KR101460682B1 - 낙상 감지 장치 및 낙상 감지 방법 - Google Patents

낙상 감지 장치 및 낙상 감지 방법 Download PDF

Info

Publication number
KR101460682B1
KR101460682B1 KR1020140052465A KR20140052465A KR101460682B1 KR 101460682 B1 KR101460682 B1 KR 101460682B1 KR 1020140052465 A KR1020140052465 A KR 1020140052465A KR 20140052465 A KR20140052465 A KR 20140052465A KR 101460682 B1 KR101460682 B1 KR 101460682B1
Authority
KR
South Korea
Prior art keywords
fall
parameter
behavior
fall detection
information
Prior art date
Application number
KR1020140052465A
Other languages
English (en)
Inventor
유윤섭
임동하
박철호
김남호
김상훈
Original Assignee
한경대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한경대학교 산학협력단 filed Critical 한경대학교 산학협력단
Priority to KR1020140052465A priority Critical patent/KR101460682B1/ko
Application granted granted Critical
Publication of KR101460682B1 publication Critical patent/KR101460682B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
    • G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
    • G01P15/003—Kinematic accelerometers, i.e. measuring acceleration in relation to an external reference frame, e.g. Ferratis accelerometers
    • G01P15/005—Kinematic accelerometers, i.e. measuring acceleration in relation to an external reference frame, e.g. Ferratis accelerometers measuring translational acceleration
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01C—MEASURING DISTANCES, LEVELS OR BEARINGS; SURVEYING; NAVIGATION; GYROSCOPIC INSTRUMENTS; PHOTOGRAMMETRY OR VIDEOGRAMMETRY
    • G01C9/00—Measuring inclination, e.g. by clinometers, by levels
    • G01C9/02—Details
    • G01C9/04—Transmission means between sensing element and final indicator for giving an enlarged reading
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01D—MEASURING NOT SPECIALLY ADAPTED FOR A SPECIFIC VARIABLE; ARRANGEMENTS FOR MEASURING TWO OR MORE VARIABLES NOT COVERED IN A SINGLE OTHER SUBCLASS; TARIFF METERING APPARATUS; MEASURING OR TESTING NOT OTHERWISE PROVIDED FOR
    • G01D21/00—Measuring or testing not otherwise provided for
    • G01D21/02—Measuring two or more variables by means not covered by a single other subclass
    • G—PHYSICS
    • G10—MUSICAL INSTRUMENTS; ACOUSTICS
    • G10L—SPEECH ANALYSIS OR SYNTHESIS; SPEECH RECOGNITION; SPEECH OR VOICE PROCESSING; SPEECH OR AUDIO CODING OR DECODING
    • G10L15/00—Speech recognition
    • G10L15/08—Speech classification or search
    • G10L15/14—Speech classification or search using statistical models, e.g. Hidden Markov Models [HMMs]
    • G10L15/142—Hidden Markov Models [HMMs]
    • G10L15/144—Training of HMMs

Abstract

발명의 실시예에 따른 낙상 감지 장치는 가속도 또는 기울기를 측정하는 센서; 상기 센서에서 획득된 데이터로부터 파라미터를 계산하는 낙상 감지 특징 파라미터 추출부; 상기 낙상감지 특징 파라미터 추출부에서 계산된 파라미터를 이용하여 다양한 일상생활과 낙상 상황을 학습한 HMM 데이터베이스; 및 상기 낙상 감지 특징 파라미터가 임계치를 초과하는 낙상 가능 행동에 대해서 HMM 평가를 통해서 가장 높은 확률의 행동을 결정하여 낙상 행동인지를 판단하는 낙상 판단부;를 포함한다.
발명의 실시예에 따른 낙상 감지 임베디드 영상장치는 영상 데이터를 촬영하는 카메라; 상기 카메라에서 획득된 영상 데이터로부터 파라미터를 계산하는 낙상 감지 특징 파라미터 추출부; 상기 낙상감지 특징 파라미터 추출부에서 계산된 파라미터를 이용하여 다양한 일상생활과 낙상 상황을 학습한 HMM 데이터베이스; 및 상기 낙상 감지 특징 파라미터가 임계치를 초과하는 낙상 가능 행동에 대해서 HMM 평가를 통해서 가장 높은 확률의 행동을 결정하여 낙상 행동인지를 판단하는 낙상 판단부;를 포함한다.
발명의 실시예에 따른 낙상 관리 서버는 낙상 감지 장치나 낙상 감지 임베디드 영상장치로부터 수신하는 낙상 정보 수신부; 화물이나 사용자 정보 즉, 화물이나 사용자의 고유번호별 정보를 저장하는 낙상 정보 데이터 베이스; 상기 낙상 발생 정보와 낙상 영상 및 낙상 정보 데이터 베이스을 이용해서 화물이나 사용자의 낙상을 최종 확인하는 관리자 확인부; 상기 낙상 최종 확인 정보를 이용해서 미리 설정된 응급상황 센터, 가족, 의사 등의 낙상시 통보 연락처로 낙상 사실을 통보하는 낙상 통보부;을 포함한다.

