이 콘텐츠를 보려면 JoVE 구독이 필요합니다. 로그인하거나 오늘 무료 평가판을 시작하세요.

방법 논문

구현된 태극권 지식을 무형문화유산 커뮤니케이션으로 전환하기 위한 모션 기능 기반 동적 시각 디자인 프로토콜

72 조회수

⸱

DOI:

10.3791/72430

⸱

2026년 7월 28일

 , 
1Faculty of Innovation and Design, City University of Macau, 2School of Design and Creativity, Guilin University of Electronic Technology

이 논문에서

요약

이 프로토콜은 마커리스 모션 캡처와 모션 기반 시각 매핑을 사용하여 동작 기반 무형문화유산의 소통을 지원하기 위해 구현된 태극권 동작을 역동적인 시각 디자인으로 캡처, 분석, 번역하는 재현 가능한 워크플로우를 설명합니다.

초록

이 프로토콜은 몸에 담긴 태극권 동작을 역동적인 시각 디자인으로 변환하여 움직임 기반 무형문화유산의 소통을 지원하는 재현 가능한 워크플로우를 설명합니다. 움직임 기반 문화 실천으로서 태극권은 신체 리듬, 궤적, 체중 이동, 균형을 통해 지식을 전달하는데, 이는 전통적인 정적이나 영상 기반 매체로는 전달하기 어려운 부분입니다. 이 프로토콜은 마커리스 모션 캡처, 모션 피처 추출, 규칙 기반 시각 매핑을 통합하여 움직임 특성을 동적 시각적 표현으로 변환합니다. 8가지 대표적인 태극권 폼이 마커 없는 모션 캡처를 사용해 기록되었습니다. MediaPipe Pos로 신체 핵심 지점을 추출하여 궤적 곡률, 움직임의 부드러움, 리듬 안정성 등 움직임 특징을 분석하였습니다. 이러한 특징들은 모션 기능 기반 시각적 번역 프레임워크를 통해 동적인 시각 변수에 체계적으로 매핑되었습니다. 접근법의 효과를 평가하기 위해, 180명의 참가자를 대상으로 한 통제 실험에서 정적 그래픽, 기존 비디오, 그리고 모션 데이터 기반 동적 시각 디자인이라는 세 가지 의사소통 조건을 비교했습니다. 결과 측정에는 지식 획득, 움직임 인식, 체화된 이해, 문화 보존 및 공유와 관련된 행동 의도가 포함되었습니다. 264개의 유효한 동작 시퀀스 분석을 통해 태극권 형태 전반에 걸쳐 움직임-특징 프로필에 상당한 차이가 있음을 확인했습니다. 동적 시각 디자인 조건은 지식 획득, 움직임 의미 인식, 체화된 이해 (모두 p < 0.001)에서 정적 그래픽 및 기존 비디오 조건보다 현저히 우수했습니다. 구조 모델링은 또한 인지된 디자인 품질이 주로 체화된 이해, 미적 참여, 감정적 공명을 통해 보존과 의도 공유에 영향을 미친다는 점을 보여주었습니다. 이 프로토콜은 구현된 움직임 지식을 움직임 기반 무형문화유산의 소통과 해석을 위한 역동적인 시각적 형태로 전환하는 체계적인 방법을 제공합니다.

서론

태극권 또는 태극권은 신체 조정, 원운동, 균형 조절, 내부 조절을 통합한 전통적인 중국 동작 수련입니다. 2020년 유네스코 인류 무형문화유산 대표 목록에 등재된 이 문화적 중요성은 정적인 물질적 유물이 아닌 살아있는 구현된 공연에 크게 의존합니다. 이러한 인식은 디지털 유산 커뮤니케이션에 있어 방법론적 도전을 제기합니다: 움직임 기반 유산을 정적인 상징, 텍스트적 설명, 피상적인 시각적 모티프로 축소하지 않고 어떻게 번역할 것인가.

기존의 디지털 커뮤니케이션은 일반적으로 정적인 텍스트, 정지 이미지 또는 표준 비디오 녹화에 의존합니다. 이러한 포맷은 형태의 외적 자세나 연대기 순서를 기록할 수 있지만, 무게 이동, 리듬 조절, 움직임 연결성 등 실천이 문화적으로 의미를 갖게 되는 내부 신체 논리를 전달하는 데 자주 실패합니다. 최근 움직임 분석의 발전으로 센서 기반 또는 무마커 모션 캡처 방법을 사용하여 신체-관절 좌표와 운동학적 패턴을 정확히 정량화할 수 있게 되었습니다 2,3. 하지만 이러한 기술들이 움직임 인식과 훈련 개입에서는 뛰어나지만, 시각적 문화 커뮤니케이션 잠재력은 아직 충분히 탐구되지 않았습니다. 마찬가지로, 디지털 유산 프로젝트가 점점 더 몰입형 미디어와 데이터 기반 시각화를 채택하고 있지만, 많은 프로젝트가 구조적 문화 해석보다 프레젠테이션 품질을 강조합니다.

신체 인지는 이 격차를 해소하는 데 중요한 관점을 제공합니다. 이 관점에서 문화적 이해는 단순히 시각 표면을 관찰하는 것이 아니라 신체 지각, 감각운동 시뮬레이션, 지각-행동 결합에 의해 형성된다 5,6,7. 시각 예술과 인지과학 연구는 추상이 움직임의 구조적 관계를 보존할 때 못하는 물리적 특성을 인지할 수 있음을 시사합니다. 인터랙티브 시각 커뮤니케이션 연구는 시각적 매력과 사용자 경험이 공공 참여와 보존 의도에 영향을 미친다는 점을 강조합니다. 그러나 유산 프로젝트의 몰입형 미디어는 종종 미적 매력을 우선시하는데, 이는 주목을 끌 수 있지만 근본적인문화 구조를 전달하지 못합니다. 7. 더불어, 움직임을 역동적인 시각 자료로 추상화하는 것은 디자인 논리가 원래 실천과 분리될 경우 인지된 진정성을 약화시킬 위험이 있습니다10. 따라서 구현된 지식을 인지 가능한 형태로 변환하려면 순수하게 직관적인 그래픽 스타일링이 아닌 경험적 움직임 데이터에 기반한 엄격하고 규칙 기반의 설계 논리가 필요합니다.

움직임 데이터와 문화 해석 사이의 간극을 메우기 위해, 이 글은 구현된 태극권 지식을 역동적인 시각 디자인으로 변환하는 재현 가능한 프로토콜을 제시합니다. 핵심 과학적 목표는 태극권 동작에서 추출된 운동학적 특징이 구현된 문화적 의미에 대한 대중의 이해를 향상시키는 해석 가능한 디자인 변수로 작용할 수 있는지 여부를 규명하는 것입니다. 이에 따라 본 연구는 모션 기능 기반 번역 워크플로우, 움직임 특징과 동적 시각 변수 간의 규칙 기반 매핑, 그리고 정적 그래픽, 기존 비디오, 모션 데이터 기반 동적 시각 디자인을 비교한 실증적 평가를 제공합니다.

이러한 데이터 기반 접근법은 대안적 기법에 비해 뚜렷한 장점을 제공합니다11. 전통적인 비디오 녹화가 문자 그대로의 표현만을 제공하거나, 문화적 기반이 부족한 순수한 장식적 애니메이션과 달리, 이 방법은 추출된 운동학적 특징(예: 궤적 곡률, 부드러움, 리듬 안정성, 균형 이동 진폭)을 동적 시각 변수(예: 원형 흐름선, 애니메이션 리듬, 시각 중력)에 직접 매핑합니다. 이 접근법은 토비아스 그렘러의 모션 캡처 기반 쿵푸 모션 시각화 등 이전의 미디어 아트 탐구와 관련이 있지만, 명시적인 특징-시각적 매핑 규칙을 정의하고 통제된사용자 연구를 통해 그 의사소통 효과를 평가한다는 점에서 차이가 있다. 결과적으로 악장의 경험적 구조를 보존하면서도 그 근본적인 논리를 시각적으로 접근 가능하게 만든다.

마지막으로, 이 프로토콜은 디지털 인문학 연구자, 상호작용 디자이너, 유산 실무자들에게 특히 적합하며, 이동 기반 무형문화유산을 디지털화하고 소통하고자 하는 이들에게 적합합니다. 이 프레임워크는 Labanotation과 다릅니다. Labanotation은 전문가의 해석과 보존을 위해 동작 악보를 기록하는 엄격한 표기법 시스템입니다. 반면, 본 프로토콜은 측정된 움직임 메커니즘을 대중의 해석, 문화 전승, 유산 보존을 지원하는 역동적인 시각적 형태로 변환합니다. 접근 가능한 비디오 기반 마커 없는 모션 캡처 시스템과 표준 데이터 처리 워크플로우를 결합함으로써, 연구자들은 이 프레임워크를 태극권뿐만 아니라 다른 신체화된 실천에도 적용할 수 있으며, 모션 인디지드 디자인이 문화적 커뮤니케이션 결과에 미치는 영향을 체계적으로 평가할 수 있습니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

프로토콜

인간 참여자를 포함한 모든 방법은 기관 지침에 따라 수행되었으며, 귀림전자기술대학교 디자인 및 창의성 학교 인간 연구 보호 윤리위원회(승인 번호 2600AL0621)에서 승인받았습니다. 데이터 수집 전에 모든 태극권 수행자와 사용자 평가 참가자로부터 서면 동의서를 받았습니다. 참가자들은 참여가 자발적이며, 익명화된 데이터는 연구 및 출판 목적으로 사용될 것임을 통보받았습니다.

