KR102474407B1 - Method and system for predicting the severity of cognitive impairment in the elderly using gait parameters at fast-pace walking - Google Patents

Method and system for predicting the severity of cognitive impairment in the elderly using gait parameters at fast-pace walking Download PDF

Info

Publication number
KR102474407B1
KR102474407B1 KR1020200160972A KR20200160972A KR102474407B1 KR 102474407 B1 KR102474407 B1 KR 102474407B1 KR 1020200160972 A KR1020200160972 A KR 1020200160972A KR 20200160972 A KR20200160972 A KR 20200160972A KR 102474407 B1 KR102474407 B1 KR 102474407B1
Authority
KR
South Korea
Prior art keywords
gait
subject
speed
severity
cognitive impairment
Prior art date
Application number
KR1020200160972A
Other languages
Korean (ko)
Other versions
KR20220073153A (en
Inventor
문경률
김진욱
정다운
Original Assignee
한국과학기술연구원
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 filed Critical 한국과학기술연구원
Priority to KR1020200160972A priority Critical patent/KR102474407B1/en
Publication of KR20220073153A publication Critical patent/KR20220073153A/en
Application granted granted Critical
Publication of KR102474407B1 publication Critical patent/KR102474407B1/en

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
    • A61B5/40—Detecting, measuring or recording for evaluating the nervous system
    • A61B5/4076—Diagnosing or monitoring particular conditions of the nervous system
    • A61B5/4088—Diagnosing of monitoring cognitive diseases, e.g. Alzheimer, prion diseases or dementia
    • 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
    • A61B5/112—Gait analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1126—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
    • A61B5/7271—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
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • 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
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders

Landscapes

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

Abstract

빠른 속도 보행에서의 보행 변인을 이용한 노인 인지장애 심각도 예측 방법 및 시스템이 제공된다. 실시예에 따른 노인 인지장애 심각도 예측 시스템은 대상자의 제1 속도 보행에 대한 제1 보행 관련 데이터를 수집하고, 수집된 대상자의 제1 보행 관련 데이터를 분석하여 대상자의 제1 보행 변인을 추출하고, 상기 대상자의 제2 속도 보행에 대한 제2 보행 관련 데이터를 수집하고, 수집된 대상자의 제2 보행 관련 데이터를 분석하여 대상자의 제2 보행 변인을 추출하는 보행 변인 추출부로서, 상기 제2 속도 보행의 속도는 상기 제1 속도 보행의 속도보다 더 빠른 속도인, 보행 변인 추출부; 상기 대상자의 제1 보행 변인들을 시간 순서에 따라 배열하여 대상자의 제1 보행 시퀀스 피쳐를 생성하고, 상기 대상자의 제2 보행 변인들을 시간 순서에 따라 배열하여 대상자의 제2 보행 시퀀스 피쳐를 생성하며, 상기 제1 보행 시퀀스 피쳐와 상기 제2 보행 시퀀스 피쳐에 기초하여 보행 시퀀스 피쳐를 구성하는 보행 특성 생성부; 및 보행 시퀀스 피쳐 입력 시 인지장애 심각도를 출력하도록 학습된 노인 인지장애 심각도 예측 모델을 이용하여, 상기 대상자의 보행 시퀀스 피쳐에 기초하여 대상자의 인지장애 심각도를 예측하는 인지장애 심각도 예측부를 포함한다.A method and system for predicting the severity of cognitive impairment in the elderly using gait variables in fast walking are provided. Elderly cognitive impairment severity prediction system according to the embodiment collects the first gait-related data for the subject's first speed walking, analyzes the collected first gait-related data of the subject, extracts the subject's first gait variable, A gait variable extractor for extracting a second gait variable of the subject by collecting second gait-related data for the second speed gait of the subject and analyzing the collected second gait-related data of the subject, wherein the second speed gait The speed of is faster than the speed of the first speed walking, gait variable extraction unit; Arranging first gait variables of the subject in time order to generate a first gait sequence feature of the subject, and arranging second gait variables of the subject in time order to generate a second gait sequence feature of the subject, a gait characteristic generating unit configuring a gait sequence feature based on the first gait sequence feature and the second gait sequence feature; and a cognitive impairment severity prediction unit that predicts the severity of cognitive impairment of the subject based on the gait sequence feature of the subject, using an elderly cognitive impairment severity prediction model learned to output the cognitive impairment severity when a gait sequence feature is input.

Description

빠른 속도 보행에서의 보행 변인을 이용한 노인 인지장애 심각도 예측 방법 및 시스템{Method and system for predicting the severity of cognitive impairment in the elderly using gait parameters at fast-pace walking}Method and system for predicting the severity of cognitive impairment in the elderly using gait parameters at fast-pace walking}

본 발명은 노인 인지장애 심각도 예측 방법 및 시스템에 관한 것으로, 구체적으로 빠른 속도 보행에서의 보행 변인을 이용한 노인 인지장애 심각도 예측 방법 및 시스템에 관한 것이다.The present invention relates to a method and system for predicting the severity of cognitive impairment in the elderly, and more particularly, to a method and system for predicting the severity of cognitive impairment in the elderly using gait variables in fast walking.

급속도로 인구 고령화가 진행되면서 다양한 노인성 질환이 발병하고 있다. 이러한 질환에는 대표적으로 인지장애, 노쇠, 근감소증, 우울증이 있다. 여기서, 노인의 인지장애는 노화로 인해 뇌기능이 손상되면서 인지 기능이 지속적이고 전반적으로 저하되어 일상생활에 상당한 지장이 나타나고 있는 상태를 의미한다. 즉, 인지장애는 기억력, 주의력, 언어능력, 시공간능력, 판단력 등이 저하된 상태를 의미하며, 건망증 및 치매도 이에 포함될 수 있다. 특히 치매는 한국인 10대 사망원인 중 하나이므로 인지장애에 대한 조기 진단이 필요한 상황이다.As the population ages rapidly, various geriatric diseases are developing. These diseases include cognitive impairment, frailty, sarcopenia, and depression. Here, the cognitive impairment of the elderly refers to a state in which brain function is damaged due to aging, and cognitive function is continuously and generally deteriorated, which significantly interferes with daily life. That is, cognitive impairment means a state in which memory, attention, language ability, visuospatial ability, judgment, etc. are deteriorated, and forgetfulness and dementia may also be included therein. In particular, since dementia is one of the top 10 causes of death in Koreans, early diagnosis of cognitive impairment is needed.

종래의 인지장애의 진단은 주로 숙련된 실험 진행자 및 평가자와 같은 전문 인력을 갖춘 임상공간에서 진행되었다. 즉, 종래의 인지장애 진단 방법은 복잡하고 시간 소모적인 과정이 요구되었으며, 이는 인지장애의 미진단률을 높이는 원인 중 하나로 작용하고 있다.In the past, diagnosis of cognitive impairment was mainly conducted in a clinical space equipped with professional personnel such as experienced experiment facilitators and evaluators. That is, the conventional cognitive disorder diagnosis method required a complicated and time-consuming process, which serves as one of the reasons for increasing the undiagnosed rate of cognitive disorder.

또한, 한국 특허 출원 공보 10-2017-0073557와 같이, 뇌파, 안전도, 맥파 등을 분석하여 치매를 조기 진단하는 장치가 제안되었으나, 다양한 신호의 측정과 분석을 위해 고가의 장비, 복잡한 절차 및 긴 검사 시간이 요구되는 한계점이 있다. In addition, as in Korean Patent Application Publication No. 10-2017-0073557, a device for early diagnosis of dementia by analyzing brain waves, safety levels, pulse waves, etc. has been proposed, but expensive equipment, complicated procedures and lengthy procedures are required to measure and analyze various signals. There is a limit to the inspection time required.

즉, 임상 환경 밖에서 간단한 방법과 동작으로 노인의 인지장애 심각도를 인지하여 이에 따라 적절한 치료가 노인에게 제공되는 것을 지원하는 방법 및 시스템이 요구되고 있는 실정이다.That is, there is a demand for a method and system for recognizing the severity of cognitive impairment in the elderly through a simple method and operation outside the clinical environment and providing appropriate treatment to the elderly accordingly.

한국 특허 출원 공보 10-2017-0073557Korean Patent Application Publication 10-2017-0073557

본 발명은 상술한 문제점을 해결하기 위해 안출된 것으로, 구체적으로, 노인의 일상 생활 동작을 기반으로 인지장애 심각도를 예측하는 방법 및 시스템에 관한 것이다.The present invention has been made to solve the above-mentioned problems, and specifically, relates to a method and system for predicting the severity of cognitive impairment based on the activities of daily living of the elderly.

본 발명의 일 실시예에 따른 노인 인지장애 심각도 예측 시스템은 대상자의 제1 속도 보행에 대한 제1 보행 관련 데이터를 수집하고, 수집된 대상자의 제1 보행 관련 데이터를 분석하여 대상자의 제1 보행 변인을 추출하고, 상기 대상자의 제2 속도 보행에 대한 제2 보행 관련 데이터를 수집하고, 수집된 대상자의 제2 보행 관련 데이터를 분석하여 대상자의 제2 보행 변인을 추출하는 보행 변인 추출부로서, 상기 제2 속도 보행의 속도는 상기 제1 속도 보행의 속도보다 더 빠른 속도인, 보행 변인 추출부; 상기 대상자의 제1 보행 변인을 시간 순서에 따라 배열하여 대상자의 제1 보행 시퀀스 피쳐를 생성하고, 상기 대상자의 제2 보행 변인을 시간 순서에 따라 배열하여 대상자의 제2 보행 시퀀스 피쳐를 생성하며, 상기 제1 보행 시퀀스 피쳐 및 상기 제2 보행 시퀀스 피쳐에 기초하여 대상자의 보행 시퀀스 피쳐를 구성하는 보행 특성 생성부; 및 보행 시퀀스 피쳐 입력 시 인지장애 심각도를 출력하도록 학습된 노인 인지장애 심각도 예측 모델을 이용하여, 상기 대상자의 보행 시퀀스 피쳐에 기초하여 대상자의 인지장애 심각도를 예측하는 인지장애 심각도 예측부를 포함한다.The system for predicting the severity of cognitive impairment in the elderly according to an embodiment of the present invention collects first gait-related data for the subject's first speed walking, analyzes the collected subject's first gait-related data, and determines the subject's first gait variable. A gait variable extractor for extracting, collecting second gait-related data for the second speed walking of the subject, and analyzing the collected second gait-related data of the subject to extract a second gait variable of the subject, wherein the a gait variable extraction unit in which the speed of the second speed walking is higher than the speed of the first speed walking; arranging first gait variables of the subject in time order to generate a first gait sequence feature of the subject, and arranging second gait variables of the subject in time order to generate a second gait sequence feature of the subject; a gait characteristic generation unit configuring a gait sequence feature of the subject based on the first gait sequence feature and the second gait sequence feature; and a cognitive impairment severity prediction unit that predicts the severity of cognitive impairment of the subject based on the gait sequence feature of the subject, using an elderly cognitive impairment severity prediction model learned to output the cognitive impairment severity when a gait sequence feature is input.

본 발명의 다른 실시예에 따른 노인 인지장애 심각도 예측 방법은 대상자의 제1 속도 보행에 대한 제1 보행 관련 데이터 및 상기 대상자의 제2 속도 보행에 대한 제2 보행 관련 데이터를 각각 수집하는 단계로서, 상기 제2 속도 보행의 속도는 상기 제1 속도 보행의 속도보다 더 빠른 속도인, 단계; 상기 수집된 대상자의 제1 보행 관련 데이터를 분석하여 대상자의 제1 보행 변인을 추출하고, 상기 수집된 대상자의 제2 보행 관련 데이터를 분석하여 대상자의 제2 보행 변인을 추출하는 단계; 상기 대상자의 제1 보행 변인을 시간 순서에 따라 배열하여 대상자의 제1 보행 시퀀스 피쳐를 생성하고, 상기 대상자의 제2 보행 변인을 시간 순서에 따라 배열하여 대상자의 제2 보행 시퀀스 피쳐를 생성하며, 상기 제1 보행 시퀀스 피쳐와 상기 제2 보행 시퀀스 피쳐를 복합적으로 고려하여 대상자의 제3 보행 시퀀스 피쳐를 구성하는 단계; 및 보행 시퀀스 피쳐 입력 시 인지장애 심각도를 출력하도록 학습된 노인 인지장애 심각도 예측 모델을 이용하여, 상기 대상자의 보행 시퀀스 피쳐에 기초하여 상기 대상자의 인지장애 심각도를 예측하는 단계를 포함한다.A method for predicting the severity of cognitive impairment in the elderly according to another embodiment of the present invention comprises the steps of collecting first gait-related data for a first speed gait of a subject and second gait-related data for a second speed gait of the subject, respectively, a speed of the second speed walking is faster than a speed of the first speed walking; extracting a first gait variable of the subject by analyzing the collected first gait-related data of the subject, and extracting a second gait variable of the subject by analyzing the collected second gait-related data of the subject; arranging first gait variables of the subject in time order to generate a first gait sequence feature of the subject, and arranging second gait variables of the subject in time order to generate a second gait sequence feature of the subject; constructing a third walking sequence feature of the subject by considering the first walking sequence feature and the second walking sequence feature in combination; and predicting the severity of cognitive impairment of the subject based on the gait sequence feature of the subject, using an elderly cognitive impairment severity prediction model learned to output the severity of cognitive impairment when a gait sequence feature is input.

