KR102478257B1 - 니어―폴 동작 검출 및 이를 이용한 인공지능 기반의 솔레노이드식 인플레이터를 구비한 웨어러블 에어백 장치 - Google Patents

Abstract

본 발명은 인공지능 기반의 웨어러블 에어백 장치에 관한 것으로, 본 발명의 웨어러블 에어백 장치는, 인체의 허리, 둔부, 대퇴부를 감싸도록 적응된 팽창부; 팽창부에 주입되는 가스가 저장되는 압축가스 저장소; 인체의 가속도 및 각속도를 검출하기 위한 가속도 및 각속도 센서; 및 상기 가속도 및 각속도 센서로부터의 검출값에 기반하여 낙상 여부를 판단하는 제어부;를 포함하고, 상기 제어부는, 사전 낙상 감지 알고리즘의 결과에 따라 압축가스 저장소에 저장된 가스가 팽창부에 주입되도록 압축가스 저장소에 연결된 가스 방출 수단을 개방하는 동작을 수행하도록 구성된다.

Description

니어―폴 동작 검출 및 이를 이용한 인공지능 기반의 솔레노이드식 인플레이터를 구비한 웨어러블 에어백 장치{NEAR FALL DETECTION AND ARTIFICIAL INTELLIGENCE BASED WEARABLE AIRBAG DEVICE USING THE SAME}

본 발명은 인공지능(AI:ARTIFICIAL INTELLIGENCE) 기반의 웨어러블 에어백 장치에 관한 것으로 보다 구체적으로는 노약자 또는 고령자에게 발생할 수 있는 낙상에 대비하여 지면 충돌 이전에 낙상을 인공지능을 기반으로 사전 판별하고 연동된 보호 장구, 즉 웨어러블 에어백을 작동시켜 낙상 발생시 충돌에 의한 부상을 예방 또는 감소하는 인공지능 기반의 웨어러블 에어백 장치에 관한 것이다. 또한 본 발명은 낙상이 발생하기 전 일상생활 동작과 낙상 동작 그리고 Near-fall(넘어질 뻔 한 동작: 이하 니어-폴 동작)을 구분하고 그에 따라 인공지능 기반의 웨어러블 에어백 장치의 작동을 결정하는 방법에 관한 것이다.

2020년 기준 65세 이상 노인 인구는 한국 인구의 15.7%를 차지하여 2019년 14.9% 보다 증가하였고, 저출산, 고령화로 인해 그 비율은 더더욱 커질 것으로 예상된다.

2018년 3년간 전국 병원, 소방서 등 구급기관에 보고된 65세 이상 고령자의 낙상사고 발생 건수는 3,829건으로 2017년의 3,453건에 비해 약 10.9%, 2016년의 2,746건에 비해 약 39.4% 증가하여 꾸준히 증가하는 추세이다.

2016년에서 2019년 9월 사이의 고령자 안전사고를 살펴보면 전체 안전사고 22,677건 중 절반 이상인 12,802건(56.4%)이 미끄러짐, 추락 등의 원인으로 발생하는 낙상 사고로 드러났다.

통계 자료에 따르면 고령자 낙상의 44.5%는 골절로 이어지는데, 이러한 골절상 중 94.4%는 치료에 2주 이상이 소요되며 특히, 낙상으로 인해 발생하는 고관절 부상은 사망까지 이어지는 사례도 존재한다. 따라서 낙상 사고를 예방하고 고령자를 보호하는 제품이 필요하다.

종래의 충격완화기술들로서 충격발생 예상 부위에 완충용 패드를 대는 수동적인 방법과 낙상감지센서를 착용하고 그 신호를 이용하여 낙상을 감지하여 에어백 등을 작동하는 능동적인 방법 등이 개발되어 왔다. 그러나 기존 기술들을 이용한 제품들은 착용이 불편하고 신체충격완화성능이 미약하였다.

또한, 기존 에어백 벨트 제품은 의복 위에 착용하여 탈/착에 불편이 적은 반면, 센서에서 획득한 신호로부터 추출한 임계치 값을 기반으로 감지하여 일정 이상 가속도 / 각가속도가 발생할 때 에만 보호를 제공하므로 다양한 낙상 상황에 대처가 어렵고 정확도가 낮으며 낙상 감지에 긴 시간이 필요하여 일상 생활에의 적용에 제한적이며, 실제 낙상이 발생한 경우에도 이를 제대로 감지하지 못하여 무용지물인 경우가 많다.또한 일상생활, 낙상을 구분하는 알고리즘이 개발되고 있으나 실제 낙상이 발생하는 확률보다 낙상 상황을 극복하여 다시 일상생활동작으로 복귀하는 상황이 더 많이 나타난다. 하지만 이러한 인체의 발란스를 극복하여 다시 일상생활 동작으로 돌아오는 동작을 낙상과 일상생활 동작과 구분하는 인공지능 기반의 알고리즘이 부재하다. 이러한 동작을 분류하지 못할 시 낙상으로 분류되어 에어백이 팽창하는 오작동이 발생하며 이는 사용자가 팽창된 에어백 및 팽창 가스를 분리 및 재탑재해야 하는 문제점이 존재하며, 에어백을 재탑재 하기 위한 금전적 부담이 커지는 문제가 있다.

따라서 임계치 기반이 아닌 인공지능 알고리즘을 기반으로 하여 다양한 낙상 상황뿐만 아니라 낙상 상황에서 다시 일상 동작으로 복귀하는 Near-fall(넘어질뻔한) 상황에서도 정확하고 신속하게 대응할 수 있는 인공지능 기반의 웨어러블 에어백 장치가 요구되고 있는 실정이다.

본 발명은 전술한 문제점에 기반하여 안출된 발명으로 낙상을 정확하게 감지하고 신체부위가 지면과 접촉하기 이전에 웨어러블 에어백 장치를 동작시켜 신체에 미치는 충격을 효율적으로 저감할 수 있는 인공지능 기반의 웨어러블 에어백 장치를 제공하는 것을 목적으로 한다.

전술한 과제를 해결하기 위해 본 발명의 일양태에 따르면 인공지능 기반의 웨어러블 에어백 장치가 제공되고, 이 장치는, 인체의 허리, 둔부, 대퇴부를 감싸도록 적응된 팽창부; 팽창부에 주입되는 가스가 저장되는 압축가스 저장소; 인체의 가속도 및 각속도를 검출하기 위한 가속도 및 각속도 센서; 및 상기 가속도 및 각속도 센서로부터의 검출값에 기반하여 낙상 여부를 판단하는 제어부;를 포함하고, 상기 제어부는, 낙상 감지 알고리즘의 결과에 따라 압축가스 저장소에 저장된 가스가 팽창부에 주입되도록 압축가스 저장소에 연결된 가스 방출 수단을 개방하는 동작을 수행하도록 구성된다.

전술한 양태에서 가스 방출 수단은 바람직하게 솔레노이드식 인플레이터로 구성된다.

또한 전술한 어느 하나의 양태에서, 솔레노이드식 인플레이터는 제어부로부터 전기 신호를 수신하는 전기 신호 수신부; 전기 신호 수신부에 연결된 솔레노이드 밸브; 솔레노이드 밸브의 일단부와 압축가스 저장소 사이에 제공되고 결합시 압축가스 실린더의 밀봉부를 타공하기 위한 타공핀이 제공된 레귤레이터; 및 솔레노이드 밸브의 타단부에 형성되고 팽창부와 결합되는 연결관을 포함한다.

