KR102107379B1 - 3축 동작측정기를 이용한 노쇠 예측 방법, 3축 동작측정기를 이용한 노쇠 예측 시스템 및 웨어러블 노쇠 예측 장치 - Google Patents

3축 동작측정기를 이용한 노쇠 예측 방법, 3축 동작측정기를 이용한 노쇠 예측 시스템 및 웨어러블 노쇠 예측 장치 Download PDF

Info

Publication number
KR102107379B1
KR102107379B1 KR1020180029446A KR20180029446A KR102107379B1 KR 102107379 B1 KR102107379 B1 KR 102107379B1 KR 1020180029446 A KR1020180029446 A KR 1020180029446A KR 20180029446 A KR20180029446 A KR 20180029446A KR 102107379 B1 KR102107379 B1 KR 102107379B1
Authority
KR
South Korea
Prior art keywords
data
root
axis motion
gait
acceleration
Prior art date
Application number
KR1020180029446A
Other languages
English (en)
Other versions
KR20190108016A (ko
Inventor
김기웅
변선정
이향준
한지원
Original Assignee
서울대학교병원
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 서울대학교병원 filed Critical 서울대학교병원
Priority to KR1020180029446A priority Critical patent/KR102107379B1/ko
Publication of KR20190108016A publication Critical patent/KR20190108016A/ko
Application granted granted Critical
Publication of KR102107379B1 publication Critical patent/KR102107379B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/112—Gait analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1121—Determining geometric values, e.g. centre of rotation or angular range of movement
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Physiology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Geometry (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

본 발명은 축 가속도계를 이용한 노쇠 예측 방법, 3축 동작측정기를 이용한 노쇠 예측 시스템 및 웨어러블 노쇠 예측 장치에 관한 것으로, 본 발명의 실시 예를 따르는 3축 동작측정기를 이용한 노쇠 예측 방법은, 3축 동작측정기로부터 보행자의 걸음걸이 패턴에 대한 가속 데이터 및 각속도 데이터를 수집하는 단계; 상기 보행자의 걸음걸이 패턴에 대한 데이터를 분석하여 걸음걸이 특징요소 데이터를 추출하는 단계; 상기 추출된 걸음걸이 특징요소를 기설정된 각각의 기준값에 따라 분류하는 단계; 및 상기 분류된 걸음걸이 특징요소 데이터를 입력 특징요소로 적용하여 기계학습(machine learning)을 수행하여 보행자의 노쇠 정보를 제공하는 단계;를 포함하고, 상기 걸음걸이 특징요소 데이터는 걸음시간 변동계수(Coefficient of variance step time, CV step time), 가속(acceleration) 및 걸음 속도(speed)이다.