본 발명의 실시예에 따른 노인 인지장애 심각도 예측 시스템 및 방법은 웨어러블 장비로 획득 가능한 보행 데이터 또는 보행 영상으로부터 대상자의 보행 변인을 추출하고, 보행 변인들의 패턴 분석에 적합한 기계 학습 모델을 이용해 대상자의 인지장애 심각도를 예측할 수 있다. 즉, 고가의 장비, 숙련된 전문가, 복잡한 검사 과정 없이도 일상 생활 속에서 지속적으로 인지장애 상태를 모니터링함으로써 인지장애의 조기 진단, 증상 관리, 적절한 치료의 기회를 대상자들에게 제공할 수 있다.A system and method for predicting the severity of cognitive impairment in the elderly according to an embodiment of the present invention extracts gait variables of a subject from gait data or gait images obtainable by wearable devices, and uses a machine learning model suitable for pattern analysis of gait variables to detect the subject's cognition The severity of the disorder can be predicted. In other words, by continuously monitoring the state of cognitive impairment in daily life without expensive equipment, skilled experts, and complicated examination procedures, it is possible to provide subjects with opportunities for early diagnosis of cognitive impairment, symptom management, and appropriate treatment.

또한, 본 발명의 실시예에 따른 노인 인지장애 심각도 예측 방법은 인지 기능 손상 정도를 더 잘 반영할 수 있는 빠른 속도 보행에서의 보행 변인을 추출하고, 이를 고려하여 대상자의 인지장애 심각도를 예측할 수 있다. 즉, 빠른 속도 보행 특성을 보통 속도 보행 특성과 함께 고려하여 보통 속도 보행 특성과의 관계로부터 파생되는 새로운 특성이 효과적인 예측인자로서의 역할을 할 수 있기 때문에 더 높은 정확도로 대상자의 인지장애 심각도를 예측할 수 있다. In addition, the method for predicting the severity of cognitive impairment in the elderly according to an embodiment of the present invention extracts gait variables in fast walking that can better reflect the degree of cognitive impairment, and predicts the severity of cognitive impairment of the subject in consideration of this. . That is, since the new characteristic derived from the relationship with the normal speed gait characteristic can serve as an effective predictor by considering the fast speed gait characteristic together with the normal speed gait characteristic, it is possible to predict the subject's cognitive impairment severity with higher accuracy. have.

도 1은 본 발명의 일 실시예에 따른 노인 인지장애 심각도 예측 시스템의 블록도이다.
도 2는 보행 변인 추출부의 예시도이다.
도 3a는 데이터 수집 유닛에 대상자의 족저압 데이터를 제공하는 예시적인 족저압 측정 장비를 도시한다.
도 3b는 족저압 측정 장비로 획득한 대상자의 족저압 데이터의 예시를 도시한다.
도 4a는 데이터 수집 유닛에 대상자의 운동학적 데이터를 제공하는 예시적인 운동학적 데이터 측정 장비를 도시한다.
도 4b는 운동학적 데이터 측정 장비로 획득한 대상자의 운동학적 데이터의 예시를 도시한다.
도 5는 대상자의 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 피쳐를 생성하는 과정을 도시한 예시도이다.
도 8은 장단기 기억 네트워크의 예시적인 구조를 도시한다.
도 9는 보통 속도 보행 특성 및 빠른 속도 보행 특성을 이용한 인지장애 심각도 예측의 정확도를 비교한 실험 그래프이다.
도 10은 본 발명의 다른 실시예에 따른 노인 인지장애 심각도 예측 방법의 순서도이다.1 is a block diagram of a system for predicting the severity of cognitive impairment in the elderly according to an embodiment of the present invention.
2 is an exemplary view of a gait variable extraction unit.
3A depicts an exemplary plantar pressure measurement device that provides plantar pressure data of a subject to a data collection unit.
3B illustrates an example of plantar pressure data of a subject acquired by a plantar pressure measuring device.
4A shows an exemplary kinematic data measurement device that provides kinematic data of a subject to a data collection unit.
4B shows an example of kinematic data of a subject acquired by kinematic data measurement equipment.
5 is an exemplary view illustrating a process of analyzing a walking image of a subject.
6 illustrates an example of temporal gait variables extracted based on a subject's heel strike point and toe off point.
7 is an exemplary diagram illustrating a process of generating a walking sequence feature.
8 shows an exemplary structure of a long and short term storage network.
9 is an experimental graph comparing the accuracy of predicting the severity of cognitive impairment using normal speed walking characteristics and high speed walking characteristics.
10 is a flowchart of a method for predicting the severity of cognitive impairment in the elderly according to another embodiment of the present invention.

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.Hereinafter, preferred embodiments according to the present invention will be described in detail with reference to the accompanying drawings. The detailed description set forth below in conjunction with the accompanying drawings is intended to describe exemplary embodiments of the present invention and is not intended to represent the only embodiments in which the present invention may be practiced. The following detailed description includes specific details for the purpose of providing a thorough understanding of the present invention. However, one skilled in the art can appreciate that the present invention may be practiced without these specific details. Specific terms used in the following description are provided to aid understanding of the present invention, and the use of these specific terms may be changed into other forms without departing from the technical spirit of the present invention.

도 1은 본 발명의 일 실시예에 따른 노인 인지장애 심각도 예측 시스템의 블록도이다. 도 2는 보행 변인 추출부의 예시도이다. 도 3a는 데이터 수집 유닛에 대상자의 족저압 데이터를 제공하는 예시적인 족저압 측정 장비를 도시한다. 도 3b는 족저압 측정 장비로 획득한 대상자의 족저압 데이터의 예시를 도시한다. 도 4a는 데이터 수집 유닛에 대상자의 운동학적 데이터를 제공하는 예시적인 운동학적 데이터 측정 장비를 도시한다. 도 4b는 운동학적 데이터 측정 장비로 획득한 대상자의 운동학적 데이터의 예시를 도시한다. 도 5는 대상자의 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 피쳐를 생성하는 과정을 도시한 예시도이다. 도 8은 장단기 기억 네트워크의 예시적인 구조를 도시한다. 1 is a block diagram of a system for predicting the severity of cognitive impairment in the elderly according to an embodiment of the present invention. 2 is an exemplary view of a gait variable extraction unit. 3A depicts an exemplary plantar pressure measurement device that provides plantar pressure data of a subject to a data collection unit. 3B illustrates an example of plantar pressure data of a subject acquired by a plantar pressure measuring device. 4A shows an exemplary kinematic data measurement device that provides kinematic data of a subject to a data collection unit. 4B shows an example of kinematic data of a subject acquired by kinematic data measurement equipment. 5 is an exemplary view illustrating a process of analyzing a walking image of a subject. 6 illustrates an example of temporal gait variables extracted based on a subject's heel strike point and toe off point. 7 is an exemplary diagram illustrating a process of generating a walking sequence feature. 8 shows an exemplary structure of a long and short term storage network.

도 1 내지 도 8을 참조하면, 노인 인지장애 심각도 예측 시스템(10)은 보행 변인 추출부(100), 보행 특성 생성부(110), 인지장애 심각도 예측부(120), 인지장애 심각도 예측 모델 구축부(130) 및 데이터베이스(140)를 포함한다.1 to 8, the elderly cognitive impairment severity prediction system 10 includes a gait variable extractor 100, a gait characteristic generator 110, a cognitive impairment severity predictor 120, and cognitive impairment severity prediction model construction. unit 130 and database 140 .

실시예들에 따른 노인 인지장애 심각도 예측 시스템(10)은, 전적으로 하드웨어이거나, 또는 부분적으로 하드웨어이고 부분적으로 소프트웨어인 측면을 가질 수 있다. 예컨대, 본 명세서의 노인 인지장애 심각도 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.The system for predicting the severity of cognitive impairment in the elderly according to embodiments 10 may be entirely hardware, or partially hardware and partially software. For example, the system for predicting the severity of cognitive impairment in the elderly and each unit included therein may collectively refer to a device for exchanging data in a specific format and content in an electronic communication method and software related thereto. In this specification, terms such as "unit", "module", "server", "system", "device" or "terminal" refer to a combination of hardware and software driven by the hardware. it is intended to For example, the hardware herein may be a data processing device including a CPU or other processor. Also, software driven by hardware may refer to a running process, an object, an executable file, a thread of execution, a program, and the like.

또한, 노인 인지장애 심각도 예측 시스템(10)을 구성하는 각각의 부는 반드시 물리적으로 구분되는 별개의 구성요소를 지칭하는 것으로 의도되지 않는다. 도 1에서 보행 변인 추출부(100), 보행 특성 생성부(110), 인지장애 심각도 예측부(120), 인지장애 심각도 예측 모델 구축부(130) 및 데이터베이스(140)는 서로 구분되는 별개의 블록으로 도시되나, 이는 노인 인지장애 심각도 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), 인지장애 심각도 예측부(120), 인지장애 심각도 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.In addition, each part constituting the elderly cognitive impairment severity prediction system 10 is not intended to refer to a separate physically separated component. In FIG. 1, the gait variable extractor 100, the gait characteristic generator 110, the cognitive disorder severity predictor 120, the cognitive disorder severity prediction model builder 130, and the database 140 are separate blocks that are distinguished from each other. , but this only functionally divides the devices constituting the system for predicting the severity of cognitive impairment in the elderly by the operation executed by the corresponding device. Therefore, depending on the embodiment, some or all of the gait variable extractor 100, the gait characteristic generator 110, the cognitive disorder severity predictor 120, the cognitive disorder severity prediction model builder 130, and the database 140 All of them may be integrated in a single device, one or more may be implemented as a separate device physically separated from other units, or may be components communicatively connected to each other in a distributed computing environment.

보행 변인 추출부(100)는 대상자의 보행 관련 데이터를 수집하고, 수집된 대상자의 보행 관련 데이터를 분석하여 대상자의 보행 변인을 추출할 수 있다. 구체적으로, 보행 변인 추출부(100)는 대상자의 제1 속도 보행에 대한 제1 보행 관련 데이터를 수집하고, 수집된 대상자의 제1 보행 관련 데이터를 분석하여 대상자의 제1 보행 변인을 추축할 수 있다. 또한, 보행 변인 추출부(100)는 대상자의 제2 속도 보행에 대한 제2 보행 관련 데이터를 수집하고, 수집된 대상자의 제2 보행 관련 데이터를 분석하여 대상자의 제2 보행 변인을 추출할 수 있다. 여기서, 제1 속도 보행은 보통 속도로 대상자가 일정 거리를 보행하는 것을 의미하며, 제2 속도 보행은 빠른 속도로 대상자가 일정 거리를 보행하는 것을 의미한다. 즉, 제2 속도 보행의 속도는 제1 속도 보행의 속도보다 더 빠른 속도일 수 있다. 제2 속도 보행의 속도는 제1 속도 보행의 속도의 1.1 배 내지 1.2 배일 수 있다.The gait variable extractor 100 may collect gait-related data of the subject and analyze the collected gait-related data of the subject to extract gait variables of the subject. Specifically, the gait variable extractor 100 may collect first gait-related data for the subject's first speed walking, analyze the collected first gait-related data of the subject, and estimate the subject's first gait variable. have. In addition, the gait variable extractor 100 may collect second gait-related data of the subject's second speed gait, analyze the collected second gait-related data of the subject, and extract the subject's second gait variable. . Here, the first speed walking means that the subject walks a certain distance at a normal speed, and the second speed walking means that the subject walks a certain distance at a high speed. That is, the speed of the second speed walking may be higher than the speed of the first speed walking. The speed of the second speed walking may be 1.1 times to 1.2 times the speed of the first speed walking.

인지 기능과 운동 기능은 뇌의 동일 영역에서 제어되는 기능에 해당한다. 따라서, 인지 기능이 손상된 사람에게서는 보행 능력의 저하가 관찰될 수 있다. 또한, 빠른 속도 보행에서는 보통 속도 보행에 비해 더욱 큰 운동 능력이 요구되기 때문에 빠른 속도 보행 시 관찰되는 보행의 불안정성은 인지 기능 손상 정도를 더 잘 반영할 수 있다.Cognitive and motor functions correspond to functions controlled by the same area of the brain. Therefore, a decrease in walking ability can be observed in persons with impaired cognitive function. In addition, because higher speed walking requires greater motor ability than normal speed walking, the gait instability observed during fast speed walking may better reflect the degree of cognitive impairment.

본 발명의 실시예에 따른 노인 인지장애 심각도 예측 시스템(10)은 빠른 속도 보행에서의 보행 변인을 기초로 노인의 인지장애 심각도를 예측할 수 있다. 특히, 빠른 속도 보행 특성을 보통 속도 보행 특성과 함께 고려하여 보통 속도 보행 특성과의 관계로부터 파생되는 새로운 특성이 효과적인 예측인자로서의 역할을 할 수 있기 때문에 더 높은 정확도로 인지장애 심각도의 예측이 가능할 수 있다.The system 10 for predicting the severity of cognitive impairment in the elderly according to an embodiment of the present invention may predict the severity of cognitive impairment in the elderly based on gait variables in fast walking. In particular, since the new characteristic derived from the relationship with the normal speed gait characteristic can serve as an effective predictor by considering the fast speed gait characteristic together with the normal speed gait characteristic, it is possible to predict the severity of cognitive impairment with higher accuracy. have.

