건강에 대한 관심이 증가함에 따라 많은 사람들이 체중 감량, 질병 예방, 심폐호흡 기능 향상을 위해 운동을 하고 있다. 효과적인 운동을 위해서는 자신의 신체 능력에 따라 적절한 강도로 운동을 진행해야 한다. 본 논문에서 구현한 시스템은 CNN 학습 모델을 사용하여 PPG 신호로 운동 강도를 분류함으로써 객관적인 운동 강도 분류를 수행한다. PPG 신호는 PPG 센서를 통해 운동 후 측정하였으며, P-피크(P -peaks) 사이의 간격을 기반으로 훈련 데이터 세트를 구성하였다. 훈련 데이터 세트는 PPG 신호에 따라 세 가지 운동 강도를 분류하도록 CNN 모델을 학습한다. 구현된 CNN 학습 모델의 정확도를 분석하기 위해 분류 평가 지표 및 운동 강도 분류 모니터링 시스템의 성능 평가를 수행하였다. 먼저 운동 강도 분류를 위한 CNN 모델의 성능 평가를 수행하였다. 성능 평가에서는 훈련 결과에 따라 분류 평가 지표를 계산하였는데, 실제 정답 중 성공적으로 예측된 비율을 나타내는 재현율(recall rate), 예측된 데이터 중 실제 정답 비율을 나타내는 정밀도(precision), 그리고 재현율과 정밀도의 조화 평균을 나타내는 F1 점수(F 1 score)를 확인하였다. 그 결과 CNN 학습 모델의 분류 성능 평가 지표는 정확도 99.3%, 재현율 99.9%, 정밀도 99.8%, F1 점수 99.4%로 나타났다. 둘째, 운동 강도 분류 모니터링 시스템의 성능을 평가하기 위해 5명의 피험자를 대상으로 줄넘기 실험을 수행하였다. 실험에서는 저강도, 중강도, 고강도 줄넘기를 각각 수행한 후 각 세트의 종료 시점에서 PPG를 측정하였다. 측정된 PPG 데이터를 CNN 모델에 각각 50회 입력하여 분류 정확도를 분석하였다. 실험 결과 저강도의 정확도는 98%, 중강도는 93.6%, 고강도는 97.6%였으며, 총 정확도는 96.4%로 확인되었다. 일부 오류는 운동 강도 사이의 경계선에 위치한 데이터가 잘못 분류되었기 때문인 것으로 생각된다. 향후 연구에서는 각 운동에 대한 가속도 신호를 함께 측정하여 다양한 운동에 적용할 수 있는 운동 강도 모니터링 시스템에 대한 연구를 수행하고자 한다.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.