1. 학습 환경 및 장비 준비

  1. 디자인 및 디지털 미디어 실험실에 반사되지 않는 배경과 균일한 조명이 있는 3m × 3m 모션 캡처 구역을 준비하세요.
    참고: 체화된 태극권 동작을 역동적인 시각적 커뮤니케이션으로 번역하는 전체 5단계 워크플로우는 그림 1A에 나와 있습니다. 프로토콜을 뒷받침하는 문헌에서 유래한 방법론적 사슬, 여기에는 운동 분석, 문화적 확산, 사용성 평가, 인지 작업 부하 평가가 포함되어 있으며, 표 1에 요약되어 있습니다.
  2. 두 대의 동기화된 디지털 카메라를 배치하여 각 태극권 시퀀스를 서로 다른 시점에서 녹화하세요. 전방 카메라는 촬영 구역 중앙에서 약 3.5m 떨어진 곳에 설치하세요.
  3. 측면 카메라를 촬영 구역 중심에서 약 3.0m 떨어진 곳에 위치시키세요. 두 카메라를 그림 2A에 보이는 것처럼 가슴 높이에 삼각대에 장착하세요.
  4. 두 카메라 모두 1920 해상도× 1080픽셀, 30프레임/초의 프레임 속도로 녹화하도록 설정하세요. 데이터 수집 전반에 걸쳐 수동 노출과 고정 초점 설정을 사용하세요.
  5. 촬영 구역을 두 개의 확산 LED 패널 조명을 가슴 높이에서 공연자의 앞-왼쪽과 앞-오른쪽에 약 45° 위치시켜 밝힙니다. 데이터 수집 기간 내내 500 럭스에서 균일하고 반사되지 않는 조명을 유지하며, 중립 색온도는 5,600 K로 유지합니다.
  6. 각 시도 전에 캡처 구역에서 두 손으로 치는 동작을 통해 두 카메라를 동기화하세요. 손 접촉을 보여주는 첫 프레임을 사용해 녹화를 정렬하고, 30프레임/초에서 동기화 오류가 1프레임을 초과하지 않는지 확인하세요.
  7. 전방 카메라를 배우의 정면에 수직으로 위치시키고, 측면 카메라는 약 90° 방향으로 배우의 오른쪽에 위치시킵니다. 고정된 초점 설정을 사용하고, 촬영 구역 경계에 바닥 마커를 배치해 두 카메라를 정렬하여 3m× 3m 촬영 영역 전체에서 공연자의 몸 전체가 보이도록 하세요.
  8. 평범하고 반사되지 않는 배경을 사용하고 반사 객체를 캡처 영역에서 제거하세요. 녹화 전에 공연자가 두 카메라 시점에서 완전히 보이는지, 그림자가 몸의 윤곽을 가리지 않는지, 가구, 케이블, 행인이 움직임 경로를 가리지 않는지 확인하세요.
  9. 각 녹화 세션 시작 시 표시된 바닥 그리드를 촬영하고 캡처 영역 경계가 양쪽 카메라 뷰에서 보이는지 확인하여 녹화 공간을 보정합니다. 분석은 미터법 3차원 재구성 대신 마커리스 2뷰 비디오를 사용했기 때문에, 보정은 어깨 너비를 이용한 시야 정렬, 신체 가시성, 그리고 스케일 정규화 검증으로 이루어졌습니다.
  10. 각 녹화를 1920× 1080픽셀, 30프레임/초 MP4 비디오로 H.264 압축을 사용해 저장하세요. 이름 파일 형식은 M##_P##_T#_view.mp4 형식을 사용하며, 여기서 M은 움직임, P는 공연자, T는 재판, 뷰는 전면 또는 측면 카메라를 나타냅니다.
  11. Python 3.11 프로그래밍 환경, OpenCV 컴퓨터 비전 라이브러리, MediaPipe Pose 마커리스 포즈 추정 파이프라인, NumPy 수치 컴퓨팅 라이브러리, pandas 데이터 관리 라이브러리, SciPy 신호 처리 라이브러리를 실행할 수 있는 워크스테이션에서 동작 데이터를 처리합니다. 계산 재현성을 보장하기 위해 데이터 처리에 사용되는 워크스테이션 모델, 운영체제 및 소프트웨어 패키지 버전을 기록하세요.
    참고: 체화된 태극권 동작을 역동적인 시각적 커뮤니케이션으로 번역하는 전체 5단계 워크플로우는 그림 1A–E에 나와 있습니다.

figure-protocol-1
그림 1. 구현된 태극권 동작을 역동적인 시각적 커뮤니케이션으로 변환하는 워크플로우. (A) 태극권 동작 선택, 비디오 기반 모션 캡처, 모션 특징 추출, 규칙 기반 시각 번역, 사용자 평가로 구성된 5단계 연구 워크플로우. (B) 연구에서 분석된 8가지 선정된 태극권 형태. (C) 동기화된 비디오 획득, 자세 추정, 궤적 처리, 움직임 주기 정규화, 특징 추출을 포함한 모션 데이터 처리 파이프라인. (D) 실험적 커뮤니케이션 조건: 정적 그래픽, 기존 비디오, 모션 데이터 기반 동적 시각 디자인. (E) 인지된 커뮤니케이션 디자인 품질, 체화된 이해, 미적 참여, 감정적 공명, 공유 의도, 보존 의도를 연결하는 개념적 틀. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

참고문헌연구 분야이전 작업에서 사용된 데이터 체인통계적 또는 분석 사슬본 연구의 방법론적 함의이전 작업에서 사용된 데이터 체인
호 외 2태극권 동작 분석태극권 동작은 신체-관절 좌표 추적을 통해 기록되었고, 상지 관절 위치와 팔꿈치 각도를 정량화했습니다.정량적 및 정성적 움직임 분석.태극권 움직임을 분석 가능한 내체화된 데이터로 변환하기 위해 신체-관절 좌표, 궤적 특징, 운동학 지표 사용을 지원합니다.태극권 동작은 신체-관절 좌표 추적을 통해 기록되었고, 상지 관절 위치와 팔꿈치 각도를 정량화했습니다.
리 외 3태극권 운동 인정태극권 동작은 관성 측정 단위와 시계열 운동 신호를 사용해 포착되었습니다.시간 합성곱 네트워크 기반 인식 및 개입 피드백.리듬 안정성, 가속 변화, 움직임 순서 구조 등 시간적 움직임 특징 추출을 지원합니다.태극권 동작은 관성 측정 단위와 시계열 운동 신호를 사용해 포착되었습니다.
이 외 4디지털 무형문화유산 보급디지털 무형문화유산 경험에 노출된 참가자들로부터 사용자 경험 데이터를 수집하였습니다.SmartPLS와 퍼지 집합 질적 비교 분석(fsQCA)을 사용하여 정서 반응과 전파 행동을 조사하였다.디지털 경험, 정서적 반응, 문화 정체성, 전파 의도를 연결하는 커뮤니케이션 프레임워크를 지원합니다.디지털 무형문화유산 경험에 노출된 참가자들로부터 사용자 경험 데이터를 수집하였습니다.
브룩15사용성 평가참가자들은 시스템과 상호작용한 후 표준화된 10문항 사용성 설문지를 작성했습니다.시스템 사용성 척도(SUS) 점수는 0에서 100 척도로 계산되었습니다.시각적 커뮤니케이션 인터페이스의 인지된 사용성 측정을 지원합니다.참가자들은 시스템과 상호작용한 후 표준화된 10문항 사용성 설문지를 작성했습니다.
하트 앤 스테이블랜드16인지 업무량 평가참가자들은 과제 완료 후 업무량 차원을 평가했습니다.NASA 작업 부하 지수(NASA-TLX) 점수는 다차원 작업 부하 평가에서 계산되었습니다.모션 데이터 기반 동적 시각 프로토타입이 과도한 인지 부담 없이 사용자 이해도를 향상시키는지 평가를 지원합니다.참가자들은 과제 완료 후 업무량 차원을 평가했습니다.

표 1: 본 연구를 뒷받침하는 문헌 기반 방법론 사슬. 이 표는 현재 프로토콜에 구현된 동작 분석 워크플로우, 시각 번역 프레임워크, 사용성 평가, 인지 업무 부하 평가에 사용되는 주요 참고문헌, 연구 영역, 데이터 획득 접근법, 분석 방법, 방법론적 기여를 요약합니다.

figure-protocol-2
그림 2. 비디오 기반 모션 캡처 및 모션 피처 추출 절차. (A) 3m × 3m 촬영 구역 내에서 동기화된 전방 및 측면 카메라 모션 캡처 설정. (B) 전면 및 측면 촬영에서 추출된 신체 랜드마크를 보여주는 마커 없는 포즈 추정 출력. (C) 랜드마크 추출, 누락 프레임 스크리닝, 궤적 평활화, 시간 정규화를 포함한 데이터 전처리 워크플로우. (D) 상지, 몸통, 몸 중심 핵심 지점에서 도출된 대표적 재구성된 움직임 궤적. (E) 각 움직임 시퀀스에서 추출한 동작 특징들, 여기에는 지속 시간, 평균 속도, 최대 속도, 궤적 곡률, 매끄러움 지수, 대칭 지수, 균형-이동 진폭, 리듬 안정성 등이 포함됩니다. (F) 시각적 번역에 사용되는 내보내진 모션 특징 데이터셋. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

2. 태극권 동작 선정 및 연기자 모집

  1. 모션 캡처를 위한 대표적인 태극권 8가지 형태를 선택하여 원형 궤적, 체중 이동, 상지 확장, 몸통 회전, 균형 전환, 리듬 조절의 다양한 조합을 포착하세요(표 2; 그림 1B).
    참고: 선택된 동작에는 개행형, 구름손, 백학 펼치기, 야생마 갈기 갈기, 브러시 니와 트위스트 스텝, 반발 원숭이, 새 꼬리 잡기, 닫는 형태가 포함됩니다. 이 형태들은 체화된 동작 데이터로서 태극권 움직임을 분석하는 기술적 기반을 제공합니다2.
  2. 태극권 연주자를 모집하고 경험 많은 강사와 중급 실무자를 포함하세요. 경험 있는 강사는 5년 이상의 교육 또는 공연 경력을 가진 개인으로, 중급 실무자는 최소 1년 이상의 정기 실무 경력을 가진 개인으로 정의합니다.
  3. 모든 잠재적 출연자를 자격을 심사합니다. 18세에서 60세 사이 최근 3개월 내에 근골격계 손상이 없었고 모든 선택된 동작을 중단 없이 완수할 수 있는 사람을 포함합니다.
  4. 데이터 수집 전에 모든 공연자로부터 서면 동의서를 받으세요.
  5. 대학 태극권 강사, 캠퍼스 실습 그룹, 지역 실천자 네트워크를 통해 잠재적 수행자를 발굴하세요. 지원자에게는 이메일이나 대면 방문으로 연락하고, 자격 기준을 적용해 심사하며, 서면 동의서를 제공하는 사람만 등록하세요.
  6. 총 12명의 연주자를 모집하며, 이 중 5명은 경험 많은 강사, 7명은 중급 실무자입니다. 이 샘플을 사용해 전처리와 특징 추출을 위한 모션 시퀀스를 생성하세요.
  7. 공공 교육과 문화 시범 맥락에서 흔히 사용되는 24 형태의 단순화된 양 스타일 태극권 커리큘럼에서 선별된 동작들.
  8. 연구팀과 태극권 강사들 간의 토론을 통해 느린 시작, 원형 궤적, 비대칭 확장, 전진 전이, 몸통 회전, 후퇴, 다단계 힘 통합, 클로징 안정화 등을 다룹니다. 이 기준을 사용하여 선택한 형태가 표 2의 시각적 번역 규칙이 목표로 하는 이동 특성을 나타내는지 확인하세요.
  9. 연령, 성별, 키, 체중, 손잡이, 태극권 경험 연수, 강사 또는 중급자 신분 등 수행자 인구통계와 수행 특성을 기록하세요.
  10. 신경학적 장애, 균형 장애, 교정되지 않은 시각 장애, 최근 수술, 전체 동작 시퀀스 완료 불능 또는 안전한 참여가 부적절한 상태를 보고하는 후보자는 제외합니다.
  11. 모션 캡처 연구나 디지털 녹화 절차에 대한 사전 경험이 필요하지 않습니다. 등록 전에 모든 출연자에게 녹화 작업 흐름을 설명하고, 두 대의 카메라 시점에서 촬영하는 데 편안함을 느끼는지 확인하세요.
  12. 윤리적으로 승인된 동의 절차에서 비디오 녹화, 무표정 동작 분석, 익명화 데이터 저장, 집계 결과 공개에 대한 허가를 포함해야 합니다.
  13. 공연자들에게 학습 일정, 녹음 지침, 워밍업 지도, 녹화 전에 질문할 기회를 제공하세요.
태극권 운동구현된 움직임 특징문화적 또는 신체적 의미추출된 모션 인디케이터동적 시각 번역 규칙
개막 형태천천히 시작하는 동작, 수직 침착, 그리고 통제된 팔 들어 올리기호흡과 신체 상태의 시작, 접지, 조절지속 시간, 부드러움 지수, 리듬 안정성느린 페이드인, 점진적인 수직 팽창, 그리고 저속 입자 출현
클라우드 핸즈상지 지속적인 원형 움직임과 측면 신체 이동순환성, 흐름, 연속성, 그리고 신체와 의도 간의 조정궤적 곡률, 균형 이동 진폭, 매끄러움 지수원형 흐름선, 좌우의 시각 중력 이동, 그리고 연속적인 입자 궤도
흰두루미가 날개를 펼치다비대칭 상지 신전, 개방 자세, 그리고 몸통 회전확장, 개방성, 그리고 위아래 힘의 균형대칭 지수, 최대 속도, 상지 변위분할 레이어 조성, 위쪽 빛 확장, 비대칭 투명 전환
야생마의 갈기를 가르다앞으로 나아가기, 대각선 팔 분리, 그리고 무게 이동방향 확장, 힘의 분리, 그리고 전진 의도균형 이동 진폭, 평균 속도, 궤적 곡률대각선 움직임 리본, 앞으로 움직이는 시각 중심, 그리고 층층이 쌓인 호 확장
브러시 니 앤 트위스트 스텝조율된 스텝, 팔 브러시, 그리고 몸통 회전보호, 방향 전환, 그리고 하상체 조절트렁크 변위, 대칭 지수, 매끄러움 지수회전하는 시야, 저지의 스위핑 트레일, 그리고 부드러운 가장자리 전환
리펄스 몽키뒤로 걷기, 팔 움직임을 번갈아 바꾸고, 통제된 후퇴통제력, 교대, 안정성을 잃지 않고 후퇴할 수 있다리듬 안정성, 스텝 변위, 양측 협응교차하는 시각적 펄스, 역방향으로 흐르는 입자, 그리고 엇갈리는 불투명성 리듬
새의 꼬리를 잡아라순차적인 밀기, 워드, 구르기, 압박, 그리고 클로징 액션여러 태극권 힘과 연속적인 신체 논리의 통합곡률, 부드러움, 리듬 안정성, 균형 변화 진폭다단계 아크 시퀀스, 층층이 쌓인 힘파, 그리고 점진적인 시각적 압축과 해제
마감 양식느린 리턴, 팔 내리기, 그리고 몸 안정화완성, 고요함으로의 복귀, 그리고 내면의 안정지속 시간, 부드러움 지수, 리듬 안정성점진적인 페이드 아웃, 하향 시각 침착, 그리고 입자가 중심을 향해 수렴하는 현상이 나타납니다

표 2: 태극권 동작의 특징과 이에 상응하는 시각적 번역 규칙. 이 표는 8가지 선정된 태극권 형태에 사용된 구현된 움직임 특징, 문화적 또는 신체적 의미, 추출된 동작 지표, 규칙 기반 시각적 번역 매핑을 요약합니다. 나열된 모션 지표들은 모션 기능 기반 커뮤니케이션 디자인 프레임워크에서 사용되는 동적 시각 변수 생성에 정보를 제공했습니다.

3. 모션 캡처 절차

  1. 각 참가자에게 5분간 워밍업과 포획 구역 내에서 한 번의 친숙한 라운드를 진행한 후 공식 녹음을 지시하세요.
  2. 각 연주자에게 8가지 선택된 태극권 형태 각각을 자연스러운 태극권 속도로 세 번씩 수행하도록 지시하세요. 메트로놈이나 외부에서 강요한 이동 속도를 사용하지 마세요.
  3. 각 시험 시작 시 시각적 동기화 제스처를 기록하여 전처리 중 전면 및 측면 영상의 정렬을 용이하게 합니다.
  4. 각 시험에 고유한 모션 식별자를 할당하세요. 식별자에 연기자 번호, 동작 유형, 트라이얼 번호를 포함하세요.
  5. 시행 사이에 10초 휴식 시간을 두세요. 공연자가 피로를 보고할 때 더 긴 휴식 시간을 제공하세요.
  6. 움직임이 중단되었거나, 표시된 포획 구역 밖에서 수행되었거나, 명백한 기록 오류가 있을 때 한 번 시도를 반복하세요. 전체 모션 기록 및 특징 추출 워크플로우는 그림 2에 나와 있습니다.
    참고: 그림 2 는 모션 녹화 및 특징 추출 워크플로우를 완벽하게 보여줍니다. 웨어러블 센서가 실용적이지 않은 문화 커뮤니케이션 환경에 적합한 재현 가능하고 저비용 데이터 수집 파이프라인을 유지하기 위해 마커 없는 비디오 기반 워크플로우를 사용하세요. 3.
  7. 목, 어깨, 몸통, 엉덩이, 무릎, 발목 가동성 운동으로 구성된 표준화된 5분 워밍업을 사용하고, 이어서 천천히 팔을 들어 올리고 체중을 옮기는 동작을 하세요. 연주자가 불편함을 느끼지 않고 연습 시퀀스를 원활하게 마칠 수 있을 때만 공식 녹음을 시작하세요.
  8. 익숙한 시간 동안 각 연주자에게 표시된 구역 내에서 선택한 형태를 한 번씩 연습하도록 요청하고, 조작자는 두 카메라 뷰에서 몸의 시야를 점검합니다. 공연자가 캡처 구역 내에 머물며 녹음 신호를 방해받지 않고 따라갈 수 있을 때 익숙해지는 것을 끝내세요.
  9. 자연스러운 태극권 속도를 가르치거나 연습할 때 보통 사용하는 자가 선택한 속도로 정의하세요. 공연자들에게 카메라 앞에서 가속하지 말고, 페이스가 눈에 띄게 끊기거나 연습 라운드와 일치하지 않을 때만 재도전하도록 지시하세요.
  10. 움직임 시작 직전 시각 동기화 제스처로 가슴 높이에서 두 손으로 뼉치를 사용하세요. 두 영상에서 첫 손 접촉 프레임을 표시하고 전처리 중 동기화를 확인하세요.
  11. 식별자 형식 M##_P##_T#을 사용하며, 여기서 M은 이동, P는 연기자 번호, T는 시험 번호를 나타냅니다. 예를 들어, M02-P07-T3는 수행자 P07이 수행한 세 번째 클라우드 핸즈 시험을 의미합니다.
  12. 연주자의 자기 보고, 눈에 띄는 불안정성, 느린 회복, 추가 휴식 요청 등을 통해 피로를 평가하세요. 피로 지표가 관찰되면 추가로 30–60초의 휴식 시간을 제공하세요.
  13. 표 2에 나열된 고정된 순서대로 이동 기록을 하여 수행자 간 일관성을 유지하고 조작자 실수를 줄이세요. 움직임 순서를 무작위화하지 마세요. 왜냐하면 목표가 행동 치료 비교가 아니라 움직임-특징 추출이기 때문입니다.
  14. 각 시도 전에 같은 지시를 하세요: 지정된 태극권 동작을 평소 태극권 속도로 수행하고, 표시된 구역 안에 머무르며, 동작이 완성될 때까지 계속하세요. 준비된 대본의 지시를 읽어 연기자들 간의 일관성을 유지하세요.
  15. 중단, 폐색, 수행자 오류로 영향을 받은 재판에 대해 즉시 한 번의 재현을 허용하세요. 재발 시험이 여전히 사용할 수 없다면, 시험을 제외된 것으로 기록하고 제외 사유를 전처리 로그에 기록하세요.
  16. 각 녹화 블록 전과 장비 조정 후 카메라 안정성, 촬영 지역 가시성, 조명 일관성, 신체 가시성을 확인하세요. 녹화를 일시정지하고 설정을 반복하면서 그림자, 반사, 가림이 나타나는지 확인하세요.
  17. 녹화 세션 직후 영상 파일을 비밀번호로 보호된 프로젝트 폴더로 전송한 후 별도의 저장 드라이브에 백업하세요. 각 전면 및 측면 뷰 녹화를 열어 녹화 시간, 프레임 연속성, 파일 이름 일관성을 점검한 후 전처리를 완료하세요.
  18. 열차 기록 운영자는 동일한 설정 체크리스트, 파일 명명 규칙, 동기화 절차, 그리고 시험-재현 기준을 사용합니다. 카메라 설치 및 녹화 제어를 담당하는 한 명의 운영자를 지정하고, 인력이 허락하는 경우 프로토콜 체크리스트를 완료할 두 번째 운영자를 배정하세요.

4. 모션 데이터 전처리

  1. 추가 처리 전에 카메라 안정성, 신체 가시성, 프레임 연속성, 동기화 여부를 확인하기 위해 모든 원본 비디오 파일을 검토하세요.
  2. 각 비디오를 포즈 추정 파이프라인에 가져오고, 포즈 추정 파이프라인을 사용해 프레임별로 33개의 신체 랜드마크를 추출합니다. 이는 그림 1C 와 그림 2B에 나타난 것입니다. 각 모션 시퀀스의 랜드마크 좌표를 쉼표 구분값(CSV) 파일로 내보내세요.
  3. 컴퓨터비전 라이브러리, 수치 컴퓨팅 라이브러리, 데이터 관리 라이브러리, 신호 처리 라이브러리를 사용하여 Python에서 내보낸 좌표 데이터를 처리합니다. 누락된 프레임, 불안정한 키포인트 추정치, 신체 추적 오류를 검사합니다.
  4. 프레임의 15% 이상이 누락되거나 불안정한 키포인트 추정치를 포함하거나, 동작을 완료하기 전에 멈추거나, 몸체가 표시된 캡처 영역을 벗어나거나, 카메라 오클루즈로 인해 신뢰할 수 있는 궤적 재구성을 방해하는 경우 동작 시퀀스를 제외하세요.
  5. 그림 2C에 나타난 전처리 워크플로우의 일부로, 6Hz 컷오프 주파수의 4차 저역 통과 버터워스 필터를 사용해 보존된 서열의 몸체 핵심점 궤적을 부드럽게 만듭니다.
  6. 각 유지된 서열을 시간 순서로 0%–100%로 정규화하여 서로 다른 움직임 속도를 가진 수행자 간 비교를 용이하게 합니다.
  7. 연기자별 신체 비율을 사용해 공간 좌표를 정규화합니다. 상지 궤적 비교를 위해 어깨 너비를 주요 척도 기준으로 사용하고, 이후 분석을 위해 움직임 궤적을 재구성하세요(그림 2D).
  8. 두 명의 훈련된 코더에게 독립적으로 모든 제외된 서열과 무작위로 20% 선정된 보존 서열을 검토하도록 배정합니다. 태극권 강사와의 대화를 통해 의견 차이를 해결하고, 평가자 간 합의를 평가하세요.
  9. 프로그래밍 환경에서 포즈 추정 파이프라인을 실행하고, 정확한 패키지 버전과 모델 구성을 재료표에 기록 하세요. 33개의 랜드마크 전신 자세 모델을 사용해 각 영상 프레임에 랜드마크 좌표를 생성하세요.
  10. 랜드마크 스무딩을 활성화하고 포즈 추정 파이프라인을 model_complexity = 1, min_detection_confidence = 0.50, min_tracking_confidence = 0.50으로 설정하세요. 단, 다른 검증된 설정이 사용되지 않는 한 말입니다. 전면 뷰와 측면 뷰 영상 모두에 동일한 설정 매개변수를 적용하세요.
  11. 각 영상을 코덱 호환성을 확인하고, 전신이 보일 때 컴퓨터 비전 라이브러리를 사용해 공간적 크롭 없이 직접 프레임을 읽으세요. 이동 시작 전 동기화 구간과 랜드마크 추출 전 이동 완료 후 사용하지 않은 프레임만 트림하세요.
  12. 프레임당 한 행씩 CSV 파일을 내보내고, 33개의 본체 랜드마크 각각에 대해 모션 식별자, 프레임 인덱스, 타임스탬프, 랜드마크 이름 또는 인덱스, 정규화된 x-, y-, z 좌표, 랜드마크 가시성 점수를 포함합니다. 동일한 모션 식별자를 사용하여 전면 뷰와 사이드 뷰 파일을 별도의 폴더에 저장합니다.
  13. 가시성 점수가 0.50 미만이거나, 좌표가 인접한 프레임 간 절대 중앙값 3회 이상 변하거나, 랜드마크가 가시성 영역 밖으로 이동할 때 랜드마크 추정치를 불안정하다고 분류하세요. 불안정한 지형지물이 주요 상지, 몸통 또는 엉덩이 지형에 영향을 미칠 때 검토용 플래그 시퀀스.
  14. 프레임 인덱스나 타임스탬프의 불연속성, 내보내진 CSV 파일의 랜드마크 행이 없는 프레임 누락을 감지합니다. 연속 5프레임 미만의 고립된 공백을 선형적으로 보간한 후 부활하게 만듭니다. 전체 시퀀스의 15%를 초과하거나 불안정한 프레임이 있을 경우 시퀀스를 제외합니다.
  15. 시각 검사와 자동 점검을 통해 좌우 랜드마크 교체, 믿기 어려운 관절 변위, 갑작스러운 전신 위치 이동, 포획 구역 밖의 신체 좌표 등을 통해 신체 추적 오류를 식별합니다. 영향을 받은 시퀀스는 코더가 검토할 수 있도록 표시하고, 신뢰할 수 있는 궤적 재구성이 불가능할 경우 제외합니다.
  16. 모든 제외된 시퀀스를 모션 식별자, 수행자 식별자, 움직임 유형, 시험 번호, 제외 사유, 누락된 핵심 지점 비율, 심사자 결정 등을 포함한 전처리 로그에 문서화하세요. 전처리 전반에 걸쳐 해당 시퀀스 상태, 누락 키포인트 비율, 검토 플래그 필드를 유지하세요.
  17. scipy.signal.butter와 scipy.signal.filtfilt 함수를 사용하여 4차 6 Hz 버터워스 저우통과 필터를 구현하여 각 좌표 궤적에 대해 0위상 필터링을 수행합니다. 30프레임/초 샘플링 속도를 사용해 나이퀴스트 주파수를 결정하고, 모든 보존된 서열에 동일한 필터 매개변수를 적용하세요.
  18. 움직임 시작을 동기화 제스처 이후 손목 또는 몸 중심 속도가 시퀀스별 최고 속도의 5%를 초과하는 첫 지속 증가를 의미한다. 이동 완료를 최종 이동 단계 이후 최소 10프레임 연속 이 임계값 이하로 유지되는 첫 번째 시점으로 정의하자.
  19. 각 보존된 서열을 이동 주기의 0%–100%를 나타내는 101개의 동일한 간격 시간점으로 재샘플링하여 평활화된 좌표 궤적을 보간합니다. 정규화된 시퀀스를 사용해 연주자 간 비교 및 이후 동작 특징 추출을 수행합니다.
  20. 어깨 너비를 왼쪽 어깨와 오른쪽 어깨 랜드마크 사이의 유클리드 거리로 측정하세요. 안정적인 프레임 간 중앙값을 수행자별 스케일링 기준으로 사용하고, 결과된 척도 계수를 동일한 수행자의 모든 보존된 시도에 적용합니다.
  21. x,c, y는 신체 중심 좌표를, W는 연기자별 어깨 너비를 나타내는 식과 방정 figure-protocol-3 figure-protocol-4식을 사용하여 좌표를 정규화합니다. 같은 정규화 절차를 상지, 몸통, 그리고 중심 운동에도 적용하세요.
  22. 정해진 제외 기준, 대표적인 샘플 영상, 파일럿 리뷰 세트를 사용하여 코더들을 교육합니다. 코더가 연구 데이터를 검토하기 전에 누락된 핵심점, 가림, 추적 오류, 중단된 수행을 일관되게 식별하도록 요구합니다.
  23. 20% 보존된 서열 검토 표본을 움직임 유형별로 층별로 무작위 표본화하여 각 태극권 형태를 대표하도록 선택하세요. 코더 검토 전에 저장된 모션 식별자 목록에서 무작위 샘플을 생성하세요.
  24. 유지/제외 결정에는 Cohen' κ를, 배제 사유 분류에는 비율 합의를 계산합니다. 보존된 데이터셋을 최종 확정하기 전에 허용 가능한 κ 값≥ 0.80을 고려하세요.
  25. 모든 전처리 스크립트를 오래된 프로젝트 디렉터리에 저장하며, 프로그래밍 환경과 포즈 추정 파이프라인, 컴퓨터 비전 라이브러리, 수치 컴퓨팅 라이브러리, 데이터 관리 라이브러리, 신호 처리 라이브러리의 정확한 버전을 문서화한 요구사항 파일과 함께 저장합니다. 기능 추출을 다시 실행하기 전에 이후 스크립트 수정 사항을 변경 로그에 기록하세요.
  26. 전처리 전반에 걸쳐 시퀀스 상태, 누락된 핵심점 비율, 검토 플래그, 코더의 결정 등 품질 관리 로그를 유지하세요. 이 로그를 활용해 288개의 기록된 모션 시퀀스에서 고품질 스크리닝 후 264개의 보존 시퀀스로 진행되는 과정을 문서화할 수 있습니다.

5. 모션 피처 추출 및 시각적 번역

  1. 움직임 시작과 완료 사이의 경과 시간으로 이동 시간을 계산하세요. 연속된 프레임에 걸쳐 상지와 몸통 키포인트의 이동에서 평균 속도와 최대 속도를 계산합니다. 그림 2E에 요약된 동작 지속 시간, 속도, 궤적 곡률, 부드러움, 대칭성, 균형 이동 진폭, 리듬-안정성 특징을 추출합니다.
  2. 상지 움직임 경로의 원형성에서 궤적 곡률을 계산하세요. 프레임마다 가속도 변동에서 움직임의 부드러움을 도출합니다.
  3. 좌측과 오른쪽 관절 움직임 패턴을 비교하여 대칭성을 계산하세요. 운동 주기 동안 신체 중심의 수평 이동 진폭을 추정합니다.
  4. 움직임 주기 동안 속도 피크의 시간적 변동을 통해 리듬 안정성을 계산하세요.
  5. 각 유효한 시퀀스에 궤적 곡률, 부드러움, 리듬 안정성, 균형 이동 진폭의 가중치 조합을 사용하여 시각적 번역 점수를 부여합니다. 결과된 모션 특징 데이터셋을 시각적 번역을 위해 내보내세요(그림 2F).
  6. 추출한 모션 특징을 규칙 기반 시각적 번역 시스템을 사용해 동적 시각 요소로 변환합니다. 각 시각 변수를 그림 3A에 나타난 번역 행렬을 사용하여 특정 내체된 움직임 특징에 연결한다.
  7. 높은 궤적 곡률을 원형 흐름선과 호형 입자 경로로 변환합니다(그림 3B). 높은 리듬 안정성 값을 느리고 규칙적인 맥박 패턴에 매핑합니다(그림 3C).
  8. 더 큰 균형 이동 진폭을 시각 중심의 가시적 움직임으로 변환합니다(그림 3D). 더 높은 부드러움 값은 연속적인 그라데이션 전이에, 더 높은 대칭값은 거울이나 균형 맞춘 시각적 구성에 매핑합니다(그림 3E).
  9. 태극권 강사와 시각 커뮤니케이션 디자인 전문가와 함께 시각적 번역 규칙을 검토하세요. 시각적 매핑이 내체된 움직임 논리를 보존하면서 장식적 왜곡을 최소화하는지 확인한다14. 이 변환 규칙을 사용하여 생성된 대표적인 모션 기능 기반 시각 프로토타입이 그림 3F에 나와 있습니다.
  10. 시간 정규화 시 정의된 이동-시작점과 이동-완료점과 동일한 시간을 사용해 지속 시간 계산을 하세요. 이동 시간을 (종료 프레임 − 시작 프레임) /30 프레임/초로 계산하고 결과를 초 단위로 보고합니다.
  11. 연속된 랜드마크 좌표의 유클리드 변위를 사용하여 프레임 간 속도를 계산합니다:
     figure-protocol-5
    여기서 vt 는 프레임 t에서의 순간 속도이며, (xt, yt, zt)는 프레임 t에서의 랜드마크 좌표, (xt−1, yt−1, zt−1)는 이전 프레임에서의 랜드마크 좌표이며, Δt 는 는 연속된 프레임 사이의 시간 간격(1/30초)입니다. 어깨 너비로 정규화된 평탄화된 좌표를 사용하고, 초당 정규화된 몸체 너비 단위로 속도를 보고하세요.
  12. 왼쪽과 오른쪽 손목, 팔꿈치, 어깨, 엉덩이, 그리고 상지와 몸통 속도를 추정할 때 계산된 몸 중심 궤적을 포함하세요. 손목과 팔꿈치 궤적을 이용해 상지 움직임을, 어깨-엉덩이 중심 궤적을 이용해 몸통 움직임과 균형 관련 움직임을 구분하세요.
  13. 연속된 좌표 3항에서 궤적 곡률을 추정하는 방법:
    figure-protocol-6
    정상화된 운동 주기와 상지 궤적에 걸친 평균 곡률 값.
  14. 순환성을 유지된 서열을 가로지른 상부 궤적의 최소-최대 정규화 평균 곡률로 정량화합니다. 값이 높을수록 더 연속적인 호 모양 또는 원형 궤적과 원형 흐름선 시각적 이동에 더 적합함을 나타냅니다.
  15. 필터링 후 프레임 간 가속도 변동의 부드러움을 0–100으로 재척도하여 계산합니다. 수치가 높을수록 움직임이 더 부드럽고 가속 변화가 적다는 뜻입니다.
  16. 대칭을 시간적 정렬 후 좌측과 우측 랜드마크 궤적 간의 정규화된 평균근 차이를 뺀 값으로 정량화합니다. 대칭 값이 높을수록 양측 움직임 패턴이 더 균형 잡힌 것을 의미합니다.
  17. 각 프레임마다 왼쪽 어깨, 오른쪽 어깨, 왼쪽 엉덩이, 오른쪽 엉덩이 랜드마크의 평균 위치로 몸 중심을 계산합니다. 결과적으로 신체 중심 궤적을 이용해 신체 이동과 균형 이동 특징을 추정하세요.
  18. 균형 이동 진폭을 움직임 주기 동안 정상화된 수평 중심 변위 범위로 계산합니다:
     B = max (x′center) − min (x′center)
    더 큰 값일수록 카메라 뷰에 따라 측면 또는 전후방 무게 이동이 더 크다는 뜻입니다.
  19. 시퀀스별 최고 속도의 최소 10% 돌출점과 최소 5프레임 간격을 가진 부활한 속도 프로필에 피크 검출 절차를 적용하여 속도 피크를 식별합니다. 시각적으로 검토하여 전처리 중 플래그된 서열의 피크를 감지했습니다.
  20. 리듬 안정성을 운동 주기 전반에 걸친 중간 피크 간격의 변동계수를 1에서 뺀 값으로 정량화하고, 결과를 0에서 100으로 재조정하여 보고합니다. 수치가 높을수록 이동 단계 사이에 더 규칙적인 타이밍이 있음을 나타냅니다.
  21. 조합 전에 모든 모션 특징을 최소-최대 스케일링을 사용해 정규화하세요:
     figure-protocol-7
    각 특징을 독립적으로 정규화하여 측정 척도 때문에 어떤 개별 특징도 지배하지 않도록 하세요.
  22. 시각적 번역 점수(VTS)를 다음과 같이 계산합니다:
     VTS = 100 × (0.35C 노름 + 0.30S노름 + 0.20R노름 + 0.15B노름)
    여기서 C, S, R, B 는 각각 곡률, 부드러움, 리듬 안정성, 균형 변화 진폭을 나타냅니다. 높은 점수는 더 뛰어난 태극권 수행보다는 모션 기반 동적 시각적 번역에 더 적합하다고 해석하세요.
  23. 태극권 강사와 시각 커뮤니케이션 디자인 연구자들 간의 전문가 토론을 통해 특징 가중치를 선택하며, 곡선과 부드러움에 더 큰 비중을 두는데, 이 특징들이 가시적 흐름과 연속성에 가장 직접적인 영향을 미치기 때문입니다. 최종 분석 전에 결과 점수 순위를 전문가의 움직임과 시각적 적합성 판단과 검증하세요.
  24. 프레임 처리를 위한 컴퓨터 비전 라이브러리, 랜드마크 추출을 위한 포즈 추정 파이프라인, 좌표 처리를 위한 수치 계산 라이브러리 및 데이터 관리 라이브러리, 필터링 및 신호 분석을 위한 신호 처리 라이브러리를 사용하여 프로그래밍 환경에서 모션 피처 추출을 수행합니다. 분석 스크립트, 패키지 버전, 내보낸 CSV 파일을 프로젝트 데이터셋과 함께 보관하세요.
  25. TouchDesigner 시각 개발 플랫폼에서 규칙 기반 시각 번역 워크플로우를 구현하는데, 정규화된 CSV 모션 기능을 매개변수 입력으로 사용하고 필요 시 Adobe After Effects를 사용해 최종 합성을 수행합니다. 각 이동 특징 벡터를 가져오고, 모션 특징을 미리 정의된 시각적 매개변수에 매핑하며, 동적 출력을 미리 보고, 최종 시각적 프로토타입을 내보내 사용자 평가를 할 수 있습니다.
  26. 정규화된 모션 특징을 시각적 매개변수에 연속적으로 매핑하며, 설계 검토 시에는 낮음(<0.33), 중간(0.33–0.66), 높음(>0.66) 범위만 사용합니다. 예를 들어, 곡률이 클수록 호 반경과 유선 밀도가 증가하고, 리듬 안정성이 높아질수록 맥동 불규칙성이 줄며, 균형 이동 진폭이 클수록 시각 중심 변위가 증가합니다.
  27. 곡률 매개변수에서 원형 흐름선과 입자 궤적을, 리듬 안정성에서 맥동 타이밍을, 균형 이동 진폭에서 시각적 중심 이동을, 부드러움에서 구단 연속성을, 대칭에서 대칭을 통해 거울 조성 강도를 생성합니다. 모든 프로토타입에서 동일한 색상 팔레트, 배경, 타이포그래피를 유지하여 움직임에서 파생된 역학과 무관한 혼란 효과를 최소화하세요.
  28. 프로토타입 생성 중 시각적 매핑을 지속적으로 적용하여 움직임 특징의 점진적인 차이가 시각적 행동에 비례하는 변화를 일으킵니다. 전문가 검토 시에는 범주별 라벨만 사용하여 시각 번역 적합성의 낮음, 중간, 높은 적합성을 논의할 수 있습니다.
  29. 두 명의 태극권 강사와 두 명의 시각 커뮤니케이션 디자인 전문가와 함께 번역 규칙을 검토하세요. 이동-특징 정렬, 문화적 해석 가능성, 시각적 명료성, 장식적 왜곡 위험을 평가하고, 번역 규칙을 수정하여 합의에 도달합니다.
  30. 각 시각적 매핑이 표 2 에 요약된 의도된 움직임 특성을 정확히 나타내는지, 그리고 전문가 검토자들이 정렬 및 해석 가능성을 수용 가능하다고 판단하는지 판단하여 구현된 움직임 논리의 보존을 평가합니다. 최종 시각적 프로토타입을 만들기 전에 장식적이거나 오해의 소지가 있거나 원래 움직임 특징을 충분히 대표하지 못한다고 여겨지는 매핑을 수정합니다.

figure-protocol-8
그림 3. 태극권 동작의 규칙 기반 번역은 동적 시각 변수로 변환됩니다. (A) 추출된 움직임 특징을 해당 시각 변수와 연결하는 시각적 변환 행렬. (B) 궤적 곡률을 원형 흐름선과 입자 궤적으로 변환한 예시. (C) 리듬 안정성을 애니메이션 타이밍과 맥동 패턴으로 변환한 예시. (D) 균형 이동 진폭을 시각 중심의 움직임과 가중 구성으로 변환한 예시. (E) 부드러움과 대칭성을 그라데이트 연속성과 조향 균형으로 변환한 예시. (F) 추출된 모션 특징에서 생성된 대표적인 동적 시각 프로토타입. 이 그림의 더 큰 버전을 보시려면 여기를 클릭해 주세요.

6. 프로토타입 개발 및 사용자 평가 설정

  1. 실험적 비교를 위한 세 가지 통신 자료를 개발합니다: 정적인 그래픽 조건, 전통적인 비디오 조건, 그리고 시각적 번역 시스템에서 생성된 모션 데이터 기반 동적 시각 디자인 조건(그림 1D). 결과물인 모션 데이터 기반 시각 프로토타입은 그림 3F에 나와 있습니다.
  2. 노출 시간, 정보 밀도, 움직임 표현 순서, 타이포그래피, 색상 팔레트 측면에서 세 가지 커뮤니케이션 자료를 표준화하세요.
  3. 정상 시력 또는 정상 시력을 가진 18세에서 35세 사이의 자격 있는 참가자 180명을 모집하며, 전문 태극권 교육 경험이 없는 경우. 참가자를 1:1:1 할당 비율로 무작위로 세 가지 의사소통 조건에 할당합니다(표 3).
  4. 사용자 평가는 전용 상호작용실에서 진행하세요. 모든 실험 자료를 동일한 24인치 모니터에 표시하고, 참가자를 화면에서 약 70cm 떨어뜨리세요.
  5. 모든 실험 조건에서 실내 조명, 음량, 시청 거리, 화면 해상도, 노출 시간을 일정하게 유지하세요.
  6. 참가자들이 4분 노출 시간 동안 할당된 자료를 검토할 수 있도록 하세요. 행동 참여의 지표로서 검토 행동, 재생 행동, 스크롤 행동, 상호작용 행동을 기록하세요. 인식된 커뮤니케이션 디자인 품질, 체화된 이해, 미적 참여, 감정적 공명, 공유 의도, 보존 의도를 연결하는 개념적 평가 프레임워크는 그림 1E에 나타난다.
  7. 정적인 그래픽 조건을 8가지 태극권 형태, 짧은 동작 의미 라벨, 그리고 다른 조건에서 사용한 동일한 설명 텍스트를 제시하는 정지 시각 패널의 연속으로 만듭니다. 패널을 1920× 1080 픽셀로 내보내 4분 노출 기간 동안 같은 모니터에 표시하세요.
  8. 동일한 녹음된 태극권 원본 자료를 4분 분량× 1080 픽셀, 30프레임/초 H.264 MP4 시퀀스로 편집하여 전통적인 비디오 조건을 만듭니다. 모션 기반 시각적 오버레이 없이 일반적인 영상 자료와 텍스트 라벨만 사용하세요.
  9. 정규화된 모션 피처 데이터를 시각화 개발 플랫폼에 가져오고, 5단계에서 설명한 규칙 세트를 적용한 뒤, 다른 두 조건과 동일한 움직임 순서와 설명 텍스트를 가진 4분 분량의 프로토타입을 내보내 모션 데이터 기반 동적 시각 디자인 조건을 생성합니다.
  10. 세 가지 조건 모두에서 같은 여덟 가지 태극권 형태를 제시한다: 개폐형, 구름손, 백학 벌기 날개, 야생마 갈기 벌리기, 무릎 빗기와 비틀기 동작, 원숭이 밀어내기, 새꼬리 잡기, 그리고 닫는 형태. 각 조건에는 동작 이름, 그 체화된 의미에 대한 간략한 설명, 그리고 동일한 제시 순서가 포함된다.
  11. 노출 시간, 이동 수, 이동 순서, 설명 라벨 수, 대략적인 단어 수, 각 움직임에 할당된 화면 공간을 일치시켜 정보 밀도를 표준화합니다. 시험 전에 모든 자료를 검토하여 어떤 조건도 다른 조건들과 없는 개념 정보를 포함하고 있는지 확인하세요.
  12. 모든 조건에서 동일한 산세리프 서체, 라벨 계층, 중립적인 배경, 절제된 청회색 악센트 팔레트를 사용하세요. 텍스트 크기, 라벨 배치, 이동 제목을 일관되게 유지하여 그룹 차이가 서로 관련 없는 그래픽 스타일이 아니라 의사소통 방식을 반영하도록 하세요.
  13. 대학 메일링 리스트, 캠퍼스 공지, 디자인 강의 참가자 풀을 통해 사용자 평가 참가자를 모집합니다. 관심 있는 자원봉사자들은 나이, 시력 상태, 전문 태극권 교육 배경, 그리고 전체 평가 세션을 완료할 수 있는 능력을 심사합니다.
  14. 각 조건당 약 60명의 대상 표본 크기를 설정하여 그룹 간 중간 규모의 지식 획득 차이와 내체적 이해 결과를 감지할 수 있는 적절한 통계적 검정력을 제공합니다. 최종 분석된 표본에는 세 가지 조건에 걸쳐 180명의 참가자가 포함되었습니다.
  15. 세 가지 조건에서 1:1:1 목표 비율로 컴퓨터 기반 블록 무작위화를 사용하여 할당 순서를 생성합니다. 자격 심사 및 기초 측정이 완료될 때까지 은폐 상태 지정.
  16. 참가자의 나이, 성별, 이전 태극권 친숙도, 이전 무형문화유산 노출, 디자인 배경, 시력 상태, 사전 평가 문화 지식 점수를 기록하세요. 이 변수들을 사용하여 실험군 간의 기준선 동등성을 평가합니다.
  17. 전문 태극권 교육 배경, 교정되지 않은 시각 장애, 이해력에 영향을 줄 수 있는 자기보고적 인지 또는 신경학적 상태, 프로토타입 설계 과정 이전에 참여한 사람, 또는 불완전한 설문조사 또는 과제 데이터를 가진 사람은 제외합니다.
  18. 이 자료들을 1920 × 1080 픽셀 해상도와 60Hz 주사율의 Dell P2422H 24인치 모니터에 제시하세요. 모든 세션에서 동일한 디스플레이 밝기와 색상 설정을 유지하고, 70cm 거리에서 전체 자극 영역이 보이는지 확인하세요.
  19. 모든 사용자 평가 세션 동안 안정적인 실내 조명을 유지하고 모니터에 직접적인 눈부심을 피하세요. 각 세션 전에 일정한 조명, 최소한의 배경 소음, 시각적 방해 요소가 없음을 확인하세요.
  20. 노출 전에 참가자들에게 표준화된 서면 및 구두 지침을 제공하세요. 참가자들은 지정된 커뮤니케이션 자료를 본 직후 지식, 인식, 사용자 경험 평가를 완료할 것임을 알립니다.
  21. 4분 노출 시간 동안 참가자들에게 지정된 자료에서 동작 이름, 신체화된 의미, 시각적 단서를 배우도록 지시합니다. 노출 기간 동안 추가 설명은 하지 마십시오.
  22. 참가자들이 지정된 조건의 범위 내에서만 검토, 재생, 스크롤 또는 상호작용할 수 있도록 허용합니다: 정적 그래픽 조건은 스틸 패널 검토, 기존 비디오 조건은 재생 제어, 모션 데이터 기반 동적 시각 디자인 조건은 기능 링크 상호작용. 허용된 모든 행동을 행동 참여 지표로 기록하세요.
  23. 프레젠테이션 컴퓨터의 이벤트 기록 시스템을 사용하여 리뷰, 재생, 스크롤, 상호작용 동작을 기록할 수 있습니다. 참가자 수준 로그를 참가자 ID, 실험 상태, 체류 시간, 검토/재생 횟수, 상호작용 클릭, 자발적 공유 선택을 포함한 CSV 파일로 내보내세요.
  24. 머무는 시간은 총 시청 또는 상호작용 시간으로, 리뷰/재생 횟수는 반복 조회나 재생 행동 수로, 상호작용 클릭은 노출 중 참가자가 선택한 횟수로 정의합니다. 평가 완료 후 자발적 공유를 이분법(예/아니오) 결과로 기록하세요.
  25. 노출 직전과 직후에 20점짜리 문화 지식 평가를 실시하세요. 사전 시험 점수에서 지식 증가를 계산하며, 값이 높을수록 할당된 커뮤니케이션 자료에서 더 많은 단기 학습을 의미합니다.
  26. 참가자들에게 8가지 태극권 동작 목록에서 각 형태를 식별하도록 하여 움직임 인식 능력을 측정하세요. 응답을 정확 또는 틀렸는지 점수를 매기고 참가자 수준의 인식 정확도를 계산합니다.
  27. 각 움직임 표현을 해당 구현된 의미(예: 순환성, 접지성, 균형 이동, 통제 상실 없이 후퇴)와 일치시키도록 요청하여 움직임 의미 인식을 측정합니다. 성과를 올바르게 매칭된 항목의 비율로 표현하세요.
  28. 리커트 유형의 설문지를 사용하여 참가자들의 신체 리듬, 균형 전달, 궤적 흐름, 움직임 논리에 대한 인식을 평가하여 내체된 이해도를 측정하였습니다. 평균 문항 점수를 받아 높은 점수일수록 더 강한 체화된 이해를 나타냅니다.
  29. 디지털 유산과 사용자 경험 문헌에서 적응된 다중 항목 7점 리커트 척도를 사용하여 감정적 공명, 미적 참여, 문화적 진정성, 보존 의도, 공유 의도를 측정합니다. 신뢰도 평가 후 보유된 문항의 평균으로 각 구성어를 계산하세요. 10문항 시스템 사용성 척도(SUS)를 사용하여 인지된 사용성을 평가합니다15.
  30. 물질 노출 후 NASA 작업 부하 지수(NASA-TLX)16 을 사용하여 인지 작업량을 측정하고 결과 점수를 0에서 100 척도로 변환합니다. 점수가 낮을수록 커뮤니케이션 자료 해석 시 인지되는 작업 부담이 줄어들고 있음을 나타냅니다.
  31. 노출 및 인식 과제 직후 모든 설문지를 발표 컴퓨터로 전자적으로 실시하세요. 익명화된 참가자 식별자를 사용한 응답을 내보내기.
  32. 통계 분석 전에 참가자들의 응답을 완전성, 중복 식별자, 비현실적인 값, 누락된 과제 결과를 선별합니다. 불완전한 세션은 제외하고 표 3에 보고된 최종 분석 샘플을 유지합니다.
  33. 익명화된 참가자 식별자를 사용하여 연구팀만 접근할 수 있는 비밀번호로 보호된 연구 파일에 모든 참가자 데이터를 저장합니다. 분석 전에 개인 식별자를 제거하고, 기관 윤리 및 데이터 관리 정책에 따라 연구 기록을 보관하십시오.
가변정적 그래픽 그룹
(n = 58)		컨벤셔널 비디오 그룹
(n = 60)		다이내믹 비주얼 디자인 그룹
(n = 62)		통계 검정p 값
나이 (연도)23.4 ± 3.823.7 ± 4.124.0 ± 3.9일원 변호사0.71
여성, n(%)33 (56.9)35 (58.3)37 (59.7)카이제곱 검정0.95
디자인 배경, n (%)19 (32.8)21 (35.0)22 (35.5)카이제곱 검정0.94
이전 태극권 친밀감 (1–7)2.8 ± 1.32.9 ± 1.43.0 ± 1.3일원 변호사0.68
이전 무형문화유산 노출 (1–7)3.1 ± 1.43.2 ± 1.53.3 ± 1.4일원 변호사0.74
사전 시험 문화 지식 점수 (0–20)6.7 ± 2.46.9 ± 2.66.8 ± 2.5일원 변호사0.91
정상 또는 정상으로 교정된 시력, n (%)58 (100.0)60 (100.0)62 (100.0)피셔의 정확 검정1
전문 태극권 교육 배경, n(%)0 (0.0)0 (0.0)0 (0.0)해당되지 않음—

표 3: 참가자 특성 및 실험 그룹 배정. 기초 인구통계학적 특성, 이전 태극권 친숙도, 이전 무형문화유산 노출, 그리고 정적 그래픽, 일반 비디오, 동적 시각 디자인 조건에 배정된 참가자들의 사전 평가 문화 지식 점수. 데이터는 표준편차 ± 평균 또는 n(%)로 제시됩니다. 그룹 간 기초 동등성을 평가하기 위해 통계적 비교가 수행되었습니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

결과

선택된 태극권 동작의 움직임-특징
총 288회의 태극권 동작 시퀀스가 12명의 연주자들로부터 8가지 선정된 태극권 형태에 걸쳐 녹음되었습니다. 불완전한 실행, 과도한 누락된 키포인트 추정, 카메라 오클루즈, 불안정한 랜드마크 추적, 또는 성능 중단이 있는 시퀀스를 제외한 후, 264개의 유효한 시퀀스가 특징 추출을 위해 유지되었습니다. 각 이동 유형별로 유효한 시퀀스 수는 31개에서 34개까지 다양했습니다(표 4).

...
태극권 운동유효한 수열기간(s)

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

토론

본 연구는 체화된 태극권 지식을 역동적인 시각 디자인으로 전환하기 위한 견고한 모션 기능 기반 프로토콜을 제시하고 평가합니다. 이 연구의 중심 목표는 경험적으로 추출된 운동학적 특징이 구현된 문화적 의미의 전달을 개선하는 해석 가능한 시각 변수로 변환될 수 있는지 여부를 확인하는 것이었습니다. 연구 결과는 움직임 기반 무형문화유산 소통이 단순한 시각적 미화 이상의 것을 필요로 함을 보여줍니다. 신체 리듬, 균형, 원형, 체중 이동을 체계적으로 문화적으로 해석 가능한 시각 형태로 변환함으로써, 이 프로토콜은 정적인 그래픽 및 기존 비디오 포맷과 비교했을 때 지식 획득, 움직임 의미 인식, 체화된 이해, 사용성, 행동 참여를 향상시켰습니다.

이 방법을 성공적으로 복제하는 데 중요한 단계는 모션 캡처 및 전처리 파이프라인의 엄격한 표준화입니다. 프레임 간 지터 또는 키포인트 손실 문제를 해결하려면 수동 카메라 노출과 녹화 단...

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

공개 사항

저자들은 상반되는 이해관계가 없으며 공개할 내용도 없다고 선언합니다.

감사의 글

저자들은 본 연구를 수행하는 데 필요한 기관 지원과 디지털 미디어 실험실 시설을 제공해 준 마카오 시립대학교 혁신디자인학부와 구이린 전자기술대학교 디자인 및 창의성대학에 감사의 뜻을 표합니다. 태극권 강사, 시각 커뮤니케이션 디자인 전문가, 그리고 모션 캡처 및 사용자 평가 실험에 자원해 주신 모든 참가자분들께 특별한 감사를 전합니다. 이 연구는 공공, 상업, 비영리 부문의 어떤 자금 지원 기관으로부터 별도의 보조금도 받지 않았습니다.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재료

```html
이 논문에 사용된 재료 목록
이름회사카탈로그 번호댓글
Adobe After EffectsAdobe Inc.Adobe After Effects 2024 (v24.6)최종 프로토타입 합성에 필요한 경우 사용되는 모션 그래픽 및 시각 효과 소프트웨어.
Computer WorkstationDell TechnologiesPrecision 3660 Tower; Intel Core i7-12700 CPU; NVIDIA GeForce RTX 3060 GPU; 32 GB RAM; 1 TB SSD모션 데이터 처리, 특징 추출, 시각화 생성 및 통계 분석에 사용되는 워크스테이션.
Dell 24-inch MonitorDell TechnologiesP2422H제어된 사용자 평가 실험에 사용되는 디스플레이 모니터 (1920 × 1080 픽셀, 60 Hz).
Digital Video CameraSony CorporationILCE-7M4모션 캡처에 사용되는 동기화된 전면 보기 및 측면 보기 카메라 (1920 × 1080 픽셀, 30 프레임/초).
MediaPipe PoseGoogle LLCMediaPipe 0.10.1433지점 전신 포즈 모델을 사용한 마커 없는 포즈 추정 파이프라인 (model_complexity = 1, min_detection_confidence = 0.50, min_tracking_confidence = 0.50).
NumPyNumPy DevelopersNumPy 1.26.4좌표 처리 및 모션 특징 계산에 사용되는 수치 계산 라이브러리.
OpenCVOpenCV TeamOpenCV 4.9.0비디오 처리, 프레임 추출 및 사전 처리에 사용되는 컴퓨터 비전 라이브러리.
Operating SystemMicrosoftWindows 11 Pro 23H2, 64-bit모션 데이터 처리 및 시각화 생성에 사용되는 운영 체제.
PandasPandas Development TeamPandas 2.2.2구조화된 데이터 처리 및 CSV 내보내기에 사용되는 데이터 관리 라이브러리.
PythonPython Software FoundationVersion 3.11데이터 처리 파이프라인에 사용되는 프로그래밍 언어 환경.
Randomization SoftwareMicrosoft CorporationMicrosoft Excel for Microsoft 365, Version 2405참가자 배정을 위한 컴퓨터 기반 블록 무작위화 시퀀스 생성에 사용됨.
SciPySciPy DevelopersSciPy 1.13.1버터워스 필터링 및 모션 신호 분석에 사용되는 신호 처리 라이브러리.
Statistical Analysis SoftwareIBM Corp.IBM SPSS Statistics 29.0신뢰성 분석, 가설 검정, 매개 분석 및 구조 방정식 모델링에 사용됨.
Survey Administration PlatformQualtrics LLCQualtrics XM 웹 플랫폼 (2026년 5월 접근)질문지를 관리하고 참가자 응답을 전자적으로 수집하는 데 사용되는 플랫폼.
TouchDesignerDerivativeTouchDesigner 2023.11880모션 특징 기반 동적 시각화를 생성하는 데 사용되는 시각적 개발 플랫폼.
TripodManfrottoMK055XPRO3모션 캡처 중 카메라를 안정화하는 데 사용되는 삼각대.
Video Synchronization SoftwareCustom Python/OpenCV workflowOpenCV 4.9.0시각적 박수 이벤트를 사용하여 사전 처리 중 전면 보기 및 측면 보기 녹화를 동기화하는 데 사용됨.
```

참고문헌

  1. UNESCO. Taijiquan. Representative List of the Intangible Cultural Heritage of Humanity. UNESCO; Paris; 2020. Available from: https://ich.unesco.org/en/RL/taijiquan-00424.
  2. Ho TJ, et al. Quantitative motion analysis of Tai Chi Chuan: The upper extremity movement. Comput Math Methods Med. 2018;2018:2538765.
  3. Li X, Zou L, Li H. Tai Chi movement recognition and precise intervention for the elderly based on inertial measurement units and temporal convolutional neural networks. Sensors. 2024;24(13):4208.
  4. Yi C, Huang J, Song L. Enhancing intangible cultural heritage dissemination through digital experience: An affective events theory approach. Herit Sci. 2025;13:438.
  5. Chen W, Li T, Zhang Y. Embodied cognition model for museum gamification cultural heritage communication: A grounded theory study. Herit Sci. 2025;13:239.
  6. Wilson M. Six views of embodied cognition. Psychon Bull Rev. 2002;9(4):625-36.
  7. Barsalou LW. Grounded cognition. Annu Rev Psychol. 2008;59:617-45.
  8. Zeki S. Inner Vision: An Exploration of Art and the Brain. Oxford University Press; Oxford, UK and New York, NY; 1999.
  9. Selmanovic E, et al. Improving accessibility to intangible cultural heritage preservation using virtual reality. J Comput Cult Herit. 2020;13(2):1-19.
  10. Kico I, Grammalidis N, Christidis Y, Liarokapis F. Digitization and visualization of folk dances in cultural heritage: A review. Inventions. 2018;3(4):72.
  11. Herrow MFM, Azraai NZ. Digital preservation of intangible cultural heritage of Joget dance movement using motion capture technology. Int J Herit Art Multimed. 2021;4(15):1-13.
  12. Gremmler T. Hakka Kung Fu Motion Visualization. In: 300 Years of Hakka Kung Fu. EPFL ArtLab; 2018. Available from: https://www.acim.cityu.edu.hk/projects/300-years-hakka-kung-fu.
  13. Guest AH. Labanotation: The System of Analyzing and Recording Movement. 4th ed. Routledge; New York, NY and London, UK; 2005.
  14. Yu J. An immersive experience of intangible cultural heritage through virtual reality. J Comput Cult Herit. 2025;18(1):1-15.
  15. Brooke J. SUS: A “quick and dirty” usability scale. In: Jordan PW, Thomas B, Weerdmeester BA, McClelland IL, editors. Usability Evaluation in Industry. Taylor & Francis; London, UK; 1996. p. 189-94.
  16. Hart SG, Staveland LE. Development of NASA-TLX Task Load Index: Results of empirical and theoretical research. In: Hancock PA, Meshkati N, editors. Human Mental Workload. North-Holland; Amsterdam, The Netherlands; 1988. p. 139-83.
  17. Reshma MR, et al. Cultural heritage preservation through dance digitization: A review. Digit Appl Archaeol Cult Herit. 2023;28:e00257.
  18. Intawong K, Srisongkram W, Chongruksa P. The Lanna XR dance heritage: Safeguarding and revitalizing cultural heritage through motion capture and extended reality. Digit Appl Archaeol Cult Herit. 2025;36:100298.
  19. Hou Y, et al. Digitizing intangible cultural heritage embodied: State of the art. J Comput Cult Herit. 2023;16(3):1-24.
  20. Barmpounaki I, et al. CretaDance: A methodology for preserving Cretan folk dances through digitization and semantic annotation. In: Proceedings of the ACM International Conference on Digital Heritage and Interactive Systems; New York, NY; 2025. New York, NY: ACM. Available from: https://doi.org/10.1145/3733155.3733219.
  21. International Federation of Library Associations and Institutions. Digital Cultural Heritage: Theory and Practice. IFLA; The Hague, The Netherlands; 2024. Available from: https://www.ifla.org/news/digital-cultural-heritage-theory-and-practice/.
  22. Cheng B, Han W. Double authenticity in digital heritage communication: Examining the interaction effects of virtual cultural ambassadors on tourist behavioral intentions. Asia Pac J Tour Res. 2025;31(2):1-21.
  23. Wang X. The rhythm of Tai Chi: Revitalizing cultural heritage in virtual reality through interactive visuals. In: 2025 4th International Conference on Image Processing and Media Computing (ICIPMC); 2025 Jun 27; IEEE. p. 40-44. Available from: https://doi.org/10.1109/ICIPMC66319.2025.11170688
  24. Zhang J. How do museum tourists’ sensory experiences affect place attachment and behavioral intention? J Hosp Tour Manag. 2024;61:41-53.
  25. Zhao X, Guo Y, Zhang Y. AI-driven Tai Chi mastery using deep learning framework for movement optimization and feedback. Sci Rep. 2025;15:17187.
  26. Guo W. Research on digital interactive dissemination of intangible cultural heritage. In: Proceedings of the International Conference on Language, Art and Human Development; Paris, France; 2026. Atlantis Press; Paris, France. Available from: https://doi.org/10.2991/978-2-38476-511-9_58.
  27. UNESCO. What is intangible cultural heritage? UNESCO; Paris; 2024. Available from: https://ich.unesco.org/en/what-is-intangible-heritage-00003.
  28. International Council on Monuments and Sites. Principles for the Preservation, Conservation and Restoration of Cultural Heritage. ICOMOS; Paris; 2023. Available from: http://www.icomoschina.org.cn/content/details57_1414.html.

액세스가 제한되었습니다. 이 콘텐츠를 보려면 로그인하거나 체험판을 시작하세요.

재인쇄 및 허가

태그

공학제233호제233호체화된 지식동작-특징 변환
문의하기
도서관에 추천하기

개인정보 처리방침

이용 약관

정책

저작권 © 2026 MyJoVE Corporation. 모든 권리 보유.