Description

3축 동작측정기를 이용한 노쇠 예측 방법, 3축 동작측정기를 이용한 노쇠 예측 시스템 및 웨어러블 노쇠 예측 장치{Method for Prediction Frailty Using Triple Axis Motion Meter, Prediction Frailty System using Triple Axis Motion Meter and Wearable Prediction Frailty Device}
본 발명은 축 가속도계를 이용한 노쇠 예측 방법, 3축 동작측정기를 이용한 노쇠 예측 시스템 및 웨어러블 노쇠 예측 장치에 관한 것이다.
고령화는 전체 인구 중에서 고령자 비율이 증가하는 것을 의미한다. 세계적으로 고령화 사회로 빠르게 진행됨에 따라 질병에 따른 의료비 지출은 물론 노인성 질환의 급증이 사회적 문제로 대두되고 있다.
이러한 문제에 대응하기 위해 고령화에 대응하기 위해 노인의 부양을 위한 연금 및 의료 등의 사회보장 제도에 대한 보완이 이루어지고 있으며, 척추관 협착증, 노인성 치매, 노인성 골다공증 등의 노인성 질환을 치료하기 위한 의료기 및 치료제에 대한 연구 및 개발이 급증하고 있다.
노인성 질환에 대하여 적절한 치료를 제공하기 위해서는 환자의 노쇠(frailty) 정도를 정확하게 판단하는 것이 중요하다. 종래에는 환자의 노쇠를 판단하기 위해 환자의 보행능력, 균형감각 및 근력 등을 측정하여 신체 능력을 판단하는 신체기능평가시험(Short Physical Performance Battery, SPPB) 또는 환자에게 신체기능과 관련된 질문을 포함하는 설문평가를 수행함으로써 측정하였다. 그러나, 이러한 방법은 환자의 시험 당시의 기분 또는 몸 상태에 따라 결과가 달라질 수 있고, 간접적인 데이터를 이용하여 노쇠를 추정하는 것이므로 정확도가 떨어지는 문제점이 있다.
아래의 선행기술문헌 Temporal and spatial features of gait in older adults transitioning to frailty은 고령자의 걸음 패턴을 분석하여 사고를 예방하기 위한 기술을 제공함을 목적으로 하고, 이를 위해 설문 또는 임상 평가를 통해 보행자의 지상 반발력, 보행 영상, 보행 속도 측정을 통해 데이터를 수집하여 분석하고 있다.
Reto W. Kressig et al., Temporal and spatial features of gait in older adults transitioning to frailty, Science direct Gait and Posture, 20(2004) 30-35.
본 발명의 목적은 3축 동작측정기를 이용하여 수집된 데이터를 분석 및 연산하여 노쇠를 측정함으로써 정확한 노쇠 정도에 대한 판단을 할 수 있으며, 정확하게 노쇠를 예측할 수 있는 3축 동작측정기를 이용한 노쇠 예측 방법, 3축 동작측정기를 이용한 노쇠 예측 시스템 및 웨어러블 노쇠 예측 장치를 제공하는 것이다.
또한, 웨어러블 기기로 제공이 가능하여 실생활 밀접한 데이터를 얻을 수 있어 보다 정확한 판단을 제공할 수 있다.
본 발명의 실시 예를 따르는 3축 동작측정기를 이용한 노쇠 예측 방법은, 3축 동작측정기로부터 보행자의 걸음걸이 패턴에 대한 가속 데이터 및 각속도 데이터를 수집하는 단계; 상기 보행자의 걸음걸이 패턴에 대한 데이터를 분석하여 걸음걸이 특징요소 데이터를 추출하는 단계; 상기 추출된 걸음걸이 특징요소를 기설정된 각각의 기준값에 따라 분류하는 단계; 및 상기 분류된 걸음걸이 특징요소 데이터를 입력 특징요소로 적용하여 기계학습(machine learning)을 수행하여 보행자의 노쇠 정보를 제공하는 단계;를 포함하고, 상기 걸음걸이 특징요소 데이터는 걸음시간 변동계수(Coefficient of variance step time, CV step time), 가속(acceleration) 및 걸음 속도(speed)이다.
상기 보행자의 걸음걸이 패턴에 대한 데이터를 분석하여 걸음걸이 특징요소 데이터를 추출하는 단계는, 상기 보행자의 걸음걸이 패턴에 대한 데이터를 분석하여 분석 데이터를 추출하는 단계, 및 상기 분석 데이터로부터 걸음걸이 특징요소 데이터를 추출하는 단계를 포함하고, 상기 분석 데이터를 추출하는 단계는, 상기 가속 데이터 및 각속도 데이터를 AHRS(Attitude Heading Reference System) 및 IMU(Inertia Measurement Unit) 중 적어도 하나를 이용하여 분석하는 단계를 포함할 수 있다.
상기 분석 데이터를 추출하는 단계는, 상기 3축 동작측정기로부터 수집된 보행자의 걸음걸이 패턴에 대한 가속 데이터 및 각속도 데이터를 각 걸음 단계의 시점을 기준으로 통합하여, 걸음 별로 데이터를 구분하는 단계를 포함할 수 있다.
상기 걸음걸이 특징요소 데이터를 추출하는 단계 이후에, 상기 걸음걸이 특징요소 데이터를 검증하는 단계를 더 포함할 수 있다.
상기 보행자의 걸음걸이 패턴에 대한 데이터는, 상기 3축 동작측정기가 상기 보행자의 등(back)에서 L2 spine 및 L3 spine 사이 해당하는 영역에서 측정된 것일 수 있다.
본 발명의 실시 예를 따르는 3축 동작측정기를 이용한 노쇠 예측 시스템은, 3축 동작측정기로부터 보행자의 걸음걸이 패턴에 대한 가속 데이터 및 각속도 데이터를 수집하는 데이터 수집부; 상기 보행자의 걸음걸이 패턴에 대한 데이터를 분석하여 걸음걸이 특징요소 데이터를 추출하고, 상기 추출된 걸음걸이 특징요소를 기설정된 각각의 기준값에 따라 분류하는 데이터 분석부; 및 상기 분류된 걸음걸이 특징요소 데이터를 입력 특징요소로 적용하여 기계학습(machine learning)을 수행하여 보행자의 노쇠 정보를 제공하는 데이터 연산부;를 포함하고, 상기 걸음걸이 특징요소 데이터는 걸음시간 변동계수(Coefficient of variance step time, CV step time), 가속(acceleration) 및 걸음 속도(speed)이다.
본 발명의 실시 예를 따르는 웨어러블 노쇠 예측 장치는, 보행자의 걸음걸이 패턴에 대한 가속 데이터 및 각속도 데이터를 얻는 3축 동작측정기; 및 상기 3축 동작측정기로부터 걸음걸이 패턴에 대한 가속 데이터 및 각속도 데이터를 수집하고, 상기 데이터를 분석 및 연산하여 노쇠를 예측하는 노쇠 예측부;를 포함하고, 상기 노쇠 예측부는, 3축 동작측정기로부터 보행자의 걸음걸이 패턴에 대한 가속 데이터 및 각속도 데이터를 수집하는 데이터 수집부, 상기 보행자의 걸음걸이 패턴에 대한 데이터를 분석하여 걸음걸이 특징요소 데이터를 추출하고, 상기 추출된 걸음걸이 특징요소를 기설정된 각각의 기준값에 따라 분류하는 데이터 분석부, 및 상기 분류된 걸음걸이 특징요소 데이터를 입력 특징요소로 적용하여 기계학습(machine learning)을 수행하여 보행자의 노쇠 정보를 제공하는 데이터 연산부,를 포함하고, 상기 걸음걸이 특징요소 데이터는 걸음시간 변동계수(Coefficient of variance step time, CV step time), 가속(acceleration) 및 걸음 속도(speed)이다.
본 발명의 실시 예를 따르는 3축 동작측정기를 이용한 노쇠 예측 방법, 3축 동작측정기를 이용한 노쇠 예측 시스템 및 웨어러블 노쇠 예측 장치는, 3축 동작측정기를 이용하여 수집된 데이터를 분석 및 연산하여 노쇠를 측정함으로써 정확한 노쇠 정도에 대한 판단을 할 수 있으며, 보다 정확하게 노쇠를 예측할 수 있다.
또한, 웨어러블 기기로 제공이 가능하여 실생활 밀접한 데이터를 얻을 수 있어 보다 정확한 판단을 제공할 수 있다.
도 1은 본 발명의 실시 예를 따르는 3축 동작측정기를 이용한 노쇠 예측 방법을 도시한 것이다.
도 2는 보행자의 신체에 3축 동작측정기를 부착하는 부위를 도시한 것이다.
도 3은 AHRS 또는 IMU를 이용하여 분석 데이터를 추출하는 과정을 도시한 것이다.
도 4는 3축 가속도계 및 3축 자이로 센서에서 수집된 데이터 및 이를 IMU를 이용하여 분석한 데이터를 도시한 것이다.
도 5는 3축 동작측정기에서 수집된 데이터를 각 걸음별로 구별한 후 걸음걸이 특징요소 데이터를 도출하는 과정을 도시한 것이다.
도 6은 가속(acceleration)을 도출하는 과정을 도시한 것이다.
도 7은 딥 신경회로망(deep neural net)을 이용한 경우 인식율을 도시한 것이다.
도 8은 노인 집단의 정보를 도시한 것이다.
도 9는 본 발명의 실시 예를 따르는 3축 동작측정기를 이용한 노쇠 예측 시스템을 도시한 것이다.
도 10은 본 발명의 실시 예를 따르는 웨어러블 노쇠 예측 장치을 도시한 것이다.