대상자의 제1 보행 관련 데이터는 대상자의 제1 속도 보행에 따른 대상자의 제1 족저압 데이터, 대상자의 제1 속도 보행에 따른 대상자의 제1 운동학적 데이터 및 대상자의 제1 속도 보행 동작을 촬영한 대상자의 제1 보행 영상 중 적어도 하나를 포함할 수 있다. 또한, 대상자의 제2 보행 관련 데이터는 대상자의 제2 속도 보행에 따른 대상자의 제2 족저압 데이터, 상기 대상자의 제2 속도 보행에 따른 대상자의 제2 운동학적 데이터 및 상기 대상자의 제2 속도 보행 동작을 촬영한 대상자의 제2 보행 영상 중 적어도 하나를 포함할 수 있다. 도 2를 참조하여, 제1 및 제2 보행 관련 데이터를 수집하고, 수집된 제1 및 제2 보행 관련 데이터에서 제1 및 제2 보행 변인들을 추출하는 과정에 대해 설명하도록 한다.The subject's first gait-related data includes the subject's first plantar pressure data according to the subject's first speed walking, the subject's first kinematic data according to the subject's first speed walking, and the subject's first speed walking motion. It may include at least one of the first gait images of the subject. In addition, the subject's second gait-related data includes the subject's second plantar pressure data according to the subject's second speed walking, the subject's second kinematic data according to the subject's second speed walking, and the subject's second speed gait. It may include at least one of second gait images of a subject whose motion is captured. Referring to FIG. 2 , a process of collecting first and second gait-related data and extracting first and second gait-related variables from the collected first and second gait-related data will be described.

도 2를 참조하면, 보행 변인 추출부(100)는 데이터 수집 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.Referring to FIG. 2 , the gait variable extractor 100 includes a data collection unit 101, a plantar pressure data analysis unit 102, a kinematic data analysis unit 103, a gait image analysis unit 104, and a gait variable extraction unit. unit 105.

데이터 수집 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 수집 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. 데이터 수집 유닛(101)은 족저압 측정 장비(200)로부터 제1 족저압 데이터 및 제2 족저압 데이터 중 적어도 하나를 통신망을 통해 수신하고, 운동학적 데이터 측정 장비(300)로부터 제1 운동학적 데이터 및 제2 운동학적 데이터 중 적어도 하나를 상기 통신망을 통해 수신하고, 카메라로부터 제1 보행 영상 및 제2 보행 영상 중 적어도 하나를 상기 통신망을 통해 수신하도록 구성된다. The data collection unit 101 may be configured to exchange data with the plantar pressure measurement device 200, the kinematic data measurement device 300, and a camera (not shown) through a communication network. The communication network provides a connection path through which the data acquisition unit 101, the plantar pressure measuring device 200, the kinematic data measuring device 300, and the camera (not shown) can connect to each other and transmit and receive packet data. Communication networks include, for example, wired networks such as LANs (Local Area Networks), WANs (Wide Area Networks), MANs (Metropolitan Area Networks), and ISDNs (Integrated Service Digital Networks), wireless LANs, wireless networks such as CDMA, Bluetooth, and satellite communication. However, the scope of the present invention is not limited thereto. The data collection unit 101 receives at least one of first plantar pressure data and second plantar pressure data from the plantar pressure measuring device 200 through a communication network, and receives the first kinematic data from the kinematic data measuring device 300. and second kinematic data through the communication network, and receive at least one of a first walking image and a second walking image from a camera through the communication network.

족저압 측정 장비(200)는 대상자의 제1 속도 보행에 따른 제1 족저압 데이터를 측정하고, 대상자의 제2 속도 보행에 따른 제2 족저압 데이터를 측정할 수 있다. 대상자는 일정 시간동안 제1 속도 보행 및 제2 속도 보행을 각각 수행할 수 있으며, 연속된 보행 동작에 따라 변화하는 대상자의 제1 족저압 데이터 및 제2 족저압 데이터가 족저압 측정 장비(200)를 통해 각각 획득될 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 수집 유닛(101)은 대상자의 제1 및 제2 족저압 데이터를 족저압 측정 장비(200)로부터 수신하고, 족저압 데이터 분석 유닛(102)에 대상자의 제1 및 제2 족저압 데이터를 전달할 수 있다. The plantar pressure measuring device 200 may measure first plantar pressure data according to the subject's first speed walking and measure second plantar pressure data according to the subject's second speed walking. The subject may perform the first speed walking and the second speed walking, respectively, for a certain period of time, and the first plantar pressure data and the second plantar pressure data of the subject, which change according to the continuous walking motion, are stored in the plantar pressure measuring device 200. Each can be obtained through. Illustratively, the plantar pressure measuring device 200 shown in FIG. 3A may be configured as a shoe insole including a plurality of pressure sensors 201 . The plantar pressure measuring device 200 may acquire plantar pressure data as shown in FIG. 3B by detecting a change in plantar pressure during walking. The data collection unit 101 receives first and second plantar pressure data of the subject from the plantar pressure measuring device 200 and transmits the first and second plantar pressure data of the subject to the plantar pressure data analysis unit 102 . can

운동학적 데이터 측정 장비(300)는 대상자의 제1 속도 보행에 따른 제1 운동학적 데이터를 측정하고, 대상자의 제2 속도 보행에 따른 제2 운동학적 데이터를 각각 측정할 수 있다. 대상자는 일정 시간동안 제1 속도 보행 및 제2 속도 보행을 각각 수행할 수 있으며, 연속된 보행 동작에 따라 변화하는 대상자의 제1 운동학적 데이터 및 제2 운동학적 데이터가 운동학적 데이터 측정 장비(300)를 통해 각각 획득될 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, 보행 시 발목 관절의 배측굴곡(dorsiflexion)과 족측굴곡(plantarflexion)에 의한 각속도 데이터 변화를 도시한 것이다. 데이터 수집 유닛(101)은 대상자의 제1 및 제2 운동학적 데이터를 운동학적 데이터 측정 장비(300)로부터 수신하고, 운동학적 데이터 분석 유닛(103)에 대상자의 제1 및 제2 운동학적 데이터를 전달할 수 있다.The kinematic data measuring device 300 may measure first kinematic data according to the subject's first speed walking and measure second kinematic data according to the subject's second speed walking. The subject may perform the first speed walking and the second speed walking for a certain period of time, and the first kinematic data and the second kinematic data of the subject, which change according to the continuous walking motion, are kinematic data measuring equipment (300 ) can be obtained, respectively. Here, the kinematic data may include acceleration data and angular velocity data. The kinematic data measuring device 300 may be attached to a body part of a subject to measure changes in acceleration data and angular velocity data according to walking. Here, the kinematic data measuring device 300 may be attached to the subject's shoes as shown in FIG. 4a, but is not limited thereto. FIG. 4B is an example of measured kinematic data, showing changes in angular velocity data due to dorsiflexion and plantarflexion of the ankle joint during walking. The data collection unit 101 receives the subject's first and second kinematic data from the kinematic data measuring device 300, and transmits the subject's first and second kinematic data to the kinematic data analysis unit 103. can be conveyed

또한, 대상자의 제1 속도 보행 및 제2 속도 보행은 카메라(미도시)에 의해 촬영될 수 있다. 즉, 일정 시간 동안 수행된 대상자의 제1 속도 보행 동작에 대한 연속 이미지인 제1 보행 영상과 제2 속도 보행 동작에 대한 연속 이미지인 제2 보행 영상이 카메라(미도시)를 통해 각각 획득될 수 있다. 데이터 수집 유닛(101)은 이러한 대상자의 제1 및 제2 보행 영상을 카메라로부터 수신하고, 보행 영상 분석 유닛(104)에 대상자의 제1 및 제2 보행 영상을 전달할 수 있다.Also, the subject's first speed walking and second speed walking may be captured by a camera (not shown). That is, the first gait image, which is a continuous image of the subject's first speed walking motion performed for a certain period of time, and the second gait image, which is a continuous image of the second speed walking motion, may be obtained through a camera (not shown), respectively. have. The data collection unit 101 may receive the first and second gait images of the subject from the camera and transmit the first and second gait images of the subject to the gait image analysis unit 104 .

족저압 데이터 분석 유닛(102)은 제1 족저압 데이터에서 제1 속도 보행에 따른 대상자의 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점을 각각 검출할 수 있다. 또한, 족저압 데이터 분석 유닛(102)은 제2 족저압 데이터에서 제2 속도 보행에 따른 대상자의 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점을 각각 검출한다. 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.The plantar pressure data analysis unit 102 may detect a time point of a heel strike and a time point of a toe off of the subject according to the first speed walking from the first plantar pressure data. In addition, the plantar pressure data analysis unit 102 detects a time point of a heel strike and a time point of a toe off of the subject according to the second speed walking from the second plantar pressure data. As shown in FIG. 3B, toe lift by determining the time point of heel strike and the time point of maximum pressure in the toe region by determining the point in time when the maximum pressure is detected in the subject's heel area from the plantar pressure data of the subject. (toe off) time point can be detected.

운동학적 데이터 분석 유닛(103)은 제1 운동학적 데이터에서 제1 속도 보행에 따른 대상자의 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점을 검출한다. 또한, 운동학적 데이터 분석 유닛(103)은 제2 운동학적 데이터에서 제2 속도 보행에 따른 대상자의 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점을 검출한다. 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.The kinematic data analysis unit 103 detects a heel strike time point and a toe off time point of the subject according to the first speed walking from the first kinematic data. Also, the kinematic data analysis unit 103 detects a heel strike time point and a toe off time point of the subject according to the second speed walking from the second kinematic data. As shown in FIG. 4B , in the kinematic data of the subject, the subject's ankle joint dorsiflexion angle is maximum, and the heel strike and plantar flexion angle are maximum, thereby lifting the toes. (toe off) time point can be detected.

보행 영상 분석 유닛(104)은 대상자의 제1 보행 영상에서 제1 속도 보행에 따른 대상자의 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점을 검출할 수 있다. 또한, 보행 영상 분석 유닛(104)은 대상자의 제2 보행 영상에서 제2 속도 보행에 따른 대상자의 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점을 각각 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.The gait image analysis unit 104 may detect a time point of a heel strike and a toe off of the subject according to the first speed walking in the first gait image of the subject. In addition, the gait image analysis unit 104 may detect a time of heel strike and a toe off of the subject according to the second speed walking in the second gait image of the subject. Illustratively, as shown in FIG. 5 , the gait image analysis unit 104 divides the photographed gait image into frame units, extracts a subject from the separated image in frame units, and recognizes the motion of the extracted subject. Thus, the subject's heel strike point and toe off point can be detected.

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 제1 속도 보행에 따른 복수의 발꿈치 접지(heel strike) 시점과 복수의 발가락 들기(toe off) 시점 각각을 시간 순서대로 추출할 수 있다. 족저압 데이터 분석 유닛(102), 운동학적 데이터 분석 유닛(103) 및 보행 영상 분석 유닛(104)은 제2 속도 보행에 따른 복수의 발꿈치 접지(heel strike) 시점과 복수의 발가락 들기(toe off) 시점 각각을 시간 순서대로 추출할 수 있다.Here, as the subject walks for a certain period of time, a plurality of heel strike points and a plurality of toe off points may be detected. The foot plantar pressure data analysis unit 102, the kinematic data analysis unit 103, and the gait image analysis unit 104 determine a plurality of heel strike points and a plurality of toe lifts according to a first speed gait. Each viewpoint can be extracted in chronological order. The plantar pressure data analysis unit 102, the kinematic data analysis unit 103, and the gait image analysis unit 104 determine the timing of a plurality of heel strikes and the lifting of a plurality of toes according to the second speed walking. Each viewpoint can be extracted in chronological order.

족저압 데이터 분석 유닛(102), 운동학적 데이터 분석 유닛(103) 및 보행 영상 분석 유닛(104)은 대상자의 오른발과 왼발을 구분하여 오른발에 의한 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점 및 왼발에 의한 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점을 각각 검출할 수 있다. 즉, 제1 속도 보행에 따른 대상자의 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점은 오른발에 의한 복수의 발꿈치 접지(heel strike) 시점과 복수의 발가락 들기(toe off) 시점 및 왼발에 의한 복수의 발꿈치 접지(heel strike) 시점과 복수의 발가락 들기(toe off) 시점을 포함할 수 있다. 또한, 제2 속도 보행에 따른 대상자의 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점은 오른발에 의한 복수의 발꿈치 접지(heel strike) 시점과 복수의 발가락 들기(toe off) 시점 및 왼발에 의한 복수의 발꿈치 접지(heel strike) 시점과 복수의 발가락 들기(toe off) 시점을 포함할 수 있다.The plantar pressure data analysis unit 102, the kinematic data analysis unit 103, and the gait image analysis unit 104 distinguish between the subject's right foot and left foot, and determine the timing of heel strike by the right foot and toe off ) time point, heel strike time point and toe off time point by the left foot can be detected respectively. That is, the time of heel strike and toe off of the subject according to the first speed gait is the time of multiple heel strikes by the right foot, the time of multiple toe offs and the left foot may include a plurality of heel strike points and a plurality of toe off points by In addition, the subject's heel strike time and toe off time according to the second speed walking are the time of a plurality of heel strikes by the right foot, the time of a plurality of toe offs and the left foot may include a plurality of heel strike points and a plurality of toe off points by

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 제1 속도 보행에 따른 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점에 기초하여 대상자의 제1 보행 변인을 추출할 수 있다. 또한, 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 제2 속도 보행에 따른 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점에 기초하여 대상자의 제2 보행 변인을 추출할 수 있다.The gait variable extraction unit 105 includes a heel strike according to a first speed gait detected by at least one of the plantar pressure data analysis unit 102, the kinematic data analysis unit 103, and the gait image analysis unit 104. ) and a toe off time point, a first gait variable of the subject may be extracted. In addition, the gait variable extraction unit 105 may include heel contact according to the second speed gait detected by at least one of the plantar pressure data analysis unit 102, the kinematic data analysis unit 103, and the gait image analysis unit 104 ( A second gait variable of the subject may be extracted based on a heel strike time point and a toe off time point.

여기서, 제1 보행 변인과 제2 보행 변인은 시간적 보행 변인일 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. 후술하는 추출 과정은 제1 보행 변인을 기준으로 설명되나, 제2 보행 변인의 추출에도 동일하게 적용될 수 있다.Here, the first gait variable and the second gait variable may be temporal gait variables. The temporal gait variables extracted by the gait variable extraction unit 105 include a stance phase, a swing phase, a step, a stride, and an initial double-limb support period. ), the terminal double-limb support period, and the single-limb support period. That is, the gait variable extraction unit 105 may extract at least one type of temporal gait variable. The extraction process described below is described based on the first gait variable, but may be equally applied to the extraction of the second gait variable.

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.Referring to FIG. 6 , the stance phase refers to a period between a heel contact point and a toe lifting point. The swing phase refers to the period between toe lifting and heel contact. A step is the period between the moment the heel of one foot touches the ground and the moment the heel of the other foot touches the ground. Stride refers to the period between the heel strike of one foot and the heel strike of the next foot. The initial double-limb support period is the period between the heel contact of one foot and the lifting of the toe of the other foot, and refers to the first period in which weight is supported with both feet. The single limb support period refers to the period in which weight is supported on one foot after the initial double limb support period. The late leg support period is the period between the heel contact of the other foot and the lifting of the toe of one foot after the short leg support period, and refers to the second period in which the body weight is supported with both feet.

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 오른발 활보 시간의 추출과 n+1번째 오른발 활보 시간의 추출 사이에 n번째 왼발 활보 시간의 추출이 이루어질 수 있다. 또한, n+1번째 왼발 활보 시간의 추출과 n+2번째 왼발 활보 시간의 추출 사이에 n+2번째 오른발 활보 시간의 추출이 이루어질 수 있다. In addition, a temporal gait variable for the right foot and a temporal gait variable for the left foot may be extracted according to a time order. For example, in the case of starting walking with the right foot, extraction of the nth walking time with the left foot may be performed between extraction of the nth walking time with the right foot and extraction of the n+1th walking time with the right foot. In addition, the extraction of the n+2th right-footed walking time may be performed between the extraction of the n+1-th left-footed walking time and the extraction of the n+2-th left-footed walking time.

보행 변인 추출 유닛(105)에서 추출된 제1 보행 변인 및 제2 보행 변인은 보행 특성 생성부(110)로 제공될 수 있다.The first gait variable and the second gait variable extracted by the gait variable extraction unit 105 may be provided to the gait characteristic generation unit 110 .

보행 특성 생성부(110)는 제1 보행 변인을 시간 순서에 따라 배열하여 대상자의 제1 보행 시퀀스 피쳐를 생성할 수 있다. 또한, 보행 특성 생성부(110)는 제2 보행 변인을 시간 순서에 따라 배열하여 대상자의 제2 보행 시퀀스 피쳐를 생성할 수 있다. 제1 보행 시퀀스 피쳐 및 제2 보행 시퀀스 피쳐는 인공 신경망 기반의 예측 모델에 입력으로 사용하기 위해 전처리된 데이터일 수 있다.The gait characteristic generation unit 110 may generate a first gait sequence feature of the target person by arranging the first gait variables in a temporal order. Also, the gait characteristic generation unit 110 may generate a second gait sequence feature of the target person by arranging the second gait variables according to a time sequence. The first gait sequence feature and the second gait sequence feature may be preprocessed data to be used as inputs to a prediction model based on an artificial neural network.

보행 특성 생성부(110)는 일정 크기의 윈도우를 설정하고 이 윈도우를 일정 간격으로 이동시키는 과정을 통해 제1 보행 시퀀스 피쳐 및 제2 보행 시퀀스 피쳐를 각각 연속적으로 생성할 수 있다. The gait characteristic generation unit 110 may continuously generate the first gait sequence feature and the second gait sequence feature, respectively, through a process of setting a window having a predetermined size and moving the window at a predetermined interval.

도 7에 도시된 바와 같이 대상자의 활보 시간으로 보행 시퀀스 피쳐를 구성하는 경우를 예로 들면, n번째 윈도우는 오른발에 의한 n번째 활보 시간(R.Striden), 오른발에 의한 n+1번째 활보 시간(R.Striden+1), 오른발에 의한 n+2번째 활보 시간(R.Striden+2)과 왼발에 의한 n번째 활보 시간(L.Striden), 왼발에 의한 n+1번째 활보 시간(L.Striden+1), 왼발에 의한 n+2번째 활보 시간(L.Striden+2)을 포함하고 있으며 이들을 시간 순서대로 배열하여 총 6개의 활보 시간들(R.Striden, L.Striden, R.Striden+1, L.Striden+1, R.Striden+2, L.Striden+2)로 구성된 1 x 6 크기의 n번째 활보 시퀀스 피쳐를 획득할 수 있다. n+1번째 윈도우는 오른발에 의한 n+1번째 활보 시간(R.Striden+1), 오른발에 의한 n+2번째 활보 시간(R.Striden+2), 오른발에 의한 n+3번째 활보 시간(R.Striden+3)과 왼발에 의한 n+1번째 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(R.Striden+1, L.Striden+1, R.Striden+2, L.Striden+2, R.Striden+3, L.Striden+3)로 구성된 1 x 6 크기의 n+1번째 활보 시퀀스 피쳐를 획득할 수 있다. As shown in FIG. 7 , for example, in the case of constructing a walking sequence feature with the subject's walking time, the nth window is the nth walking time by the right foot (R.Stride n ) and the n+1th walking time by the right foot. (R.Stride n+1 ), n+2 stride time by right foot (R.Stride n+2 ) and nth stride time by left foot (L.Stride n ), n+1 stride time by left foot (L.Stride n+1 ), and the n+2th stride time by the left foot (L.Stride n+2 ), and by arranging them in chronological order, a total of 6 stride times (R.Stride n , L. Stride n , R.Stride n+1 , L.Stride n+1 , R.Stride n+2, L.Stride n+2 ) can obtain the n-th stride sequence feature of size 1 x 6. The n+1th window is the n+1st stride time by the right foot (R.Stride n+1 ), the n+2nd stride time by the right foot (R.Stride n+2 ), and the n+3rd stride by the right foot. Time (R.Stride n+3 ) and n+1st striding time by left foot (R.Stride n+1 ), n+2nd walking time by right foot (R.Stride n+2 ), n+3rd walking right foot It includes time (R.Stride n+3 ), and arranges them in chronological order, resulting in a total of 6 walking times (R.Stride n+1 , L.Stride n+1 , R.Stride n+2 , L.Stride n+2 , R.Stride n+3 , L.Stride n+3 ), a 1 x 6 sized n+1 stride sequence feature can be obtained.

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 있다. In addition, when there are a plurality of types of temporal gait variables extracted by the gait variable extraction unit 105, the gait sequence feature may be configured in the form of an MxN matrix. Here, M corresponds to the type of temporal gait variables, and N corresponds to the number of temporal gait variables arranged in time order. That is, walking sequence features including different types of temporal gait variables may be prepared.

상술한 과정을 통해 제1 보행 변인에 대한 제1 보행 시퀀스 피쳐와 제2 보행 변인에 대한 제2 보행 시퀀스 피쳐가 각각 생성될 수 있다. 여기서, 보행 특성 생성부(110)는 제1 보행 시퀀스 피쳐와 제2 보행 시퀀스 피쳐 기초하여 대상자의 보행 시퀀스 피쳐를 구성할 수 있다. 즉, 상기 제1 보행 시퀀스 피쳐와 상기 제2 보행 시퀀스 피쳐를 복합적으로 고려하여 대상자의 보행 시퀀스 피쳐가 생성될 수 있다. 대상자의 보행 시퀀스 피쳐는 제1 보행 시퀀스 피쳐와 제2 보행 시퀀스 피쳐가 병합되어 구성될 수 있으나, 이에 한정되는 것은 아니다. Through the above process, the first gait sequence feature for the first gait variable and the second gait sequence feature for the second gait variable may be respectively generated. Here, the gait characteristic generation unit 110 may configure a gait sequence feature of the subject based on the first gait sequence feature and the second gait sequence feature. That is, the walking sequence feature of the subject may be created by considering the first walking sequence feature and the second walking sequence feature in a complex manner. The subject's walking sequence feature may be formed by merging the first walking sequence feature and the second walking sequence feature, but is not limited thereto.

즉, 보통 속도인 제1 속도에서의 보행 변인에 따른 제1 보행 시퀀스 피쳐와 빠른 속도인 제2 속도에서의 보행 변인에 따른 제2 보행 시퀀스 피쳐를 함께 고려하여 노인 인지장애 심각도 예측 모델의 입력 데이터인 보행 시퀀스 피쳐가 구성될 수 있다. 보통 속도 보행만이 아닌 더욱 큰 운동 능력이 요구되는 빠른 속도 보행을 고려함으로써 빠른 속도 보행 시 관찰되는 보행의 불안정성에 반영된 인지 기능 손상 정도의 예측이 가능할 수 있다. 또한, 빠른 속도 보행 특성을 보통 속도 보행 특성과 함께 고려하여 보통 속도 보행 특성과의 관계로부터 파생되는 새로운 특성이 효과적인 예측인자로서의 역할을 할 수 있기 때문에 더 높은 정확도로 인지장애 심각도의 예측이 가능할 수 있다.That is, the input data of the elderly cognitive impairment severity prediction model by considering the first gait sequence feature according to the gait variable at the first speed, which is normal speed, and the second gait sequence feature according to the gait variable at the second speed, which is fast speed. A walking sequence feature can be configured. It is possible to predict the degree of cognitive impairment reflected in gait instability observed during high-speed walking by considering not only normal speed walking but also fast speed walking requiring greater motor ability. In addition, since the new characteristic derived from the relationship with the normal speed gait characteristic can serve as an effective predictor by considering the fast speed gait characteristic together with the normal speed gait characteristic, it may be possible to predict the severity of cognitive impairment with higher accuracy. have.

인지장애 심각도 예측부(120)는 보행 시퀀스 피쳐 입력 시 인지장애 심각도를 출력하도록 학습된 노인 인지장애 심각도 예측 모델을 이용하여, 대상자의 보행 시퀀스 피쳐에 기초하여 대상자의 인지장애 심각도를 예측할 수 있다. 노인 인지장애 심각도 예측 모델은 보행 시퀀스 피쳐 입력 시 대상자의 인지장애 심각도를 출력하도록 학습된 인공 신경망(artificial neural network, ANN) 기반의 모델일 수 있다. The cognitive impairment severity prediction unit 120 may predict the subject's cognitive impairment severity based on the subject's gait sequence feature, using an elderly cognitive impairment severity prediction model learned to output the cognitive impairment severity when a gait sequence feature is input. The elderly cognitive impairment severity prediction model may be a model based on an artificial neural network (ANN) trained to output the subject's cognitive impairment severity when a gait sequence feature is input.

구체적으로, 노인 인지장애 심각도 예측 모델은 시간에 따라 매순간 신경망을 쌓아올리는 재귀(recurrent) 신경망을 포함할 수 있다. 여기서, 보행 변인들은 연속성을 가진 시계열 데이터에 해당하며, 인지장애 심각도 예측부(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 인지장애 심각도를 판단할 수 있다. Specifically, the prediction model for the severity of cognitive impairment in the elderly may include a recurrent neural network that builds up a neural network every moment according to time. Here, the gait variables correspond to time-series data with continuity, and the cognitive impairment severity prediction unit 120 uses a long-short-term memory network suitable for pattern analysis of such time-series data because of its excellent long-term memory learning ability. Based on the subject's gait pattern, the severity of the subject's cognitive impairment can be determined.

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. Referring to the exemplary long-term and short-term memory network structure of FIG. 8 , the short-term and long-term memory network may recognize a gait pattern by sequentially receiving temporal gait variables included in a gait sequence feature.

인지장애 심각도 예측 모델 구축부(130)는 보행 시퀀스 피쳐를 입력 시 인지장애 심각도가 출력되도록 기계 학습 알고리즘을 훈련시킬 수 있다. 복수 대상자의 보행 시퀀스 피쳐가 입력 데이터로, 이에 대응하는 인지장애 심각도가 출력 데이터로 인지장애 심각도 예측 모델 구축부(130)에 제공될 수 있으며, 기계 학습 알고리즘 기반의 분류 학습이 진행될 수 있다. The cognitive impairment severity prediction model builder 130 may train the machine learning algorithm so that the cognitive impairment severity is output when a gait sequence feature is input. Gait sequence features of multiple subjects may be provided as input data and cognitive impairment severity corresponding thereto as output data to the cognitive impairment severity prediction model builder 130, and classification learning based on a machine learning algorithm may be performed.

여기서, 노인 인지장애 심각도 예측 모델은 임상에서 MMSE (Mini-Mental State Examination) 또는 MoCA (Montreal Cognitive Assessment) 점수 등을 기준으로 평가된 대상자의 인지장애 심각도를 출력하도록 훈련될 수 있다. 노인 인지장애 심각도 예측 모델은 입력된 보행 시퀀스 피쳐를 기초로 대상자의 인지장애 심각도를 “낮은 심각도"와 "높은 심각도"로 이분화하거나, "낮은 심각도”, “중간 심각도”, “높은 심각도”로 삼분화하여 출력하도록 훈련될 수 있다.Here, the elderly cognitive impairment severity prediction model may be trained to output the cognitive impairment severity of subjects evaluated based on Mini-Mental State Examination (MMSE) or Montreal Cognitive Assessment (MoCA) scores in clinical practice. The elderly cognitive impairment severity prediction model divides the subject's cognitive impairment severity into “low severity” and “high severity” based on the input gait sequence feature, or divides it into “low severity”, “medium severity”, and “high severity”. It can be trained to trisify and output.

인지장애 심각도 예측 모델 구축부(130)는 설정에 따라 차기 노인 인지장애 심각도 예측 모델의 구조를 자동 업데이트하도록 제어될 수 있다. 기구축된 노인 인지장애 심각도 예측 모델의 훈련에 사용되지 않은 새로운 대상자의 데이터가 데이터베이스(140)에 저장될 수 있고, 인지장애 심각도 예측 모델 구축부(130)는 확장된 데이터베이스를 활용해 범용성이 개선된 노인 인지장애 심각도 예측 모델을 구축할 수 있다. 인지장애 심각도 예측부(120)는 새로 구축된 노인 인지장애 심각도 예측 모델을 이용해 향상된 정확도로 인지장애 심각도 평가를 제공할 수 있다. The cognitive disorder severity prediction model builder 130 may be controlled to automatically update the structure of the next elderly cognitive disorder severity prediction model according to settings. New subject data not used for training of the pre-constructed elderly cognitive disorder severity prediction model may be stored in the database 140, and the cognitive disorder severity prediction model building unit 130 utilizes the expanded database to improve versatility. A predictive model for the severity of cognitive impairment in the elderly can be built. The cognitive impairment severity prediction unit 120 may provide cognitive impairment severity evaluation with improved accuracy using the newly constructed elderly cognitive impairment severity prediction model.

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. 인지장애 심각도 예측 모델 구축부(130)는 보행 시퀀스 피쳐와 대상자의 인구학적 특성 및 대상자의 인체 측정학적 특성 중 적어도 하나의 데이터를 입력 시 대상자의 인지장애 심각도가 출력되도록 기계 학습 알고리즘을 훈련시킬 수 있다. 인지장애 심각도 예측부(120)는 훈련된 기계 학습 알고리즘을 이용하여 대상자의 보행 시퀀스 피쳐, 대상자의 인구학적 특성 및 대상자의 인체 측정학적 특성에 기초한 대상자의 인지장애 심각도 평가를 제공할 수 있다.In some embodiments, at least one of the subject's demographic characteristics (gender, age) and subject's anthropometric characteristics (height, weight, calf circumference) may be further provided as input data in addition to the subject's gait sequence feature. The cognitive impairment severity prediction model building unit 130 may train a machine learning algorithm to output the cognitive impairment severity of the subject when at least one data of a gait sequence feature, demographic characteristics, and anthropometric characteristics of the subject is input. have. The cognitive impairment severity prediction unit 120 may provide an evaluation of the subject's cognitive impairment severity based on the subject's gait sequence feature, the subject's demographic characteristics, and the subject's anthropometric characteristics by using a trained machine learning algorithm.

본 발명의 실시예에 따른 노인 인지장애 심각도 예측 시스템(10)은 웨어러블 장비로 획득 가능한 보행 데이터 또는 보행 영상으로부터 대상자의 보행 변인을 추출하고, 보행 변인들의 패턴 분석에 적합한 기계 학습 모델을 이용해 대상자의 인지장애 심각도를 예측할 수 있다. 즉, 고가의 장비, 숙련된 전문가, 복잡한 검사 과정 없이도 일상 생활 속에서 지속적으로 인지장애 상태를 모니터링함으로써 인지장애의 조기 진단, 증상 관리, 적절한 치료의 기회를 대상자들에게 제공할 수 있다. 또한, 본 발명의 실시예에 따른 노인 인지장애 심각도 예측 시스템(10)은 인지 기능 손상 정도를 더 잘 반영할 수 있는 빠른 속도 보행에서의 보행 변인을 추출하고, 이를 고려하여 대상자의 인지장애 심각도를 예측할 수 있다. 즉, 빠른 속도 보행 특성을 보통 속도 보행 특성과 함께 고려하여 보통 속도 보행 특성과의 관계로부터 파생되는 새로운 특성이 효과적인 예측인자로서의 역할을 할 수 있기 때문에 더 높은 정확도로 대상자의 인지장애 심각도를 예측할 수 있다. The elderly cognitive impairment severity prediction system 10 according to an embodiment of the present invention extracts gait variables of a subject from gait data or gait images obtainable by wearable devices, and uses a machine learning model suitable for pattern analysis of the gait variables to determine the subject's predict the severity of cognitive impairment. In other words, by continuously monitoring the state of cognitive impairment in daily life without expensive equipment, skilled experts, and complicated examination procedures, it is possible to provide subjects with opportunities for early diagnosis of cognitive impairment, symptom management, and appropriate treatment. In addition, the system 10 for predicting the severity of cognitive impairment in the elderly according to an embodiment of the present invention extracts gait variables in fast walking that can better reflect the degree of cognitive impairment, and determines the severity of cognitive impairment of the subject in consideration of this. Predictable. That is, since the new characteristic derived from the relationship with the normal speed gait characteristic can serve as an effective predictor by considering the fast speed gait characteristic together with the normal speed gait characteristic, it is possible to predict the subject's cognitive impairment severity with higher accuracy. have.

도 9는 보통 속도 보행 특성 및 빠른 속도 보행 특성을 이용한 인지장애 심각도 예측의 정확도를 비교한 실험 그래프이다.9 is an experimental graph comparing the accuracy of predicting the severity of cognitive impairment using normal speed walking characteristics and high speed walking characteristics.

지역 사회에 거주하고 있는 총 108명의 65세 이상 고령자를 인지장애 심각도에 따라 세 그룹으로 분류하고 이들로부터 보행 관련 데이터를 수집한 후, 3가지 유형으로 입력 데이터를 구성하여 비교 실험을 진행하였다. A total of 108 elderly people aged 65 or older residing in the community were classified into three groups according to the severity of cognitive impairment, and gait-related data were collected from them, and input data were composed of three types to conduct a comparative experiment.

즉, 비교예 1은 보통 속도 보행(제1 속도 보행)에 대한 제1 보행 관련 데이터를 수집하고, 이를 기초로 제1 보행 변인을 추출, 추출된 보행 변인으로 제1 보행 시퀀스 피쳐를 구성하여 기구축된 노인 인지장애 심각도 예측 모델의 입력 데이터로 제공하는 과정을 통해 출력 데이터를 획득하였다. 여기서, 노인 인지장애 심각도 예측 모델은 입력된 보행 시퀀스 피쳐를 기초로 "낮은 심각도”, “중간 심각도”, “높은 심각도”로 삼분화하여 인지장애 심각도를 출력하도록 훈련된 상태일 수 있다. That is, in Comparative Example 1, first gait-related data for normal speed walking (first speed gait) was collected, a first gait variable was extracted based on this data, and a first gait sequence feature was constructed with the extracted gait variable. Output data was acquired through the process of providing input data to the constructed elderly cognitive impairment severity prediction model. Here, the elderly cognitive impairment severity prediction model may be in a state where it is trained to output the cognitive impairment severity by dividing into "low severity", "medium severity", and "high severity" based on the input gait sequence feature.

비교예 2는 빠른 속도 보행(제2 속도 보행)에 대한 제2 보행 관련 데이터를 수집하고, 이를 기초로 제2 보행 변인을 추출, 추출된 보행 변인으로 제2 보행 시퀀스 피쳐를 구성하여 기구축된 노인 인지장애 심각도 예측 모델의 입력 데이터로 제공하는 과정을 통해 출력 데이터를 획득하였다. Comparative Example 2 collects second gait-related data for fast walking (second speed gait), extracts a second gait variable based on this, constructs a second gait sequence feature with the extracted gait variable, Output data was obtained through the process of providing input data to the elderly cognitive impairment severity prediction model.

실시예는 상술한 노인 인지장애 심각도 예측 시스템(10)에 의한 것으로, 보통 속도 보행(제1 속도 보행)과 빠른 속도 보행(제2 속도 보행)에 대한 제1 및 제2 보행 관련 데이터 각각 수집하고, 제1 및 제2 보행 변인을 각각 추출하며, 추출된 제1 및 제2 보행 변인으로 제1 및 제2 보행 시퀀스 피쳐를 각각 구성한 후, 이를 기구축된 노인 인지장애 심각도 예측 모델의 입력 데이터로 제공하는 과정을 통해 출력 데이터를 획득하였다. The embodiment is based on the above-described elderly cognitive impairment severity prediction system 10, and collects first and second gait-related data for normal speed walking (first speed walking) and fast speed walking (second speed walking), respectively , extracts the first and second gait variables, respectively, and configures the first and second gait sequence features with the extracted first and second gait variables, respectively, and uses them as input data of the pre-contracted elderly cognitive impairment severity prediction model. Output data was acquired through the process provided.

여기서, 분류 정확도는 대상자들의 실제 인지장애 심각도와 노인 인지장애 심각도 예측 모델을 통해 예측된 인지장애 심각도가 일치하는 정도를 의미한다. 즉, 분류 정확도가 높을수록 예측된 인지장애 심각도가 실제 인지장애 심각도와 일치함을 의미한다.Here, the classification accuracy means the degree to which the actual cognitive impairment severity of subjects and the cognitive impairment severity predicted through the elderly cognitive impairment severity prediction model match. That is, the higher the classification accuracy, the more the predicted severity of cognitive impairment matches the actual severity of cognitive impairment.

도 9의 그래프를 참조하면, 보통 속도 보행 특성을 이용한 비교예 1에 따른 분류 정확도가 0.92로 가장 낮게 나타나는 것을 알 수 있으며, 보통 속도 보행 특성과 빠른 속도 보행 특성을 모두 이용한 실시예가 가장 높은 분류 정확도 0.97을 제공하는 것을 알 수 있다. 즉, 빠른 속도 보행 특성을 보통 속도 보행 특성과 함께 고려하여 보통 속도 보행 특성과의 관계로부터 파생되는 새로운 특성이 효과적인 예측인자로서의 역할을 할 수 있기 때문에 더 높은 정확도로 대상자의 인지장애 심각도를 예측할 수 있음을 확인할 수 있다.Referring to the graph of FIG. 9 , it can be seen that the classification accuracy according to Comparative Example 1 using the normal speed gait characteristic is the lowest at 0.92, and the embodiment using both the normal speed gait characteristic and the fast speed gait characteristic has the highest classification accuracy. It can be seen that it gives 0.97. That is, since the new characteristic derived from the relationship with the normal speed gait characteristic can serve as an effective predictor by considering the fast speed gait characteristic together with the normal speed gait characteristic, it is possible to predict the subject's cognitive impairment severity with higher accuracy. can confirm that there is

이하, 본 발명의 다른 실시예에 따른 노인 인지장애 심각도 예측 방법에 대해 설명하도록 한다. Hereinafter, a method for predicting the severity of cognitive impairment in the elderly according to another embodiment of the present invention will be described.

도 10은 본 발명의 다른 실시예에 따른 노인 인지장애 심각도 예측 방법의 순서도이다. 상기 방법은 상술한 도 1 내지 도 8의 시스템에서 수행될 수 있고, 본 실시예의 설명을 위해 도 1 내지 도 9가 참조될 수 있다.10 is a flowchart of a method for predicting the severity of cognitive impairment in the elderly according to another embodiment of the present invention. The method may be performed in the system of FIGS. 1 to 8 described above, and FIGS. 1 to 9 may be referred to for description of the present embodiment.

도 10을 참조하면, 본 발명의 다른 실시예에 따른 노인 인지장애 심각도 예측 방법은 대상자의 제1 속도 보행에 대한 제1 보행 관련 데이터 및 상기 대상자의 제2 속도 보행에 대한 제2 보행 관련 데이터를 각각 수집하는 단계(S100); 상기 수집된 대상자의 제1 보행 관련 데이터를 분석하여 대상자의 제1 보행 변인을 추출하고, 상기 수집된 대상자의 제2 보행 관련 데이터를 분석하여 대상자의 제2 보행 변인을 추출하는 단계(S110); 상기 대상자의 제1 보행 변인을 시간 순서에 따라 배열하여 대상자의 제1 보행 시퀀스 피쳐를 생성하고, 상기 대상자의 제2 보행 변인을 시간 순서에 따라 배열하여 대상자의 제2 보행 시퀀스 피쳐를 생성하며, 상기 제1 보행 시퀀스 피쳐와 상기 제2 보행 시퀀스 피쳐에 기초하여 대상자의 보행 시퀀스 피쳐를 구성하는 단계(S120);및 보행 시퀀스 피쳐 입력 시 인지장애 심각도를 출력하도록 학습된 노인 인지장애 심각도 예측 모델을 이용하여, 상기 대상자의 보행 시퀀스 피쳐에 기초하여 상기 대상자의 인지장애 심각도를 예측하는 단계(S130)를 포함한다. Referring to FIG. 10, the method for predicting the severity of cognitive impairment in the elderly according to another embodiment of the present invention includes first gait-related data for a subject's first speed walking and second gait-related data for a second speed gait of the subject. Collecting each step (S100); extracting a first gait-related variable of the subject by analyzing the collected first gait-related data of the subject, and extracting a second gait-related variable of the subject by analyzing the collected second gait-related data of the subject (S110); arranging first gait variables of the subject in time order to generate a first gait sequence feature of the subject, and arranging second gait variables of the subject in time order to generate a second gait sequence feature of the subject; Constructing a gait sequence feature of the target person based on the first gait sequence feature and the second gait sequence feature (S120); and a cognitive impairment severity prediction model for the elderly learned to output the cognitive impairment severity when the gait sequence feature is input. and predicting the severity of cognitive impairment of the subject based on the gait sequence feature of the subject (S130).

먼저, 대상자의 제1 보행 관련 데이터 및 제2 보행 관련 데이터를 수집한다(S100).First, first gait-related data and second gait-related data of the subject are collected (S100).

본 단계(S100)는 노인 인지장애 심각도 예측 시스템(10)의 보행 변인 추출부(100)에서 수행될 수 있다.This step (S100) may be performed in the gait variable extractor 100 of the elderly cognitive impairment severity prediction system 10.

대상자의 제1 속도 보행에 대한 제1 보행 관련 데이터를 수집하고, 상기 대상자의 제2 속도 보행에 대한 제2 보행 관련 데이터를 수집할 수 있다. 여기서, 상기 제2 속도 보행의 속도는 상기 제1 속도 보행의 속도보다 더 빠른 속도일 수 있다. 상기 제2 속도 보행의 속도는 상기 제1 속도 보행의 속도의 1.1 배 내지 1.2 배일 수 있다. First gait-related data for walking at a first speed of the subject may be collected, and second gait-related data for walking at a second speed of the subject may be collected. Here, the speed of the second speed walking may be higher than the speed of the first speed walking. The speed of the second speed walking may be 1.1 times to 1.2 times the speed of the first speed walking.

상기 대상자의 제1 보행 관련 데이터는 상기 대상자의 제1 속도 보행에 따른 대상자의 제1 족저압 데이터, 상기 대상자의 제1 속도 보행에 따른 대상자의 제1 운동학적 데이터 및 상기 대상자의 제1 속도 보행 동작을 촬영한 대상자의 제1 보행 영상 중 적어도 하나를 포함하고, 상기 대상자의 제2 보행 관련 데이터는 상기 대상자의 제2 속도 보행에 따른 대상자의 제2 족저압 데이터, 상기 대상자의 제2 속도 보행에 따른 대상자의 제2 운동학적 데이터 및 상기 대상자의 제2 속도 보행 동작을 촬영한 대상자의 제2 보행 영상 중 적어도 하나를 포함할 수 있다. The subject's first gait-related data includes the subject's first plantar pressure data according to the subject's first speed walking, the subject's first kinematic data according to the subject's first speed walking, and the subject's first speed gait. It includes at least one of first gait images of the subject whose motion is captured, and the second gait-related data of the subject includes second plantar pressure data of the subject according to the second speed walking of the subject, second speed gait of the subject It may include at least one of second kinematic data of the subject and a second gait image of the subject obtained by capturing the second speed walking motion of the subject.

보행 변인 추출부(100)의 데이터 수집 유닛(101)은 족저압 측정 장비(200), 운동학적 데이터 측정 장비(300) 및 카메라(미도시)와 통신망을 통해 데이터를 교환하도록 구성될 수 있으며, 족저압 측정 장비(200)로부터 제1 족저압 데이터 및 제2 족저압 데이터를 수신하고, 운동학적 데이터 측정 장비(300)로부터 제1 운동학적 데이터 및 제2 운동학적 데이터를 수신하며, 카메라로부터 제1 보행 영상 및 제2 보행 영상을 수신하도록 구성될 수 있다.The data collection unit 101 of the gait variable extractor 100 may be configured to exchange data with the plantar pressure measuring device 200, the kinematic data measuring device 300, and a camera (not shown) through a communication network, Receives the first plantar pressure data and the second plantar pressure data from the plantar pressure measuring device 200, receives the first kinematic data and the second kinematic data from the kinematic data measuring device 300, and controls the plantar pressure data from the camera. It may be configured to receive a first walking image and a second walking image.

다음으로, 상기 수집된 대상자의 제1 보행 관련 데이터를 분석하여 대상자의 제1 보행 변인을 추출하고, 상기 수집된 대상자의 제2 보행 관련 데이터를 분석하여 대상자의 제2 보행 변인을 추출한다(S110).Next, a first gait-related variable of the subject is extracted by analyzing the collected first gait-related data of the subject, and a second gait-related variable of the subject is extracted by analyzing the collected second gait-related data of the subject (S110). ).

본 단계(S110)는 노인 인지장애 심각도 예측 시스템(10)의 보행 변인 추출부(100)에서 수행될 수 있다.This step (S110) may be performed by the gait variable extractor 100 of the elderly cognitive impairment severity prediction system 10.

본 단계(S110)는 상기 제1 족저압 데이터에서 제1 속도 보행에 따른 대상자의 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점을 검출하고, 상기 제2 족저압 데이터에서 제2 속도 보행에 따른 대상자의 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점을 검출하는 단계; 상기 제1 운동학적 데이터에서 제1 속도 보행에 따른 대상자의 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점을 검출하고, 상기 제2 운동학적 데이터에서 제2 속도 보행에 따른 대상자의 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점을 검출하는 단계; 및 상기 제1 보행 영상에서 제1 속도 보행에 따른 대상자의 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점을 검출하고, 상기 제2 보행 영상에서 제2 속도 보행에 따른 대상자의 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점을 검출하는 단계 중 적어도 하나의 단계를 포함한다. In this step (S110), the time of heel strike and toe off of the subject according to the first speed walking are detected from the first plantar pressure data, and the second speed is detected from the second plantar pressure data. Detecting a heel strike time point and a toe off time point according to walking; In the first kinematic data, the subject's heel strike time and toe off time according to the first speed walking are detected, and the subject's heel according to the second speed walking is detected in the second kinematic data. detecting a heel strike time and a toe off time; And detecting the subject's heel strike time and toe off time according to the first speed gait in the first gait image, and the subject's heel strike according to the second speed gait in the second gait image. At least one step of detecting a heel strike time point and a toe off time point is included.

또한, 본 단계(S110)는 상기 족저압 데이터 분석 유닛, 상기 운동학적 데이터 분석 유닛 및 상기 보행 영상 분석 유닛 중 적어도 하나에서 검출된 제1 속도 보행에 따른 대상자의 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점에 기초하여 대상자의 제1 보행 변인을 추출하는 단계; 및 상기 족저압 데이터 분석 유닛, 상기 운동학적 데이터 분석 유닛 및 상기 보행 영상 분석 유닛 중 적어도 하나에서 검출된 제2 속도 보행에 따른 대상자의 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점에 기초하여 대상자의 제2 보행 변인을 추출하는 단계를 더 포함한다. In addition, in this step (S110), the subject's heel strike time point and toe according to the first speed walking detected by at least one of the plantar pressure data analysis unit, the kinematic data analysis unit, and the gait image analysis unit extracting a first gait variable of the subject based on a toe off time point; And at the time of heel strike and toe off of the subject according to the second speed walking detected by at least one of the plantar pressure data analysis unit, the kinematic data analysis unit, and the gait image analysis unit. Based on the step of extracting the subject's second gait variable is further included.

여기서, 상기 제1 보행 변인과 상기 제2 보행 변인은 시간적 보행 변인이고, 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 해당한다. Here, the first gait variable and the second gait variable are temporal gait variables, and the temporal gait variables include a stance phase, a swing phase, a step, a stride, and an initial quantity. It corresponds to the duration of at least one section among the initial double-limb support period, the terminal double-limb support period, and the single-limb support period.

다음으로, 상기 대상자의 제1 보행 변인을 시간 순서에 따라 배열하여 대상자의 제1 보행 시퀀스 피쳐를 생성하고, 상기 대상자의 제2 보행 변인을 시간 순서에 따라 배열하여 대상자의 제2 보행 시퀀스 피쳐를 생성하며, 상기 제1 보행 시퀀스 피쳐와 상기 제2 보행 시퀀스 피쳐에 기초하여 대상자의 보행 시퀀스 피쳐를 구성한다(S120).Next, a first gait sequence feature of the subject is generated by arranging the first gait variables of the subject in chronological order, and a second gait sequence feature of the subject is generated by arranging the second gait variable of the subject in chronological order. and a walking sequence feature of the subject is configured based on the first walking sequence feature and the second walking sequence feature (S120).

보행 특성 생성부(110)는 제1 보행 변인을 시간 순서에 따라 배열하여 대상자의 제1 보행 시퀀스 피쳐(sequence feature)를 생성할 수 있다. 또한, 보행 특성 생성부(110)는 제2 보행 변인을 시간 순서에 따라 배열하여 대상자의 제2 보행 시퀀스 피쳐(sequence feature)를 생성할 수 있다. 제1 보행 시퀀스 피쳐 및 제2 보행 시퀀스 피쳐는 인공 신경망 기반의 예측 모델에 입력으로 사용하기 위해 전처리된 데이터일 수 있다. 보행 특성 생성부(110)는 일정 크기의 윈도우를 설정하고 이 윈도우를 일정 간격으로 이동시키는 과정을 통해 제1 보행 시퀀스 피쳐 및 제2 보행 시퀀스 피쳐를 각각 연속적으로 생성할 수 있다.The gait characteristic generation unit 110 may generate a first gait sequence feature of the target person by arranging the first gait variables in time order. Also, the gait characteristic generation unit 110 may generate a second gait sequence feature of the target person by arranging the second gait variables according to time order. The first gait sequence feature and the second gait sequence feature may be preprocessed data to be used as inputs to a prediction model based on an artificial neural network. The gait characteristic generation unit 110 may continuously generate the first gait sequence feature and the second gait sequence feature, respectively, through a process of setting a window having a predetermined size and moving the window at a predetermined interval.

상기 시간적 보행 변인이 복수의 종류로 추출되는 경우, 상기 보행 시퀀스 피쳐는 M x N 크기로 구성되고, 상기 M은 상기 시간적 보행 변인의 종류의 개수이고, 상기 N은 시간 순서에 따라 배열되는 시간적 보행 변인의 개수일 수 있다.When the temporal gait variables are extracted in a plurality of types, the gait sequence feature is composed of a size of M x N, where M is the number of types of the temporal gait variables, and N is the temporal gait arranged in chronological order. It can be the number of variables.

상술한 과정을 통해 제1 보행 변인에 대한 제1 보행 시퀀스 피쳐와 제2 보행 변인에 대한 제2 보행 시퀀스 피쳐가 각각 생성될 수 있다. 여기서, 보행 특성 생성부(110)는 제1 보행 시퀀스 피쳐와 제2 보행 시퀀스 피쳐에 기초하여 대상자의 보행 시퀀스 피쳐를 구성할 수 있다. 보행 시퀀스 피쳐는 제1 보행 시퀀스 피쳐와 제2 보행 시퀀스 피쳐가 병합되어 구성될 수 있으나, 이에 한정되는 것은 아니다. Through the above process, the first gait sequence feature for the first gait variable and the second gait sequence feature for the second gait variable may be respectively generated. Here, the gait characteristic generation unit 110 may configure a gait sequence feature of the subject based on the first gait sequence feature and the second gait sequence feature. The walking sequence feature may be configured by merging the first walking sequence feature and the second walking sequence feature, but is not limited thereto.

다음으로, 보행 시퀀스 피쳐 입력 시 인지장애 심각도를 출력하도록 학습된 노인 인지장애 심각도 예측 모델을 이용하여, 상기 대상자의 보행 시퀀스 피쳐에 기초하여 상기 대상자의 인지장애 심각도를 예측한다(S130).Next, the cognitive impairment severity of the subject is predicted based on the subject's gait sequence feature using the elderly cognitive impairment severity prediction model learned to output the cognitive impairment severity when the gait sequence feature is input (S130).

본 실시예에 따른 방법은 본 단계(S130)의 수행 이전, 노인 인지장애 심각도 예측 모델이 구축되는 단계를 더 포함할 수 있다. 상기 노인 인지장애 심각도 예측 모델은 장기 기억 학습 능력이 뛰어나 시계열 데이터의 패턴 분석에 적합한 장단기 기억 네트워크를 포함할 수 있다. The method according to the present embodiment may further include a step of constructing a predictive model for the severity of cognitive impairment in the elderly before performing this step (S130). The elderly cognitive impairment severity prediction model may include a long-term short-term memory network that is excellent in long-term memory learning ability and suitable for pattern analysis of time-series data.

여기서, 노인 인지장애 심각도 예측 모델은 임상에서 MMSE (Mini-Mental State Examination) 또는 MoCA (Montreal Cognitive Assessment) 점수 등을 기준으로 평가된 대상자의 인지장애 심각도를 출력하도록 훈련될 수 있다. 노인 인지장애 심각도 예측 모델은 입력된 보행 시퀀스 피쳐를 기초로 대상자의 인지장애 심각도를 “낮은 심각도"와 "높은 심각도"로 이분화하거나, "낮은 심각도”, “중간 심각도”, “높은 심각도”로 삼분화하여 출력하도록 훈련될 수 있다.Here, the elderly cognitive impairment severity prediction model may be trained to output the cognitive impairment severity of subjects evaluated based on Mini-Mental State Examination (MMSE) or Montreal Cognitive Assessment (MoCA) scores in clinical practice. The elderly cognitive impairment severity prediction model divides the subject's cognitive impairment severity into “low severity” and “high severity” based on the input gait sequence feature, or divides it into “low severity”, “medium severity”, and “high severity”. It can be trained to trisify and output.

인지장애 심각도 예측부(120)는 보행 시퀀스 피쳐 입력 시 인지장애 심각도를 출력하도록 학습된 노인 인지장애 심각도 예측 모델을 이용하여, 대상자의 보행 시퀀스 피쳐에 기초하여 대상자의 인지장애 심각도를 예측할 수 있다.The cognitive impairment severity prediction unit 120 may predict the subject's cognitive impairment severity based on the subject's gait sequence feature, using an elderly cognitive impairment severity prediction model learned to output the cognitive impairment severity when a gait sequence feature is input.

본 발명의 실시예에 따른 노인 인지장애 심각도 예측 방법은 웨어러블 장비로 획득 가능한 보행 데이터 또는 보행 영상으로부터 대상자의 보행 변인을 추출하고, 보행 변인들의 패턴 분석에 적합한 기계 학습 모델을 이용해 대상자의 인지장애 심각도를 예측할 수 있다. 즉, 고가의 장비, 숙련된 전문가, 복잡한 검사 과정 없이도 일상 생활 속에서 지속적으로 인지장애 상태를 모니터링함으로써 인지장애의 조기 진단, 증상 관리, 적절한 치료의 기회를 대상자들에게 제공할 수 있다.The method for predicting the severity of cognitive impairment in the elderly according to an embodiment of the present invention extracts the subject's gait variables from gait data or gait images obtainable by wearable devices, and uses a machine learning model suitable for pattern analysis of the gait variables to determine the subject's cognitive impairment severity. can predict In other words, by continuously monitoring the state of cognitive impairment in daily life without expensive equipment, skilled experts, and complicated examination procedures, it is possible to provide subjects with opportunities for early diagnosis of cognitive impairment, symptom management, and appropriate treatment.

또한, 본 발명의 실시예에 따른 노인 인지장애 심각도 예측 방법은 인지 기능 손상 정도를 더 잘 반영할 수 있는 빠른 속도 보행에서의 보행 변인을 추출하고, 이를 고려하여 대상자의 인지장애 심각도를 예측할 수 있다. 즉, 빠른 속도 보행 특성을 보통 속도 보행 특성과 함께 고려하여 보통 속도 보행 특성과의 관계로부터 파생되는 새로운 특성이 효과적인 예측인자로서의 역할을 할 수 있기 때문에 더 높은 정확도로 대상자의 인지장애 심각도를 예측할 수 있다.In addition, the method for predicting the severity of cognitive impairment in the elderly according to an embodiment of the present invention extracts gait variables in fast walking that can better reflect the degree of cognitive impairment, and predicts the severity of cognitive impairment of the subject in consideration of this. . That is, since the new characteristic derived from the relationship with the normal speed gait characteristic can serve as an effective predictor by considering the fast speed gait characteristic together with the normal speed gait characteristic, it is possible to predict the subject's cognitive impairment severity with higher accuracy. have.

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.Although the above has been described with reference to examples, the present invention should not be construed as being limited by these examples or drawings, and those skilled in the art will be able to understand the spirit and scope of the present invention described in the claims below. It will be understood that various modifications and changes can be made to the present invention within a range not departing from the above.

10: 노인 인지장애 심각도 예측 시스템
100: 보행 변인 추출부
110: 보행 특성 생성부
120: 인지장애 심각도 예측부
130: 인지장애 심각도 예측 모델 구축부
140: 데이터베이스10: Elderly Cognitive Impairment Severity Prediction System
100: gait variable extraction unit
110: Gait characteristic generation unit
120: cognitive disorder severity prediction unit
130: cognitive disorder severity prediction model building unit
140: database

Claims (16)

