KR102389427B1 - 보행 데이터를 이용한 낙상 위험 예방 방법 및 이러한 방법을 수행하는 장치 - Google Patents

보행 데이터를 이용한 낙상 위험 예방 방법 및 이러한 방법을 수행하는 장치 Download PDF

Info

Publication number
KR102389427B1
KR102389427B1 KR1020210142549A KR20210142549A KR102389427B1 KR 102389427 B1 KR102389427 B1 KR 102389427B1 KR 1020210142549 A KR1020210142549 A KR 1020210142549A KR 20210142549 A KR20210142549 A KR 20210142549A KR 102389427 B1 KR102389427 B1 KR 102389427B1
Authority
KR
South Korea
Prior art keywords
data
pole
gait
fall
maximum
Prior art date
Application number
KR1020210142549A
Other languages
English (en)
Other versions
KR102389427B9 (ko
Inventor
강성지
노혜강
정화영
Original Assignee
웰트 주식회사
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 웰트 주식회사 filed Critical 웰트 주식회사
Priority to KR1020210142549A priority Critical patent/KR102389427B1/ko
Priority to PCT/KR2022/003882 priority patent/WO2023075042A1/ko
Priority to JP2022551823A priority patent/JP7489729B2/ja
Priority to EP22747567.0A priority patent/EP4198933A4/en
Priority to US17/656,019 priority patent/US20230127412A1/en
Application granted granted Critical
Publication of KR102389427B1 publication Critical patent/KR102389427B1/ko
Publication of KR102389427B9 publication Critical patent/KR102389427B9/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • 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
    • G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
    • G08B21/0407—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis
    • G08B21/043—Alarms 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
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/1036—Measuring load distribution, e.g. podologic studies
    • A61B5/1038—Measuring plantar pressure during gait
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1116—Determining posture transitions
    • A61B5/1117—Fall detection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/112—Gait analysis
    • 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
    • G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
    • G08B21/0438—Sensor means for detecting
    • G08B21/0446—Sensor means for detecting worn on the body to detect changes of posture, e.g. a fall, inclination, acceleration, gait
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches

Landscapes

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

Abstract

본 발명은 낙상 위험 예방 방법 및 이러한 방법을 수행하는 장치에 관한 것이다. 낙상 위험 예방 방법은 낙상 예방 장치가 보행 데이터를 수신하는 단계. 낙상 예방 장치가 보행 데이터에 대한 분석을 기반으로 보행 분석 데이터를 생성하는 단계와 낙상 예방 장치가 보행 분석 데이터를 기반으로 낙상 예방 데이터를 생성하는 단계를 포함할 수 있다.

Description

보행 데이터를 이용한 낙상 위험 예방 방법 및 이러한 방법을 수행하는 장치{Method for prevention of fall risk using walking data and apparatus for performing the method}
본 발명은 보행 데이터를 이용한 낙상 위험 예방 방법 및 이러한 방법을 수행하는 장치에 관한 것이다. 보다 상세하게는 보행 데이터를 전처리하여 보행시 발생할 수 있는 낙상을 미리 예방할 수 있도록 하기 위한 정보를 미리 사용자에게 제공하기 위한 보행 데이터를 이용한 낙상 위험 예방 방법 및 이러한 방법을 수행하는 장치에 관한 것이다.
각종 스마트 기술의 개발로 개인 일상 활동에 관한 데이터가 기록되고 기록된 데이터를 기반으로 개인 생활이 보다 효율적으로 관리될 수 있게 되었다. 그 중에서도 건강에 대한 관심이 높아지면서 건강 관련 데이터 로깅(logging)이 주목받고 있다. 이미 많은 사용자들이 스마트폰과 웨어러블 장치와 같은 사용자 장치를 통해 사용자의 운동, 식이 수면 등 각종 건강 관련 데이터를 생성하고 활용하고 있다. 과거 건강 관련 데이터가 의료 기관에서만 생성되고 관리되었던 데에서 벗어나 사용자가 스마트폰이나 웨어러블 장치와 같은 사용자 장치를 통해 사용자의 건강 관련 데이터를 스스로 생성 및 관리하기 시작한 것이다.
건강 관련 데이터 로깅은 웨어러블 장치를 통해 이루어지는 경우가 많다. 웨어러블 장치는 사용자의 몸에 소지하거나 부착하는 사용자 장치이다. 웨어러블 장치는 사물 인터넷 등의 발전을 통해 건강 관련 데이터를 수집하는데 많이 활용되고 있다. 웨어러블 장치는 사용자의 신체 변화 정보, 사용자 주위를 둘러싼 환경 데이터를 기기를 통해 수집하고, 수집된 데이터를 기반으로 사용자의 건강에 필요한 조언을 제공할 수 있다.
현재는 웨어러블 장치를 통해 획득된 건강 관련 데이터를 활용하여 피드백을 제공하는 절차가 정교화되지 못하여 구체적인 의료 행위에 활용되지 못하고 있다. 하지만, 웨어러블 장치뿐만 아니라 다양한 건강 관련 데이터를 수집할 수 있는 사용자 장치의 발전 및 사용자 장치를 통해 획득된 건강 관련 데이터를 기반으로 한 판단 알고리즘의 정교화에 따라 실제 의료 행위에 사용자 장치를 통해 획득된 건강 관련 데이터를 활용할 수 있다.
건강 관련 데이터 로깅은 사용자의 생활 상에서 발생할 수 있는 리스크에 대한 분석도 가능하다. 구체적으로 웨어러블 장치를 기반으로 낙상의 위험에 대해 판단하고 낙상의 위험에 대해 사용자에게 미리 정보를 제공해주는 것도 가능하다. 데이터를 기반으로 낙상에 대한 예측을 수행하기 위한 기술에 대한 구체적인 연구 개발이 필요하다.
본 발명은 상술한 문제점을 모두 해결하는 것을 그 목적으로 한다.
또한, 본 발명은, 사용자의 보행 데이터를 수집하여 사용자에게 발생할 수 있는 낙상 위험을 예측하고 낙상을 예방하기 위한 것을 목적으로 한다.
또한, 본 발명은, 사용자의 보행 데이터에 대한 전처리를 통해 사용자의 보행 속도를 고려하여 사용자에게 발생할 수 있는 낙상 위험을 보다 정확하게 예측하고, 낙상을 예방하기 위한 것을 목적으로 한다.
상기 목적을 달성하기 위한 본 발명의 대표적인 구성은 다음과 같다.
본 발명의 일 실시예에 따르면, 낙상 위험 예방 방법은 낙상 예방 장치가 보행 데이터를 수신하는 단계, 상기 낙상 예방 장치가 상기 보행 데이터에 대한 분석을 기반으로 보행 분석 데이터를 생성하는 단계와 상기 낙상 예방 장치가 상기 보행 분석 데이터를 기반으로 낙상 예방 데이터를 생성하는 단계를 포함할 수 있다.
한편, 상기 보행 분석 데이터에 대한 분석은 상기 보행 데이터 상의 최대 극점 및 최소 극점을 기반으로 수행되고, 상기 보행 분석 데이터는 보행 속도 및 양발 균형도에 대한 데이터를 포함할 수 있다.
또한, 상기 보행 속도는 상기 최대 극점을 기반으로 결정된 스텝 간격 시간을 기반으로 결정되고, 상기 양발 균형도는 상기 최대 극점 및 상기 최소 극점 간의 진폭을 기반으로 산출된 충격량을 사용하여 결정될 수 있다.
본 발명의 다른 실시예에 따르면, 낙상 위험 예방을 위한 낙상 예방 장치는 보행 데이터를 수신하도록 구현되는 보행 데이터 입력부, 상기 보행 데이터에 대한 분석을 기반으로 보행 분석 데이터를 생성하도록 구현되는 보행 데이터 분석부와 상기 보행 분석 데이터를 기반으로 낙상 예방 데이터를 생성하도록 구현되는 낙상 예방부를 포함할 수 있다.
한편, 상기 보행 분석 데이터에 대한 분석은 상기 보행 데이터 상의 최대 극점 및 최소 극점을 기반으로 수행되고, 상기 보행 분석 데이터는 보행 속도 및 양발 균형도에 대한 데이터를 포함할 수 있다.
또한, 상기 보행 속도는 상기 최대 극점 및 상기 최소 극점을 기반으로 결정된 스텝 길이 및 스텝 간격 시간을 기반으로 결정되고, 상기 양발 균형도는 상기 최대 극점 및 상기 최소 극점 간의 진폭을 기반으로 산출된 충격량을 사용하여 결정될 수 있다.
본 발명에 의하면, 사용자의 보행 데이터를 수집하여 사용자에게 발생할 수 있는 낙상 위험이 예측되고, 낙상이 예방될 수 있다.
또한, 본 발명에 의하면, 사용자의 보행 데이터에 대한 전처리를 통해 사용자의 보행 속도를 고려하여 사용자에게 발생할 수 있는 낙상 위험이 보다 정확하게 예측되고, 낙상이 예방될 수 있다.
도 1은 본 발명의 실시예에 따른 낙상 예방 장치를 나타낸 개념도이다.
도 2는 본 발명의 실시예에 따른 보행 데이터를 나타낸 개념도이다.
도 3은 본 발명의 실시예에 따른 보행 데이터 분석부의 동작을 나타낸 개념도이다.
도 4는 본 발명의 실시예에 따른 보행 데이터 분석부의 동작을 나타낸 개념도이다.
도 5는 본 발명의 실시예에 따른 보행 데이터 분석부의 동작을 나타낸 개념도이다.
도 6은 본 발명의 실시예에 따른 오검출 제거 단계를 나타낸 개념도이다.
도 7은 본 발명의 실시예에 따른 추가 극점 검출 단계를 나타낸 개념도이다.
도 8은 본 발명의 실시예에 따른 보행 데이터 분석부의 보행 속도 결정 방법을 나타낸 개념도이다.
도 9는 본 발명의 실시예에 따른 보행 데이터 분석부의 충격량 결정 방법을 나타낸 개념도이다.
도 10은 본 발명의 실시예에 따른 낙상 예측부의 낙상 예측 방법을 나타낸 개념도이다.
도 11은 본 발명의 실시예에 따른 낙상 예측된 결과에 대한 사용자 화면을 나타낸 개념도이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이러한 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 본 명세서에 기재되어 있는 특정 형상, 구조 및 특성은 본 발명의 정신과 범위를 벗어나지 않으면서 일 실시예로부터 다른 실시예로 변경되어 구현될 수 있다. 또한, 각각의 실시예 내의 개별 구성요소의 위치 또는 배치도 본 발명의 정신과 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 행하여 지는 것이 아니며, 본 발명의 범위는 특허청구범위의 청구항들이 청구하는 범위 및 그와 균등한 모든 범위를 포괄하는 것으로 받아들여져야 한다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 구성요소를 나타낸다.