이하, 첨부된 도면을 참조하여 본 발명의 바람직한 실시 형태들을 다음과 같이 설명한다. 그러나, 본 발명의 실시 형태는 여러 가지 다른 형태로 변형될 수 있으며, 본 발명의 범위가 이하 설명하는 실시 형태로 한정되는 것은 아니다.　 또한, 본 발명의 실시 형태는 당해 기술분야에서 평균적인 지식을 가진 자에게 본 발명을 더욱 완전하게 설명하기 위해서 제공되는 것이다.　 따라서, 도면에서의 요소들의 형상 및 크기 등은 보다 명확한 설명을 위해 과장될 수 있으며, 도면 상의 동일한 부호로 표시되는 요소는 동일한 요소이다. 또한, 유사한 기능 및 작용을 하는 부분에 대해서는 도면 전체에 걸쳐 동일한 부호를 사용한다. 덧붙여, 명세서 전체에서 어떤 구성요소를 "포함"한다는 것은 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 포함할 수 있다는 것을 의미한다.
3축 동작측정기를 이용한 노쇠 예측 방법
도 1은 본 발명의 실시 예를 따르는 3축 동작측정기를 이용한 노쇠 예측 방법을 도시한 것이다. 도 1을 참조하면, 본 발명의 실시 예를 따르는 3축 동작측정기를 이용한 노쇠 예측 방법은, 3축 동작측정기로부터 보행자의 걸음걸이 패턴에 대한 가속 데이터 및 각속도 데이터를 수집하는 단계; 상기 보행자의 걸음걸이 패턴에 대한 데이터를 분석하여 걸음걸이 특징요소 데이터를 추출하는 단계; 상기 추출된 걸음걸이 특징요소를 기설정된 각각의 기준값에 따라 분류하는 단계; 및 상기 분류된 걸음걸이 특징요소 데이터를 입력 특징요소로 적용하여 기계학습(machine learning)을 수행하여 보행자의 노쇠 정보를 제공하는 단계;를 포함하고, 상기 걸음걸이 특징요소 데이터는 걸음시간 변동계수(Coefficient of variance step time, CV step time), 가속(acceleration) 및 걸음 속도(speed)이다.
3축 동작측정기로부터 보행자의 걸음걸이 패턴에 대한 가속 데이터 및 각속도 데이터를 수집하는 단계에서는, 노쇠 측정의 대상이 되는 대상자(환자)에게 3축 동작측정기를 부착하여 보행 정보를 수집한다.
상기 3축 동작측정기는 움직임이 있는 경우 3개의 축에 대하여 각각의 가속도를 측정할 수 있는 장치이다. 상기 3축 동작측정기는 보행자의 보행 패턴을 분석할 수 있는 정보를 제공하는 것이면 특별히 제한되지 않는다. 또한, 보다 정확한 데이터 측정 및 보정을 위해 3축 동작측정기는 3축 방향에 대한 가속도를 측정할 수 있는 3축 가속도계(accelerometer)를 포함할 수 있으며, 3축 방향에 대한 각속도를 측정할 수 있는 3축 자이로 센서(gyro sensor) 및 3축 방향에 대한 자력의 세기를 측정할 수 있는 3축 자력계(magnetometer) 중 적어도 하나 이상을 더 포함할 수 있다. 상기 3축 가속도계(accelerometer)를 포함함으로써 보행자의 보행 데이터에서 각각의 걸음을 구별할 수 있으며, 각 걸음의 가속도 및 각 걸음의 속도를 측정할 수 있다. 상기 3축 자이로 센서는 각속도를 제공함으로써 보행자가 회전하는 지 여부, 왼 걸음 및 오른 걸음의 균형 정도에 대한 데이터를 얻을 수 있다. 상기 3축 자력계(magnetometer)는 방향에 대한 정보를 제공할 수 있다. 이와 같이, 상기 3축 동작측정기가 3축 가속도계(accelerometer)를 포함하고, 3축 자이로 센서(gyro sensor) 및 3축 자력계(magnetometer) 중 적어도 하나를 더 포함함으로써 보행자의 보행 패턴을 분석하기 위한 다양한 정보를 수득할 수 있다.
도 2는 보행자의 신체에 3축 동작측정기를 부착하는 부위를 도시한 것이다. 상기 3축 동작측정기는 보행자의 신체에 부착되어 보행자의 보행 정보를 제공할 수 있다. 가장 정확한 보행 정보를 제공받기 위해, 상기 3축 동작측정기는 보행자의 등(back)에서 L2 spine 및 L3 spine 사이 해당하는 영역(도 2의 1번)에 부착될 수 있다. 이 경우, 상기 보행자의 걸음걸이 패턴에 대한 데이터는, 상기 3축 동작측정기가 상기 보행자의 등(back)에서 L2 spine 및 L3 spine 사이 해당하는 영역에서 측정된 것일 수 이다. 또한, 보다 많은 정보를 획득하여 정확도를 높이기 위하여 상기 3축 동작측정기는 보행자의 도 2에 1로 표시된 위치를 포함한 다양한 신체 부위에 배치될 수 있다. 구체적으로, 허리, 어깨, 팔, 손목, 머리, 목, 가슴, 골반, 무릎, 발목 및 발 등의 18 곳의 신체 부위에 부착될 수 있다. 각각의 부위에 배치된 3축 동작측정기는 측정된 데이터를 외부의 노쇠 예측부 또는 노쇠 예측 시스템으로 유선 또는 무선 통신을 이용하여 송신할 수 있다.
3축 동작측정기를 보행자에게 부착한 후, 보행자로 하여금 일반 걷기, 균형 걷기 및 이중 작업 걷기 등의 보행 동작을 하도록 한다. 상기 보행 동작은 보행 속도, 보행 가속도 및 균형 능력을 측정하기 위해 필요한 동작일 수 있다. 구체적으로, 신체기능평가시험(Short Physical Performance Battery, SPPB)에서 신체기능을 평가하기 위해 요구하는 동작일 수 있으며, 수정 일어서서 걷기 검사(Modified timed up and go test, MTUG) 또는 게이트라이트 시스템(GAITRite system)을 이용한 검사 방법일 수 있다. 상기 수정 일어서서 걷기 검사는 의자에서 일어나서, 20m 정도되는 복도를 자신에게 가장 편한 속도로 걷게 하고, 반환점에서 돌아오는 것을 3회 반복하도록 하여 동작 정보를 획득하는 방식이다. 상기 게이트라이트 시스템은 복도를 걷도록 하고 걷는 복도의 중간점에 압력 방식의 보행 측정 센서 게이트라이트 를 장착하여 현 시스템과 비교 및 대조를 할수 있는 데이터를 확보하는 방식이다.
다음으로, 상기 보행자의 걸음걸이 패턴에 대한 데이터를 분석하여 걸음걸이 특징요소 데이터를 추출하는 단계를 수행한다. 본 단계에서, 상기 걸음걸이 특징요소 데이터는 앞서 설명한 3축 동작측정기로부터 수집된 데이터를 분석하여 도출된 값이다. 본 단계에서 3축 동작측정기에서 측정된 데이터를 수집하는 방법은, 유선 또는 무선 통신장치를 포함하는 데이터 수집부에서 상기 3축 동작측정기와 유선 또는 무선 통신을 통해 관련 데이터를 수집할 수 있다. 상기 데이터 수집부는 RS-232, RS-422 등의 유선 통신 포트 또는 블루투스, NFC 등의 단거리 통신기를 통해 수집된 데이터를 데이터 분석부 또는 데이터 연산부로 중계하는 기능을 수행할 수 있다.
상기 보행자의 걸음걸이 패턴에 대한 데이터를 분석하여 걸음걸이 특징요소 데이터를 추출하는 단계는 보다 구체적으로 상기 보행자의 걸음걸이 패턴에 대한 데이터를 분석하여 분석 데이터를 추출하는 단계, 및 상기 분석 데이터로부터 걸음걸이 특징요소 데이터를 추출하는 단계를 포함할 수 있다.
상기 분석 데이터를 추출하는 단계는, 상기 3축 동작측정기로부터 수집된 데이터 중에서 의미 있는 데이터를 선별하는 단계를 포함할 수 있다. 상기 3축 동작측정기로부터 수집된 데이터는 시간, 3축 가속도계의 3개 축(x, y, z)에 대한 데이터 및 3축 자이로 센서의 3개 축(x, y, z)에 대한 데이터의 총 7가지 데이터를 포함할 수 있다. 상기 3축 동작측정기로부터 수집된 데이터는 다양한 데이터를 포함하고 있을 뿐 아니라, 노이즈(noise)를 포함하고 있기 때문에 일정한 선별작업을 통해 필요한 데이터만을 선택적으로 채택할 필요가 있다. 이를 위해 일정한 조건의 데이터를 노이즈로 규정하여 제거하는 필터링(filtering)을 우선적으로 수행할 수 있다. 본 단계에서 도출되는 분석 데이터는 걸음 단위당 소요 시간인 걸음 시간, 각 축에 대한 가속값, 이동 거리 및 이동 시간 등이다. 각 분석 데이터는 각 걸음 단위 별로 분류될 수 있다.
