류 (각종 국류), 육류 (불고기, 갈비, 장조림, 제육볶음, 닭고기 등), 기타 단백질 (콩, 달걀, 우유 등), 죽류 (전복죽, 호박죽 등)
양식류: 스테이크 (각종 스테이크), 샐러드류 (육류 포함여부 확인), 스프류 (각종 스프류), 디저트류 (케??, 아이스크림 등 각종 후식류), 피자류 (각종 피자류)
주류: 증류주류 (위스키, 브랜디, 보드카, 고량주 등의 고알코올 함유 주류), 와인류 (레드, 화이트, 스파틀링 등의 각종 와인류로써 중등도의 알코올 함유 주류), 전통주 (막걸리 등의 주류), 맥주류 (각종 맥주류)
간식류: 과자, 초콜렛, 사탕 류
각종 음료류: 탄산음료류 (콜라, 사이다 등), 일음료류 (오렌지 주스 등), 류 (커피, 녹차 등), 기타음료류 (각종 이온음료, 에너지 드링크류 등), 생수류 (생수, 탄산수 등)
한편, 본 발명의 실시 예에 따른 활동 모니터링 시스템의 센서들 각각은 모두 가속도를 기록할 수 있는 저장공간, 그리고 저장된 가속도로부터 위 방법으로 활동유형, 활동 소모 열량을 제공해줄 수 있다. 이때 기록된 활동에 의한 데이터, 환경에 대한 데이터 등 센서부로부터 획득한 데이터는 디지털 처리부를 거쳐 저장부에 저장될 수 있다. 이는 통신부를 거쳐 유/무선의 방법으로 사용자의 단말기로 전송될 수 있다. 이때 단말기는 스마트폰, 사용자 PC 등이 될 수 있다. 또한 이 데이터는 서비스를 제공하는 주체의 중앙 서버로 전송되기도 한다.
먼저, 사용자 단말기에서는 사용자의 데이터를 모아 일종의 빅데이터화 될 수 있다. 예를 들어, 딥러닝의 방법은 무감독학습의 방법과 감독학습의 방법을 모두 이용하여 더 좋은 결과를 나타낼 수 있다. 따라서, 사용자의 데이터를 지속적으로 누적하고, 지속적으로 학습하는데 활용하면, 본 발명의 활동 모니터링 시스템은 사용자에게 더욱 정확한 측정 시스템으로 진화될 수 있다.
또한 사용자의 데이터를 확보하여 self organizing map (SOM)과 같은 클러스터링 기법을 통해 기존의 기저활동과 다른 형태의 활동 유형이 발견되었을 때, 이를 중앙의 서버로 전송할 수 있다. 이러한 서비스 주체는 새로운 활동유형을 분석하여 기저활동을 추가할 수 있다. 또한, 사용자 단말기를 통해 네트워크를 활용한 프로그램 업데이트 방법으로 사용자 측정기기의 기저활동 유형을 추가할 수 있다.
나아가 수집된 사용자의 데이터는 사용자의 단말기에서 중앙 서버로 전송되고, 중앙 서버에서는 여러 사용자들의 데이터를 분석하여 활동유형 추정 및 활동 소모 열량 알고리즘을 개선하는데 활용할 수 있다.
도 5는 본 발명의 실시 예에 따른 활동 모니터링 시스템의 소모 열량 측정 방법을 예시적으로 보여주는 도면이다. 도 1 내지 도 5를 참조하면, 활동 모니터링 시스템(100)의 소모 열량 측정 방법은 다음과 같다.
활동 모니터링 시스템(100)의 센서부(121)를 구성하는 적어도 하나의 감지 센서로부터 사용자의 데이터가 수집될 수 있다(S110). 실시 예에 있어서, 데이터 수집은 주기적으로 혹은 비주기적으로 수행될 수 있다. 실시 예에 있어서, 데이터 수집은, 사용자의 요청에 응답하여 혹은 자체적인 정책에 따라 수행될 수 있다.
사전에 결정된 알고리즘에 의거하여 수집된 데이터에 대응하는 사용자의 활동이 분류될 수 있다(S120). 예를 들어, 도 3에 도시된 바와 같이, 인공 신경망을 통하여 복수의 기저 활동들(걷기, 뛰기, 계단 이동, 러닝 등)이 분류될 수 있다.
이후에, 사전에 결정된 알고리즘에 의거하여 분류된 기저 활동의 강도가 분류될 수 있다(S130). 예를 들어, 도 3에 도시된 바와 같이, 빠르게 걷기와 느리게 걷기, 빨리 뛰기와 느리게 뛰기, 혹은 계단 올라가기와 계단 내려가기 등이 세부적으로 분류될 수 있다.
이후에, 세분화된 사용자의 활동 유형에 대응하는 활동 소모 열량이 계산될 수 있다(S140).
본 발명의 활동 모니터링 시스템(100)의 소모 열량 측정 방법은 활동 유형을 보다 세분화시켜 분류하고, 이에 따른 열량 소모를 계산함으로써, 보다 정확한 열량 소모를 측정할 수 있다.
한편, 상술 된 본 발명의 내용은 발명을 실시하기 위한 구체적인 실시 예들에 불과하다. 본 발명은 구체적이고 실제로 이용할 수 있는 수단 자체뿐 아니라, 후,장차 기술로 활용할 수 있는 추상적이고 개념적인 아이디어인 기술적 사상을 포함할 것이다.
100: 활동 모니터링 시스템
120: 본체
140: 결합부
121: 센서부
122: 디지털 처리부
123: 입력부
124: 저장부
125: 상태 표시부
126: 통신부

Claims (14)

  1. 활동 모니터링 시스템의 소모 열량 측정 방법에 있어서:
    사용자에 착용된 적어도 하나의 감지 센서로부터 열량 소모와 관련된 데이터를 수집하는 단계;
    상기 수집된 데이터에 대응하는 상기 사용자의 활동 유형을 분류하는 단계;
    상기 활동 유형의 강도를 분류하는 단계; 및
    상기 활동 유형의 강도에 대응하는 소모 열량을 계산하는 단계를 포함하는 방법.
  2. 제 1 항에 있어서,
    상기 적어도 하나의 감지 센서는 가속도 센서를 포함하는 방법.
  3. 제 1 항에 있어서,
    상기 사용자의 활동 유형을 분류하는 단계는,
    상기 수집된 데이터를 분석하여 특징들을 도출하는 단계; 및
    상기 특징들을 머신 러닝의 입력들로 이용하여 기저 활동으로 결정하는 단계를 포함하는 방법.
  4. 제 3 항에 있어서,
    상기 활동 유형의 강도를 분류하는 단계는,
    상기 기저 활동을 적어도 2개 이상의 강도로 분류하는 단계를 포함하는 방법.
  5. 제 4 항에 있어서,
    상기 소모 열량을 계산하는 단계는,
    상기 분류된 기저 활동의 강도에 대응하는 열량 소모량을 추정하는 단계를 포함하는 방법.
  6. 제 4 항에 있어서, 상기 머신 러닝은 인공 신경망인 방법.
  7. 제 1 항에 있어서,
    이미지 센서를 통하여 섭취할 음식의 열량을 추정하는 단계를 더 포함하는 방법.
  8. 제 7 항에 있어서,
    상기 섭취할 음식의 열량을 추정하는 단계는,
    상기 섭취할 음식을 분류하는 단계;
    상기 분류된 음식의 섭취량을 추정하는 단계; 및
    상기 추정된 섭취량에 대응하는 열량을 계산하는 단계를 포함하는 방법.
  9. 제 1 항에 있어서,
    상기 수집된 데이터를 디지털 처리하는 단계; 및
    상기 디지털 처리된 데이터를 저장하는 단계를 더 포함하는 방법.
  10. 제 1 항에 있어서,
    상기 수집된 데이터를 외부의 서버로 전송하는 단계를 더 포함하는 방법.
  11. 제 1 항에 있어서,
    상기 수집된 데이터를 빅데이터 및 딥러닝을 이용하여 저장하는 단계; 및
    상기 저장된 데이터를 이용하여 상기 사용자의 패턴을 인식하는 단계를 더 포함하는 방법.
  12. 제 11 항에 있어서,
    상기 사용자의 활동 유형 변화에 적응하도록 상기 사용자의 새로운 움직임이 발생시 상기 사용자의 행동 양태에 따른 활동 유형을 다양하게 구분하는 단계를 더 포함하는 방법.
  13. 제 1 항에 있어서,
    상기 사용자의 활동 유형에 따라 샘플링 레이트가 다른 방법.
  14. 사용자에 결합된 복수의 감지 센서들을 갖는 센서부;
    상기 센서부로부터 수집된 데이터를 처리하는 디지털 처리부;
    상기 처리된 데이터를 저장하는 저장부; 및
    상기 디지털 처리부의 처리 결과에 따른 사용자의 상태를 표시하는 상태 표시부를 포함하고,
    상기 디지털 처리부는,
    인공 신경망을 이용하여 상기 수집된 데이터에 대응하는 기저 활동을 분류하고, 상기 기저 활동의 강도를 결정하고, 상기 기저 활동의 강도에 대응하는 열량 소모를 추정하는 활동 모니터링 시스템.
KR1020150118194A 2015-08-21 2015-08-21 활동 모니터링 시스템 및 그것의 소모 열량 측정 방법 KR20170022770A (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020150118194A KR20170022770A (ko) 2015-08-21 2015-08-21 활동 모니터링 시스템 및 그것의 소모 열량 측정 방법
US15/242,038 US20170053553A1 (en) 2015-08-21 2016-08-19 Activity monitoring system and method for measuring calorie consumption thereof

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020150118194A KR20170022770A (ko) 2015-08-21 2015-08-21 활동 모니터링 시스템 및 그것의 소모 열량 측정 방법

Publications (1)

Publication Number Publication Date
KR20170022770A true KR20170022770A (ko) 2017-03-02

Family

ID=58158335

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020150118194A KR20170022770A (ko) 2015-08-21 2015-08-21 활동 모니터링 시스템 및 그것의 소모 열량 측정 방법

Country Status (2)

Country Link
US (1) US20170053553A1 (ko)
KR (1) KR20170022770A (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200029180A (ko) * 2018-09-10 2020-03-18 인하대학교 산학협력단 Ai 기반의 스마트 코칭 방법

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
GB201718164D0 (en) * 2017-11-02 2017-12-20 Imperial Innovations Ltd Sensor device for classification of data
KR102152717B1 (ko) 2018-08-28 2020-09-07 한국전자통신연구원 휴먼 행동 인식 장치 및 방법
US20240303967A1 (en) * 2021-06-26 2024-09-12 Auctify, Inc. Wearable apparatus and method of detecting activities therewith

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20130158367A1 (en) * 2000-06-16 2013-06-20 Bodymedia, Inc. System for monitoring and managing body weight and other physiological conditions including iterative and personalized planning, intervention and reporting capability
US8371729B2 (en) * 2004-11-15 2013-02-12 Streamlight, Inc. Light with keying arrangement mountable on a mounting rail
WO2008032315A1 (en) * 2006-09-11 2008-03-20 Eldad Shemesh Training and instructing support device
US20110288784A1 (en) * 2009-02-23 2011-11-24 Wellcore Corporation Monitoring Energy Expended by an Individual
US9171482B2 (en) * 2012-02-09 2015-10-27 Abraham Carter Providing diet and exercise plans with real time tracking, modification, and notification

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200029180A (ko) * 2018-09-10 2020-03-18 인하대학교 산학협력단 Ai 기반의 스마트 코칭 방법

Also Published As

Publication number Publication date
US20170053553A1 (en) 2017-02-23

Similar Documents

Publication Publication Date Title
US9750977B2 (en) Hybrid angular motion sensors
CN104208865B (zh) 具有高度计的健身监视装置
CN105852841B (zh) 心率数据收集
Shen et al. Assessing the accuracy of a wrist motion tracking method for counting bites across demographic and food variables
US9568492B2 (en) Fitness monitoring device with altimeter and gesture recognition
US9597014B2 (en) GPS accuracy refinement using external sensors
US9314206B2 (en) Diet and calories measurements and control
US20190082985A1 (en) Optical device for determining pulse rate
US8712108B2 (en) Information processing apparatus, information outputting method and computer program storage device
US9079060B2 (en) Use of gyroscopes in personal fitness tracking devices and bicycling activities
US20170188864A1 (en) Spherical handheld biosensor array device for physiological status monitoring
US20160071423A1 (en) Systems and method for monitoring an individual's compliance with a weight loss plan
CN106073737A (zh) 可佩戴心率监视器
KR20170022770A (ko) 활동 모니터링 시스템 및 그것의 소모 열량 측정 방법
CN106037688B (zh) 一种基于智能手环的老年人饮食建议系统和方法
WO2014099255A1 (en) Systems and methods for determining caloric intake using a personal correlation factor
WO2016061668A1 (en) Device and method for identifying subject's activity profile
CN107209050A (zh) 用于监测用户重量的变化的装置和方法
CN206390901U (zh) 人体智能营养检测装置
Huang An assessment of the accuracy of an automated bite counting method in a cafeteria setting
CN108308867A (zh) 健康智能茶几
WO2016184089A1 (zh) 信息获取方法、装置和计算机存储介质
Eskandari Bite detection and differentiation using templates of wrist motion
Weghorn Experimental investigation of the usfulness of bracelet trackers in sports and health monitoring-critical evaluation of a new handheld activity monitoring device class
CN108654063A (zh) 一种户外跑步用的心率获取设备及心率获取方法