또한 전술한 어느 하나의 양태에서, 압축가스 실린더의 밀봉부는 상기 솔레노이드식 인플레이터의 체결시 타공핀에 의해 타공되어 개방되고, 개방된 압축가스 실린더는 솔레노이드 밸브에 의해 기밀이 유지된다.

또한 전술한 어느 하나의 양태에서 사전 낙상 감지 알고리즘은 가속도 및 각속도 센서로부터 검출되는 데이터로부터 일상동작, 낙상동작, 및 니어-폴(near-fall) 동작을 감지하도록 구성된다.

또한 전술한 어느 하나의 양태에서, 제어부는,사전 낙상 감지 알고리즘의 판별 결과가 일상동작 및 니어-폴 동작인 것으로 판별되면 가스 방출 수단을 개방하지 않고 사전 낙상 감지 알고리즘의 판별 결과가 낙상동작인 것으로 판별되면 가스 방출 수단을 개방하도록 동작한다.

또한 전술한 어느 하나의 양태에서, 니어-폴(near-fall) 동작은, 걸려 앞으로 넘어질 뻔 한 동작; 걸려 뒤로 넘어질 뻔 한 동작; 미끄러져 앞으로 넘어질 뻔 한 동작; 미끄러져 뒤로 넘어질 뻔 한 동작; 발을 헛디뎌 넘어질 뻔 한 동작; 오른쪽으로 넘어질 뻔 한 동작; 왼쪽으로 넘어질 뻔 한 동작; 앉아있다가 설 때 넘어질 뻔 한 동작; 부딪혀 앞으로 넘어질 뻔 한 동작; 및 부딪혀 뒤로 넘어질 뻔 한 동작; 중 적어도 하나 이상을 포함한다.

또한 전술한 어느 하나의 양태에서 사전 낙상 감지 알고리즘은 CNN 기반의 사전 낙상 감지 알고리즘인 것이 바람직하다.

또한 전술한 어느 하나의 양태에서 사전 낙상 감지 알고리즘은 CNN 기반의 사전 낙상 감지 알고리즘인 것을 특징으로 하는 일상동작, 낙상동작, 및 니어-폴(near-fall) 동작을 동시에 감지하는 CNN 기반의 사전 낙상 감지 알고리즘은 가속도와 각속도 데이터를 기반으로 추출된 가속도 x,y,z축 크기의 합 벡터를 적어도 포함하는 입력 벡터를 생성하도록 동작된다.

본 발명의 실시예에 따르면 종래의 임계치 기반 고령자의 웨어러블 에어백 에 비교하여 인공지능 또는 딥러닝에 기반하여 빠르게 장치를 동작시킴으로 제1 안전사고인 낙상과 낙상으로부터 초래될 수 있는 골절 등의 부상으로부터 착용자를 보호할 수 있다.

또한 이러한 부상의 예방으로부터 소득이 제한되는 노령층의 의료비용 지출 절감을 통한 가계 증진을 기대할 수 있다.

또한 반영구적인 기능 장애로 이어지는 노령층 낙상 부상을 예방함을 통해 고령자의 삶의 질을 향상시킬 수 있다.

도 1은 본 발명에 따른 웨어러블 에어백 장치의 착용 모습을 나타내는 도면;
도 2는 본 발명에 따른 웨어러블 에어백 장치의 내부 구조를 기능적으로 나타낸 블록도;
도 3a는 본 발명에 따른 웨어러블 에어백 장치에 이용되는 솔레노이드식 인플레이터의 일례를 나타내는 도면;
도 3b는 솔레노이드식 인플레이터에 채용된 레귤레이터의 일례를 나타낸 도면;
도 4은 본 발명에 따른 웨어러블 에어백 장치의 동작 모드를 설명하기 위한 흐름도;
도 5는 본 발명에 실시예에서 낙상 동작 및 니어-폴 동작 비교하기 위한 그래프;
도 6은 본 발명에 따른 실시예에서 일상동작, 낙상동작, 니어-폴 동작 검출을 위한 모델의 동작 흐름을 나타내는 도면;
도 7은 본 발명에 따른 실시예에서 제안된 Modified DAG-CNN 구조를 나타내는 도면;
도 8은 CNN 및 Modified DAG-CNN 모델의 훈련 및 검증 정확도를 나타내는 그래프;
도 9는 CNN 컨퓨전 매트릭스를 나타내는 도면;
도 10은 Modified DAG-CNN 컨퓨전 매트릭스를 나타내는 도면;
도 11은 CNN ROC(Receiver operating characteristic) 커브를 나타내는 도면;
도 12는 Modified DAG-CNN ROC 커브를 나타내는 도면;
도 13은 CNN 및 Modified DAG-CNN 모델로부터의 5중 교차 검증의 정밀도 및 F1 점수를 나타내는 도면; 및
도 14는 본 발명에 따른 웨어러블 에어백 장치에 있어서 인공지능에 기반한 사전 낙상 감지 모델에 의해 사용자의 움직임 감지 결과를 나타내는 그래프이다.

본 명세서에 개시되어 있는 본 발명의 개념에 따른 실시예들에 대해서 특정한 구조적 또는 기능적 설명들은 단지 본 발명의 개념에 따른 실시예들을 설명하기 위한 목적으로 예시된 것으로서, 본 발명의 개념에 따른 실시예들은 다양한 형태로 실시될 수 있으며 본 명세서에 설명된 실시예들에 한정되지 않는다.

본 발명의 개념에 따른 실시예들은 다양한 변경들을 가할 수 있고 여러 가지 형태들을 가질 수 있으므로 실시예들을 도면에 예시하고 본 명세서에 상세하게 설명하고자 한다. 그러나, 이는 본 발명의 개념에 따른 실시예들을 특정한 개시형태들에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 변경, 균등물, 또는 대체물을 포함한다.

제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만, 예를 들어 본 발명의 개념에 따른 권리 범위로부터 이탈되지 않은 채, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.

어떤 구성요소가 다른 구성요소에 "연결되어" 있다거나 "접속되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다. 반면에, 어떤 구성요소가 다른 구성요소에 "직접 연결되어" 있다거나 "직접 접속되어" 있다고 언급된 때에는, 중간에 다른 구성요소가 존재하지 않는 것으로 이해되어야 할 것이다. 구성요소들 간의 관계를 설명하는 표현들, 예를 들어 "~사이에"와 "바로~사이에" 또는 "~에 직접 이웃하는" 등도 마찬가지로 해석되어야 한다.

본 명세서에서 사용한 용어는 단지 특정한 실시예들을 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 실시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.

다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.

이하, 실시예들을 첨부된 도면을 참조하여 상세하게 설명한다. 그러나, 특허출원의 범위가 이러한 실시예들에 의해 제한되거나 한정되는 것은 아니다. 각 도면에 제시된 동일한 참조 부호는 동일한 부재를 나타내는 것으로 이해될 수 있다.

도 1은 본 발명에 따른 인공지능 기반의 웨어러블 에어백 장치(10)의 착용도 및 외관 구성을 개략적으로 도시한 도면이다.

