← SELECTED WORK← 프로젝트HAN GYU®
01 / 05

DIGITAL HEALTH / APPLIED RESEARCH디지털 헬스케어 / 응용 연구

2021 — 20222021 — 2022

(01)

Motion
Feedback

A real-time motion-recognition system that turned accelerometer signals from a dumbbell into exercise feedback for sarcopenia prevention and rehabilitation.덤벨의 가속도 신호를 실시간으로 인식해, 근감소증 예방과 재활을 위한 운동 피드백으로 바꾼 시스템이에요.

SCROLL TO READ스크롤해서 읽기
ACCELEROMETER / DUMBBELL DEVICEHAMMER CURL / K-NN MOTION CLASSMIN / MAX / AVG + ΔACC-XACC-YACC-Z

MOTION STUDY / 01동작 연구 / 01

Signal / 01신호 / 01

Three-axis motion features, classified in real time3축 동작 특징을 실시간으로 분류해요

01 / CONTEXT맥락

The starting point출발점

Strength training is a central intervention for sarcopenia, yet a person’s movement quality is difficult to measure and act on during an exercise session. This study made a handheld sensor, mobile relay, and classification service work as one feedback path.근력 운동은 근감소증 예방과 치료에 중요하지만, 운동하는 동안 동작을 측정해 바로 피드백으로 쓰기는 어려워요. 이 연구는 손에 쥔 센서, 스마트폰, 분류 서버를 하나의 피드백 흐름으로 연결했어요.

CONTRIBUTION기여한 일
  • System architecture시스템 아키텍처
  • Signal feature engineering신호 특징 설계
  • K-NN classificationK-NN 분류
  • Flask service developmentFlask 서비스 개발
TOOLS도구

Python / Flask / K-NN / Bluetooth / HTTP

YEAR연도

2021 — 20222021 — 2022

PUBLICATION논문Read the paper ↗논문 보기 ↗

02 / QUESTION질문

How might a raw accelerometer signal become timely, understandable exercise feedback without interrupting a person’s movement?운동을 방해하지 않으면서 가속도 신호를 사람이 바로 이해할 수 있는 운동 피드백으로 바꾸려면 어떻게 해야 할까요?

03 / METHOD방법

Signal → feature → feedback신호 → 특징 → 피드백

An accelerometer-equipped device streams movement data over Bluetooth to a mobile relay. The mobile client sends the signal with user and device context to a server, where per-repetition features are compared with trained K-NN motion classes and returned as a readable result.가속도 센서를 장착한 디바이스가 움직임을 블루투스로 스마트폰에 전송해요. 모바일 클라이언트는 사용자·디바이스 정보와 함께 신호를 서버로 보내고, 서버는 1회 동작의 특징값을 학습된 K-NN 클래스와 비교해 인식 결과를 돌려줘요.

01Instrumented dumbbell센서가 달린 덤벨
02Mobile relay모바일 중계
03Feature extraction특징 추출
04K-NN classificationK-NN 분류
05Motion feedback동작 피드백

04 / SYSTEM MAP시스템 맵

One repetition creates a route from a handheld sensor to usable feedback.한 번의 반복 동작은 센서 신호에서 바로 쓸 수 있는 피드백까지 이어져요.

Motion Feedback treats recognition as a complete service path, not a standalone model. Sensor values travel through Bluetooth, a mobile relay, and HTTP before a feature-based K-NN classification returns a motion label for the viewer.Motion Feedback은 인식을 단독 모델이 아니라 처음부터 끝까지 이어지는 서비스 흐름으로 다뤄요. 센서값은 블루투스, 모바일 중계, HTTP를 거쳐 특징 기반 K-NN 분류로 이어지고, 결과는 사용자가 확인할 수 있는 동작 결과로 돌아와요.

01

Device and mobile relay디바이스와 모바일 중계

An accelerometer-equipped device streams x, y, and z-axis values to a smartphone over Bluetooth. The client packages the signal with user and device data.가속도 센서가 달린 디바이스가 x, y, z축 값을 블루투스로 스마트폰에 전송해요. 클라이언트는 신호에 사용자와 디바이스 정보를 함께 담아요.

  • Acceleration signal가속도 신호
  • User context사용자 맥락
  • Device context디바이스 맥락

02

Classification service분류 서비스

The server extracts minimum, maximum, average, and total-change features for each repetition, then compares them with trained K-NN motion classes.서버는 동작 1회마다 최소, 최대, 평균, 전체 변화량 특징을 추출하고 학습된 K-NN 동작 클래스와 비교해요.

  • Feature vector특징 벡터
  • Motion class동작 클래스
  • Recognition result인식 결과

03

Motion viewer동작 뷰어

The classified result is returned to a web or application viewer so the exercise can be read as a measured movement rather than an unobserved repetition.분류 결과는 웹 또는 앱 뷰어로 돌아가, 방금 측정한 동작을 바로 확인할 수 있게 해요.