이하에서는, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있도록 하기 위하여, 본 발명의 여러 바람직한 실시예에 관하여 첨부된 도면을 참조하여 상세히 설명하기로 한다.
도 1은 본 발명의 실시예에 따른 낙상 예방 장치를 나타낸 개념도이다.
도 1에서는 사용자의 보행에 대한 분석을 통해 사용자의 낙상 가능성에 대해 분석하기 위한 낙상 예방 장치가 개시된다.
도 1을 참조하면, 낙상 예방 장치는 보행 데이터 입력부(100), 보행 데이터 분석부(110), 낙상 예방부(120) 및 프로세서를 포함할 수 있다.
보행 데이터 입력부(100)는 보행 데이터의 입력을 위해 구현될 수 있다. 보행 데이터는 별도의 웨어러블 장치(예를 들어, 스마트 벨트)를 통해 생성되어 보행 데이터 입력부로 전달될 수도 있고, 낙상 예측 장치에서 직접적으로 보행 데이터가 생성되어 보행 데이터 입력부(100)로 전달될 수도 있다.
JOURNAL OF MEDICAL INTERNET RESEARCH에 공개된 논문 Accuracy and Diversity of Wearable Device-Based Gait Speed Measurement Among Older Men: Observational Study의 결론을 보면 스마트 벨트로 측정한 일평균 보행 속도를 통해　근감소증 환자가 정산군에 비해 확실히 보행 속도가 느림이 확인되었고,　나이와 골밀도 등이 보행 속도와 깊은 상관성이 있음을 확인하였다. 본 발명에서는 이러한 보행 데이터를 기반으로 낙상 위험에 대해 구체적으로 분석하는 방법이 개시된다.
보행 데이터 분석부(110)는 입력된 보행 데이터에 대한 분석을 위해 구현될 수 있다. 보행 데이터 분석부(110)는 보행 데이터에 대한 분석을 기반으로 보행 스텝을 결정하고, 보행 스텝을 기반으로 보행 속도를 결정할 수 있다. 또한, 보행 데이터 분석부(110)는 보행 데이터를 기반으로 충격량을 결정하고, 충격량을 기반으로 양발 균형도를 결정할 수 있다. 즉, 보행 데이터 분석부(110)는 보행 데이터를 분석하여 보행 속도 및 양발 균형도를 결정할 수 있다.
구체적으로 보행 데이터 분석부(110)는 보행 데이터에 대한 전처리 단계, 극점 검출 단계, 오검출 제거 단계, 추가 극점 검출 단계를 거쳐 보행 데이터를 처리하고, 보행 데이터 상에서 보행 속도 및 양발 균형도와 같은 보행 분석 데이터를 추출하여 낙상 예방부(120)로 전달할 수 있다.
낙상 예방부(120)는 보행 분석 데이터를 기반으로 낙상을 예방하기 위해 구현될 수 있다. 낙상 예방부(120)는 보행 분석 데이터를 기반으로 낙상 예방 데이터를 생성할 수 있다. 낙상 예방 데이터는 사용자의 낙상 가능성 데이터 및 낙상을 피하기 위한 예방 데이터를 포함할 수 있다.
낙상 예방부(120)에 의해 생성된 낙상 예방 데이터는 사용자에게 제공되어 사용자에게 낙상의 위험에 대해 알릴 수 있다. 예를 들어, 낙상 예방 장치는 낙상 예방 데이터를 사용자의 스마트폰과 같은 사용자 장치로 전달하여 사용자가 낙상에 대해 미리 대비하도록 할 수 있다.
프로세서(130)는 보행 데이터 입력부(100), 보행 데이터 분석부(110), 낙상 예방부(120)의 동작을 제어하기 위해 구현될 수 있다.
도 2는 본 발명의 실시예에 따른 보행 데이터를 나타낸 개념도이다.
도 2에서는 사용자의 낙상 예방을 위해 사용되는 보행 데이터가 개시된다.
도 2를 참조하면, 보행 데이터는 보행시 획득된 가속도 신호를 기반으로 결정될 수 있다. 보행 데이터는 추후 사용자의 보행 속도 및 양발 균형도를 결정하기 위해 사용될 수 있다.
보행 데이터는 x, y, z축 가속도 신호 각각에 대한 SVM(Signal Vector Magnitude) 데이터일 수 있다. SVM 데이터(220)는 중력에 대한 3축 가속도 데이터(200)의 방향 성분을 상쇄하고 신호 벡터의 크기를 추출한 데이터이다. SVM 데이터(220)는 뒤섞이는 센서의 축 방향 손실과 무관하게 결정될 수 있다.
아래의 수학식 1은 SVM 데이터(220)를 결정하기 위한 수식이다.
<수학식 1>
Figure 112021121948912-pat00001
ACCx는 x축 가속도값이고, ACCy는 y축 가속도값이고, ACCz는 z축 가속도값이다.
도 2의 (a)는 3축 가속도 데이터(200)와 3축 가속도 데이터(200)를 기반으로 결정된 SVM 데이터(220)이다. SVM 데이터(220)로 표현되는 보행 데이터는 보행 데이터 분석부로 전달되어 분석될 수 있다.
도 3은 본 발명의 실시예에 따른 보행 데이터 분석부의 동작을 나타낸 개념도이다.
도 3에서는 보행 데이터 분석부의 보행 데이터에 대한 전처리 단계가 개시된다.
도 3을 참조하면, 보행 데이터 분석부는 보행 데이터를 기반으로 전처리 단계(300), 극점 검출 단계(310), 오검출 제거 단계(320), 추가 극점 검출 단계(330)를 거쳐 사용자의 보행 스텝을 결정할 수 있다. 이후, 보행 데이터 분석부는 결정된 보행 스텝과 사용자의 신체 정보를 기반으로 보행 속도를 결정할 수 있다.
또한, 보행 데이터 분석부는 3축 속도 센서에서 얻어진 보행 데이터에서 한쪽 발과 반대쪽 발이 지면에 닿을 때 발생하는 최대 극점(또는 상단 극점)과 최소 극점(또는 하단 극점) 간의 진폭 차를 기반으로 양쪽 발의 충격량을 각각 결정하고, 양쪽 발의 충격량을 기반으로 양발 균형도를 결정할 수 있다.
이하, 구체적인 보행 데이터 분석부의 동작이 개시된다.
도 4는 본 발명의 실시예에 따른 보행 데이터 분석부의 동작을 나타낸 개념도이다.
도 4에서는 보행 데이터 분석부의 보행 데이터에 대한 전처리 단계가 개시된다.
도 4를 참조하면, 전처리 단계(400)에서는 보행 데이터에서 평균값을 빼주는 선형 추세 제거(detrend) 과정(410)과 정규화(normalization) 과정(420)이 우선적으로 수행될 수 있다.
선형 추세 제거 과정(410)은 보행 데이터에서 선형 성분을 제거된 보행 데이터를 추출하기 위해 사용될 수 있다. 정규화 과정(420)은 많은 양의 서로 다른 보행 데이터의 범위를 일치시키거나 분포를 유사하게 만들어주는 것으로서 보행 데이터에서 평균을 뺀 이후 분산으로 나누어주는 과정을 통해 수행될 수 있다. 분포가 비슷한 상황에서 1이 차이나는 것과 값의 분포가 매우 큰 경우에 1이 차이나는 것은 다른 경우이다. 따라서, 본 발명에서는 정규화 과정(420)을 통해 분산으로 나눔으로써 원래 분포의 퍼짐에 의한 효과가 상쇄될 수 있다.
도 4의 (a)는 선형 추세 제거 과정(410)과 정규화 과정(420)을 거친 보행 데이터에 대한 그래프이다. 보행 데이터에 대해 y축의 앰플리튜드(amplitude)의 변화가 확인될 수 있다.
전처리 단계(400)에서는 보행 데이터에 대한 선형 추세 제거 과정(410)와 정규화 과정(420) 이후, 필터링 과정이 수행될 수 있다. 차단 주파수(예를 들어, 0.5~5Hz)를 가지는 밴드 패트 필터(예를 들어, 4차 FIR 밴드 패스(band-pass) 필터)가 보행 데이터에 적용되어 추후 극점 검출 단계에서 극점 검출이 보다 용이하도록 보행 데이터가 처리될 수 있다.
도 4의 (b)는 선형 추세 제거 과정(410)와 정규화 과정(420) 이후, 필터링 과정(430)이 적용된 전처리 보행 데이터이다. 전처리 보행 데이터는 메인 극점을 제외한 나머지 고주파 성분들이 제거된 데이터이다. 전처리 단계 이후 보행 데이터는 전처리 보행 데이터라는 용어로 표현될 수 있다.
도 5는 본 발명의 실시예에 따른 보행 데이터 분석부의 동작을 나타낸 개념도이다.
도 5에서는 보행 데이터 분석부의 보행 데이터에 대한 전처리 단계 이후, 극점 검출 단계가 개시된다.
도 5를 참조하면, 극점 검출 단계(560)에서는 보행 데이터 분석을 위해 전처리 보행 데이터에 대한 극점 검출이 수행될 수 있다.
극점 검출은 1 스텝(step) 단위(500)로 수행될 수 있고, 하나의 극점부터 다음 극점까지를 또 그 다음 극점까지는 1 스트라이드(stride)(520)로 정의될 수 있다. 즉, 1스트라이드(520)는 2 스텝 단위를 포함할 수 있다.
도 5의 (a)를 참조하면, 전처리 보행 데이터 상에서 총 5개의 극점이 발생하였으므로 총 5 걸음으로 산출될 수 있다.
본 발명에서 보행 스텝 및 충격량을 결정하기 위한 극점은 최소 극점(560)과 최대 극점(570)이고, 극점 검출 단계(550)에서는 후보 최소 극점(560)과 후보 최대 극점(570)을 검출하기 위한 동작이 수행될 수 있다. 극점 검출 단계(550)에서 추출된 후보 최소 극점(560)과 후보 최대 극점(570)은 가짜 극점을 제거하기 전의 극점일 수 있다.
후보 최대 극점(570)과 후보 최소 극점(560)은 위와 아래로 임계치(예를 들어, 0.5)를 설정하여 임계치 이상의 값을 갖는 전처리 보행 데이터 중 지역 최댓값(local maxima)과 지역 최솟값(local minima)를 찾는 방식으로 검출될 수 있다.
도 5의 (b)는 임계치 설정 방법을 사용하여 후보 최대 극점(570), 후보 최소 극점(560)을 검출한 결과이다. 하나의 보행 주기에는 여러 개의 극점이 존재하기 때문에 지역 최대 최솟값만으로는 정확히 한 개의 극점을 찾아내기가 어렵다. 도 5의 (b)와 같이 가짜 극점(Fake peak)이 검출될 수 있다. 가짜 극점의 검출을 없애기 위해 오검출 제거 단계가 필요하다.
도 6은 본 발명의 실시예에 따른 오검출 제거 단계를 나타낸 개념도이다.
도 6에서는 보행 데이터 분석부의 보행 데이터에 대한 전처리 단계 및 극점 검출 단계 이후, 오검출 제거 단계를 수행하는 방법이 개시된다.
도 6을 참조하면, 오검출 제거 단계(600)에서는 후보 최소 극점(610) 및 후보 최대 극점(620)에서 가짜 극점(fake peak)(630)을 제거하기 위해 하나의 보행의 최소 주기를 임계 주기(예를 들어, 0.3초)로 설정하고, 하나의 극점이 발생한 이후, 임계 주기 이내에 발생한 극점 정보를 제거하는 과정이 수행될 수 있다. 극점 검출 단계에서 검출된 후보 최소 극점(610) 및 후보 최대 극점(620) 중 가짜 극점(630)은 오검출 제거 단계(600)를 통해 제거되고, 최종적으로 최소 극점(650)과 최대 극점(660)이 결정될 수 있다.
가짜 극점(630)을 제거한 후의 극점 검출 결과로서 도 6의 (a)는 느린 보행(1.5km/h)에서의 극점 검출 결과이고, 도 6의 (b)는 보통 보행(3.0km/h)에서의 극점 검출 결과이고, 도 6의 (c)는 빠른 보행(4.5km/h)에서의 극점 검출 결과이다.
도 6의 (a), (b), (c)를 참조하면, 이전 결과와 비교하였을 때 정확하게 한 개씩의 극점만 검출되는 현상이 확인될 수 있다. 즉, 모든 보행 속도에서 최대 극점 및 최소 극점 검출이 정확하게 될 수 있다.
본 발명에서는 보행 속도에 따라 오검출 제거 단계(600)가 적응적으로 수행될 수 있다. 보행 속도가 상대적으로 느린 경우, 여러 주파수 성분의 발생으로 인해 상대적으로 더 많은 극점이 생기게 된다. 따라서, 이러한 극점의 오검출을 방지하기 위해 보행 속도에 따른 인공 지능 기반의 극점 추출 학습 모델링이 생성되고, 보행 속도에 따라 가짜 극점이 적응적으로 제거될 수도 있다.
보행 데이터 분석부는 오검출 제거 단계(600)를 통해 가짜 극점을 제거한 이후 최대 극점(660)과 최소 극점(650)을 기반으로 보행 스텝이 결정할 수 있다.
도 7은 본 발명의 실시예에 따른 추가 극점 검출 단계를 나타낸 개념도이다.
도 7에서는 보행 데이터 분석부의 보행 데이터에 대한 전처리 단계 및 극점 검출 단계 이후, 오검출 제거 단계를 수행하는 방법이 개시된다.
도 7을 참조하면, 최대 극점을 통해 보행 스텝 및 충격량에 대한 정보가 획득될 수 있다. 최대 극점 및 최소 극점을 통해 충격량 및 양발 균형도에 대한 정보가 획득될 수 있다.
최대 극점 및 최소 극점 외의 보행 데이터 상에서 발생된 복수의 추가 극점을 기반으로 추가적인 보행 특성에 대한 정보가 추출될 수 있다.
추가 극점은 추출된 최대 극점을 기준으로 하나의 파형씩 분할 후 분할된 구간 안에서 추가로 추출될 수 있다. 이러한 추가 극점 추출 과정을 통해 분할 구간에서 추가로 n개(예를 들어, n=3)의 극점이 추출될 수 있다.
결과적으로 보행속도 데이터에서 1.5 km/h의 보행 속도 데이터에서 풋 플랫(Foot flat)(710), 푸시-오프(push-off)(720), 토-오프(toe-off)(740), 미드-스탠스(Mid-stance)(730), 힐 콘택트(Heel contact)(750)와 같은 5개의 특징점이 최대 극점, 최소 극점 및 추가 극점으로서 검출될 수 있다. 5개의 특징점은 Swing phase(스윙 페이즈), Stance Phase(스탠스 페이즈)와 같은 추가적인 보행 특징을 추출하기 위해 사용될 수 있다. 추가 극점의 경우, 사용자의 보행 특성을 추가적으로 판단하여 낙상 가능성에 대한 예방을 위해 사용될 수 있다.
도 8은 본 발명의 실시예에 따른 보행 데이터 분석부의 보행 속도 결정 방법을 나타낸 개념도이다.
도 8에서는 최대 극점의 검출 이후, 보행 데이터 분석부에서 보행 속도를 결정하기 위한 방법이 개시된다.
도 8을 참조하면, 최대 극점에 대한 검출을 통해 보행 스텝이 결정될 수 있고, 실시간 보행 데이터로부터 연속적인 스텝 간격(step interval)이 결정될 수 있다.
도 8에서는 보행 데이터를 기반으로 보행 속도를 산출하기 위해 왼발부터 보행을 시작하여 20 m를 걷고 난 후 뒤돌아 다시 20m를 걸었을 때의 보행 가속도 데이터가 예시적으로 개시된다.
첫 번째 발생한 최대 극점을 왼쪽 발, 다음으로 발생된 최대 극점을 오른쪽 발로 구분하고 각 스텝 사이 샘플 수에 가속도 센서 계수(예를 들어, 0,1)을 곱하여 스텝 간격 시간(step interval time)이 결정될 수 있다.
구체적으로 보행 데이터를 결정하는 x, y, z축 가속도 신호는 10Hz(1초에 10번)로 수집될 수 있고, 보행 데이터는 1초에 10개 생성될 수 있다. 피크 투 피크 샘플 사이즈(peak to peak sample size)가 6일 경우, 6개의 가속도 데이터가 수집되는 것으로 이해하면, 6 * 0.1 = 0.6초 즉, 왼발을 땅에 딛고 오른발이 땅에 딛어질 때까지 1 step 시간이 0.6초로 볼 수 있고 0.6초가 스텝 간격 시간으로 결정될 수 있다.
스텝 간격 시간이 결정되었으므로 스텝을 통해 이동되는 거리가 결정되는 경우, 스텝 길이를 스텝 간격 시간으로 나누어 보행 속도가 결정될 수 있다.
보행 속도를 결정하기 위해 신장 데이터 또는 다른 신체 데이터(예를 들어, 둔부 가속도 데이터)를 이용한 방법이 사용될 수 있다. 본 발명에서는 설명의 편의상 신장 데이터를 이용하여 보행 속도를 결정하는 방법이 개시된다.
신장 데이터를 이용한 보행 속도 결정 방법은 연산량이 적고 간단하여 롱-텀(long-term) 데이터 수집에 용이하다. 둔부 가속도 데이터를 이용한 방법은 가속도 센서의 수직이 되는 축의 변동값(Centre of Mass)의 변동을 변수로 한 회귀식 적용 방법으로 숏-텀(Short-term) 데이터 수집에 용이할 수 있다.
본 발명에서는 신장 데이터를 기반으로 스텝 길이 예측(step length estimation)이 수행된다. 예측된 스텝 길이를 스텝 간격 시간으로 나누어 보행 속도가 결정될 수 있다. 신장 데이터를 기반으로 스텝 길이 예측을 수행하는 방법은 다수의 피험자를 기반으로 산출된 성별에 따른 회귀 분석 결과를 적용하여 수행될 수 있다.
구체적으로 신장 데이터을 이용한 방법에서는 다수의 피험자를 기반으로 산출된 성별에 따른 회귀 분석 결과를 적용하여 스트라이드 길이(stride length)가 결정될 수 있다.
아래의 수학식 2는 회귀 분석 결과 기반의 남/여 스트라이드 길이를 나타낸 것이다.
<수학식 2>
Figure 112021121948912-pat00002
본 발명에서 사용되는 스텝 길이는 스트라이드 길이를 기준으로 스텝 계수(예를 들어, 1/2)를 곱하여 산출될 수 있다. 스텝 계수는 스트라이드 길이와 스텝 길이 간의 관계에 대해 임계 신뢰구간에서 상관 관계를 가지는 값일 수 있다.
보행 데이터 분석부는 스텝 길이가 산출되는 경우, 스텝 간격 시간으로 나누어 보행 속도를 결정할 수 있다.
도 9는 본 발명의 실시예에 따른 보행 데이터 분석부의 충격량 결정 방법을 나타낸 개념도이다.
도 9에서는 보행 데이터 분석부에서 충격량을 결정하기 위한 방법이 개시된다.
도 9를 참조하면, 보행 데이터 분석부는 보행시 발생하는 연속적인 최대 극점(900, 920)과 최소 극점(910, 930) 간의 진폭 차이를 기반으로 충격량을 결정할 수 있다.
도 9의 (a)는 충격량 결정을 위한 예시적인 데이터로서 0° 경사와 3.0km/h 속도의 트레드밀 위에서 1분 동안 얻어진 보행 데이터이다.
도 9의 (b)는 보행 데이터에서 처음 발생하는 극점이 제1 스텝(first step)으로 설정되고, 그 직후 발생하는 극점이 제2 스텝(opposite step)으로 정의되고, 연속적인 제1 스텝과 제2 스텝의 충격량이 산출되어 저장될 수 있다.
아래는 9명의 피험자를 대상으로 충격량을 산출한 자료이다.
9명의 피험자를 대상으로 각각 3번씩 실험이 수행되었고, 총 27개의 1분 간의 보행 신호에서 산출된 복수의 제1 스텝의 복수의 제1 충격량(915)과 복수의 제2 스텝의 복수의 제2 충격량(925)이 수집될 수 있다. 복수의 제1 충격량(915)의 평균값과 복수의 제2 충격량(925)의 평균값이 결정될 수 있다.
복수의 제1 충격량(915)의 평균값과 복수의 제2 충격량(925)의 평균값 중 상대적으로 더 큰 평균값을 상대적으로 작은 평균값으로 나누어서 양발 균형도(950)가 결정될 수 있다.
양발 균형도(950)가 1에 가까울수록 양발의 충격량(915, 925)이 비슷하여 신체의 균형이 좋은 것이고, 1에서 더 많이 떨어질수록 양발의 충격량(915, 925)이 상이하여 신체의 균형이 올바르지 않은 것이다.
Figure 112021121948912-pat00003
보행 데이터 분석부는 충격량(915, 925) 및 양발 균형도(950)에 대한 정보를 결정하여 낙상 예측부로 전송할 수 있다.
도 10은 본 발명의 실시예에 따른 낙상 예측부의 낙상 예측 방법을 나타낸 개념도이다.
도 10에서는 보행 데이터 분석부에 의해 전달된 보행 속도와 양발 균형도를 기반으로 낙상 예측부의 낙상 위험을 예측하는 방법이 개시된다.
도 10을 참조하면, 낙상 위험도(1080)는 양발 균형도(1050) 및 보행 속도(1000)가 추가적으로 고려될 수 있다.
본 발명에서는 양발 균형도(1050)는 특정 속도에 대해 분포 정보로서 표현될 수 있다. 예를 들어, 사용자의 보행 속도(1000)가 x m/s인 경우, x m/s로 사용자가 보행시 양발 균형도(1050)가 분포로서 표현될 수 있다. 예를 들어, 오른쪽발과 왼쪽발의 충격량이 동일한 양발 균형도(1050)가 0이라고 한다면, 0을 기준으로 왼쪽 발로 균형이 쏠린 경우 음의 값을 가지고 0을 기준으로 오른쪽 발로 균형이 쏠린 경우 양의 값을 가지도록 양발 균형도(1050)가 설정될 수 있다.
양발 균형도(1050)와 보행 속도(1000)를 기반으로 수치화된 값으로서 낙상 위험도가 결정될 수 있다. 스코어와 스코어를 결정하기 위한 양발 균형도(1050)와 보행 속도(1000)의 범위는 예시적인 것으로서 변화될 수 있다.
아래의 표2는 보행 속도(1000)에 따른 제1 낙상 위험도 스코어(1020)이다.
보행속도 (m/s) 위험도 점수
1.2<= x　 0.00% 10
1 <= x < 1.2 6.25% 9
0.9 <= x < 1 12.50% 8
0.8 <= x < 0.9 25% 7
0.7 <= x < 0.8 37.50% 6
0.6 <= x < 0.7 55.50% 5
0.5 <= x < 0.6 73.50% 4
0 < x < 0.5 매우 위험 3
보행 속도(1000)가 느릴수록 낙상 위험도가 상대적으로 높고, 스코어는 낮게 할당될 수 있다.
아래의 표 3은 양발 균형도(1050)에 따른 제2 낙상 위험도 스코어(1060)이다.
abs(RFP-LFP) / max(RFP,LFP) 점수
x < 0.1 0
0.1 <= x < 0.2 -1
0.2 <= x < 0.3 -2
x >= 0.3 -3
RFP는 오른쪽발의 충격량이고, RFP는 왼쪽발의 충격량이다. 제2 낙상 위험도 스코어(1060)는 abs(RFP-LFP)인 오른쪽발의 충격량과 왼쪽발의 충격량을 뺀 값의 절대값을 max(RFP, LFP) 오른쪽발의 충격량과 왼쪽발의 최대값으로 나눈값을 기준으로 결정될 수 있다.
아래의 표4는 제1 낙상 위험도 스코어(1020)와 제2 낙상 위험도 스코어(1060)를 기준으로 한 낙상 위험도(1080)이다.
종합 점수 낙상위험도 로티
10 Very Low Fall_10
9 Fall_9
8 Low Fall_8
7 Fall_7
6 Medium Fall_6
5 Fall_5
4 High Fall_1~4
3
2 Very High
1
0 stand_hi
낙상 가능성 예측 위한 종합 점수는 제1 낙상 위험도 스코어(1020)와 제2 낙상 위험도 스코어(1060)의 합일 수 있다. 낙상 가능성 예측 위한 종합 점수는 0부터 10까지의 값일 수 있고, 종합점수가 낮을수록 높은 낙상 위험도(1080)를 가지는 것으로 판단될 수 있다.
또한, 본 발명에서는 낙상 가능성 외에 사용자에게 양발 균형도(1050)에 대한 정보가 양발 균형도 평가 정보, 양발 균형도 크기 정보, 양발 균형도 이탈 정보로서 제공될 수 있다.
양발 균형도 평가 정보는 아래의 표 5를 기준으로 제공될 수 있다.
| RFP-LFP | 점수 UI text
x < 1 5 GOOD
1 <= x < 2 4 FAIR
2 <= x < 3 3 WORRIED
3 <= x < 4 2 POOR
x >= 4 1 BAD
RFP와 LFP의 차이에 대한 절대값을 기준으로 양발 균형도 평가가 이루어지고, 5단계(GOOD, FAIR, WORRIED, POOR, BAD)로 나뉘어 제공될 수 있다.
양발 균형도 이탈 정보는 아래의 표 6을 기준으로 제공될 수 있다.
RFP - LFP 좌,우 기준선 위치
-4 right max
-3 3-4
-2 2-4
-1 1-4
0 중심축
1 1-4
2 2-4
3 3-4
4 left max
차이값을 기준으로 중심을 기준으로 얼마나 왼쪽발 또는 오른쪽 발로 균형이 치우쳐져 있는지 여부가 양발 균형도 이탈 정보를 기반으로 제공될 수 있다.
양발 균형도 크기 정보는 아래의 표 7을 기반으로 제공될 수 있다.
Power Avg.
(LFP, RFP) 		원의 크기
x < 5 1 / 6
5 <= x < 7 2 / 6
7 <= x < 9 3 / 6
9 <= x < 11 4 / 6
11 <= x < 13 5 / 6
13 <= x 6 / 6
왼쪽발과 오른쪽발의 충격량의 평균값을 기준으로 양발에서 발생하는 충격량에 대한 정보가 양발 균형도 크기 정보를 기반으로 제공될 수 있다
또한 본 발명의 실시예에 따르면, 전술한 보행 데이터를 생성하는 3축 가속도 각각에 대한 정보가 낙상 예측을 위해 사용될 수 있다.
x축 가속도는 Ax(t), y축 가속도는 Ay(t), z축 가속도는 Az(t)라고 하는 경우, 중력이 영향을 제거하고 움직임 크기를 기반으로 보다 정확하게 낙상이 예측될 수 있다.
따라서, 아래와 같이 중력 방향의 가중치만을 고려한 아래의 수학식 3을 고려하여 낙상 예측이 수행될 수 있다.
<수학식 3>
Figure 112021121948912-pat00004
Figure 112021121948912-pat00005
는 중력 방향과 이루는 좌/우 각도이고,
Figure 112021121948912-pat00006
는 중력 방향과 이루는 앞/뒤 각도를 나타낸다. ADSVM(t)는 가속도의 변화량이다.
Figure 112021121948912-pat00007
는
Figure 112021121948912-pat00008
를 기반으로 낙상시 신호를 증폭시킨 값이고,
Figure 112021121948912-pat00009
는
Figure 112021121948912-pat00010
를 기반으로 낙상시 신호를 증폭시킨 값이다.
Figure 112021121948912-pat00011
또는
Figure 112021121948912-pat00012
는 하나가 역치값을 넘는다면 낙상 가능성에 대한 경고가 사용자에게 제공될 수 있고,
Figure 112021121948912-pat00013
이 더 크다면, 전/후 낙상의 가능성에 대한 경고가 사용자에게 제공되고,
Figure 112021121948912-pat00014
이 더 크다면, 좌/우 낙상의 가능성에 대한 경고가 사용자에게 제공될 수 있다.
도 11은 본 발명의 실시예에 따른 낙상 예측된 결과에 대한 사용자 화면을 나타낸 개념도이다.
도 11에서는 낙상 예측 결과를 제공하는 사용자 화면이 개시된다.
도 11을 참조하면, 제1 화면 상에서는 낙상 가능성 예측 위한 종합 점수에 대한 정보가 제공될 수 있다.
제2 화면 상에서는 양발 균형도 평가 정보, 양발 균형도 크기 정보, 양발 균형도 이탈 정보가 제공될 수 있다.
제3 화면, 제4 화면 상에서는 낙상 가능성 예측 위한 종합 점수 정보, 양발 균형도 평가 정보, 양발 균형도 크기 정보, 양발 균형도 이탈 정보가 제공될 수 있다.
이상 설명된 본 발명에 따른 실시예는 다양한 컴퓨터 구성요소를 통하여 실행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것이거나 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수 있다. 컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM 및 DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical medium), 및 ROM, RAM, 플래시 메모리 등과 같은, 프로그램 명령어를 저장하고 실행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령어의 예에는, 컴파일러에 의하여 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용하여 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위하여 하나 이상의 소프트웨어 모듈로 변경될 수 있으며, 그 역도 마찬가지이다.
이상에서 본 발명이 구체적인 구성요소 등과 같은 특정 사항과 한정된 실시예 및 도면에 의하여 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위하여 제공된 것일 뿐, 본 발명이 상기 실시예에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정과 변경을 꾀할 수 있다.
따라서, 본 발명의 사상은 상기 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐만 아니라 이 특허청구범위와 균등한 또는 이로부터 등가적으로 변경된 모든 범위는 본 발명의 사상의 범주에 속한다고 할 것이다.

Claims (6)

  1. 낙상 위험 예방 방법은,
    낙상 예방 장치가 보행 데이터를 수신하는 단계
    상기 낙상 예방 장치가 상기 보행 데이터에 대한 분석을 기반으로 보행 분석 데이터를 생성하는 단계; 및
    상기 낙상 예방 장치가 상기 보행 분석 데이터를 기반으로 낙상 예방 데이터를 생성하는 단계를 포함하되,
    상기 보행 분석 데이터에 대한 분석은 상기 보행 데이터 상의 최대 극점 및 최소 극점을 기반으로 수행되고,
    상기 보행 분석 데이터는 보행 속도 및 양발 균형도에 대한 데이터를 포함하고,
    상기 보행 속도는 상기 최대 극점을 기반으로 결정된 스텝 간격 시간을 기반으로 결정되고,
    상기 양발 균형도는 상기 최대 극점 및 상기 최소 극점 간의 진폭을 기반으로 산출된 충격량을 사용하여 결정되고,
    상기 최대 극점 및 상기 최소 극점은 후보 최소 극점 및 후보 최대 극점에서 가짜 극점의 제거를 통해 결정되고,
    상기 가짜 극점은 하나의 보행의 최소 주기를 임계 주기로 설정하고, 하나의 극점이 발생한 이후, 상기 임계 주기 이내에 발생한 극점이고,
    상기 낙상 예방 장치는 상기 최대 극점을 기준으로 하나의 파형씩 분할 후 분할된 구간 안에서 추가로 상기 낙상 예방 데이터를 위한 추가 극점을 추출하는 것을 특징으로 하는 방법.
  2. 제1항에 있어서,
    상기 보행 분석 데이터는 상기 보행 데이터를 전처리한 전처리 보행 데이터를 기반으로 생성되고,
    상기 전처리는 선형 추세 제거 과정, 정규화 과정 및 필터링을 포함하고,
    상기 선형 추세 제거 과정은 상기 보행 데이터에서 선형 성분을 제거하는 과정이고,
    상기 정규화 과정은 상기 보행 데이터를 기반으로 결정된 평균과 분산을 고려하여 수행되고,
    상기 필터링은 극점 검출을 위한 차단 주파수를 가지는 밴드 패스 필터를 기반으로 수행되는 것을 특징으로 하는 방법.
  3. 제1항에 있어서,
    상기 낙상 예방 데이터는 낙상 위험도를 포함하고,
    상기 낙상 위험도는 상기 보행 속도 및 상기 양발 균형도를 기반으로 결정되고,
    상기 낙상 위험도는 제1 낙상 위험도 스코어와 제2 낙상 위험도 스코어를 포함하고,
    상기 제1 낙상 위험도 스코어는 상기 보행 속도를 기반으로 결정되고,
    상기 제1 낙상 위험도 스코어는 상기 보행 속도가 상대적으로 느릴수록 낮게 결정되고,
    상기 제2 낙상 위험도 스코어는 상기 양발 균형도를 기반으로 결정되고,
    상기 제2 낙상 위험도 스코어는 오른쪽발의 충격량과 왼쪽발의 충격량을 뺀 값의 절대값을 오른쪽발의 충격량과 왼쪽발의 최대값으로 나눈값을 기준으로 결정되는 것을 특징으로 하는 방법.
  4. 낙상 위험 예방을 위한 낙상 예방 장치는,
    보행 데이터를 수신하도록 구현되는 보행 데이터 입력부;
    상기 보행 데이터에 대한 분석을 기반으로 보행 분석 데이터를 생성하도록 구현되는 보행 데이터 분석부; 및
    상기 보행 분석 데이터를 기반으로 낙상 예방 데이터를 생성하도록 구현되는 낙상 예방부를 포함하되,
    상기 보행 분석 데이터에 대한 분석은 상기 보행 데이터 상의 최대 극점 및 최소 극점을 기반으로 수행되고,
    상기 보행 분석 데이터는 보행 속도 및 양발 균형도에 대한 데이터를 포함하고,
    상기 보행 속도는 상기 최대 극점을 기반으로 결정된 스텝 간격 시간을 기반으로 결정되고,
    상기 양발 균형도는 상기 최대 극점 및 상기 최소 극점 간의 진폭을 기반으로 산출된 충격량을 사용하여 결정되고,
    상기 최대 극점 및 상기 최소 극점은 후보 최소 극점 및 후보 최대 극점에서 가짜 극점의 제거를 통해 결정되고,
    상기 가짜 극점은 하나의 보행의 최소 주기를 임계 주기로 설정하고, 하나의 극점이 발생한 이후, 상기 임계 주기 이내에 발생한 극점이고,
    상기 낙상 예방 장치는 상기 최대 극점을 기준으로 하나의 파형씩 분할 후 분할된 구간 안에서 추가로 상기 낙상 예방 데이터를 위한 추가 극점을 추출하는 것을 특징으로 하는 낙상 예방 장치.
  5. 제4항에 있어서,
    상기 보행 분석 데이터는 상기 보행 데이터를 전처리 한 전처리 보행 데이터를 기반으로 생성되고,
    상기 전처리는 선형 추세 제거 과정, 정규화 과정 및 필터링을 포함하고,
    상기 선형 추세 제거 과정은 상기 보행 데이터에서 선형 성분을 제거하는 과정이고,
    상기 정규화 과정은 상기 보행 데이터를 기반으로 결정된 평균과 분산을 고려하여 수행되고,
    상기 필터링은 극점 검출을 위한 차단 주파수를 가지는 밴드 패스 필터를 기반으로 수행되는 것을 특징으로 하는 낙상 예방 장치.
  6. 제4항에 있어서,
    상기 낙상 예방 데이터는 낙상 위험도를 포함하고,
    상기 낙상 위험도는 상기 보행 속도 및 상기 양발 균형도를 기반으로 결정되고,
    상기 낙상 위험도는 제1 낙상 위험도 스코어와 제2 낙상 위험도 스코어를 포함하고,
    상기 제1 낙상 위험도 스코어는 상기 보행 속도를 기반으로 결정되고,
    상기 제1 낙상 위험도 스코어는 상기 보행 속도가 상대적으로 느릴수록 낮게 결정되고,
    상기 제2 낙상 위험도 스코어는 상기 양발 균형도를 기반으로 결정되고,
    상기 제2 낙상 위험도 스코어는 오른쪽발의 충격량과 왼쪽발의 충격량을 뺀 값의 절대값을 오른쪽발의 충격량과 왼쪽발의 최대값으로 나눈값을 기준으로 결정되는 것을 특징으로 하는 낙상 예방 장치.
KR1020210142549A 2021-10-25 2021-10-25 보행 데이터를 이용한 낙상 위험 예방 방법 및 이러한 방법을 수행하는 장치 KR102389427B1 (ko)

Priority Applications (5)

Application Number Priority Date Filing Date Title
KR1020210142549A KR102389427B1 (ko) 2021-10-25 2021-10-25 보행 데이터를 이용한 낙상 위험 예방 방법 및 이러한 방법을 수행하는 장치
PCT/KR2022/003882 WO2023075042A1 (ko) 2021-10-25 2022-03-21 낙상 위험 예방 방법 및 이러한 방법을 수행하는 장치
JP2022551823A JP7489729B2 (ja) 2021-10-25 2022-03-21 転倒危険予防方法およびこのような方法を遂行する装置
EP22747567.0A EP4198933A4 (en) 2021-10-25 2022-03-21 METHOD FOR PREVENTING THE RISK OF FALLS AND DEVICE FOR IMPLEMENTING THE METHOD
US17/656,019 US20230127412A1 (en) 2021-10-25 2022-03-23 Method for prevention of fall risk and apparatus for performing the method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020210142549A KR102389427B1 (ko) 2021-10-25 2021-10-25 보행 데이터를 이용한 낙상 위험 예방 방법 및 이러한 방법을 수행하는 장치

Publications (2)

Publication Number Publication Date
KR102389427B1 true KR102389427B1 (ko) 2022-04-22
KR102389427B9 KR102389427B9 (ko) 2023-03-23

Family

ID=81452545

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210142549A KR102389427B1 (ko) 2021-10-25 2021-10-25 보행 데이터를 이용한 낙상 위험 예방 방법 및 이러한 방법을 수행하는 장치

Country Status (5)

Country Link
US (1) US20230127412A1 (ko)
EP (1) EP4198933A4 (ko)
JP (1) JP7489729B2 (ko)
KR (1) KR102389427B1 (ko)
WO (1) WO2023075042A1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115778375A (zh) * 2022-11-11 2023-03-14 北京新清泰克科技有限公司 基于移动终端陀螺仪的跌倒风险评估方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100004967A (ko) * 2007-01-30 2010-01-13 파나소닉 전공 주식회사 보행 능력 진단 시스템
JP2019150329A (ja) * 2018-03-02 2019-09-12 広島県 歩行評価システムおよび歩行評価方法
KR20210115450A (ko) * 2020-03-13 2021-09-27 (주)옵토닉스 낙상 예방을 위한 하이브리드 보행 분석장치 및 그를 포함하는 낙상 예방 관리시스템

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US8206325B1 (en) 2007-10-12 2012-06-26 Biosensics, L.L.C. Ambulatory system for measuring and monitoring physical activity and risk of falling and for automatic fall detection
KR101956429B1 (ko) * 2016-08-25 2019-03-08 정원미 관리 대상자의 상태 인식을 통한 질병 발병 및 위험 상황 방지를 위한 스마트 매트 시스템
US20180177436A1 (en) * 2016-12-22 2018-06-28 Lumo BodyTech, Inc System and method for remote monitoring for elderly fall prediction, detection, and prevention
KR20190070068A (ko) * 2017-12-12 2019-06-20 고용국 웨어러블 장치를 이용한 낙상 사고 관리 시스템
US11411557B2 (en) 2020-05-18 2022-08-09 Ideal Power Inc. Method and system of operating a bi-directional double-base bipolar junction transistor (B-TRAN)

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20100004967A (ko) * 2007-01-30 2010-01-13 파나소닉 전공 주식회사 보행 능력 진단 시스템
JP2019150329A (ja) * 2018-03-02 2019-09-12 広島県 歩行評価システムおよび歩行評価方法
KR20210115450A (ko) * 2020-03-13 2021-09-27 (주)옵토닉스 낙상 예방을 위한 하이브리드 보행 분석장치 및 그를 포함하는 낙상 예방 관리시스템

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115778375A (zh) * 2022-11-11 2023-03-14 北京新清泰克科技有限公司 基于移动终端陀螺仪的跌倒风险评估方法

Also Published As

Publication number Publication date
US20230127412A1 (en) 2023-04-27
JP2023551075A (ja) 2023-12-07
WO2023075042A1 (ko) 2023-05-04
KR102389427B9 (ko) 2023-03-23
EP4198933A1 (en) 2023-06-21
JP7489729B2 (ja) 2024-05-24
EP4198933A4 (en) 2023-11-22

Similar Documents

Publication Publication Date Title
US10653339B2 (en) Time and frequency domain based activity tracking system
US11039760B2 (en) Detection of walking in measurements of the movement of a user
JP5920364B2 (ja) 情報処理装置、代表波形生成方法および代表波形生成プログラム
Jain et al. Stride segmentation of inertial sensor data using statistical methods for different walking activities
CN104215257B (zh) 一种高精度、高去伪、并集成功耗管理的人体计步方法
KR20160031246A (ko) 보행 환경 인식 방법 및 장치
CN111288986B (zh) 一种运动识别方法及运动识别装置
EP3782547B1 (en) Method and system for gait detection of a person
KR102389427B1 (ko) 보행 데이터를 이용한 낙상 위험 예방 방법 및 이러한 방법을 수행하는 장치
CN105268171B (zh) 步态监测方法、装置及可穿戴设备
CN112464738B (zh) 改进朴素贝叶斯算法基于手机传感器的用户行为识别方法
Flood et al. Gait event detection from accelerometry using the teager–kaiser energy operator
Iervolino et al. A wearable device for sport performance analysis and monitoring
Barri Khojasteh et al. Evaluation of a wrist-based wearable fall detection method
Yodpijit et al. The use of smartphone for gait analysis
Martindale et al. Smart annotation tool for multi-sensor gait-based daily activity data
Kao et al. GA-SVM applied to the fall detection system
Villar et al. Peak detection enhancement in autonomous wearable fall detection
Zhang et al. An automatic human fall detection approach using RGBD cameras
Mallol-Ragolta et al. Outer product-based fusion of smartwatch sensor data for human activity recognition
WO2022111203A1 (zh) 心率检测方法和装置
Esseiva et al. Feet fidgeting detection based on accelerometers using decision tree learning and gradient boosting
Retory et al. Gait monitoring and walk distance estimation with an accelerometer during 6-minute walk test
Poli et al. Identification issues associated with the use of wearable accelerometers in lifelogging
Zaeni et al. Classification of the Stride Length based on IMU Sensor using the Decision Tree

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
G170 Re-publication after modification of scope of protection [patent]