A Study on Correction and Prevention System of Real-time Forward Head Posture

실시간 거북목 증후군 자세 교정 및 예방 시스템 연구

Abstract

This paper introduces the design of a turtle neck posture correction and prevention system for users of digital devices for a long time. The number of forward head posture patients in Korea increased by 13% from 2018 to 2021, and has not yet improved according to the latest statistics at the present time. Because of the nature of the disease, prevention is more important than treatment. Therefore, in this paper, we designed a system based on built-camera in most laptops to increase the accessiblility of the system, and utilize the features such as Pose Estimation, Face Landmarks Detection, Iris Tracking, and Depth Estimation of Google Mediapipe to prevent the need to produce artificial intelligence models and allow users to easily prevent forward head posture.

본 논문은 장시간 디지털 기기 사용자를 위한 거북목 자세 교정 및 예방 시스템의 설계에 대해서 소개한다. 우리나라의 거북목 환자는 그 수가 2018년부터 2021년까지 13퍼센트 증가하였으며 아직까지 현재 시점의 최신 통계자료에 따르면 호전되지 않은 상황이다. 거북목은 질병 특성상 치료보단 예방이 중요하다. 따라서 본 논문에서는 대부분의 노트북에 있는 내장 카메라 기반의 시스템을 설계하여 시스템의 접근성을 높였으며, Google Mediapipe 오픈소스의 Pose Estimation, Face Landmarks Detection, Iris Tracking, Depth Estimation 등의 기능을 통해 별도의 인공지능 모델이 필요 없도록 설계하여 낮은 비용으로 사용자로 하여금 손쉽게 거북목을 예방하도록 한다.

Ⅰ. 서론

4차 산업혁명을 맞이하여 디지털 기기는 빠르게 우리 삶 속으로 들어오고 있다. 전세계적으로 디지털 트랜스포메이션을 추구하며 사회 구조를 근본적으로 디지털 기반으로 바꾸려는 시도가 늘고 있다. 우리나라도 이에 발맞춰 가기 위해 초등학교부터 고등학교까지 디지털 교과서를 도입한다는 정책을 발표^[1]하는 등 디지털 기기 사용은 삶의 필수가 되어가는 추세이다.

그러나 신기술과 디지털 기기가 삶을 윤택하게 바꿔주리란 생각과 다르게 여러 부작용 또한 존재한다. 영국의 행동미래학자 William Higham 박사가 발표한 「The Work Collegue of the Future」^[2]에 따르면 미래의 직장인들은 심각한 거북목 증상과 같은 신체 기형이 생길 것이라 예견하였다. 또한 TollFreeForwarding이란 미국의 통신업체는 민디라는 AI 모델을 통해 미래 인류는 거북목을 비롯한 다양한 신체 기형이 생길 것이라 예견하였다^[3]. 이렇듯 거북목 증후군은 디지털 기기로 인해 주의해야 할 주요한 부작용 중 하나이다.

우리나라의 거북목 환자는 2018년부터 2021년까지 거북목 증후군 환자가 13퍼센트 증가했으며 현재 가장 최근 통계인 2022년의 9월까지의 환자수는 2,900,224명으로 2021년의 9월까지의 환자수인 2,912,673명과 비교해봤을 때 크게 호전되지 않은 상황이다. 또한 2020년에서 2021년으로 넘어갈 때 7퍼센트 가량 환자수가 전연도에 비해 상대적으로 크게 증가했다^[4]. 이는 코로나 19로 인해 늘어난 디지털 기기 사용량이 사회적으로 거북목 증후군 환자 증가에 악영향을 끼쳤음을 추측해볼 수 있는 부분이다.

그러나 거북목 증후군은 진단이 어렵고 치료가 쉽지 않다. 약물 및 운동 치료 방법이 정립되어 있지 않으며 정확한 진단을 위해선 X선 촬영과 자기공명영상검사와 같은 정밀 검사가 필요할 수 있다. 그렇기 때문에 거북목 증후군은 치료보단 예방이 중요하다^[5]. 거북목 증후군의 예방은 평상시의 간단한 스트레칭 등을 통해 가능하다. 따라서 이러한 거북목 증후군의 특징을 바탕으로 장시간 디지털 기기 사용자로 하여금 간단한 스트레칭을 통해 질병을 예방할 수 있는 시스템을 개발하고자 한다.