본 단계는 이러한 선별 작업을 위해 상기 가속 데이터 및 각속도 데이터를 AHRS(Attitude Heading Reference System) 및 IMU(Inertia Measurement Unit) 중 적어도 하나를 이용하여 분석하여 분석 데이터를 추출하는 단계를 포함할 수 있다. 상기 3축 동작측정기로부터 수집된 데이터는 몸의 체중심에 해당하는 데이터이다. 일반적인 사람의 경우 몸이 곧게(90도)로 되어 있지 않으며, 움직임에 따라서 변동하게 되어 있음으로, 이를 AHRS(Attitude Heading Reference System) 및 IMU(Inertia Measurement Unit) 중 적어도 하나의 방식 통하여 각도 값을 계산 보정해줄 수 있다. AHRS(Attitude Heading Reference System)는 3축 동작측정기로부터 얻어진 데이터, 특히 3축 가속도계, 3축 자이로 센서 및 3축 자력계 중 적어도 하나로부터 얻어진 데이터를 이용하여 동작 대상의 자세 및 위치를 판별하는 시스템이고, IMU(Inertia Measurement Unit)는 3축 동작측정기로부터 얻어진 데이터, 특히 3축 가속도계 및 3축 자이로 센서로부터 얻어진 각각의 데이터를 이용하여 동작 대상의 관성을 계산하는 시스템이다. 본 발명의 실시 예에서 상기 AHRS 및 IMU는 데이터를 분석하고 연산하기 위한 알고리즘을 포함하는 중앙처리장치(CPU) 등의 부재를 포함할 수 있다. 보다 구체적으로, AHRS 및 IMU는 앞서 설명한 분석 및 연산을 수행하는 알고리즘이 저장된 데이터 분석부에 포함되는 일 구성일 수 있다. 상기 AHRS 및 IMU에서 수행되는 알고리즘은 특별히 제한되지 않지만, 구체적으로 gradient descent algorithm 및 Quaternion-based heading estimation algorithm 중 어느 하나일 수 있다. 도 3은 AHRS 또는 IMU를 이용하여 분석 데이터를 추출하는 과정을 도시한 것이다. 도 3에서 3축 가속도계 및 3축 자이로 센서로부터 얻어진 데이터(aX, aY, aZ, gX, gY, gZ) 를 여러 연산 및 필터링을 통해 분석데이터(φ, θ)를 도출하고 있다. 도 4는 3축 가속도계 및 3축 자이로 센서에서 수집된 데이터 및 이를 IMU를 이용하여 분석한 데이터를 보여준다. 본 발명의 실시 예에서, IMU를 이용하여 3축 동작측정기로부터 수집된 데이터를 complementary filter를 이용하여, 각도를 산출할 수 있고, 이를 보정해 줌으로서 3축 동작측정기로부터 수집된 데이터로부터 x,y,z축으로 보정된 데이터를 얻을 수 있다.
상기 분석 데이터를 추출하는 단계는, 상기 3축 동작측정기로부터 수집된 보행자의 걸음걸이 패턴에 대한 가속 데이터 및 각속도 데이터를 각 걸음 단계의 시점을 기준으로 통합하여, 걸음 별로 데이터를 구분하는 단계를 포함할 수 있다. 3축 동작측정기로부터 얻어진 각각의 데이터는 측정 장치에 따라 각 데이터가 수집되는 시점 또는 선별된 시점이 각각 상이할 수 있다. 이를 보정하기 위해 각 데이터의 패턴을 비교하여 보행자의 걸음 걸이를 기준으로 동일한 시점에 대응하도록 각 데이터를 보정할 수 있다. 이와 같이 동일한 시점으로 데이터를 보정하면 각 걸음 걸이 별로 일정한 패턴을 얻을 수 있으며, 이를 통해 걸을 별로 데이터를 구분할 수 있게 된다. 이와 같이 각 걸음 단계의 시점을 기준으로 통합하여 걸음 별로 데이터를 구분하는 단계는 본 단계에서 어느 단계에서든 수행될 수 있다. 예를 들어 3축 동작측정기로부터 데이터를 수집한 후 상기 수집된 데이터를 각 걸음 단계의 시점으로 통합할 수 있으며, 상기 3축 동작측정기로부터 수집된 데이터를 IMU 등을 이용하여 분석하여 도출된 데이터를 각 걸음 단계의 시점으로 통합할 수 있다.
도 5는 3축 동작측정기에서 수집된 데이터를 각 걸음별로 구별한 후 걸음걸이 특징요소 데이터를 도출하는 과정을 도시한 것이다. 도 5를 참조하면, IMU 등을 통해 3축 동작측정기로부터 수집된 데이터를 보정하여 도출한 x,y,z축으로 보정된 데이터 중에서 z축과 y축 정보를 기준으로 각각의 걸음을 분별해 낼 수 있다. 구체적으로, 상기 z축의 정보는, 몸의 수직 방향의 움직임에 대한 것으로, 이는 매 걸음마다 몸의 수직 방향의 움직임을 알 수 있는 정보를 제공한다. 3축 가속도계 데이터를 low-pass filter를 통하여 정제하면 전체적인 움직임을 알수 있는 정보를 추출할 수 있고, 여기서 꼭지점들을 보행중 매 걸음(step)을 나누는 정보로 활용할 수 있다. 상기 y축 정보는 몸의 좌우 방향의 움직임에 대한 것으로, 이는 매 걸음 마다 몸의 체중심이 어느 방향으로 움직이는지에 대한 정보를 제시한다. 3축 가속도계 데이터와 3축 자이로 센서 데이터를 IMU 와 같은 방식(예를 들면, complementary filter)를 사용하여, 각도값을 추출하면, 좌우로 움직이는 경향성을 확인할수 있기 때문에, 이를 매 걸음(step)의 좌/우를 나누는 정보로 활용할 수 있다. 상기 x축 정보는 몸의 전후 방향의 움직임에 대한 것으로, 상기 z축 및 y축 정보와 마찬가지로 몸의 앞뒤 움직임에 대한 정보를 이용하여 step을 나누는데 활용가능하다. 다만, z축 정보가 x축 정보에 비하여 정밀도가 높기 때문에 제외될 수 있다.
다음으로 상기 분석 데이터로부터 걸음걸이 특징요소 데이터를 추출하는 단계를 수행한다. 상기 걸음걸이 특징요소 데이터는 걸음시간 변동계수(Coefficient of variance step time, CV step time), 가속(acceleration) 및 걸음 속도(speed)이다.
상기 걸음시간 변동계수(Coefficient of variance step time, CV step time)는 보행자의 각각의 걸음마다 측정된 데이터를 이용하여 보행자의 걸음의 규칙성을 정량화하는 지표이다. 보다 구체적으로, 상기 걸음시간 변동계수(CV steptime)는 왼발 및 오른발의 보행주기가 얼마나 일정하게 유지되는지를 알려주는 지표이다. 즉, 왼발로 분류된 걸음의 주기 및 오른발로 분류된 걸음이 각각 주기가 일정한지를 계산한 값이며, 상기 걸음시간 변동계수(CV steptime)는 노쇠의 증상 중 조절장애(dysregulation)에 해당하는 신체 제어의 감소를 대변한다.
상기 걸음시간 변동계수는 걸음 시간을 분석 데이터로 이용하여 아래의 식을 이용하여 추출할 수 있다. 하기의 식에서 걸음시간의 단위는 초(sec)일 수 있다.
Figure 112018025309125-pat00001
또한, 외쪽 걸음의 걸음시간 표준편차 및 걸음시간의 평균을 이용하여 외쪽 걸음에 대한 걸음시간 변동계수를 구하고, 오른쪽 걸음의 걸음시간 표준편차 및 걸음시간의 평균을 이용하여 오른쪽 걸음에 대한 걸음시간 변동계수를 구함으로써, 왼쪽 및 오른쪽 걸음의 각각의 걸음시간 변동계수의 합을 2로 나누어 최종적인 걸음시간 변동계수를 도출할 수 있다.
가속(acceleration)는 3축 가속도계를 통해 측정될 수 있으며, 3개의 축에 대한 각각의 가속도의 백터 합을 통해 도출된 값일 수 있다. 상기 가속은 각 보행에서 매 걸음 측정되는 가속도의 최대값을 측정한 것으로, 매 걸음 마다 측정된 값을 평균하여 도출될 수 있다. 상기 가속은 노쇠 지표 중 지체(slowness) 및 근력저하(muscle weakness)를 대변하는 지표이다. 도 6은 가속(acceleration)을 도출하는 과정을 도시한 것이다. 일 예에서, 가속은 X축에 대한 가속도 aX, Y축에 대한 가속도 aY 및 Z축에 대한 가속도 aZ를 분석 데이터로 이용하여 아래의 식에 따라 합한 값일 수 있다. 아래에서 가속도 단위는 m/s2일 수 있다.
Figure 112018025309125-pat00002
걸음 속도(speed)는 보행 속도를 측정한 것으로, 노쇠 지표중 지체(slowness) 및 근력저하(muscle weakness)를 대변하는 지표이다. 걸음 속도는 3축 가속도계에서 측정된 데이터 및 신체 정보 및 나이 등을 반영하여 연산하는 값으로, GAITRITE와 비교 분석 계산할 수 있다. 걸음속도는 이동 거리 및 이동 시간을 분석 데이터로 하여 상기 이동 거리를 이동 시간으로 나눔으로써 구해진 값일 수 있다. 이 때, 걸음 속도의 단위는 m/s일 수 있다. 걸음 속도를 구하는 식은 아래와 같을 수 있다. 아래의 식에서 성별: 남 =1 여 =2, 나이: 세, Hegith_CV_root: 3축 동작측정기 측정값으로 보행간 상하 움직임의 변동값 의 root, Cadence_root: 3축 동작측정기 측정값으로 root(cadence), Acc18_root: 3축 동작측정기 측정값으로 root(Acceleration), MeanH_root: 3축 동작측정기 측정값으로 root(매 스탭간 상하 움직임 거리 평균(m)), 하지길이: cm, 상체 길이: cm이다.
[식]
Speed(cm/s) = -274.726 + 3.539*성별 -0.356*나이 +20.850*Cadence_root + 45.351*Acc18_root + 311.356*MeanH_root + 3.649* height_CV_root +0.69*하지길이 +0.435*상체길이
