Wrist-worn smartwatches and similar wearable motion monitoring devices using inertial sensors offer benefits in health management, performance improvement, and injury prevention. However, a trade-off exists between the convenience of wearable devices and the accuracy and quantity of monitoring information. To overcome the limitation of accuracy in motion tracking using a single inertial sensor of a convenient wrist-wearable device, three technical issues - motion segmentation, sensor orientation calibration, and drift error reduction - must be addressed. Golf is a sport with a large, continually growing market, and the golf swing is one of the fast human movements that has a high demand for motion tracking. For effective motion monitoring in golf swings, which involve the use of the entire body through multi-joints, information about the movements of the upper body, which plays a significant role during the swing, is necessary. However, when monitoring golf swing motions using a wrist-worn inertial sensor, there are limitations in the amount of information that can be provided, as it only encompasses the movement of the worn part, and in tracking accuracy due to drift errors occurring from fast movements. This study explores the motion estimation method of a single inertial sensor-based wearable system to ensure user convenience and enhance the accuracy and usefulness of motion monitoring. Particularly, the study aimed to improve the tracking accuracy of the wrist, where the single inertial sensor is worn with high convenience, and provide richer information by estimating unmeasured upper limb motions. Firstly, to improve wrist tracking, where the inertial sensor is located, solutions were proposed based on biomechanical characteristics of the swing and machine learning to address the three technical problems - motion segmentation, sensor orientation calibration, and drift error reduction. The wrist tracking results showed comparable performance to the existing motion tracking methods while maintaining convenience in fast and non-periodic golf swing motions using a single inertial sensor, effectively eliminating drift errors. Subsequently, the amount of monitoring information was expanded by estimating the unmeasured upper limb motions from the wrist motion data using the biomechanical characteristics of the upper limb during golf swings. Additionally, various applications for the monitored upper limb motion information were proposed. This study mitigates the trade-off between convenience and quality in motion estimation using a single inertial sensor, through the application of biomechanical characteristics of the motion and machine learning that can learn the characteristics. This work suggests a new direction in motion monitoring technology development that integrates machine learning and biomechanical knowledge, using an understanding of human motion characteristics. Based on the application examples of the biomechanical characteristics of golf swings and machine learning with the proposed methodologies reported in this study, the development of various human motion monitoring technologies using inertial sensors is expected.
관성센서 기반의 손목 착용형 스마트워치와 같은 웨어러블 동작 모니터링 기기들은 건강 및 운동 관리, 퍼포먼스 향상, 부상 방지 등에 다양하게 활용된다. 그러나 웨어러블 기기가 가지는 착용 및 사용 편의성과 모니터링 정보의 양 및 정확도 사이에는 상충관계가 존재한다. 높은 편의성을 가지는 손목 착용형 웨어러블 기기의 단일 관성센서를 활용한 동작 트래킹 시 정확도의 한계를 극복하기 위해 동작 구간 나누기, 센서 오리엔테이션 보정, 드리프트 오차 보정의 세 가지 기술적 문제들을 해결해야 한다. 한편 골프는 거대한 규모의 지속적으로 성장하는 시장을 가진 스포츠이며, 골프 스윙은 빠른 인체 동작 중 하나로 동작 트래킹에 대한 수요가 큰 동작이다. 다관절로 이루어진 전신을 사용하는 골프 스윙 동작의 유용한 동작 모니터링을 위해서는 스윙 시 중요한 역할을 수행하는 상지의 동작 정보가 필요하다. 그러나 손목 착용형 관성센서를 이용한 골프 동작 모니터링 시 착용 부위의 동작 정보만을 제공할 수 있는 정보량의 한계점과 빠른 동작에서 발생하는 드리프트 오차로 인한 트래킹 정확도의 한계점이 존재한다. 본 연구에서는 사용자 편의성을 확보하면서 동작 모니터링의 정확도와 유용성을 향상시키기 위한 단일 관성센서 기반 웨어러블 시스템의 동작 추정 방법에 대해 고찰하고자 하였다. 특히 편의성이 높은 손목 착용형 단일 관성센서를 이용해 골프 스윙에서 중요하게 다뤄지는 상지의 동작 정보를 제공하기 위해 손목 트래킹 정확도를 향상시키고 미측정 상지 정보를 추정해 정보량을 확장시키고자 하였다. 먼저 관성센서의 착용 위치인 손목의 트래킹 정확도 향상을 위해 스윙 구간 나누기, 센서 좌표계 보정, 드리프트 오차 보정 세 가지 기술적 문제들에 대해 스윙의 생체역학적 특성과 기계학습 기반의 해결 방법들을 제시하였다. 손목 궤적 트래킹 결과 빠르고 비주기적 동작인 골프 스윙 동작에서 단일 관성센서를 이용하여 편의성을 유지하면서도 드리프트 오차를 효과적으로 제거해 기존 동작 트래킹 방법들과 비교할 만한 성능을 보였다. 이후 골프 스윙 시 상지의 생체역학적 특징들을 이용해 손목의 운동 정보로부터 측정하지 않은 상지의 동작 정보를 추정해 모니터링의 정보량을 확장시키고 다양한 활용 방법들을 제안하였다. 본 연구에서는 동작의 생체역학적 특성과 이를 학습할 수 있는 기계학습을 적용하여 단일 관성센서를 이용한 동작 추정에서 정보의 양과 질의 상충관계를 해소하였다. 이를 통해 인체 동작 특성의 이해를 활용해 기계학습과 생체역학적 지식을 결합한 동작 모니터링 기술의 새로운 발전 방향을 제시하였다. 향후 본 연구에서 보고한 골프 스윙의 생체역학 특성과 기계학습의 적용 예와 제안한 방법론들을 바탕으로 관성센서를 이용한 다양한 인체 동작 모니터링 기술의 발전이 이루어질 수 있을 것으로 기대한다.