본 발명의 일실시예에 따른 웨어러블 에어백은 착용자의 허리를 감싸도록 벨트 형태로 형성되고, 에어백 장치(10)의 동작을 제어하는 제어장치가 수납되는 본체부(100); 본체부(100)의 양측면으로 연장되어 허리 근방에서 팽창되는 제1 팽창부(210); 제1 팽창부(210)의 하방으로 연장되어 사용자의 둔부 및 대퇴부 근방에서 팽창되는 제2 팽창부(220); 및 제1 팽창부(210)의 측면으로 연장되는 체결부(310)를 포함한다.

본체부(100)에 수납된 제어부 또는 제어장치는 사용자의 자세를 검출하고 사용자의 자세가 넘어지는 것으로 판단된 경우 제1 팽창부(210) 및 제2 팽창부(220)에 가스를 주입하여 팽창시킴으로써 제1 팽창부(210)와 제2 팽창부(220)이 에어백으로서 기능하게 된다.

에어백, 즉 제1 팽창부와 제2 팽창부는 허리를 감싸는 형태로 착용되며, 일상 동작 시에는 내부에 가스가 전달되어 팽창하지 않은 상태로 외피 내에 롤링, 또는 폴딩되어 부피를 최소화 하는 형태로 보관된다.

도 2는 본 발명의 일실시예에 따른 웨어러블 에어백 장치(10)의 내부 구성을 개략적으로 도시한 도면이다. 도 2에 도시된 바와 같이 본체부(100) 내에는 압축가스가 저장되어 있는 압축가스 저장소(130), 착용자의 자세를 검출하기 위한 가속도, 각속도 센서(140), 가속도, 각속도 센서(140)로부터 입력된 검출값에 기반하여 사용자의 낙상을 사전에 감지하기 위한 인공지능 기반의 낙상 판단부(150); 낙상판단부(150)의 판단 결과에 따라 가스방출수단(120)를 통해 압축가스를 개방시키기 위한 MCU(160)를 포함한다.

도 2에 도시된 바와 같이 압축가스 저장소(130)는 가스방출수단(120)을 통해 제1 팽창부(210)에 연통되어 있고, 제1 팽창부(210)과 제2 팽창부(220) 사이에 개구가 형성되어 압축가스 저장소(130)로부터의 압축 가스는 제1 팽창부(210)과 제2 팽창부(220)의 내부를 가스로 충전시키게 된다. 이용되는 가스는 이에 한정되는 것은 아니지만 이산화탄소 가스가 이용되는 것이 바람직하다.

가스방출수단(120)은 바람직한 실시예에서 솔레노이드식 인플레이터(120)가 이용될 수 있다. 통상적으로 인플레이터란 압축가스 저장소(또는 가스 실린더)(130)로부터 가스를 방출시켜 연결된 에어백을 충전, 팽창시키기 위한 장치를 말한다.

기존 상용 에어백의 경우 화약격발식 인플레이터를 일반적으로 채용하고 있지만 이러한 화약격발식 인플레이터는 일반적으로 화약 격납실, 공이, 연결관으로 구성되며 원리는 다음과 같다.

1) 에어백 팽창 신호를 제어부로부터 수신

2) 격납실의 화약에 전기를 전달하여 폭발시킴

3) 연결된 공이가 폭발압력에 의해 밀려나며 압축가스 실린더 상부를 타공

4) 실린더 상부에 구멍이 뚫림에 따라 압축가스의 기밀이 해제

5) 연결관을 따라 인플레이터와 연결된 에어백으로 가스가 충전, 에어백 팽창

그러나 이러한 화약격발식 인플레이터는 다음과 같은 단점을 갖는 것으로 알려져 있다.

1) 화약 사용으로 인한 분진, 소음, 열 발생, 이로 인한 사용자의 위험

2) 주변 온도, 습도에 따른 화약의 성능 변동 존재, 이로 인한 비정상 타공의 우려

3) 화약 사용으로 인한 제품의 통관/ 수출의 제약 존재

4) 화약 사용으로 인해 인플레이터의 재사용 불가(1회 사용 시 교체해야함)

따라서 이러한 화약격발식 인플레이터를 솔레노이드식 등으로 대체하고자 하는 시도가 있으나, 솔레노이드식 인플레이터의 경우 팽창신호를 제어부로부터 수신한 뒤 기밀이 해제되는 시점까지 소요시간이 화약격발식 인플레이터에 비해 지연되어, 실제 낙상보호용 웨어러블 에어백에 적용하는 데에는 어려움이 존재하였다.

이러한 어려움은 사고 발생 후 지면 충돌까지의 시간이 여타 용도의 웨어러블 에어백(산업현장에서의 추락사고 보호 등)에 비해 매우 짧은(약 380~500ms) 것에 기인하며, 해당하는 짧은 시간 내에 낙상 발생을 사전에 판별하고 에어백의 팽창이 완료되기까지의 장치 작동이 완료되어야 하기 때문이다.

종래 상용되는 에어백의 경우 인공지능 방식이 아닌 센서값이 일정 값 이상일 때만 작동하도록 하는 임계치 방식으로 낙상 발생을 감지하고 있으며, 이로 인해 낙상 발생 후 센서값이 임계치에 도달하는 데 까지 소요시간이 길어 최대한 팽창속도가 빠른 인플레이터를 사용할 필요성이 있었고, 따라서 전술한 단점에도 불구하고 팽창속도가 빠른 (팽창 소요시간 약 100ms)화약격발식 인플레이터의 사용이 불가피하다.

본 발명에서는 인공지능 기반으로 낙상 발생을 사전에 감지하기 때문에 기존의 임계치 기반 낙상 감지 대비 약 100ms 빠르게 낙상을 감지해낼 수 있기 때문에 사용자의 안전 및 작동에 우려가 있는 화약격발식 인플레이터를 솔레노이드식 인플레이터(팽창 소요시간 약 180ms)로 대체할 수 있다.

도 3a는 전술한 바와 같이 본 발명에 따른 인공지능 기반 에어백에 이용되는 솔레노이드식 인플레이터를 예시적으로 도시한 도면이고, 도 3b는 솔레노이드식 인플레이터에 이용되는 레귤레이터의 구조를 도시한 도면이다.

도 3a 및 도 3b에 도시된 바와 같이, 본 발명의 실시예에서 가스방출수단으로 이용되는 솔레노이드식 인플레이터(120)는 제어부로부터 전기 신호를 수신하는 신호 수신부(121), 전기 신호 수신부(121)에 연결된 솔레노이드 밸브(122); 솔레노이드 밸브(122)의 일단부 압축가스 실린더 사이에 제공되고 압축가스 실린더(130)의 밀봉부에 타공을 위한 타공핀이 제공된 레귤레이터(123) 및 솔레노이드 밸브(122)의 타단부에 형성되고 팽창부(200)와 결합되는 연결관(124)을 포함한다.

이와 같이 형성된 솔레노이드식 인플레이터(120)의 작동 원리는 다음과 같다. 솔레노이드식 인플레이터(120)는 레귤레이터(123)을 사용하여 압축가스 실린더(130)와 나사 결합되고, 나사산을 따라 결합함에 따라 레귤레이터 내부에 형성된 타공핀을 통해 압축가스 실린더가 타공된다. 평상시 상태에서 솔레노이드 밸브는 닫힘 상태를 유지하기 때문에 압축가스가 팽창부로 흐르지 못하고 기밀이 유지된다.