다음으로, 상기 추출된 걸음걸이 특징요소를 기 설정된 각각의 기준값에 따라 분류하는 단계를 수행한다. 본 단계는 보행자들을 각 걸음걸이 특징요소 값을 기준으로 몇 개의 그룹으로 분류함으로써 각 보행자의 노쇠 정도를 판별하고 노쇠를 예측하기 위한 객관적인 데이터를 제공할 수 있다. 걸음시간 변동계수(CV step time)는 작은 점수 일수록 상위 그룹으로 분류되며 1 내지 4의 총 4개 그룹으로 분류될 수 있다. 가속(acceleration)은 높은 점수 일수록 상위 그룹으로 분류되며 1 내지 4의 총 4개 그룹으로 분류될 수 있다. 걸음 속도(speed)는 높은 점수 일수록 상위 그룹으로 분류되며 1 내지 4의 총 4개 그룹으로 분류될 수 있다. 또한, 이를 합산한 값을 기준으로 전체를 사분위(quartile)로 분류할 수 있다.
하기의 표 1 및 표 2는 걸음시간 변동계수(Coefficient of variance step time, CV step time), 가속(acceleration) 및 걸음 속도(speed)에 대하여 각각의 값을 기준으로 4개의 그룹으로 분류하는 예를 도시한 것이다. 남성 185명 및 여성 289명의 신체에 도 2에 따른 위치에 3축 동작측정기를 부착하고, 이로부터 수집된 데이터를 분석하여 걸음시간 변동계수, 가속 및 걸음 속도를 걸음걸이 특징요소로 추출하였고, 이를 4분위로 구분하였다. 표 1은 남성 및 여성에 대한 정보이며, 표 2는 데이터 분석을 통해 도출된 걸음걸이 특징요소을 기준으로 사분위하여 분류한 것이다. 표 2에서 하기의 1/4 분위 내지 4/4 분위 중에서 특정 분위에 해당하는 그룹을 노쇠에 해당하는 것으로 평가할 수 있다. 또한, 뒤에서 설명하는 기계 학습을 통해 수행 보행자의 지속적인 데이터를 수집함으로써 노쇠를 예측할 수 있다.
인원(명) 나이(세) 키(cm) 체중(kg) 하지길이(cm)
남성 185 73.78 ± 5.38 167.18 ± 6.16 66.74 ± 7.90 87.82 ± 6.05
여성 289 73.24 ± 4.45 54.22 ± 5.42 57.22 ± 7.05 81.64 ± 4.94
분류 그룹 남성(μ±σ) 여성(μ±σ) 총(μ±σ)
1/4 분위 걸음 속도 134.84 ± 11.71 128.07 ± 9.51 130.44 ± 10.90
걸음시간 변동계수 3.16 ± 0.62 3.02 ± 0.56 3.07 ± 0.56
가속 1.10 ± 0.19 1.05 ± 0.17 1.08 ± 0.18
2/4 분위 걸음 속도 120.97 ± 10.14 116.19 ± 9.92 118.70 ± 11.13
걸음시간 변동계수 3.68 ± 0.83 3.45 ± 0.68 3.54 ± 0.89
가속 0.91 ± 0.13 0.86 ± 0.12 0.89 ± 0.12
3/4 분위 걸음 속도 112.07 ± 11.39 107.45 ± 8.13 111.02 ± 9.50
걸음시간 변동계수 4.10 ± 1.01 3.99 ± 1.15 3.91 ± 1.00
가속 0.79 ± 0.13 0.72 ± 0.11 0.77 ± 0.12
4/4 분위 걸음 속도 95.03 ± 16.67 90.20 ± 11.87 94.04 ± 14.10
걸음시간 변동계수 6.32 ± 4.50 5.09 ± 1.23 5.43 ± 2.94
가속 0.60 ± 0.12 0.57 ± 0.09 0.59 ± 0.11
상기 단계에서 상기 보행자의 걸음걸이 패턴에 대한 데이터를 분석하여 걸음걸이 특징요소 데이터를 추출하는 단계에서 데이터를 분석하고 걸음걸이 특징요소 데이터를 추출하고, 이를 분류하는 작업은 데이터 분석부에 의해 수행될 수 있다. 상기 데이터 분석부는 데이터를 분석하고 연산하기 위한 알고리즘을 포함할 수 있다. 이를 위해 상기 데이터 분석부는 중앙처리장치(CPU)를 포함하는 장치의 일부일 수 있다.
상기 단계 이후에, 상기 걸음걸이 특징요소 데이터를 검증하는 단계를 더 포함할 수 있다. 검증을 위해 대비되는 데이터는 종래에 노쇠를 측정하기 위해 사용하였던 방법에 의해 수집된 데이터를 이용할 수 있다. 일 예로, 시험평가 또는 설문을 통해 얻어진 데이터를 이용하여 노쇠 정도를 측정한 데이터와 본 발명의 실시 예를 통해 추출된 사분위 데이터가 부합하는지 여부를 대비하여 검증을 실시할 수 있다. 이를 위해 보행자에게 시험평가 또는 설문을 수행하도록 할 수 있다.
본 발명의 실시 예를 통하여 지역사회 노인집단 474명을 대상으로 하여 도출된 사분위(상기 표 1 및 표 2)에 대한, POMA(Performance Oriented Mobility Assessment) 및 frail 설문 값은 아래 표 3과 같다. FRAIL 설문은 노쇠(frailty)를 측정하는 테스트이다. POMA는 16개 항목, FRAIL 설문은 5개 항목의 질문을 통하여 점수를 환산한다. POMA 는 28점 만점으로, 각 항목별 결격요소에 따라 감소식이며, 일반적으로 보행에 문제가 있는 기준은 20점 아래로 본다. FRAIL 설문은 5점이 최고점으로, 각 항목에 문제가 있으면 1점을 기재한다. 5점이면 매우 노쇠함, 0점은 건강함으로 보고 일반적으로 3점이상이면 노쇠로 보며 1 내지 2점을 전 노쇠(Prefrail)로 본다. 아래 표에서 FRAIL 설문의 수치는 FRAIL 설문 점수가 아닌 이를 바탕으로 판정된 노쇠 판정 값에 해당한다.
사분위 남성
(POMA)		 여성
(POMA)		 남성
(FRAIL 설문)		 여성
(FRAIL 설문)
1/4 분위 28 27.91 0.21 0.45
2/4 분위 28 27.92 0.56 0.49
3/4 분위 27.75 27.73 0.29 0.6
4/4 분위 26.08 26.88 0.69 0.86
다음으로, 상기 분류된 걸음걸이 특징요소 데이터를 입력 특징요소로 적용하여 기계학습(machine learning)을 수행하여 보행자의 노쇠 정보를 제공하는 단계를 수행한다. 이를 위해 걸음걸이 특징요소 데이터인 걸음시간 변동계수(Coefficient of variance step time, CV step time), 가속(acceleration) 및 걸음 속도(speed)을 지속적으로 수집하고 이를 이용하여 기계학습(machine learning)을 수행함으로써 노쇠파단의 정확도를 높이고, 미래의 노쇠화 정도를 예측할 수 있다. 보다 구체적으로, 걸음시간 변동계수(Coefficient of variance step time, CV step time), 가속(acceleration) 및 걸음 속도(speed)를 입력값으로 하여 기계 학습 알고리즘을 통해 노쇠 패턴에 대한 모델을 생성하여 노쇠를 판단하고 예측할 수 있다. 이 때, 사분위값이 결과값으로 주어질 수 있다.
이를 위해 수행될 수 있는 기계학습 알고리즘은 딥 신경회로망(deep neural net), 서포트 벡터 머신(Support vector machine), 인공 신경망(Artificial neural network) 또는 K-NN 분류(k-nearest neighbors classifier) 등 일반적으로 수행되는 것일 수 있으며 특별히 제한되지 않는다.
기계 학습을 통해 추출된 결과 값은 상기 추출된 걸음걸이 특징요소를 기설정된 각각의 기준값에 따라 분류하는 단계에서 수행한 방법에 따라 분류될 수 있다. 구체적으로 표 1에 제시된 분류 방법에 따라 분류될 수 있다. 이와 같이 기계 학습을 통해 지속적으로 수집된 데이터를 분석 및 분류함으로써 노쇠 판단의 정확도를 높일 수 있다.
표 1 내지 표 3의 데이터 중에서 걸음시간 변동계수(CV step time), 가속(acceleration) 및 걸음 속도(speed)를 인자로 주고, 사분위 값을 결과값으로 주었을 때, 딥 신경회로망(deep neural net)을 통하여 약 80~90 %의 분류율을 얻을 수 있었다. 도 7은 딥 신경회로망(deep neural net)을 이용한 경우 인식율을 도시한 것이다. 도 8은 노인 집단의 정보를 도시하고 있으며, 도 8에 도시된 노인 집단은 상대적으로 건강한 집단으로 판단된다. 이를 통해 전 노쇠(Prefrail)에 해당하는 단계에서 보행에서의 차이가 것이 개인차와 집단차를 고려해 볼 때 두드러지는 정도로 차이가 나는 것은 아니라는 점을 알 수 있다. 따라서, 임상진단가가 판단하는 기준으로서 보행의 변화도가 크지 않더라도, 3축 동작측정기에서 측정되는 값을 통하여, 대상의 보행점수를 보다 정밀하게 판별할수 있고, 대상이 현재 상태가 모집된 데이터중 어느정도에 속하는지는 판별할 수 있다.
상기 기계 학습을 수행하는 단계는 데이터 연산부에 의해 수행될 수 있다. 상기 데이터 연산부는 데이터를 분석하고 연산하기 위한 기계 학습 알고리즘을 포함할 수 있다. 이를 위해 상기 데이터 연산부는 중앙처리장치(CPU)를 포함하는 장치의 일부일 수 있다.
