• 제목/요약/키워드: Assistive Technology Evaluation Tool

검색결과 3건 처리시간 0.016초

태블릿 기반 스마트 AAC 기기 만족도 평가 (Satisfaction Evaluation for Tablet-based Smart AAC Device)

  • 공진용;안나연
    • 디지털콘텐츠학회 논문지
    • /
    • 제19권2호
    • /
    • pp.251-257
    • /
    • 2018
  • 본 연구는 안드로이드용 태블릿 기반 AAC(Augmentative and Alternatice Communication) 애플리케이션 개발 후 그에 따른 기기에 대한 만족도 및 요구사항을 분석하는데 목적이 있다. 본 연구에서는 태블릿 기반 AAC 기기의 만족도 및 요구사항을 평가하였다. 평가는 기기 및 서비스 변화 정도, 신체적 기능 변화 정도, 일상생활 및 사회생활의 변화 정도, 욕구 충족 정도를 측정하는 만족의 개념을 사용하는 보조공학평가도구(Korea Assistive Technology Assessment Tool, KAAT)를 사용하여 평가하였다. 태블릿 기반 스마트 AAC 기기의 만족도 평가 결과, 기기, 서비스, 일상생활을 비롯해 모든 항목에서 5점 척도에서 4점대 이상으로 만족하는 긍정적인 반응을 나타냈다. 그러나 그 중 효과성과 조작 및 편리성의 항목에서 상대적으로 낮게 나타났다. 기기의 개선사항으로는 상징소리 확대, 상징편집의 간결성 등의 의견이 조사되었다. 연구결과를 통해 스마트 AAC 기기의 지속적인 업데이트, 상징편집의 간결성, AAC 기기 활용 방법 및 교육이 반드시 개선되어야 할 것으로 사료된다. 본 연구의 만족도 평가 결과 및 잠재적 사용자의 피드백은 기존 스마트 AAC 기기의 기능 개선과 보완을 위한 지침이 될 것이다.

UFOV(Useful Field of View test) 검사의 신뢰도 및 타당도 검증 (The Reliability and Validity of Useful Field of View Test)

  • 곽호성;정봉근
    • 재활복지공학회논문지
    • /
    • 제11권2호
    • /
    • pp.157-163
    • /
    • 2017
  • 본 연구의 목적은 국내에 거주하고 있는 뇌졸중 환자 및 일반인을 대상으로 국외에서 표준화된 운전 적합성 평가도구인 UFOV(Useful Field of View Test) 검사 도구의 신뢰도와 타당도를 분석하는 것이다. 2014년 10월부터 11월까지 서울시 소재 병원에 입원중인 뇌졸중 환자 19명과 일반인 23명을 대상으로 인구사회학적 정보와 UFOV 검사-재검사 신뢰도, 검사자간 신뢰도, UFOV와 TMT A&B, MVPT 점수를 비교한 동시타당도, 뇌졸중 환자와 일반인의 UFOV 검사결과로 판별타당도를 분석하였다. 그 결과 UFOV 검사의 검사-재검사 신뢰도는 하위항목 1~3에서 모두 .83(p<.01)이상을 보였으며, 검사자간 신뢰도(ICC=2,1)는 하위 항목 1~3에서 모두 .92(p<.001)이상을 보였다. 동시타당도를 알아보기 위한 TMT A&B, MVPT와 UFOV 검사의 세 하위항목과의 상관에서 모두 통계학적으로 유의한 관계를 보였으며, 판별타당도는 모든 항목에서 뇌졸중 환자와 일반인의 경우 통계학적으로 유의한 차이를 나타냈다(p<.001). 따라서 UFOV 검사는 작업치료 임상 분야에서 뇌졸중 환자의 운전사고 예방 및 운전능력을 평가하기 위한 도구로 사용될 수 있을 것이다.

관성센서를 이용한 버그균형검사 점수 분류 연구 (Berg Balance Scale Score Classification Study Using Inertial Sensor)

  • 홍상표;김연욱;조우형;좌경림;정한영;김규성;이상민
    • 재활복지공학회논문지
    • /
    • 제11권1호
    • /
    • pp.53-62
    • /
    • 2017
  • 본 논문에서는 균형평가도구 중 임상에서 가장 많이 사용되는 BBS(Berg Balance Scale)를 머신러닝 기법을 이용하여 점수 분류 정확도를 제시한다. 데이터취득은 Noraxon 시스템을 이용하여, 신체 8군데(왼쪽 오른쪽 발목, 왼쪽 오른쪽 엉덩이 위, 왼쪽 오른쪽 손목, 등(Back), 이마)에 관성센서를 부착하였다. 관성센서의 3축 가속도데이터를 기반으로 특징벡터 STFT(Short Time Fourier Transform), SAM(Signal Area Magnitude)를 추출하였다. 그 다음, BBS의 항목을 동작특성에 따라 정적인 동작(static movement)과 동적인 동작(dynamic movement)으로 나누었고, BBS의 각 항목에 대하여 점수에 영향이 있는 센서부착위치에 따라 특징벡터를 선별하였다. BBS의 항목마다 선별된 특징벡터는 GMM(Gaussian Mixture Model)을 이용하여 분류하였다. 실험대상자 40명에 대한 정확도 산출결과, 1번순으로 차례대로 55.5%, 72.2%, 87.5%, 50%, 35.1%, 62.5%, 43.3%, 58.6%, 60.7%, 33.3%, 44.8%, 89.2%, 51.8%, 85.1%의 분류 정확도를 확인하였다.