KR102404850B1 - 보행 변인을 이용한 노쇠 예측 방법 및 시스템 - Google Patents

보행 변인을 이용한 노쇠 예측 방법 및 시스템 Download PDF

Info

Publication number
KR102404850B1
KR102404850B1 KR1020200135282A KR20200135282A KR102404850B1 KR 102404850 B1 KR102404850 B1 KR 102404850B1 KR 1020200135282 A KR1020200135282 A KR 1020200135282A KR 20200135282 A KR20200135282 A KR 20200135282A KR 102404850 B1 KR102404850 B1 KR 102404850B1
Authority
KR
South Korea
Prior art keywords
gait
subject
data
senescence
senility
Prior art date
Application number
KR1020200135282A
Other languages
English (en)
Other versions
KR20220051644A (ko
Inventor
문경률
김진욱
정다운
김미지
원장원
Original Assignee
한국과학기술연구원
경희대학교 산학협력단
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 한국과학기술연구원, 경희대학교 산학협력단 filed Critical 한국과학기술연구원
Priority to KR1020200135282A priority Critical patent/KR102404850B1/ko
Publication of KR20220051644A publication Critical patent/KR20220051644A/ko
Application granted granted Critical
Publication of KR102404850B1 publication Critical patent/KR102404850B1/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
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/112—Gait analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/1036—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
    • A61B5/1118—Determining activity level
    • 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
    • A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
    • A61B5/1128—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique using image analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6802—Sensor mounted on worn items
    • A61B5/6804—Garments; Clothes
    • A61B5/6807—Footwear
    • 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
    • A61B5/7235—Details of waveform analysis
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems
    • 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
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/30—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for calculating health indices; for individual health risk assessment
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2503/00—Evaluating a particular growth phase or type of persons or animals
    • A61B2503/08—Elderly

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Animal Behavior & Ethology (AREA)
  • Biophysics (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Physiology (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Evolutionary Computation (AREA)
  • Fuzzy Systems (AREA)
  • Mathematical Physics (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

본 발명의 실시예에 따른 노쇠 예측 시스템은 대상자의 보행 관련 데이터를 수집하고, 수집된 대상자의 보행 관련 데이터를 분석해 대상자의 보행 변인을 추출하는 보행 변인 추출부로서, 상기 대상자의 보행 관련 데이터는 상기 대상자의 보행에 따른 대상자의 족저압 데이터, 상기 대상자의 보행에 따른 대상자의 운동학적 데이터 및 상기 대상자의 연속 보행 동작을 촬영한 대상자의 보행 영상 중 적어도 하나를 포함하는, 보행 변인 추출부; 상기 대상자의 보행 변인들을 시간 순서에 따라 배열하여 대상자의 보행 시퀀스 피쳐를 생성하는 보행 특성 생성부; 및 보행 시퀀스 피쳐 입력 시 노쇠 심각도를 출력하도록 학습된 노쇠 예측 모델을 이용하여, 상기 대상자의 보행 시퀀스 피쳐에 기초한 대상자의 노쇠 심각도를 예측하는 노쇠 심각도 평가부를 포함한다.

Description

보행 변인을 이용한 노쇠 예측 방법 및 시스템{Method and system for frailty prediction using gait parameters}
본 발명은 노쇠 예측 방법 및 시스템에 관한 것으로, 구체적으로 보행 변인을 이용한 노쇠 예측 방법 및 시스템에 관한 것이다.
급속도로 인구 고령화가 진행되면서 다양한 노인성 질환이 발병하고 있다. 이러한 질환에는 대표적으로 노쇠, 인지 기능 장애, 근감소증, 우울증이 있다. 여기서, 노쇠는 노화에 따른 전반적인 기능 저하로 생리적인 예비능력이 감소하여 외부 자극에 대한 반응이 저하되고 항상성을 유지할 수 있는 능력이 감퇴된 상태에 해당한다. 특히, 노쇠는 여러 질환에 이환될 위험과 기능 의존, 입원의 가능성이 높아진 상태로, 초기에 진단되지 못하는 경우, 다양한 합병증을 유발하기에, 의료비 지출에 대한 개인적, 사회적 부담이 증가될 수 있다.
종래의 노쇠 진단은 주로 숙련된 실험 진행자 및 평가자와 같은 전문 인력을 갖춘 임상공간에서 진행되었다. 즉, 종래의 노쇠 진단 방법은 제한된 임상 환경을 벗어나 일상 생활 속에서 노쇠를 모니터링하는데 적용되기에는 다소 부적합하다는 한계점을 지니고 있고, 이는 노쇠의 미진단률을 높이는 원인 중 하나이다.
따라서 전문가의 관여 없이 일상 생활 속에서 지속적으로 노쇠 상태를 모니터링할 수 있는 방법 및 시스템이 요구되고 있는 실정이다.
한국 특허 출원 공보 10-2019-0108016
본 발명은 상술한 문제점을 해결하기 위해 안출된 것으로, 구체적으로, 보행 변인을 이용한 노쇠 예측 방법 및 시스템에 관한 것이다.
본 발명의 실시예에 따른 노쇠 예측 시스템은 대상자의 보행 관련 데이터를 수집하고, 수집된 대상자의 보행 관련 데이터를 분석해 대상자의 보행 변인을 추출하는 보행 변인 추출부로서, 상기 대상자의 보행 관련 데이터는 상기 대상자의 보행에 따른 대상자의 족저압 데이터, 상기 대상자의 보행에 따른 대상자의 운동학적 데이터 및 상기 대상자의 연속 보행 동작을 촬영한 대상자의 보행 영상 중 적어도 하나를 포함하는 보행 변인 추출부; 상기 대상자의 보행 변인들을 시간 순서에 따라 배열하여 대상자의 보행 시퀀스 피쳐를 생성하는 보행 특성 생성부; 및 보행 시퀀스 피쳐 입력 시 노쇠 심각도를 출력하도록 학습된 노쇠 예측 모델을 이용하여, 상기 대상자의 보행 시퀀스 피쳐에 기초한 대상자의 노쇠 심각도를 예측하는 노쇠 심각도 평가부를 포함한다.
본 발명의 실시예에 따른 노쇠 예측 시스템은 대상자의 보행 관련 데이터를 수집하는 단계로서, 상기 대상자의 보행 관련 데이터는 상기 대상자의 보행에 따른 대상자의 족저압 데이터, 상기 대상자의 보행에 따른 대상자의 운동학적 데이터 및 상기 대상자의 연속 보행 동작을 촬영한 대상자의 보행 영상 중 적어도 하나를 포함하는 단계; 상기 수집된 대상자의 보행 관련 데이터를 분석해 대상자의 보행 변인을 추출하는 단계; 상기 대상자의 보행 변인들을 시간 순서에 따라 배열하여 대상자의 보행 시퀀스 피쳐를 생성하는 단계; 및 보행 시퀀스 피쳐 입력 시 노쇠 심각도를 출력하도록 학습된 노쇠 예측 모델을 이용하여, 상기 대상자의 보행 시퀀스 피쳐에 기초한 상기 대상자의 노쇠 심각도를 예측하는 단계를 포함한다.
본 발명의 일 실시예에 따른 노쇠 예측 방법 및 시스템은 웨어러블 장비로 획득 가능한 보행 데이터 또는 보행 영상으로부터 대상자의 보행 변인을 추출하고, 보행 변인들의 시계열 특성 분석에 적합한 기계 학습 모델을 이용해 대상자의 노쇠 심각도를 예측할 수 있다.
즉, 고가의 장비, 숙련된 전문가, 복잡한 검사 과정 없이도 일상 생활 속에서 지속적으로 노쇠 상태를 모니터링함으로써 노쇠 관련 질병의 조기 진단, 증상 관리, 적절한 치료의 기회를 대상자들에게 제공할 수 있다.
도 1은 본 발명의 일 실시예에 따른 노쇠 예측 시스템의 블록도이다.
도 2는 보행 변인 추출부의 예시도이다.
도 3a는 데이터 획득 유닛에 대상자의 족저압 데이터를 제공하는 예시적인 족저압 측정 장비를 도시한다.
도 3b는 족저압 측정 장비에서 생성된 대상자의 족저압 데이터의 예시를 도시한다.
도 4a는 데이터 획득 유닛에 대상자의 운동학적 데이터를 제공하는 예시적인 운동학적 데이터 측정 장비를 도시한다.
도 4b는 운동학적 데이터 측정 장비에서 생성된 대상자의 운동학적 데이터의 예시를 도시한다.
도 5는 대상자의의 보행 영상을 분석하는 과정을 도시한 예시도이다.
도 6은 대상자의 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점을 기준으로 추출되는 시간적 보행 변인들의 예시를 도시한다.
도 7은 보행 시퀀스 피쳐의 예시를 도시한다.
도 8은 장단기 기억 네트워크(long short-term network)의 예시적인 구조를 도시한다.
도 9는 본 발명의 다른 실시예에 따른 노쇠 예측 방법의 순서도이다.
이하, 본 발명에 따른 바람직한 실시 형태를 첨부된 도면을 참조하여 상세하게 설명한다. 첨부된 도면과 함께 이하에 개시될 상세한 설명은 본 발명의 예시적인 실시형태를 설명하고자 하는 것이며, 본 발명이 실시될 수 있는 유일한 실시형태를 나타내고자 하는 것이 아니다. 이하의 상세한 설명은 본 발명의 완전한 이해를 제공하기 위해서 구체적 세부사항을 포함한다. 그러나, 당업자는 본 발명이 이러한 구체적 세부사항 없이도 실시될 수 있음을 인지할 수 있다. 이하의 설명에서 사용되는 특정 용어들은 본 발명의 이해를 돕기 위해서 제공된 것이며, 이러한 특정 용어의 사용은 본 발명의 기술적 사상을 벗어나지 않는 범위에서 다른 형태로 변경될 수 있다.
도 1은 본 발명의 일 실시예에 따른 노쇠 예측 시스템의 블록도이다. 도 2는 보행 변인 추출부의 예시도이다. 도 3a는 데이터 획득 유닛에 대상자의 족저압 데이터를 제공하는 예시적인 족저압 측정 장비를 도시한다. 도 3b는 족저압 측정 장비에서 생성된 대상자의 족저압 데이터의 예시를 도시한다. 도 4a는 데이터 획득 유닛에 대상자의 운동학적 데이터를 제공하는 예시적인 운동학적 데이터 측정 장비를 도시한다. 도 4b는 운동학적 데이터 측정 장비에서 생성된 대상자의 운동학적 데이터의 예시를 도시한다. 도 5는 대상자의의 보행 영상을 분석하는 과정을 도시한 예시도이다. 도 6은 대상자의 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점을 기준으로 추출되는 시간적 보행 변인들의 예시를 도시한다. 도 7은 보행 시퀀스 피쳐의 예시를 도시한다. 도 8은 장단기 기억 네트워크의 예시적인 구조를 도시한다.
도 1 내지 도 8을 참조하면, 노쇠 예측 시스템(10)은 보행 변인 추출부(100), 보행 특성 생성부(110), 노쇠 심각도 평가부(120), 노쇠 예측 모델 구축부(130) 및 데이터베이스(140)을 포함한다.
실시예들에 따른 노쇠 예측 시스템(10)은, 전적으로 하드웨어이거나, 또는 부분적으로 하드웨어이고 부분적으로 소프트웨어인 측면을 가질 수 있다. 예컨대, 본 명세서의 노쇠 예측 시스템 및 이에 포함된 각 부(unit)는, 특정 형식 및 내용의 데이터를 전자통신 방식으로 주고받기 위한 장치 및 이에 관련된 소프트웨어를 통칭할 수 있다. 본 명세서에서 "부", "모듈(module)", "서버(server)", "시스템", "장치" 또는 "단말" 등의 용어는 하드웨어 및 해당 하드웨어에 의해 구동되는 소프트웨어의 조합을 지칭하는 것으로 의도된다. 예를 들어, 여기서 하드웨어는 CPU 또는 다른 프로세서(processor)를 포함하는 데이터 처리 기기일 수 있다. 또한, 하드웨어에 의해 구동되는 소프트웨어는 실행중인 프로세스, 객체(object), 실행파일(executable), 실행 스레드(thread of execution), 프로그램(program) 등을 지칭할 수 있다.
또한, 노쇠 예측 시스템을 구성하는 각각의 부는 반드시 물리적으로 구분되는 별개의 구성요소를 지칭하는 것으로 의도되지 않는다. 도 1에서 보행 변인 추출부(100), 보행 특성 생성부(110), 노쇠 심각도 평가부(120), 노쇠 예측 모델 구축부(130) 및 데이터베이스(140)는 서로 구분되는 별개의 블록으로 도시되나, 이는 노쇠 예측 시스템을 구성하는 장치를 해당 장치에 의해 실행되는 동작에 의해 단지 기능적으로 구분한 것이다. 따라서, 실시예에 따라서는 보행 변인 추출부(100), 보행 특성 생성부(110), 노쇠 심각도 평가부(120), 노쇠 예측 모델 구축부(130) 및 데이터베이스(140)는 일부 또는 전부가 동일한 하나의 장치 내에 집적화될 수 있고, 하나 이상이 다른 부와 물리적으로 구분되는 별개의 장치로 구현될 수도 있으며, 분산 컴퓨팅 환경 하에서 서로 통신 가능하게 연결된 컴포넌트들일 수도 있다.
보행 변인 추출부(100)는 대상자의 보행 관련 데이터를 수집하고, 수집된 대상자의 보행 관련 데이터를 분석하여 대상자의 보행 변인을 추출할 수 있다. 여기서, 보행 관련 데이터는 상기 대상자의 보행에 따른 대상자의 족저압 데이터, 상기 대상자의 보행에 따른 대상자의 운동학적 데이터 및 상기 대상자의 연속 보행 동작을 촬영한 보행 영상 중 적어도 하나를 포함할 수 있다.
도 2를 참조하면, 보행 변인 추출부(100)는 데이터 획득 유닛(101), 족저압 데이터 분석 유닛(102), 운동학적 데이터 분석 유닛(103), 보행 영상 분석 유닛(104) 및 보행 변인 추출 유닛(105)을 포함한다.
데이터 획득 유닛(101)은 족저압 측정 장비(200), 운동학적 데이터 측정 장비(300) 및 카메라(미도시)와 통신망을 통해 데이터를 교환하도록 구성될 수 있다. 통신망은 데이터 획득 유닛(101), 족저압 측정 장비(200), 운동학적 데이터 측정 장비(300) 및 카메라(미도시)가 서로 접속한 후 패킷 데이터를 송수신할 수 있도록 접속 경로를 제공한다. 통신망은 예컨대 LANs(Local Area Networks), WANs(Wide Area Networks), MANs(Metropolitan Area Networks), ISDNs(Integrated Service Digital Networks) 등의 유선 네트워크나, 무선 LANs, CDMA, 블루투스, 위성 통신 등의 무선 네트워크를 망라할 수 있으나, 본 발명의 범위가 이에 한정되는 것은 아니다.
족저압 측정 장비(200)는 대상자의 보행에 따른 대상자의 족저압 데이터를 측정할 수 있다. 대상자는 일정 시간동안 보행을 수행할 수 있으며, 연속된 보행 동작에 따라 변화하는 대상자의 족저압 데이터를 족저압 측정 장비(200)를 통해 획득할 수 있다. 예시적으로, 도 3a에 도시된 족저압 측정 장비(200)는 복수의 압력센서(201)를 포함한 신발 안창(insole)으로 구성될 수 있다. 족저압 측정 장비(200)는 보행 중 족저압의 변화를 감지하여 도 3b와 같은 족저압 데이터를 획득할 수 있다. 데이터 획득 유닛(101)은 대상자의 족저압 데이터를 족저압 측정 장비(200)로부터 수신하고, 족저압 데이터 분석 유닛(102)에 대상자의 족저압 데이터를 전달할 수 있다.
운동학적 데이터 측정 장비(300)는 대상자의 보행에 따른 대상자의 운동학적 데이터를 측정할 수 있다. 대상자는 일정 시간동안 보행을 수행할 수 있으며, 연속된 보행 동작에 따라 변화하는 대상자의 운동학적 데이터를 운동학적 데이터 측정 장비(300)를 통해 획득할 수 있다. 여기서, 운동학적 데이터는 가속도 데이터 및 각속도 데이터를 포함할 수 있다. 운동학적 데이터 측정 장비(300)는 대상자의 신체 일부에 부착되어 보행에 따른 가속도 데이터 및 각속도 데이터의 변화를 측정할 수 있다. 여기서, 운동학적 데이터 측정 장비(300)는 도 4a에 도시된 바와 같이 대상자의 신발에 부착될 수 있으나, 이에 한정되는 것은 아니다. 도 4b는 측정된 운동학적 데이터의 예시로, 보행에 따른 발목의 배측굴곡(dorsiflexion)과 족측굴곡(plantarflexion)의 변화를 도시한 것이다. 데이터 획득 유닛(101)은 대상자의 운동학적 데이터를 운동학적 데이터 측정 장비(300)로부터 수신하고, 운동학적 데이터 분석 유닛(103)에 대상자의 운동학적 데이터를 전달할 수 있다.
또한, 대상자의 보행은 카메라(미도시)에 의해 촬영될 수 있다. 즉, 일정 시간 동안 대상자의 보행 동작에 대한 연속 이미지인 보행 영상이 카메라(미도시)를 통해 획득될 수 있다. 데이터 획득 유닛(101)은 이러한 대상자의 보행 영상을 카메라로부터 수신하고, 보행 영상 분석 유닛(104)에 대상자의 보행 영상을 전달할 수 있다.
족저압 데이터 분석 유닛(102)은 도 3b에 도시된 바와 같이, 대상자의 족저압 데이터에서 대상자의 발꿈치 영역에서 최대 압력이 감지되는 시점을 파악하여 발꿈치 접지(heel strike) 시점, 발가락 영역에서 최대 압력이 감지되는 시점을 파악하여 발가락 들기(toe off) 시점을 검출할 수 있다.
운동학적 데이터 분석 유닛(103)은 도 4b에 도시된 바와 같이, 대상자의 운동학적 데이터에서 대상자의 발목관절 배측굴곡 각도가 최대가 되는 시점을 파악하여 발꿈치 접지(heel strike) 시점, 족측굴절 각도가 최대가 되는 시점을 파악하여 발가락 들기(toe off) 시점을 검출할 수 있다.
보행 영상 분석 유닛(104)은 대상자의 보행 영상에서 대상자의 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점을 검출할 수 있다. 예시적으로, 도 5에 도시된 바와 같이, 보행 영상 분석 유닛(104)은 촬영된 보행 영상을 프레임 단위로 구분하고, 프레임 단위로 분리된 영상에서 대상자를 추출하며, 추출된 대상자의 동작을 인지하여 대상자의 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점을 검출할 수 있다.
여기서, 일정 시간 동안 대상자가 보행을 수행함에 따라 복수의 발꿈치 접지(heel strike) 시점과 복수의 발가락 들기(toe off) 시점이 검출될 수 있다. 족저압 데이터 분석 유닛(102), 운동학적 데이터 분석 유닛(103) 및 보행 영상 분석 유닛(104)은 복수의 발꿈치 접지(heel strike) 시점과 복수의 발가락 들기(toe off) 시점 각각을 시간 순서대로 추출할 수 있다. 또한, 족저압 데이터 분석 유닛(102), 운동학적 데이터 분석 유닛(103) 및 보행 영상 분석 유닛(104)은 대상자의 오른발과 왼발을 구분하여 오른발에 대한 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점 및 왼발에 대한 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점을 각각 검출할 수 있다. 즉, 오른발에 대한 복수의 발꿈치 접지(heel strike) 시점과 복수의 발가락 들기(toe off) 시점이 발생 시점에 따라 검출되고, 왼발에 대한 복수의 발꿈치 접지(heel strike) 시점과 복수의 발가락 들기(toe off) 시점이 발생 시점에 따라 검출될 수 있다.
보행 변인 추출 유닛(105)은 족저압 데이터 분석 유닛(102), 운동학적 데이터 분석 유닛(103) 및 보행 영상 분석 유닛(104) 중 적어도 하나에서 검출된 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점에 기초하여 대상자의 보행 변인을 추출할 수 있다.
구체적으로, 보행 변인 추출 유닛(105)은 검출된 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점에 기초하여 대상자의 시간적 보행 변인을 추출할 수 있다. 여기서, 보행 변인 추출 유닛(105)은 상술한 분석 유닛(102, 103, 104)으로부터 오른발에 대한 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점 및 왼발에 대한 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점을 모두 제공 받을 수 있다.
보행 변인 추출 유닛(105)에서 추출되는 시간적 보행 변인은 입각기(stance phase), 유각기(swing phase), 걸음(step), 활보(stride), 초기 양하지 지지기(initial double-limb support period), 말기 양하지 지지기(terminal double-limb support period) 및 단하지 지지기(single-limb support period) 중 적어도 하나의 구간의 지속 시간에 해당할 수 있다. 즉, 보행 변인 추출 유닛(105)은 적어도 한 종류 이상의 시간적 보행 변인을 추출할 수 있다.
도 6을 참조하면, 입각기는 발꿈치 접지 시점부터 발가락 들기 시점 사이 기간을 의미한다. 유각기는 발가락 들기 시점부터 발꿈치 접지 시점 사이 기간을 의미한다. 걸음은 한발의 발꿈치 접지 시점부터 다른 발의 발꿈치 접지 시점 사이 기간을 의미한다. 활보는 한발의 발꿈치 접지 시점과 동일한 발의 다음 발꿈치 접지 시점 사이 기간을 의미한다. 초기 양하지 지지기는 한발의 발꿈치 접지 시점과 다른 발의 발가락 들기 시점 사이 기간으로, 양발로 체중을 지지하는 첫 번째 기간을 의미한다. 단하지 지지기는 초기 양하지 지지기 이후 한발로 체중을 지지하는 시기를 의미한다. 말기 양하지 지지기는 단하지 지지기 이후 다른발의 발꿈치 접지 시점부터 한발의 발가락 들기 시점 사이 기간으로, 양발로 체중을 지지하는 두 번째 기간을 의미한다.
또한, 오른발에 관한 시간적 보행 변인과 왼발에 관한 시간적 보행 변인이 각각 시간 순서에 따라 추출될 수 있다. 오른발로 보행을 시작한 경우를 예로 들면, n번째 왼발 활보 시간(L.Striden)의 추출과 n+1번째 왼발 활보 시간(L.Striden+1)의 추출 사이에 n번째 오른발 활보 시간(R.Striden)의 추출이 이루어질 수 있다. 또한, n+1번째 오른발 활보 시간(R.Striden+1)의 추출과 n+2번째 오른발 활보 시간(R.Striden+2)의 추출 사이에 n+2번째 왼발 활보 시간(L.Striden+2)의 추출이 이루어질 수 있다.
보행 변인 추출 유닛(105)에서 추출된 시간적 보행 변인은 보행 특성 생성부(110)로 제공될 수 있다.
보행 특성 생성부(110)는 보행 변인들을 시간 순서에 따라 배열하여 대상자의 보행 시퀀스 피쳐(sequence feature)를 생성할 수 있으며, 이는 장단기 기억 네트워크(long short-term memory network) 훈련을 위한 입력 데이터 생성 과정일 수 있다.
보행 특성 생성부(110)는 일정 크기의 윈도우를 설정하고 이 윈도우를 일정 간격으로 이동시키는 과정을 통해 보행 시퀀스 피쳐를 연속적으로 생성할 수 있다. 도 7에 도시된 바와 같이 대상자의 활보 시간으로 보행 시퀀스 피쳐를 구성하는 경우를 예로 들면, n번째 윈도우는 n번째 왼발 활보 시간(L.Striden), n+1번째 왼발 활보 시간(L.Striden+1), n+2번째 왼발 활보 시간(L.Striden+2)과 n번째 오른발 활보 시간(R.Striden), n+1번째 오른발 활보 시간(R.Striden+1), n+2번째 오른발 활보 시간(R.Striden+2)을 포함하고 있으며 이들을 시간 순서대로 배열하여 총 6개의 활보 시간들(L.Striden, R.Striden, L.Striden+1, R.Striden+1, L.Striden+2, R.Striden+2)로 구성된 1 x 6 크기의 n번째 활보 시퀀스 피쳐를 획득할 수 있다. n+1번째 윈도우는 n+1번째 왼발 활보 시간(L.Striden+1), n+2번째 왼발 활보 시간(L.Striden+2), n+3번째 왼발 활보 시간(L.Striden+3)과 n+1번째 오른발 활보 시간(R.Striden+1), n+2번째 오른발 활보 시간(R.Striden+2), n+3번째 오른발 활보 시간(R.Striden+3)을 포함하고 있으며 이들을 시간 순서대로 배열하여 총 6개의 활보 시간들(L.Striden+1, R.Striden+1, L.Striden+2, R.Striden+2, L.Striden+3, R.Striden+3)로 구성된 1 x 6 크기의 n+1번째 활보 시퀀스 피쳐를 획득할 수 있다.
또한, 보행 변인 추출 유닛(105)에서 추출된 시간적 보행 변인이 복수 종류인 경우, 보행 시퀀스 피쳐는 M x N 크기의 매트릭스 형태로 구성될 수 있다. 여기서, M은 시간적 보행 변인의 종류, N은 시간 순서에 따라 배열되는 시간적 보행 변인의 개수에 해당한다. 즉, 서로 다른 종류의 시간적 보행 변인들을 포함한 보행 시퀀스 피쳐가 준비될 수 있으며, 생성된 보행 시퀀스 피쳐는 노쇠 심각도 평가부(120)로 제공될 수 있다.
노쇠 심각도 평가부(120)는 보행 시퀀스 피쳐 입력 시 노쇠 심각도를 출력하도록 학습된 노쇠 예측 모델을 이용하여, 대상자의 보행 시퀀스 피쳐에 기초하여 대상자의 노쇠 심각도를 예측할 수 있다. 노쇠 예측 모델은 보행 시퀀스 피쳐 입력 시 대상자의 노쇠 심각도를 출력하도록 학습된 인공 신경망(artificial neural network, ANN) 모델일 수 있다.
구체적으로, 노쇠 예측 모델은 시간에 따라 매순간 신경망을 쌓아올리는 재귀(recurrent) 신경망을 포함할 수 있다. 여기서, 보행 변인들은 연속성을 가진 시계열 데이터에 해당하며, 노쇠 심각도 평가부(120)는 장기 기억 학습 능력이 뛰어나 이러한 시계열 데이터의 패턴 분석에 적합한 장단기 기억 네트워크(long short-term memory network)를 사용해 대상자의 보행 패턴을 기반으로 대상자의 노쇠 심각도를 판단할 수 있다.
도 8의 예시적인 장단기 기억 네트워크 구조를 참조하면, 장단기 기억 네트워크는 보행 시퀀스 피쳐에 포함된 시간적 보행 변인들을 순차적으로 입력받아 보행 패턴을 인식할 수 있다.
노쇠 예측 모델 구축부(130)는 보행 시퀀스 피쳐를 입력 시 노쇠 심각도가 출력되도록 기계 학습 알고리즘을 훈련시킬 수 있다. 복수의 대상자의 보행 시퀀스 피쳐가 입력 데이터로, 이에 대응하는 노쇠 심각도가 출력 데이터로 노쇠 예측 모델 구축부(130)에 제공될 수 있으며, 기계 학습 알고리즘 기반의 분류 학습이 진행될 수 있다.
여기서, 노쇠 예측 모델은 임상에서 사용되는 FRAIL 척도 또는 CHS(Cardiovascular Health Study) 노쇠 지표 등을 기준으로 대상자의 노쇠 심각도를 판단하도록 훈련될 수 있다. 노쇠 예측 모델은 입력된 보행 시퀀스 피쳐에 따라 대상자의 노쇠 정도를 “비노쇠”와 “노쇠”로 이분화하거나 “비노쇠”, “전노쇠”, “노쇠”로 삼분화하여 출력하도록 훈련될 수 있다.
노쇠 예측 모델 구축부(130)는 설정에 따라 차기 노쇠 예측 모델의 구조를 자동 업데이트하도록 제어될 수 있다. 기구축된 노쇠 예측 모델의 훈련에 사용되지 않은 새로운 대상자의 데이터가 데이터베이스(140)에 저장될 수 있고, 노쇠 예측 모델 구축부(130)는 확장된 데이터베이스를 활용해 범용성이 개선된 노쇠 예측 모델을 구축할 수 있다. 노쇠 심각도 평가부(120)는 새로 구축된 노쇠 예측 모델을 이용해 향상된 정확도로 노쇠 심각도 평가를 제공할 수 있다.
몇몇 실시예에서, 대상자의 보행 시퀀스 피쳐 외에 대상자의 인구학적 특성(성별, 나이) 및 대상자의 인체 측정학적 특성(신장, 체중, 종아리 둘레) 중 적어도 하나가 입력 데이터로 더 제공될 수 있다. 노쇠 예측 모델 구축부(130)는 보행 시퀀스 피쳐와 대상자의 인구학적 특성 및 대상자의 인체 측정학적 특성 중 적어도 하나의 데이터를 입력 시 대상자의 노쇠 심각도가 출력되도록 기계 학습 알고리즘을 훈련시킬 수 있다. 노쇠 심각도 평가부(120)는 훈련된 기계 학습 알고리즘을 이용하여 대상자의 보행 시퀀스 피쳐, 대상자의 인구학적 특성 및 대상자의 인체 측정학적 특성에 기초한 대상자의 노쇠 심각도 평가를 제공할 수 있다.
본 발명의 실시예에 따른 노쇠 예측 시스템은 웨어러블 장비로 획득 가능한 보행 데이터 또는 보행 영상으로부터 대상자의 보행 변인을 추출하고, 보행 변인들의 시계열 특성 분석에 적합한 기계 학습 모델을 이용해 대상자의 노쇠 심각도를 예측할 수 있다.
즉, 고가의 장비, 숙련된 전문가, 복잡한 검사 과정 없이도 일상 생활 속에서 지속적으로 노쇠 상태를 모니터링함으로써 노쇠 관련 질병의 조기 진단, 증상 관리, 적절한 치료의 기회를 대상자들에게 제공할 수 있다.
이하, 본 발명의 다른 실시예에 따른 노쇠 예측 방법에 대해 설명하도록 한다.
도 9는 본 발명의 다른 실시예에 따른 노쇠 예측 방법의 순서도이다. 상기 방법은 상술한 도 1 내지 도 8의 시스템에서 수행될 수 있고, 본 실시예의 설명을 위해 도 1 내지 도 8이 참조될 수 있다.
도 9를 참조하면, 본 발명의 일 실시예에 따른 노쇠 예측 방법은 대상자의 보행 관련 데이터를 수집하는 단계(S100); 상기 수집된 대상자의 보행 관련 데이터를 분석하여 대상자의 보행 변인을 추출하는 단계(S110); 상기 대상자의 보행 변인들을 시간 순서에 따라 배열하여 대상자의 보행 시퀀스 피쳐를 생성하는 단계(S120); 및 보행 시퀀스 피쳐 입력 시 노쇠 심각도를 출력하도록 학습된 노쇠 예측 모델을 이용하여, 상기 대상자의 보행 시퀀스 피쳐에 기초한 상기 대상자의 노쇠 심각도를 예측하는 단계(S130)를 포함한다.
먼저, 대상자의 보행 관련 데이터를 수집한다(S100).
본 단계(S100)는 노쇠 예측 시스템(10)의 보행 변인 추출부(100)에서 수행될 수 있다.
상기 대상자의 보행 관련 데이터는 상기 대상자의 보행에 따른 대상자의 족저압 데이터, 상기 대상자의 보행에 따른 대상자의 운동학적 데이터 및 상기 대상자의 연속 보행 동작을 촬영한 대상자의 보행 영상 중 적어도 하나를 포함할 수 있다.
보행 변인 추출부(100)의 데이터 획득 유닛(101)은 족저압 측정 장비(200), 운동학적 데이터 측정 장비(300) 및 카메라(미도시)와 통신망을 통해 데이터를 교환하도록 구성될 수 있다.
즉, 상기 대상자의 보행 관련 데이터를 수집하는 단계(S100)는 족저압 측정 장비로부터 상기 족저압 데이터를 상기 통신망을 통해 수신하는 단계, 운동학적 데이터 측정 장비로부터 상기 운동학적 데이터를 상기 통신망을 통해 수신하는 단계, 카메라로부터 상기 보행 영상을 상기 통신망을 통해 수신하는 단계 중 적어도 하나를 포함할 수 있다. 여기서, 족저압 측정 장비(200)는 복수의 압력센서(201)를 포함한 신발 안창(insole)을 포함할 수 있다.
다음으로, 상기 수집된 대상자의 보행 관련 데이터를 분석해 대상자의 보행 변인을 추출한다(S110).
본 단계(S110)는 노쇠 예측 시스템(10)의 보행 변인 추출부(100)에서 수행될 수 있다.
본 단계(S110)는, 상기 대상자의 족저압 데이터, 상기 대상자의 운동학적 데이터 및 상기 대상자의 보행 영상 중 적어도 하나를 통해 대상자의 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점을 검출하는 단계; 및 상기 검출된 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점에 기초하여 대상자의 보행 변인을 추출하는 단계를 포함할 수 있다.
여기서, 일정 시간 동안 대상자가 보행을 수행함에 따라 복수의 발꿈치 접지(heel strike) 시점과 복수의 발가락 들기(toe off) 시점이 검출될 수 있으며, 대상자의 오른발과 왼발을 구분하여 오른발에 대한 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점 및 왼발에 대한 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점을 각각 검출할 수 있다. 상술한 방법들 중 적어도 하나에 의해 검출된 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점에 기초하여 대상자의 보행 변인이 추출될 수 있다.
여기서, 상기 검출된 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점에 기초하여 대상자의 시간적 보행 변인이 상기 보행 변인으로 추출될 수 있다. 상기 시간적 보행 변인은 입각기(stance phase), 유각기(swing phase), 걸음(step), 활보(stride), 초기 양하지 지지기(initial double-limb support period), 말기 양하지 지지기(terminal double-limb support period) 및 단하지 지지기(single-limb support period) 중 적어도 하나의 구간의 지속 시간에 해당할 수 있다.
다음으로, 상기 대상자의 보행 변인들을 시간 순서에 따라 배열하여 대상자의 보행 시퀀스 피쳐를 생성한다(S120).
본 단계(S120)는 노쇠 예측 시스템(10)의 보행 특성 생성부(110)에서 수행될 수 있다.
보행 특성 생성부(110)는 보행 변인들을 시간 순서에 따라 배열하여 대상자의 보행 시퀀스 피쳐를 생성할 수 있다. 보행 특성 생성부(110)는 장단기 기억 네트워크(long short-term memory network) 훈련을 위한 입력 데이터 생성 과정을 수행할 수 있다.
여기서, 시간적 보행 변인이 복수의 종류로 추출되는 경우, 상기 보행 시퀀스 피쳐는 M x N 크기로 구성될 수 있다. 상기 M은 상기 시간적 보행 변인의 종류이고, 상기 N은 시간 순서에 따라 배열되는 시간적 보행 변인의 개수에 해당한다.
다음으로, 보행 시퀀스 피쳐 입력 시 노쇠 심각도를 출력하도록 학습된 노쇠 예측 모델을 이용하여, 상기 대상자의 보행 시퀀스 피쳐에 기초하여 상기 대상자의 노쇠 심각도를 예측한다(S130).
본 실시예에 따른 방법은 본 단계(S130)의 수행 이전, 노쇠 예측 모델이 구축되는 단계를 더 포함할 수 있다. 상기 노쇠 예측 모델은 장기 기억 학습 능력이 뛰어나 시계열 데이터의 패턴 분석에 적합한 장단기 기억 네트워크를 포함할 수 있다.
노쇠 예측 모델은 임상에서 사용되는 FRAIL 척도 또는 CHS(Cardiovascular Health Study) 노쇠 지표 등을 기준으로 대상자의 노쇠 심각도를 판단하도록 훈련될 수 있다. 노쇠 예측 모델은 입력된 보행 시퀀스 피쳐에 따라 대상자의 노쇠 정도를 “비노쇠”와 “노쇠”로 이분화하거나 “비노쇠”, “전노쇠”, “노쇠”로 삼분화하여 출력하도록 훈련될 수 있다.
본 발명의 실시예에 따른 노쇠 예측 방법은 웨어러블 장비로 획득이 가능한 보행 데이터 또는 보행 영상으로부터 대상자의 보행 변인을 추출하고, 보행 변인들의 시계열 특성 분석에 적합한 기계 학습 모델을 이용해 대상자의 노쇠 심각도를 예측할 수 있다.
즉, 고가의 장비, 숙련된 전문가, 복잡한 검사 과정 없이도 일상 생활 속에서 지속적으로 노쇠 상태를 모니터링함으로써 노쇠 관련 질병의 조기 진단, 증상 관리, 적절한 치료의 기회를 대상자들에게 제공할 수 있다.
이상에서는 실시예들을 참조하여 설명하였지만 본 발명은 이러한 실시예들 또는 도면에 의해 한정되는 것으로 해석되어서는 안 되며, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
10: 노쇠 예측 시스템
100: 보행 변인 추출부
110: 보행 특성 생성부
120: 노쇠 심각도 평가부
130: 노쇠 예측 모델 구축부
140: 데이터베이스

Claims (12)

  1. 대상자의 보행 관련 데이터를 수집하고, 수집된 대상자의 보행 관련 데이터를 분석하여 대상자의 시간적 보행 변인을 추출하는 보행 변인 추출부로서, 상기 대상자의 보행 관련 데이터는 상기 대상자의 보행에 따른 대상자의 족저압 데이터, 상기 대상자의 보행에 따른 대상자의 운동학적 데이터 및 상기 대상자의 연속 보행 동작을 촬영한 대상자의 보행 영상 중 적어도 하나를 포함하는, 보행 변인 추출부;
    상기 대상자의 시간적 보행 변인들을 시간 순서에 따라 배열하여 대상자의 보행 시퀀스 피쳐를 생성하는 보행 특성 생성부; 및
    보행 시퀀스 피쳐 입력 시 노쇠 심각도를 출력하도록 학습된 노쇠 예측 모델을 이용하여, 상기 대상자의 보행 시퀀스 피쳐에 기초한 대상자의 노쇠 심각도를 예측하는 노쇠 심각도 평가부를 포함하고,
    상기 시간적 보행 변인이 복수의 종류로 추출되는 경우,
    상기 보행 시퀀스 피쳐는 M x N 크기로 구성되고, 상기 M은 상기 시간적 보행 변인의 종류이고, 상기 N은 시간 순서에 따라 배열되는 시간적 보행 변인의 개수인 것을 특징으로 하는 노쇠 예측 시스템.
  2. 제1 항에 있어서,
    상기 보행 변인 추출부는,
    상기 대상자의 족저압 데이터에서 대상자의 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점을 검출하는 족저압 데이터 분석 유닛;
    상기 대상자의 운동학적 데이터에서 대상자의 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점을 검출하는 운동학적 데이터 분석 유닛;
    상기 보행 영상에서 대상자의 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점을 검출하는 보행 영상 분석 유닛; 및
    상기 족저압 데이터 분석 유닛, 상기 운동학적 데이터 분석 유닛 및 상기 보행 영상 분석 유닛 중 적어도 하나에서 검출된 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점에 기초하여 대상자의 시간적 보행 변인을 추출하는 보행 변인 추출 유닛을 포함하는 노쇠 예측 시스템.
  3. 제2 항에 있어서,
    상기 시간적 보행 변인은 입각기(stance phase), 유각기(swing phase), 걸음(step), 활보(stride), 초기 양하지 지지기(initial double-limb support period), 말기 양하지 지지기(terminal double-limb support period) 및 단하지 지지기(single-limb support period) 중 적어도 하나의 구간의 지속 시간에 해당하는 것을 특징으로 하는 노쇠 예측 시스템.
  4. 삭제
  5. 제1 항에 있어서,
    상기 노쇠 예측 모델은 보행 시퀀스 피쳐 입력 시 노쇠 심각도를 출력하도록 학습된 장단기 기억 네트워크(long short-term memory network)를 포함하는 것을 특징으로 하는 노쇠 예측 시스템.
  6. 제1 항에 있어서,
    상기 보행 변인 추출부는 족저압 측정 장비로부터 상기 족저압 데이터를 통신망을 통해 수신하고, 운동학적 데이터 측정 장비로부터 상기 운동학적 데이터를 상기 통신망을 통해 수신하고, 카메라로부터 상기 보행 영상을 상기 통신망을 통해 수신하도록 구성된 데이터 획득 유닛을 더 포함하고,
    상기 족저압 측정 장비는 복수의 압력센서를 포함한 신발 안창(insole)을 포함하는 노쇠 예측 시스템.
  7. 노쇠 예측 시스템에서 수행되는 노쇠 예측 방법으로, 상기 방법은:
    대상자의 보행 관련 데이터를 수집하는 단계로서, 상기 대상자의 보행 관련 데이터는 상기 대상자의 보행에 따른 대상자의 족저압 데이터, 상기 대상자의 보행에 따른 대상자의 운동학적 데이터 및 상기 대상자의 연속 보행 동작을 촬영한 대상자의 보행 영상 중 적어도 하나를 포함하는, 단계;
    상기 수집된 대상자의 보행 관련 데이터를 분석해 대상자의 시간적 보행 변인을 추출하는 단계;
    상기 대상자의 시간적 보행 변인들을 시간 순서에 따라 배열하여 대상자의 보행 시퀀스 피쳐를 생성하는 단계; 및
    보행 시퀀스 피쳐 입력 시 노쇠 심각도를 출력하도록 학습된 노쇠 예측 모델을 이용하여, 상기 대상자의 보행 시퀀스 피쳐에 기초한 상기 대상자의 노쇠 심각도를 예측하는 단계를 포함하고,
    상기 시간적 보행 변인이 복수의 종류로 추출되는 경우,
    상기 보행 시퀀스 피쳐는 M x N 크기로 구성되고, 상기 M은 상기 시간적 보행 변인의 종류이고, 상기 N은 시간 순서에 따라 배열되는 시간적 보행 변인의 개수인 것을 특징으로 하는 노쇠 예측 방법.
  8. 제7 항에 있어서,
    상기 수집된 대상자의 보행 관련 데이터를 기초로 대상자의 시간적 보행 변인을 추출하는 단계는,
    상기 대상자의 족저압 데이터, 상기 대상자의 운동학적 데이터 및 상기 대상자의 보행 영상 중 적어도 하나를 통해 대상자의 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점을 검출하는 단계; 및
    상기 검출된 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점에 기초하여 대상자의 시간적 보행 변인을 추출하는 단계를 포함하는 노쇠 예측 방법.
  9. 제8 항에 있어서,
    상기 시간적 보행 변인은 입각기(stance phase), 유각기(swing phase), 걸음(step), 활보(stride), 초기 양하지 지지기(initial double-limb support period), 말기 양하지 지지기(terminal double-limb support period) 및 단하지 지지기(single-limb support period) 중 적어도 하나의 구간의 지속 시간에 해당하는 것을 특징으로 하는 노쇠 예측 방법.
  10. 삭제
  11. 제7 항에 있어서,
    상기 노쇠 예측 모델은 보행 시퀀스 피쳐 입력 시 노쇠 심각도를 출력하도록 학습된 장단기 기억 네트워크(long short-term memory network)를 포함한 모델인 것을 특징으로 하는 노쇠 예측 방법.
  12. 제7 항에 있어서,
    상기 대상자의 보행 관련 데이터를 수집하는 단계는,
    족저압 측정 장비로부터 상기 족저압 데이터를 통신망을 통해 수신하는 단계, 운동학적 데이터 측정 장비로부터 상기 운동학적 데이터를 상기 통신망을 통해 수신하는 단계, 카메라로부터 상기 보행 영상을 상기 통신망을 통해 수신하는 단계 중 적어도 하나를 포함하고,
    상기 족저압 측정 장비는 복수의 압력센서를 포함한 신발 안창(insole)을 포함하는 노쇠 예측 방법.
KR1020200135282A 2020-10-19 2020-10-19 보행 변인을 이용한 노쇠 예측 방법 및 시스템 KR102404850B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200135282A KR102404850B1 (ko) 2020-10-19 2020-10-19 보행 변인을 이용한 노쇠 예측 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200135282A KR102404850B1 (ko) 2020-10-19 2020-10-19 보행 변인을 이용한 노쇠 예측 방법 및 시스템

Publications (2)

Publication Number Publication Date
KR20220051644A KR20220051644A (ko) 2022-04-26
KR102404850B1 true KR102404850B1 (ko) 2022-06-07

Family

ID=81391541

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200135282A KR102404850B1 (ko) 2020-10-19 2020-10-19 보행 변인을 이용한 노쇠 예측 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR102404850B1 (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101856053B1 (ko) 2017-02-22 2018-05-10 (주)스윙뱅크 위험상황에 대처하기 위한 신발 패드 및 이를 이용한 위험 상황 판단 방법

Family Cites Families (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20170098640A (ko) * 2016-02-22 2017-08-30 엘지전자 주식회사 인솔 및 이동 단말기
KR102110305B1 (ko) * 2017-10-31 2020-06-08 권혁준 운동량 체크를 위한 스마트 헬스케어 시스템
KR102124095B1 (ko) * 2018-03-06 2020-06-17 단국대학교 산학협력단 족저압 변화 및 보행 패턴 분석을 위한 장치 및 방법
KR102107379B1 (ko) 2018-03-13 2020-05-07 서울대학교병원 3축 동작측정기를 이용한 노쇠 예측 방법, 3축 동작측정기를 이용한 노쇠 예측 시스템 및 웨어러블 노쇠 예측 장치
KR102128267B1 (ko) * 2018-04-17 2020-06-30 한국과학기술연구원 제자리 걸음 특성 정보를 이용한 보행 능력 예측 방법 및 시스템
KR102128268B1 (ko) * 2018-04-17 2020-06-30 한국과학기술연구원 발 특성 정보를 이용한 보행 능력 예측 방법 및 시스템
KR102313044B1 (ko) * 2019-10-16 2021-10-19 한국과학기술연구원 제자리 걸음 특성을 이용한 노인 건강 상태 평가 방법 및 시스템

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101856053B1 (ko) 2017-02-22 2018-05-10 (주)스윙뱅크 위험상황에 대처하기 위한 신발 패드 및 이를 이용한 위험 상황 판단 방법

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
국제학회지 Ito, Chihiro, et al. Application of CNN for human activity recognition with FFT spectrogram of acceleration and gyro sensors. Proceedings of the 2018 ACM International Joint Conference and 2018*
이성신 외 2명, "스마트 깔창의 센서를 이용한 보행 타입 분류 방법", 한국 통신 학회, 1378~1381 페이지, 2018. 08.

Also Published As

Publication number Publication date
KR20220051644A (ko) 2022-04-26

Similar Documents

Publication Publication Date Title
Hannink et al. Mobile stride length estimation with deep convolutional neural networks
US8823526B2 (en) Method of assessing human fall risk using mobile systems
Mariani et al. Quantitative estimation of foot-flat and stance phase of gait using foot-worn inertial sensors
TW201403535A (zh) 步態分析方法及步態分析系統
CN108836344B (zh) 步长步频估算方法和装置及步态检测仪
CN108814617A (zh) 冻结步态识别方法和装置及步态检测仪
KR20190120922A (ko) 제자리 걸음 특성 정보를 이용한 보행 능력 예측 방법 및 시스템
Hannink et al. Stride length estimation with deep learning
KR102128268B1 (ko) 발 특성 정보를 이용한 보행 능력 예측 방법 및 시스템
Yan et al. Gait phase detection by using a portable system and artificial neural network
CN113456060B (zh) 一种运动功能特征参数的提取装置
Duhaylungsod et al. Detection of gait abnormality through leg symmetry and temporal parameters
KR102404850B1 (ko) 보행 변인을 이용한 노쇠 예측 방법 및 시스템
Tsakanikas et al. Gait and balance patterns related to Free-Walking and TUG tests in Parkinson’s Disease based on plantar pressure data
Xie et al. Wearable multisource quantitative gait analysis of Parkinson's diseases
Martínez-Barba et al. Development of self-calibrating sensor footwear and relevance of in-shoe characterization on accurate plantar pressure distribution measurements
Negi et al. Gait analysis-based identification of neurodegenerative diseases using machine learning techniques
KR102474407B1 (ko) 빠른 속도 보행에서의 보행 변인을 이용한 노인 인지장애 심각도 예측 방법 및 시스템
Pai et al. Development of smart sole based foot ulcer prediction system
Boutaayamou et al. Algorithm for temporal gait analysis using wireless foot-mounted accelerometers
CN113017616B (zh) 一种具有分析功能的无线可穿戴式步态信号监测系统
Calvaresi et al. Non-intrusive patient monitoring for supporting general practitioners in following diseases evolution
KR102499773B1 (ko) 발 특성 정보 및 균형 특성 정보를 이용한 노인성 질환 예측 방법 및 시스템
KR102251104B1 (ko) 착용형 보행 분석 장치
Walsh et al. Quantifying Functional Difference in Centre of Pressure Post Achilles Tendon Rupture using Sensor Insoles

Legal Events

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