Description

낙상 감지 장치 및 낙상 감지 방법{Apparatus and method for detecting fall}
본 발명은 낙상 감지 장치 및 낙상 감지 방법에 관한 것으로, 더욱 상세하게는 가속도 센서에 의해 측정된 가속도나 카메라 영상 데이터를 낙상 감지에 적합한 다양한 파라미터들로 계산 후에 그 파라미터들의 임계치와 은닉 마크로프 모델(HMM:hidden markov model)을 이용하여 실생활에서 자주 발생하는 낙상 사고를 실시간으로 감지하고 이를 낙상 제어 서버로 통보하여 낙상으로 인한 2차 사고에 적극적으로 대비하기 위한 낙상 감지 장치 및 낙상 감지 방법에 관한 것이다.
정보통신의 급속한 발달과 인터넷 사용자의 확산에 따라 전자상거래 시장의 급격한 성장과 글로벌 소싱이 확대되고 있으며, 전자상거래 시장은 괄목한 성장을 하고 있는 분야이다. 전자상거래 시장은 새로운 형태의 물류 및 유통업으로서 성장 잠재력이 크며 꾸준히 성장하고 있다.
전자상거래 시장은 전화 및 온라인 상에서 이루어지게 됨에 따라, 구매된 상품의 운송을 위해 택배 서비스를 주로 이용하고 있다.
택배 물품을 보관하고 운반하는 물류 센터에서 택배 물품을 적재하고 관리하는 중에 택배 물품의 낙상으로 인하거나 작업자의 갑작스러운 쇼크로 인한 작업자 낙상의 발생으로 작업자가 의식을 잃거나 몸을 움직일 수 없는 상태에서 빠른 응급조치가 이루어지지 않으면 사망에까지 이를 수 있다. 또한, 택배 물품이 파손된 경우에도 이에 대한 파악이 늦어지는 경우, 피해가 확산되는 경우도 있으므로 낙상 사고 발생시 신속한 상황 파악 및 이에 대한 대처가 필요하다.
더불어, 낙상의 발생 후 의식을 잃거나 몸을 움직일 수 없는 위급한 상황을 자동으로 감지해 보호자나 관리 센터에 메시지를 보낸다면 낙상으로 발생한 응급상황에 대한 의료 개입의 시간을 단축할 수 있을 것이다.
본 발명은 낙상으로 판단되는 측정 데이터로부터 낙상 및 이와 유사한 행위를 정확하게 분리하여 판단할 수 있는 낙상 감지 장치 및 낙상 감지 방법을 제공하는 것을 목적으로 한다.
발명의 실시예에 따른 낙상 감지 장치는 가속도 또는 기울기를 측정하는 센서; 상기 센서에서 획득된 데이터로부터 파라미터를 계산하는 낙상 감지 특징 파라미터 추출부; 상기 낙상감지 특징 파라미터 추출부에서 계산된 파라미터를 이용하여 다양한 일상생활과 낙상 상황을 학습한 HMM 데이터베이스; 및 상기 낙상 감지 특징 파라미터가 임계치를 초과하는 낙상 가능 행동에 대해서 HMM 평가를 통해서 가장 높은 확률의 행동을 결정하여 낙상 행동인지를 판단하는 낙상 판단부;를 포함한다.
발명의 실시예에 따른 낙상 감지 임베디드 영상장치는 영상을 측정하는 카메라; 상기 카메라에서 획득된 영상 데이터로부터 파라미터를 계산하는 낙상감지 특징 파라미터 추출부; 상기 낙상감지 특징 파라미터 추출부에서 계산된 파라미터를 이용하여 다양한 일상생활과 낙상 상황을 학습한 HMM 데이터베이스; 및 상기 낙상 감지 특징 파라미터가 임계치를 초과하는 낙상 가능 행동에 대해서 HMM 평가를 통해서 가장 높은 확률의 행동을 결정하여 낙상 행동인지를 판단하는 낙상 판단부; 및 상기 낙상 가능 행동으로 판단된 경우에 낙상 영상 정보를 저장하는 영상 저장부;를 포함한다.
발명의 실시예에 따른 낙상 감지 방법은 낙상 감지 특징 파라미터 추출하는 단계; 상기 가속도센서의 가속도와 카메라의 영상 데이타로부터 낙상 감지 특징 파라미터들을 계산하는 단계; 상기 파라미터가 미리 정해진 임계치를 초과하는지 판단하는 단계; 상기 파라미터가 미리 정해진 임계치를 초과하는 경우, HMM 데이터베이스를 이용하여 낙상 가능 행동을 HMM 평가하고, 가장 높은 확률의 행동을 결정하는 단계; 및 상기 가장 높은 확률로 결정된 행동이 낙상 행동에 해당하는지를 판단하는 단계;를 포함한다.
발명의 실시예에 따른 낙상 관리 서버는 낙상 감지 장치나 낙상 감지 임베디드 영상장치로부터 낙상 발생 정보와 낙상 영상을 수신하는 낙상 정보 수신부; 화물이나 사용자 정보 즉, 화물이나 사용자의 고유번호별 정보를 저장하는 낙상 정보 데이터 베이스; 상기 낙상 발생 정보, 낙상 영상 및 낙상 정보 데이터 베이스을 이용해서 화물이나 사용자의 낙상을 최종 확인하는 관리자 확인부; 및 상기 화물이나 사용자의 낙상 최종 확인 결과를 이용해서 미리 설정된 응급상황 센터, 가족, 의사 등의 낙상시 통보 연락처로 낙상 사실을 통보하는 낙상 통보부;를 포함한다.
발명의 실시예에 따른 낙상 감지 장치 및 낙상 감지 방법은 낙상으로 판단되는 측정 데이터로부터 낙상 및 이와 유사한 행위를 정확하게 분리하여 판단할 수 있다.
도 1은 발명의 실시예에 따른 낙상 감지 장치와 낙상 감지 임베디드 영상장치가 적용되는 낙상 감지 시스템의 개념을 나타내는 도면이다.
도 2는 발명의 실시예에 따른 낙상 감지 장치의 구성을 나타내는 도면이다.
도 3은 발명의 실시예에 따른 낙상 감지 임베디드 영상장치의 구성을 나타내는 도면이다.
도 4는 발명의 실시예에 따른 HMM을 이용한 평가를 나타내는 도면이다.
도 5는 발명의 실시예에 따른 낙상 관리 서버의 구성을 나타내는 도면이다.
도 6은 발명의 실시예에 따른 낙상 감지 방법을 나타내는 순서도이다.
도 7은 발명의 실시 예에 따른 낙상 감지 장치와 낙상 감지 임베디드 영상장치가 적용되는 낙상 감지 시스템을 통해서 랩뷰기반의 낙상 관리 서버에서 낙상 감지하는 실험 환경의 예시도이다.
본 발명에서 사용되는 기술적 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아님을 유의해야 한다. 또한, 본 발명에서 사용되는 기술적 용어는 본 발명에서 특별히 다른 의미로 정의되지 않는 한, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 의미로 해석되어야 하며, 과도하게 포괄적인 의미로 해석되거나, 과도하게 축소된 의미로 해석되지 않아야 한다. 또한, 본 발명에서 사용되는 기술적인 용어가 본 발명의 사상을 정확하게 표현하지 못하는 잘못된 기술적 용어일 때에는, 당업자가 올바르게 이해할 수 있는 기술적 용어로 대체되어 이해되어야 할 것이다. 또한, 본 발명에서 사용되는 일반적인 용어는 사전에 정의되어 있는 바에 따라, 또는 전후 문맥상에 따라 해석되어야 하며, 과도하게 축소된 의미로 해석되지 않아야 한다.
또한, 본 발명에서 사용되는 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한 복수의 표현을 포함한다. 본 발명에서, "구성된다" 또는 "포함한다" 등의 용어는 발명에 기재된 여러 구성 요소들, 또는 여러 단계를 반드시 모두 포함하는 것으로 해석되지 않아야 하며, 그 중 일부 구성 요소들 또는 일부 단계들은 포함되지 않을 수도 있고, 또는 추가적인 구성 요소 또는 단계들을 더 포함할 수 있는 것으로 해석되어야 한다.
또한, 본 발명에서 사용되는 제1, 제2 등과 같이 서수를 포함하는 용어는 구성 요소들을 설명하는데 사용될 수 있지만, 구성 요소들은 용어들에 의해 한정되어서는 안 된다. 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로만 사용된다. 예를 들어, 본 발명의 권리 범위를 벗어나지 않으면서 제1 구성 요소는 제2 구성 요소로 명명될 수 있고, 유사하게 제2 구성 요소도 제1 구성 요소로 명명될 수 있다.
이하, 첨부된 도면을 참조하여 본 발명에 따른 바람직한 실시 예를 상세히 설명하되, 도면 부호에 관계없이 동일하거나 유사한 구성 요소는 동일한 참조 번호를 부여하고 이에 대한 중복되는 설명은 생략하기로 한다.
또한, 본 발명을 설명함에 있어서 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 첨부된 도면은 본 발명의 사상을 쉽게 이해할 수 있도록 하기 위한 것일 뿐, 첨부된 도면에 의해 본 발명의 사상이 제한되는 것으로 해석되어서는 아니 됨을 유의해야 한다.
도 1은 발명의 실시예에 따른 낙상 감지 장치가 적용되는 낙상 감지 시스템의 개념을 나타내는 도면이다. 발명의 실시예에 따른 낙상 감지 시스템은 낙상 감지 장치(100), 낙상 감지 임베디드 영상장치(200), 라우터(300) 및 게이트웨이(400)를 포함할 수 있다.
도 1에 도시된 낙상 감지 시스템의 구성 요소 모두가 필수 구성 요소인 것은 아니며, 도 1에 도시된 구성 요소보다 많은 구성 요소에 의해 낙상 감지 시스템이 구현될 수 있고, 그보다 적은 구성 요소에 의해서도 낙상 감지 시스템이 구현될 수도 있다.
낙상 감지 장치(100)는 작업자, 이동차, 설비, 장치 및 화물 등에 부착될 수 있으며, 대상의 낙상 여부를 감지하고 이에 대한 정보를 라우터(300)로 전달한다.
낙상 감지 장치(100)는 내부에 센서(110)를 포함하며 센서(110)는 3축 가속도 센서, 2축 가속도 센서, 자이로 센서 및 작업자의 상황을 확인할 수 있는 생체 센서 중 하나 이상을 포함할 수 있다.
낙상 감지 장치(100)가 부착되는 대상 및 위치에 따라 낙상으로 판단하기 위한 가속도를 이용한 낙상 감지 특징 파라미터와 그 특징파라미터 임계값은 상이하게 설정될 수 있다.
낙상 감지 임베디드 영상장치(200)는 유, 무선 네트워크가 가능하며 영상 데이터를 낙상에 의한 응급상황의 영상을 획득할 수 있다.
낙상 감지 임베디드 영상장치(200)는 획득한 영상 데이터를 가공해서 낙상 감지에 적합한 낙상 감지 특징 파라미터와 그 특징파라미터 임계값은 상이하게 설정될 수 있다.
낙상 감지 임베디드 영상장치(200)는 통신부를 포함하며 영상 데이터로부터 낙상으로 판단한 결과와 낙상에 의한 응급상황의 영상을 네트워크를 통해 라우터(300)로 전달한다.
낙상 감지 장치(100) 및 낙상 감지 임베디드 영상장치(200)는 통신망으로 상호 연결될 수 있다. 이에 따라 낙상 감지 장치(100)가 낙상 가능 행동이나 낙상 행동으로 판단된 경우, 인접한 낙상 감지 임베디드 영상장치(200)는 해당 낙상 감지 장치(100)의 영상 정보를 수집, 저장 및 전송할 수 있다.
낙상 감지 장치(100)의 구성이나, 낙상 가능 행동이나 낙상 행동으로 판단하는 구체적인 방법에 대해서는 도 2 및 도 3을 참조하여 후술한다.
라우터(300)는 낙상 감지 장치(100) 및 낙상 감지 임베디드 영상장치(200)의 데이터를 수집하여 낙상 감지 임베디드 영상장치(200)와 게이트웨이(400)에 전달할 수 있다.
게이트웨이(400)는 낙상 감지 장치(100) 및 낙상 감지 임베디드 영상장치(200), 또는 라우터(300)로부터 전달된 데이터를 인터넷의 네트워크 망에 전달할 수 있다.
도 2는 발명의 실시예에 따른 낙상 감지 장치의 구성을 나타내는 도면이다. 도 2에 도시된 바와 같이 낙상 감지 장치(100)는 센서(110), 가속도를 이용한 낙상 감지 특징 파라미터 추출부(120), 낙상 판단부(130), HMM 데이터베이스(140) 및 통신부(150)를 포함할 수 있다.
도 2에 도시된 낙상 감지 장치의 구성 요소 모두가 필수 구성 요소인 것은 아니며, 도 2에 도시된 구성 요소보다 많은 구성 요소에 의해 낙상 감지 장치가 구현될 수 있고, 그보다 적은 구성 요소에 의해서도 낙상 감지 장치가 구현될 수도 있다.
센서(110)는 가속도를 측정하는 가속도 센서를 포함하고, 화물이나 사용자 고유번호 식별 장치를 포함하고, 사용자의 심박수를 측정하는 심박 센서를 포함할 수도 있다.
센서(110)는 가속도 정보와 기울기 정보를 감지할 수 있는 다양한 가속도 센서가 이용될 수 있다. 본 발명의 실시예에서는 3축 가속도 센서를 이용한다. 3축 가속도 센서는 사용자의 움직임에 따라 3축 가속도 정보 및 기울기 정보를 센싱한다.
낙상 감지 특징 파라미터 추출부(120)는 화물, 사용자의 움직임의 특징을 추출하기 위해 센서(110)로부터 획득된 가속도 데이터를 이용할 수 있다.
이를 위해, 낙상 감지 특징 파라미터(120)는 센서(110)로부터 가속도 데이터를 제1 기간 동안 미리 정해진 시간 간격으로 샘플링하여 획득할 수 있다. 낙상 감지 특징 파라미터 추출부(120)는 획득된 가속도 데이터로부터 낙상 감지 특징 파라미터값를 추출할 수 있다.