그러나 사전 낙상 알고리즘으로부터 낙상이라고 판별 되었을 시, 에어백 팽창 신호가 제어부로부터 수신되고, 즉 닫힘 상태의 솔레노이드 밸브에 신호가 수신되면 솔레노이드 밸브는 개방 상태로 변경되고, 솔레노이드 밸브에 의해 연결관(124)이 개방됨에 따라 압축가스가 해제되고 연결관(124)을 따라 연결된 팽창부로 가스가 충전되어 에어백이 팽창하게 된다.

이와 같이 화약 대신 솔레노이드식 인플레이터를 본 발명에 적용함에 따라 다음과 같은 장점이 얻어진다.

1) 화약사용시 발생하는 분진, 소음, 열 발생 없음(사용자 안전)

2) 주변 온도, 습도의 영향이 적어 일정한 성능 제공

3) 화약을 사용하지 않아 제품의 통관/ 수출 시 제약 적음

4) 압축가스 실린더만 교체하여 인플레이터 재사용 가능

특히 본 발명에서는 레귤레이터를 사용하여 사전에 압축가스 실린더를 타공 후 솔레노이드 밸브를 이용하여 낙상 발생 시 기밀을 조절하도록 하였다. 이는 낙상 발생 시 압축가스 실린더를 타공하여 즉시 기밀이 해제되도록 하는 기존의 인플레이터 방식과 차이가 있으며, 본 방식을 채택하는 것은 다음과 같은 이점을 갖는다.

1) 낙상 발생 시 타공핀의 불량으로 인한 장치의 비정상 동작을 사전에 방지하여 낙상 발생 시 에어백 미팽창 오작동을 예방

2) 팽창부를 솔레노이드 밸브를 통해 제어함으로써 방출 유량을 제어할 수 있음. 즉 가스가 필요 이상으로 과팽창되어 2차 부상으로부터 착용자를 위협하지 않도록 제어 가능. 기존 인플레이터의 타공 방식은 한번 타공되면 방출 유량을 제어할 수 없음.

3) 방출 유량을 제어할 수 있음에 따라 장치가 낙하 시 충격량을 사전 예측하여 그에 따라 적절한 에어백 팽창도를 착용자에게 제공할 수 있도록 피드백 제어 가능

가속도, 각속도 센서(210)는 에어백 착용자의 움직임을 감지하도록 구성되며, 각각 이동관성을 측정할 수 있는 가속도계와 회전관성을 측정할 수 있는 각속도계 센서 유닛을 지칭한다. 가속도, 각속도 센서(210)는 3차원 공간 내에서의 자유로운 움직임을 측정하기 위하여 각각 3축(x축, y축, z축)으로 구성되며, 웨어러블 에어백 장치(10)의 착용자의 자세 상태(x축, y축, z축 상의 가속도 및 각속도)를 검출한다.

웨어러블 에어백 장치(10)는 전원부(180)을 더 포함한다. 전원부(180)는 일회용 배터리이거나 충전식 배터리일 수도 있으며, 충전식 배터리가 이용되는 경우 웨어러블 에어백 장치(10)는 충전 회로를 더 포함한다. 충전 회로는 웨어러블 에어백 장치(10)에 내장된 충전식 배터리(180)를 충전하도록 기능하며 과충전을 방지하기 위한 보호 회로 등을 포함할 수도 있으며, 무선 충전 회로 또는 유선 충전 회로로서 구현될 수도 있다.

MCU 또는 프로세서(160)는 사전 낙상 판단부(150)의 낙상 판단 결과에 따라 가스 방출수단(120)을 통해 가스를 개방하는 기능이외에도 웨어러블 에어백 장치(10)의 동작 모드를 결정할 수도 있다. 예를 들면 MCU 또는 프로세서(160)는 웨어러블 에어백 장치(10)로부터 사용자의 움직임이 감지되지 않으면 전력 보존과 배터리 사용시간 증가를 위해 웨어러블 에어백 장치(10)를 슬립 모드로 동작시키고 사용자로부터 동작이 입력되는 경우에는 에어백 장치(10)를 정상 모드로 변경하도록 기능한다.

도 4는 프로세서에 의해 수행되는 동작모드 변경의 흐름을 나타내는 흐름도이다. 도 3에 도시된 바와 같이, 사용자가 단계 S110에서 웨어러블 에어백 장치(10)룰 착용하면 장치는 정상 모드에서 먼저 동작하게 된다(S110).

이어진 단계 S120에서 프로세서(160)는 가속도, 각속도 센서로부터 가속도 및 각속도를 검출한다. 일정 기준의 움직임, 즉 가속도 센서로부터의 SMV 값이 0.03G 초과 감지되는 경우 프로세서(122)는 가속도, 각속도 센서로부터 입력되는 가속도와 각속도에 기반하여 낙상 감지 동작을 실행하고(단계 S124) 이어진 단계 S126에서 낙상 여부를 판정하게 된다.

그러나 단계 S120에서 일정 기준의 움직임이 감지되지 않은 경우(SMV =< 0.03G) 프로세서는 웨어러블 에어백 장치(10)를 저전력 모드로 동작시키도록 기능하게 된다(단계 S122).

한편 단계 S126에서 낙상인 것으로 판정된 경우 프로세서는 가스 방출 수단(120)을 통해 압축가스 저장소(130)의 밸브를 개방시키게 되고 제1 및 제2 팽창부가 팽창하게 된다.

전술한 설명에서 일정 기준의 움직임이 검출되지 않으면 웨어러블 에어백 장치(10)는 저전력 모드 또는 절전 모드로 전환하는 것으로 설명하였다.

장치의 MCU와 가속도, 각속도 센서의 저전력 모드 / 동작 모드 전환의 설명은 다음과 같다. 일상 동작 모드에서는 MCU와 가속도, 각속도 센서가 모두 활성 상태에 놓여진다. 이 때 MCU에 전달되는 가속도 센서값의 SMV(signal magnitude vector)를 구한다. 이 가속도 SMV값이 0.03G(중력가속도)값보다 크면 동작이 있는 것으로 간주되고, 0.03G보다 작으면 동작이 없는 것으로 간주된다. 그러나 실제 사용자가 움직일때 순간적으로 장치의 회전이 적어 가속도의 SMV가 0.03G보다 적게 나와 움직임이 없다고 간주될 수 있기 때문에, 이를 방지하기 위해 중간 카운터 변수를 추가한다. 가속도의 SMV가 0.03G보다 크면 카운터 변수에 1을 추가하고 반대로 0.03G보다 작으면 카운터 변수를 1만큼 감소시킨다. 카운터 변수는 0에서 20까지의 범위를 가지며 카운터 변수가 5보다 작을 시 움직임이 없는 것으로 보고 저전력 모드로 진입한다.

이렇게 저전력 모드로 진입할 시 MCU는 메인 클럭을 포함한 필수적인 최소한의 기능들만 살려두고 그 외의 기능들을 모두 멈추는 stand-by 상태가 된다. 동시에 센서에 신호를 전달하여 가속도 센서만 남겨두고 각속도 센서의 사용을 멈추게 하여 전력 사용을 최소화한다. 저전력 모드에서 다시 동작 모드로 돌아오기 위해서 남아있는 가속도 센서가 사용된다. 가속도 센서는 자체적으로 움직임을 전기 신호로 전달할 수 있으며, 이러한 전기 신호를 MCU의 인터럽트 핀에 신호를 전달하여 stand-by 모드에서 깨어나도록 한다. 이 인터럽트에 의해 MCU는 stand-by 저전력 모드를 중지하고 각속도 센서를 재활성화하여 동작 모드로 회귀하게 된다.