Ⅱ. 관련 연구 및 기술

1. CNN 기반 자세 교정 시스템

CNN 모델을 이용하여 사용자의 거북목 자세 여부를 판단하는 방식이다^[3,4,5]. 사용자의 특정 각도에서의 자세 정보를 담은 이미지 데이터를 모델에 학습시킨다. 데이터셋의 크기를 늘리기 위해서 Data Augmentation을 사용하기도 하며, 학습 데이터와 테스트 데이터를 무작위로 나눠 모델을 검증하기도 한다. 또한 모델의 성능 최적화를 위해 다양한 하이퍼파라미터를 실험을 통해서 조정한다. 머신 러닝 기법을 이용하기 때문에 높은 정확도를 기대할 수 있다는 장점이 있다.

그러나 현재 공개된 데이터셋 중에서는 거북목 증후군 자세 이미지 데이터셋은 존재하지 않는다. 따라서 시스템이 의도한 목적에 맞는 데이터셋을 직접 제작해야 한다. 거북목 증후군은 전연령대에서 발생하며, 사람들은 다양한 각도에서 디지털 기기를 사용한다. 이러한 점을 고려했을 때 데이터 수집 과정에서 높은 비용이 발생한다는 단점이 존재한다.

2. 물리적인 장치가 필요한 교정 시스템

자세 교정을 위해 사용자가 직접 사용하는 디지털 기기 이외의 물리적인 장치가 필요한 방법이다^[3,6,7]. 물리적인 센서나 장치 등을 통해서 사용자의 정보를 직접 수집하거나 자세를 교정한다. 또는 사용자가 교정기와 같은 장치를 직접 착용하여 자세 교정을 돕는다. 수집한 사용자 정보를 이용해 사용자에게 특화된 시스템을 제공할 수 있고보다 더 직접적인 교정이 가능하다는 장점이 있다.

그러나 물리적인 장치는 휴대성이 용이하지 않고 추가적인 장치로 인해 설치 비용이 들거나 사용자 접근성이 낮아질 수 있다는 단점이 있다.

3. Mediapipe Holistic

구글에서 제공하는 오픈소스로서 Human Pose Estimation, Facial Landmarks Detection, Iris Tracking 등의 다양한 컴퓨터 비전 기능을 제공하는 라이브러리이다. 위에서 언급한 기능을 수행하는 인공지능 모델들은 경량화 되어 있는 것이 있어서 시스템 자원을 많이 필요로 하지 않아 실시간 처리가 가능하다^[8,9]. 또한 여러 플랫폼에서 사용할 수 있으며 애플리케이션에 쉽게 적용하여 사용할 수 있다.

본 논문의 시스템에서는 추가적인 장치와 인공지능 모델의 학습 없이 사용자의 디지털 기기만을 통해 저비용으로 실시간 자세 교정을 수행하기 위해 Mediapipe holistic을 도입하여 사용할 것이다.

4. Human Pose Estimation

Pose Estimation은 컴퓨터 비전 기술 중에 하나로 머신러닝 모델을 이용하여 주요 신체 관절의 위치를 추정하는 것을 주요 과제로 삼는 분야이다. 관절로 대표되는 특징점들을 이어 최종적으로 사람의 자세를 추정할 수 있다. 자세 추정 방식으로는 크게 2D 추정 방식과 3D 추정 방식이 있다.

현재 Human Pose Estimation에 사용되는 인공지능 모델로는 OpenPose, PoseNet, DeepPose, AlphaPose, SimpleBaseline, BlazePose가 있다. 이중에서도 BlazePose는 구글에서 만든 경량 Pose Estimation 모델이다. 이 모델은 실시간 처리에 특화된 Detetor -Tracker ML 파이프라인에 따라 동작하며, Pose Estimation의 전통적인 방법인 Heatmap 방식과 회귀 방식을 모두 활용한 것이 특징이다. 이러한 특징으로 인해 CPU 환경에서도 실시간 자세 추정이 가능하며 스마트폰과 같은 기기에서도 사용이 가능하다.

거북목 자세를 교정하기 위해선 사용자의 모습을 실시간으로 관찰할 필요가 있다. 동시에 계속해서 시스템이 백그라운드에서 사용자를 모니터링 해야 하기 때문에 사용하는 리소스가 작아야 한다.

본 논문의 시스템에서는 저비용으로 실시간 Pose Estimation을 하기 위해 BlazePose를 사용할 것이다. BlazePose는 COCO 토폴로지의 특징점의 개수보다 더 많은 33개로 이루어진 토폴로지를 사용한다. 이때 11번, 12번 특징점을 통해 어깨의 위치를 파악할 수 있고 어깨의 위치를 통해 거북목 판단 여부를 추론할 수 있다.

5. Facial Landmarks Detection

Facial Landmark Detection은 컴퓨터 비전 기술 중의 하나로 얼굴 내부의 주요 특징점들을 추론해내는 것을 과제로 삼는 분야이다. 얼굴 표정을 인식하기 때문에 사용되는 특징점이 많으며 특징점들의 관계를 통해 얼굴의 각도 등을 파악할 수 있다.

현재 Facial Landmark Detection에 사용되는 모델로는 ASM(Active Shape Model), AAM(Active Appearance Model), CLM(Constrained Local Model), Dlib, BlazeFace 등이 있다. 이중에서도 BlazeFace는 구글이 만든 인공지능 모델이다. 이 모델은 MobileNet V1, V2와 유사한 아키텍처를 사용하여 모델을 경량화 시켰다. 또한 효과적인 GPU 사용을 위해 SSD(Single Shot MultiBox Detector)의 anchor scheme을 수정해서 사용하였다.

사용자의 모습을 실시간으로 관찰하는 영상 작업은 CPU보다 GPU에 특화된 작업이다. 따라서 가능하다면 GPU 활용이 가능한 인공지능 모델을 사용해야 한다. 본 논문의 시스템에서는 웹을 플랫폼으로 하고 있지만 webGL 또는 webGPU와 같은 기술을 통해 가능한 경우에 웹에서도 GPU를 사용하도록 할 것이다. 따라서 저비용이며, GPU 작업에 친화적인 BlazeFace를 사용할 것이다.

또한 BlazeFace를 이용하여 얻은 Face mesh의 좌표 중 132, 361번 특징점을 사용하여 귓볼의 위치를 대략적으로 판단할 수 있다. 그리고 이 위치를 활용하여 거북목 여부를 추론할 수 있다.

6. Depth Esimation

Depth Estimation은 컴퓨터 비전 기술 중 하나로 이미지 상의 물체가 카메라로부터 얼마나 멀리 떨어져 있는 지를 추론하는 것을 주요 과제로 삼는 분야이다. 하나의 이미지만으로 깊이를 추론하는 Mono Depth Estimation과 두 개의 서로 다른 위치에서 얻은 이미지로 깊이를 추정하는 Stereo Depth Estimation 등의 방법론이 있다.

그러나 위의 방법과 별개로 딥러닝과 인간의 동공의 크기를 통해 사람과 카메라 사이의 거리를 추정하는 방법도 있다. 이 방법은 인간의 동공 크기가 평균적으로 11.7mm(오차 플마 0.5mm)라는 것을 전제로 한다. 먼저 이미지 상에서 픽셀 단위로 사람의 동공 크기를 구한다. 그 다음 카메라 내부에서 렌즈와 이미지상 사이의 거리를 구하고, 이를 통해 비례식을 세워 실제 사물과 카메라 렌즈 사이의 거리를 구할 수 있다. 이때 카메라 내부에서 렌즈와 이미지상 사이의 거리를 구할 때 Camera Callibration이란 기법을 사용할 수 있다. 사람의 동공 크기는 Facial Landmarks Detection 기술을 이용하여 구할 수 있다.

시스템을 사용하기 위해 특정 하드웨어 필요하다면 사용자 접근성에 안 좋은 영향을 미친다. 따라서 웹캠만을 이용하여 사용자와 모니터 사이의 거리를 측정하기 위해선 사용자의 디지털 기기에 내장된 카메라로부터 전송되는 이미지만을 이용하여 거리를 측정할 필요가 있다. 따라서 위와 같은 방식으로 사용자와 모니터 간의 거리를 구한다.

올바른 자세로 컴퓨터를 사용하기 위해선 모니터와 사용자 간의 거리가 40cm를 유지해야 한다. 이때 Depth Estimation을 이용하여 사용자와 모니터 간의 거리를 측정하여 교정을 유도할 수 있다.

Ⅲ. 시스템 프로세스

1. 사용자 신체 정보 초기화

사용자마다 다른 신체 조건을 갖고 있기에 올바른 자세의 기준도 사용자마다 다르게 적용된다. 사용자에게 특화된 자세 교정 기준을 만들기 위해 시스템 사용 초기에 사용자의 신체 정보를 초기화 하는 과정을 거친다. 사용자는 올바른 자세로 5초 동안 카메라를 응시한다. 이때 5초 동안 귓볼과 어깨 사이의 거리를 대략 100번 측정하고 해당 값들의 평균을 사용자의 올바른 자세 기준으로서 사용한다.

그림 1. 자세교정 시스템의 프로세스

Fig. 1. Process of posture correction system

2. 사용자 자세 실시간 모니터링

모니터링은 다음과 같이 진행되다. 웹캠을 통해 실시간으로 사용자의 귓볼과 어깨 사이의 거리를 측정한다. 그리고 해당 거리를 이용하여 실시간으로 자신의 자세가 어떤 상태인지 그래프를 통해 확인한다. 그래프의 Y축은 자신의 자세가 얼마나 올바른지를 나타내며, X축은 시간을 나타낸다. 또한 귓볼점들과 어깨점들을 활용하여 모니터와 사용자 간의 거리, 어깨의 각도, 얼굴의 각도, 목의 각도를 추가적으로 측정하여 거북목에 영향을 주는 요인을 분석할 수 있도록 한다. 덧붙여 지표로 사용되는 각각의 각도값은 표와 같이 Mediapipe에서 얻은 좌표값을 arctangent 함수에 넣어서 계산하였다.

표 1. 모니터링 지표 테이블

Table 1. Parameters for monitoring user posture

3. 사용자 자세 상태 진단

초기에 입력 받은 사용자의 신체 정보를 이용하여 위와 같은 공식을 통해 사용자의 자세의 상태를 진단한다. 해당 알고리즘은 CVA가 50도 미만인 경우에 RED 상태, 75도 미만인 경우에 YELLOW 상태, 그 이외의 상태를 GREEN 상태로 판단한다. 이때 CVA는 0 ~ 90도까지 가능하다고 가정하며, 사용자가 초기에 입력한 자세 정보는 CVA가 90도라고 가정한다. RED 상태의 기준은 CVA를 통해 거북목은 진단하는 기준을 그대로 사용했다. YELLOW 상태의 기준은 올바른 자세일 때 대략 목에 5kg의 하중을 받는 사람이 이것의 두 배가 넘는 대략 12kg의 하중을 받기 시작하는 각도로 선정하였다. 만약 사용자가 RED 상태인 경우에 알림을 통해 자세 교정을 하도록 유도한다. 또한 1시간 간격으로 스트레칭을 할 수 있도록 알림을 통해 돕는다.

그림 2. 사용자 자세 상태 진단 알고리즘

Fig. 2. Algorithm for diagnosing user posture

4. 사용자 자세 통계 정보 처리

\(\begin{align}\text {User Data}=\frac{10 \sum_{i=1}^{n} G_{i}+27 \sum_{i=1}^{n} Y_{i}+60 \sum_{i=1}^{n} R_{i}}{10+27+60}\end{align}\)      (1)

사용자 자세 상태값들에 가중치를 부여하여 하룻동안의 종합적인 사용자 자세 정보를 계산한다. 그 뒤에 X축 값은 날짜, Y축 값은 사용자 자세 종합 정보로 하여 데이터를 누적시킨다. 스트레칭을 통한 자세 교정 효과를 보기 위해 28일 동안 값들을 축적한 뒤 이를 이용하여 선형회귀 모델을 만든다. 그리고 선형회귀 모델의 기울기를 통해서 해당 사용자의 자세가 한달 동안 교정이 되었는지 판단한다.

