Remake

Data remake

#시작하며

지난 시간까지 동일 각도상 이동을 통해 raw data를 구현하였다. 하지만 이는 캡스톤 연구에서 발명한 ED 측정방법의 방식과 동일하여, 같은 방식으로 구해진 data를 통해 발명한 ED 측정 방법의 정확도를 표현하는 것이 맞지 않기 때문에, 동일 각도상이 아닌, 각도를 벗어난 raw data를 구현해 볼 것이다.

 

#Remake

데이터를 새롭게 구현함에 앞서 생각했던 것은, 기존에 사용했던 동일한 각도상에서 Pair의 위치 이동의 틀에서 벗어나 새로운 방법으로 구현을 하는데 중점을 두었다. 그 결과로, Base Line을 기준으로 동일 각도상 이동하는 것이 아닌, x, y좌표 축으로 랜덤하게 이동하여 새로운 Pair를 찾는 방법을 고안하게 되었다.

 

• Base Line을 기준으로 x,y 좌표상 Error값 첨가

1. Base Pair ①에 +(err_x, err_y)를 더하여 새로운 좌표 ②를 구한다.
2. Base Pair와 원점을 지나는 직선 a를 구한다.
3. 직선 a와 평행하고 Pair(i+1)을 지나는 직선 b를 구한다.
4. 점 ①과 ②를 지나는 직선 c를 구한다.
5. 구해진 직선 b와 c의 교차점을 구한다.
6. 점 ①에서 교차점의 거리와 점 ②의 거리를 비교한다.
7. 해당 값을 통해 교차점까지 거리보다 이하의 좌표 값이 발생하면 적절한 err_x, err_y 값을 다시 설정한다.

위와 같은 방법으로 새로운 Error Pair를 생성하였다. 7번과 같이 Pair(i)의 값이 Pair(i-1) ~ Pair(i+1)사이에서만 이동하도록 설정하여 추가적으로 발생하는 overflow나 Error를 방지하였다. 

 

• Pair 수 증가

다음 과정으로는, 앞서 구현한 방법을 사용하여 Pair의 수를 증가시켰다. 해당 증가는, Smoothing을 거치기 위해 수행한 과정이다.

 

• Smoothing

Pair = 1500

 

• LPF

Smoothing -> LPF

우리가 얻고자 하는 data는, 환자가 작성한 나선그리기 검사를 기준으로 추출한 운동성분에 대한 목표선에서 벗어난 거리이기 때문에, 생성한 data를 기반으로 smoothing을 거치고 Low Pass Filtering을 수행하여 운동성분을 추출하였다.

 

#실제 데이터와 비교

마지막으로 생성한 데이터와 실제 측정한 데이터를 비교하였고, 위와 같이 실제 데이터와 유사한 형태의 데이터를 형성하였다.

 

#마치며

이번 포스팅에서는, 기존에 동일 각도상 이동 과정을 통해 생성했던 방법이 아닌, 새로운 좌표 이동을 통한 데이터 생성 방법을 제시하였다. 또한 해당 과정에서 얻어진 결과 데이터를, 실제 데이터와 비교하는 과정을 통해 생성 데이터와 높은 유사성을 확인할 수 있었다. 다음 포스팅에서는, 해당 생성 데이터를 기준으로 개발한 알고리즘을 적용하고, 다른 방법들과 비교 분석하는 과정을 통해, 개발 알고리즘에 대한 우수성을 입증할 것이다.