(여기서 i는 프레임 번호임)

도 6는 본 발명에 따른 사전 낙상 감지 알고리즘의 전체적인 흐름을 나타낸 흐름도이다. 도 6에 도시된 바와 같이 본 발명에 따른 인공지능 기반 웨어러블 장치(10)는 가속도, 각속도 센서로부터 각속도/가속도 데이터 신호를 수신 및 수집하고, 수집된 신호에 대해 전처리를 수행하고 전처리된 신호 데이터를 장치에 탑재된 인공지능 기반 낙상 감지 모델에 입력으로 넣어 낙상, 일상생활 동작, 또는 니어-폴 동작인지 판단하고 낙상동작인 것으로 판별되면 에어백을 팽창시키게 된다.

낙상 판단부(150)에서 인공지능에 의해 낙상이 판별된 뒤, 125~180ms 이내로 에어백 팽창이 완료되어 착용자가 지면에 충돌하기 약 120ms 이전 보호를 위한 장치 작동을 완료한다.

가속도, 각속도 센서로부터 수집된 가속도 및 각속도 데이터는 전처리 과정을 거치게 된다. 전처리 과정에서 입력되는 신호로부터 중력 가속도 값을 제거하기 위해 실시간 저대역 통과 필터(Low pass filter)를 적용한 후, 노이즈 제거를 위해 미디언 필터, 5Hz low-pass 필터 등이 적용될 수 있다.

노이즈가 제거된 데이터 신호는 인공지능 알고리즘에 입력된다. 사전 낙상 감지는 낙상 후 감지에 비해 지면 충돌로 인한 가속도, 각속도 값의 급격한 변화라는 특이점 이전에 감지가 이루어져야 하므로 단순한 임계치 기반 알고리즘으로는 높은 정확도를 기대하기 힘들다. 따라서 본 발명에서는 인공지능 기계학습 기반 사전 낙상 감지 알고리즘을 사용하였다.

특히, 장치의 오작동, 즉 낙상이 실제로 발생하지 않았으나 낙상이 발생한 것으로 장치가 분류하여 에어백이 작동하는 경우, 압축공기 실린더의 교체가 필요할 뿐 아니라 비정상 작동으로 인한 착용자의 부상을 유래할 수 있다. 이를 방지하기 위하여 본 발명에서 사용하는 알고리즘은 착용자의 동작을 ADL(Activity of Daily Living, 일상동작)과 Fall(낙상) 동작 뿐만 아니라 착용자가 균형을 잃었으나 다시 균형을 회복하여 실제로 낙상이 발생하지 않은 동작인 Near-fall(니어-폴)까지 감지하도록 하여 장치의 오동작을 방지하도록 한다. 이러한 일상동작(ADL), 낙상(Fall), 니어-폴(Near-fall)의 3 종류 검출(3 class detection)을 위하여 신경망 알고리즘의 일종인 Modified DAG-CNN 알고리즘을 채택하였다. 그러나 본 발명의 일상동작(ADL), 낙상동작(Fall), 니어-폴(Near-fall)(넘어질뻔한) 동작의 검출은 Modified DAG-CNN 알고리즘 이외의 다른 인공지능 학습을 통해 이루어질 수도 있다.

먼저 본 발명에서 제안하는 알고리즘에 사용되는 가속도계 및 각속도계(자이로스코프)의 데이터는 표 1과 같다.

[표 1]

구체적으로 가속도, 각속도 센서로부터 검출되는 데이터는, 가속도 센서의 X축 데이터; 가속도 센서의 Y축 데이터; 가속도 센서의 Z축 데이터; 가속도 센서의 x,y,z축 데이터의 평균; 가속도 센서의 x,y,z축 데이터의 분산; 가속도 센서의 x,y,z축 데이터의 표준편차; x,y,z축 가속도 윈도우 데이터 절대값의 넓이; 가속도 데이터의 각 x,y,z축 벡터 크기; 중력 방향 기준 가로면 각도; 중력 방향 기준 시상면 각도; 수평면의 x,y,z축 가속도 데이터의 합 벡터; x,y,z축 가속도 데이터의 최소값; x,y,z축 가속도 데이터의 최대값; x,y,z축 가속도 데이터의 최대값과 최소값 차; x,y,z축 가속도 데이터의 사분범위; x축 가속도 데이터의 고속 푸리에 변환값; y축 가속도 데이터의 고속 푸리에 변환값; z축 가속도 데이터의 고속 푸리에 변환값; x축 가속도 데이터의 고속 푸리에 변환 파워; y축 가속도 데이터의 고속 푸리에 변환 파워; z축 가속도 데이터의 고속 푸리에 변환 파워; x,y,z축 가속도 데이터의 고속 푸리에 변환 파워; x축 가속도 데이터의 가속도 변화율; y축 가속도 데이터의 가속도 변화율; z축 가속도 데이터의 가속도 변화율; x,y,z축 가속도 데이터의 가속도 변화율; 각속도 데이터의 각 x,y,z축 벡터 크기; 각속도 센서의 x,y,z축 데이터의 평균; 각속도 센서의 x,y,z축 데이터의 중앙값; x,y,z축 각속도 데이터의 최소값; x,y,z축 각속도 데이터의 최대값; x,y,z축 각속도 데이터의 최대값과 최소값 차 ; x,y,z축 각속도 데이터의 사분범위; x축 가속도 데이터의 칼만 필터링; y축 가속도 데이터의 칼만 필터링 ; z축 가속도 데이터의 칼만 필터링; z축 각속도 데이터의 칼만 필터링; 각속도 센서의 X축 데이터; 각속도 센서의 Y축 데이터; 각속도 센서의 Z축 데이터;를 포함한다.

특히 전술한 가속도 및 각속도 데이터에 있어서, 가속도 데이터 중 각 x,y,z축 벡터 크기(Sum magnitude vector) 또는 x축 가속도 변화율(Jerk(x)) 또는 또는 가속도 관상면 각도 (Tilt angle (x,y)는 Modified DAG-CNN 알고리즘을 이용하여 니어-폴 동작을 판별하는데 중요하게 이용된다. 이는 이들 3가지 데이터가 인체가 지면으로 향하는 동작 시 가속도의 크기, 인체가 지면으로 향하는 속도 변화, 인체가 지면으로 향하는 동작 시 각속도의 크기, 인체의 관상면이 지면과의 각도 변화는 일상생활 동작에서는 나타나지 않는 센서의 패턴 값이며, 특히 니어-폴 동작에서는 앞서 언급한 3가지 데이터의 변화가 낙상 동작 대비 낮은 값으로 나타나거나 또는 나타나지 않기 때문이다. 예를 들어, 일상생활 동작의 경우 관상면 각도는 평균 160도이상을 보이며 (서있는 자세 기준 관상면 각도는 180도) 니어-폴 동작의 경우 각도의 변화가 150도까지 내려가지만 다시 회복하는 패턴을 나타낸다. 또한, 3축 가속도의 합 벡터 특징의 경우 낙상에서는 지면으로 향하는 시점에서 0보다 작은 ?1G까지 나타나는 반면 일상생활 동작 또는 니어-폴 동작에서는 인체의 발란스를 recovery 하는 동작이기 때문에 이보다 작은 값을 보이는 패턴이 많이 나타난다.