대상자의 제1 속도 보행에 대한 제1 보행 관련 데이터를 수집하고, 수집된 대상자의 제1 보행 관련 데이터를 분석하여 대상자의 제1 보행 변인을 추출하고, 상기 대상자의 제2 속도 보행에 대한 제2 보행 관련 데이터를 수집하고, 수집된 대상자의 제2 보행 관련 데이터를 분석하여 대상자의 제2 보행 변인을 추출하는 보행 변인 추출부로서, 상기 제2 속도 보행의 속도는 상기 제1 속도 보행의 속도보다 더 빠른 속도인, 보행 변인 추출부;
상기 대상자의 제1 보행 변인을 시간 순서에 따라 배열하여 대상자의 제1 보행 시퀀스 피쳐를 생성하고, 상기 대상자의 제2 보행 변인을 시간 순서에 따라 배열하여 대상자의 제2 보행 시퀀스 피쳐를 생성하며, 상기 제1 보행 시퀀스 피쳐 및 상기 제2 보행 시퀀스 피쳐에 기초하여 대상자의 보행 시퀀스 피쳐를 구성하는 보행 특성 생성부; 및
보행 시퀀스 피쳐 입력 시 인지장애 심각도를 출력하도록 학습된 노인 인지장애 심각도 예측 모델을 이용하여, 상기 대상자의 보행 시퀀스 피쳐에 기초하여 대상자의 인지장애 심각도를 예측하는 인지장애 심각도 예측부를 포함하는 노인 인지장애 심각도 예측 시스템.The subject's first gait-related data for the subject's first speed walking is collected, the subject's first gait-related data is analyzed to extract the subject's first gait variable, and the subject's second speed walking-related data is analyzed. A gait variable extractor extracting a second gait variable of the subject by collecting gait-related data and analyzing the collected second gait-related data of the subject, wherein the speed of the second speed walking is greater than the speed of the first speed walking. Faster speed, gait variable extraction unit;
arranging first gait variables of the subject in time order to generate a first gait sequence feature of the subject, and arranging second gait variables of the subject in time order to generate a second gait sequence feature of the subject; a gait characteristic generation unit configuring a gait sequence feature of the subject based on the first gait sequence feature and the second gait sequence feature; and
Elderly cognitive impairment comprising a cognitive impairment severity prediction unit that predicts the severity of cognitive impairment of the subject based on the gait sequence feature of the subject, using an elderly cognitive impairment severity prediction model learned to output the cognitive impairment severity when a gait sequence feature is input Severity Prediction System. 제1 항에 있어서,
상기 대상자의 제1 보행 관련 데이터는 상기 대상자의 제1 속도 보행에 따른 대상자의 제1 족저압 데이터, 상기 대상자의 제1 속도 보행에 따른 대상자의 제1 운동학적 데이터 및 상기 대상자의 제1 속도 보행 동작을 촬영한 대상자의 제1 보행 영상 중 적어도 하나를 포함하고,
상기 대상자의 제2 보행 관련 데이터는 상기 대상자의 제2 속도 보행에 따른 대상자의 제2 족저압 데이터, 상기 대상자의 제2 속도 보행에 따른 대상자의 제2 운동학적 데이터 및 상기 대상자의 제2 속도 보행 동작을 촬영한 대상자의 제2 보행 영상 중 적어도 하나를 포함하는 노인 인지장애 심각도 예측 시스템.According to claim 1,
The subject's first gait-related data includes the subject's first plantar pressure data according to the subject's first speed walking, the subject's first kinematic data according to the subject's first speed walking, and the subject's first speed gait. Including at least one of the first gait images of the subject whose motion is captured;
The subject's second gait-related data includes the subject's second plantar pressure data according to the subject's second speed walking, the subject's second kinematic data according to the subject's second speed walking, and the subject's second speed gait. A system for predicting the severity of cognitive impairment in the elderly including at least one of second gait images of a subject whose motion is captured. 제2 항에 있어서,
상기 보행 변인 추출부는,
상기 제1 족저압 데이터에서 제1 속도 보행에 따른 대상자의 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점을 검출하고, 상기 제2 족저압 데이터에서 제2 속도 보행에 따른 대상자의 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점을 검출하는 족저압 데이터 분석 유닛;
상기 제1 운동학적 데이터에서 제1 속도 보행에 따른 대상자의 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점을 검출하고, 상기 제2 운동학적 데이터에서 제2 속도 보행에 따른 대상자의 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점을 검출하는 운동학적 데이터 분석 유닛;
상기 제1 보행 영상에서 제1 속도 보행에 따른 대상자의 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점을 검출하고, 상기 제2 보행 영상에서 제2 속도 보행에 따른 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 제1 속도 보행에 따른 대상자의 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점에 기초하여 대상자의 제1 보행 변인을 추출하고, 상기 족저압 데이터 분석 유닛, 상기 운동학적 데이터 분석 유닛 및 상기 보행 영상 분석 유닛 중 적어도 하나에서 검출된 제2 속도 보행에 따른 대상자의 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점에 기초하여 대상자의 제2 보행 변인을 추출하는 보행 변인 추출 유닛을 포함하는 노인 인지장애 심각도 예측 시스템.According to claim 2,
The gait variable extraction unit,
From the first plantar pressure data, the subject's heel strike time and toe off time according to the first speed walking are detected, and the subject's heel according to the second speed walking is detected from the second plantar pressure data. a plantar pressure data analysis unit that detects a heel strike point and a toe off point;
In the first kinematic data, the subject's heel strike time and toe off time according to the first speed walking are detected, and the subject's heel according to the second speed walking is detected in the second kinematic data. a kinematic data analysis unit that detects a heel strike point and a toe off point;
In the first gait image, the time of heel strike and toe off of the subject according to the first speed gait are detected, and the subject's heel strike according to the second speed gait in the second gait image ( a gait image analysis unit that detects a heel strike time point and a toe off time point; and
Based on the timing of heel strike and toe off of the subject according to the first speed walking detected by at least one of the plantar pressure data analysis unit, the kinematic data analysis unit, and the gait image analysis unit. to extract a first gait variable of the subject, and heel strike of the subject according to the second speed gait detected by at least one of the plantar pressure data analysis unit, the kinematic data analysis unit, and the gait image analysis unit A system for predicting severity of cognitive impairment in the elderly, comprising a gait variable extraction unit extracting a second gait variable of a subject based on a time point and a toe off time point. 제3 항에 있어서,
상기 보행 변인 추출부는 족저압 측정 장비로부터 상기 제1 족저압 데이터 및 상기 제2 족저압 데이터 중 적어도 하나를 통신망을 통해 수신하고, 운동학적 데이터 측정 장비로부터 상기 제1 운동학적 데이터 및 상기 제2 운동학적 데이터 중 적어도 하나를 상기 통신망을 통해 수신하고, 카메라로부터 상기 제1 보행 영상 및 제2 보행 영상 중 적어도 하나를 상기 통신망을 통해 수신하도록 구성된 데이터 수집 유닛을 더 포함하고,
상기 족저압 측정 장비는 복수의 압력센서를 포함한 신발 안창(insole)을 포함하는 노인 인지장애 심각도 예측 시스템.According to claim 3,
The gait variable extractor receives at least one of the first plantar pressure data and the second plantar pressure data from a plantar pressure measuring device through a communication network, and receives the first kinematic data and the second exercise from a kinematic data measuring device. Further comprising a data collection unit configured to receive at least one of the medical data through the communication network, and to receive at least one of the first walking image and the second walking image from a camera through the communication network;
The plantar pressure measuring device is a system for predicting the severity of cognitive impairment in the elderly including a shoe insole including a plurality of pressure sensors. 제3 항에 있어서,
상기 제1 보행 변인과 상기 제2 보행 변인은 시간적 보행 변인이고,
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 노인 인지장애 심각도 예측 시스템.According to claim 3,
The first gait variable and the second gait variable are temporal gait variables,
The temporal gait variables include a stance phase, a swing phase, a step, a stride, an initial double-limb support period, and a terminal double-limb support period. A system for predicting the severity of cognitive impairment in the elderly, characterized in that it corresponds to the duration of at least one section of a double-limb support period and a single-limb support period. 제5 항에 있어서,
상기 시간적 보행 변인이 복수의 종류로 추출되는 경우,
상기 보행 시퀀스 피쳐는 M x N 크기로 구성되고, 상기 M은 상기 시간적 보행 변인의 종류의 개수이고, 상기 N은 시간 순서에 따라 배열되는 시간적 보행 변인의 개수인 것을 특징으로 하는 노인 인지장애 심각도 예측 시스템.According to claim 5,
When the temporal gait variable is extracted into a plurality of types,
The gait sequence feature has a size of M x N, M is the number of types of temporal gait variables, and N is the number of temporal gait variables arranged in chronological order. system. 제1 항에 있어서,
상기 노인 인지장애 심각도 예측 모델은 보행 시퀀스 피쳐 입력 시 인지장애 심각도를 출력하도록 학습된 장단기 기억 네트워크(long short-term memory network)를 포함하는 것을 특징으로 하는 노인 인지장애 심각도 예측 시스템.According to claim 1,
The elderly cognitive impairment severity prediction model comprises a long short-term memory network learned to output cognitive impairment severity when a gait sequence feature is input. 제1 항에 있어서,
상기 제2 속도 보행의 속도는 상기 제1 속도 보행의 속도의 1.1 배 내지 1.2 배인 것을 특징으로 하는 노인 인지장애 심각도 예측 시스템.According to claim 1,
The elderly cognitive impairment severity prediction system, characterized in that the speed of the second speed walking is 1.1 to 1.2 times the speed of the first speed walking. 하나　이상의　프로세서들, 및
상기 하나 이상의 프로세서들에 의해 실행되는 하나 이상의 프로그램들을 저장하는 메모리를 구비한 컴퓨팅 장치에서 수행되는 노인 인지장애 심각도 예측 방법으로서,
대상자의 제1 속도 보행에 대한 제1 보행 관련 데이터 및 상기 대상자의 제2 속도 보행에 대한 제2 보행 관련 데이터를 각각 수집하는 단계로서, 상기 제2 속도 보행의 속도는 상기 제1 속도 보행의 속도보다 더 빠른 속도인, 단계;
상기 수집된 대상자의 제1 보행 관련 데이터를 분석하여 대상자의 제1 보행 변인을 추출하고, 상기 수집된 대상자의 제2 보행 관련 데이터를 분석하여 대상자의 제2 보행 변인을 추출하는 단계;
상기 대상자의 제1 보행 변인을 시간 순서에 따라 배열하여 대상자의 제1 보행 시퀀스 피쳐를 생성하고, 상기 대상자의 제2 보행 변인을 시간 순서에 따라 배열하여 대상자의 제2 보행 시퀀스 피쳐를 생성하며, 상기 제1 보행 시퀀스 피쳐와 상기 제2 보행 시퀀스 피쳐에 기초하여 대상자의 보행 시퀀스 피쳐를 구성하는 단계; 및
보행 시퀀스 피쳐 입력 시 인지장애 심각도를 출력하도록 학습된 노인 인지장애 심각도 예측 모델을 이용하여, 상기 대상자의 보행 시퀀스 피쳐에 기초하여 상기 대상자의 인지장애 심각도를 예측하는 단계를 포함하는 노인 인지장애 심각도 예측 방법.one or more processors; and
A method for predicting the severity of cognitive impairment in the elderly performed in a computing device having a memory for storing one or more programs executed by the one or more processors,
Collecting first gait-related data for a first speed walking of the subject and second gait-related data for a second speed walking of the subject, wherein the speed of the second speed walking is the speed of the first speed walking step, which is faster than;
extracting a first gait variable of the subject by analyzing the collected first gait-related data of the subject, and extracting a second gait variable of the subject by analyzing the collected second gait-related data of the subject;
arranging first gait variables of the subject in time order to generate a first gait sequence feature of the subject, and arranging second gait variables of the subject in time order to generate a second gait sequence feature of the subject; constructing a walking sequence feature of the subject based on the first walking sequence feature and the second walking sequence feature; and
Predicting the severity of cognitive impairment in the subject based on the gait sequence feature of the subject using a prediction model for the severity of cognitive impairment in the elderly, which has been trained to output the severity of cognitive impairment when a gait sequence feature is input. Way. 제9 항에 있어서
상기 제2 속도 보행의 속도는 상기 제1 속도 보행의 속도의 1.1 배 내지 1.2 배인 것을 특징으로 하는 노인 인지장애 심각도 예측 방법.According to claim 9
The method for predicting the severity of cognitive impairment in the elderly, characterized in that the speed of the second speed walking is 1.1 to 1.2 times the speed of the first speed walking. 제9 항에 있어서,
상기 대상자의 제1 보행 관련 데이터는 상기 대상자의 제1 속도 보행에 따른 대상자의 제1 족저압 데이터, 상기 대상자의 제1 속도 보행에 따른 대상자의 제1 운동학적 데이터 및 상기 대상자의 제1 속도 보행 동작을 촬영한 대상자의 제1 보행 영상 중 적어도 하나를 포함하고,
상기 대상자의 제2 보행 관련 데이터는 상기 대상자의 제2 속도 보행에 따른 대상자의 제2 족저압 데이터, 상기 대상자의 제2 속도 보행에 따른 대상자의 제2 운동학적 데이터 및 상기 대상자의 제2 속도 보행 동작을 촬영한 대상자의 제2 보행 영상 중 적어도 하나를 포함하는 노인 인지장애 심각도 예측 방법.According to claim 9,
The subject's first gait-related data includes the subject's first plantar pressure data according to the subject's first speed walking, the subject's first kinematic data according to the subject's first speed walking, and the subject's first speed gait. Including at least one of the first gait images of the subject whose motion is captured;
The subject's second gait-related data includes the subject's second plantar pressure data according to the subject's second speed walking, the subject's second kinematic data according to the subject's second speed walking, and the subject's second speed gait. A method for predicting severity of cognitive impairment in the elderly including at least one of second gait images of a subject whose motion is captured. 제11 항에 있어서,
상기 수집된 대상자의 제1 보행 관련 데이터를 분석하여 대상자의 제1 보행 변인을 추출하고, 상기 수집된 대상자의 제2 보행 관련 데이터를 분석하여 대상자의 제2 보행 변인을 추출하는 단계는,
상기 제1 족저압 데이터에서 제1 속도 보행에 따른 대상자의 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점을 검출하고, 상기 제2 족저압 데이터에서 제2 속도 보행에 따른 대상자의 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점을 검출하는 단계; 상기 제1 운동학적 데이터에서 제1 속도 보행에 따른 대상자의 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점을 검출하고, 상기 제2 운동학적 데이터에서 제2 속도 보행에 따른 대상자의 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점을 검출하는 단계; 및 상기 제1 보행 영상에서 제1 속도 보행에 따른 대상자의 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점을 검출하고, 상기 제2 보행 영상에서 제2 속도 보행에 따른 대상자의 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점을 검출하는 단계 중 적어도 하나의 단계를 포함하는 노인 인지장애 심각도 예측 방법.According to claim 11,
The steps of extracting a first gait-related variable of the subject by analyzing the collected first gait-related data of the subject and extracting a second gait-related variable of the subject by analyzing the collected second gait-related data of the subject,
From the first plantar pressure data, the subject's heel strike time and toe off time according to the first speed walking are detected, and the subject's heel according to the second speed walking is detected from the second plantar pressure data. detecting a heel strike time and a toe off time; In the first kinematic data, the subject's heel strike time and toe off time according to the first speed walking are detected, and the subject's heel according to the second speed walking is detected in the second kinematic data. detecting a heel strike time and a toe off time; And detecting the subject's heel strike time and toe off time according to the first speed gait in the first gait image, and the subject's heel strike according to the second speed gait in the second gait image. A method for predicting the severity of cognitive impairment in the elderly, comprising at least one step of detecting a heel strike time point and a toe off time point. 제12 항에 있어서,
상기 수집된 대상자의 제1 보행 관련 데이터를 분석하여 대상자의 제1 보행 변인을 추출하고, 상기 수집된 대상자의 제2 보행 관련 데이터를 분석하여 대상자의 제2 보행 변인을 추출하는 단계는,
상기 제1 족저압 데이터, 상기 제1 운동학적 데이터 및 상기 제1 보행 영상 중 적어도 하나에서 검출된 제1 속도 보행에 따른 대상자의 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점에 기초하여 대상자의 제1 보행 변인을 추출하는 단계; 및 상기 제2 족저압 데이터, 상기 제2 운동학적 데이터 및 상기 제2 보행 영상 중 적어도 하나에서 검출된 제2 속도 보행에 따른 대상자의 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점에 기초하여 대상자의 제2 보행 변인을 추출하는 단계를 더 포함하는 노인 인지장애 심각도 예측 방법.According to claim 12,
The steps of extracting a first gait-related variable of the subject by analyzing the collected first gait-related data of the subject and extracting a second gait-related variable of the subject by analyzing the collected second gait-related data of the subject,
Based on the timing of heel strike and toe off of the subject according to the first speed walking detected in at least one of the first plantar pressure data, the first kinematic data, and the first gait image. extracting the subject's first gait variable; And at the time of heel strike and toe off of the subject according to the second speed walking detected from at least one of the second plantar pressure data, the second kinematic data, and the second gait image. A method for predicting the severity of cognitive impairment in the elderly, further comprising extracting a second gait variable of the subject based on the basis. 제13 항에 있어서,
상기 제1 보행 변인과 상기 제2 보행 변인은 시간적 보행 변인이고,
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 노인 인지장애 심각도 예측 방법.According to claim 13,
The first gait variable and the second gait variable are temporal gait variables,
The temporal gait variables include a stance phase, a swing phase, a step, a stride, an initial double-limb support period, and a terminal double-limb support period. A method for predicting the severity of cognitive impairment in the elderly, characterized in that it corresponds to the duration of at least one section of a double-limb support period and a single-limb support period. 제14 항에 있어서,
상기 시간적 보행 변인이 복수의 종류로 추출되는 경우,
상기 보행 시퀀스 피쳐는 M x N 크기로 구성되고, 상기 M은 상기 시간적 보행 변인의 종류의 개수이고, 상기 N은 시간 순서에 따라 배열되는 시간적 보행 변인의 개수인 것을 특징으로 하는 노인 인지장애 심각도 예측 방법.According to claim 14,
When the temporal gait variable is extracted into a plurality of types,
The gait sequence feature has a size of M x N, M is the number of types of temporal gait variables, and N is the number of temporal gait variables arranged in chronological order. Way. 제9 항에 있어서,
상기 노인 인지장애 심각도 예측 모델은 보행 시퀀스 피쳐 입력 시 인지장애 심각도를 출력하도록 학습된 장단기 기억 네트워크(long short-term memory network)를 포함하는 것을 특징으로 하는 노인 인지장애 심각도 예측 방법.According to claim 9,
The method for predicting the severity of cognitive impairment in the elderly, characterized in that the prediction model for the severity of cognitive impairment in the elderly includes a long short-term memory network learned to output the severity of cognitive impairment when a gait sequence feature is input.
KR1020200160972A 2020-11-26 2020-11-26 Method and system for predicting the severity of cognitive impairment in the elderly using gait parameters at fast-pace walking KR102474407B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020200160972A KR102474407B1 (en) 2020-11-26 2020-11-26 Method and system for predicting the severity of cognitive impairment in the elderly using gait parameters at fast-pace walking

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020200160972A KR102474407B1 (en) 2020-11-26 2020-11-26 Method and system for predicting the severity of cognitive impairment in the elderly using gait parameters at fast-pace walking

Publications (2)

Publication Number Publication Date
KR20220073153A KR20220073153A (en) 2022-06-03
KR102474407B1 true KR102474407B1 (en) 2022-12-07

Family

ID=81983118

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020200160972A KR102474407B1 (en) 2020-11-26 2020-11-26 Method and system for predicting the severity of cognitive impairment in the elderly using gait parameters at fast-pace walking

Country Status (1)

Country Link
KR (1) KR102474407B1 (en)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104598722A (en) * 2014-12-25 2015-05-06 中国科学院合肥物质科学研究院 Parkinson patient walking ability evaluation method based on gait time-space parameters and three-dimensional force characteristics

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101920024B1 (en) 2017-06-08 2018-11-20 인체항노화표준연구원 주식회사 Dementia early diagnosis screening device based on the aging-levels of biosignals

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104598722A (en) * 2014-12-25 2015-05-06 中国科学院合肥物质科学研究院 Parkinson patient walking ability evaluation method based on gait time-space parameters and three-dimensional force characteristics

Also Published As

Publication number Publication date
KR20220073153A (en) 2022-06-03

Similar Documents

Publication Publication Date Title
Siragy et al. Quantifying dynamic balance in young, elderly and Parkinson's individuals: a systematic review
US8823526B2 (en) Method of assessing human fall risk using mobile systems
Moon et al. Stride-time variability and fall risk in persons with multiple sclerosis
EP2470076B1 (en) Characterizing a physical capability by motion analysis
US20110190667A1 (en) Method and System for the Derivation of Human Gait Characteristics and Detecting Falls Passively from Floor Vibrations
CN108814617A (en) Freezing of gait recognition methods and device and gait detector
KR20190120922A (en) Method and system for walking ability prediction using stepping characteristics information
EP3459453A1 (en) Information processing device, information processing method, and information processing program
Andrei et al. Parkinson’s disease detection from gait patterns
KR102474407B1 (en) Method and system for predicting the severity of cognitive impairment in the elderly using gait parameters at fast-pace walking
Waugh et al. Online learning of gait models from older adult data
CN117100255A (en) Method for judging fall prevention based on neural network model and related products
Tsakanikas et al. Gait and balance patterns related to Free-Walking and TUG tests in Parkinson’s Disease based on plantar pressure data
Krutaraniyom et al. Pilot Study on Gait Classification Using Machine Learning
Gaud et al. Human gait analysis and activity recognition: A review
JP2021030050A (en) Cognitive function evaluation method, cognitive function evaluation device, and cognitive function evaluation program
KR102529196B1 (en) Method for providing partial weight-bearing gait guide based on smart insole and System there of
KR102404850B1 (en) Method and system for frailty prediction using gait parameters
Negi et al. Gait analysis-based identification of neurodegenerative diseases using machine learning techniques
KR102350593B1 (en) Apparatus and method for classifying gait pattern based on multi modal sensor using deep learning ensemble
Aich et al. Auto detection of Parkinson’s disease based on objective measurement of gait parameters using wearable sensors
JP7473354B2 (en) Sarcopenia assessment method, sarcopenia assessment device, and sarcopenia assessment program
KR20220047425A (en) Method and system for predicting geriatric syndromes using foot characteristics and balance characteristics
Oluwadare Gait analysis on a smart floor for health monitoring
Moreira Early detection of peripheral neuropathy in diabetes patients

Legal Events

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