KR102337861B1 - 리드 타임을 고려한 낙상 감지 장치 및 그 방법 - Google Patents

리드 타임을 고려한 낙상 감지 장치 및 그 방법 Download PDF

Info

Publication number
KR102337861B1
KR102337861B1 KR1020200001312A KR20200001312A KR102337861B1 KR 102337861 B1 KR102337861 B1 KR 102337861B1 KR 1020200001312 A KR1020200001312 A KR 1020200001312A KR 20200001312 A KR20200001312 A KR 20200001312A KR 102337861 B1 KR102337861 B1 KR 102337861B1
Authority
KR
South Korea
Prior art keywords
fall
lead time
model
neural network
artificial neural
Prior art date
Application number
KR1020200001312A
Other languages
English (en)
Other versions
KR20210088151A (ko
Inventor
최안렬
Original Assignee
가톨릭관동대학교산학협력단
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 가톨릭관동대학교산학협력단 filed Critical 가톨릭관동대학교산학협력단
Priority to KR1020200001312A priority Critical patent/KR102337861B1/ko
Publication of KR20210088151A publication Critical patent/KR20210088151A/ko
Application granted granted Critical
Publication of KR102337861B1 publication Critical patent/KR102337861B1/ko

Links

Images

Classifications

    • GPHYSICS
    • G08SIGNALLING
    • G08BSIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02Alarms for ensuring the safety of persons
    • G08B21/04Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
    • G08B21/0438Sensor means for detecting
    • G08B21/0446Sensor means for detecting worn on the body to detect changes of posture, e.g. a fall, inclination, acceleration, gait
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • G06N20/10Machine learning using kernel methods, e.g. support vector machines [SVM]
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G08SIGNALLING
    • G08BSIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02Alarms for ensuring the safety of persons
    • G08B21/04Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
    • G08B21/0407Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis
    • G08B21/043Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis detecting an emergency event, e.g. a fall

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Software Systems (AREA)
  • General Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Gerontology & Geriatric Medicine (AREA)
  • Evolutionary Computation (AREA)
  • Business, Economics & Management (AREA)
  • Artificial Intelligence (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Emergency Management (AREA)
  • Mathematical Physics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Psychiatry (AREA)
  • Psychology (AREA)
  • Social Psychology (AREA)
  • Computational Linguistics (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

낙상 예방을 위한 충분한 동작 시간을 확보하기 위해 리드 타임을 고려한 낙상 감지 장치가 제공된다.
본 발명에 따른 낙상 감지 장치는, 관성 센서로부터 가속도 또는 각속도 중 적어도 하나를 수신하는 가속도 및 각속도 신호 수신부와, 리드 타임에 따른 낙상 예측 정확도를 제공하는 인공 신경망 모델과 분류 모델의 분류에 따라 낙상 감지를 수행하는 인공 신경망 모델 엔진을 포함하며, 상기 인공 신경망 모델은, 낙상 예측 정확도의 최소값, 최대값, 평균값, 리드 타임과 낙상 예측 정확도의 선형 회귀 모델의 기울기 및 r-제곱값 중 적어도 하나의 평가 기준으로 이용하여 성능이 평가된다.

Description

리드 타임을 고려한 낙상 감지 장치 및 그 방법{APPARATUS FOR FALL PREDICTION USING LEAD TIME AND METHOD THEREOF}
본 발명은 낙상 감지 장치 및 그 방법에 관한 것이다. 더욱 구체적으로, 낙상을 사전에 감지하여 낙상 예방 장치를 더 빨리 구동하여 낙상으로부터 환자를 보호가능한 장치 및 그 방법에 관한 것이다. 본 발명은 낙상을 사전에 더 빨리 감지하기 위하여 리드타임을 고려한 낙상 감지 모형을 설정하고 인공 지능망 및 머신 런닝 분류기를 이용하여 그 성능을 평가하고 향상시킨다.
낙상은 부주의로 인해 인체의 무게중심이 무너지면서 지면을 향해 빠르게 낙하하는 것을 의미하며, 이 후 회복이 불가능한 상태가 되는 것을 의미한다. 세계 보건 기구 (WHO)에 따르면 매년 70세 이상 노인의 32%가 낙상을 경험하고 있으며, 미국에서는 65세 이상의 노령층에서 30% 이상이 1년에 적어도 1회 이상의 낙상 사고가 발생하는 것으로 보고되었다.
일반적으로 낙상은 기초 체력, 자세 조절 및 균형 유지 능력의 저하로 인하여 발생하는 것으로 알려져 있으며, 사고 발생 시 고관절 등의 부상으로 이어져 많은 고통과 오랜 기간의 입원으로 인한 후유증 등을 주기도 한다.
노인의 경우에는 고령화로 인하여 하지 근력의 퇴화, 관절 가동 범위의 제한 및 인지 장애 등이 발생하며, 저하된 균형 능력이 낙상으로 이어지기도 한다. 특히, 낙상 상황 발생 후 장시간 바닥에 머무르는 'long-lie' 상태는 탈수, 출혈, 생리 및 심리적 불안감을 초래하며, 이를 경험한 환자의 절반은 6개월 내에 사망할 확률이 매우 높은 것으로 나타났다 (De Backere et al. 2015).
따라서, 고령 사회에서 낙상 사고 발생 전 상황을 예측하여 적절하게 대처하는 것은 중요한 사회적 이슈가 되고 있다.
낙상 상황은 시간에 따라 낙상 전단계(Pre-fall phase), 충격 단계(Critical phase), 낙상후 단계(Post-fall phase) 및 회복 단계(Recovery phase)의 4단계로 구분할 수 있다). 그 중 충격 단계(Critical phase)는 인체 무게 중심이 갑자기 지면으로 향하는 시점부터 바닥에 부딪혀 수직 충격을 받은 후 움직임이 미비한 상황까지의 짧은 과정을 나타낸다. 특히, 충격 단계 내에서 사전에 낙상을 예측한 시점부터 충격까지의 과정을 리드타임(Lead time)으로 정의된다.
낙상 감지 시스템의 관점에서 리드 타임 확보가 부상 방지를 위한 중요한 파라미터로 간주된다. 사전 낙상 예측 센싱 장치와 연동된 에어백 피드백 시스템은 낙상 상황 예측 후 충격이 발생하기 전까지 공기의 팽창 과정이 수행되며, 공기의 팽창 시간이 충분히 확보되지 않으면 인체 체절의 부상으로 직결될 수 있다.
또한, 충분한 리드 타임은 RSEA(Rotary series elastic actuator)와 외골격 로봇 시스템의 연동을 통하여 관절 모터의 토크를 제어할 수 있는 시간을 확보할 수 있으며, 이는 지지면으로부터 무너진 인체 무게 중심을 회복할 수 있도록 도와준다.
이렇듯, 완전한 사전 낙상 예측 시스템은 단순한 충격의 사전 감지뿐만 아니라 그에 따른 적절한 피드백을 줄 수 있는 장치까지 결합되어 인체 부상을 방지할 수 있어야 하며, 따라서 리드타임을 충분히 확보할 수 있어야 이러한 문제를 직접적으로 해결할 수 있다.
낙상을 사전에 예측하기 위하여 카메라, 착용형 센서 및 스마트폰과 같은 다양한 하드웨어 장치와 신호의 임계치 및 인공지능 알고리즘을 활용하는 연구가 수행되어 왔다 (Kangas et al., 2009; Pierloeni et al., 2015). 최근 연구에서는 낙상 상황에 대한 개별적 및 능동적 대처를 위하여 착용형 관성센서가 주로 사용된다 (Serpen & Khan, 2018; Hemmatpour et al., 2019). 관성 센서는 작은 사이즈의 빠른 데이터 처리 능력, 저전력 및 저가의 센서로서 다른 시스템에 연동이 용이하다는 장점이 있다.
또한, 사전 낙상 예측 알고리즘의 경우에는 정확도를 높이기 위하여 머신 러닝학습 기법을 적용한 연구가 최근 주를 이루고 있다. 2014년 Tong 등의 저자인 논문은 히든 마르코프(Hidden Markov) 학습모델을 적용하여 낙상의 감지를 시도하였다. 모델의 입력으로는 관성 센서의 가속도 신호를 활용하였으며, 모델의 성능은 민감도 100%와 특이도 88.7%의 결과를 도출하였다. Aziz 등 저자인 논문(2014)도 Tong 등과의 유사한 연구를 수행하였으며, 모델의 정확도는 최소 90%이상으로 나타났다.
그러나, 기존의 낙상 상황을 사전에 예측을 위한 연구는 정확도를 향상시키는 목적이 초점이 되어왔다. 하지만, 낙상 사전 예측 모델은 앞서 언급한 내용과 같이 피드백 시스템이 연동되어야 인체 부상 방지의 완전한 시스템 역할을 수행할 수 있으며, 이러한 측면에서 정확한 감지 뿐만 아니라 충분한 리드 타임의 확보가 매우 중요한 요소이다.
특히, 피드백 시스템의 일종인 보호 장치마다 작동 시간이 다르게 나타나기 때문에 (예: 에어 자켓 작동시간: 0.121초, 외골격 장치 작동 시간: 0.25 초), 리드타임에 따른 모델의 정확도 정보는 완전한 낙상 예측 시스템에 대한 설계 인자로 사용될 수 있다.
그러나, 리드 타임과 감지 정확도 간의 연관성에 대하여 연구된 사례가 존재하지 않으며, 특히 리드타임을 독립변수로 낙상 감지 모델을 평가 및 개발된 바가 없다. 이는 리드 타임에 따른 낙상 감지 방법을 평가할 수 있는 파라미터와 모델이 존재하지 않았기 때문이다.
따라서, 동작성이 충분한 낙상 예방 장치를 제공하기 위해서, 리드 타임이라는 새로운 인자를 고려하여 낙상 사전 예측 모델을 구현하고, 이에 대한 성능 평가할 수 있는 모형의 개발이 필요하다.
본 발명이 이루고자 하는 기술적 과제는 리드 타임을 고려한 낙상 예측 모델로부터 충분한 동작 시간을 확보 가능한 낙상 감지 장치 및 낙상 감지 방법을 제공하는 것이다. 또한, 본 발명은 낙상 예측 모델의 분류 별로 성능을 평가 가능한 평가 기준을 제공하여 리드 타임을 고려하면서도 더 정확한 낙상 감지를 제공하는 것이다.
본 발명이 일 측면에 따른 리드타임을 고려한 낙상 감지 장치는, 관성 센서로부터 가속도 또는 각속도 중 적어도 하나를 수신하는 가속도 및 각속도 신호 수신부와, 리드 타임에 따른 낙상 예측 정확도를 제공하는 인공 신경망 모델과 분류 모델의 분류에 따라 낙상 감지를 수행하는 인공 신경망 모델 엔진을 포함하며, 상기 인공 신경망 모델은, 낙상 예측 정확도의 최소값, 최대값, 평균값, 리드 타임과 낙상 예측 정확도의 선형 회귀 모델의 기울기 및 r-제곱값 중 적어도 하나의 평가 기준으로 이용하여 성능이 평가될 수 있다.
여기서, 상기 인공 신경망 모델은 SVM (Support Vector Machine), RF(Random Forest), ANN(Artificial Neuron Network) 중 적어도 하나의 지도 학습 머신 러닝 분류기가 이용될 수 있다.
또한, 상기 분류 모델은 낙상과 비낙상을 구분하는 이진 분류기와 낙상과 적어도 하나의 일상 동작을 구분하는 멀티클래스 분류기 중 적어도 하나를 이용한다.
또한, 상기 지도 학습 머신 러닝 분류기의 선형 회귀 모델의 교차점의 리드 타임 또는 상기 교차점에 대응하는 낙상 예측 정확도를 평가 기준으로 이용하여 성능이 평가될 수 있다.
또한, 상기 낙상 감지 장치는, 낙상으로부터 사용자를 보호하는 낙상 예방 동작 모듈과, 상기 인공 신경망 모델 엔진의 출력에 응답하여 낙상 예방 동작 모듈의 동작 시간을 설정하는 동작 시간 설정부를 더 포함할 수 있다.
본 발명의 다른 측면을 따른 리드 타임을 고려한 낙상 감지 방법은, 관성 센서로부터 가속도 또는 각속도 중 적어도 하나를 수신하는 단계와, 리드 타임에 따른 낙상 예측 정확도를 제공하는 단계를 포함하며, 상기 인공 신경망 모델은, 낙상 예측 모델을 설정하는 단계와 지도 학습 머신 러닝 분류기 중 미리 정해진 평가 기준을 통해 결정된 최적 분류 모델을 설정하는 단계를 통해 구축될 수 있다.
본 발명의 실시예에 따르면, 리드 타임을 고려하여 구현된 낙상 사전 예측 모델을 성능 평가를 가능한 모형을 제공함으로써, 리드 타임과 낙상 감지의 정확도에 관계를 제공할 수 있다.
또한, 리드 타임과 낙상 감지 정확도를 기반으로 충분한 리드 타임을 확보한 낙상 사전 예측 모델을 제공할 수 있다.
이러한 낙상 사전 예측 모델은 낙상 예방 장치에 적용되는 경우에는 낙상 전에 충분한 미리 낙상 예방 작동을 수행함으로써 환자들을 낙상의 피해로부터 보호할 수 있다.
본 발명의 효과는 상기한 효과로 한정되는 것은 아니며, 본 발명의 상세한 설명 또는 특허청구범위에 기재된 발명의 구성으로부터 추론 가능한 모든 효과를 포함하는 것으로 이해되어야 한다.
도 1은 낙상의 단계별 상태를 도시한 도면이다.
도 2는 본 발명의 실시예에 따른 낙상 예측 모델을 도시한 도면이다.
도 3은 본 발명의 실시예에 따른 낙상 감지 환경을 도시한 도면이다.
도 4는 본 발명의 실시예에 따른 리드 타임을 고려한 낙상 감지 모델을 설정하는 방법을 도시한 도면이다.
도 5는 본 발명의 실시예에 따른 낙상 감지 방법에 이용되는 인공 신경망 모델을 구축하는 방법을 도시한 도면이다.
도 6은 본 발명의 실시예에 따른 낙상 예방 장치의 구성을 도시한 블록도이다.
도 7 내지 도 9는 본 발명의 실시예에 따른 인공 신경망 낙상 감지 모델의 성능을 도시한 그래프도이다.
이하에서는 첨부한 도면을 참조하여 본 발명을 설명하기로 한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 따라서 여기에서 설명하는 실시예로 한정되는 것은 아니다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결(접속, 접촉, 결합)"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 부재를 사이에 두고 "간접적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 구비할 수 있다는 것을 의미한다.
본 명세서에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
이하 첨부된 도면을 참고하여 본 발명의 실시예를 상세히 설명하기로 한다.
도 1은 낙상의 단계별 상태를 도시한 도면이다.
전술한 바와 같이 활동 중 낙상은, 낙상 전단계(Pre-fall phase), 충격 단계(Critical phase), 낙상후 단계(Post-fall phase) 및 회복 단계(Recovery phase)의 4가지로 나눠질 수 있다.
낙상이 발생하여 종료되는 전체 단계에 있어서, 신체에 부착된 관성 센서의 관성 신호(예를 들어, 3축 가속도 또는 각속도)의 변화가 그래프 하단의 y축에 도시되어 있다.
여기서, 충격 단계를 시작하는 점을 낙상 시작점(S), 낙상 감지 장치가 낙상을 검출하는 지점을 낙상 감지점(D), 낙상에 의한 신체에 강한 충격이 발생하는 충격점(I), 충격 상태가 종료하여 신체의 움직임이 없는 충격 종료점(E)으로 정의할 수 있다.
이 때, 낙상 감지점(D)부터 충격점(I)까지의 시간을 리드 타임(LT)로 정의한다. 도 1에 도시된 바와 같이, 낙상 시작점(S)와 충격점(I) 사이의 시간이 고정되어 있다면, 리드 타임(L)이 길수록 낙상 사전 예방 장치가 충분한 동작 시간을 확보할 수 있다.
그러나 전술한 바와 같이, 리드 타임(LT)를 독립 변수로 한 낙상 감지 솔루션은 존재하지 않았기 때문에, 본 발명은 리드 타임을 고려한 낙상 예측 모델을 설정하고 그 성능을 평가하기로 한다.
도 2는 본 발명의 실시예에 따른 낙상 예측 모델을 도시한 도면이다.
도 1에서 도시한 바와 같이, 낙상 시작점(S)와 충격점(I)사이의 낙상 감지점(D)의 결정에 따라 리드 타임이 결정된다. 낙상 감지점(D)를 리드타임 포인트로 정의하면 x축에서 리드 타임을 스텝단위로 변화시키는 것이 가능하다.
낙상 예측 정확도를 y축의 성능값으로 하고 선형 회귀분석 모델은 상이한 두 가지 분류기(classifier 1, classifier 2)를 적용할 수 있다. 상기 분류기는 지도 학습형 머신러닝 분류기(supervised machine learning classifier)가 사용될 수 있다.
도 2에서는 9개의 리드타임 포인트를 설정하고 그에 따른 낙상 예측 정확도를 성능으로 도시하고 있다. 도 2에 도시된 결과를 참조하여 리드 타임에 따른 낙상 예측 모델을 평가하는 평가 기준을 결정할 수 있다.
이용 가능한 평가 기준으로는, 일반 평가 기준 GEC (General Evaluation Criterion)과 비교 평가 기준 REC (Relative Evaluation Criterion)의 두 그룹으로 설정 가능하다.
일반 평가 기준은 모델의 성능의 최소/최대값, 평균값을 포함할 수 있다. 비교 평가 기준은 두 개의 분류기의 교차점의 리드타임 포인트 또는 교차점의 낙상 예측 성능 값이 될 수 있다.
전술한 평가 기준을 이용하여 리드 타임을 고려한 낙상 감지 모델의 성능을 검증하여, 인공 신경망 또는 머신 러닝을 적용한 낙상 감지 솔루션을 제공할 수 있다.
도 3은 본 발명의 실시예에 따른 낙상 감지 환경을 도시한 도면이다.
행동 감지 장치(100)는 관성 센서(IMU 센서,110), 배터리(120), 통신 모듈(130), 마이크로 컨트롤러 유닛(MCU, 140)을 포함하다. 행동 감지 장치(100)는 환자나 피험자의 요추 또는 장골 부분에 장착되어, 관성 센서(110)를 이용하여 보행이나 행동 중의 3축 가속도 또는 3축 각속도를 측정한다.
측정된 가속도 및 각속도 신호는 마이크로 컨트롤러 유닛(140)의 제어하에 미리 정해진 알고리즘에 의해 낙상 감지 예측 모델의 성능 데이터 또는 낙상 감지의 결과값을 출력할 수 있다. 낙상 감지의 결과값은 미리 정해진 인공 신경망 모델에 의해 산출된 값일 수 있으며, 자세한 사항은 후술하기로 한다.
처리된 가속도 및 각속도 신호는 블루투스와 같은 근거리 또는 개인 영역 통신 모듈을 통하여 사용자 장치(200,300)에 전송되어 미리 정해진 사용자 인터페이스를 통해 사용자에게 해당 정보를 디스플레이 할 수 있다.
본 발명의 또 다른 실시예에서는 낙상 예측 모델의 성능 데이터 산출 또는 낙상 감지 결과값을 산출하는 알고리즘은 사용자 장치(200,300)에 저장될 수 있으며, 이 때는 행동 감지 장치(100)은 가속도 또는 각속도의 raw data 만을 통신 모듈(130)을 통해 전송하게 된다.
우선 낙상 예측 모델의 설정과 성능 평가 기준에 대해 구체적인 정량 분석 실시예에 대해 설명한다.
우선 성별, 연령, 키, 체중이 소정 범위에 포함되는 환자가 아닌 건강한 피험자를 대상으로 행동 감지 장치(100)을 장착하게 한다.
검증 대상 행동은 일상 동작(ADL; Active daily living)을 모방하는 프로토콜로 설정한다. 예를 들어, 17개의 일상 동작과 10개의 낙상 동작을 포함하는 27개의 프로토콜을 설정할 수 있다. 일상 동작은 서기, 앞으로 눕기, 뒤로 눕기, 앉기, 걷기, 점프 등등으로 설정할 수 있으며, 낙상 동작은 팔꿈치를 짚으며 넘어지기, 엉덩 방아, 앞으로 넘어지기, 뒤로 넘어지기 등등으로 설정할 수 있다.
각각의 검증 대상 행동은 속도, 시간, 방향 등에 대한 특징값을 미리 설정하여 모델 검증에 활용할 수 있다.
다수의 피험자를 대상으로 리드 타임과 더불어, 가속도 및 각속도 신호를 수집하게 되면 미리 정해진 인공 신경망 모델을 적용하여 전술한 일반 평가 기준 및 비교 평가 기준을 이용하여 모델의 성능을 검증하게 된다.
도 4는 본 발명의 실시예에 따른 리드 타임을 고려한 낙상 감지 모델을 설정하는 방법을 도시한 도면이다.
단계(S110)에서, 행동 감지 장치(100)으로부터 가속 및 각속도 신호를 수집하게 된다. 전술한 바와 같이 실험 프로토콜의 27개의 행동에 관한 다수의 피험자를 상대로한 데이터가 수집될 수 있다.
단계(S120)에서는 수집된 신호에서 관심 영역을 제외한 신호를 필터링할 수 있다. 예를 들어 윈도우 크기가 3 프레임인 중앙값 필터(median filter)를 이용하여 수집된 신호를 필터링할 수 있다.
일상 동작(ADL)은 낙상에 비해 차별성이 약하기 때문에 활동 지속 시간은 처음부터 끝까지 계산된다. 낙상의 경우는 활동 지속 시간은 스탠딩과 같은 이전 활동 직후 시작되고 충격 지점에서 종료되도록 설정될 수 있다.
필터링된 가속도 및 각속도 신호는 활동별 라벨링을 위하여 분할된다(S130). 예를 들어, 일상 동작 및 낙상의 시작과 끝을 감지하기 위해 각 데이터 세트의 샘플 데이터는 제곱근 값의 신호가 갑자기 변경되는 영역을 결정하여 세 개의 영역으로 분할 될 수 있다.
각각의 행동에 대한 신호의 수집, 필터링, 라벨링을 위한 분할이 되면 리드 타임별 세분화를 위한 윈도우 슬라이딩을 수행한다(S140). 예를 들어, 분류기의 입력 벡터로 크기가 4이고 중첩 창이 50 % 인 슬라이딩 윈도우가 사용될 수 있다.
단계(S150, S160)에서는 용도에 따라 상이하게 설정된 분류기에 의해 라벨링된다. 예를 들어, 이진 부류의 경우에는 낙상과 비낙상 동작으로 분류되고, 이진 분류하여 라벨링한다. 멀티 클래스의 경우에는 일상 동작 17개와 낙상 동작 1개로 총18개로 분류하여 라벨링할 수 있다.
단계(S170)은 전술한 단계에 따라 가공 및 라벨링 된 데이터를 인공 신경망의 훈련에 사용 가능한 데이터 구조로서 저장 수집한다.
도 5는 본 발명의 실시예에 따른 낙상 감지 방법에 이용되는 인공 신경망 모델을 구축하는 방법을 도시한 도면이다.
단계(S210)에서는 수집된 훈련 데이터를 이용하여 하이퍼 파라메터를 최적화한다.
예를 들어, 본 발명의 실시예에서 사용되는 인공 신경망 모델은, SVM (Support Vector Machine), RF(Random Forest), ANN(Artificial Neuron Network) 3가지의 지도 학습 머신 러닝 분류기(supervised machine learning classifier)가 적용될 수 있다. 이 때, 머신러닝 분류기의 하이퍼 파라메터는 이하의 표 1와 같이 설정될 수 있다.
Figure 112020001049347-pat00001
단계(S220)에서는 낙상 예측 모델을 설정한다. 예를 들어, 낙상 예측 모델은 리드 타임의 증가에 따라 활동의 시작점에서 이진 분류, 특징 선택에 따른 이진 분류, 다중 클래스 분류 3가지 모델로 분류하여 설정할 수 있다.
단계(S230)은 설정된 낙상 예측 모델의 최적 파라메터를 설정한다.
낙상 예측 모델의 파라메터는 전술한 일반 평가 기준 5개 (최소값, 최대값, 평균값, 기울기, r- 제곱값)과 비교 평가 기준 2개 (교차점의 리드 타임 포인트, 교차점의 성능 정확도) 중에서 설정될 수 있다.
단계(S240)은 분류기 별로 최적 분류 모델을 설정한다.
낙상 예측 모델과 최적 파라메터가 결정되면, 파라메터 값에 따라 상황과 용도에 따른 최적 분류 모델을 설정하게 된다. 머신 러닝 분류기별 분류 모델에 대한 다양한 실시예는 도 7 내지 도9를 참조하여 후술한다.
전술한 단계를 수행하여 검증 및 학습된 인공 신경망 모델은 단계(S250)에서 결과 값을 출력하게 되고, 출력된 결과값은 추가의 검증과 학습에 이용되거나 낙상 예방 장치에 직접 적용될 수 있다.
도 6은 본 발명의 실시예에 따른 낙상 예방 장치의 구성을 도시한 블록도이다.
낙상 예방 장치(200)은 가속도 및 각속도 신호 수신부(210), 인공신경망 모델 엔진(220), 동작 시간 설정부(230), 낙상 예방 모듈 제어부(240), 낙상 예방 동작 모듈(250)을 포함한다.
가속도 및 각속도 신호 수신부(210)는 행동 감지 장치(100) 또는 별도의 관성 센서으로부터 가속도 및 각속도 신호를 수신한다.
수신된 가속도 및 각속도 신호는 인공 신경망 모델 엔진(220)의 입력으로 제공된다. 인공 신경망 모델 엔진(220)은 전술한 방법으로 구축된 인공 신경망 모델을 이용하여 리드타임을 포함하는 낙상 감지 결과 값을 제공한다. 인공 신경망 모델 엔진(220)은 범용의 메모리와 컨트롤러에 의해 구현될 수 있으나, 인공지능 처리 칩 형태로 일체화되어 구현될 수도 있다.
동작 시간 설정부(230)는 낙상이 감지되었을 때, 낙상 예방 동작 모듈을 언제 동작 시킬지를 설정할 수 있다. 이 때 동작시간은, 낙상 감지시에 리드 타임과 관련되며, 인공 신경망 모델 엔진(220)에 적용된 모델과 분류기에 따른 최적의 시간으로 설정될 수 있다.
동작 시간 설정부(230)의 설정값과 인공 신경망 모델 엔진(220)의 결과값에 따라 낙상 예방 모듈 제어부9250(240)은 낙상 예방 동작 모듈(250)의 동작을 제어한다.
낙상 예방 동작 모듈(250)은 낙상 감지시 환자를 낙상으로부터 보호하는 기구적 동작을 수행한다. 예를 들어, 에어 자켓 또는 외골격 로봇 등이 포함될 수 있다.
도 7 내지 도 9는 본 발명의 실시예에 따른 인공 신경망 낙상 감지 모델의 종류별로 성능을 도시한 그래프도이다.
도 7 내지 도 9는 지도 학습 머신 러닝 알고리즘을 이용하여 리드 타임을 증가 시켜 가며 다양한 실시예에 대한 낙상 감지 모델의 성능을 표시한다. 도 7 내지 도 9에 도시된 실시예는 모두 SVM (Support Vector Machine), RF(Random Forest), ANN(Artificial Neuron Network) 3가지의 머신 러닝 분류기가 적용되었다.
도 7은 위 세가지 머신 러닝 분류기가 이진 분류(낙상 vs 비낙상)로 사용된 예시이다. 도 7에서 볼 수 있듯이, RF 분류기의 정확도는 최대 89.6 %로 활동 시작부터 리드 타임 단계가 증가 할 때 (감지점이 충격점에 가까워 질 때) 세 가지 모델의 정확도가 모두 향상되는 것을 확인할 수 있다.
SVM 분류기는 2.2의 기울기로 정확도가 28.3 % 증가한 것을 확인할 수 있다. 반면, ANN 분류기는 기울기 값이 0.7 로서 SVM 분류기의 결과값의 절반 수준인 14.1 % 증가를 나타내고 있다.
SVM과 RF 분류기의 교차점 2(intersection 2)의 정확도는 8.7의 리드 타임에서 86.1 %의 정확도로 감지되며, 교차점 2 이후 SVM의 정확도가 RF보다 높은 것을 보여준다.
일반 평가 기준은 최소값, 최대값, 평균값, 기울기, r 제곱값이 선정될 수 있다. 특히, r 제곱값은 중요하게 고려해야할 요소이다. r 제곱값이 1에 가까울수록 데이터가 평균 제곱 오차가 낮다. 예를 들어, RF 분류기는 r 제곱값이 0.92로, 모델을 10 회 반복하더라도 오류가 적음을 의미한다. 이러한 신뢰성은 균일한 결과에 따라 리드 타임과 성능을 직접 적용할 수 있기 때문에, 낙상감지 모델을 실제 환경에 적용할 때 매우 중요하다.
도 8은 세가지 머신 러닝 분류기가 특징 (feature) 선택이 이뤄진 이진 분류(낙상 vs 비낙상)로 사용된 예시이다. 특징 선택이 이뤄진 경우에는 SVM과 RF 분류기의 경우에는 교차점(intersection 1)이 존재하지만, ANN과 SVM 및 RF 사이에는 교차점이 없는 것을 확인할 수 있다. 성능의 기울기는 완만하고 평균값은 높지만, 최대값과 r 제곱값은 상대적으로 낮은 것으로 확인 가능하다.
도 9는 세가지 머신 러닝 분류기가 멀티 클래스 분류(낙상 vs 일상 동작)로 사용된 예시이다. 전술한 이진 분류에 비해, 최소, 최대, 평균값이 낮은 것을 확인할 수 있다. 이는 낙상vs 비낙성의 이진 분류보다 더 많은 출력의 정확도를 요구하기 때문이다.
도 7 내지 도 9의 성능 평가 기준에 대해 요약하면 이하의 표2와 같다.
이진 분류
(average ± std)
특징 선택 이진 분류
(average ± std)
멀티 클래스
(average ± std)
일반 평가 기준 최소값(%) 70.04 ± 5.83 78.51 ± 0.64 43.75 ± 7.09
최대값 (%) 88.11 ±1.36 90.19 ± 1.50 68.98 ± 3.41
평균값 (%) 80.16 ±3.37 84.03 ± 0.73 59.07 ± 2.04
기울기 1.23 ±0.75 0.27 ± 0.06 1.86 ± 0.57
r-제곱값 0.85 ±0.07 0.24 ± 0.15 0.76 ± 0.12
각각의 낙상 예측 모델에 대한 비교 평가 기준은 이하와 같다
(1) 이진 분류
교차점 분류기 리드타임 포인트 정확도 (%)
1 ANN-RF 7.83 83.60
2 SVM-RF 8.71 86.14
(2) 특징 선택 이진 분류
교차점 분류기 리드타임 포인트 정확도 (%)
1 SVM-RF 5.82 84.73
(3) 멀티 클래스
교차점 분류기 리드 타임 포인트 정확도 (%)
1 RF-SVM 5.31 61.03
2 ANN-RF 8.92 64.87
전술한 바와 같이, 리드 타임을 머신 러닝 분류기로부터 낙상 사전 감지가 가능하며, 낙상의 감지가 사용되는 용도, 복잡도, 필요 사양을 고려하여 적절한 머신러닝 알고리즘을 선택 또는 조합하여 제공하는 것이 가능하다.
본 발명의 실시예에 따라 확보된, 충분한 리드타임은 낙상 예방 장치의 작동 시간을 벌어주어 부상 방지가 가능하도록 하며, 리드타임에 따른 낙상 예측 모델의 성능은 피드백 시스템에 대한 중요한 설계 인자로 제공될 수 있다.
또한 본 발명에서 제시한 5가지 일반 평가 기준과, 2가지 비교 평가 기준은 낙상 vs 비낙상의 활용 뿐 아니라 낙상 vs 기타 동작의 분류에도 유용하게 활용하는 것이 가능하다.
전술한 본 발명의 설명은 예시를 위한 것이며, 본 발명이 속하는 기술분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본 발명의 범위는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
100 : 행동 감지 장치
110 : 관성 센서
120 : 배터리
130 : 통신 모듈
140 : 마이크로 컨트롤러
200, 300 : 데이터 처리 장치

Claims (10)

  1. 리드타임을 고려한 낙상 감지 장치에 있어서,
    관성 센서로부터 가속도 또는 각속도 중 적어도 하나를 수신하는 가속도 및 각속도 신호 수신부와,
    리드 타임에 따른 낙상 예측 정확도를 제공하는 인공 신경망 모델과 분류 모델의 분류에 따라 낙상 감지를 수행하는 인공 신경망 모델 엔진과,
    낙상으로부터 사용자를 보호하는 낙상 예방 동작 모듈과,
    상기 인공 신경망 모델 엔진의 출력에 응답하여 낙상 예방 동작 모듈의 동작 시간을 설정하는 동작 시간 설정부
    를 포함하며,
    상기 인공 신경망 모델은,
    낙상 예측 정확도의 최소값, 최대값, 평균값, 리드 타임과 낙상 예측 정확도의 선형 회귀 모델의 기울기 및 r-제곱값 중 적어도 하나의 평가 기준으로 이용하여 성능이 평가되는 것인 낙상 감지 장치.
  2. 제1 항에 있어서, 상기 인공 신경망 모델은 SVM (Support Vector Machine), RF(Random Forest), ANN(Artificial Neuron Network) 중 적어도 하나의 지도 학습 머신 러닝 분류기가 이용되는 것인 낙상 감지 장치.
  3. 제1 항에 있어서, 상기 분류 모델은 낙상과 비낙상을 구분하는 이진 분류기와 낙상과 적어도 하나의 일상 동작을 구분하는 멀티클래스 분류기 중 적어도 하나를 이용하는 것인 낙상 감지 장치.
  4. 제2 항에 있어서,
    상기 지도 학습 머신 러닝 분류기의 선형 회귀 모델의 교차점의 리드 타임 또는 상기 교차점에 대응하는 낙상 예측 정확도를 평가 기준으로 이용하여 성능이 평가되는 것인 낙상 감지 장치.
  5. 삭제
  6. 리드 타임을 고려한 낙상 감지 장치를 이용한 낙상 감지 방법에 있어서,
    가속도 및 각속도 신호 수신부가 관성 센서로부터 가속도 또는 각속도 중 적어도 하나를 수신하는 단계;
    상기 낙상 감지 장치가 상기 리드 타임에 따른 낙상 예측 정확도를 제공하고 분류 모델의 분류에 따라 낙상 감지를 수행하는 인공 신경망 모델을 구축하는 단계;
    동작 시간 설정부가 상기 낙상 감지 수행 결과값이 낙상으로 판단될 경우 낙상 예방 동작 모듈의 동작 시간을 설정하는 단계; 및
    상기 낙상 예방 동작 모듈이 상기 설정된 동작 시간에 낙상으로부터 사용자를 보호하는 기구적 동작을 수행하는 단계
    를 포함하며,
    상기 인공 신경망 모델을 구축하는 단계는,
    낙상 예측 모델을 설정하는 단계와
    지도 학습 머신 러닝 분류기 중 미리 정해진 평가 기준을 통해 결정된 최적 분류 모델을 설정하는 단계를 통해 구축되며,
    상기 평가 기준은, 상기 낙상 예측 정확도의 최소값, 최대값, 평균값, 리드 타임과 낙상 예측 정확도의 선형 회귀 모델의 기울기 및 r-제곱값 중 적어도 하나가 선택되는 것인 낙상 감지 방법.
  7. 제6항에 있어서,
    상기 지도 학습 머신 러닝 분류기는 SVM (Support Vector Machine), RF(Random Forest), ANN(Artificial Neuron Network) 중 적어도 하나의 지도 학습 머신 러닝 분류기가 선택되는 것인 낙상 감지 방법.
  8. 제6항에 있어서,
    상기 낙상 예측 모델은 이진 분류, 특징 선택에 따른 이진 분류, 다중 클래스 분류 중 적어도 하나가 선택되는 것인 낙상 감지 방법.
  9. 삭제
  10. 제7 항에 있어서,
    상기 평가 기준은, 상기 지도 학습 머신 러닝 분류기의 선형 회귀 모델의 교차점의 리드 타임 또는 상기 교차점에 대응하는 낙상 예측 정확도 중 적어도 하나가 선택되는 것인 낙상 감지 방법.
KR1020200001312A 2020-01-06 2020-01-06 리드 타임을 고려한 낙상 감지 장치 및 그 방법 KR102337861B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200001312A KR102337861B1 (ko) 2020-01-06 2020-01-06 리드 타임을 고려한 낙상 감지 장치 및 그 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200001312A KR102337861B1 (ko) 2020-01-06 2020-01-06 리드 타임을 고려한 낙상 감지 장치 및 그 방법

Publications (2)

Publication Number Publication Date
KR20210088151A KR20210088151A (ko) 2021-07-14
KR102337861B1 true KR102337861B1 (ko) 2021-12-09

Family

ID=76862964

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200001312A KR102337861B1 (ko) 2020-01-06 2020-01-06 리드 타임을 고려한 낙상 감지 장치 및 그 방법

Country Status (1)

Country Link
KR (1) KR102337861B1 (ko)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102565463B1 (ko) * 2021-10-12 2023-08-10 경북대학교 산학협력단 딥러닝 기반의 낙상 감지 및 활동 인식 장치와 방법 및 이를 위한 컴퓨터 판독가능 프로그램
KR102410285B1 (ko) 2021-10-14 2022-06-22 주식회사 씨앤에이아이 Cctv 영상 데이터를 통한 낙상 사고 감지 방법 및 시스템
KR102478257B1 (ko) * 2022-01-12 2022-12-20 주식회사 에스비휴먼텍 니어―폴 동작 검출 및 이를 이용한 인공지능 기반의 솔레노이드식 인플레이터를 구비한 웨어러블 에어백 장치

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102478383B1 (ko) * 2018-04-13 2022-12-16 성균관대학교산학협력단 낙상 예측 시스템 및 그 방법

Also Published As

Publication number Publication date
KR20210088151A (ko) 2021-07-14

Similar Documents

Publication Publication Date Title
KR102337861B1 (ko) 리드 타임을 고려한 낙상 감지 장치 및 그 방법
Saadeh et al. A patient-specific single sensor IoT-based wearable fall prediction and detection system
Aziz et al. A comparison of accuracy of fall detection algorithms (threshold-based vs. machine learning) using waist-mounted tri-axial accelerometer signals from a comprehensive set of falls and non-fall trials
Doukas et al. Patient fall detection using support vector machines
CN108670261B (zh) 运动状态检测方法、可佩戴设备以及装置
Casilari-Pérez et al. A comprehensive study on the use of artificial neural networks in wearable fall detection systems
KR101196296B1 (ko) 개선된 낙상 감지 알고리즘을 이용한 응급 모니터링 시스템
Naranjo-Hernandez et al. Personalization and adaptation to the medium and context in a fall detection system
KR102478383B1 (ko) 낙상 예측 시스템 및 그 방법
Hsieh et al. A machine learning approach to fall detection algorithm using wearable sensor
Islam et al. A Review on Fall Detection Systems Using Data from Smartphone Sensors.
Shi et al. Fall Detection Algorithm Based on Triaxial Accelerometer and Magnetometer.
US20170083679A1 (en) Systems and methods for using non-medical devices to predict a health risk profile
Desai et al. A novel machine learning based wearable belt for fall detection
Ramachandran et al. Machine learning-based techniques for fall detection in geriatric healthcare systems
Mobark et al. Improving the accuracy of complex activities recognition using accelerometer-embedded mobile phone classifiers
CN104269025A (zh) 面向户外摔倒监测的穿戴式单节点特征及位置选取方法
KR101974831B1 (ko) 낙상위험 평가방법 및 이를 위한 사용자 단말기
Malshika Welhenge et al. Human activity classification using long short-term memory network
Shi et al. Fall detection system based on inertial mems sensors: Analysis design and realization
Martínez-Villaseñor et al. Deep learning for multimodal fall detection
Ge et al. Detecting Falls Using Accelerometers by Adaptive Thresholds in Mobile Devices.
Nukala et al. A real-time robust fall detection system using a wireless gait analysis sensor and an artificial neural network
Medrano et al. Personalizable smartphone application for detecting falls
Parmar et al. A Comprehensive Survey of Various Approaches on Human Fall Detection for Elderly People

Legal Events

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