위의 x,y,z축 벡터 크기(Sum magnitude vector) 또는 x축 가속도 변화율(Jerk(x)) 또는 또는 가속도 관상면 각도 (Tilt angle (x,y)를 포함한 40가지 특징 데이터들은 Modified DAG-CNN 알고리즘의 입력 데이터로 사용된다. 이렇게 입력된 데이터는 분류 정확도를 높이고 계산 비용을 낮추기 위해 Modified DAG-CNN 내부 특징선택층(컨벌루션 계층 및 풀링 계층)를 통하여 분류 정확도가 높은 특징들만 선별한다. 이렇게 선택된 특징 맵(feature map)들을 완전 연결층(Fully connected layer)의 입력(input)으로 사용하여 최종적으로 일상동작(ADL), 낙상동작(Fall), 니어-폴(Near-fall)을 분류하도록 한다. 이 때 Modified DAG-CNN 알고리즘의 정확도 향상 및 훈련 데이터에 대한 과적합 문제를 해결하기 위해 해당 알고리즘을 장치에 탑재하기 이전 베이지안 최적화(Bayesian optimization) 기법을 통해 Modified DAG-CNN 알고리즘의 하이퍼파라미터를 최적화시켜 알고리즘 정확도와 계산 시간을 향상시키도록 한다. 최적화 목적함수는 알고리즘의 정확도와 계산 소요 시간, 학습 네트워크 용량이 된다. 최적화 대상 파라미터는 다음의 표 2와 같으며 필요에 따라 이 외의 파라미터 변수를 추가할 수 있다.

[표 2]

이렇게 최적화된 하이퍼파라미터를 확용하여 Modified DAG-CNN 알고리즘을 학습, ADL/ Fall/ Near-Fall의 세 분류로 웨어러블 에어백 착용자의 동작을 판별하게 되고, 일상동작(ADL) 또는 니어-폴(Near-Fall) 동작으로 판단되면 장치는 미작동, 낙상동작(Fall)으로 판단되면 장치가 동작하여 제어부는 에어백을 팽창시키게 된다.

본 발명에서 사전 낙상 감지 모델의 성능을 검증하기 위해 다음과 같은 실험을 수행하였다. 실험에서는 사용자의 움직임을 일상 동작(ADL)과 낙상(fall) 동작, 니어-폴(Near-Fall) 동작으로 분류하기 위해 총 10 종류의 낙상 동작과 14종류의 일상 동작, 10 종류의 Near-Fall 동작에 대해 실험(14명의 남자와 10명의 여자, 22-34세, 키 157-183cm, 몸무게 46-81kg)을 진행하였다.

* 실험에 이용된 장치

3축 가속도계와 3축 자이로스코프 센서를 포함하는 특수 설계된 관성 측정 장치(IMU)를 사용하여 가속도 및 각속도의 크기와 낙하 방향을 추가로 예측했다. 이 장치에는 소비 전력이 3-5V인 IMU 모듈(MPU-6050, JK Electronics, Seoul, South Korea)이 사용되었다. 특별히 설계된 이 장치에는 3축 가속도계와 자이로스코프의 동시 샘플링을 위한 16비트 ADC(아날로그-디지털 변환기)가 포함되어 있다. 데이터 출력 범위는 자이로스코프의 경우 ± 250-2,000d/s, 가속도계의 경우 ± 2-16G 였다. 데이터는 40Hz의 샘플 속도로 수집되었다. Bluetooth V4.0 BLE(HM-11, JN Huamao Technology Co., Jinan, China) 모듈은 감지 및 데이터 수집 장치 간의 무선 연결에 사용되었다. 마이크로컨트롤러(STM32F103CBT6, STMicroelectronics, Geneva, Switzerland)는 3.7V/550mAh 리튬 폴리머 배터리(DTP 503040-PCM, Shenzhen Data Power Technology Ltd., Shenzhen, China)로 데이터 수집에 사용되었다. 기기의 크기(보호 플라스틱 케이스 포함)는 60(길이) x 35(가로) x 15(높이) mm, 무게는 150g이었다. 장치는 Bluetooth 모듈과 Bluetooth 신호 수신기를 사용하여 워크스테이션 PC에 연결되었다. 실시간 3축 가속도계 및 자이로스코프 데이터를 수집하기 위해 C# 기반 Windows 양식 데이터 수집 소프트웨어(HMSoft)를 사용했다.

* 동작의 분류

일상생활동작(14 종류)

가만히 서있기; 전방으로 누워있기; 후방으로 누워있기; 좌로 누워있기; 우로 누워있기; 선 상태에서 눕기; 누운 상태에서 일어서기; 가만히 앉아있기; 앉은 상태에서 일어나기; 선 상태에서 의자에 앉기; 걷기; 보행 보조장치를 사용해 걷기; 계단 내려가기; 및 계단 올라가기

낙상 동작(10 종류)

선 상태에서 전방으로 손 또는 팔꿈치가 지면에 닿으며 넘어지기; 선 상태에서 후방으로 엉덩이가 지면에 닿으며 넘어지기; 선 상태에서 우측으로 손 또는 팔꿈치가 지면에 닿으며 넘어지기; 선 상태에서 좌측으로 손 또는 팔꿈치가 지면에 닿으며 넘어지기; 앉으려다 넘어지기; 앉은 상태에서 일어나다 넘어지기; 걷다 전방으로 넘어지기; 걷다 후방으로 넘어지기; 무릎에 사물이 걸려 전방으로 넘어지기; 및 미끄러져 후방으로 넘어지기

니어-폴 동작(10종류)

걸려 앞으로 넘어질 뻔 한 동작; 걸려 뒤로 넘어질 뻔 한 동작; 미끄러져 앞으로 넘어질 뻔 한 동작; 미끄러져 뒤로 넘어질 뻔 한 동작; 발을 헛디뎌 넘어질 뻔 한 동작; 오른쪽으로 넘어질 뻔 한 동작; 왼쪽으로 넘어질 뻔 한 동작; 앉아있다가 설 때 넘어질 뻔 한 동작; 부딪혀 앞으로 넘어질 뻔 한 동작; 및 부딪혀 뒤로 넘어질 뻔 한 동작

본 발명에서 전술한 일상동작, 낙상동작, 니어-폴 동작 시나리오를 최대한 현실적으로 구현하기 위해 각 활동에 대한 실험을 시도하였으며, 총 603건의 니어-폴 동작, 1,597건의 일상생활동작, 1,278건의 낙상동작을 포함하는 원시 데이터가 수집되었다.

* 낙상 동작 및 니어-폴 동작 비교

기본적으로 낙상 동작에는 4단계가 존재한다. 낙상 전 단계는 신체가 균형을 잃기 전에 정상적인 활동(ADL으로 분류됨)이 발생하는 때이다. 다음으로, 도 5의 (a)에서 "S(Start)"로 표시된 임계 단계는 낙하가 시작되는 시점이다. 낙하로 인해 대상이 지면에 닿을 때 충격이 발생하며 "I(Impact)"로 표시된다. 마지막으로 낙상 이후 단계에서 피사체는 완전히 낙상 표면에 드러눕게 된다. 낙상 후 단계의 완전한 종료와 대상의 서 있는 자세로의 복귀는 "E(End)"로 표시된다. 여기서 임계 단계 내에서 충돌 지점 이전의 낙하 충격 가속도 및 각속도 크기의 감지에 주의해야한다. 이러한 방식으로 데이터 활동 유형에 레이블을 지정하면서 충돌 순간 이전에 낙상(및 다양한 유형)을 감지할 수 있게 된다.