여기서, 낙상 감지 특징 파라미터값은 가속도 데이터 크기, 가속도 데이터 미분값, 가속도 데이터 표준 편차, 최소 및 최대 가속도 데이터 그리고 최소 및 최대 가속도 데이터의 해당 축 정보 중 적어도 하나를 포함할 수 있다.
낙상 감지 특징 파라미터 추출부(120)는 3축 가속도 센서와 같은 센서(110)에 의해 감지된 사용자의 가속도 및 기울기 정보를 추출한다. 일반적으로 3축 가속도 센서는 가속도 값으로 보행이나 행동 중 가감속에 의한 운동 가속도 성분과 경사에 의한 중력 가속도 성분을 모두 포함하는 신호(raw data)를 측정한다.
이때, 낙상 감지 특징 파라미터 추출부(120)는 낙상 감지 장치(100)가 중력 방향과 이루는 각도에 대한 파라미터, 낙상 감지 장치(100)의 가속도 크기(SVM: Sum vector Magnitude)인 ASVM(t)에 대한 파라미터, 중력의 영향을 제거하고 움직임의 크기에 더 가깝게 접근하기 위해 움직임의 변화량(DSVM:Differential Sum Vector Magnitude)인 ADSVM(t)에 대한 파라미터, ASVM(t)에 중력 가중치를 고려한 파라미터 및 ADSVM(t)에 중력 가중치를 고려한 파라미터 중 적어도 하나를 추출할 수 있다.
낙상 판단부(130)는 낙상 감지 특징 파라미터 추출부(120)에 의해 획득된 낙상 감지 특징 파라미터값이 임계치를 초과하는 경우, 이를 복수 개의 이벤트 중 하나로 분류할 수 있다.
낙상 현상은 갑작스러운 큰 움직임 또는 육체적 활동으로 인식된 이벤트에 해당할 것이고, 따라서 3축 가속도 센서부의 센싱값을 통해 이러한 낙상 현상을 검출한다면 센싱값이 크거나 센싱값의 변동이 큰 이벤트가 낙상 현상에 해당할 것이다.
이와 같이, 낙상 감지 특징 파라미터 추출부(120)는 낙상 감지 특징 파라미터를 계산하고 낙상 판단부(130)는 낙상 감지 특징 파라미터가 임계치를 초과하는지를 판단한다.
낙상 감지 특징 파라미터 추출부(120)에 의해 추출된 낙상 감지 특징 파라미터가 임계치를 초과하는 경우, 낙상 판단부(130)는 낙상 가능 행동으로 판단한다. 낙상 가능 행동은 낙상 행동과는 구별되는 것으로, 실제로 낙상 행동인지 확실하지는 않지만 낙상 행동으로 판단될 가능성이 있는 행동을 의미한다.
조금이라도 낙상이라도 의심이 되면 낙상 가능 행동으로 판단되도록 낙상 감지 특징 파라미터의 임계치를 낮게 설정할 수 있다.
낙상 가능 행동으로 판단된 경우 낙상 감지 임베디드 영상장치(200)는 낙상 감지 장치(100)의 영상 정보를 수집, 저장한다. 낙상 감지 장치(100)의 영상 정보는 낙상 가능 행동으로 판단한 시점을 기준으로 일정 시간 동안의 영상을 저장하여 게이트웨이(400)로 전송할 수 있다.
예를 들어, 낙상 가능 행동으로 판단한 시점의 1분 전부터 낙상 가능 행동으로 판단한 시점의 4분 후까지, 5분간의 영상을 저장하여 게이트웨이(400)로 전송할 수 있다.
또한, 낙상 감지 특징 파라미터 추출부(120)에 의해 추출된 낙상 감지 특징 파라미터가 임계치를 초과하여 낙상 판단부(130)가 낙상 가능 행동으로 판단한 경우, 추출한 파라미터에 임계값을 적용시켜 필터링을 거친 후 HMM(hidden markov model)을 이용하여 최종적으로 낙상을 감지한다.
구체적으로, 낙상의 감지 및 판단에 필요한 데이터를 저장하는 HMM 데이터베이스(140)를 통해 낙상 판단부(130)는 낙상 가능 행동이 실제 낙상 행동인지를 판단한다.
도 3은 발명의 실시예에 따른 낙상 감지 임베디드 영상장치의 구성을 나타내는 도면이다. 도 3에 도시된 바와 같이 낙상 감지 임베디드 영상장치(100)는 카메라(210), 영상 데이타를 이용한 낙상 감지 특징 파라미터 추출부(220), 낙상 판단부(230), HMM 데이터베이스(240), 통신부(150) 및 영상저장부(260)을 포함할 수 있다.
도 3에 도시된 낙상 감지 임베디드 영상장치의 구성 요소 모두가 필수 구성 요소인 것은 아니며, 도 3에 도시된 구성 요소보다 많은 구성 요소에 의해 낙상 감지 장치가 구현될 수 있고, 그보다 적은 구성 요소에 의해서도 낙상 감지 장치가 구현될 수도 있다.
카메라(210)는 영상 정보를 측정하는 이미지 센서를 포함한다.
카메라(210)는 영상 정보를 감지할 수 있는 다양한 이미지 센서가 이용될 수 있다.
낙상 감지 특징 파라미터 추출부(220)은 화물과 사용자의 움직임의 특징을 추출하기 위해 카메라(210)로부터 획득된 영상 데이터를 이용할 수 있다.
이를 위해, 낙상 감지 특징 파라미터(220)은 카메라(210)로부터 영상 데이터를 제1 기간 동안 미리 정해진 시간 간격으로 샘플링하여 획득할 수 있다. 낙상 감지 특징 파라미터 추출부(220)는 획득된 영상 데이터로부터 낙상 감지 특징 파라미터값를 추출할 수 있다.
여기서, 낙상 감지 특징 파라미터 추출부(220)는 카메라(210)에서 촬영된 영상 데이터의 움직임 벡터 정보를 이용해서 사용자나 화물을 타원으로 계산한다. 이때, 낙상 감지 특징 파라미터 추출부(120)는 이 타원형의 장축이 중력 방향과 이루는 각도에 대한 파라미터, 이 타원형의 중심값 변화 크기(SVM: Sum vector Magnitude)인 VSVM(t)에 대한 파라미터, 이 타원형의 중심값 움직임의 변화량(DSVM:Differential Sum Vector Magnitude)인 VDSVM(t)에 대한 파라미터, VSVM(t)에 중력 가중치를 고려한 파라미터 및 VDSVM(t)에 중력 가중치를 고려한 파라미터 중 적어도 하나를 추출할 수 있다.
낙상 판단부(230)는 낙상 감지 특징 파라미터 추출부(220)에 의해 획득된 낙상 감지 특징 파라미터값이 임계치를 초과하는 경우, 이를 복수 개의 이벤트 중 하나로 분류할 수 있다.
낙상 현상은 갑작스러운 큰 움직임 또는 육체적 활동으로 인식된 이벤트에 해당할 것이고, 따라서 영상 데이터에서 화물이나 사람을 타원형으로 분리해서 그 타원형의 움직임을 이용해서 낙상 현상을 검출한다면 타원형의 움직임이 크거나 움직임 속도의 변동이 큰 이벤트가 낙상 현상에 해당할 것이다.