3축 동작측정기를 이용한 노쇠 예측 시스템
도 9는 본 발명의 실시 예를 따르는 3축 동작측정기를 이용한 노쇠 예측 시스템(100)을 도시한 것이다. 도 9를 참조하면, 본 발명의 실시 예를 따르는 3축 동작측정기를 이용한 노쇠 예측 시스템(100)은, 3축 동작측정기로부터 보행자의 걸음걸이 패턴에 대한 가속 데이터 및 각속도 데이터를 수집하는 데이터 수집부(110); 상기 보행자의 걸음걸이 패턴에 대한 데이터를 분석하여 걸음걸이 특징요소 데이터를 추출하고, 상기 추출된 걸음걸이 특징요소를 기설정된 각각의 기준값에 따라 분류하는 데이터 분석부(120); 및 상기 분류된 걸음걸이 특징요소 데이터를 입력 특징요소로 적용하여 기계학습(machine learning)을 수행하여 보행자의 노쇠 정보를 제공하는 데이터 연산부(130);를 포함하고, 상기 걸음걸이 특징요소 데이터는 걸음시간 변동계수(Coefficient of variance step time, CV step time), 가속(acceleration) 및 걸음 속도(speed)이다.
3축 동작측정기는 상기 3축 동작측정기는 움직임이 있는 경우 3개의 축에 대하여 각각의 가속도를 측정할 수 있는 장치로서 앞서 설명한 것일 수 있다. 상기 3축 동작측정기는 보행자의 보행 패턴을 분석할 수 있는 정보를 제공하는 것이면 특별히 제한되지 않는다. 또한, 보다 정확한 데이터 측정 및 보정을 위해 3축 동작측정기는 3축 방향에 대한 가속도를 측정할 수 있는 3축 가속도계(accelerometer)를 포함할 수 있으며, 3축 방향에 대한 각속도를 측정할 수 있는 3축 자이로 센서(gyro sensor) 및 3축 방향에 대한 자력의 세기를 측정할 수 있는 3축 자력계(magnetometer) 중 적어도 하나 이상을 더 포함할 수 있다. 상기 3축 동작측정기는 도 2에 따라 보행자의 신체에 부착되어 보행자의 보행 정보를 제공할 수 있다.
데이터 수집부(110)는 3축 동작측정기에서 측정된 데이터를 수집한다. 상기 데이터 수집부(110)는 유선 또는 무선 통신장치를 포함할 수 있으며, 상기 3축 동작측정기와 유선 또는 무선 통신을 통해 관련 데이터를 수집할 수 있다. 상기 데이터 수집부(110)는 RS-232, RS-422 등의 유선 통신 포트 또는 블루투스, NFC 등의 단거리 통신기를 통해 수집된 데이터를 데이터 분석부(120) 또는 데이터 연산부(130)로 중계하는 기능을 수행할 수 있다.
데이터 분석부(120)는 상기 보행자의 걸음걸이 패턴에 대한 데이터를 분석하여 걸음걸이 특징요소 데이터를 추출하고, 상기 추출된 걸음걸이 특징요소를 기설정된 각각의 기준값에 따라 분류한다. 상기 데이터 분석부(120)는 데이터를 분석하고 연산하기 위한 알고리즘을 포함할 수 있다. 이를 위해 상기 데이터 분석부(120)는 중앙처리장치(CPU)를 포함하는 장치의 일부일 수 있다.
상기 데이터 분석부(120)는 상기 보행자의 걸음걸이 패턴에 대한 데이터를 분석하여 분석 데이터를 추출하는 단계 및 상기 분석 데이터로부터 걸음걸이 특징요소 데이터를 추출하는 단계를 수행할 수 있다. 분석 데이터 추출을 위해 상기 데이터 분석부(120)는 AHRS(Attitude Heading Reference System) 및 IMU(Inertia Measurement Unit) 중 적어도 하나를 수행하는 부재로서, 이러한 작업을 수행할 수 있는 알고리즘이 저장된 중앙저리장치를 포함할 수 있다.
다음으로, 상기 데이터 분석부(120)는 상기 분석 데이터로부터 걸음걸이 특징요소 데이터를 추출하는 단계를 수행할 수 있다. 분석 데이터를 이용하여 걸음시간 변동계수(Coefficient of variance step time, CV step time), 가속(acceleration) 및 걸음 속도(speed)를 추출하는 방법은 앞서 설명한 바와 같다.
상기 데이터 분석부(120)는 상기 추출된 걸음걸이 특징요소를 기설정된 각각의 기준값에 따라 분류하는 단계를 수행할 수 있다. 이를 통해 각 보행자의 노쇠 정도를 판별하고 노쇠를 예측하기 위한 객관적인 데이터를 제공할 수 있다. 데이터 분석부(120)가 걸음걸이 특징요소를 기설정된 각각의 기준값에 따라 분류하는 구체적인 방법은 앞서 설명한 바와 같다.
데이터 연산부(130)는 상기 분류된 걸음걸이 특징요소 데이터를 입력 특징요소로 적용하여 기계학습(machine learning)을 수행하여 보행자의 노쇠 정보를 제공한다. 상기 데이터 연산부(130)는 데이터를 분석하고 연산하기 위한 기계 학습 알고리즘을 포함할 수 있다. 이를 위해 상기 데이터 연산부(130)는 중앙처리장치(CPU)를 포함하는 장치의 일부일 수 있다. 상기 중앙처리장치는 적어도 하나일 수 있다. 데이터 연산부(130)는 걸음걸이 특징요소 데이터인 걸음시간 변동계수(Coefficient of variance step time, CV step time), 가속(acceleration) 및 걸음 속도(speed)을 지속적으로 수집하고 기계학습(machine learning)을 수행함으로써 노쇠파단의 정확도를 높이고, 미래의 노쇠화 정도를 예측할 수 있다. 상기 데이터 연산부(130)에 포함된 기계학습 알고리즘은 서포트 벡터 머신(Support vector machine), 인공 신경망(Artificial neural network) 또는 K-NN 분류(k-nearest neighbors classifier) 등 일반적으로 수행되는 것일 수 있으며 특별히 제한되지 않는다.
상기 데이터 분석부(120) 및 데이터 연산부(130)의 기능은 하나의 중앙처리장치에 의해 수행될 수 있으며, 이 경우, 상기 데이터 분석부(120) 및 데이터 연산부(130)는 하나의 중앙처리장치의 일부에 해당할 수 있다.
상기 데이터 분석부(120) 및 데이터 연산부(130)에서 도출된 데이터는 디스플레이 장치 등을 통해 사용자에게 제공될 수 있으며, 데이터의 출력 방식은 특별히 제한되지 않는다.
웨어러블 노쇠 예측 장치
도 10은 본 발명의 실시 예를 따르는 웨어러블 노쇠 예측 장치(1000)을 도시한 것이다. 도 10을 참조하면, 본 발명의 실시 예를 따르는 웨어러블 노쇠 예측 장치(1000)는, 보행자의 걸음걸이 패턴에 대한 가속 데이터 및 각속도 데이터를 얻는 3축 동작측정기; 및 상기 3축 동작측정기로부터 걸음걸이 패턴에 대한 가속 데이터 및 각속도 데이터를 수집하고, 상기 데이터를 분석 및 연산하여 노쇠를 예측하는 노쇠 예측부(1100);를 포함하고, 상기 노쇠 예측부(1100)는, 3축 동작측정기로부터 보행자의 걸음걸이 패턴에 대한 가속 데이터 및 각속도 데이터를 수집하는 데이터 수집부(1110), 상기 보행자의 걸음걸이 패턴에 대한 데이터를 분석하여 걸음걸이 특징요소 데이터를 추출하고, 상기 추출된 걸음걸이 특징요소를 기설정된 각각의 기준값에 따라 분류하는 데이터 분석부(1120), 및 상기 분류된 걸음걸이 특징요소 데이터를 입력 특징요소로 적용하여 기계학습(machine learning)을 수행하여 보행자의 노쇠 정보를 제공하는 데이터 연산부(1130),를 포함하고, 상기 걸음걸이 특징요소 데이터는 걸음시간 변동계수(Coefficient of variance step time, CV step time), 가속(acceleration) 및 걸음 속도(speed)이다.
상기 3축 동작측정기, 데이터 수집부(1110), 데이터 분석부(1120) 및 데이터 연산부(1130)는 앞서 설명한 것과 동일한 것일 수 있다.
본 발명의 실시 예를 따르는 웨어러블 노쇠 예측 장치(1000)는 노쇠 예측부(1100)를 보행자의 신체에 접착하기 위한 접착부재를 더 포함할 수 있다. 상기 접착부재는 노쇠 예측부(1100)의 일면에 배치된 접착제일 수 있고, 신체의 일부를 감쌀 수 있는 밴드 형상의 부재일 수 있다.
본 발명은 상술한 실시 형태 및 첨부된 도면에 의해 한정되는 것이 아니며 첨부된 청구범위에 의해 한정하고자 한다. 따라서, 청구범위에 기재된 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 당 기술분야의 통상의 지식을 가진 자에 의해 다양한 형태의 치환, 변형 및 변경이 가능할 것이며, 이 또한 본 발명의 범위에 속한다고 할 것이다.
100: 3축 동작측정기를 이용한 노쇠 예측 시스템
110: 데이터 수집부
120: 데이터 분석부
130: 데이터 연산부
1000: 웨어러블 노쇠 예측 장치
1100: 노쇠 예측부
1110: 데이터 수집부
1120: 데이터 분석부
1130: 데이터 연산부
1200: 3축 동작측정기