니어-폴 동작(넘어질뻔 함)의 경우 낙상 동작과 유사한 4가지 주요 단계가 존재한다. 서기, 걷기 및 기타 일상 동작(ADL)과 같이 니어-폴 동작 전의 모든 동작은 거의 넘어지기 전 단계의 일부이다. 이 경우 임계 단계 또는 니어-폴 포함 단계(도 5의 (b)에서 "S"로 표시)은 걸려넘어짐, 미끄러짐 등의 다양한 요인으로 인해 니어-폴 동작이 시작되는 순간이다. 균형 회복 단계(도 5의 (b)에서 "B"로 표시) 동안 대상은 팔과 다리를 움직이고 실제 낙상을 방지하는 데 도움이 되는 정상적이고 안정적인 상태로 질량 중심을 복원하기 위한 다양한 움직임을 수행한다. 균형 회복 단계가 완료되고 대상이 안정된 기립 자세로 돌아오는 것은 "E"로 표시된다. 본 발명에서 충돌 전 낙상 및 기타 일상 동작(ADL)과 넘어질뻔한 니어-폴 동작을 감지하고 구별하는 중요한 단계는 "오경보"의 수를 줄일 수 있는 니어-폴 상태로 표시된다.

* 데이터 준비

본 발명에서 제안한 사전 낙상 분류 모델 흐름은 도 6에 도시되어 있다. 먼저 수집된 가속도 및 각속도 데이터는 미디언 필터를 통해 전처리된다. IMU 센서에서 얻은 데이터는 부정확하고 중복된 데이터는 머신러닝 알고리즘의 부적절한 작동을 유발할 수 있기 때문에 철저하게 검토되어야 한다. 또한 데이터 세트의 품질을 향상시키기 위해 장치와 워크스테이션 PC 간의 Bluetooth 신호 손실로 인해 수집된 데이터의 다양한 오류 및 불일치가 식별되고 제거되었다. 창 크기가 3인 슬라이딩 중앙값을 사용하여 노이즈를 제거하고 Hampel 필터를 적용하여 비정상 피크를 제거하고 보다 신뢰할 수 있는 데이터 세트를 획득하였다.

이어서 수동 라벨링 단계가 수행된다. 머신 러닝 기반 분류 또는 예측 모델을 개발하기 위한 데이터 전처리의 핵심 작업 중 하나는 데이터 레이블링이다. 본 발명에서 낙상전 단계; 낙상 단계; 낙상 충격 피크; 낙상후 단계;낙상 단계; 균형 회복; 니어-폴 피크 및 니어-폴 완료 단계 각각에 대한 신호 섹션을 정확하게 식별하고 레이블을 지정하기 위해 가속도계 신호의 계산된 SMV를 사용하여 각 데이터 프레임에 수동으로 레이블을 지정했다.

* 특징 추출

특징 추출은 HAR(Human Activity Recognition) 모델에서 가장 중요한 단계 중 하나이다. 효율적인 특징 벡터를 구축하면 기계 학습 알고리즘의 성능이 향상된다. 기계 학습 기반 HAR 알고리즘의 최상의 성능을 달성하기 위해 40개의 특징이 선택될 필요가 있다. 가속도계와 자이로스코프를 사용한 이전 HAR 연구를 고려하여 일상동작, 낙상 동작 및 니어-폴 동작을 효과적으로 감지하기 위해 40개의 고유한 특징(표 1 참조)이 선택되었다.

본 발명에서 가속도 및 각속도 두 센서의 원시 신호를 제외하고 26개의 주요 가속도계 특징과 10개의 자이로스코프 특징을 추출했다. 또한 중요한 HAR 함수 중 하나인 전신 쿼터니언을 추정하여 피사체의 방향을 근사화하기 위해 확장 칼만 필터(Quaternions)를 사용하여 구하였다. 총 40개의 특징이 표 1과 같이 계산되었다. 따라서 40(window size) x 40(feature 개수)의 크기로 딥러닝 모델을 위한 모델 입력정방행렬(squared input matrix)이 생성된다.

* 딥러닝 네트워크

최근 HAR 분야에서 CNN, RNN(Recurrent Neural Network), LSTM(Long Short-Term Memory)와 같은 딥 러닝 기법은 상대적인 자율성, 적응성, 유연성, 분류 및 분류의 높은 정확도로 인해 특히 다중 클래스 문제의 예측 경우 점점 대중화되고 있다. 여러 연구에서 CNN-LSTM과 같은 결합된 기계 학습 기술을 사용하여 낙상을 감지하여 CNN을 사용하여 입력 데이터에서 기능을 효율적으로 추출한 다음 얻은 데이터를 기반으로 LSTM을 사용하여 시간 순서 예측을 수행한다. 이 CNN-LSTM 모델은 공간적, 시간적 깊이를 가지며 유연성이 높아 다양한 분야에서 사용할 수 있으며 다른 단일 딥 러닝 모델보다 높은 탐지 정확도를 달성한다. CNN 앙상블 모델은 다양한 센서에서 수집된 데이터를 사전 처리하고 기본 독립 교육 데이터 세트를 형성한 다음 결합하여 단일 기능 맵을 구축한다. CNN 앙상블은 다른 단일 CNN 및 다양한 앙상블 이중 모델 구조에 비해 더 높은 정확도와 향상된 성능을 보여준다.

- DAG-CNN(Directed Acyclic Graph CNN)의 사용

기본 CNN 모델은 일반적으로 피드포워드 연결이 있는 계층적 체인 구조를 가지며 이를 통해 입력 데이터의 다양한 불변 표현(invariant representations)이 계산된다. 즉, 특정 특징이 추출된다. 그러나 이러한 불변 표현은 고려 중인 문제 유형에 따라 달라지는 경우가 많다. 기본 CNN 모델에서 모든 단계는 시스템 오류를 최소화하기 위해 함께 최적화된다. 이러한 CNN 모델의 대부분의 목적은 분류를 위해 중요한 정보를 전달하는 데이터 조각의 추상적 표현을 포함하여 고급 기능을 추출하는 것이다. 따라서 이러한 CNN의 대부분은 일반적으로 특히 다중 분류 문제의 경우 일상동작(ADL), 낙상동작(Falls) 및 니어폴 동작(Near-falls)의 분류에 중요한 역할을 할 수 있는 중간 및 하위 수준 특징을 고려하지 않는다. 이러한 기본 CNN 모델의 단점을 해결하고 분류 또는 다중 분류 문제의 성능을 향상시키기 위해 CNN-LSTM 및 CNN 앙상블과 같은 다양한 수정 및 결합 구조가 제안되었다. 그러나 이러한 "수정된" 모델은 상대적으로 많은 양의 계산 리소스와 비용이 필요한 마지막 계층에서 상위 수준 기능을 추출하도록 설계된 계층적 체인 구조의 기본 CNN 모델을 기반으로 한다.