이와 같이, 낙상 감지 특징 파라미터 추출부(220)는 낙상 감지 특징 파라미터를 계산하고 낙상 판단부(230)는 낙상 감지 특징 파라미터가 임계치를 초과하는지를 판단한다.
낙상 감지 특징 파라미터 추출부(220)에 의해 추출된 낙상 감지 특징 파라미터가 임계치를 초과하는 경우, 낙상 판단부(230)는 낙상 가능 행동으로 판단한다. 낙상 가능 행동은 낙상 행동과는 구별되는 것으로, 실제로 낙상 행동인지 확실하지는 않지만 낙상 행동으로 판단될 가능성이 있는 행동을 의미한다.
조금이라도 낙상이라도 의심이 되면 낙상 가능 행동으로 판단되도록 낙상 감지 특징 파라미터의 임계치를 낮게 설정할 수 있다.
낙상 가능 행동으로 판단된 경우 낙상 감지 임베디드 영상장치(200)의 영상저장부(260)은 영상 정보를 저장한다. 이 영상 정보는 낙상 가능 행동으로 판단한 시점을 기준으로 일정 시간 동안의 영상을 저장하여 게이트웨이(400)로 전송할 수 있다.
예를 들어, 낙상 가능 행동으로 판단한 시점의 1분 전부터 낙상 가능 행동으로 판단한 시점의 4분 후까지, 5분간의 영상을 저장하여 게이트웨이(400)로 전송할 수 있다.
또한, 낙상 감지 특징 파라미터 추출부(220)에 의해 추출된 낙상 감지 특징 파라미터가 임계치를 초과하여 낙상 판단부(230)가 낙상 가능 행동으로 판단한 경우, 추출한 파라미터에 임계값을 적용시켜 필터링을 거친 후 HMM(hidden markov model)을 이용하여 최종적으로 낙상을 감지한다.
구체적으로, 낙상의 감지 및 판단에 필요한 데이터를 저장하는 HMM 데이터베이스(240)를 통해 낙상 판단부(230)는 낙상 가능 행동이 실제 낙상 행동인지를 판단한다.
도 4는 발명의 실시예에 따른 HMM을 이용한 평가를 나타내는 도면이다. HMM의 데이터베이스(140)에는 일상생활 행동 및 낙상 행동에 대해서 학습된 결과가 저장되어 있다. 구제적으로 일상생활 행동으로는 걷기, 뛰기, 제자리에서 점프 및 침대에 눕기에 각각 해당하는 파라미터가 저장되고, 낙상 행동으로는 앞으로 넘어지는 경우, 옆으로 넘어지는 경우 및 뒤로 넘어지는 경우 등의 다양한 낙상 및 일상생활에 각각 해당하는 파라미터가 저장될 수 있다.
HMM의 데이터베이스(140, 240)에는 낙상 감지 특징 파라미터 추출부(120, 220)에 의해 추출된 낙상 감지 특징 파라미터를 이용하여 일상생활 행동 및 낙상 행동 중 가장 높은 확률의 행동을 결정하고, 가장 높은 확률의 행동이 낙상 행동에 해당하는지를 판단할 수 있다.
구체적으로, 임계값을 통과하여 들어오는 데이터, 즉, 낙상 감지 특징 파라미터 추출부(120, 220)에 의해 추출된 낙상 특징 파라미터를 이용하여 HMM 데이터베이스(140, 240)에 저장된 다양한 일상생활 및 낙상(예로 여기서는 7가지) 상황의 발생 확률을 각각 구하고, 구한 확률 중에 가장 높은 확률을 갖는 모델을 채택하게 된다.
채택된 모델이 낙상 행동에 해당하는 경우, 최종적으로 낙상 행동이 발생한 것으로 판단하고, 이에 대해 대응한다. 즉, 낙상 판단부(130, 230)는 센서(110) 혹은 카메라(210)로부터 감지된 속도정보, 가속도 정보 및 기울기 정보를 이용한 낙상 감지 특징 파라미터를 이용해 낙상 행위가 발생했는지 여부를 판단하여 낙상 행동을 최종 확인하고, 통신부(150, 250)를 통해 낙상 관리 서버(500)에 화물이나 사용자의 낙상 및 위치정보를 통지하여 최종적으로 응급 센터, 가족 및 의사 등에 낙상 사실을 전달한다.
이와 같이, 낙상 감지 특징 파라미터값이 임계치 이상인 이벤트에 대해서 HMM 데이터베이스를 적용하여 낙상 행동을 파악함으로써, 정확한 낙상 여부의 판단이 가능한 효과가 있다.
도 5는 발명의 실시예에 따른 낙상 관리 서버의 구성을 나타내는 도면이다. 낙상 관리 서버(500)는 낙상 감지 장치(100)나 낙상 감지 임베디드 영상장치(200)로부터 전달된 낙상 발생 신호와 낙상 영상을 관리자가 최종 확인하고, 낙상이 확인되면 낙상 등의 위험을 미리 설정된 응급 센터, 가족 및 의사 등에 전달한다.
낙상 관리 서버(500)는 낙상 정보 수신부(510), 관리자 확인부(520), 낙상 정보 데이터 베이스(530) 및 낙상 통보부(540)를 포함한다.
낙상 정보 수신부(510)는 낙상 감지 장치(100)나 낙상 감지 임베디드 영상장치(200)로부터 전달된 낙상 발생 신호와 낙상 영상을 포함한 낙상 정보를 수신한다. 수신되는 낙상 정보는 화물이나 사용자의 최종 낙상 발생 정보, 화물이나 사용자의 현재 위치 정보뿐만 아니라 사용자의 개인정보를 포함한다.
관리자 확인부(520)는 낙상 감지 장치(100)나 낙상 감지 임베디드 영상장치(200)로부터 전달된 낙상 발생 신호와 낙상 영상을 확인해서 낙상을 최종 판단한다. 사용자가 낙상이 된 경우는 사용자의 개인정보를 이용해 낙상 정보 데이터 베이스(530)를 검색하여 사용자의 신원을 확인한다. 화물이 낙상이 된 경우는 화물의 데이터베이스를 검색하여 화물의 정보를 확인한다.
낙상 정보 데이터 베이스(530)는 화물이나 사용자 정보 즉, 화물이나 사용자의 고유번호별 정보를 저장한다. 사용자의 고유번호별 정보는 인적사항 정보, 건강 정보 및 낙상 시 통보 연락처 등의 정보이고 화물 고유번호별 정보는 이력사항 정보이다.
낙상 통보부(540)는 관리자 확인부(520)에 의해 관리자가 화물이나 사용자의 낙상과 화물이나 사용자 정보를 확인하면 미리 설정된 응급상황 센터, 가족, 의사 등의 낙상시 통보 연락처로 낙상 사실을 통보한다.
도 5는 발명의 실시예에 따른 낙상 감지 방법을 나타내는 순서도이다.
처음으로, 센서(110) 혹은 카메라(210)는 데이터를 측정한다(S100). 측정되는 데이터는 낙상 감지 장치(100)의 가속도 및 기울기 정보를 포함할 수 있고 낙상 감지 임베디드 영상장치(200)의 영상 데이터 정보를 포함 할 수 있다.
다음으로, 낙상 감지 특징 파라미터 추출부(120, 220)는 측정된 데이터로부터 파라미터를 계산한다(S200). 파라미터는 낙상 감지 장치(100)가 중력 방향과 이루는 각도에 대한 파라미터, 낙상 감지 장치(100)의 가속도 크기(SVM: Sum vector Magnitude)인 ASVM(t)에 대한 파라미터, 중력의 영향을 제거하고 움직임의 크기에 더 가깝게 접근하기 위해 움직임의 변화량(DSVM:Differential Sum Vector Magnitude)인 ADSVM(t)에 대한 파라미터, ASVM(t)에 중력 가중치를 고려한 파라미터 및 ADSVM(t)에 중력 가중치를 고려한 파라미터 중 적어도 하나를 포함할 수 있다. 또한, 파라미터는 낙상 감지 임베디드 영상장치(200)의 카메라에서 측정된 영상 데이터를 가공해서 화물이나 사용자를 타원형으로 계산하고 이 타원형의 장축이 중력 방향과 이루는 각도에 대한 파라미터, 이 타원형의 중심값 변화 크기(SVM: Sum vector Magnitude)인 VSVM(t)에 대한 파라미터, 이 타원형의 중심값 움직임의 변화량(DSVM:Differential Sum Vector Magnitude)인 VDSVM(t)에 대한 파라미터, VSVM(t)에 중력 가중치를 고려한 파라미터 및 VDSVM(t)에 중력 가중치를 고려한 파라미터 중 적어도 하나를 추출할 수 있다.
다음으로, 계산된 파라미터가 미리 정해진 임계치를 초과하는지를 판단한다(S300). 계산된 파라미터가 미리 정해진 임계치를 초과하지 않는 경우, 데이터 측정 단계(S100)로 돌아가서 상기 과정을 반복한다.
다음으로, 계산된 파라미터가 미리 정해진 임계치를 초과하는 경우, 학습한 HMM 데이터베이스를 이용하여 낙상 가능 행동을 HMM 평가하고, 가장 높은 확률의 행동을 결정한다(S400).
즉, S300의 단계에서 임계값 기준을 통과하여 들어오는 데이터, 즉, 낙상 감지 특징 파라미터 추출부(120, 220)에 의해 추출된 낙상 감지 특징 파라미터를 이용하여 HMM 데이터베이스(140)에 저장된 다양한 일상생활과 낙상(예로 여기서는 7가지) 상황의 발생 확률을 각각 구하고, 구한 확률 중에 가장 높은 확률을 갖는 모델을 채택하게 된다.
다음으로, 가장 높은 확률로 결정된 행동이 낙상 행동에 해당하는지를 판단하여(S500), 낙상 행동으로 판단되지 않은 경우에는 데이터 측정 단계(S100)로 돌아가서 상기 과정을 반복하고, 낙상 행동으로 최종 판단된 경우에는 낙상 행동에 대해 대응한다(S600). 즉, 낙상 관리 서버(500)로 낙상 사실과 낙상 영상을 전달할 수 있다.
이와 같이, 임계치 이상의 파라미터에 대하여 HMM 데이터베이스를 적용하여 낙상 행동을 파악함으로써, 정확한 낙상 여부의 판단이 가능하다.
표 1 내지 표 3은 기존에 잘 알려진 임계치 방법, HMM 방법 및 상기 본 발명의 실시 예에 따른 낙상 감지 방법을 이용한 낙상 감지 실험한 결과로서, 해당 데이터의 검증 및 분석은 도 7에 도시한 랩뷰(LabView)를 이용한 낙상감지 실험환경에서 수행하였다.
각 실험 항목은 도4에 서 나타낸 것과 같이 4가지 ADL(Activities of daily living)과 3가지 Fall이었으며, ADL은 일상 행동을 의미하며, Fall은 낙상 행동을 의미한다. 여기에서 ADL은 낙상 행동과 비슷한 크기의 가속도와 각속도를 갖는 행동을 실험하였다.
실험대상은 20대 남성 2명과 20대 여성 2명으로 40대와 50대는 각각 남성 1명으로 구성하여 총 6명에게 획득하였다. 20대는 각 행동별로 15개, 40대와 50대는 각 행동별로 10개의 이벤트를 측정하였다.
본 실험에서는 낙상 감지를 위한 각 파라미터별로 특이성(Specificity), 민감성(Sensitivity) 및 정확도(Accuracy)을 측정하였으며, 표 1 은 임계치만 고려한 임계치 방법으로 낙상 감지한 결과이고 표 2는 HMM만 적용한 HMM 방법으로 낙상 감지한 결과이고 표 3은 본 발명인 임계치를 초과한 낙상 가능 행동만을 HMM 평가하는 낙상 감지 방법으로 측정한 결과이다. 본 발명인 임계치를 초과한 낙상 가능 행동만을 HMM 평가하는 낙상 감지 방법이 AANGLE을 파라미터를 이용할 때 가장 정확도가 가장 좋은 결과를 보인다.
임계치 초과만 적용한 낙상 감지 결과(단위: %)
A ANGLE (t) A SVM (t) A DSVM (t) A GSVM ( t ) A GDSVM (t)
sensitivity 100 65.42 82.92 92.92 99.17
specificity 68.13 83.75 66.25 81.56 81.25
accuracy 81.79 75.89 73.39 86.43 80
HMM 만 적용한 낙상 감지 결과(단위: %)
A ANGLE (t) A SVM (t) A DSVM (t) A GSVM (t) A GDSVM ( t )
sensitivity 99.17 97.5 99.58 99.58 99.17
specificity 93.44 75.94 89.38 85.63 96.25
accuracy 95.89 85.18 93.75 91.61 97.5
임계치 초과한 이벤트들만 HMM 적용한 낙상 감지 결과(단위: %)
A ANGLE ( t ) A SVM (t) A DSVM (t) A GSVM (t) A GDSVM (t)
sensitivity 99.17 97.5 99.58 99.17 99.17
specificity 99.69 95.63 97.81 96.88 97.5
accuracy 99.46 96.43 98.57 97.86 98.21
전술한 내용은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 수정 및 변형이 가능할 것이다. 따라서, 본 발명에 개시된 실시예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다. 본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100 낙상 감지 장치
110 센서
120 낙상 감지 특징 파라미터 추출부
130 낙상 판단부
140 HMM 데이터베이스
150 통신부
200 낙상 감지 임베디드 영상 장치
210 카메라
220 낙상 감지 특징 파라미터 추출부
230 낙상 판단부
240 HMM 데이터베이스
250 통신부
260 영상저장부
300 라우터
400 게이트웨이
500 낙상 관리 서버
510 낙상 정보 수신부
520 관리자 확인부
530 낙상 정보 데이터베이스
540 낙상 통보부

