Home

그림 1은 동물과 사람의 2족, 4족 보행 측정 실험에 사용된 레이더 측정 시스템의 구성도이다. 2족 보행과 4족 보행에 대한 데이터를 획득하기 위해서 24GHz 도플러 레이더와 DAQ(Data AcQuisition) 모듈을 이용하고 이를 이용해 획득한 데이터를 랩탑(Laptop)에서 Matlab과 Python 코드를 이용하여 신호처리를 수행하였다[12].

Fig. 1. 
Configuration of 24GHz radar measurement system

24GHz 도플러 레이더를 이용해 아날로그 I/Q 데이터를 획득하고 DAQ 모듈에서 이를 디지털 데이터로 변환한다. 이후 랩탑에서 STFT를 적용해서 스펙트로그램 영상을 얻어준다. 표 1은 측정을 위해 사용된 레이더 측정 시스템의 파라미터를 나타내주는 표이다[13].

사람과 동물을 구분하기 위해 2족 보행과 4족 보행 시 발생하는 미세 도플러의 차이를 기준으로 구분하였다. 도플러 레이더에서 전송된 신호가 이동하는 목표물에 닿으면 신호의 파장이 바뀌고 신호의 반송 주파수가 이동하게 되는데, 이를 도플러 효과라고 한다. 식 (1)을 보면 알 수 있듯이 도플러 주파수는 이동하는 목표물의 속도를 반영한다. 도플러 주파수는 이때 탐지 대상이 레이더에 가까워질수록 양의 도플러 주파수를 가지게 되고 탐지 대상이 레이더에서 멀어질수록 음의 도플러 주파수를 가지게 된다.

이때 v는 물체의 속도이고 λ는 파장, c는 빛의 속도, f는 레이더의 송신 주파수이다[12]. 이처럼 도플러 주파수는 물체의 속도와 레이더의 송신 주파수에 따라 달라지며, 레이더 시스템에서 물체의 속도를 측정하는 데 사용된다. 미세 도플러 주파수는 물체 내부 또는 표면의 작은 구조 또는 움직임으로 인해 발생하는 더 작은 주파수 변화를 의미한다. 이러한 구조적인 움직임은 물체의 회전, 진동 또는 표적의 보행 등의 미세한 운동으로 나타난다. 레이더에서 미세 도플러 주파수를 분석함으로써 물체의 내부 또는 외부 구조, 움직임, 또는 특성을 탐지하고 분석할 수 있다[14]. 따라서 미세 도플러는 레이더가 더 많은 정보를 수집하고 물체를 정확하게 식별하는 데 도움을 준다. 본 연구에서는 사람과 동물이 보행할 때 유발되는 미세한 주파수 변화를 이용해 사람과 동물 보행의 미세 도플러 차이점을 확인하였다. 사람과 동물은 일반적으로 신체 구조가 다르다. 신체 구조의 차이로 인하여 기본적으로 발의 개수와 관절의 움직임에 차이가 나타난다. 이러한 차이는 보행 시에 보행 속도, 보폭 등의 차이를 생성한다. 따라서 동물과 사람은 보행 시에 같은 전진 운동을 하더라고 내외부적으로 다른 미세 운동을 하게 된다. 다른 미세 운동은 다른 미세 도플러를 생성하기 때문에 미세 도플러의 차이를 확인하고 이를 이용하여 보행하는 사람과 동물을 구분하는 방법을 제안하였다.

동물과 사람의 보행은 시간에 따라 도플러 주파수가 변하는 non-startionary 신호이다. 푸리에 변환(Fourier transform)은 주파수 성분만을 알 수 있고 그 주파수 성분이 어떤 시간에 존재하는지는 알 수 없다. 따라서 푸리에 변환은 non-stationary 신호를 해석하기에 적합하지 않다. 이러한 non-stationary 신호를 해석하기 위해서 본 연구에서는 획득한 데이터에 STFT를 적용해 시간 주파수 영역의 스펙트로그램 영상으로 데이터를 분석하였다. STFT는 non-stationary 신호를 해석하기 위한 가장 기본저인 시간-주파수 해석법이다. STFT는 시간 영역 신호를 충분히 작은 세그먼트(Segment)로 나누고, 그 세그먼트 동안은 신호가 stationary하다고 가정하고 푸리에 변환을 한다. 세그먼트는 윈도우 함수를 이용해서 만들게 되며, 본 연구에서는 가우시안 윈도우 함수를 사용한다[15].

시간영역에서 STFT는 식 (2)와 같이 표현된다. 이때 f(t)는 분석하고자 하는 신호이고, w (t)는 윈도우 함수이다[16].

CNN 구분기를 학습시키기 위해서는 많은 양의 데이터가 필요하다. 하지만 본 연구에서는 실제 동물을 대상으로 많은 양의 데이터를 획득할 수 없는 한계가 있어 직접 제작한 4족 보행 모사기를 이용해 동물 보행을 흉내 내고 동물 보행에 대한 스펙트로그램 영상을 획득하였다. 4족 보행 모사기는 그림 2와 같이 동물의 다리 관절 움직임을 흉내 낼 수 있는 구조로 제작하였다. 그림 3에 나온 것처럼 4족 보행 모사기를 제작하기 위해서 실제 개의 관절 움직임을 관찰하고 관절 움직임을 흉내 내었다. 4족 보행 모사기로 동물의 보행을 흉내 낸 결과 실제 개의 보행에 대한 스펙트로그램 영상과 유사한 것을 확인하였다.

