Responsive Healthcare System for Posture Correction Using Webcam-Based Turtle Neck Syndrome Discrimination Algorithm

웹캠 기반 거북목 판별 알고리즘을 활용한 자세 교정 반응형 헬스케어 시스템

Abstract

This study developed a responsive healthcare system that users can easily use in real life to prevent turtle neck syndrome by posture correction. We propose a system that naturally induces direct posture improvement by adjusting the height with a responsive cradle through a turtle neck discrimination algorithm detecting the turtle neck posture in real time using a webcam. The turtle neck algorithm was developed based on machine learning, using the points that the distance relationship between the jaw line and the shoulder varies depending on the posture. For the younger age group, which is particularly problematic due to the increase in the use of IT devices, image data in different situations according to the height and posture of the cradle was collected and learned as a support vector machine classifier. In addition, a height-adjustable cradle that can support a laptop has been created and expanded into a responsive cradle that can be controlled with software by interlocking with the Arduino. Therefore, this service enables posture correction of many modern people suffering from turtle neck syndrome and will become an essential platform in the increasing online environment in the non-contact era.

1. 서론

거북목 증후군은 전방 머리 자세(Forward Head Posture, FHP)라고도 불리며, 거북이가 목을 뺀 상태와 비슷하다 하여 그 이름이 붙여졌는데, 목의 앞 근육이 길어지고, 위쪽 근육이 짧아져 몸통에 비해 머리가 앞으로 나와 있는 자세를 말한다. 디지털 기기의 사용이 일상화되고 인터넷, 스마트폰 등의 사용증가로 거북목 증후군은 현대인들에게 뗄 수 없는 질병으로 자리 잡았다. 국민건강보험공단의 건강보험 빅데이터 결과에 따르면, 거북목 증후군 진료를 받은 사람은 2011~2016년, 5년간 239만 700명에서 269만 6000명으로 총 29만 9000명이 늘었고, 연평균 증가율은 2. 4%라고 한다[1]. 특히, 태플릿 PC, 스마트폰, 노트북 등의 전자기기 사용이 잦은 학생, 직장인 등의 10~30대에게서 큰 문제가 되고 있다[2-3]. 그 뿐 아니라, 최근 코로나 19 확산 영향으로 교육, 업무 환경이 비대면으로 전환되면서 이러한 전자기기의 사용이 더욱 증가하게 되었다. 따라서 이러한 환경적인 요인으로도 거북목 증후군이 심각하게 우려되고 있는 상황이다. 거북목 증후군이 지속되면 단순한 목의 피로뿐 아니라, 목 디스크를 비롯한 신체 불균형으로 인한 외과적 질병을 야기할 수 있다. 일반적으로 자세가 바르지 못할 경우 근·골격 계에 점진적인 변화를 가져오며, 정상적인 척추의 만곡이 깨지면서 경부통증을 불러일으킨다[4-5]. 목 디스크와 경부통증 등과 같은 큰 질병으로 이어질 수 있는 거북목 증후군은 초기 치료가 중요하고, 꾸준한 자세 개선이 중요하다고 알려져 있다[6]. 하지만 거북목증후군은 초기에 인지하기가 어렵기 때문에 초기 치료 시기를 놓쳐 병이 심각하게 진행된 경우에 치료를 시작하는 경우가 많다. 그러나 거북목 증후군의 경우, 병이 진행된 후에는 고치기 어려우므로 특히 초기 진료와 예방이 매우 중요하다. 그러므로 거북목 증후군 환자의 증가와 초기 치료의 중요성은 별도의 측정 장비 없이 누구나 손쉽게 자가 진단할 수 있고 자세를 스스로 교정할 수 있는 서비스의 필요성을 강하게 시사한다.

이전 연구들에서도 자세를 추정하는 연구에 이어[7] 거북목 자세를 판별하기 위한 연구가 진행되어왔다. 예를 들어, 깊이 카메라 센서(Depth camera sensor)가 장착된 키넥트 카메라(Kinect camera)로부터 머리와 목의 depth 차이를 얻어 거북목을 판별하는 시스템이 제안되었다[8-9]. 또한, 거리 측정 센서(Time-of-Flight, ToF)와 서브 모터 등의 아두이노 센서를 이용하여 거북목을 판별하는 방식도 존재한다[10]. 이와 유사하게, 방석에 설치한 아두이노의 압력 센서의 값에 따라 앉은 자세를 분류하고, 값의 분포에 보간 기법을 적용하여 자세를 판별하는 시스템도 제안되었다[11]. 그러나 위에서 언급한 연구들은 공통적으로 별도의 장치를 필요로 한다. 별도의장치를 설치해야 할 경우 비용과 시간이 들뿐만 아니라, 일상 생활에서 손쉽게 사용하기 어렵다. 그뿐 아니라, 시중에 나와 있는 거북목 증후군과 관련된 상품들은 대부분 거북목 증후군이 발현된 후 기구를 통해 자세를 교정하는 데에 초점이 맞춰져 있다. 그러나 거북목 증후군이 발현이 된 이후의 치료보다는 거북목 증후군이 되지 않기 위한 예방이 훨씬 중요하므로, 일상 생활에서 별도의 장치 없이 누구나 손쉽게 바른 자세를 유지할 수 있도록 도움을 줄 수 있는 시스템이 필요한 실정이다.

따라서 본 논문에서는 노트북의 내장된 카메라만을 이용해 실시간으로 거북목 증후군 자세를 판별한 후, 반응형 거치대와 연동해 판별 결과에 따라 거치대가 제어되는 시스템을 제안한다. 이는 장시간 컴퓨터와 노트북을 하는 사용자가 일상 생활과 동일한 환경에서 무구속, 무자각으로 거북목 자세를 판별할 수 있게 한다. 뿐만 아니라, 높이 조절이 가능한 반응형 거치대를 통해서 실시간으로 직접적인 자세 교정이 가능하게 한다. 즉, 사용자의 자세에 따라 얼굴과 어깨와의 거리 관계 및 얼굴 광대 길이가 달라진다는 점을 이용하여 거북목 증후군 판별 알고리즘을 개발하고, 판별 결과에 따라 거치대의 높이를 조절하는 시스템을 개발하였다. 거치대의 높이에 따라서 거북목 증후군 판별 알고리즘을 다르게 설계하여 상황에 맞는 거북목 판별 성능을 높임으로써 실생활에서 효과적으로 판별이 가능한 거북목 증후군 진단 모델을 개발한다. 또한 본 논문에서는 반응형 거치대를 직접 제작하여 판별 알고리즘에 따라 반응형 거치대의 높이를 조절해, 굽은 허리와 목을 의식적으로 곧은 자세로 유도한다. 기존 연구에서는 하드웨어와 소프트웨어가 통합된 시스템이 제안된 바가 거의 없으며, 거북목 자세로 판별되었을 때 알람을 주거나 LED가 켜지며 경고를 주는 정도가 대부분이었다[10,12]. 그러나 사용자의 자세에 따라 거치대의 높이가 자동적으로 제어되면 보다 직접적인 자세 개선이 가능하므로 아두이노로 제어가 가능한 반응형 거치대를 과학 상자로 제작 후 연동하여 사용자 친화적 인터페이스를 통해 누구나 손쉽게 직접적인 자세 교정 및 자가진단이 가능하도록 하였다.

본 논문의 구성은 다음과 같다. 2장에서 본 논문의 기본 이론이 되는 거북목 자세 판단 기준과 서포트 벡터 머신(Support vector machine, SVM)기반의 알고리즘을 정의한 다음, 3장에서 제안하는 통합 시스템을 설명한다. 여기서는 거치대 높이에 따른 거북목 판별 알고리즘과 반응형 거치대를 중점으로 설명한다. 그리고 4장에서는 제안하는 시스템의 성능 평가를 위해 수행한 실험 방법과 적용된 알고리즘의 성능을 평가한 후, 5장에서 본 연구의 결론을 맺는다.

2. 이론

2. 1 거북목 증후군

거북목 증후군은 일상생활 중의 잘못된 자세를 오랫동안 유지하는 것에서 비롯된다고 추정하고 있으나, 일상 생활에 지장을 주지 않으면서 거북목 자세를 정량적으로 측정하기 쉽지 않으므로 명확한 상관관계를 알기 어렵다[13]. 기존에는 방사선으로 촬영한 영상을 통해 전방머리자세각도(Craniovertebral Angle, CV각도)를 측정하여 거북목 증후군을 판단하였다[14-15]. CV각도가 50° 미만일 경우에 일반적으로 거북목 증후군이라고 판단한다. 그러나 일상에서 CV각도를 정확하게 측정하는 것이 어려우므로, 좀 더 단순화된 방법으로 귀구슬로부터 견봉 점까지의 수평거리(Acromion distance)를 거북목 자세판별 기준으로 사용할 수 있다 (Fig. 1). 이 점들 간의 거리가 2. 5cm 이하이면 정상, 2. 5cm 이상 나오면 거북목이 진행되고 있는 상태이며, 5cm이상 나왔을 때는 심각한 거북목 상태로 판별할 수 있는 것으로 알려져 있다[16].

Fig. 1. Diagnosis criteria for turtle neck syndrome using acromial distance.

2. 2 SVM

사용자의 현재 자세가 거북목 자세인지 아닌지를 분류하기 위하여 SVM을 사용했다[17]. SVM은 머신 러닝 기법 중 지도 학습 모델의 하나로 분류에 주로 사용되고, 분류 성능이 뛰어나다고 알려져 있다 [18]. SVM은 식 (1) 과 같이 데이터를 분류하는 초평면들 중에서 마진을 최대로 하는 초평면을 찾는 알고리즘이다. 비선형 분류를 위하여 데이터를 고차원의 특징 공간에 사상하기 위해 사용되는 커널 트릭은가우시안 방사 기저 함수(Radial Basis Function, RBF)를 사용하였고, 해당 커널은 식 (2) 와 같이 표현된다. 본 연구에서는 최적의 성능을 내기 위해 0.001, 0.01, 0.1, 1, 10, 100의 범위 내에서 5-fold 교차검증을 사용한 grid search를 통해 C와 γ의 값을 조절하여 최적의 파라미터를 선정하였다.

\(\begin{array}{c} \text { Minimize }_{w \rightarrow \epsilon} \frac{1}{2}\|w\|^{2}+C \sum_{I=1}^{N} e_{i} \\ \text { subject to } y_{i}\left(w \cdot x_{i}-b\right) \geq 1-e_{i}, e_{i} \geq 0 \\ \text { for all } 1 \leq i \leq n . \end{array}\)       (1)

\(k\left(x_{i}, x_{j}\right)=\exp \left(-\gamma\left\|x_{i}-x_{j}\right\|^{2}\right) \text { for } \gamma>0\)       (2)

식 (1) 에서 x_i는 입력 데이터이고, y_i는 그에 대응하는 정답 데이터이다. w는 초평면의 법선 벡터이고, e_i는 에러 값으로 입력 데이터인 x_i가 잘못 분류된 정도를 의미한다.

3. 연구 방법

3. 1 실험 데이터 수집

디지털 기기 사용률이 높은 10~30대의 젊은 연령대의 7명(평균 21. 71세, 표준 편차 6. 24)을 대상으로 실험 데이터 수집을 진행하였다. 거치대가 올라가지 않은 상태와 거치대를 올린 상태 각각에서 거북목 자세와 바른 자세를 나누어 2분 동안 타자 연습을 진행하였다. 2분 동안의 웹캠 영상은 1초에 2프레임씩 이미지를 생성한 후, 생성된 이미지 데이터를 학습에 이용하였다. 이는 미세한 자세 변화를 감지할 수 있도록 충분한 학습 데이터를 제공한다.

3. 2 거북목 증후군 판별 알고리즘

본 논문에서는 2단계로 높이가 조절되는 거치대의 높이 단계에 따라 판별 알고리즘을 다르게 제안한다. 먼저, 거치대가 낮을 때에는 웹캠으로 찍히는 영상 이미지에서 거북목 자세 여부에 따라 얼굴의 턱선과 어깨 선 간의 거리 변화가 나타나는 것을 확인하였다(Fig. 2(a)). 그러나 거리값 자체를 기준으로 삼을 경우 노트북과 사용자 거리에 따라 값이 달라질 수 있음을 고려하여 턱선과 어깨선 간의 거리를 얼굴 광대 길이로 나눈 값을 모델 학습에 사용하였다. 거치대가 올라가 높은 위치에 있는 경우에는 웹캠의 영상 이미지에 어깨가 찍히지 않는 경우가 많이 발생하여 낮은 위치에서 사용한 값을 동일하게 사용하는 것이 불가능하므로, 얼굴 광대 길이를 비교하였다(Fig. 2(b)). 거북목 자세가 되면 어깨가 올라가고 목이 빠지면서 얼굴이 노트북 화면에 가까워져 바른 자세일 때보다 얼굴 광대의 길이가 길어진다. 따라서 거치대가 올라간 상태에서는 얼굴 광대 길이를 거치대가 낮은 위치에 있고, 바른 자세일 때의 얼굴 광대 길이와 비교하여 더 긴 경우에 거북목 자세로 판별하였다. 사람마다 광대 길이가 차이가 나서 잘못된 판단을 하는 것을 방지하기 위하여 현재 얼굴 광대 길이를 자신의 바른 자세일 때 얼굴 광대 길이와 비교하도록 하였다.

Fig. 2. Discrimination algorithm development background. (a) Difference between the face(jaw) and shoulders when the height of the cradle is low. (b) Difference between the length of cheekbone of the face when the height of the cradle is high.

Fig. 3에 제안하는 거치대의 높이에 따른 거북목 판별 알고리즘의 전체적인 흐름도를 나타내었다. 먼저 얼굴의 특징점들을 추출하기 위해서 Dlib 라이브러리를 사용하였고[19], 자세를 나타내는 특징 점들을 찾아내기 위해서 MPII(Multi-Person Dataset)로 이미 학습된 모델을 OpenCV로 로드하여 사용하였다[20]. OpenCV는 인텔에서 제공하는 오픈 소스 컴퓨터 비젼 C 라이브러리로 본 연구에서는 파이썬 버전인 PyOpenCV2.1.0버전을 이용하였다[21]. 영상장치는 노트북 전면 상단에 위치한 내장 를d]카메라를사용하였다. shape_predictor_68_face_landmarks.dat 를 사용하는 Dlib 라이브러리의 모델은 얼굴을 감지하여 해당 얼굴 랜드 마크를 분석하여 눈썹, 눈, 코, 입 등을 포함한 68개의 특징점들을 추출한다. MPII로 학습된 모델의 경우, 인간의 자세를 감지하여 어깨, 팔꿈치 등을 포함한 18개의 특징점들을 추출한다.

Fig. 3. Flow charts of discrimination algorithms according to the height of the responsive cradle, (a) when the height of the cradle is low, and (b) when the height of the cradle is high.

먼저, 거치대 높이가 낮을 때는 웹캠으로 찍는 영상에 얼굴과 어깨가 모두 나온다고 가정한다. 첫째, Dlib 라이브러리로 얻을 수 있는 얼굴의 특징점 68개 중 광대 끝점과 턱 끝에 해당하는 2, 16, 9번의 총 3개의 점을 사용했다(Fig. 4(a)). 처음에는 움직임이 큰 눈과 입을 제외한 1번 ~36번 점들을 모두 학습에 사용했으나, 3개의 점만 사용했을 때와 정확도를 비교했을 때 거북목 분류 성능 차이가 거의 나지 않았다. 따라서 계산 효율을 위하여 2, 9, 16번 3개의 점으로도 거북목 자세를 판단하는데 충분하다고 판단하였다. 둘째, MPII모델로부터 추출된 자세의 특징점 18개 점 중에서는 어깨에 해당하는 2, 5번 두 개의 점만 추출해 각 점의 y축 높이 평균을 구했다(Fig. 4(b)). 셋째, 구한 어깨 점들의 높이 평균에 수평선을 그린 후, 얼굴에서 추출한 3개의 점에서 각각 수선의 발을 내린 거리 값을 구한다(Fig. 4(c)). 이후에 얼굴 특징점 중 2번과 16번 점의 x축 값의 차를 이용해 얼굴 광대 길이를 구한 값(Fig. 4(d))으로 수선의 발을 내린 세 개의 거리 값을 각각 나누어 준다. 이렇게 계산된 세 개의 값들을 SVM 분류기의 입력 특징으로 사용하였다. 초기 아이디어로는 Fig. 4(c)처럼 3개의 얼굴 점에서 어깨 점의 수평선에 수선의 발을 내린 거리값을 그대로 분류기의 입력값으로 사용했으나, 사람마다 노트북 웹캠과의 거리가 달라지는 문제를 발견하였다. 따라서 광대 거리를 이용한 비율 값으로 분류기의 입력값을 조정하여 사용하는 것으로 발전시켰다.

Fig. 4. Turtle neck syndrome discrimination algorithm. (a) Facial points extracted using Dlib (#2, #9, #16), (b) Shoulder points extracted using MPII Pose Keypoints model (#2, #5), (c) The process of calculating three values which are the distances between three facial landmarks from (a) and the horizontal line of the average height of the two shoulder points, and (d) the distance between the facial cheekbones used to adjust as ratio values.

거치대 높이가 높을 때에는 노트북 웹캠의 높이가 올라가면서 촬영 화면에 어깨는 보이지 않고, 얼굴만 보이게 된다. 즉, 거치대의 높이가 낮을 때 얼굴과 어깨 간의 거리 관계를 이용한 거북목 판별 알고리즘을 사용할 수 없다. 따라서 거치대의 높이가 높을 때 거북목 자세가 나타나는 경우, 목이 빠져 화면에 얼굴이 가까워진다는 점을 이용했다. 거치대의 높이가 낮았을 때와 마찬가지로 얻은 얼굴 점 68개 중 광대 양 끝에 해당하는 2번, 16번 총 2개의 점을 사용해두 점 간의 x값의 차(거리)를 계산한 얼굴 광대 길이 값으로 거북목 자세 판별을 진행했다(Fig. 4(d)). 거치대의 높이가 낮을 때, 바른 자세인 경우에만 얼굴 광대 길이를 측정해 값들을 저장한다. 이후에 거치대의 높이가 높아졌을 때, 동일한 방법으로 얼굴 광대 길이를 측정한 후, 거치대의 높이가 낮을 때 저장한 얼굴 광대의 길이들 중 최댓값과 비교한다. 즉, 거치대 높이가 올라갔을 때의 현재 얼굴 광대 길이가 거치대 높이가 낮았을 때 바른 자세의 얼굴 광대 길이보다 크면 거북목 자세로 판별된다. 동일한 사용자 의거 치대 높이가 낮을 때 측정한 데이터를 거치대의 높이가 높을 때 거북목 판별에 활용하므로 별도의 학습이 필요하지 않다.

3. 3 SVM 모델 학습 및 성능 평가 방법

거북목 자세 판별 알고리즘을 학습시키기 위해 실험에 참여한 7명의 이미지 데이터 중 무작위로 추출한 5명의 이미지 데이터를 학습 데이터셋, 2명의 이미지 데이터는 테스트데이터셋으로 나누었다. 실시간 예측이 목적이므로 테스트 데이터셋은 파라미터 최적화를 위한 검증 데이터셋으로도 사용하였다. 이렇게 나뉘어진 학습 데이터셋은 총 33,450장의 이미지 데이터로, 각 이미지에서 얻은 얼굴과 자세의 추출된 점으로부터 얻은 거리 관계 값들이 SVM 기반의 거북목 자세 판별 모델의 입력으로 사용되었다. 테스트 데이터셋은 총 14,239장의 이미지 데이터가 사용되었다. SVM 모델 학습 시 최적의 하이퍼 파라미터를 찾기 위해 학습 데이터셋으로 5-fold 교차검증을 통한 grid search 방법 결과, rbf 커널 사용시 C는 10, γ는 0.001에서 가장 좋은 성능을 확인하였다. SVM 모델 외에 랜덤 포레스트(Random Forest, RF)모델도 같은 방식으로 grid search를 적용하여두 모델 학습 성능을 비교하였다. RF모델의 경우, bootstrap=True, max_depth=80, max_features=2, min_samples_leaf=5, min_samples_split=8, n_esti- mators=100 파라미터들에서 가장 좋은 성능이 나옴을 확인하였다. 최적의 하이퍼 파라미터를 적용한 두 모델에서 테스트 데이터셋으로 모델 성능을 확인해본 결과, 정확도 면에서 SVM 모델은 90. 9[%], RF 모델은 90. 4[%]로 SVM 모델의 성능이 좋았다. 뿐만아니라 ROC곡선(Receiver Operating Characteris- tic curve)를 그려 AUC 값(Area Under the Curve)을확인해본 결과 역시 SVM 모델이 94. 1[%], RF 모델이 92. 7[%]로 SVM 모델의 성능이 우세함을 확인할 수 있었다(Fig. 5). 이 과정에서 파이썬 라이브러리인 sklearn library를 이용하였다 [22]. 최종적으로는 SVM 모델을 적용하여 실시간 거북목 판별을 진행하였다.

Fig. 5. ROC curve graph of the test dataset performance.

3. 4 반응형 거치대

기존 노트북 거치대의 경우, 높이를 조절할 수 없는 고정형이거나, 힌지(Hinge)를 두 번 조절해야 하는 각도 조절형 거치대가 대부분이다. 그러나 이러한 거치대 유형은 자동으로 높이가 조절되는 반응형 시스템에 효과적이지 못하므로, 기계 과학 교육용 부품인 과학 상자를 이용하여 노트북의 하중을 견디며 알고리즘과 연동되어 자동으로 높이 조절이 가능한 반응형 거치대를 직접 설계하여 제작하였다(Fig. 6). 일반적인 노트북 무게인 1[kg]∼2[kg]정도의 하중을 견딜 수 있도록 워엄기어, 평 기어와 래크를 사용한 구조로 제작하였고, 아래 식 (3)을 통해 노트북을 거치했을 때 견뎌야 하는 힘을 계산한 후, 기어드 모터가 버틸 수 있는 힘과 비교하여 노트북 하중을 견딜 수 있는지 확인했다. 4.5[V]기어드 모터를 사용할 경우, 최대 토크(무부하)는 3,500[gf·cm], 4.5[V]작 동시 토크는 1,700[gf·cm]인데[23], 이는 노트북 무게를 최대 2kg까지 버틸 수 있는 정도임을 확인할 수 있다.

\(T^{\prime}=\frac{1}{2 \Pi} P(F+\mu W)=\frac{1}{2 \Pi} P(T+\mu T)\)       (3)

Fig. 6. The developed responsive cradle.

거치대 제작 후 실제 거치하여 실험한 1.22kg의 노트북을 예를 들어 거치대가 받는 하중을 계산해보면 다음과 같다. F[kg·f]는 외력을 의미하고, W[kg]는 대상 물체의 질량, μ는 slide guide로 면의 마찰계수를 의미한다. 본 연구에서는 μ는 0.2를 이용하였고, P[cm]는 ball screw lead로 워엄 기어의 지름 길이인 1.4[cm]에 해당한다. 평 기어는 반지름이 0.32[cm], 노트북의 질량은 1.2[kg]에 해당한다. 따라서 식 (3)을 이용하여 버텨야 하는 힘을 계산하면 1.03[kg·fcm] 가 나오는데 이는 기어드 모터의 4.5[V] 작동 시의 토크인 1.7[kg·fcm]보다 작으므로 노트북의 하중을 들어 올릴 수 있다.

4. 연구 결과 및 고찰

4. 1 SVM 기반 분류 모델 성능

학습 데이터셋의 이미지상의 얼굴 영역에서 2, 9, 16번 3개의 특징점과 자세에서 어깨 2, 5번 점을 이용해 이들의 거리 관계를 계산하고 얼굴 광대 길이로 나누어 보정한 값을 SVM 모델의 입력으로 넣어 학습시킨 후, 최적의 파라미터를 적용한 최종 모델을 생성하였다. 이 최종 모델을 테스트 데이터셋의 이미지에서도 동일한 방법으로 얻은 값을 넣어 성능을 확인해본 결과 91[%]의 정확도 성능이 나왔다. 따라서 웹캠의 이미지로 얼굴과 자세의 점들을 추출한 후, 특징점들의 거리 관계와 비율 값을 이용한 분류 모델이 거북목 자세를 높은 정확도로 잘 분류할 수 있었다. 한편, 얼굴에서 3개의 점(2, 9, 16번)을 포함하여 더 많은 36개의 특징점들을 이용한 경우, 정확도는 90.9[%]로 더 많은 특징점을 활용했음에도 기존 방식과 성능에 차이가 거의 없음을 확인할 수 있었다. 다시 말해, 얼굴 표정 인식 문제에서 중요하게 사용되는 특징점들인 눈썹 모양이나 입 모양[24] 등은 거북목 자세를 판별하는 데에는 결정적인 역할을 한다고 보기 어렵다고 할 수 있다. 거북목 자세를 판별하는 데에는 얼굴 영역 내의 특징점들보다는 이미지 내 얼굴의 위치를 결정하는 광대 양 끝, 턱 3개의 점만 사용하여도 충분히 높은 성능으로 분류가 가능함을 알 수 있고, 이렇게 만들어지는 적은 차원의 입력값은 모델의 학습 효율에도 도움이 되었을 것으로 생각된다.

본 연구에서 검증한 노트북 컴퓨터 뿐만 아니라 태블릿 pc, 스마트폰 등으로 확장 또한 가능하므로 실생활 적용 가능성이 매우 높을 것으로 생각된다. 그러나 본 연구에서 검증한 자세 판별 알고리즘의 성능이 10대∼30대 여성을 대상으로 제한적인 실험 데이터를 수집해서 얻은 결과라는 점에서 한계가 존재한다. 추후 연구에서 남성뿐 아니라 다양한 연령층으로 실험 참여자를 확장시킨다면 제안하는 시스템 성능의 일반화 뿐 아니라 알고리즘의 성능 또한 높일 수 있을 것이다.

4. 2 실시간 자세 판별 프로세스

본 연구에서 제안하는 알고리즘과 개발한 거치대 목업을 통해 실시간으로 거북목을 진단하는 프로세스는 다음과 같다. GUI 실행 버튼을 통해 시스템이 실행되면 웹캠이 켜진 후, 영상이 기록되기 시작한다. 시작 위치인 거치대의 높이가 낮을 때 (Fig. 7(a)), 얼굴과 어깨가 화면에 보이지 않으면 노트북 화면 각도를 조절하라는 경고창이 뜨고, 화면에 잘 보일 경우에는 얼굴과 자세의 특징점 추출이 진행된다. 얼굴에서는 얼굴 광대 점과 턱 끝 점을 추출하고, 자세에서는 양쪽 어깨 점을 추출한다. 얼굴과 자세의 점이 추출되면 이 둘 사이의 거리를 계산하고, 얼굴 광대 길이로 나누어 계산된 값이 SVM 분류기에 입력된다. 바른 자세로 판별될 경우, 거치대가 높을 때 자세 판별 기준으로 사용될 얼굴 광대 거리로 값을 저장한다. 거북목 자세로 판별될 경우, 거북목 자세 횟수를 카운트하여 총 5번이 누적되면 웹캠이 꺼지고 아두이노 코드가 실행되어 반응형 거치대의 높이가 높아지게 된다. 거치대의 높이가 높아지면 목이 빠지고 구부러진 어깨의 거북목 자세가 올라간 노트북을 따라 눈높이가 함께 올라가면서 자연스럽게 바른 자세로 회복된다.

Fig. 7. User appearance during the responsive healthcare system. (a) When the height of the cradle is low, (left) Correct posture, (right) The turtle neck posture, and (b) When the height of the cradle is high(raised), (left) Correct posture, (right) Turtle neck posture.

거치대의 높이가 높을 때(Fig. 7(b))에서도 거북목 자세가 다시 나타날 수 있으므로 유사한 자세 판별 과정이 진행된다. 웹캠이 다시 실행된 후, 얼굴이 화면에 보이는가를 확인하고, 얼굴 광대 거리 값을 추출한다. 거치대의 높이가 낮았을 때 저장해 두었던 얼굴 광대 거리 값들 중에서 최댓값보다 크면 거북목 자세로 판단한다. 낮을 때와 동일하게 거북목 자세가 5번 누적되면 알람이 울리면서 바른 자세로 자세 교정을 유도한다. 거치대의 높이가 높은 상태에서는 사용자가 종료 버튼을 누르기 전까지 이 과정을 반복 실행하게 된다.

5. 결론

본 연구에서 제안하는 시스템은 웹캠을 통해 얻은 사용자의 이미지에서 얼굴과 어깨에서 추출한 점들로 거북목 자세 판별 알고리즘을 통해 실시간으로 거북목 증후군 자세를 판별하고, 거북목 자세로 판별될 경우 반응형 거치대의 높이를 높임으로써 사용자의 자세를 바른 자세로 유도한다. 반응형 거치대의 높이가 올라간 상태에서도 거북목 자세로 판별될 경우 알람으로 경고를 주어 지속적으로 사용자의 바른 자세를 유도한다. 이 시스템에서 사용되는 거북목 자세 판별 알고리즘으로 본 연구에서 취득한 얼굴 영상 데이터로 학습 및 검증했을 때, 정확도와 AUC 값은 각각 90.9[%], 94.1[%]의 분류 성능을 보였다. 결론적으로 본 시스템을 통해 일상생활 속에서 잘못된 자세를 스스로 파악하고 거북목 증후군 예방을 위한 지속적인 자세 교정이 가능하다. 또한 제안하는 시스템의 경우, 별도의 부착식 센서 없이 사용자가 일상생활에서 노트북 컴퓨터를 사용하는 상황을 방해받지 않은 상태에서 무구속, 무자각으로 손쉽게 사용 가능하다는 점에서 누구나 쉽게 접근할 수 있는 실생활 서비스를 제공한다. 본 연구에서 제안하는 시스템을 통해 IT기기 사용이 증가한 언택트 환경에서 바른 자세를 유도하여 일상에서의 건강 증진을 향상시키는 효과가 기대된다.