Claims (8)

  1. 가속도 또는 기울기를 측정하는 센서;
    상기 센서에서 획득된 데이터로부터 파라미터를 계산하는 낙상감지 특징 파라미터 추출부;
    상기 낙상감지 특징 파라미터 추출부에서 계산된 파라미터를 이용하여 일상생활 행동과 낙상 상황을 학습한 HMM 데이터베이스; 및
    상기 낙상 감지 특징 파라미터가 임계치를 초과하는 낙상 가능 행동에 대해서 HMM 평가를 통해서 가장 높은 확률의 행동을 결정하여 낙상 행동인지를 판단하는 낙상 판단부;를 포함하는 것을 특징으로 하는 낙상 감지 장치.
  2. 제1항에 있어서,
    상기 파라미터는 상기 낙상 감지 장치가 중력 방향과 이루는 각도에 대한 파라미터, 상기 낙상 감지 장치의 가속도 크기(SVM: Sum vector Magnitude)인 ASVM(t)에 대한 파라미터, 중력의 영향을 제거한 상기 낙상 감지 장치의 움직임 변화량(DSVM:Differential Sum Vector Magnitude)인 ADSVM(t) 파라미터, 상기 ASVM(t)에 중력 가중치를 고려한 파라미터 및 상기 ADSVM(t)에 중력 가중치를 고려한 파라미터 중 적어도 하나를 포함하는 것을 특징으로 하는 낙상 감지 장치.
  3. 영상을 측정하는 카메라;
    상기 카메라에서 획득된 영상 데이터로부터 파라미터를 계산하는 낙상감지 특징 파라미터 추출부;
    상기 낙상감지 특징 파라미터 추출부에서 계산된 파라미터를 이용하여 일상생활 행동과 낙상 상황을 학습한 HMM 데이터베이스;
    상기 낙상 감지 특징 파라미터가 임계치를 초과하는 낙상 가능 행동에 대해서 HMM 평가를 통해서 가장 높은 확률의 행동을 결정하여 낙상 행동인지를 판단하는 낙상 판단부; 및
    상기 낙상 가능 행동으로 판단된 경우에 낙상 영상 정보를 저장하는 영상 저장부;를 포함하는 것을 특징으로 하는 낙상 감지 임베디드 영상장치.
  4. 제3항에 있어서,
    상기 파라미터는 영상 데이터를 가공해서 화물이나 사용자를 타원형으로 계산하고 이 타원형의 장축이 중력 방향과 이루는 각도에 대한 파라미터, 이 타원형의 중심값 변화 크기(SVM: Sum vector Magnitude)인 VSVM(t)에 대한 파라미터, 이 타원형의 중심값 움직임의 변화량(DSVM:Differential Sum Vector Magnitude)인 VDSVM(t)에 대한 파라미터, VSVM(t)에 중력 가중치를 고려한 파라미터 및 VDSVM(t)에 중력 가중치를 고려한 파라미터 중 적어도 하나를 포함하는 것을 특징으로 하는 낙상 감지 임베디드 영상장치.
  5. 낙상 감지 특징 파라미터 추출하는 단계;
    가속도센서의 가속도와 카메라의 영상 데이타로부터 낙상 감지 특징 파라미터들을 계산하는 단계;
    상기 파라미터가 미리 정해진 임계치를 초과하는지 판단하는 단계;
    상기 파라미터가 미리 정해진 임계치를 초과하는 경우, HMM 데이터베이스를 이용하여 낙상 가능 행동을 HMM 평가하고, 가장 높은 확률의 행동을 결정하는 단계; 및
    상기 가장 높은 확률로 결정된 행동이 낙상 행동에 해당하는지를 판단하는 단계;를 포함하는 것을 특징으로 하는 낙상 감지 방법.
  6. 제5항에 있어서,
    상기 가장 높은 확률로 결정된 행동이 낙상 행동에 해당하는 경우, 상기 낙상 행동이 발생하였음을 관리 서버로 통보하는 단계;를 포함하는 것을 특징으로 하는 낙상 감지 방법.
  7. 제5항에 있어서,
    상기 파라미터가 미리 정해진 임계치를 초과하는 경우, 네트워크가 가능한 카메라에 의해 낙상 상황을 촬영하고 저장하는 단계;를 포함하는 것을 특징으로 하는 낙상 감지 방법.
  8. 낙상 감지 장치나 낙상 감지 임베디드 영상장치로부터 낙상 발생 정보와 낙상 영상을 수신하는 낙상 정보 수신부;
    화물이나 사용자 정보 즉, 화물이나 사용자의 고유번호별 정보를 저장하는 낙상 정보 데이터 베이스;
    상기 낙상 발생 정보, 낙상 영상 및 낙상 정보 데이터 베이스을 이용해서 화물이나 사용자의 낙상을 최종 확인하는 관리자 확인부;
    상기 화물이나 사용자의 낙상 최종 확인 결과를 이용해서 미리 설정된 응급상황 센터, 가족, 의사 중에서 적어도 어느 하나를 포함하는 낙상시 통보 연락처로 낙상 사실을 통보하는 낙상 통보부;를 포함하는 것을 특징으로 하는 낙상 관리 서버.

KR1020140052465A 2014-04-30 2014-04-30 낙상 감지 장치 및 낙상 감지 방법 KR101460682B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020140052465A KR101460682B1 (ko) 2014-04-30 2014-04-30 낙상 감지 장치 및 낙상 감지 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020140052465A KR101460682B1 (ko) 2014-04-30 2014-04-30 낙상 감지 장치 및 낙상 감지 방법

Publications (1)

Publication Number Publication Date
KR101460682B1 true KR101460682B1 (ko) 2014-11-12

Family

ID=52287770

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020140052465A KR101460682B1 (ko) 2014-04-30 2014-04-30 낙상 감지 장치 및 낙상 감지 방법

Country Status (1)

Country Link
KR (1) KR101460682B1 (ko)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160128688A (ko) * 2015-04-29 2016-11-08 목원대학교 산학협력단 스마트폰 환경에서 속도 벡터를 이용한 넘어지는 방향측정 장치 및 방법
KR20160131161A (ko) * 2015-05-06 2016-11-16 목원대학교 산학협력단 스마트폰 환경에서 가속도 벡터의 성분과 방향센서를 이용한 넘어지는 방향측정 장치 및 방법
KR20170011631A (ko) 2015-07-23 2017-02-02 동명대학교산학협력단 낙상부위 감지기능을 갖는 착용형 기기 및 이를 이용한 낙상부위 감지 시스템
KR101704471B1 (ko) * 2015-12-08 2017-02-10 조선대학교산학협력단 낙상 검출 장치 및 그 방법
KR101760327B1 (ko) * 2016-04-18 2017-07-21 조선대학교산학협력단 카메라를 이용한 낙상 검출방법
CN111912433A (zh) * 2020-07-14 2020-11-10 威步智能科技(苏州)有限公司 一种高精度的跌落实时判定系统
KR20200138932A (ko) * 2019-06-03 2020-12-11 연세대학교 원주산학협력단 낙상 검출 장치 및 방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101196296B1 (ko) * 2011-03-23 2012-11-06 한경대학교 산학협력단 개선된 낙상 감지 알고리즘을 이용한 응급 모니터링 시스템

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101196296B1 (ko) * 2011-03-23 2012-11-06 한경대학교 산학협력단 개선된 낙상 감지 알고리즘을 이용한 응급 모니터링 시스템

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160128688A (ko) * 2015-04-29 2016-11-08 목원대학교 산학협력단 스마트폰 환경에서 속도 벡터를 이용한 넘어지는 방향측정 장치 및 방법
KR101699278B1 (ko) 2015-04-29 2017-01-24 목원대학교 산학협력단 스마트폰 환경에서 속도 벡터를 이용한 넘어지는 방향측정 장치 및 방법
KR20160131161A (ko) * 2015-05-06 2016-11-16 목원대학교 산학협력단 스마트폰 환경에서 가속도 벡터의 성분과 방향센서를 이용한 넘어지는 방향측정 장치 및 방법
KR101725773B1 (ko) * 2015-05-06 2017-04-11 목원대학교 산학협력단 스마트폰 환경에서 가속도 벡터의 성분과 방향센서를 이용한 넘어지는 방향측정 장치 및 방법
KR20170011631A (ko) 2015-07-23 2017-02-02 동명대학교산학협력단 낙상부위 감지기능을 갖는 착용형 기기 및 이를 이용한 낙상부위 감지 시스템
KR101704471B1 (ko) * 2015-12-08 2017-02-10 조선대학교산학협력단 낙상 검출 장치 및 그 방법
KR101760327B1 (ko) * 2016-04-18 2017-07-21 조선대학교산학협력단 카메라를 이용한 낙상 검출방법
KR20200138932A (ko) * 2019-06-03 2020-12-11 연세대학교 원주산학협력단 낙상 검출 장치 및 방법
KR102218066B1 (ko) * 2019-06-03 2021-02-18 연세대학교 원주산학협력단 낙상 검출 장치 및 방법
US11860186B2 (en) 2019-06-03 2024-01-02 University Industry Foundation, Yonsei University Wonju Campus Fall detection apparatus and method
CN111912433A (zh) * 2020-07-14 2020-11-10 威步智能科技(苏州)有限公司 一种高精度的跌落实时判定系统

Similar Documents

Publication Publication Date Title
KR101460682B1 (ko) 낙상 감지 장치 및 낙상 감지 방법
KR101196296B1 (ko) 개선된 낙상 감지 알고리즘을 이용한 응급 모니터링 시스템
US10485452B2 (en) Fall detection systems and methods
Rakhman et al. Fall detection system using accelerometer and gyroscope based on smartphone
Chaudhuri et al. Fall detection devices and their use with older adults: a systematic review
KR100988459B1 (ko) 낙상 감지 장치 및 방법
EP3099229B1 (en) Improvements in the detection of walking in measurements of the movement of a user
US9638711B2 (en) Method and system for discerning a false positive in a fall detection signal
US8990041B2 (en) Fall detection
EP3266369B1 (en) Analysis of fall severity using a fall detection system and wearing apparatus
Majumder et al. iPrevention: Towards a novel real-time smartphone-based fall prevention system
US20110246123A1 (en) Personal status monitoring
KR101797854B1 (ko) 스마트 밴드를 이용하여 낙상을 판단하는 방법 및 시스템
CN104510460A (zh) 一种基于物联网的独居老人自动监测系统
Majumder et al. A multi-sensor approach for fall risk prediction and prevention in elderly
CN103025240A (zh) 用于身体安装的装置的自动取向校准
Shawen et al. Fall detection in individuals with lower limb amputations using mobile phones: machine learning enhances robustness for real-world applications
WO2011055255A1 (en) Method and system for revoking a fall alarm field of the invention
US20210158965A1 (en) Automated mobility assessment
KR20170004268A (ko) 낙상 감지 장치 및 감지 방법
Diep et al. A classifier based approach to real-time fall detection using low-cost wearable sensors
Colon et al. Human fall detection with smartphones
CN116189383A (zh) 一种基于惯性传感的跌倒及其相似动作预警方法
Amiroh et al. Intelligent System for Fall Prediction Based on Accelerometer and Gyroscope of Fatal Injury in Geriatric
JP2009061221A (ja) 健康監視システム、健康監視方法および健康監視プログラム

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20171101

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20190104

Year of fee payment: 5