5. 사용자 자세 통계 시각화

누적된 데이터를 바탕으로 통계 정보를 시각화 한다. 시각화된 데이터는 보고서 형식으로 사용자가 한눈에 볼 수 있도록 만들어 사용자 경험을 향상시킨다. 시각화된 데이터는 하루, 일주일, 한달을 기준으로 그래프 형태로 제시된다.

6. 의료 정보 추천

선형회귀 모델의 기울기가 양수인 경우, 목디스크 자가 진단 질문 목록과 거북목 주요 증상 질문 목록을 사용자에게 제시한다. 만약 목 디스크로 의심이 되는 경우에는 목 디스크 수술이 가능한 인근 병원을 추천한다. 그렇지 않은 경우에는 근처 정형외과 또는 재활의학과 내원을 추천한다. 이때 사용한 질문 목록은 내원 시 참고자료로 사용할 수 있도록 사용자 자세 통계 보고서와 함께 출력 가능하도록 만든다.

Ⅳ. 시스템 아키텍처

1. Monitoring Module

Mediapipe Holistic의 Javascript 라이브러리를 이용하여 웹 브라우저에서 실시간으로 사용자의 자세 정보를 추출하도록 구현한다.

2. Diagnosing Module

Monitoring Module에서 추출한 값을 입력값으로 사용하고 거북목 판단 알고리즘을 통해 사용자 정보의 상태를 판단하도록 구현한다.

• Visualization Module

Diagnosing Module에서 얻은 사용자 정보의 상태값을 입력으로 하여 실시간으로 사용자 자세 정보를 시각화 한다. 이때 Chart.js나 D3.js와 같은 데이터 시각화 라이브러리를 활용하도록 구현한다.

3. Data Sending Module

실시간으로 매번 서버에 요청을 보내지 않고 데이터를 모아두었다가 사용자가 시스템을 종료하는 시점에 일괄적으로 서버에 데이터를 전송하도록 구현한다.

4. Data Logging Module

Spring Batch와 같은 프레임워크를 이용하여 Data Sending Module이 보낸 데이터를 일괄적으로 데이터베이스에 저장하도록 구현한다.

그림 3. 자세 교정 시스템의 아키텍처

Fig. 3. Archtecture of posture correction system

5. Statistical Processing Module

통계 작업은 데이터베이스에 무리가 가는 작업이기 때문에 Redis와 같은 NoSQL을 캐시 서버로 활용하여 통계 정보를 저장 및 처리하도록 구현한다.

6. Medical Information Recommendation Module

오픈 API 등을 이용하여 사용자 주변의 적절한 병원 또는 치료 기기를 검색할 수 있도록 구현한다.

7. User Table

사용자 아이디, 초기 신체 정보 등을 저장하도록 구현한다.

8. Statistics Information Table

사용자별로 상태값과 해당 값이 생성된 일시를 저장하여 통계 처리가 가능하도록 구현한다.

9. Medical Information Table

사용자의 상태에 따라 추천해줄 정보나 자가 진단 테스트 질문 목록을 저장하도록 구현한다.

Ⅴ. 실험 및 결과

본 장에서는 거북목 예방 시스템의 웹 서비스 데모를 설명하고 데이터 수집과 교정 서비스를 제공 받는 사용자와 데이터 수집만 하는 사용자 간의 비교군을 통해 성능을 평가하고 데이터셋을 분석하여 시스템 개선을 위한 방향성에 대해서 고찰해본다.

1. Montoring Module

사용자로부터 바른 자세 정보를 입력 받아 거북목 자세 판정에 대한 기준을 측정한다. 이때 바른 자세를 유도하기 위해 모니터로부터 40cm일 때의 정보만을 사용하였고 100개를 누적한 값들의 평균을 기준으로 사용하였다. 이때 모니터링 도중 위험 또는 주의 자세에 해당되는 경우 모니터에 알람이 가도록 하여 자세 교정을 유도한다.

그림 4. 사용자 자세 모니터링 시각화

Fig. 4. Visualization of user posture monitoring

2. Visualization Module

사용자의 자세 통계 정보를 월별, 주별, 일별로 분석하여 사용자 스스로 자신의 자세를 자각하여 교정을 유도한다. 이때 하루별로 구분된 데이터를 사용자 자세 통계 정보 처리 알고리즘을 적용하여 한달 간의 자세 교정추이를 시각화 한다. 이때 직선 그래프는 선형 회귀 알고리즘을 통해 추출한 기울기를 사용하였다.

그림 5. 사용자 자세 통계 정보 시각화

Fig. 5. Visualization of user posture statistics

3. Medical Information Recommendation Module

시각화 모듈을 통해 얻어낸 기울기가 음수인 경우에 거북목 자가 진단 페이지로 사용자를 리다이렉트 시킨다. 그리고 진단 결과 거북목에 해당되는 경우에 주변 정형외과 및 거북목 관련된 병원을 추천해준다.

그림 6. 거북목 자가 진단 설문 조사

Fig. 6. Forward head posture self-diagnosis survey

그림 7. 주변 병원 정보 추천

Fig. 7. Recommend information about nearby hospitals

4. 교정 시스템 사용자 비교군 실험 분석

교정 시스템을 통해 자세를 교정한 사용자와 그렇지 않은 사용자 간의 통계 데이터를 분석해본다.

그림 8. 자세 교정을 받지 못한 사용자의 주간 통계 정보 그래프

Fig. 8. Weekly Statistics Graph of Users Without Posture Calibration

그림 9. 자세 교정을 받은 사용자의 주간 통계 정보 그래프

Fig. 9. Weekly Statistics of users with posture corrections Graphs

위의 그래프는 거북목 교정 알람을 받고 자세를 교정한 사용자와 그렇지 않은 사용자의 주간 거북목 통계 그래프이다. 실험은 두 사용자에게 모두 거북목 자세를 모니터링 한다고 알려주었지만, 26세 남성 피실험자에겐 자세 교정 알람을 주지 않았고 23세 여성 피실험자에겐 자세 교정 알람을 주었다. 평일 동안 실험을 진행하였으며, 그래프의 X축은 요일이며, Y축은 디지털 기기를 사용하는 동안 발생한 위험 자세와 주의 자세의 횟수를 합친 값을 사용하였다.

알람을 받지 못한 피실험자는 처음에는 자세에 신경을 쓰는 듯 하였지만 시간이 지날수록 안 좋은 자세로 돌아가는 경향이 있었다. 알람을 받은 피실험자는 시간이 갈수록 꾸준히 자세가 좋아지는 경향이 있었다. 두 피실험자 간의 그래프의 경향을 통해 교정 시스템의 모니터링 및 알람이 자세 교정에 효과가 있음을 확인하였다. 그러나 여건상 부족한 피실험자와 기간을 고려하여 좀 더 확실한 결론을 내리기 위하여 알람을 받지 못한 피실험자를 대상으로 후속 실험을 진행하였다.

5. 사용자 자세 통계 정보를 이용한 후속 실험

후속 실험은 알람을 받지 못했던 피실험자를 대상으로 두 번에 걸친 모니터링을 통해 진행되었다. 첫번째 모니터링 때에는 알람을 받지 않은 채로 2주 동안 자유롭게 거북목 교정 시스템을 통해 자세 통계 정보를 모니터링 하도록 하였다. 그리고 이후에 대략 1주 동안 교정 시스템을 통해 알람을 받으면서 자세 통계 정보를 모니터링 하도록 하였다.

첫번째 실험의 결과를 교차 검증 하고자 후속 실험에는 자세 통계 정보 수식(1)을 이용하여 거북목 교정 시스템의 효과를 확인하고자 하였다. 첫 번째 모니터링 시기에는 이전 실험과 마찬가지로 실험 초반에는 스스로 자세를 신경 쓰고 고치려고 하였으나 시간이 지날수록 안좋았던 자세로 돌아가는 경향을 관찰하였다. 두번째 모니터링 시기에는 첫 번째 실험의 알람을 받았던 피실험자와 동일하게 점차 자세 통계 정보가 좋아지는 것을 확인하였다.

그림 10. 교정을 받지 않은 시기의 자세 통계 정보 그래프

Fig. 10. Posture Statistics at Uncalibrated Time Graph

그림 11. 교정을 받은 시기의 자세 통계 정보 그래프

Fig. 11. Posture Statistics at the time of calibration Graph

6. 데이터셋 분석 및 시스템 발전 방향성 고찰

전체 데이터셋 분석을 통해 사용자 통계 정보 간의 상관 관계를 파악하고 더 나아가 교정 시스템의 발전 방향성에 대해서 고찰해본다.