Claims (7)

  1. 노쇠 예측 시스템에 의해 수행되는 노쇠 예측 방법으로서,
    3축 동작측정기로부터 보행자의 걸음걸이 패턴에 대한 가속 데이터 및 각속도 데이터를 수집하는 단계;
    상기 보행자의 걸음걸이 패턴에 대한 데이터를 분석하여 걸음걸이 특징요소 데이터를 추출하는 단계;
    상기 추출된 걸음걸이 특징요소를 기 설정된 각각의 기준값에 따라 분류하는 단계; 및
    상기 분류된 걸음걸이 특징요소 데이터를 입력 특징요소로 적용하여 기계학습(machine learning)을 수행하여 보행자의 노쇠 정보를 제공하는 단계;를 포함하고,
    상기 걸음걸이 특징요소 데이터는 걸음시간 변동계수(Coefficient of variance step time, CV step time), 가속(acceleration) 및 걸음 속도(speed)이며,
    상기 걸음 속도(speed)는 하기 식에 의해 계산되는 것을 특징으로 하는,
    3축 동작측정기를 이용한 노쇠 예측 방법:
    [식]
    Speed(cm/s) = -274.726 + 3.539*성별 -0.356*나이 +20.850*Cadence_root + 45.351*Acc18_root + 311.356*MeanH_root + 3.649* height_CV_root +0.69*하지길이 +0.435*상체길이
    (상기 식에서, 성별: 남 =1 여 =2, 나이: 세, Cadence_root: 3축 동작측정기 측정값으로 root(cadence), Acc18_root: 3축 동작측정기 측정값으로 root(Acceleration), MeanH_root: 3축 동작측정기 측정값으로 root(매 스탭간 상하 움직임 거리 평균(m)), 하지길이(cm), 상체 길이(cm), Hegith_CV_root: 3축 동작측정기 측정값으로 보행간 상하 움직임의 변동값의 root).
  2. 제1항에 있어서,
    상기 보행자의 걸음걸이 패턴에 대한 데이터를 분석하여 걸음걸이 특징요소 데이터를 추출하는 단계는,
    상기 보행자의 걸음걸이 패턴에 대한 데이터를 분석하여 분석 데이터를 추출하는 단계, 및 상기 분석 데이터로부터 걸음걸이 특징요소 데이터를 추출하는 단계를 포함하고,
    상기 분석 데이터를 추출하는 단계는,
    상기 가속 데이터 및 각속도 데이터를 AHRS(Attitude Heading Reference System) 및 IMU(Inertia Measurement Unit) 중 적어도 하나를 이용하여 분석하는 단계를 포함하는,
    3축 동작측정기를 이용한 노쇠 예측 방법.
  3. 제2항에 있어서,
    상기 분석 데이터를 추출하는 단계는,
    상기 3축 동작측정기로부터 수집된 보행자의 걸음걸이 패턴에 대한 가속 데이터 및 각속도 데이터를 각 걸음 단계의 시점을 기준으로 통합하여, 걸음 별로 데이터를 구분하는 단계를 포함하는,
    3축 동작측정기를 이용한 노쇠 예측 방법.
  4. 제1항에 있어서,
    상기 걸음걸이 특징요소 데이터를 추출하는 단계 이후에,
    상기 걸음걸이 특징요소 데이터를 검증하는 단계를 더 포함하는,
    3축 동작측정기를 이용한 노쇠 예측 방법.
  5. 제1항에 있어서,
    상기 보행자의 걸음걸이 패턴에 대한 데이터는,
    상기 3축 동작측정기가 상기 보행자의 등(back)에서 L2 spine 및 L3 spine 사이 해당하는 영역에서 측정된 것인,
    3축 동작측정기를 이용한 노쇠 예측 방법.
  6. 3축 동작측정기로부터 보행자의 걸음걸이 패턴에 대한 가속 데이터 및 각속도 데이터를 수집하는 데이터 수집부;
    상기 보행자의 걸음걸이 패턴에 대한 데이터를 분석하여 걸음걸이 특징요소 데이터를 추출하고, 상기 추출된 걸음걸이 특징요소를 기 설정된 각각의 기준값에 따라 분류하는 데이터 분석부; 및
    상기 분류된 걸음걸이 특징요소 데이터를 입력 특징요소로 적용하여 기계학습(machine learning)을 수행하여 보행자의 노쇠 정보를 제공하는 데이터 연산부;를 포함하고,
    상기 걸음걸이 특징요소 데이터는 걸음시간 변동계수(Coefficient of variance step time, CV step time), 가속(acceleration) 및 걸음 속도(speed)이며,
    상기 걸음 속도(speed)는 하기 식에 의해 계산되는 것을 특징으로 하는,
    3축 동작측정기를 이용한 노쇠 예측 시스템:
    [식]
    Speed(cm/s) = -274.726 + 3.539*성별 -0.356*나이 +20.850*Cadence_root + 45.351*Acc18_root + 311.356*MeanH_root + 3.649* height_CV_root +0.69*하지길이 +0.435*상체길이
    (상기 식에서, 성별: 남 =1 여 =2, 나이: 세, Cadence_root: 3축 동작측정기 측정값으로 root(cadence), Acc18_root: 3축 동작측정기 측정값으로 root(Acceleration), MeanH_root: 3축 동작측정기 측정값으로 root(매 스탭간 상하 움직임 거리 평균(m)), 하지길이(cm), 상체 길이(cm), Hegith_CV_root: 3축 동작측정기 측정값으로 보행간 상하 움직임의 변동값의 root).
  7. 보행자의 걸음걸이 패턴에 대한 가속 데이터 및 각속도 데이터를 얻는 3축 동작측정기; 및
    상기 3축 동작측정기로부터 걸음걸이 패턴에 대한 가속 데이터 및 각속도 데이터를 수집하고, 상기 데이터를 분석 및 연산하여 노쇠를 예측하는 노쇠 예측부;를 포함하고,
    상기 노쇠 예측부는, 3축 동작측정기로부터 보행자의 걸음걸이 패턴에 대한 가속 데이터 및 각속도 데이터를 수집하는 데이터 수집부, 상기 보행자의 걸음걸이 패턴에 대한 데이터를 분석하여 걸음걸이 특징요소 데이터를 추출하고, 상기 추출된 걸음걸이 특징요소를 기 설정된 각각의 기준값에 따라 분류하는 데이터 분석부, 및 상기 분류된 걸음걸이 특징요소 데이터를 입력 특징요소로 적용하여 기계학습(machine learning)을 수행하여 보행자의 노쇠 정보를 제공하는 데이터 연산부,를 포함하고,
    상기 걸음걸이 특징요소 데이터는 걸음시간 변동계수(Coefficient of variance step time, CV step time), 가속(acceleration) 및 걸음 속도(speed)이며,
    상기 걸음 속도(speed)는 하기 식에 의해 계산되는 것을 특징으로 하는,
    웨어러블 노쇠 예측 장치:
    [식]
    Speed(cm/s) = -274.726 + 3.539*성별 -0.356*나이 +20.850*Cadence_root + 45.351*Acc18_root + 311.356*MeanH_root + 3.649* height_CV_root +0.69*하지길이 +0.435*상체길이
    (상기 식에서, 성별: 남 =1 여 =2, 나이: 세, Cadence_root: 3축 동작측정기 측정값으로 root(cadence), Acc18_root: 3축 동작측정기 측정값으로 root(Acceleration), MeanH_root: 3축 동작측정기 측정값으로 root(매 스탭간 상하 움직임 거리 평균(m)), 하지길이(cm), 상체 길이(cm), Hegith_CV_root: 3축 동작측정기 측정값으로 보행간 상하 움직임의 변동값의 root).
KR1020180029446A 2018-03-13 2018-03-13 3축 동작측정기를 이용한 노쇠 예측 방법, 3축 동작측정기를 이용한 노쇠 예측 시스템 및 웨어러블 노쇠 예측 장치 KR102107379B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020180029446A KR102107379B1 (ko) 2018-03-13 2018-03-13 3축 동작측정기를 이용한 노쇠 예측 방법, 3축 동작측정기를 이용한 노쇠 예측 시스템 및 웨어러블 노쇠 예측 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020180029446A KR102107379B1 (ko) 2018-03-13 2018-03-13 3축 동작측정기를 이용한 노쇠 예측 방법, 3축 동작측정기를 이용한 노쇠 예측 시스템 및 웨어러블 노쇠 예측 장치

Publications (2)

Publication Number Publication Date
KR20190108016A KR20190108016A (ko) 2019-09-23
KR102107379B1 true KR102107379B1 (ko) 2020-05-07

Family

ID=68069177

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020180029446A KR102107379B1 (ko) 2018-03-13 2018-03-13 3축 동작측정기를 이용한 노쇠 예측 방법, 3축 동작측정기를 이용한 노쇠 예측 시스템 및 웨어러블 노쇠 예측 장치

Country Status (1)

Country Link
KR (1) KR102107379B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210146199A (ko) * 2020-05-26 2021-12-03 주식회사 디파이 모션 기반 노쇠 정도 예측 방법, 장치 및 시스템
KR20230015655A (ko) 2021-07-23 2023-01-31 신도엽 걸음진단 건강벨트
KR20240056975A (ko) 2022-10-24 2024-05-02 성균관대학교산학협력단 학습 모델 기반의 위조 보행 탐지 방법 및 장치, 보행 탐지를 위한 학습 모델을 학습시키는 방법 및 장치

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102313044B1 (ko) * 2019-10-16 2021-10-19 한국과학기술연구원 제자리 걸음 특성을 이용한 노인 건강 상태 평가 방법 및 시스템
CN110850988B (zh) * 2019-12-02 2022-03-11 合肥工业大学 一种防干扰抬腕亮屏的方法
WO2021132862A1 (ko) * 2019-12-26 2021-07-01 주식회사 디파이 모션 기반 심폐 기능 지표 측정기, 노쇠 정도 예측 장치 및 방법
KR102351534B1 (ko) * 2020-07-30 2022-01-17 한국과학기술연구원 균형 능력 평가 장치 및 방법
KR102404850B1 (ko) 2020-10-19 2022-06-07 한국과학기술연구원 보행 변인을 이용한 노쇠 예측 방법 및 시스템
CN113331801A (zh) * 2021-06-07 2021-09-03 华东医院 一种基于智能手环和智能手机的老年人衰弱症分析系统
EP4166076A1 (en) * 2021-10-15 2023-04-19 Université de Rennes 1 Method and device for predicting frailty of a subject

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007089703A (ja) * 2005-09-27 2007-04-12 Matsushita Electric Works Ltd 歩行計
JP2011177278A (ja) * 2010-02-26 2011-09-15 Tokyo Institute Of Technology 歩行障害自動分析システム
KR101674816B1 (ko) * 2015-07-08 2016-11-09 재단법인대구경북과학기술원 Imu를 이용한 보행환경 측정 장치 및 보행환경 측정 방법

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101716479B1 (ko) * 2015-06-30 2017-03-14 인하대학교 산학협력단 보행 불균형 측정 방법 및 시스템

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007089703A (ja) * 2005-09-27 2007-04-12 Matsushita Electric Works Ltd 歩行計
JP2011177278A (ja) * 2010-02-26 2011-09-15 Tokyo Institute Of Technology 歩行障害自動分析システム
KR101674816B1 (ko) * 2015-07-08 2016-11-09 재단법인대구경북과학기술원 Imu를 이용한 보행환경 측정 장치 및 보행환경 측정 방법

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210146199A (ko) * 2020-05-26 2021-12-03 주식회사 디파이 모션 기반 노쇠 정도 예측 방법, 장치 및 시스템
KR102377046B1 (ko) 2020-05-26 2022-03-21 주식회사 디파이 모션 기반 노쇠 정도 예측 방법, 장치 및 시스템
KR20230015655A (ko) 2021-07-23 2023-01-31 신도엽 걸음진단 건강벨트
KR20240056975A (ko) 2022-10-24 2024-05-02 성균관대학교산학협력단 학습 모델 기반의 위조 보행 탐지 방법 및 장치, 보행 탐지를 위한 학습 모델을 학습시키는 방법 및 장치

Also Published As

Publication number Publication date
KR20190108016A (ko) 2019-09-23

Similar Documents

Publication Publication Date Title
KR102107379B1 (ko) 3축 동작측정기를 이용한 노쇠 예측 방법, 3축 동작측정기를 이용한 노쇠 예측 시스템 및 웨어러블 노쇠 예측 장치
Chen et al. Toward pervasive gait analysis with wearable sensors: A systematic review
Millor et al. Kinematic parameters to evaluate functional performance of sit-to-stand and stand-to-sit transitions using motion sensor devices: a systematic review
Rast et al. Systematic review on the application of wearable inertial sensors to quantify everyday life motor activity in people with mobility impairments
US20180264320A1 (en) System and method for automatic location detection for wearable sensors
Ghasemzadeh et al. A body sensor network with electromyogram and inertial sensors: Multimodal interpretation of muscular activities
JP6183906B2 (ja) 歩容推定装置とそのプログラム、転倒危険度算出装置とそのプログラム
CN109069066A (zh) 可穿戴和连接的步态分析系统
KR102124095B1 (ko) 족저압 변화 및 보행 패턴 분석을 위한 장치 및 방법
Wagenaar et al. Continuous monitoring of functional activities using wearable, wireless gyroscope and accelerometer technology
JP6127873B2 (ja) 歩行特徴の解析方法
Similä et al. Accelerometry-based berg balance scale score estimation
US20140025361A1 (en) Method for assessing cognitive function and predicting cognitive decline through quantitative assessment of the tug test
JP6844284B2 (ja) 歩容の評価方法
CN108338790B (zh) 步态分析及跌倒评估系统
Anwary et al. Validity and consistency of concurrent extraction of gait features using inertial measurement units and motion capture system
Prajapati et al. A review on clinical gait analysis
Ghobadi et al. A robust automatic gait monitoring approach using a single IMU for home-based applications
CN110558936A (zh) 一种老年人平衡能力风险评估方法
Pan et al. Evaluation of hemiplegic gait based on plantar pressure and inertial sensors
Rivolta et al. Automatic vs. Clinical assessment of fall risk in older individuals: A proof of concept
Yang et al. Empowering a gait feature-rich timed-up-and-go system for complex ecological environments
JP2017148287A (ja) つまずきリスクの評価方法
CN112107290A (zh) 预测对象的多个步态周期的kam的系统、方法和软件应用程序
Trojaniello et al. Assessment of gait direction changes during straight-ahead walking in healthy elderly and Huntington disease patients using a shank worn MIMU

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant