KR102292473B1 - System and method for preventing accidents through behavior pattern analysis - Google Patents

System and method for preventing accidents through behavior pattern analysis Download PDF

Info

Publication number
KR102292473B1
KR102292473B1 KR1020200133672A KR20200133672A KR102292473B1 KR 102292473 B1 KR102292473 B1 KR 102292473B1 KR 1020200133672 A KR1020200133672 A KR 1020200133672A KR 20200133672 A KR20200133672 A KR 20200133672A KR 102292473 B1 KR102292473 B1 KR 102292473B1
Authority
KR
South Korea
Prior art keywords
accident
information
behavior pattern
real
server device
Prior art date
Application number
KR1020200133672A
Other languages
Korean (ko)
Inventor
권지훈
권승현
김유혁
박상준
Original Assignee
(주)아스크스토리
주식회사 온품
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 (주)아스크스토리, 주식회사 온품 filed Critical (주)아스크스토리
Priority to KR1020200133672A priority Critical patent/KR102292473B1/en
Application granted granted Critical
Publication of KR102292473B1 publication Critical patent/KR102292473B1/en

Links

Images

Classifications

    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02—Alarms for ensuring the safety of persons
    • G08B21/0202—Child monitoring systems using a transmitter-receiver system carried by the parent and the child
    • G08B21/0205—Specific application combined with child monitoring using a transmitter-receiver system
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
    • G01S13/00—Systems using the reflection or reradiation of radio waves, e.g. radar systems; Analogous systems using reflection or reradiation of waves whose nature or wavelength is irrelevant or unspecified
    • G01S13/02—Systems using reflection of radio waves, e.g. primary radar systems; Analogous systems
    • G01S13/50—Systems of measurement based on relative movement of target
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01W—METEOROLOGY
    • G01W1/00—Meteorology
    • G01W1/10—Devices for predicting weather conditions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06K9/6267—
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B13/00—Burglar, theft or intruder alarms
    • G08B13/18—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength
    • G08B13/189—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems
    • G08B13/194—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems
    • G08B13/196—Actuation by interference with heat, light, or radiation of shorter wavelength; Actuation by intruding sources of heat, light, or radiation of shorter wavelength using passive radiation detection systems using image scanning and comparing systems using television cameras
    • G—PHYSICS
    • G08—SIGNALLING
    • G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B25/00—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems
    • G08B25/01—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium
    • G08B25/10—Alarm systems in which the location of the alarm condition is signalled to a central station, e.g. fire or police telegraphic systems characterised by the transmission medium using wireless transmission systems

Abstract

The present invention was developed with the support of Gyeonggi-do Economic Science Promotion Agency and relates to an accident prevention method using an accident prevention system through behavior pattern analysis. The accident prevention system comprises: a wearable device realized in a wearable form and collecting movement information and biometric information of a wearer; an indoor positioning terminal device receiving and transmitting a signal for determining a position of the wearable device; and a server device analyzing the wearer's behavior pattern based on the information transmitted from the wearable device and predicting the occurrence of at least one accident based on a result of the analysis. The accident prevention method comprises: a behavior pattern model generation step of generating and storing behavior pattern models for each accident by learning, in advance for each accident, a planned behavior pattern of an assailant or a victim which can be expressed when at least one accident occurs; a real-time information receiving step of receiving movement information, biometric information, and location information of the wearer from the wearable device in real time; a real-time behavior pattern deriving step of deriving a wearer's real-time behavior pattern based on the received information; and an accident prediction step of analyzing similarity between the behavior pattern model for each accident and the real-time behavior pattern and predicting an accident based on a result of the analysis. Accordingly, it is possible to respond to at least one accident actively by allowing prediction and proactive response to the occurrence of an accident.

Description

행동패턴 분석을 통한 사고방지 시스템 및 그 방법{SYSTEM AND METHOD FOR PREVENTING ACCIDENTS THROUGH BEHAVIOR PATTERN ANALYSIS}Accident prevention system and method through behavior pattern analysis

본 발명은 행동패턴 분석을 통한 사고방지 시스템 및 그 방법에 관한 것으로서, 보다 상세하게는, 특정 사고 발생 시 공통적으로 발생하는 행동패턴을 수집 및 분석하여 해당 사고의 반복적인 발생을 방지하는 행동패턴 분석을 통한 사고방지 시스템 및 그 방법에 관한 것이다.The present invention relates to an accident prevention system and method through behavior pattern analysis, and more particularly, behavior pattern analysis for preventing the repetitive occurrence of the accident by collecting and analyzing behavior patterns that occur in common when a specific accident occurs It relates to an accident prevention system and a method therefor.

최근, 살인사건, 범죄사건 등의 안전사고가 증가함에 따라 이러한 안전사고를 예방하기 위한 대책이 요구되고 있는 실정이다. 특히, 제한된 영역에 통제된 다수의 사람들이 소재(所在)하는 경우 그 영역 안에서의 안전사고(예컨대, 폭행, 소란, 자살, 도주 등)를 방지하는 것이 매우 중요하다.Recently, as safety accidents such as homicide and criminal cases increase, measures to prevent such safety accidents are required. In particular, when a large number of controlled people are located in a restricted area, it is very important to prevent safety accidents (eg, assault, disturbance, suicide, escape, etc.) within the area.

한편, 최근에는 사람들의 폭력 행사 가능성을 낮추기 위해, 폭력 행사 가능성이 있는 사람의 행동을 분석하여 폭력 행사 가능성이 높아지는 상황을 자동으로 인식하고, 이를 예방하는 기술이 개발되고 있다.On the other hand, recently, in order to reduce the possibility of people using violence, a technology for automatically recognizing a situation in which the possibility of violence is increased by analyzing the behavior of a person who is likely to use violence is being developed and preventing it.

예를 들어, 공개특허공보 10-2020-0039279호에는 폭력 예방 시스템이 개시되어 있다. 즉, 공개특허공보 10-2020-0039279호에는 폭력 행사 가능성이 있는 사람의 신체 일부에 착용시킬 수 있는 착용 디바이스를 포함하되, 상기 착용 디바이스는, 착용자의 상태를 감시하기 위한 정보 수집부 및 상기 정보 수집부를 통하여 얻어진 정보를 바탕으로 폭력 행사 가능성을 판단한 뒤 착용자에게 자극을 가하여 폭력 행사를 방지하는 폭력 예방부를 포함하는 것을 특징으로 하는 폭력 예방 시스템이 개시되어 있다.For example, Korean Patent Publication No. 10-2020-0039279 discloses a system for preventing violence. That is, Korean Patent Publication No. 10-2020-0039279 includes a wearing device that can be worn on a body part of a person who is likely to use violence, wherein the wearing device includes an information collection unit for monitoring the wearer's state and the information There is disclosed a system for preventing violence, characterized in that it includes a violence prevention unit for preventing the use of violence by stimulating the wearer after determining the possibility of violence based on the information obtained through the collection unit.

이러한 종래의 기술은 상기 착용 디바이스와 이를 제어하기 위한 휴대 단말기를 이용함으로써, 직접적으로 착용자의 폭력 행사를 예방할 수 있으나 착용 디바이스로 인해 착용자가 불편함을 느낄 수 있다. 또한, 휴대 단말기를 통해 1:1로 착용자의 행동을 제어함으로써, 특정 영역 안에 있는 다수의 사람들을 통제하기 어려운 문제가 있었다.In this prior art, by using the wearable device and a portable terminal for controlling the same, the wearer's violence can be directly prevented, but the wearer may feel uncomfortable due to the wearing device. In addition, there is a problem in that it is difficult to control a plurality of people in a specific area by controlling the wearer's behavior on a 1:1 basis through the mobile terminal.

한국 공개특허공보 10-2020-0039279Korean Patent Publication No. 10-2020-0039279

따라서 본 발명은 사고 발생 시 공통적으로 발생하는 가해자 또는 피해자의 움직임 정보 및 환경정보를 수집 및 학습하여 사고별 행동패턴모델을 생성한 후 실시간으로 입력되는 사용자들의 움직임 정보 및 환경정보와, 상기 행동패턴모델에 의거하여 사고 발생을 예측하고 대응할 수 있도록 함으로써, 적어도 하나의 사고에 대한 능동적인 대처가 가능하도록 하는 행동 패턴 분석을 통한 사고방지 시스템 및 그 방법을 제공하고자 한다.Therefore, the present invention collects and learns movement information and environment information of the perpetrator or victim that occur in common when an accident occurs to create a behavior pattern model for each accident, and then inputs the user's movement information and environmental information in real time, and the behavior pattern It is intended to provide an accident prevention system and method through behavior pattern analysis that enables an active response to at least one accident by predicting and responding to the occurrence of an accident based on the model.

또한 본 발명은 학습에 의해 생성된 사고별 행동패턴모델과, 실시간으로 입력되는 사용자들의 움직임 정보 및 환경정보로부터 도출된 실시간 행동패턴간의 유사도를 분석하여 사고발생을 예측하고, 상기 유사도 분석 결과로 얻어진 유사도 차이를 패턴화하여 새로운 행동패턴모델을 추가함으로써, 예측 가능한 사고의 범위를 확장시킬 수 있는 행동 패턴 분석을 통한 사고방지 시스템 및 그 방법을 제공하고자 한다.In addition, the present invention predicts the occurrence of an accident by analyzing the similarity between the behavior pattern model for each accident generated by learning and the real-time behavior pattern derived from the user's movement information and environment information input in real time, and obtained as a result of the similarity analysis. It is intended to provide an accident prevention system and method through behavior pattern analysis that can expand the range of predictable thinking by patterning the similarity difference and adding a new behavior pattern model.

또한 본 발명은 사용자들의 행동패턴 정보를 감지하기 위한 웨어러블 장치의 기능을 최소화하여 배터리의 소모를 줄임으로써, 운영 효율을 극대화할 수 있는 행동 패턴 분석을 통한 사고방지 시스템 및 그 방법을 제공하고자 한다.Another object of the present invention is to provide an accident prevention system and method through behavioral pattern analysis capable of maximizing operational efficiency by reducing battery consumption by minimizing the function of a wearable device for detecting user behavioral pattern information.

또한 본 발명은 제한된 영역에 통제된 다수의 사람들 모두에 대한 사고발생예상지수를 산출하고 이를 관리자에게 제공하여 사고 위험인물을 특별 관리하도록 함으로써, 사고의 발생을 미리 예방하고 사고로 인한 피해를 최소화할 수 있도록 하는 행동 패턴 분석을 통한 사고방지 시스템 및 그 방법을 제공하고자 한다.In addition, the present invention calculates the accident occurrence index for all of a number of people controlled in a limited area and provides it to the manager so that the person at risk of an accident is specially managed, thereby preventing the occurrence of an accident and minimizing the damage caused by the accident. It is intended to provide an accident prevention system and method through behavior pattern analysis that enables

상기 목적을 달성하기 위해, 본 발명에서 제공하는 행동 패턴 분석을 통한 사고방지 시스템은 특정 영역 안에 있는 다수의 사람들의 움직임 정보 및 환경 정보를 감지하는 데이터 수집장치; 및 적어도 하나의 사고 발생 시 표출될 수 있는 사람들의 움직임 정보로서, 미리 연출된 움직임 정보 및 대응된 환경 정보를 포함하는 과거의 사고 데이터들을 사고별로 미리 학습하여 사고별 행동패턴모델을 생성 및 저장한 후, 상기 데이터 수집 장치로부터 실시간으로 전달되는 정보로부터 그에 대응된 실시간 행동패턴을 도출하고, 상기 실시간 행동패턴을 상기 사고별 행동패턴모델들과 비교하여 적어도 하나의 사고 발생을 예측하는 서버장치를 포함하되, 상기 서버장치는 상기 사고별 행동패턴모델과 상기 실시간 행동패턴의 유사도를 분석하고, 그 결과에 의거하여 사고를 예측하는 것을 특징으로 한다. In order to achieve the above object, an accident prevention system through behavior pattern analysis provided by the present invention includes a data collection device for detecting movement information and environment information of a plurality of people in a specific area; And, as movement information of people that can be expressed when at least one accident occurs, past accident data including pre-produced movement information and corresponding environmental information are learned in advance for each accident to generate and store a behavior pattern model for each accident. Then, a server device for predicting occurrence of at least one accident by deriving a corresponding real-time behavior pattern from the information transmitted in real time from the data collection device, and comparing the real-time behavior pattern with the behavior pattern models for each incident However, the server device analyzes the similarity between the behavior pattern model for each accident and the real-time behavior pattern, and predicts an accident based on the result.

바람직하게, 상기 데이터 수집장치는 착용 가능한 형태로 구현되어 착용자의 움직임 정보, 생체정보 및 위치 정보를 수집하는 웨어러블 장치; 실내의 지정 위치에 설치되어 상기 웨어러블 장치의 위치를 측정하기 위한 신호를 수발신하는 실내 측위 단말장치; 및 실내/외 지정 위치에 설치되어 대응된 영역의 영상 데이터를 수집하는 카메라 장치를 포함할 수 있다.Preferably, the data collection device comprises: a wearable device implemented in a wearable form to collect movement information, biometric information, and location information of the wearer; an indoor positioning terminal device installed at a designated location in the room to receive and transmit a signal for measuring the location of the wearable device; and a camera device installed at a designated indoor/outdoor location to collect image data of a corresponding area.

바람직하게는, 상기 웨어러블 장치가 착용자의 움직임 정보, 생체정보 및 위치 정보를 수집하는 데이터 수집부; 상기 데이터 수집부에서 수집된 정보들을 분석하여 착용자의 폭행 여부를 결정하는 폭행 패턴 분류장치; 상기 실내 측위 단말장치와의 초광대역(UWB) 통신 인터페이스를 제공하되, 상기 웨어러블 장치의 위치를 측정하기 위한 신호를 수발신하고 그 정보에 의거하여 상기 웨어러블 장치의 위치를 측정하는 초광대역(UWB) 통신 장치; 및 상기 서버장치와의 무선통신 인터페이스를 제공하는 와이파이(WiFi) 통신장치를 포함할 수 있다. Preferably, the wearable device includes: a data collection unit for collecting wearer's movement information, biometric information, and location information; an assault pattern classification device that analyzes the information collected by the data collection unit to determine whether the wearer is assaulted; Provide an ultra-wideband (UWB) communication interface with the indoor positioning terminal device, receive and transmit a signal for measuring the location of the wearable device, and measure the location of the wearable device based on the information Ultra-wideband (UWB) communication Device; and a Wi-Fi communication device that provides a wireless communication interface with the server device.

바람직하게는, 상기 폭행 패턴 분류 장치가 경험모드분해를 이용하여 상기 관성측정장치(IMU)에서 수집된 신호에 대한 내재모드함수(Intrinsic Mode Function, IMF)를 생성하고, 상기 내재모드함수(IMF)로부터 행동에 대한 특징을 추출한 후, 상기 행동에 대한 특징을 분류하여 폭행 여부를 결정할 수 있다. Preferably, the assault pattern classification device generates an intrinsic mode function (IMF) for the signal collected from the inertial measurement device (IMU) using empirical mode decomposition, and the intrinsic mode function (IMF) After extracting the characteristics of the behavior from the , it is possible to determine whether or not assault by classifying the characteristics of the behavior.

바람직하게, 상기 데이터 수집장치는 실내의 지정 위치에 설치되어 특정 영역 내부로 방사된 레이더 주파수에 의해 해당 영역에 위치하는 사람들의 움직임 정보 및 해당 영역의 온/습도를 포함하는 환경정보를 수집하는 모션 센서로 구성될 수 있다.Preferably, the data collecting device is installed at a designated location in the room, and the motion information of the people located in the corresponding area by the radar frequency radiated into the specific area and the environment information including the temperature/humidity of the corresponding area are collected. It may consist of a sensor.

바람직하게는, 상기 서버장치가 상기 유사도 분석 결과로 얻어진 유사도 차이를 패턴화하여 새로운 행동패턴모델을 추가할 수 있다. Preferably, the server device may add a new behavior pattern model by patterning the similarity difference obtained as a result of the similarity analysis.

바람직하게는, 상기 서버장치가 대응된 환경 정보를 포함하는 과거의 사고 데이터들을 취득하고, 그 과거의 사고 데이터들 각각에 대하여, 사고와 환경 정보간의 연관관계를 도출한 후, 환경 정보별로 발생 빈도가 높은 적어도 하나의 사고들이 매칭된 환경 정보별 사고발생 리스트를 생성하고, 외부 장치로부터 실시간 환경 정보가 수신되면, 상기 환경 정보별 사고발생 리스트로부터 상기 실시간 환경 정보에 매칭된 사고 종류를 도출하여 상기 도출된 사고의 발생을 예측할 수 있다. Preferably, the server device acquires past accident data including the corresponding environmental information, and for each of the past accident data, after deriving a correlation between the accident and the environmental information, the frequency of occurrence for each environmental information Generates an accident occurrence list by environment information in which at least one accident with high is matched, and when real-time environmental information is received from an external device, the accident type matched to the real-time environmental information is derived from the accident occurrence list by environmental information, and the The occurrence of the derived accident can be predicted.

바람직하게는, 상기 환경 정보가 사람의 심리 또는 행동에 영향을 줄 수 있는 기후 데이터를 포함할 수 있다. Preferably, the environmental information may include climate data that can affect a person's psychology or behavior.

바람직하게는, 상기 서버장치가 제한된 영역에 통제된 다수의 사람들 모두에 대하여 개인의 범죄 이력 정보를 저장하고, 상기 개인별 범죄 이력 정보에 기초하여, 상기 예측된 사고에 대한 개인별 사고 발생 예상지수를 산출하고, 상기 개인별 사고발생 예상지수를, 상기 서버장치와 통신망으로 연결된 관리자 단말장치로, 전달할 수 있다. Preferably, the server device stores personal criminal history information for all of a plurality of people controlled in a restricted area, and based on the individual criminal history information, calculates an individual accident occurrence prediction index for the predicted accident And, the individual accident occurrence expected index, the server device and the manager terminal device connected to the communication network, it can be delivered.

바람직하게는, 상기 서버장치가 상기 개인별 사고발생 예상지수가 미리 설정된 소정값 이상인 경우, 대응된 사람이 착용한 웨어러블 장치를 식별한 후, 그 웨어러블 장치로 사고를 예방하기 위한 알람 신호를 전송할 수 있다. Preferably, when the individual accident occurrence prediction index is greater than or equal to a preset value, the server device identifies a wearable device worn by a corresponding person, and then transmits an alarm signal for preventing an accident to the wearable device. .

한편, 상기 목적을 달성하기 위해, 본 발명에서 제공하는 행동 패턴 분석을 통한 사고방지 방법은 특정 영역 안에 있는 다수의 사람들의 움직임 정보 및 환경 정보를 감지하는 데이터 수집장치; 및 상기 데이터 수집장치로 부터 전달된 정보에 의거하여 착용자의 행동 패턴을 분석하고, 그 결과에 의거하여 적어도 하나의 사고 발생을 예측하는 서버장치를 포함하는 행동 패턴 분석 사고방지 시스템을 이용한 사고방지 방법에 있어서, 적어도 하나의 사고 발생시 표출될 수 있는 사람들의 움직임 정보로서, 미리 연출된 움직임 정보 및 대응된 환경 정보를 포함하는 과거의 사고 데이터들을 사고별로 미리 학습하여 사고별 행동패턴모델을 생성 및 저장하는 행동패턴모델 생성단계; 상기 데이터 수집장치로부터 해당 역역 안에 있는 다수의 사람들의 움직임 정보 및 환경 정보를 실시간으로 수신하는 실시간 정보수신단계; 상기 수신된 정보에 기초하여 착용자의 실시간 행동패턴을 도출하는 실시간 행동패턴도출단계; 및 상기 사고별 행동패턴모델과 상기 실시간 행동패턴의 유사도를 분석하고, 그 결과에 의거하여 사고를 예측하는 사고예측단계를 포함하는 것을 특징으로 한다. On the other hand, in order to achieve the above object, the accident prevention method through behavior pattern analysis provided by the present invention is a data collection device for detecting movement information and environment information of a plurality of people in a specific area; and a server device that analyzes the wearer's behavior pattern based on the information transmitted from the data collection device and predicts the occurrence of at least one accident based on the result. In at least one accident, as movement information of people that can be expressed when at least one accident occurs, past accident data including pre-directed motion information and corresponding environmental information are learned in advance for each accident, and a behavior pattern model for each accident is generated and stored. a behavior pattern model generation step; a real-time information receiving step of receiving, from the data collection device, movement information and environment information of a plurality of people in a corresponding station in real time; a real-time behavior pattern deriving step of deriving a wearer's real-time behavior pattern based on the received information; and an accident prediction step of analyzing the similarity between the behavior pattern model for each accident and the real-time behavior pattern, and predicting an accident based on the result.

바람직하게는, 상기 실시간 정보 수신단계는 착용 가능한 형태로 구현되어 착용자의 움직임 정보 및 생체정보를 획득하고, 실내의 지정 위치에 설치된 실내 측위 단말장치로부터 측위데이터를 수신하여 위치를 측정하는 웨어러블 장치로부터 상기 착용자의 움직임 정보, 생체정보 및 위치정보를 실시간으로 수신할 수 있다.Preferably, the real-time information receiving step is implemented in a wearable form to obtain movement information and biometric information of the wearer, and receives positioning data from an indoor positioning terminal device installed at a designated location in the room from a wearable device for measuring the location. The wearer's movement information, biometric information, and location information may be received in real time.

바람직하게는, 상기 방법이 상기 유사도 분석 결과로 얻어진 유사도 차이를 패턴화하여 새로운 행동패턴 모델을 추가하는 행동패턴모델 추가 단계를 더 포함할 수 있다. Preferably, the method may further include a behavior pattern model adding step of adding a new behavior pattern model by patterning the similarity difference obtained as a result of the similarity analysis.

바람직하게는, 상기 방법이 대응된 환경 정보를 포함하는 과거의 사고 데이터들을 취득하는 과거 데이터 취득단계; 상기 과거의 사고 데이터들 각각에 대하여, 사고와 환경 정보간의 연관관계를 도출하는 연관관계 도출단계; 환경 정보별로 발생 빈도가 높은 적어도 하나의 사고들을 매칭시켜 환경 정보별 사고발생 리스트를 생성하는 환경 정보별 사고발생 리스트 생성단계; 및 외부 장치로부터 실시간 환경정보를 수신하는 환경정보 수신단계를 더 포함하고, 상기 사고예측단계는 상기 환경 정보별 사고발생 리스트로부터 상기 실시간 환경 정보에 매칭된 사고의 종류를 도출하고, 상기 도출된 사고에 대응한 행동패턴모델과 유사한 행동을 보이는 개인들의 사고발생을 예측할 수 있다. Preferably, the method includes a past data acquisition step of acquiring past accident data including the corresponding environmental information; a correlation derivation step of deriving a correlation between an accident and environmental information for each of the past accident data; Accident occurrence list generation step for each environment information by matching at least one accident with a high frequency of occurrence for each environment information to generate an accident occurrence list for each environment information; and an environmental information receiving step of receiving real-time environmental information from an external device, wherein the accident prediction step derives a type of accident matched with the real-time environmental information from the accident occurrence list for each environmental information, and the derived accident It is possible to predict the occurrence of accidents of individuals who show behavior similar to the behavior pattern model in response to

바람직하게는, 상기 환경 정보가 사람의 심리 또는 행동에 영향을 줄 수 있는 기후 데이터를 포함할 수 있다. Preferably, the environmental information may include climate data that can affect a person's psychology or behavior.

바람직하게는, 상기 방법이 제한된 영역에 통제된 다수의 사람들 모두에 대하여 개인의 범죄 이력 정보를 취득하는 개인 범죄 이력 정보 취득 단계; 상기 개인별 범죄 이력 정보에 기초하여, 상기 예측된 사고에 대한 개인별 사고 발생 예상지수를 산출하는 개인별 사고발생 예상지수 산출 단계; 및 상기 개인별 사고발생 예상지수를, 상기 서버장치와 통신망으로 연결된 관리자 단말장치로, 전달하는 개인별 사고발생 예상지수 전달 단계를 더 포함할 수 있다. Preferably, the method comprises: a personal criminal history information acquisition step of acquiring individual criminal history information for all of a plurality of people controlled in a restricted area; an individual accident occurrence prediction index calculation step of calculating an individual accident occurrence prediction index for the predicted accident based on the individual crime history information; And it may further include the step of transmitting the individual accident occurrence prediction index, to the manager terminal device connected to the server device and the communication network, the individual accident occurrence prediction index.

바람직하게는, 상기 방법이 상기 개인별 사고발생 예상지수가 미리 설정된 소정값 이상인 경우, 대응된 사람이 착용한 웨어러블 장치를 식별하는 웨어러블 장치 식별단계; 및 상기 웨어러블 장치로 사고를 예방하기 위한 알람 신호를 전송하는 알람신호 전송 단계를 더 포함할 수 있다.Preferably, the method includes: a wearable device identification step of identifying a wearable device worn by a corresponding person when the individual accident occurrence prediction index is greater than or equal to a preset value; and an alarm signal transmission step of transmitting an alarm signal for preventing an accident to the wearable device.

본 발명의 사고방지 시스템 및 그 방법은 사고 발생 시 공통적으로 발생하는 가해자 또는 피해자의 움직임 정보 및 환경정보를 감지 및 학습하여 사고별 행동패턴모델을 생성한 후 실시간으로 입력되는 사용자들의 움직임 정보 및 환경정보, 상기 행동패턴모델에 의거하여 사고 발생을 예측하고 대응할 수 있도록 함으로써, 적어도 하나의 사고에 대한 능동적인 대처가 가능한 장점이 있다. The accident prevention system and method of the present invention detect and learn the movement information and environment information of the perpetrator or victim that occur in common when an accident occurs, create a behavior pattern model for each accident, and then input the user's movement information and environment in real time There is an advantage in that at least one accident can be actively dealt with by predicting and responding to the occurrence of an accident based on the information and the behavior pattern model.

또한 본 발명은 학습에 의해 생성된 사고별 행동패턴모델과, 실시간으로 입력되는 사용자들의 움직임 정보 및 환경정보로부터 도출된 실시간 행동패턴간의 유사도를 분석하여 사고발생을 예측하고, 상기 유사도 분석 결과로 얻어진 유사도 차이를 패턴화하여 새로운 행동패턴모델을 추가함으로써, 예측 가능한 사고의 범위를 확장시킬 수 있는 장점이 있다. In addition, the present invention predicts the occurrence of an accident by analyzing the similarity between the behavior pattern model for each accident generated by learning and the real-time behavior pattern derived from the user's movement information and environment information input in real time, and obtained as a result of the similarity analysis. By adding a new behavior pattern model by patterning the similarity difference, there is an advantage in that the range of predictable thinking can be expanded.

또한 본 발명은 사용자들의 행동패턴 정보를 감지하기 위한 웨어러블 장치의 기능을 최소화하여 배터리의 소모를 줄임으로써, 운영 효율을 극대화할 수 있는 장점이 있다. In addition, the present invention has the advantage of maximizing operating efficiency by minimizing the function of the wearable device for detecting user's behavior pattern information to reduce battery consumption.

또한 본 발명은 제한된 영역에 통제된 다수의 사람들 모두에 대한 사고발생예상지수를 산출하고 이를 관리자에게 제공하여 사고 위험인물을 특별 관리하도록 함으로써, 사고의 발생을 미리 예방하고 사고로 인한 피해를 최소화할 수 있는 장점이 있다.In addition, the present invention calculates the accident occurrence index for all of a number of people controlled in a limited area and provides it to the manager so that the person at risk of an accident is specially managed, thereby preventing the occurrence of an accident and minimizing the damage caused by the accident. There are advantages that can be

도 1은 본 발명의 일 실시 예에 따른 사고방지 시스템에 대한 개략적인 시스템 구성도이다.
도 2는 본 발명의 다른 실시 예에 따른 사고방지 시스템에 대한 개략적인 시스템 구성도이다.
도 3은 본 발명의 일 실시 예에 따른 웨어러블 장치에 대한 개략적인 블럭도이다.
도 4는 본 발명의 일 실시 예에 따른 서버장치에 대한 개략적인 블럭도이다.
도 5는 본 발명의 일 실시 예에 따른 서버장치의 동작 과정을 설명하기 위한 도면이다.
도 6은 본 발명의 제1 실시 예에 따른 행동 패턴 분석을 통한 사고방지 방법에 대한 개략적인 처리 흐름도이다.
도 7은 본 발명의 제2 실시 예에 따른 행동 패턴 분석을 통한 사고방지 방법에 대한 개략적인 처리 흐름도이다.1 is a schematic system configuration diagram for an accident prevention system according to an embodiment of the present invention.
2 is a schematic system configuration diagram for an accident prevention system according to another embodiment of the present invention.
3 is a schematic block diagram of a wearable device according to an embodiment of the present invention.
4 is a schematic block diagram of a server device according to an embodiment of the present invention.
5 is a diagram for explaining an operation process of a server device according to an embodiment of the present invention.
6 is a schematic flowchart of an accident prevention method through behavior pattern analysis according to the first embodiment of the present invention.
7 is a schematic flowchart of an accident prevention method through behavior pattern analysis according to a second embodiment of the present invention.

아래에서는 첨부한 도면을 참고로 하여 본 발명의 실시 예에 대하여 설명하되, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 상세히 설명한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시 예에 한정되지 않는다. 한편 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다. 또한 상세한 설명을 생략하여도 본 기술 분야의 당업자가 쉽게 이해할 수 있는 부분의 설명은 생략하였다.Hereinafter, an embodiment of the present invention will be described with reference to the accompanying drawings, but it will be described in detail so that those of ordinary skill in the art to which the present invention pertains can easily practice the present invention. However, the present invention may be embodied in various different forms and is not limited to the embodiments described herein. On the other hand, in order to clearly explain the present invention in the drawings, parts irrelevant to the description are omitted, and similar reference numerals are attached to similar parts throughout the specification. In addition, even if the detailed description is omitted, descriptions of parts that can be easily understood by those skilled in the art are omitted.

명세서 및 청구범위 전체에서, 어떤 부분이 어떤 구성 요소를 포함한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.Throughout the specification and claims, when a part includes a certain element, it means that other elements may be further included, rather than excluding other elements, unless otherwise stated.

도 1은 본 발명의 일 실시 예에 따른 사고방지 시스템에 대한 개략적인 시스템 구성도이다. 도 1을 참조하면, 본 발명의 일 실시 예에 따른 사고방지 시스템은 데이터 수집장치(10), 서버장치(20), 및 관리자 단말장치(30)를 포함한다.1 is a schematic system configuration diagram for an accident prevention system according to an embodiment of the present invention. Referring to FIG. 1 , an accident prevention system according to an embodiment of the present invention includes a data collection device 10 , a server device 20 , and an administrator terminal device 30 .

데이터 수집장치(10)는 특정 영역 안에 있는 다수의 사람들의 움직임 정보 및 환경 정보를 감지한다. 이 때, 데이터 수집장치(10)는 소정 영역별로 구획된 실내의 지정 위치에 설치되어 대응된 영역 내부로 방사된 레이더 주파수에 의해 해당 영역 내부의 환경 변화 정보(예컨대, 사람들의 움직임 정보, 해당 역역 내부 구조물의 변화 등)를 수집할 수 있다. 이를 위해, 데이터 수집장치(10)는 도플러 모션센서로 구현되어, 대응된 영역 내의 움직임 정보(예컨대, 사람들의 움직임 정보, 해당 영역 내부 구조물의 변화 등)를 수집할 수 있다. 또한, 데이터 수집장치(10)는 온/습도 감지 센서를 더 포함하여 해당 영역의 온/습도를 포함하는 환경정보를 더 수집할 수 있다.The data collection device 10 detects movement information and environment information of a plurality of people in a specific area. At this time, the data collection device 10 is installed at a designated location in the room partitioned for each predetermined area, and environment change information (eg, people's movement information, the corresponding area) by the radar frequency radiated into the corresponding area. changes in internal structures, etc.) can be collected. To this end, the data collection device 10 may be implemented as a Doppler motion sensor, and may collect motion information within a corresponding area (eg, movement information of people, changes in structures inside the corresponding area, etc.). In addition, the data collection device 10 may further include a temperature/humidity sensor to further collect environmental information including the temperature/humidity of the corresponding area.

서버장치(20)는 적어도 하나의 사고별 행동패턴모델을 미리 생성하여 저장한 후, 데이터 수집장치(10)로부터 실시간으로 전달되는 정보(예컨대, 사람들의 움직임 정보, 환경 정보 등)로부터 그에 대응된 실시간 행동패턴을 도출하고, 상기 실시간 행동패턴을 상기 사고별 행동패턴모델들과 비교하여 적어도 하나의 사고 발생을 예측한다. 또한, 서버장치(20)는 소정 영역별로 구획된 실내의 지정 위치에 설치된 데이터 수집장치(10)로부터 해당 영역의 움직임 정보를 수집하여 영역별 움직임 그래프를 생성하고, 상기 움직임 그래프를 비교하여 문제가 발생한 영역을 예측할 수 있다.The server device 20 generates and stores at least one behavioral pattern model for each accident in advance, and then responds thereto from information (eg, people's movement information, environment information, etc.) transmitted in real time from the data collection device 10 . A real-time behavior pattern is derived, and the occurrence of at least one accident is predicted by comparing the real-time behavior pattern with the accident-specific behavior pattern models. In addition, the server device 20 collects motion information of the corresponding area from the data collection device 10 installed at a designated location in the room partitioned for each predetermined area to generate a motion graph for each area, and compares the motion graph to solve the problem. The area of occurrence can be predicted.

그리고, 서버장치(20)는 그 결과를 인터넷(TCP/IP)을 통해 관리자 단말장치(30)로 전달할 수 있다.Then, the server device 20 may transmit the result to the manager terminal device 30 through the Internet (TCP/IP).

이 때, 상기 사고별 행동패턴모델은 제한된 영역에 통제된 다수의 사람들 사이에 발생 가능한 적어도 하나의 사고(예컨대, 폭행, 소란, 자살, 도주 등) 발생 시 해당 영역 내부의 환경 변화 정보(예컨대, 사람들의 움직임 정보, 당사자 또는 주위 사람들에게서 공통적으로 표출될 수 있는 행동패턴 등) 및 환경정보들(예컨대, 온도, 습도 등)을 표준화한 것으로서, 서버장치(20)는 데이터 수집장치(10)로부터 상기 데이터들을 수집하고, 이를 사고별로 미리 학습하여 사고별 행동패턴 모델을 생성할 수 있다.At this time, the behavioral pattern model for each accident is information about changes in the environment inside the area when at least one accident (eg, assault, disturbance, suicide, escape, etc.) that can occur among a large number of people controlled in a limited area occurs (eg, As a standardization of movement information of people, behavior patterns that can be commonly expressed in the person or people around them) and environmental information (eg, temperature, humidity, etc.), the server device 20 is By collecting the data and learning it in advance for each accident, it is possible to generate a behavior pattern model for each accident.

예를 들어, 서버장치(20)는 폭행사고 발생시 해당 영역 내부의 환경 변화 정보(예컨대, 사람들의 움직임 정보, 당사자 또는 주위 사람들에게서 공통적으로 표출될 수 있는 행동패턴 등) 및 환경정보들(예컨대, 온도, 습도 등)을 검출한 후 이들을 미리 학습함으로써, 폭행사고 발생시 공통적으로 나타나는 내부 환경 변화 정보(예컨대, 사람들의 움직임 정보, 당사자 또는 주위 사람들에게서 공통적으로 표출될 수 있는 행동패턴 등) 및 환경정보들(예컨대, 온도, 습도 등)을 도출하고 이를 폭행사고에 대한 행동패턴모델로 생성할 수 있다. For example, the server device 20 includes environmental change information (eg, movement information of people, behavior patterns that can be commonly expressed from the person concerned or surrounding people, etc.) and environmental information (eg, By detecting temperature, humidity, etc.) and learning them in advance, information on changes in the internal environment (eg, movement information of people, behavior patterns that can be commonly expressed from the person concerned or people around) and environmental information that appear in common when an assault accident occurs (eg, temperature, humidity, etc.) can be derived and generated as a behavioral pattern model for an assault accident.

한편, 서버장치(20)는 상기 사고별 행동패턴모델과 상기 실시간 행동패턴을 각각 그래프 형태로 도출하고, 이들 간의 유사도 분석을 통해 사고를 예측할 수 있다. 예를 들어, 상기 도출된 실시간 행동패턴이 상기 사고별 행동패턴모델들 중 폭행사고에 대한 행동패턴모델과 유사도가 가장 높게 나타나는 경우 서버장치(20)는 폭행사고의 발생을 예측할 수 있다.On the other hand, the server device 20 may derive the behavior pattern model for each accident and the real-time behavior pattern in the form of graphs, respectively, and predict the accident through similarity analysis between them. For example, when the derived real-time behavior pattern has the highest similarity with the behavior pattern model for an assault accident among the behavior pattern models for each accident, the server device 20 may predict the occurrence of an assault accident.

또한, 서버장치(20)는 상기 유사도 분석 결과로 얻어진 유사도 차이를 패턴화하여 새로운 행동패턴모델을 추가할 수 있다. 즉, 서버장치(20)는 실시간 행동패턴이 도출될 때마다 상기 사고별 행동패턴모델들과의 유사도 차이를 도출한 후, 공통적으로 발생하는 유사도 차이를 누적하여 새로운 행동패턴모델을 생성할 수 있다. 이를 통해, 서버장치(20)는 사전에 등록한 사고별 행동패턴모델 뿐만 아니라, 실제 환경에 따라 생성된 행동패턴모델을 추가할 수 있으며, 이로 인해 보다 정확하게 사고 발생을 예측할 수 있는 장점이 있다.Also, the server device 20 may add a new behavior pattern model by patterning the similarity difference obtained as a result of the similarity analysis. That is, the server device 20 may generate a new behavior pattern model by deriving a similarity difference with the behavior pattern models for each accident whenever a real-time behavior pattern is derived, and then accumulating similarity differences that occur in common. . Through this, the server device 20 can add not only the pre-registered behavior pattern model for each accident, but also the behavior pattern model generated according to the actual environment, which has the advantage of being able to more accurately predict the occurrence of an accident.

도 2는 본 발명의 다른 실시 예에 따른 사고방지 시스템에 대한 개략적인 시스템 구성도이다. 도 2를 참조하면, 본 발명의 다른 실시 예에 따른 사고방지 시스템은 웨어러블 장치(100), 실내측위 단말장치(200), 카메라 장치(300), 게이트웨이(400), 서버장치(500), 및 관리자 단말장치(600)를 포함한다.2 is a schematic system configuration diagram for an accident prevention system according to another embodiment of the present invention. Referring to FIG. 2 , an accident prevention system according to another embodiment of the present invention includes a wearable device 100 , an indoor positioning terminal device 200 , a camera device 300 , a gateway 400 , a server device 500 , and and a manager terminal device 600 .

웨어러블 장치(100)는 착용 가능한 형태로 구현되어 착용자의 움직임 정보, 생체정보 및 위치 정보를 수집한다. 또한, 웨어러블 장치(100)는 상기 수집 정보를 이용하여 착용자의 폭행 여부를 분류할 수 있다. 이를 위해, 웨어러블 장치(100)는 도 2에 예시된 바와 같이 구성될 수 있다.The wearable device 100 is implemented in a wearable form to collect movement information, biometric information, and location information of the wearer. Also, the wearable device 100 may classify whether the wearer is assaulted by using the collected information. To this end, the wearable device 100 may be configured as illustrated in FIG. 2 .

도 3은 본 발명의 일 실시 예에 따른 웨어러블 장치에 대한 개략적인 블록도로서, 도 2 및 도 3을 참조하면, 본 발명의 일 실시 예에 따른 웨어러블 장치(100)는 데이터 수집부(110), 폭행 패턴 분류 장치(120), 통신 인터페이스부(I/F)(130)를 포함하여 구성될 수 있다.3 is a schematic block diagram of a wearable device according to an embodiment of the present invention. Referring to FIGS. 2 and 3 , the wearable device 100 according to an embodiment of the present invention includes a data collection unit 110 . , an assault pattern classification device 120 , and a communication interface unit (I/F) 130 .

데이터 수집부(110)는 착용자의 움직임 정보, 생체정보 및 위치 정보를 수집한다. 이를 위해, 데이터 수집부(110)는 착용자의 움직임 정보를 수집할 수 있는 6축의 관성측정장치(IMU: Inertial Measurement Unit), 착용자의 생체정보(예컨대, 심전도, 체온, 맥박수 등)를 측정할 수 있는 생체신호측정장치를 포함할 수 있다.The data collection unit 110 collects movement information, biometric information, and location information of the wearer. To this end, the data collection unit 110 may measure a 6-axis inertial measurement unit (IMU) capable of collecting movement information of the wearer, and the wearer's biometric information (eg, electrocardiogram, body temperature, pulse rate, etc.). It may include a biosignal measuring device.

폭행 패턴 분류 장치(120)는 데이터 수집부(110)에서 수집된 정보들을 분석하여 착용자의 폭행 여부를 결정할 수 있다. 이를 위해, 폭행 패턴 분류 장치(120)는 신호 분해부(121), 특징 추출부(122) 및 특징 분류부(123)를 포함할 수 있다. The assault pattern classification apparatus 120 may determine whether the wearer is assaulted by analyzing the information collected by the data collection unit 110 . To this end, the assault pattern classifying apparatus 120 may include a signal decomposing unit 121 , a feature extracting unit 122 , and a feature classifying unit 123 .

신호 분해부(121)는 경험모드분해(EMD)를 이용하여 관성측정장치(IMU)에서 수집된 신호(일명, IMU 신호)에 대한 내재모드함수(Intrinsic Mode Function, IMF)를 생성한다. 이 때, 경험모드분해(EMD)는 복잡한 신호를 협대역 진동 성분(Narrow-band oscillatory component)로 분해하되, 비선형/비정적 신호인 경우에도 의미 있는 데이터를 추출할 수 있는 특징이 있다. The signal decomposition unit 121 generates an intrinsic mode function (IMF) for a signal (aka, IMU signal) collected from the inertial measurement unit (IMU) using empirical mode decomposition (EMD). In this case, empirical mode decomposition (EMD) decomposes a complex signal into a narrow-band oscillatory component, but has a feature of extracting meaningful data even in the case of a non-linear/non-static signal.

특징 추출부(122)는 신호 분해부(121)로부터 전달된 내재모드함수(IMF)로부터 행동에 대한 특징을 추출한다. 즉, 특징 추출부(122)는 각 행동패턴의 추출된 IMF를 선택하고, 선택된 IMF에 HT(Hilbert Transform)을 적용하여 행동(예컨대, 진폭(amplitude), 주파수(frequency), 위상(phase) 등)에 대한 특징들(예컨대, 절대평균편차(Mean absolute deviation, MAD), 산술평균(Arithmetic mean, AM), 표준편차(Standard deviation, SD), 제곱평균제곱근(Root mean Square, RMS) 등)을 추출한다. The feature extracting unit 122 extracts the behavioral features from the intrinsic mode function (IMF) transmitted from the signal decomposing unit 121 . That is, the feature extraction unit 122 selects the extracted IMF of each behavior pattern, and applies Hilbert Transform (HT) to the selected IMF to perform a behavior (eg, amplitude, frequency, phase, etc.). ) (e.g., mean absolute deviation (MAD), arithmetic mean (AM), standard deviation (SD), root mean square (RMS), etc.) extract

이 때, 상기 선택된 IMF로부터 절대평균편차(MAD), 산술평균(AM), 표준편차(SD), 제곱평균제곱근(RMS)를 추출하기 위한 방법은 공지의 기술을 이용할 수 있다. 예를 들어, 하기의 수학식 1 내지 수학식 4를 이용하여 각각의 값들을 산출할 수 있다.In this case, a method for extracting absolute mean deviation (MAD), arithmetic mean (AM), standard deviation (SD), and root mean square (RMS) from the selected IMF may use a known technique. For example, each value may be calculated using Equations 1 to 4 below.

Figure 112020109197980-pat00001
Figure 112020109197980-pat00001

Figure 112020109197980-pat00002
Figure 112020109197980-pat00002

Figure 112020109197980-pat00003
Figure 112020109197980-pat00003

Figure 112020109197980-pat00004
Figure 112020109197980-pat00004

특징 분류부(123)는 특징 추출부(122)로부터 전달된 특징들(예컨대, 절대평균편차(Mean absolute deviation, MAD), 산술평균(Arithmetic mean, AM), 표준편차(Standard deviation, SD), 제곱평균제곱근(Root mean Square, RMS) 등)을 이용하여 각 행동패턴을 분류한다. 이를 위해, 특징 분류부(123)는 수학식 5(Radial Basis Function)를 사용하여 행동에 대한 특징을 분류할 수 있다.The feature classifying unit 123 includes features transmitted from the feature extraction unit 122 (eg, Mean absolute deviation (MAD), Arithmetic mean (AM), Standard deviation (SD), Each behavior pattern is classified using a root mean square (RMS, etc.). To this end, the feature classifier 123 may classify the feature of the behavior using Equation 5 (Radial Basis Function).

Figure 112020109197980-pat00005
Figure 112020109197980-pat00005

이 때, 수학식 5는 신경망의 최종공식으로서,

Figure 112020109197980-pat00006
는 가중치 값,
Figure 112020109197980-pat00007
는 은닉층의 뉴런 숫자,
Figure 112020109197980-pat00008
는 출력층의 노드이다.At this time, Equation 5 is the final formula of the neural network,
Figure 112020109197980-pat00006
is the weight value,
Figure 112020109197980-pat00007
is the number of neurons in the hidden layer,
Figure 112020109197980-pat00008
is the node of the output layer.

이와 같이, 폭행 패턴 분류 장치(120)는 신호 분해부(121), 특징 추출부(122) 및 특징 분류부(123)를 통해 데이터 수집부(110)에서 수집된 착용자의 움직임 정보를 처리함으로써, 착용자가 폭행(피해자 또는 가해자)에 가담되었는지 여부를 결정하기 위한 신호로 변환할 수 있다.In this way, the assault pattern classification device 120 processes the wearer's movement information collected by the data collection unit 110 through the signal decomposition unit 121, the feature extraction unit 122, and the characteristic classification unit 123, It can be converted into a signal to determine whether the wearer has been involved in an assault (victim or perpetrator).

통신 인터페이스부(I/F)(130)는 웨어러블 장치(100)와 타 장치와의 통신 인터페이스를 제공한다. 이 때, 통신 인터페이스부(I/F)(130)는 초광대역(UWB) 통신장치 및 와이파이(WiFi) 통신장치를 포함할 수 있다. 상기 초광대역(UWB) 통신장치는 실내 측위 단말장치(200)와의 통신 인터페이스를 제공하되, 웨어러블 장치(100)의 위치를 측정하기 위한 신호를 수발신하고 그 정보에 의거하여 웨어러블 장치(100)의 위치를 측정하고, 상기 와이파이(WiFi) 통신장치는 서버장치(500)와의 무선통신 인터페이스를 제공한다. 한편, 도 1에 예시된 바와 같이, 웨어러블 장치(100)가 게이트웨이(400)를 거쳐 서버장치(500)로 연결되는 경우, 상기 와이파이(WiFi) 통신장치는 웨어러블 장치(100)와 게이트웨이(400) 간의 무선 통신 인터페이스를 제공하고, 게이트웨이(400)는 서버장치(500)와 TCP/IP 통신을 할 수 있다.The communication interface unit (I/F) 130 provides a communication interface between the wearable device 100 and another device. In this case, the communication interface unit (I/F) 130 may include an ultra-wideband (UWB) communication device and a Wi-Fi communication device. The ultra-wideband (UWB) communication device provides a communication interface with the indoor positioning terminal device 200, receives and transmits a signal for measuring the location of the wearable device 100, and based on the information, the location of the wearable device 100 is measured, and the Wi-Fi communication device provides a wireless communication interface with the server device 500 . On the other hand, as illustrated in FIG. 1 , when the wearable device 100 is connected to the server device 500 through the gateway 400 , the WiFi communication device is the wearable device 100 and the gateway 400 . A wireless communication interface between the two is provided, and the gateway 400 may perform TCP/IP communication with the server device 500 .

또한, 웨어러블 장치(100)는 사람이 착용가능한 모든 형태로 구현하는 것이 가능하며, 일 예로, 웨어러블 장치(100)는 전자팔찌의 형태로 구현될 수 있다.In addition, the wearable device 100 may be implemented in any form that can be worn by a person, and for example, the wearable device 100 may be implemented in the form of an electronic bracelet.

실내측위 단말장치(200)는 실내의 지정 위치에 설치되어 웨어러블 장치(100)의 위치를 측정하기 위한 신호를 수/발신한다. 이를 위해, 실내측위 단말장치(200)는 자신의 위치 정보를 내장하고, 상기 위치 정보를 포함하는 신호를 웨어러블 장치(100)로 전송하고 그 응답을 수신하여, 웨어러블 장치(100)가 자신의 위치를 측정할 수 있도록 한다. 특히, 실내측위 단말장치(200)는 실내공간의 적어도 하나의 위치에 설치될 수 있으며, 웨어러블 장치(100)는 상기 적어도 하나의 실내측위 단말장치(200)들 각각으로부터 수신된 신호와 도달 시간을 이용하여 자신의 위치를 측정할 수 있다.The indoor positioning terminal device 200 is installed at a designated location in the room to receive/transmit a signal for measuring the location of the wearable device 100 . To this end, the indoor positioning terminal device 200 embeds its own location information, transmits a signal including the location information to the wearable device 100 and receives the response, so that the wearable device 100 can determine its location. to be able to measure In particular, the indoor positioning terminal device 200 may be installed at at least one location in an indoor space, and the wearable device 100 measures the signal received from each of the at least one indoor positioning terminal device 200 and the arrival time. You can use it to measure your location.

또한, 실내측위 단말장치(200)는 주변의 환경정보(예컨대, 온/습도, 조도 등)를 수집하기 위한 센서부를 더 포함하고, 상기 환경정보를 수집하여 서버장치(500)로 전달할 수 있다. In addition, the indoor positioning terminal device 200 may further include a sensor unit for collecting surrounding environmental information (eg, temperature/humidity, illuminance, etc.), and collect the environmental information and transmit it to the server device 500 .

카메라 장치(300)는 실내/외 지정 위치에 설치되어 대응된 영역의 영상 데이터를 수집하여 서버장치(500)로 전달한다. The camera device 300 is installed at a designated indoor/outdoor location, collects image data of a corresponding area, and transmits it to the server device 500 .

한편, 도 2에 예시된 바와 같이 실내측위 단말장치(200)와 서버장치(500) 사이에 게이트웨이(400)가 연결된 경우, 실내측위 단말장치(200) 및 카메라 장치(300)는 근거리 통신망(Local Area Network, LAN)을 통해 상기 환경정보 및 영상 데이터를 게이트웨이(400)로 전달하고, 게이트웨이(400)는 인터넷(TCP/IP)을 통해 상기 환경정보 및 영상 데이터를 서버장치(500)로 전달할 수 있다.On the other hand, when the gateway 400 is connected between the indoor positioning terminal device 200 and the server device 500 as illustrated in FIG. 2 , the indoor positioning terminal device 200 and the camera device 300 are connected to a local area network (Local). The environment information and image data may be transmitted to the gateway 400 through an area network, LAN, and the gateway 400 may transmit the environment information and image data to the server device 500 through the Internet (TCP/IP). have.

또한, 실내측위 단말장치(200) 또는 카메라 장치(300)에는 주변의 소음을 수집하는 마이크 장치(미도시)를 더 포함하고, 그 소음 정보를 서버장치(500)로 전달함으로써, 서버장치(500)가 소란 발생 여부를 인식하도록 할 수도 있다.In addition, the indoor positioning terminal device 200 or the camera device 300 further includes a microphone device (not shown) for collecting ambient noise, and transmits the noise information to the server device 500 , thereby providing the server device 500 . ) to recognize whether a disturbance has occurred.

서버장치(500)는 적어도 하나의 사고별 행동패턴모델을 미리 생성하여 저장한 후, 웨어러블 장치(100)로부터 실시간으로 전달되는 정보(예컨대, 착용자의 움직임 정보, 생체정보 및 위치 정보 등)로부터 그에 대응된 실시간 행동패턴을 도출하고, 상기 실시간 행동패턴을 상기 사고별 행동패턴모델들과 비교하여 적어도 하나의 사고 발생을 예측한다. 이 때, 서버장치(500)는 실내측위 단말장치(200) 및 카메라 장치(300)로부터 전달된 측위데이터, 영상데이터, 환경정보(예컨대, 온/습도 등) 및 소음 데이터 등을 함께 수신하고, 상기 각 정보들을 종합적으로 분석하여 실시간 행동패턴을 도출할 수 있다.The server device 500 generates and stores at least one behavioral pattern model for each accident in advance, and then, from information transmitted in real time from the wearable device 100 (eg, wearer's movement information, biometric information, location information, etc.) A corresponding real-time behavior pattern is derived, and the occurrence of at least one accident is predicted by comparing the real-time behavior pattern with the accident-specific behavior pattern models. At this time, the server device 500 receives the positioning data, image data, environment information (eg, temperature/humidity, etc.) and noise data transmitted from the indoor positioning terminal device 200 and the camera device 300 together, A real-time behavioral pattern can be derived by comprehensively analyzing each piece of information.

그리고, 서버장치(500)는 그 결과를 인터넷(TCP/IP)을 통해 관리자 단말장치(600)로 전달할 수 있다.In addition, the server device 500 may transmit the result to the manager terminal device 600 through the Internet (TCP/IP).

이 때, 상기 사고별 행동패턴모델은 제한된 영역(예컨대, 교도소 등)에 통제된 다수의 사람들 사이에 발생 가능한 적어도 하나의 사고(예컨대, 폭행, 소란, 자살, 도주 등) 발생 시 가해자 또는 피해자에게서 공통적으로 표출될 수 있는 행동패턴들을 표준화한 것으로서, 서버장치(500)는 상기 사고 상황을 연출한 사용자가 착용한 웨어러블 장치(100)로부터 데이터를 수집하고, 이를 사고별로 미리 학습하여 사고별 행동패턴 모델을 생성할 수 있다. 예를 들어, 서버장치(500)는 폭행시 피해자 및 가해자의 심전도 데이터, 뇌파 및 체온 등을 검출한 후 이들을 미리 학습함으로써, 폭행시 피해자 및 가해자에게서 나타나는 공통적인 행동특징들을 도출하고 이를 폭행사고에 대한 행동패턴모델로 생성할 수 있다. At this time, the behavioral pattern model for each accident is the perpetrator or victim when at least one accident (eg, assault, disturbance, suicide, escape, etc.) that can occur between a large number of people controlled in a limited area (eg, prison, etc.) occurs. As a standardized behavioral pattern that can be commonly expressed, the server device 500 collects data from the wearable device 100 worn by the user who produced the accident situation, and learns it in advance for each accident to model the behavioral pattern for each accident. can create For example, the server device 500 detects the electrocardiogram data, brain waves and body temperature of the victim and the perpetrator during the assault and then learns them in advance, thereby deriving common behavioral characteristics appearing in the victim and the perpetrator during the assault and using it in the assault accident. It can be created as a behavior pattern model for

한편, 서버장치(500)는 상기 사고별 행동패턴모델과 상기 실시간 행동패턴을 각각 그래프 형태로 도출하고, 이들 간의 유사도 분석을 통해 사고를 예측할 수 있다. 예를 들어, 상기 도출된 실시간 행동패턴이 상기 사고별 행동패턴모델들 중 폭행사고에 대한 행동패턴모델과 유사도가 가장 높게 나타나는 경우 서버장치(500)는 폭행사고의 발생을 예측할 수 있다.On the other hand, the server device 500 may derive the behavior pattern model for each accident and the real-time behavior pattern in the form of graphs, respectively, and predict the accident through similarity analysis between them. For example, when the derived real-time behavior pattern has the highest degree of similarity to the behavior pattern model for an assault accident among the behavior pattern models for each accident, the server device 500 may predict the occurrence of an assault accident.

또한, 서버장치(500)는 상기 유사도 분석 결과로 얻어진 유사도 차이를 패턴화하여 새로운 행동패턴모델을 추가할 수 있다. 즉, 서버장치(500)는 실시간 행동패턴이 도출될 때마다 상기 사고별 행동패턴모델들과의 유사도 차이를 도출한 후, 공통적으로 발생하는 유사도 차이를 누적하여 새로운 행동패턴모델을 생성할 수 있다. 이를 통해, 서버장치(500)는 사전에 등록한 사고별 행동패턴모델 뿐만 아니라, 실제 환경에 따라 생성된 행동패턴모델을 추가할 수 있으며, 이로 인해 보다 정확하게 사고 발생을 예측할 수 있는 장점이 있다.Also, the server device 500 may add a new behavior pattern model by patterning the similarity difference obtained as a result of the similarity analysis. That is, the server device 500 may generate a new behavior pattern model by deriving a similarity difference with the behavior pattern models for each accident whenever a real-time behavior pattern is derived, and then accumulating the similarity difference that occurs in common. . Through this, the server device 500 can add a behavior pattern model generated according to the actual environment as well as a behavior pattern model for each accident registered in advance, which has the advantage of more accurately predicting the occurrence of an accident.

또한, 서버장치(500)는 대응된 환경 정보를 포함하는 과거의 사고 데이터들을 취득한 후 이를 분석하고, 그 결과를 사고발생예측에 반영할 수 있다. In addition, the server device 500 may acquire past accident data including the corresponding environmental information, analyze it, and reflect the result to the accident occurrence prediction.

즉, 서버장치(500)는 상기 과거의 사고 데이터들 각각에 대하여 그 사고가 발생했을 때의 환경정보를 함께 학습하고, 이를 통해 사고별로 그 사고가 자주 발생하는 환경정보를 도출하여, 사고별 행동패턴모델에 함께 저장할 수 있다. 그리고 실시간으로 수집된 정보에 의거하여 도출된 실시간 행동패턴이 특정 사고별 행동패턴모델과 유사한 경우, 그 사고별 행동패턴모델에 함께 저장된 환경정보와 현재의 환경정보 간에 유사성이 있는지를 판단하는 과정을 더 수행하여, 환경정보 간에도 유사성이 있다고 판단된 경우, 그 사고의 발생 예측 지수를 더 높게 생성할 수 있다. That is, the server device 500 learns the environmental information when the accident occurs with respect to each of the past accident data, and derives environmental information in which the accident occurs frequently for each accident through this, and acts according to the accident. It can be saved together in the pattern model. And if the real-time behavior pattern derived based on the information collected in real time is similar to the behavior pattern model for each specific accident, the process of determining whether there is similarity between the environmental information stored together in the behavior pattern model for each accident and the current environmental information Further, when it is determined that there is similarity between environmental information, the occurrence prediction index of the accident can be generated higher.

또는, 서버장치(500)는 상기 과거의 사고 데이터들 각각에 대하여, 사고와 환경 정보간의 연관관계를 도출한 후, 환경 정보별로 발생 빈도가 높은 적어도 하나의 사고들이 매칭된 환경 정보별 사고발생 리스트를 생성하고, 외부 장치로부터 실시간 환경 정보가 수신되면, 상기 환경 정보별 사고발생 리스트로부터 상기 실시간 환경 정보에 매칭된 사고 종류를 도출하여 상기 도출된 사고의 발생을 예측할 수도 있다.Alternatively, the server device 500 derives a correlation between the accident and the environmental information for each of the past accident data, and then a list of accident occurrences by environmental information in which at least one accident with a high frequency of occurrence for each environmental information is matched. , and when real-time environmental information is received from an external device, the occurrence of the derived accident may be predicted by deriving an accident type matched to the real-time environmental information from the accident occurrence list for each environmental information.

즉, 서버장치(500)는 특정 사고의 발생 여부를 예측할 때, 행동패턴과 환경정보의 유사도를 모두 고려하여 해당 사고의 발생 예측 지수를 결정할 수 있는 것이다.That is, when predicting whether or not a specific accident occurs, the server device 500 may determine the occurrence prediction index of the corresponding accident in consideration of the similarity between the behavior pattern and the environmental information.

이 때, 상기 환경 정보는 사람의 심리 또는 행동에 영향을 줄 수 있는 것으로서, 기후 데이터를 포함할 수 있다. In this case, the environmental information may affect a person's psychology or behavior, and may include climate data.

또한, 서버장치(500)는 제한된 영역에 통제된 다수의 사람들 모두에 대하여 개인의 범죄 이력 정보를 저장하고, 상기 개인별 범죄 이력 정보에 기초하여, 상기 예측된 사고에 대한 개인별 사고 발생 예상지수를 산출할 수 있다. 예를 들어, 서버장치(500)는 개인별 범죄 이력 정보를 분석하여, 개인별로 범죄 빈도가 높은 환경정보 또는 범죄 발생시 자주 나타나는 행동패턴을 분류하고, 그 결과에 의거하여, 상기 예측된 특정 사고에 대한 개인별 사고발생 예상지수를 산출할 수 있다. In addition, the server device 500 stores individual criminal history information for all of the controlled multiple people in a limited area, and based on the individual criminal history information, calculates an individual accident occurrence prediction index for the predicted accident can do. For example, the server device 500 analyzes individual crime history information, classifies environmental information with high crime frequency for each individual or a behavior pattern that appears frequently when a crime occurs, and based on the result, the predicted specific accident It is possible to calculate the predictive index of accident occurrence for each individual.

그리고, 서버장치(500)는 상기 개인별 사고발생 예상지수를 관리자 단말장치(600)로 전달함으로써, 관리자가 이에 대하여 미리 대응할 수 있도록 할 수 있다. And, the server device 500 transmits the individual accident occurrence expected index to the manager terminal device 600, so that the manager can respond in advance.

또는, 서버장치(500)는 웨어러블 장치(100)의 착용자 정보를 저장/관리하고, 상기 산출된 개인별 사고발생 예상지수가 미리 설정된 소정값 이상인 경우, 대응된 웨어러블 장치(100)로 사고를 예방하기 위한 알람신호(예컨대, 경보음, 불빛 점등 신호 등)를 전송할 수 있다. Alternatively, the server device 500 stores/manages the wearer information of the wearable device 100, and when the calculated individual accident occurrence index is greater than or equal to a preset value, the corresponding wearable device 100 to prevent an accident. An alarm signal (eg, an alarm sound, a light on signal, etc.) may be transmitted.

도 4는 본 발명의 일 실시 예에 따른 서버장치에 대한 개략적인 블록도이고, 도 5는 본 발명의 일 실시 예에 따른 서버장치의 동작 과정을 설명하기 위한 도면이다. 도 2와, 도 4 및 도 5를 참조하면, 본 발명의 일 실시 예에 따른 서버장치(500)는 통신 인터페이스부(I/F)(510), 전처리부(520), 데이터 가공부(530) 및 예측부(540)를 포함한다.4 is a schematic block diagram of a server device according to an embodiment of the present invention, and FIG. 5 is a diagram for explaining an operation process of the server device according to an embodiment of the present invention. 2, 4 and 5 , the server device 500 according to an embodiment of the present invention includes a communication interface unit (I/F) 510 , a preprocessor 520 , and a data processing unit 530 . ) and a prediction unit 540 .

통신 인터페이스부(I/F)(510)는 서버장치(500)와 타 장치들간의 통신 인터페이스를 제공하는 모든 장치들을 통칭한다. 즉, 통신 I/F(510)는 내부 장치들(즉, 웨어러블 장치(100), 실내측위 단말장치(200) 및 카메라 장치(300))과의 통신 인터페이스 및 외부 장치들(즉, 기상청 정보 제공 서버, 범죄 이력정보 또는 판결문 정보 제공 서버 등)과의 통신 인터페이스를 제공한다. The communication interface unit (I/F) 510 collectively refers to all devices that provide a communication interface between the server device 500 and other devices. That is, the communication I/F 510 provides a communication interface with internal devices (ie, the wearable device 100 , the indoor positioning terminal device 200 , and the camera device 300 ) and external devices (ie, information provided by the Korea Meteorological Administration). It provides a communication interface with a server, criminal history information or judgment information providing server, etc.).

통신 I/F(510)는 상기 장치들로부터 각종 데이터를 수신하여 전처리부(520)로 전달한다. 이 때, 통신 I/F(510)가 수신하는 데이터들은 분류된 폭행 데이터, 마이크로 측정된 소음 데이터, 실내위치 측위 데이터, ECG, PPG 데이터를 통한 자살데이터, 착용자 개인 이력정보, 폭행, 소음, 도주, 자살시 있었던 과거데이터, 범죄 이력 정보 및 판결문, 환경(온도, 습도, CO2), 외부 환경 및 계절 정보, 하루 수감자 스케줄을 포함할 수 있다. The communication I/F 510 receives various data from the devices and transmits it to the preprocessor 520 . At this time, the data received by the communication I/F 510 are classified assault data, noise data measured with a microphone, indoor positioning data, ECG, suicide data through PPG data, wearer personal history information, assault, noise, and escape , past data at the time of suicide, criminal history information and judgment, environment (temperature, humidity, CO 2 ), external environment and season information, and daily inmate schedule.

전처리부(520)는 통신 I/F(510)를 통해 전달받은 데이터들을 컴퓨터가 이해할 수 있도록 전처리한다. 이 때, 전처리부(520)는 상기 전달받은 데이터를 문자(Text) 데이터와 숫자(Value) 데이터로 분류하여 처리하며, 이를 위해, 문자(Text)를 분석/처리하는 문자 분석부(Text Analyzer)(521)와, 숫자(Value)를 분석/처리하는 숫자 분석부(Value Analyzer)(522)를 포함한다.The preprocessor 520 preprocesses the data received through the communication I/F 510 so that the computer can understand it. At this time, the preprocessor 520 classifies the received data into text data and number data and processes them, and for this purpose, a text analyzer that analyzes/processes text 521 and a number analysis unit (Value Analyzer) 522 for analyzing/processing a number (Value).

문자 분석부(Text Analyzer)(521)는 단어추출(Extract words) → 토큰화(Tokenization) → 정규화(Normalization) → 불용어 제거(Detection of Unused words) → 어근 추출(Radix Extraction) → 변수 추출(Extract Variables) 과정을 거쳐 단일 텀(Term)을 생성하고, 숫자 분석부(Value Analyzer)(522)는 숫자 추출(Extract Value) → 토큰화(Tokenization) → 정규화(Normalization) → 변수 추출(Extract Variables) 단계를 거쳐 정제한다. Text Analyzer 521 extracts words → Tokenization → Normalization → Detection of Unused words → Radix Extraction → Extract Variables ) process, a single term is created, and the number analysis unit 522 performs the steps of Extract Value → Tokenization → Normalization → Extract Variables. purified through

데이터 가공부(530)는 전처리부(520)에서 전처리된 데이터를 기반으로 행동패턴/생활패턴을 분류하고, 기본선호 환경 및 사고 데이터(예컨대, 폭행, 소란, 자살, 도주 등, 이하, 4대 사고 데이터라 칭함)를 추출한다. 이를 위해, 데이터 가공부(530)는 제1 분류기(531), 제2 분류기(532), 그래프 생성부(533)를 포함한다. The data processing unit 530 classifies behavior patterns/life patterns based on the data preprocessed by the preprocessing unit 520, and basic preference environment and accident data (eg, assault, disturbance, suicide, escape, etc., below, four referred to as accident data). To this end, the data processing unit 530 includes a first classifier 531 , a second classifier 532 , and a graph generating unit 533 .

제1 분류기(531)는 PMV/PDD 알고리즘 및 KNN(k-Nearest Neighbors) 알고리즘을 포함하고, PMV/PDD 알고리즘을 통해 PMV/PDD 지수를, KNN(k-Nearest Neighbors) 알고리즘을 통해 행동패턴, 4대 사고 및 생활패턴을 분류한다. The first classifier 531 includes a PMV/PDD algorithm and a k-Nearest Neighbors (KNN) algorithm, a PMV/PDD index through a PMV/PDD algorithm, a behavior pattern through a k-Nearest Neighbors (KNN) algorithm, 4 Classify major accidents and life patterns.

제2 분류기(532)는 Fisher Method 및 Naive Bayesian 알고리즘 포함하고, 제1 분류기(531)에서 분류된 생활패턴 데이터, PMV/PDD 지수, 전처리된 기타 데이터에 의거하여, 2차 분류 인스턴스를 생성한다. The second classifier 532 includes the Fisher Method and Naive Bayesian algorithm, and generates a secondary classification instance based on the life pattern data, PMV/PDD index, and other preprocessed data classified by the first classifier 531 .

그래프 생성부(533)는 상기 2차 분류 인스턴스를 통해 분류에 해당하는 벡터를 생성하고, 상기 생성된 벡터를 이용하여 각 원소를 연결하는 그래프(Graph)를 생성한다.The graph generating unit 533 generates a vector corresponding to the classification through the secondary classification instance, and generates a graph connecting each element using the generated vector.

예측부(540)는 적어도 하나의 사고에 대하여 각각의 행동패턴모델을 생성하여 저장하고, 그 행동패턴모델과 상기 데이터 가공부(530)에서 가공되어 전달된 개인별 실시간 행동패턴의 유사도를 분석하여 사고를 예측한 후, 그 예측 정보에 기초하여 개인별 사고 발생 지수를 도출할 수 있다.The prediction unit 540 generates and stores each behavior pattern model for at least one accident, analyzes the similarity between the behavior pattern model and the individual real-time behavior pattern processed and transmitted by the data processing unit 530 to think After predicting, it is possible to derive an individual accident occurrence index based on the prediction information.

또한, 예측부(540)에서는 상기 개인별 사고 발생지수를 이용하여 생활패턴을 추천할 수 있다. 예를 들어, 예측부(540)는 과거의 4대 사고(예컨대, 폭행, 소란, 도주, 자살) 정보, 환경 특징, 비슷한 사용자의 생활패턴을 기반으로 4대 사고 외 생활패턴을 추천할 수 있다.Also, the prediction unit 540 may recommend a life pattern using the individual accident occurrence index. For example, the prediction unit 540 may recommend a life pattern other than the four major accidents based on past four major accidents (eg, assault, disturbance, escape, suicide) information, environmental characteristics, and similar user life patterns. .

이를 위해, 예측부(540)는 콘텐츠 기반 추천방법, 링크 유사도 기반 추천방법, 협업 기반 추천방법을 혼합하여 추천결과를 도출할 수 있다. 이 때, 콘텐츠 기반 추천 방법은 과거에 4대 사고가 발생한 환경 정보에 기초하여, 현재의 환경 정보와 유사한 환경에서 발생한 사고에 대한 추천지수를 도출하는 방법이고, 링크 유사도 기반 추천 방법은 실시간으로 수집된 개인들의 생활패턴 정보를 이용하여 실시간 행동패턴을 도출하고, 기 설정된 사고별 행동패턴모델과의 유사성을 비교하여 특정 사고에 대한 추천지수를 도출하는 방법이고, 협업 기반 추천방법은 행동패턴이 유사한 타인의 사고 발생 추천지수를 기초로 사고 발생 지수를 도출하는 방법이다. To this end, the prediction unit 540 may derive a recommendation result by mixing a content-based recommendation method, a link similarity-based recommendation method, and a collaboration-based recommendation method. At this time, the content-based recommendation method is a method of deriving a recommendation index for an accident that occurred in an environment similar to the current environmental information based on environmental information in which four major accidents occurred in the past, and the link similarity-based recommendation method is collected in real time It is a method of deriving a real-time behavior pattern using the life pattern information of the individuals who have been identified, and deriving a recommendation index for a specific accident by comparing the similarity with a pre-set behavior pattern model for each accident. This is a method of deriving an accident occurrence index based on the accident occurrence recommendation index of others.

즉, 예측부(540)는 개인별 행동패턴, 적어도 하나의 사고별로 해당 사고의 발생과 환경정보 간의 연관관계 및 행동패턴이 유사한 타인의 사고발생 추천지수를 기초로, 사고 발생 지수를 도출하되, 적어도 하나의 사고별로 개인들 각각의 사고발생지수를 도출하거나, 또는 4대 사고에 대한 개인별 사고발생지수를 도출할 수 있다. That is, the prediction unit 540 derives the accident occurrence index based on the individual behavior pattern, the correlation between the occurrence of the corresponding accident and the environmental information and the behavioral pattern similar to each other's accident occurrence recommendation index for each at least one accident, but at least Each individual accident occurrence index can be derived for each accident, or individual accident occurrence index for four major accidents can be derived.

도 6은 본 발명의 제1 실시 예에 따른 행동 패턴 분석을 통한 사고방지 방법에 대한 개략적인 처리 흐름도이다. 도 2 및 도 6을 참조하면, 본 발명의 제1 실시 예에 따른 행동 패턴 분석을 통한 사고방지 방법은 다음과 같다.6 is a schematic flowchart of an accident prevention method through behavior pattern analysis according to the first embodiment of the present invention. 2 and 6 , the accident prevention method through behavior pattern analysis according to the first embodiment of the present invention is as follows.

먼저, 단계 S110에서는, 서버장치(500)가 사고별 행동패턴 모델을 생성한다. 즉, 단계 S110에서, 서버장치(500)는 적어도 하나의 사고 발생시 표출될 수 있는 가해자 또는 피해자의 연출된 행동패턴을 사고별로 미리 학습하여 사고별 행동패턴모델을 생성하고, 이를 저장한다. 이 때, 상기 사고별 행동패턴모델은 제한된 영역(예컨대, 교도소 등)에 통제된 다수의 사람들 사이에 발생 가능한 적어도 하나의 사고(예컨대, 폭행, 소란, 자살, 도주 등) 발생 시 가해자 또는 피해자에게서 공통적으로 표출될 수 있는 행동패턴들을 표준화한 것으로서, 서버장치(500)는 상기 사고 상황을 연출한 사용자가 착용한 웨어러블 장치(100)로부터 데이터를 수집하고, 이를 사고별로 미리 학습하여 사고별 행동패턴 모델을 생성할 수 있다. 예를 들어, 서버장치(500)는 폭행시 피해자 및 가해자의 심전도 데이터, 뇌파 및 체온 등을 검출한 후 이들을 미리 학습함으로써, 폭행시 피해자 및 가해자에게서 나타나는 공통적인 행동특징들을 도출하고 이를 폭행사고에 대한 행동패턴모델로 생성할 수 있다. First, in step S110, the server device 500 generates a behavior pattern model for each incident. That is, in step S110, the server device 500 generates a behavior pattern model for each accident by learning in advance for each accident the staged behavior pattern of the assailant or victim, which can be expressed when at least one accident occurs, and stores it. At this time, the behavioral pattern model for each accident is the perpetrator or victim when at least one accident (eg, assault, disturbance, suicide, escape, etc.) that can occur between a large number of people controlled in a limited area (eg, prison, etc.) occurs. As a standardized behavioral pattern that can be commonly expressed, the server device 500 collects data from the wearable device 100 worn by the user who produced the accident situation, and learns it in advance for each accident to model the behavioral pattern for each accident. can create For example, the server device 500 detects the electrocardiogram data, brain waves and body temperature of the victim and the perpetrator during the assault and then learns them in advance, thereby deriving common behavioral characteristics appearing in the victim and the perpetrator during the assault and using it in the assault accident. It can be created as a behavior pattern model for

단계 S120에서는, 서버장치(500)가 행동패턴 도출을 위한 실시간 정보를 수신한다. 즉, 단계 S120에서, 서버장치(500)는 웨어러블 장치(100)로부터 착용자의 움직임 정보, 생체정보 및 위치정보를 실시간으로 수집할 수 있다. 이 때, 서버장치(500)는 실내측위 단말장치(200) 및 카메라 장치(300)로부터 전달된 측위데이터, 영상데이터, 환경정보(예컨대, 온/습도 등) 및 소음 데이터 등을 함께 수신할 수 있다. In step S120, the server device 500 receives real-time information for deriving a behavior pattern. That is, in step S120 , the server device 500 may collect the wearer's movement information, biometric information, and location information from the wearable device 100 in real time. At this time, the server device 500 may receive the positioning data, image data, environment information (eg, temperature/humidity, etc.) and noise data transmitted from the indoor positioning terminal device 200 and the camera device 300 together. have.

단계 S130에서는, 서버장치(500)가 상기 수신된 정보에 기초하여 착용자의 실시간 행동패턴을 도출한다. 즉, 단계 S130에서, 서버장치(500)는 상기 수신된 정보들을 종합적으로 분석하여 실시간 행동패턴을 도출할 수 있다. In step S130, the server device 500 derives a real-time behavior pattern of the wearer based on the received information. That is, in step S130, the server device 500 may derive a real-time behavior pattern by comprehensively analyzing the received information.

단계 S140 및 단계 S150에서는, 서버장치(500)가 단계 S110에서 생성된 사고별 행동패턴모델과, 단계 S130에서 도출된 실시간 행동패턴의 유사도를 분석하고, 그 결과에 의거하여 사고를 예측한다. 이를 위해, 서버장치(500)는 단계 S110 및 단계 S130에서, 상기 사고별 행동패턴모델과 상기 실시간 행동패턴을 각각 그래프 형태로 도출하고, 이들 간의 유사도를 분석할 수 있다. In steps S140 and S150, the server device 500 analyzes the similarity between the accident-specific behavior pattern model generated in step S110 and the real-time behavior pattern derived in step S130, and predicts an accident based on the result. To this end, in steps S110 and S130, the server device 500 may derive the behavior-specific behavior pattern model and the real-time behavior pattern in graph form, respectively, and analyze the similarity between them.

단계 S160 및 단계 S170에서는, 서버장치(500)가 상기 유사도 분석 결과로 얻어진 유사도 차이를 패턴화하여 새로운 행동패턴 모델을 추가할 수 있다. 이를 위해, 서버장치(500)는 실시간 행동패턴이 도출될 때마다 상기 사고별 행동패턴모델들과의 유사도 차이를 도출한 후, 공통적으로 발생하는 유사도 차이를 누적하여 새로운 행동패턴모델을 생성할 수 있다. 이를 통해, 서버장치(500)는 사전에 등록한 사고별 행동패턴모델 뿐만 아니라, 실제 환경에 따라 새롭게 생성된 행동패턴모델을 추가할 수 있으며, 이로 인해 보다 정확하게 사고 발생을 예측할 수 있는 장점이 있다.In steps S160 and S170, the server device 500 may add a new behavior pattern model by patterning the similarity difference obtained as a result of the similarity analysis. To this end, the server device 500 can generate a new behavior pattern model by accumulating similarity differences that occur in common after deriving a similarity difference with the behavior pattern models for each accident whenever a real-time behavior pattern is derived. have. Through this, the server device 500 can add not only the pre-registered behavior pattern model for each accident, but also the newly created behavior pattern model according to the actual environment, which has the advantage of more accurately predicting the occurrence of an accident.

도 7은 본 발명의 제2 실시 예에 따른 행동 패턴 분석을 통한 사고방지 방법에 대한 개략적인 처리 흐름도이다. 도 2 및 도 7을 참조하면, 본 발명의 제2 실시 예에 따른 행동 패턴 분석을 통한 사고방지 방법은 다음과 같다.7 is a schematic flowchart of an accident prevention method through behavior pattern analysis according to a second embodiment of the present invention. 2 and 7 , the accident prevention method through behavior pattern analysis according to the second embodiment of the present invention is as follows.

먼저, 단계 S205에서는, 서버장치(500)가 사고별 행동패턴 모델을 생성한다. 즉, 단계 S205에서, 서버장치(500)는 적어도 하나의 사고 발생시 표출될 수 있는 가해자 또는 피해자의 연출된 행동패턴을 사고별로 미리 학습하여 사고별 행동패턴모델을 생성하고, 이를 저장한다. 이 때, 상기 사고별 행동패턴모델은 제한된 영역(예컨대, 교도소 등)에 통제된 다수의 사람들 사이에 발생 가능한 적어도 하나의 사고(예컨대, 폭행, 소란, 자살, 도주 등) 발생 시 가해자 또는 피해자에게서 공통적으로 표출될 수 있는 행동패턴들을 표준화한 것으로서, 서버장치(500)는 상기 사고 상황을 연출한 사용자가 착용한 웨어러블 장치(100)로부터 데이터를 수집하고, 이를 사고별로 미리 학습하여 사고별 행동패턴 모델을 생성할 수 있다. 예를 들어, 서버장치(500)는 폭행시 피해자 및 가해자의 심전도 데이터, 뇌파 및 체온 등을 검출한 후 이들을 미리 학습함으로써, 폭행시 피해자 및 가해자에게서 나타나는 공통적인 행동특징들을 도출하고 이를 폭행사고에 대한 행동패턴모델로 생성할 수 있다. 한편, 단계 S205에서, 서버장치(500)는 상기 사고별 행동패턴모델을 그래프 형태로 도출할 수 있다.First, in step S205, the server device 500 generates a behavior pattern model for each incident. That is, in step S205, the server device 500 generates a behavior pattern model for each accident by pre-learning the staged behavior pattern of the assailant or victim, which can be expressed when at least one accident occurs, for each accident, and stores it. At this time, the behavioral pattern model for each accident is the perpetrator or victim when at least one accident (eg, assault, disturbance, suicide, escape, etc.) that can occur between a large number of people controlled in a limited area (eg, prison, etc.) occurs. As a standardized behavioral pattern that can be commonly expressed, the server device 500 collects data from the wearable device 100 worn by the user who produced the accident situation, and learns it in advance for each accident to model the behavioral pattern for each accident. can create For example, the server device 500 detects the electrocardiogram data, brain waves and body temperature of the victim and the perpetrator during an assault and then learns them in advance, thereby deriving common behavioral characteristics appearing in the victim and the perpetrator during the assault and using it in an assault accident. It can be created as a behavior pattern model for Meanwhile, in step S205, the server device 500 may derive the behavior pattern model for each accident in the form of a graph.

단계 S210에서는, 서버장치(500)가 개인별 범죄이력 데이터를 취득한다. 즉, 단계 S210에서, 서버장치(500)는 제한된 영역에 통제된 다수의 사람들 모두에 대하여 개인의 범죄 이력 정보를 취득할 수 있다. 이는 개인별 범죄이력 정보와 사고 발생 간의 연관관계를 도출하기 위함이다. 이를 위해, 서버장치(500)는 통신망을 통해 범죄 이력정보 또는 판결문 정보 제공 서버에 접속하고, 상기 범죄 이력정보 또는 판결문 정보 제공 서버로부터 상기 개인별 범죄이력 데이터를 취득할 수 있다.In step S210, the server device 500 acquires individual criminal history data. That is, in step S210 , the server device 500 may acquire personal criminal history information for all of a plurality of people controlled in a limited area. This is to derive a correlation between individual criminal history information and the occurrence of an accident. To this end, the server device 500 may access the crime history information or judgment information providing server through a communication network, and acquire the individual crime history data from the crime history information or judgment information providing server.

단계 S215에서는, 서버장치(500)가 과거의 사고데이터를 취득한다. 즉, 단계S215에서, 서버장치(500)는 과거의 사고 데이터들 각각에 대하여, 그 사고가 발생했을 때의 환경정보를 포함하는 과거의 사고 데이터들을 취득한다. In step S215, the server device 500 acquires past accident data. That is, in step S215, for each of the past accident data, the server device 500 acquires past accident data including environmental information when the accident occurred.

단계 S220에서는, 서버장치(500)가 상기 과거의 사고 데이터들 각각에 대하여, 사고와 환경 정보간의 연관관계를 도출한다. 즉, 단계 S220에서는, 서버장치(500)가 환경 정보별로 발생 빈도가 높은 적어도 하나의 사고들을 분류한다. In step S220, the server device 500 derives a correlation between the accident and environmental information for each of the past accident data. That is, in step S220, the server device 500 classifies at least one accident having a high frequency of occurrence for each environment information.

단계 S225에서는, 서버장치(500)가 환경정보별로 사고발생 리스트를 생성한다. 즉, 단계 S225에서, 서버장치(500)는 단계 S220의 분류 결과에 기초하여, 환경 정보별로 발생 빈도가 높은 적어도 하나의 사고들을 매칭시켜 환경 정보별 사고발생 리스트를 생성한다. In step S225, the server device 500 generates an accident occurrence list for each environment information. That is, in step S225, the server device 500 generates an accident occurrence list for each environment information by matching at least one accident having a high frequency of occurrence for each environment information based on the classification result of step S220.

단계 S230에서는, 서버장치(500)가 행동패턴 도출을 위한 실시간 정보를 수신한다. 즉, 단계 S230에서, 서버장치(500)는 웨어러블 장치(100)로부터 착용자의 움직임 정보, 생체정보 및 위치정보를 실시간으로 수집할 수 있다. 이 때, 서버장치(500)는 실내측위 단말장치(200) 및 카메라 장치(300)로부터 전달된 측위데이터, 영상데이터, 환경정보(예컨대, 온/습도 등) 및 소음 데이터 등을 함께 수신할 수 있다. In step S230, the server device 500 receives real-time information for deriving a behavior pattern. That is, in step S230 , the server device 500 may collect the wearer's movement information, biometric information, and location information from the wearable device 100 in real time. At this time, the server device 500 may receive the positioning data, image data, environment information (eg, temperature/humidity, etc.) and noise data transmitted from the indoor positioning terminal device 200 and the camera device 300 together. have.

단계 S235에서는, 서버장치(500)가 상기 수신된 정보에 기초하여 착용자의 실시간 행동패턴을 도출한다. 즉, 단계 S235에서, 서버장치(500)는 상기 수신된 정보들을 종합적으로 분석하여 실시간 행동패턴을 도출할 수 있다. 이 때, 단계 S235에서, 서버장치(500)는 상기 실시간 행동패턴을 그래프 형태로 도출할 수 있다.In step S235, the server device 500 derives a real-time behavior pattern of the wearer based on the received information. That is, in step S235, the server device 500 may derive a real-time behavior pattern by comprehensively analyzing the received information. In this case, in step S235, the server device 500 may derive the real-time behavior pattern in the form of a graph.

단계 S240 내지 단계 S250에서는, 서버장치(500)가 외부 장치로부터 실시간 환경정보를 수신한 경우(S240), 서버장치(500)는 상기 단계 S225에서 생성된, 환경정보별 사고발생 리스트로부터 상기 실시간 환경 정보에 매칭된 사고의 종류를 도출하고(S245), 상기 도출된 사고에 대응된 행동패턴모델을 결정한다(S250). 이 때, 상기 환경 정보는 사람의 심리 또는 행동에 영향을 줄 수 있는 기후 데이터를 포함할 수 있다. 이를 위해, 단계 S240에서, 서버장치(500)는 통신망을 통해 기상청 정보 제공 서버에 접속하고, 상기 기상청 정보 제공 서버로부터 상기 기후 데이터를 포함하는 실시간 환경 정보를 수신할 수 있다.In steps S240 to S250, when the server device 500 receives real-time environmental information from an external device (S240), the server device 500 receives the real-time environment from the accident occurrence list for each environmental information generated in step S225. A type of accident matched with the information is derived (S245), and a behavior pattern model corresponding to the derived accident is determined (S250). In this case, the environmental information may include climate data that may affect a person's psychology or behavior. To this end, in step S240 , the server device 500 may access the Korea Meteorological Agency information providing server through a communication network and receive real-time environmental information including the climate data from the Meteorological Agency information providing server.

단계 S255 및 단계 S260에서는, 서버장치(500)가 단계 S235에서 도출된 실시간 행동패턴과, 단계 S250에서 결정된 행동패턴모델간의 유사도를 분석하고, 그 결과에 의거하여 사고를 예측한다. In steps S255 and S260, the server device 500 analyzes the similarity between the real-time behavior pattern derived in step S235 and the behavior pattern model determined in step S250, and predicts an accident based on the results.

단계 S265에서는, 서버장치(500)가 상기 예측된 사고에 대하여, 개인별 사고발생 예상지수를 산출한다. 이를 위해, 서버장치(500)는 단계 S210에서 취득한 개인별 범죄 이력 정보에 기초하여 상기 예측된 사고에 대한 개인별 사고발생 예상지수를 산출할 수 있다. In step S265, the server device 500 calculates an individual accident occurrence prediction index for the predicted accident. To this end, the server device 500 may calculate an individual accident occurrence prediction index for the predicted accident based on the individual crime history information acquired in step S210.

한편, 상기 방법은, 서버장치(500)가, 상기 개인별 사고발생 예상지수를 통신망으로 연결된 관리자 단말장치(600)로 전달하는 사고발생 예상지수 전달 단계(미도시)를 더 포함할 수 있다. 이로 인해, 관리자가 개인별 사고 발생 가능성에 대하여 미리 대응할 수 있도록 할 수 있다. On the other hand, the method, the server device 500, the individual accident occurrence prediction index to the manager terminal device 600 connected to the communication network may further include an accident occurrence index transmission step (not shown). For this reason, it is possible to enable the manager to respond in advance to the possibility of individual accidents.

또한, 상기 방법은, 서버장치(500)가 웨어러블 장치(100)의 착용자 정보를 저장/관리하고, 상기 개인별 사고발생 예상지수가 미리 설정된 소정값 이상인 경우, 상기 저장된 정보에 의거하여 대응된 사람이 착용한 웨어블 데이터 수집장치를 식별하고, 상기 식별된 웨어러블 장치로 사고를 예방하기 위한 알람 신호(예컨대, 경보음, 불빛 점등 신호 등)를 전송하는 단계를 더포함 할 수 있다. In addition, in the method, the server device 500 stores/manages the wearer information of the wearable device 100, and when the individual accident occurrence index is greater than or equal to a preset value, a corresponding person based on the stored information The method may further include identifying the wearable data collection device worn and transmitting an alarm signal (eg, an alarm sound, a light lighting signal, etc.) for preventing an accident to the identified wearable device.

이상에서는 본 발명의 실시 예를 설명하였으나, 본 발명의 권리범위는 이에 한정되지 아니하며 본 발명이 실시 예로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 용이하게 변경되어 균등한 것으로 인정되는 범위의 모든 변경 및 수정을 포함한다.In the above, embodiments of the present invention have been described, but the scope of the present invention is not limited thereto, and the present invention is easily changed from the embodiments by those of ordinary skill in the art to which the present invention pertains and recognized as equivalent. including all changes and modifications to the scope of

10: 데이터 수집장치 20, 500: 서버장치
510: 통신 I/F 520: 전처리부
530: 데이터 가공부 540: 예측부
30, 600: 관리자 단말장치 100: 웨어러블 장치
110: 데이터 수집부 120: 폭행패턴 분류장치
200: 실내측위 단말장치 300: 카메라 장치
400: 게이트웨이10: data collection device 20, 500: server device
510: communication I/F 520: preprocessor
530: data processing unit 540: prediction unit
30, 600: administrator terminal device 100: wearable device
110: data collection unit 120: assault pattern classification device
200: indoor positioning terminal device 300: camera device
400: gateway

Claims (17)

특정 영역 안에 있는 다수의 사람들의 움직임 정보 및 환경 정보를 감지하는 데이터 수집장치; 및
다수의 사람들 간에 발생할 수 있는 적어도 하나의 사고 발생 시 표출될 수 있는 사람들의 움직임 정보로서, 미리 연출된 움직임 정보 및 대응된 환경 정보를 포함하는 과거의 사고 데이터들을 사고별로 미리 학습하여 사고별 행동패턴모델을 생성 및 저장한 후, 상기 데이터 수집 장치로부터 실시간으로 전달되는 정보로부터 상기 정보에 대응된 실시간 행동패턴을 도출하고, 상기 실시간 행동패턴을 상기 사고별 행동패턴모델들과 비교하여 적어도 하나의 사고 발생을 예측하는 서버장치를 포함하되,
상기 서버장치는
제한된 영역에 통제된 다수의 사람들 사이에 발생 가능한 적어도 하나의 사고별로, 상기 적어도 하나의 사고 발생 시 해당 영역 내부의 환경 변화 정보 및 환경 정보들을 표준화한 사고별 행동패턴모델을 생성 및 저장한 후, 상기 사고별 행동패턴모델과 상기 실시간 행동패턴의 유사도를 분석하고, 상기 유사도 분석 결과에 의거하여 사고를 예측하고,
상기 서버장치는
대응된 환경정보를 포함하는 과거의 사고 데이터들을 취득하고, 상기 과거의 사고 데이터들 각각에 대하여, 사고와 환경 정보간의 연관관계를 도출한 후, 환경 정보별로 발생 빈도가 높은 적어도 하나의 사고들이 매칭된 환경 정보별 사고발생 리스트를 생성하고, 외부 장치로부터 실시간 환경 정보가 수신되면, 상기 환경 정보별 사고발생 리스트로부터 상기 실시간 환경 정보에 매칭된 사고 종류를 도출하여 상기 도출된 사고의 발생을 예측하고,
상기 서버장치는
제한된 영역에 통제된 다수의 사람들 모두에 대하여 개인별 범죄 이력 정보를 저장하고, 상기 개인별 범죄 이력 정보에 기초하여, 상기 예측된 사고에 대한 개인별 사고발생 예상지수를 산출하고, 상기 개인별 사고발생 예상지수를 상기 서버장치와 통신망으로 연결된 관리자 단말장치로 전달하는 것을 특징으로 하는 행동 패턴 분석을 통한 사고방지 시스템.a data collection device for detecting movement information and environment information of a plurality of people in a specific area; and
As movement information of people that can be expressed when at least one accident that may occur between a plurality of people occurs, past accident data including pre-produced movement information and corresponding environmental information are learned in advance for each accident, and behavior patterns for each accident After the model is created and stored, a real-time behavior pattern corresponding to the information is derived from the information transmitted in real time from the data collection device, and the real-time behavior pattern is compared with the behavior pattern models for each incident to determine at least one accident. Including a server device to predict the occurrence,
The server device
For each at least one accident that can occur among a plurality of people controlled in a limited area, when the at least one accident occurs, after generating and storing a behavioral pattern model for each accident that standardizes environmental change information and environmental information in the corresponding area, analyzing the similarity between the behavior pattern model for each accident and the real-time behavior pattern, predicting an accident based on the similarity analysis result,
The server device
After acquiring past accident data including the corresponding environmental information, and deriving a correlation between the accident and environmental information for each of the past accident data, at least one accident with a high frequency of occurrence for each environmental information is matched Generates an accident occurrence list for each environmental information that has been created, and when real-time environmental information is received from an external device, the accident type matched to the real-time environmental information is derived from the accident occurrence list by environmental information to predict the occurrence of the derived accident, ,
The server device
Storing individual crime history information for all of a plurality of people controlled in a limited area, calculating an individual accident occurrence index for the predicted accident based on the individual crime history information, and calculating the individual accident occurrence prediction index Accident prevention system through behavioral pattern analysis, characterized in that the transfer to the manager terminal device connected to the server device and the communication network. 제1항에 있어서, 상기 데이터 수집장치는
착용 가능한 형태로 구현되어 착용자의 움직임 정보, 생체정보 및 위치 정보를 수집하는 웨어러블 장치;
실내의 지정 위치에 설치되어 상기 웨어러블 장치의 위치를 측정하기 위한 신호를 수발신하는 실내 측위 단말장치; 및
실내/외 지정 위치에 설치되어 대응된 영역의 영상 데이터를 수집하는 카메라 장치를 포함하는 것을 특징으로 하는 행동 패턴 분석을 통한 사고 방지 시스템.According to claim 1, wherein the data collection device
a wearable device implemented in a wearable form to collect wearer's movement information, biometric information, and location information;
an indoor positioning terminal device installed at a designated location in the room to receive and transmit a signal for measuring the location of the wearable device; and
Accident prevention system through behavioral pattern analysis, characterized in that it includes a camera device installed at indoor/outdoor designated locations to collect image data of the corresponding area. 제2항에 있어서, 상기 웨어러블 장치는
착용자의 움직임 정보, 생체정보 및 위치 정보를 수집하는 데이터 수집부;
상기 데이터 수집부에서 수집된 정보들을 분석하여 착용자의 폭행 여부를 결정하는 폭행 패턴 분류장치;
상기 실내 측위 단말장치와의 초광대역(UWB) 통신 인터페이스를 제공하되, 상기 웨어러블 장치의 위치를 측정하기 위한 신호를 수발신하고 상기 신호 정보에 의거하여 상기 웨어러블 장치의 위치를 측정하는 초광대역(UWB) 통신 장치; 및
상기 서버장치와의 무선통신 인터페이스를 제공하는 와이파이(WiFi) 통신장치를 포함하는 것을 특징으로 하는 행동 패턴 분석을 통한 사고방지 시스템.According to claim 2, wherein the wearable device
a data collection unit for collecting wearer's movement information, biometric information, and location information;
an assault pattern classification device that analyzes the information collected by the data collection unit to determine whether the wearer is assaulted;
Providing an ultra-wideband (UWB) communication interface with the indoor positioning terminal device, receiving and transmitting a signal for measuring the location of the wearable device, and measuring the location of the wearable device based on the signal information Ultra-wideband (UWB) communication device; and
Accident prevention system through behavior pattern analysis, characterized in that it comprises a Wi-Fi communication device that provides a wireless communication interface with the server device. 제3항에 있어서, 상기 폭행 패턴 분류 장치는
경험모드분해를 이용하여 관성측정장치(IMU)에서 수집된 신호에 대한 내재모드함수(Intrinsic Mode Function, IMF)를 생성하고, 상기 내재모드함수(IMF)로부터 행동에 대한 특징을 추출한 후, 상기 행동에 대한 특징을 분류하여 폭행 여부를 결정하는 것을 특징으로 하는 행동 패턴 분석을 통한 사고방지 시스템.According to claim 3, wherein the assault pattern classification device
After generating an intrinsic mode function (IMF) for the signal collected from the inertial measurement unit (IMU) using empirical mode decomposition, and extracting the behavioral features from the intrinsic mode function (IMF), the behavior Accident prevention system through behavioral pattern analysis, characterized in that it is determined whether or not to be assaulted by classifying the characteristics of 제1항에 있어서, 상기 데이터 수집장치는
실내의 지정 위치에 설치되어 특정 영역 내부로 방사된 레이더 주파수에 의해 해당 영역에 위치하는 사람들의 움직임 정보 및 해당 영역의 온/습도를 포함하는 환경정보를 수집하는 모션 센서로 구성된 것을 특징으로 하는 행동 패턴 분석을 통한 사고방지 시스템.According to claim 1, wherein the data collection device
An action characterized in that it is installed at a designated location indoors and consists of a motion sensor that collects environmental information including temperature/humidity of the area and movement information of people located in the area by the radar frequency radiated into the area Accident prevention system through pattern analysis. 제1항에 있어서, 상기 서버장치는
상기 유사도 분석 결과로 얻어진 유사도 차이를 패턴화하여 새로운 행동패턴모델을 추가하는 것을 특징으로 하는 행동 패턴 분석을 통한 사고방지 시스템.According to claim 1, wherein the server device
Accident prevention system through behavior pattern analysis, characterized in that adding a new behavior pattern model by patterning the similarity difference obtained as a result of the similarity analysis. 삭제delete 제1항에 있어서, 상기 환경 정보는
사람의 심리 또는 행동에 영향을 줄 수 있는 기후 데이터를 포함하는 것을 특징으로 하는 행동 패턴 분석을 통한 사고방지 시스템.According to claim 1, wherein the environment information
Accident prevention system through behavioral pattern analysis, characterized in that it includes climate data that can affect human psychology or behavior. 삭제delete 제1항에 있어서, 상기 서버장치는
상기 개인별 사고발생 예상지수가 미리 설정된 소정값 이상인 경우,
대응된 사람이 착용한 웨어러블 장치를 식별한 후, 웨어러블 장치로 사고를 예방하기 위한 알람 신호를 전송하는 것을 특징으로 하는 행동 패턴 분석을 통한 사고방지 시스템.According to claim 1, wherein the server device
If the individual accident occurrence prediction index is greater than or equal to a predetermined value,
After identifying the wearable device worn by the corresponding person, the accident prevention system through behavioral pattern analysis, characterized in that transmitting an alarm signal to prevent accidents to the wearable device. 삭제delete 삭제delete 삭제delete 삭제delete 삭제delete 삭제delete 삭제delete
KR1020200133672A 2020-10-15 2020-10-15 System and method for preventing accidents through behavior pattern analysis KR102292473B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200133672A KR102292473B1 (en) 2020-10-15 2020-10-15 System and method for preventing accidents through behavior pattern analysis

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200133672A KR102292473B1 (en) 2020-10-15 2020-10-15 System and method for preventing accidents through behavior pattern analysis

Publications (1)

Publication Number Publication Date
KR102292473B1 true KR102292473B1 (en) 2021-08-23

Family

ID=77499404

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200133672A KR102292473B1 (en) 2020-10-15 2020-10-15 System and method for preventing accidents through behavior pattern analysis

Country Status (1)

Country Link
KR (1) KR102292473B1 (en)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102616921B1 (en) * 2022-12-27 2023-12-27 주식회사 베스트디지탈 Method for predicting dangerous situation based on ai and system thereof

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160120482A (en) * 2015-04-08 2016-10-18 삼성에스디에스 주식회사 System and method for predicting user behavior using bio-signal
KR20180013022A (en) * 2016-07-28 2018-02-07 주식회사 바이오브레인 Child care system based on wearable device system using biometric sensor and beacon technology
KR20200039279A (en) 2018-10-05 2020-04-16 정헌 Violence Preventing System
KR20200056634A (en) * 2018-11-15 2020-05-25 (주)아이하트 Care Service Control System for Elderly People Using UWB Rader Sensor and AI

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160120482A (en) * 2015-04-08 2016-10-18 삼성에스디에스 주식회사 System and method for predicting user behavior using bio-signal
KR20180013022A (en) * 2016-07-28 2018-02-07 주식회사 바이오브레인 Child care system based on wearable device system using biometric sensor and beacon technology
KR20200039279A (en) 2018-10-05 2020-04-16 정헌 Violence Preventing System
KR20200056634A (en) * 2018-11-15 2020-05-25 (주)아이하트 Care Service Control System for Elderly People Using UWB Rader Sensor and AI

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102616921B1 (en) * 2022-12-27 2023-12-27 주식회사 베스트디지탈 Method for predicting dangerous situation based on ai and system thereof

Similar Documents

Publication Publication Date Title
US10963681B2 (en) Face concealment detection
CN108734055B (en) Abnormal person detection method, device and system
Krause et al. Unsupervised, Dynamic Identification of Physiological and Activity Context in Wearable Computing.
CN112716474A (en) Non-contact sleep state monitoring method and system based on biological microwave radar
JP2009134590A (en) Action identification system, action identification method, optimum sensor set determination method and optimum parameter determination method
WO2019084312A1 (en) A system for worker monitoring and safety
De Paola et al. User detection through multi-sensor fusion in an AmI scenario
US11935297B2 (en) Item monitoring for doorbell cameras
Ding et al. Energy efficient human activity recognition using wearable sensors
US20210092219A1 (en) Apparatus and control method for recommending do-not-disturb mode based on context-awareness
Salem et al. Markov models for anomaly detection in wireless body area networks for secure health monitoring
KR102292473B1 (en) System and method for preventing accidents through behavior pattern analysis
CN116564561A (en) Intelligent voice nursing system and nursing method based on physiological and emotion characteristics
Dhanraj et al. Efficient smartphone-based human activity recognition using convolutional neural network
Muthukumar et al. A novel hybrid deep learning model for activity detection using wide-angle low-resolution infrared array sensor
Uslu et al. Human activity monitoring with wearable sensors and hybrid classifiers
Lin et al. Adaptive multi-modal fusion framework for activity monitoring of people with mobility disability
Parmar et al. A Comprehensive Survey of Various Approaches on Human Fall Detection for Elderly People
Tabbakha et al. A wearable device for machine learning based elderly's activity tracking and indoor location system
Sarkar et al. Application on Pervasive Computing in Healthcare –A Review
Matos-Carvalho et al. Sensitivity analysis of lstm networks for fall detection wearable sensors
Sun et al. Ada-automatic detection of alcohol usage for mobile ambulatory assessment
US20220101066A1 (en) Reducing false detections for night vision cameras
Kaudki et al. IOT enabled human fall detection using accelerometer and RFID technology
Liu et al. MCTN: A Multi-Channel Temporal Network for Wearable Fall Prediction

Legal Events

Date Code Title Description
AMND Amendment
AMND Amendment
AMND Amendment
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant