• 한국컴퓨터그래픽스학회논문지
• /
• 제29권1호
• /
• pp.23-29
• /
• 2023

본 논문은 강화학습을 통해 이족보행에 대한 모션 캡처를 통해 참조 모션의 데이터들을 기반으로 근골격 캐릭터의 시뮬레이션을 적은 비용으로 높은 품질의 결과를 얻을 방법을 소개한다. 우리는 참조 모션 데이터를 캐릭터 모델이 수행할 수 있게끔 재설정을 한 후, 강화학습을 통해 해당 모션을 학습하도록 훈련시킨다. 참조 모션 모방과 근육에 대한 최소한의 메타볼릭 에너지를 결합하여 원하는 방향으로 근골격 모델이 이족보행을 수행하게끔 학습한다. 이러한 방법으로 근골격 모델은 기존의 수동으로 설계된 컨트롤러보다 적은 비용으로 학습할 수 있으며 높은 품질의 이족보행을 수행할 수 있게 된다.

• 한국산업정보학회논문지
• /
• 제10권4호
• /
• pp.54-64
• /
• 2005

인체 하지 근골격 시스템의 수학적 모델에 대해 최적제어 기법을 이용하여 최대 높이뛰기 운동을 재현하였다. 근육의 비선형 동적특성에 의해 순동역학 접근방법을 사용하였으며 최적제어는 최적화 프로그램인 마이크로 유전알고리즘과 VF02 비선형 최적화 프로그램을 적용하였다. 최대 높이뛰기 운동을 위한 근골격 모델에서 유전알고리즘만으로는 최적해를 얻을 수가 없었다. 유전알고리즘의 해를 비선형 최적화 프로그램의 초기 예측값으로 하여 도약시간에 따른 최적의 운동 신경자극도를 결정하였다. 이러한 접근방법은 초기의 인위적 예측값 없이 최대높이뛰기 운동에 대한 전역해를 제공하였다.

• 기계저널
• /
• 제53권8호
• /
• pp.34-37
• /
• 2013

이 글에서는 인체 근골격 동역학 모델을 이용하여, 인체 관절 내부의 하중을 예측하고 관절 질환의 원인을 분석하는 방법에 대한 최근 연구를 소개하고자 한다.

• 기계저널
• /
• 제53권8호
• /
• pp.28-33
• /
• 2013

이 글에서는 생체 내 근력과 관절 모멘트, 관절 접촉역학 분석에 이용되는 근골격계 생체역학 모델을 소개하고 그 연구 동향에 대해 소개하고자 한다.

• 대한의용생체공학회:의공학회지
• /
• 제22권3호
• /
• pp.293-301
• /
• 2001

A patient-specific musculoskeletal model, whose parameters can be identified noninvasively, was developed for the automatic generation of patient-specific stimulation pattern in FES. The musculotendon system was modeled as a torque-generator and all the passive systems of the musculotendon working at the same joint were included in the skeletal model. Through this, it became possible that the whole model to be identified by using the experimental joint torque or the joint angle trajectories. The model parameters were grouped as recruitment of muscle fibers, passive skeletal system, static and dynamic musculotendon systems, which were identified later in sequence. The parameters in each group were successfully estimated and the maximum normalized RMS errors in all the estimation process was 8%. The model predictions with estimated parameter values were in a good agreement with the experimental results for the sinusoidal, triangular and sawlike stimulation, where the normalized RMS error was less than 17%, Above results show that the suggested musculoskeletal model and its parameter estimation method is reliable.

• 한국CDE학회지
• /
• 제18권2호
• /
• pp.38-46
• /
• 2012

• 한국정보처리학회:학술대회논문집
• /
• 한국정보처리학회 2023년도 추계학술발표대회
• /
• pp.475-478
• /
• 2023

컴퓨터 단층촬영(CT)을 활용한 골격근 단면적은 근감소증과 관련된 기능을 평가하는 데 사용된다. 일반적인 근감소증 연구는 요추 3번의 골격근량을 주로 보지만 암 또는 폐절제술과의 상관관계를 예측하기 위한 다양한 연구에서는 흉추 4번, 7번, 8번, 10번, 12번 다양한 수준의 골격근량으로 연구를 진행하고 있음을 알 수 있다. 본 논문에서는 흉부와 복부 CT 영상에서 근감소증 진단을 위해서 흉추와 요추의 영역별 슬라이스를 검출하기 위해서 CNN 구조의 EfficientNetV2를 전이학습하여 인공지능 모듈을 개발하였다. 인공지능 모듈은 전체 흉부 및 복부 CT 영상에서 Cervical, T1, T2, T3, T4, T5, T6, T7, T8, T9, T10, T11, T12, L1, L2, L3, L4, L5, Sacral 총 19 클래스를 검출하도록 하였다. Test 데이터셋을 사용하여 Confusion Matrix와 Grad-CAM으로 모델의 정확도를 시각화하여 보였으며 검증으로 인공지능 모듈의 정확성을 측정하였다. 끝으로 우리가 개발한 다기관 공동연구 지원플랫폼에 적용하여 시각화된 결과를 보였다.

• 한국정밀공학회지
• /
• 제22권11호
• /
• pp.16-23
• /
• 2005

• 과학교육연구지
• /
• 제42권2호
• /
• pp.95-105
• /
• 2018

이 연구의 목적은 생체 모방 기반 융합 학습 모델을 이용하여 골격근의 구조 및 수축 메커니즘에 대한 디지털 교과서를 개발하는 것이다. 골격근의 구조 및 수축 메커니즘 단원은 고등학교 생명과학I에 포함된 내용이다. 융합 학습 모델은 3D 모델링 및 프린팅을 포함하는 3단계의 생체 모방 기반 융합 학습(Exploration-Design-Implementation)으로 설계되었다. 개발된 디지털 교재는 8차시로 구성되어 있는데, 골격근 탐색, 스케치 앱과 3D 모델링을 이용한 골격근 모방 창의적 설계 2개 차시, 3D 프린팅을 이용하여 설계안의 융합적 구현, 근수축의 탐색, 스케치 앱과 3D 모델링을 이용한 근수축 모방 창의적 설계 2개 차시, 3D 프린팅을 이용하여 설계안의 융합적 구현 등으로 구성되었다. 각 차시는 대화 형 및 모바일 학습을 위해 갤러리 위젯, 미디어 위젯, 프레젠테이션 위젯, 스케치 위젯, 클라우드, 설문 위젯 및 평가 위젯의 컨텐츠를 포함하고 있다. 개발 된 디지털 교과서를 고등학생 20 명에게 투입한 결과 학생들의 생명과학 학습에 효과가 긍정적인 것으로 나타났다. 또한 이 연구에서 개발된 생체 모방 기반 융합 학습 디지털 교재는 학생들의 창의적 설계 및 구현 능력의 향상에서 효과적인 학습자료로 평가되었다. 이러한 결과를 볼 때 디지털 교재는 학생들의 흥미와 생명과학에 대한 자기주도적 학습에 유용한 자료임을 보여주었다.

• 융합신호처리학회논문지
• /
• 제21권2호
• /
• pp.73-78
• /
• 2020

근골격 질환은 착석 자세로 업무 및 학업을 장시간 진행하거나 잘못된 자세 습관으로 발생하는 경우가 많다. 일상생활에서 근골격 질환을 예방하기 위해서는 실시간 착석자세 모니터링을 통해 잘못된 자세를 바른 자세로 유도하는 것이 가장 중요하다. 본 논문에서는 의자에 밀착된 착석 정보를 무 구속적으로 검출하기 위하여 다채널 압력센서 기반의 자세 측정 시스템과 사용자의 착석 자세 분류를 위한 CNN 모델을 제안한다. 제안된 CNN 모델은 착석 자세 정보를 기반으로 압력분포에 따른 사용자의 5가지 자세 분석이 가능하다. 필드테스트를 통한 자세 분류 신경망의 성능평가를 위하여 10명의 피실험자를 대상으로 분류결과에 대한 정확도, 재현율, 정밀도 및 조화 평균을 확인하였다. 실험 결과, 99.84%의 accuracy, 99.6%의 recall, 99.6%의 precision, 99.6%의 F1을 확인하였다.