Fig. 2. 
Quadrupedal movement imitator

Fig. 3. 
Real dog joint movements

이러한 결과를 바탕으로 4족 보행 모사기와 2.1절에서 설명한 도플러 레이더 측정 시스템을 이용해 동물의 보행에 대한 스펙트로그램 영상을 획득하였다. 사람 보행에 대한 스펙트로그램 영상은 실제 보행을 통해 획득하였다. 그림 4는 도플러 레이더 측정 시스템을 이용한 4족 보행과 2족 보행을 측정하기 위한 실험의 개념도이다.

Fig. 4. 
Conceptual diagram of the experiment

그림 5는 측정 시스템을 이용하여 획득한 스펙트로그램 영상이다. 스펙트로그램 영상에서 보행의 주기를 관찰할 수 있다. 그림 5(b)와 그림 5(c)는 각각 실제 개 보행에 대한 스펙트로그램 영상과 흉내 낸 동물 보행에 대한 스펙트로그램 영상이다. 두 스펙트로그램 영상의 보행 주기를 확인하면 그림 5(a)의 사람 보행에 대한 스펙트로그램 영상의 보행 주기보다 빠른 것을 확인할 수 있다. 이러한 이유는 보행 속도의 차이와 다리 개수의 차이로 인해 발생하였다. 또 사람 보행의 스펙트로그램 영상을 확인하면 한번 보행 시 하나의 피크만을 확인할 수 있고, 개 보행의 스펙트로그램 영상을 확인하면 한번 보행 시 두 개의 피크를 확인할 수 있다. 이는 개와 사람의 관절 움직임과 보행 방법 차이로 인해 발생하였다. 개의 앞발은 그림 3에 나온 것처럼 다리를 들면서 뒤로 이동했다가 전진하면서 빠르게 앞으로 이동해온다. 이러한 빠른 운동은 높은 미세 도플러 주파수를 생성하기 때문에, 다리를 드는 행동과 발이 앞으로 나오는 행동이 순서대로 피크 값으로 생성되는 것을 유추할 수 있다. 사람도 보행 시 이러한 움직임을 가지고 있지만, 개에 비해 느린 속도의 운동을 해서 하나의 피크만을 가진다. 그림 5(c)는 이러한 운동을 고려해서 4족 보행 모사기를 이용해 흉내 내었다. 그림 5(b)와 그림 5(c)는 그림 5(a)에 비해 빠른 보행 주기를 확인할 수 있고, 한 번 보행 시 발생하는 두 개의 피크 값이 나오는 것을 확인할 수 있다. 따라서 실제 개 보행에 대한 스펙트로그램 영상과 흉내 낸 동물 보행에 대한 스펙트로그램 영상이 유사한 특징을 가지고 있는 것을 확인하였다.

Fig. 5. 
Three types of walking spectrogram image

3.1절의 방법을 통해 획득된 각각의 스펙트로그램 영상을 이용하여 CNN 구분기를 설계하였다. CNN 구분기는 사람 보행과 동물 보행을 구분하도록 설계하였다. 표 2는 구분기의 성능을 확인하기 위해 사용된 training 데이터와 test 데이터의 양을 나타낸 것이다. 사람 보행은 ‘human’ 동물 보행은 ‘animal’로 나타낸다. 동물과 사람 보행에 대한 스펙트로그램 영상은 각각 515개와 502개씩 획득하였다. training 데이터와 test 데이터를 7:3 비율로 구분기를 학습시키고 구분 성능을 확인하였다. 표 2와 같이 스펙트로그램을 나누어 구분기를 통해 바로 구분 성능을 확인한 결과 95.3717%의 구분 성능을 확인하였다.

위의 학습 모델을 이용해 혼돈행렬(Confusion matrix)을 이용하여 결과를 도출하였다. 혼돈행렬을 전체 데이터 개수 중에서 상태에 따라 구분이 되는 개수를 파악하기 쉽다. 표 3은 2족/4족 구분기에 대한 혼동행렬 구성도이다. 여기서 True와 False는 구분의 성공과 실패를 나타내고, animal과 human은 4족 보행과 2족 보행을 구분하여 나타낸다. animal을 구분 성공할 경우 ‘True Animal(TA)’, 실패할 경우는 ‘False Animal(FA)’이 된다. 마찬가지로 human을 구분 성공할 경우 ‘True Human(TH)’, 실패할 경우 ‘False Human(FH)’이 된다. 혼돈행렬의 결과는 표 4를 통해서 확인할 수 있다. 혼동행렬의 구분 결과를 보면 human보다 animal의 구분 정확도가 상대적으로 떨어지는 것을 확인할 수 있다. 이는 animal의 데이터 자체가 사람이 동물을 흉내 내어 획득한 데이터이기 때문에 이러한 결과가 나오는 것을 유추할 수 있다. 2족/4족 보행 구분기에 대한 혼돈행렬 구분 정확도는 식 (3)을 이용해 계산이 가능하다.

식 (3)을 이용해서 계산한 2족/4족 보행 구분기의 구분 결과는 95.3947%인 것을 확인하였다. 구분기를 통해 바로 구분 성능을 확인한 결과와 혼동행렬을 이용해 확인한 구분 성능은 거의 일정한 것을 알 수 있다.