  • Live result실시간 결과
  • Exercise feedback운동 피드백

05 / MOTION STUDY

From a signal
to feedback.

A representative signal view derived from the study’s feature analysis. Select a motion to compare its controlled-test accuracy, axis averages, and the signal change used by the classifier.

ACCELEROMETER / DEVICE-01
AVG X / 2.24AVG Y / 1.43AVG Z / 2.50Y + Z AXIS VARIATIONMIN / MAX / AVG + Δ
SELECTED MOTION 01 / 04REPRESENTATIVE 3-AXIS SIGNAL PROFILE
MOTION SET / 04 CLASSES

06 / PROTOTYPE READOUT구현 결과

The harder condition is not a single repetition—it is a sequence of movements.어려운 조건은 한 번의 반복이 아니라 여러 동작이 이어지는 순간이에요.

The controlled evaluation measured four dumbbell movements 100 times each. Repeated single motions approached perfect recognition, while consecutive movements revealed the cost of fatigue and motion transitions.통제된 평가에서는 덤벨 동작 4가지를 각각 100회씩 측정했어요. 같은 동작을 반복하면 거의 완벽에 가까웠지만, 동작이 연속되면 전환과 피로가 성능 저하 요인으로 드러났어요.

97.56%

RECOGNITION ACCURACY인식 정확도

Overall accuracy reported for the four-motion classification task.4가지 동작 분류 과제에서 보고한 전체 정확도예요.

4

MOTION CLASSES동작 클래스

Hammer curl, bent-over dumbbell kickback, overhead extensions, and side lateral raise.해머 컬, 벤트 오버 덤벨 킥백, 오버헤드 익스텐션, 사이드 레터럴 레이즈예요.

400

CONTROLLED REPETITIONS통제된 반복

100 repeated trials collected and evaluated for each motion.동작별로 100회씩 수집하고 평가했어요.

CONTROLLED EVALUATION / 2022 CONFERENCE PAPER통제된 평가 / 2022 학회 발표 논문

07 / OUTCOME결과

Across four dumbbell exercises, evaluated with 100 repetitions per motion, the system reported 97.56% recognition accuracy and exposed where motion transitions still weakened performance.4가지 덤벨 운동을 동작별 100회씩 평가한 결과, 시스템은 97.56%의 인식 정확도를 보였고 동작 전환이 성능을 낮추는 조건도 함께 드러냈어요.

“Accuracy was only part of the result. Continuous exercise made transitions and fatigue visible as design constraints—not just classification errors.정확도만으로는 충분하지 않았어요. 연속 운동에서는 동작 전환과 피로가 단순한 분류 오류가 아니라 시스템 설계에서 함께 고려해야 할 조건으로 드러났어요.”

08 / FIELD RECORD필드 기록

Research record

I developed the full path from sensor signal to exercise feedback: an accelerometer-equipped device, Bluetooth transfer to a smartphone, an HTTP handoff to the server, K-NN-based classification, and a result viewer for the web or application layer.

For each repetition, the service used the minimum, maximum, and average acceleration values across the x, y, and z axes, alongside the combined magnitude of movement. That feature set distinguished four dumbbell exercises while keeping the processing path light enough for real-time use.

What the evaluation made visible

  • Hammer curl reached 98.66% accuracy; bent-over dumbbell kickback reached 99.32%.
  • Overhead extensions and side lateral raise made the boundary of the approach clearer: performance fell when motions were performed continuously and form changed with fatigue.
  • The next step was not simply a larger model, but personalized models and a comparison of alternative classifiers.

리서치 기록

가속도 센서가 달린 디바이스부터 운동 피드백까지 전체 경로를 개발했어요. 블루투스로 스마트폰에 신호를 보내고, HTTP로 서버에 전달해 K-NN 기반으로 분류한 뒤 웹 또는 애플리케이션 뷰어에 결과를 보여줘요.

동작 1회를 기준으로 x, y, z축 가속도의 최소·최대·평균값과 전체 변화량을 사용했어요. 이 특징 집합은 4가지 덤벨 운동을 구분하면서도 실시간 처리에 맞는 가벼운 경로를 유지할 수 있게 했어요.

평가가 보여준 것

  • 해머 컬은 98.66%, 벤트 오버 덤벨 킥백은 99.32%의 인식 정확도를 보였어요.
  • 오버헤드 익스텐션과 사이드 레터럴 레이즈는 동작이 연속되고 피로로 자세가 달라질 때 성능의 경계를 드러냈어요.
  • 다음 단계는 단순히 더 큰 모델이 아니라, 사용자별 맞춤 모델과 여러 분류기의 성능을 비교하는 일이었어요.