다음 표에서 데이터셋의 모든 변수 간의 상관 관계를 corelation coefficient를 이용해 계산하여 히트맵을 통해 나타내었다. 주목할 만한 상관 관계는 목, 어깨, 머리 각도와 정상, 경계, 주의 자세 간의 각각의 관계이다.

목과 어깨 각도는 0.72의 양의 상관 관계가 있음이 나타났다. 목과 머리 각도는 0.95로 각도 간의 상관 관계 중에서 가장 강한 양의 상관 관계가 있음이 나타났다. 어깨와 머리 각도는 0.70의 양의 상관 관계가 있음이 나타났다. 이를 통해 목, 어깨, 머리 간의 유기적인 관계가 있음을 수치를 통해 확인하였다.

그림 12. 수집한 모든 변수 간의 상관 계수를 나타낸 히트맵

Fig. 12. Heatmap showing the correlation coefficients between all variables collected

그러나 목, 어깨, 머리의 각도와 자세 간의 상관 관계는 대부분 0.5 미만을 기록하였다. 머리 각도와 정상 자세는 0.42의 양의 상관 관계가 있지만, 주의 자세와의 관계는 0.57의 양의 상관 관계를 갖는 등 상관 관계로는 두 각도와 자세의 변수 간의 의미를 찾기 어려운 결과가 나타났다. 그래서 상관 관계가 아닌 어떤 각도에서 특정 자세의 최댓값이 나오는지 살펴보았다.

목 각도는 각도값이 0.51일 때 경고 자세가, 0.28일 때 주의 자세가, 0.31일 때 정상 자세가 최댓값을 가졌다. 어깨각도는 각도값이 0.02일 때 경고 자세가, 0.04일 때 주의 자세가, 0.05일 때 정상 자세가 최댓값을 가졌다. 머리 각도는 각도값이 1.15일 때 경고 자세가, 1.37일 때 주의 자세가, 1.40일 때 정상 자세가 최댓값을 가졌다. 또한 그래프에서도 특정 각도를 중심으로 값들이 퍼져나가는 분포가 존재한다. 이를 통해 각도와 자세 간의 관계는 상관 계수가 아닌 데이터의 분포를 통해 파악할 수 있는 가능성을 확인하였다. 그리하여 후속 연구에서는 데이터셋을 충분히 확보하여, 통계적 검증을 하고 나아가 변수 간의 상관 관계 및 패턴을 확인할 필요가 있다.

그림 13. 목 각도와 각 자세 상태 간의 분포 그래프

Fig. 13. Distribution graph between neck angle and each posture state

그림 14. 어깨 각도와 각 자세 상태 간의 분포 그래프

Fig. 14. Distribution graph between shoulder angle and each posture state

그림 15. 머리 각도와 각 자세 상태 간의 분포 그래프

Fig. 15. Distribution graph between head angle and each posture state

Ⅵ. 결론

본 논문에서는 실시간 거북목 증후군 자세 교정 및 예방 시스템 설계에 대해서 연구하였다. 이번 연구에서는 사용자가 정면에서 디지털 기기를 사용할 때만을 다뤘다. 정면 데이터만으로는 알고리즘의 정확도를 높이기 어렵다는 문제가 있었다. 따라서 향후 연구에서는 블루투스와 같은 근거리 통신 기술을 이용하여 사용자의 또 다른 디지털 기기를 활용하여 측면 데이터를 얻어 거북목 판단 알고리즘의 정확도를 높여 시스템의 성능을 향상시키는 방법을 제안할 예정이다.

또한 클라우드를 통해 효율적인 빅데이터 처리가 가능하기에^[10] SaaS 등을 이용하여 ETL 데이터 파이프라인을 구축하여 더 많은 데이터를 안정적으로 수집하고 이 데이터를 처리하여 사용자의 자세 통계 정보를 저장하는 데이터 웨어하우스를 구축할 것이다. 이를 통해 효율적으로 데이터를 수집하며 사용자 통계 정보를 시각화 할 수 있도록 하는 방법 또한 같이 제안할 예정이다.