Asian J Kinesiol Search

CLOSE


Asian J Kinesiol > Volume 25(2); 2023 > Article
Hong, Joo, An, and Kong: Developing an Augmented Reality-Based ‘Senior Fitness Test’ System for Elderly Individuals with Frailty

Abstract

OBJECTIVES The aim of this study is to compare the results of an Augmented Reality (AR)-based Senior Fitness Test (SFT) with those evaluated by exercise experts, in order to confirm their agreement. Methods This study was conducted on 56 frail and pre-frail elderly women who could communicate and had consented to the purpose and objectives of this study. Consistency and reliability were evaluated via the intra-class correlation coefficient (ICC) and Cronbach α between the senior fitness test results obtained using the AR-based technology and the results measured by exercise specialist. Moreover, the Bland-Altman plot was used for comparison. Results The consistency between the results obtained using the AR-based SFT system and those measured by exercise specialist is as follows: Chair Stand Test (ICC=0.877, 95%C.I.=.792-.928, Cronbach α=0.939), Arm Curl Test (ICC=0.855, 95%C.I.=.758-.914, Cronbach α=0.927), Step in Place Test (ICC=0.788, 95%C.I.=.663-.870, Cronbach α=0.879), 2.44 m Timed up and go (ICC=0.822, 95%C.I.=.715-.892, Cronbach α=0.902), Chair Sit and Reach Test (ICC=0.938, 95%C.I.=.897-.963, Cronbach α=0.968), and Back Scratch Test (ICC=0.846, 95%C. I.=.750-.907, Cronbach α=0.919). These results indicate that both evaluation methods are highly consistent. Conclusions The AR-based SFT system developed in this study is a reliable, functional evaluation method that is not affected by the skill level of the fitness test administrators. The data obtained using this system can be utilized in the future to prescribe individualized exercises for frail elderly people.

서론

노쇠(Frailty)란 노화에 따른 다양한 요인으로 생리적인 기능 감소에 의해 외부의스트레스에 대한 대응 체계가 취약해져 질환 이환이나 장애의 위험성이 증가되어 있는 상태로, Cardiovascular Health Study(CHS)연구의 Frailty Criteria로 판정하고 있다[1]. 노쇠는 고령일수록 그리고 남자보다 여자에게 유병률이 높다. 노쇠로 인한 임상 증상은 주로 신체활동 감소, 근감소증, 보행속도의 저하 등이며, 이러한 요소들이 연쇄적으로 악순환(Cycle of Frailty)으로 연결되어 노쇠의 진행 및 악화가 이루어진다[2]. 노쇠의 개념에서 중요한 것 중 하나는 한번 노화에서 노쇠로 가면 회복되기가 어렵다는 점이다. 따라서 노쇠로 가지 않도록 꾸준한 질병의 관리와 체력평가를 기반으로 잘 짜여진 운동프로그램의 참여가 요구된다.
노인체력검사(Senior Fitness Test, SFT)는 전세계 267곳에서 60세~94세의 남녀 고령자 7천명 이상을 측정한 근거자료로 기준치가 형성되었고 검사의 타당성 및 신뢰성이 보고된 바 있으며, 검사의 수행 및 점수화가 용이해 다른 측정과 비교 시 상대적으로 용이하다는 특성이 부각되어 널리 보급되고 있다[3]. 특히 국내 고령자를 대상으로 한 비교 작업과 타당성이 증명되어 국내연구에도 적용이 증가하는 추세에 있다[4]. 하지만 일부 검사 동작의 경우는 검사자의 도움 없이 시행할 수 없기 때문에 검사자와의 검사 일정을 별도로 잡아야 하고, 숙련된 운동 검사자의 관리 하에 진행되어야 한다는 한계점도 있다[5]. 특히 검사 계획, 교육, 실시 등을 표준화하여 체력검사를 시행하고 있지 못한 국내 실정에서는, 체력 검사 시행 때마다 객관성을 검증 받지 않은 검사자로 인해 검사 결과의 신뢰성에 의문이 제기되고 있다[6]. Adamo 등은 노인 여성을 대상으로 SFT를 시행한 연구에서, 표준화된 검사자 교육과 검사 기준을 바탕으로 SFT를 실시하더라도, 서로 다른 장소에서 각각 다른 검사자에 의해 검사가 이루어질 경우, 검사 결과에 차이가 발생할 가능성이 있다고 하였다[7]. 이는 검사 절차, 내용 및 평가 기준에 대한 검사자의 개인적 숙지 정도에 따라 노인체력검사의 해석과 운영에 편차가 존재할 수 있음을 의미하며 이런 편차를 줄이기 위한 기술적인 접근이 필요하다.
Kinect 센서에는 4개의 마이크 어레이, 컬러 카메라, Depth 카메라 등이 장착되어 있어 촬영 중인 피사체의 컬러 및 3D 깊이 이미지를 모두 캡처할 수 있다. 피사체가 사람일 경우 센서가 자동으로 골격 및 관절 데이터를 추출하여 사용자가 이 정보에 쉽게 접근할 수 있도록 하여 이 기술을 활용한 체력검사가 가능하다[15]. 또한 최근에 증강현실(Augmented Reality, AR) 기술이 현실화되면서, 전세계 시장이 크게 성장하고 있다. 2016년 2.5조원에서 2020년 92조원으로 성장할 것으로 예상되며 의료 분야에도 활발한 적용이 전망되고 있다[8]. AR기술은 실제 현실에 가상 객체를 실시간으로 혼합하여 보여주어 보다 향상된 몰입감과 현실감을 제공하여 다양한 분야에서 널리 활용되고 있다. 최근에는 AR기술을 활용한 다양한 대상의 운동중재에 관한 연구가 보고되고 있지만[9,10,11], 아직까지 본 기술을 활용한 노인체력검사에 관한 연구는 전무한 실정이다.
따라서 본 연구에서는 노인체력검사를 수행함에 있어, 체력평가 검사자들의 편차로 인한 검사 결과의 오류를 줄이기 위해, Kinect 센서를 활용한 AR 안경 기반의 체력평가 시스템을 개발하고자 한다. 또한 노쇠 및 전노쇠 여성 노인을 대상으로 개발한 AR 안경 체력평가 시스템의 결과와, 운동 전문가가 평가한 체력 검사 결과의 일치도를 확인하고자 한다.

연구방법

연구대상 및 절차

본 연구의 목적과 취지에 동의하고 의사소통이 가능하며 노쇠지표인 CHS의 Frailty criteria를[12] 기초로 체중 감소, 정서적 고갈, 신체적 활동, 보행속도, 악력 중 3가지 이상에 해당하거나 1-2가지 해당하는 노쇠 및 전노쇠 노인 56명을 대상으로 하였다<Table 1>. 본 연구는 S 대학교 병원 생명윤리위원회의 승인을 받아 진행하였다(IRB NO: H-1911-178-1082).
연구대상수는 두 측정방법에 의한 ICC 추정 시 일정수준의 정밀도(precision)을 확보하기 위한 관점에서 산출하였다[13]. 두 측정방법에 의한 ICC(Intra-class Correlation Coefficient) 값을 0.8정도로 기대할 때, 95% 신뢰구간 너비를 0.2 정도 수준으로 확보하기 위하여 최소 55명 이상이 필요하였다[14].
총 56명의 피험자가 노인체력검사의 6가지 항목에 대한 운동 동작을 시행하였다. 이를 AR 안경 체력평가 시스템과 숙련된 한명의 운동전문가가 동시에 측정하여 그 결과를 기록하였다. 운동전문가는 체육학 박사학위 소지자로 노인체력검사경력이 20년 이상인자로 선정하였다. 기본적으로 AR 안경과 Kinect v2를 이용하여 노인체력검사 시스템을 구성하였다<Figure 1>. 운동전문가는 랩탑 PC와 인터페이스 된 AR 안경을 착용하여, 무선 네트워크 접속(100Mbps)이 제공되는 환경에서 웹 브라우저(Google Chrome v89)를 통해 테스트와 관련된 정보를 실시간으로 시각적으로 확인하였다.

AR 안경과 Kinect v2를 이용한 노인체력검사 알고리즘

노인체력검사(SFT: Senior Fitness Test)는 Rikli & Jones가 개발한 검사방법을 채택하였으며, 검사항목은 하지근력, 상지근력, 심폐지구력, 민첩성과 동적 평형성, 하체 유연성, 상체유연성으로 구성되어있다[3].
Labview 기반 Haro3D (v1.0.0.5) 패키지를 사용해 skeletons와 3D 포인트 클라우드(including colors)의 데이터를 획득하였다. 검사 전 Kinect v2센서로 연구대상자를 촬영 후, 골격 모델을 먼저 생성하고, 25개의 스켈레톤 joints를 자동으로 인식하게 한 후 각 joint에 X, Y, Z 좌표를 실시간으로 대상자의 측정 동작에 따라 연구대상자의 스켈레톤으로 올바른 동작의 여부를 실시간으로 판단하는 알고리즘을 개발해 정량적인 검사 결과를 출력하게 하였다[15].
3D 포인트 클라우드 거리 측정 모듈을 성능을 시험하기 위해 붉은색 스티커와 파란색 스티커를 부착해 두 점 사이의 거리를 30cm자를 이용해 측정하였고, Kinect v2와 비교 하였다. 오차는 0.0898cm로 오차를 가지고 실험을 진행하였다.

의자 앉았다 일어나기 측정 알고리즘

하지근력의 측정 항목으로는 의자 앉았다 일어나기(chair sit to stand)를 하였고, 양팔을 가슴에 교차한 뒤 30초간 앉았다 일어선 횟수를 측정하였다. Kinect v2 스켈레톤 joints 중 SPINE_SHOULDER의 데이터를 실시간으로 트레킹하여 연구대상자의 일어섰을 때 스켈레톤과 앉았을 때의 X,Y,Z 값을 측정 전 피험자에게서 1회 측정하여 카운터의 기준이 되는 좌표로 사용되었다. Kinect v2의 출력되는 SPINE_SHOULDER 데이터가 일어섰을 때와 앉았을 때 좌표가기준 범위에 도달하면 0.3cm 오차를 가지고 참이 되고 일어섰을 때와 앉았을 때 데이터가 논리연산 “AND”를 적용하여 모두 참이 되면 1회 측정한 것으로 판단하였다.

덤벨 들기 측정 알고리즘

상지근력의 측정 항목으로는 덤벨 들기(arm curl)를 였다. 2kg의 덤벨을 한 손에 들고 30초 동안 팔꿈치를 폈다 구부린 횟수를 측정하였다. Kinect v2 스켈레톤 joints 데이터 중 WRIST, ELBOW, SHOULEDER를 기준으로 삼각형의 각도를 추출하였다. 0.3cm의 오차를 가지고 계산되는 삼각형의 각도가 하측 120도, 상측 50도 범위에 도달하면 참이 되고 데이터가 논리연산 “AND”를 적용하여 모두 참이 되면 1회 측정한 것으로 판단하였다. 본 알고리즘은 다음과 같은 수식을 활용하였다. ab·ac = ||ab|| ||ac|| cos(θ) 각각의 좌표를 이용해 두개의 벡터를 생성하고, 두 벡터의 내적을 계산하고 두 벡터 사이의 각도를 계산 하였다<Figure 1>.

2분 제자리걷기 측정 알고리즘

심폐지구력 측정항목인 2분 제자리걷기(2min step in place)는 2분 동안 제자리에 서서 각 무릎이 슬개골과 장골의 1/2지점까지 올라온 횟수를 측정하였다. Kinect v2 스켈레톤 joints 데이터 중 HIP과 KNEE 사이 1/2 지점에 가상의 선을 생성하고 0.3cm 오차를 두고 KNEE이 가상의 선을 넘으면 1회 측정한 것으로 판단하였다.

2.44m왕복걷기 측정 알고리즘

민첩성과 동적 평형성을 위한 2.44m왕복걷기(2.44 m Timed up and go)는 의자에 앉은 상태에서 ‘시작’이라는 구령과 함께 의자에서 일어나 2.44m 떨어진 콘까지 걸어갔다가 다시 돌아서 오는데 걸리는 시간을 측정하였다. 점수가 낮을수록 민첩성과 동적 평형성이 좋은 것을 의미한다. 시작과 동시에 START 버튼을 누르고 스켈레톤 joints 중 Ankle이 경계선에 좌표 지점에 닿으면 자동으로 시간이 저장되게 하였다.

하지 유연성 측정 알고리즘

의자 앉아 앞으로 굽히기(chair sit and reach)를 통한 하체유연성은, 의자에 앉은 상태로 한쪽 다리를 구부리고, 다른 한쪽 다리는 쭉 뻗어 허리를 구부린 상태에서 손을 발쪽으로 뻗은 뒤 발끝을 기준으로 손가락의 끝이 넘어갔을 때 플러스(+)로, 넘어가지 않았을 때 마이너스(-)로 표기하였다. 오른쪽 가운데 손가락 끝과 발끝에 빨강색과 파란색 스티커를 부착하고 Kinect v2에서 3차원 데이터(포인트 클라우드)를 저장하였다. 자체 개발한 뷰어 프로그램으로 저장된 3D 포인트 클라우드 값을 불러와 분석을 진행하였다. 스티커 색상값(RGB)을 검색하고 해당 색상의 3D 좌표 값을 가지고 와서 검출한 빨강색과 파란색 스티커의 위치 값으로 거리를 계산하였다.
변의 길이를 구하는 수식은 다음과 같다.
((x2 - x1) * (x2 - x1) + (y2 - y1) * (y2 - y1) + (z2 - z1) * (z2 - z1))

상지 유연성 측정 알고리즘

등 뒤에서 손잡기(back scratch)를 통한 상체유연성은, 한 손은 어깨 위로 다른 손은 어깨 밑으로 하여 등 뒤에서 양손을 잡도록 한 후 양손의 가운데 손가락의 사이의 거리를 자로 측정하여 서로 만나지 않으면 마이너스(-)로, 만나면 플러스(+)로 표기하였다. 오른쪽 가운데 손가락 끝과 왼쪽 가운데 손가락 끝에 각각 빨강색과 파란색 스티커를 부착하고 Kinect v2에서 포인트 클라우드 데이터를 저장하였다. 자체 개발한 뷰어 프로그램으로 저장된 3D 포인트 클라우드 값을 불러와 분석을 진행하였다. 스티커 색상값(RGB)을 검색하고 해당 색상의 3D 좌표 값을 가지고 와서 검출한 빨강색과 파란색 스티커의 위치 값으로 거리를 계산하였다. 수식은 하지 유연성알고리즘과 동일하다.

측정 항목 및 도구

AR 안경과 Kinect v2

AR 안경은 Nreal Light(Nreal, Matrix Reality Technology Co., Beijing, China)를 사용하였고, Time-of-Flight 카메라 센서는 Kinect for Windows v2(Microsoft Corporation, Washington, United States)를 사용하였다.

통계 분석

노인체력평가 6개 지표의 각 측정 방법 별 평균, 표준편차를 계산하고, 지표 별 두 측정 결과의 차이에 대해서도 기술통계량을 계산하여 측정 방법의 일치 정도를 파악하였다. 두 측정 결과의 상관계수 및 ICC를 추정하여 두 방법의 일치도를 확인하였다. ICC 추정 시, 평가방법(AR안경의 노인체력검사 플랫폼 vs 운동전문가)은 fixed effect, 참여자는 random effect로 한 two-way mixed effect model을 이용하였다. 내적 일관성 신뢰도(internal consistency reliability)를 검증하기 위해 Cronbach α계수를 사용하였다. 두 방법의 평균과 차이를 Bland-Altman Plot으로 시각화 하였다[17].
통계 분석은 SPSS 21.0(IBM Co., Armonk, NY, USA)을 사용하였다.

결과

운동전문가와 AR안경 기반 시스템의 일치도와 신뢰도 결과

운동전문가에 의해 측정된 결과와 AR안경 기반의 노인체력평가 시스템의 결과의 일치도는 <Table 2>에 제시한 바와 같다.
의자 앉았다 일어나기 검사는 ICC=0.877, 95%C.I.=.792-.928, Cronbach α=0.939, 덤벨 들기는 ICC=0.855, 95%C.I.= .758-.914, Cronbach α=0.927, 2분 제자리 걷기는 ICC=0.788, 95%C.I.=.663-.870, Cronbach α=0.879가 나타났다. 또한 2.44m왕복걷기는 ICC=0.822, 95%C.I.=.715-.892, Cronbach α=0.902, 앉아 앞으로 구부리기는 ICC=0.938, 95%C.I.=.897-.963, Cronbach α=0.968, 등 뒤에서 손잡기는 ICC=0.846, 95%C.I.=.750-.907, Cronbach α=0.919의 결과가 나타났다.

Bland-Altman plot

운동전문가에 의해 측정된 결과와 AR안경 기반의 노인체력평가 시스템 두 방법의 평균과 차이를 Bland-Altman Plot으로 시각화한 결과는 <Figure 2>에 제시한 바와 같다.

논의

이 연구는 체력평가 검사자들의 편차로 인한 검사 결과의 오류를 줄이기 위해, 노인체력검사가 가능한 안경형 AR 시스템을 개발하고 실제 고령자를 대상으로 그 성능을 검증하는 것을 목표로 하였다.
노쇠노인은 일반 노인에 비해 낙상, 장애 등의 위험이 높고[19], 최근에는 노인의 주요 사망원인의 1위로 보고됨에 따라 세계적으로도 많은 주목을 받고 있다[20]. 이러한 노쇠를 예방하고 노인의 독립적인 일상생활을 위해서는 적극적인 운동중재가 요구되는데 이 때 개개인에게 알맞은 운동프로그램을 제공하기 위해서는 노인의 체력평가를 통한 정확한 체력상태를 파악하는 것이 중요하다. 노인체력검사는 각 항목의 신뢰성과 타당성이 보고되어 다양한 상황에서 사용할 수 있다[3]. 하지만 검사자의 개인적인 숙지 정도와 숙련도에 따라 검사결과가 달라질 수 있어 이에 영향을 받지 않는 평가방법의 개발이 필요하다.
본 연구는 56명의 노쇠 및 전노쇠 여성 노인을 대상으로 AR안경을 이용한 체력평가 시스템과, 운동 전문가가 평가한 체력 검사 결과의 일치도를 확인하는 것을 목적으로 시행되었다. 이에 Absolute agreement의 관점에서 Two-Way Mixed Effects Model을 사용해 ICC를 추정하였다. 노인체력검사의 6가지 항목의 ICC값은 각각 의자 앉았다 일어나기 검사는 ICC=0.877, 아령 들기는 ICC=0.855, 2분 제자리 걷기는 ICC=0.788, 2.44m왕복걷기는 ICC=0.822, 앉아 앞으로 구부리기는 ICC=0.938, 등 뒤에서 손잡기는 ICC=0.846의 결과가 나타났다. 단일측도 값과 신뢰구간의 하한이 >.75이면 매우 높은, >.40이면 중간정도의 높은, <.40이면 낮은으로 해석할 수 있는데, Cicchetti & Sparrow [16]와 Fleiss [14]에서 제시한 기준인 0.75보다 크므로 두 평가방법의 일치도와 신뢰도가 높아 두 방법 간에 차이가 없다고 할 수 있다. 본 연구결과에서 제시한 Bland-Altman Plot은 동일한 대상에 대한 두 가지 측정 방식을 비교할 때 사용하고, 두 체력 측정 방법의 일치도를 평가하고자 하는 본 연구의 목적에 부합하는 시각화 방식이다[18]. 대부분의 점이 일치도 한계 범위 안에 있으며 0 주위에 몰려 있는 것을 확인할 수 있고 점들이 특정 패턴을 보이지 않기 때문에 두 측정 방법에 큰 차이가 없다고 판단할 수 있다.
증강현실을 구현하는데 있어 착용이 용이한 AR 안경은 중요한 요소이다. 스마트폰이나 태블릿으로도 구현이 가능하지만 실제감과 몰입감을 위해서는 AR 안경이 효과적이다. 초기에는 기술적인 문제로 피로감이나 어지러움 등을 유발해 사용자 친화적이지 않았지만, 최근에는 해상도가 높아지고 무게도 가벼워 일반 안경과 큰 차이가 없을 정도로 발전하고 있다[21]. AR 안경의 디스플레이 장치는 반투명 디스플레이를 활용해 주위 배경을 확인할 수 있어 가시성이 높은 화면을 활용해 일상생활에서도 사용이 가능하다. 본 연구에서 사용한 Nreal 안경은 사용자가 실제보다 더 큰 화면을 보는 것 같은 느낌을 주고, 투명한 렌즈를 통해 시야를 가리지 않고 자유로운 이동과 활동이 가능하였다. 어떤 자세에서도 모니터 역할을 하는 화면이 눈앞에 있어, 자세변화에 능동적으로 대처할 수 있고 다양한 컨텐츠를 시각피드백 장치로 활용할 수 있다는 점에서 앞으로 활용도가 증가할 것으로 생각된다[22,23]. 특히 본 연구에서는 체력검사를 실시하는 동안 대상자의 동작 반복 횟수, 동작 소요시간, 길이 정보 등을 실시간으로 운동전문가에게 제공하고 있어 운동전문가는 체력검사 중에도 대상자의 표정이나 몸의 상태를 수시로 확인할 수 있었다. 또한 대상자들에게 적극적인 피드백을 제공하여 체력검사의 목표를 효과적으로 달성할 수 있게 하였고, 노인체력검사 시 일어날 부상의 위험도를 줄일 수 있었다고 생각한다. 뿐만 아니라 운동전문가는 AR 안경을 사용하여 노인체력평가 중 검사방법과 주의사항을 실시간으로 제공 받음으로써 검사의 정확성과 일관성을 향상시킬 수 있다고 생각한다.
다만 몇가지 제한점을 가지고 있다. 첫째, 2분 제자리 걷기와 덤벨 들기, 의자 않았다 일어나기의 오차허용 범위를 0.3cm로 지정해 이 범위안에 들어 올 경우 카운트를 하였는데, 오차 허용범위에 대한 추가적인 연구가 필요해 보인다. 본 연구에서는 파일럿 테스트를 통한 전문가 회의를 통해 수치를 지정하였으나, 오차범위에 따라 정확도의 결과에 많은 영향을 미칠 것으로 생각된다. 둘째, 본 연구에서 사용한 Nreal 안경의 경우 사용을 위해 항상 디바이스와 유선으로 연결해야 하고 애플리케이션의 제어를 위한 인터페이스가 불편해 이 점에 대한 개선이 필요해 보인다. 이런 점이 개선된다면, 추후 AR안경을 통한 운동참여, 운동지도 등 다양한 형태와 대상으로의 활용이 가능할 것이라고 생각된다.

결론

본 연구에서 개발한 AR안경 기반의 노인체력평가 시스템은 평가를 실시하는 검사자의 숙지정도에 영향을 받지 않는 신뢰할 수 있는 기능적 평가 방법으로, 추후 노쇠 노인의 개인의 운동처방을 위한 자료로 활용할 수 있을 것으로 생각된다.

Acknowledgements

This work was supported by the Ministry of Education of the Republic of Korea, National Research Foundation of Korea (NRF-2019S1A5A8033341).

Conflicts of Interest

The authors declare no conflict of interest.

Figure 1.
SFT using AR glasses and Kinect v2.
ajk-2023-25-2-36f1.jpg
Figure 2.
Bland-Altman plot for two measurements
ajk-2023-25-2-36f2.jpg
Table 1.
Characteristics of subjects. (n=56) (M±SD)
Age(years) height(cm) Weight(kg)
73.66±5.92 152.99±4.53 58.28±8.09
Table 2.
Intra-class Correlation Coefficient and Cronbach α of Exercise Instructor and AR for SFT.
Variables Type Mean±Sd ICCa 95% CI Cronbach α
Chair Stand ESb 14.38±3.51 .877 .792 - .928 0.939
ARc 13.84±3.59
Arm Curl ES 18.32±3.83 .855 .758 - .914 0.927
AR 17.71±3.67
Step in Place ES 69.20±19.41 .788 .663 - .870 0.879
AR 68.86±22.26
2.44 m Timed up and go ES 6.79±1.28 .822 .715 - .892 0.902
AR 6.70±1.34
Chair Sit and Reach ES 14.09±7.63 .938 .897 - .963 0.968
AR 14.42±7.08
Back Scratch Test ES -13.96±11.99 .846 .750 - .907 0.919
AR -12.14±14.82

a ICC: Intraclass correlation coefficients

b ES: Exercise Specialist

c AR: Augmented Reality Glasses

References

1. Bibas L, Levi M, Bendayan M, et al. Therapeutic interventions for frail elderly patients: Part I. Published randomized trials. Prog Cardiovascular Dis. 2014; 57(2): 134–143.
crossref
2. Kim KI. Frailty: A core geriatric concept. J Korean Geriatr Soc. 2010; 14(1): 1.
crossref
3. Rikli RE, Jones CJ. Senior Fitness Test manual. 2 ed. Human Kinetics; 2013.

4. Hong SY. Comparison of senior fitness test scores of Korean older women with SFT normative scores. Korean J Phys Edu. 2008; 47(5): 405–13.

5. Keith NR, Stump TE, Clark DO. Developing a self-reported physical fitness survey. Med Sci Sports Exerc. 2012; 44(7): 1388–94.
crossref pmid pmc
6. Kang SJ. National Physical Fitness Survey: Problem and its future challenge. A J Kinesiol. 2007; 9(1): 121–32.

7. Adamo DE, Talley SA, Goldberg A. Age and task differences in functional fitness in older women: Comparisons with senior fitness test normative and criterion-referenced data. J Aging Phys Acti. 2015; 23(1): 45–54.
crossref
8. Jung HS, Kim KY, Hyun DH. Analysis of priorities of policy implementation tasks for revitalizing virtual reality (VR) and augmented reality (AR) industries. J Korea Cont Assoc. 2021; 21(9): 12–23.

9. Jeon S, Kim J. Effects of augmented-reality-based exercise on muscle parameters, physical performance, and exercise self-efficacy for older adults. Int J Environ Res Public Health. 2020; 17(9): 326.
crossref pmid pmc
10. Lee BH, Kim SY, Seo HD, et al. The clinical usefulness of augmented reality based on exercise program for spatiotemporal parameters in children with cerebral palsy. J Spec Edu Rehabil Sci. 2009; 48:211–30.

11. Lee J, Yoo HN, Lee BH. Effects of augmented reality-based Otago exercise on balance, gait, and physical factors in elderly women to prevent falls: a randomized controlled trial. J Phys Therapy Sci. 2017; 29(9): 1586–9.
crossref pmid pmc
12. Fried LP, Tangen CM, Walston J, et al. Frailty in older adults evidence for a phenotype. J Gerontology Ser A: Bio Sci Med Sci. 2001; 56(3): M146–M157.
crossref
13. Bonett DG, Wright TA. Sample size requirements for estimating Pearson, Kendall and Spearman Correlations. Psychometrika. 2000; 65(1): 23–8.
crossref pdf
14. Bonett DG. Sample size requirements for testing and estimating coefficient alpha. J Edu Behav Stat. 2002; 27(4): 335–40.
crossref pdf
15. Hong JY, Kong HJ. Development of Kinect sensor-based muscle strength test of the elderly. A J Kinesiol. 2017; 19(3): 45–51.

16. Cicchetti DV, Sparrow SA. Developing criteria for establishing interrater reliability of specific items: Applications to assessment of adaptive behavior. Am J Mental Defi. 1981; 86(2): 127–37.

17. Fleiss JL. Statistical methods for rates and proportions. 1st Edition. John Wiley & Sons; London: 1981; p218.

18. Bland JM, Altman DG. Statistical methods for assessing agreement between two methods of clinical measurement. Lancet. 1986; 327(8476): 307–10.
crossref
19. Bandeen-Roche K, Xue QL, Ferrucci L, et al. Phenotype of frailty: Characterization in the women’s health and aging studies. J Gerontol A Biol Sci Med Sci. 2006; 61(3): 262–26.
crossref pmid
20. Gill TM, Gahbauer EA, Han L, et al. Trajectories of disability in the last year of life. N Engl J Med. 2010; 362(13): 1173–81.
crossref pmid pmc
21. Lee JC. Advances in AR glasses. Magazine of the SAREK. 2022; 51(7): 84–5.

22. Shim BK. Study of graphic user interface for GPS in AR glasses [thesis]. Graduate School Duksung Women’s University; 2022.

23. Choe A, Hwang JI. Wearable mixed reality research and industry trends: HMD and interaction. Commun Kor Inst Informat Sci Eng. 2015; 33(11): 19–29.

TOOLS
Share :
Facebook Twitter Linked In Google+ Line it
METRICS Graph View
  • 0 Crossref
  •    
  • 1,144 View
  • 66 Download
Related articles in AJK


ABOUT
BROWSE ARTICLES
ARTICLE CATEGORY

Browse all articles >

AUTHOR INFORMATION
Editorial Office
The Office of 10th Gangnam Sangga, 303, Hyoryong-ro, Seochogu, Seoul, Korea (06643)
Tel: +82-10-4044-3814    E-mail: ajk.editor@gmail.com                

Copyright © 2024 by The Asian Society of Kinesiology and the Korean Academy of Kinesiology.

Developed in M2PI

Close layer
prev next