따라서 본 발명에서는 도 7에 도시된 바와 같이 Modified DAG-CNN(Directed Acyclic Graph Convolutional Neural Network)이라는 새로운 심층 신경망 아키텍처를 제안한다. 아키텍처의 자세한 매개변수는 표 3에 나열되어 있다. 이 아키텍처는 CNN의 심층 레이어에서 다양한 다단계 특징을 추출하여 비교적 효율적이고 간단하며 빠른 낙차를 감지하고 분류할 수 있다는 장점이 있다. Modified DAG-CNN을 사용하면 마지막 CNN 레이어에서 상위 수준의 기능을 추출할 수 있을 뿐만 아니라 "분기된 레이어"를 추가하여 다양한 다단계 기능을 추출할 수 있다. 주요 CNN 구조와 그 가지를 훈련하는 과정이 동시에 일어나므로 모델의 크기가 줄어들고 특징 추출 과정을 더 빠르고 효율적으로 완료할 수 있다.

[표 3]

- Modified DAG-CNN 구현

제곱 입력 행렬은 특징을 계산하여 생성된다. 그런 다음 보간법(bicubic interpolation)을 사용하여 데이터 전처리에서 얻은 입력 행렬을 Modified DAG-CNN에 적합한 입력 데이터 크기, 즉 32(높이) x 32(너비) x1(채널)로 크기를 조정했다. 도 7은 아래 공식을 사용하여 제로 중심 정규화를 가진 입력 레이어로 시작하는 Modified DAG-CNN 모델의 메인구조를 나타낸다.

여기서 x는 원본 데이터, μ는 평균, σ는 표준 편차를 나타낸다.

다음으로, 커널 크기가 5x5, 2x2, 2x2이고 필터 수가 각각 16, 32, 64인 3개의 컨볼루션 레이어로 구성된다. 이 구조는 마지막 레이어에서 높은 수준의 기능을 감지하고 추출하는 것을 목적으로 하는 표준 CNN 역할을 수행한다.

메인구조의 각 컨볼루션 계층에 대한 활성화 함수로서, 표준 파라미터(0.01)의 Leaky ReLU가 사용되었으며, 이는 잠재적인 "다잉 ReLU"(제로 그래디언트 문제라고도 함) 문제를 제거하고 클래식 ReLU 보다 높은 학습속도를 가진다. Leaky ReLU는 다음과 같이 계산될 수 있다.

여기서 x는 이전 컨볼루션 레이어의 출력 특징 맵의 요소이다.

처음 두 개의 활성화 함수(컨볼루션 및 Leaky ReLU 레이어)에 이어 최대풀링(MaxPooling)을 적용하여 계산 복잡성과 분산을 줄이고 각 특징 맵의 요소 주변에서 가장 중요한 저수준(low-level) 특징을 추출한다. 최대풀링 후의 특징 맵의 크기(최대값과 평균값)는 다음 공식을 사용하여 계산할 수 있다. 최대 및 평균 풀링의 경우 각 풀링 창에서 최대 및 전체 평균 값을 추출한다.

여기서 I은 입력 데이터 모양, P는 풀링 윈도우 크기, S는 스트라이드(Stride) 크기를 나타낸다.

메인 네트워크 구조의 세 번째 컨볼루션 계층의 마지막 활성화 함수는 특수 "추가(Add)" 계층에 직접 연결된다. 분기 구조(도 7의 상단 및 하단 레이어)는 각각 크기가 3x3인 필터가 있는 두 개의 연속적인 컨볼루션 계층으로 구성된다. 첫 번째 스택 컨벌루션 계층(stacked convolutional layer)는 풀링이 없는 2x2의 스트라이드(stride) 크기를 가지고 있는 반면, 두 번째 스택 컨벌루션 계층(stacked convolutional layer)는 1x1의 풀링 크기를 가진 스트라이드(stride)가 없다.

이러한 분기 구조는 메인 구조의 첫 번째 컨볼루션 계층의 최대풀링 계층에서 직접 입력을 받는다. 이러한 분기 구조의 스택 컨볼루션 계층(컨볼루션 계층 사이에 풀링 계층 없음)을 사용하면 데이터 손실 없이 특징을 첫 번째 컨볼루션 계층에서 두 번째 계층으로 직접 전송하고 학습할 수 있다. 이는 또한 입력의 계층적 분해를 허용하고 정보 손실 없이 비선형 변환을 표현하는 데 더 많은 유연성을 제공한다. 따라서 이러한 분기 구조에서 메인 구조 특징과 대조되는 다른 수준 및 유형의 특징이 추출된다는 점에 유의하는 것이 중요하다. Leaky ReLU 활성화 함수는 각 분기 구조의 끝에서 사용되어 이러한 스택 컨볼루션 계층의 뉴런 출력에 비선형성을 도입한다. 그런 다음 이러한 분기 구조는 "추가(Add)" 레이어에 부착되며, 여기서 두개의 분기된 기능(function) 맵의 요소별 추가가 메인 구조의 특성(characteristic) 맵에 아래 공식과 같이 수행된다.

"추가" 레이어는 3개의 컨볼루션 레이어에서 출력 특징 맵의 개략적인 요소별 추가를 계산한다. 분류 계층 이전에 평균 풀링은 각 피처를 고려하여 다음 레이어로 전달하므로 마지막 추가 레이어에서 얻은 피처 맵의 평균 풀링이 적용되고, 모든 특징 맵 값이 특징 매핑 및 출력 생성에 사용됨을 나타낸다. 이러한 방식으로 Modified DAG-CNN의 모든 채널(메인 구조 및 2개의 브랜치(branch) 구조에서 특징 맵의 일반화가 중요한 정보나 특징을 잃지 않고 수행된다.

멀티레벨 특징 데이터와 그 분류의 비선형 조합을 위해, 여러 레벨의 특징을 나타내는 컨볼루션 계층의 출력 데이터는 최종 평균 풀링 계층을 거쳐 3개의 완전 연결 계층으로 구성된 완전 연결 심층 CNN 모델(fully connected deep CNN model)로 전달된다. 첫 번째 층은 256개의 뉴런, 두 번째 층은 128개의 뉴런, 세 번째 층은 64개의 뉴런으로 구성되어 있다. 하나 레벨의 모든 뉴런은 다음 레벨의 뉴런에 연결되어 완전한 피드포워드 신경망(feedforward neural network)으로 된다. 모델을 최적화하고 속도를 높이고 가능한 과적합(overfitting) 문제를 방지하기 위해 256개의 뉴런이 있는 첫 번째 레이어 이후에 파라미터 20%의 드롭아웃을 사용하여 뉴런의 20%를 무작위로 제거한다. 뉴런의 수가 필요한 클래스의 수와 동일한 마지막 분류 계층(출력 계층) 이후에 SoftMax 함수를 사용하여 다음과 같이 다중 클래스 간의 다항식 확률 분포를 예측했다.

여기서,

,

,

,

는 클래스 r이 주어진 샘플의 조건부 확률이고 P(c r)은 클래스 사전 확률이다.

SoftMax 함수는 정규화 지수라고도 하며 로지스틱 시그모이드 함수의 다중 클래스 일반화로 간주된다. 본 발명에서 제안된 Modified DAG-CNN 기반 딥 러닝 모델의 최종 완전 연결 계층의 개수는 3개로 설정하여 3가지 동작 클래스(1: ADL, 2: Near-fall, 3: Fall)로 분류한다. 자세한 아키텍처는 다음의 도 7과 같다.

* 최적화

본 발명에서는 딥러닝 훈련을 위한 최적의 하이퍼파라미터 값을 찾기 위한 최적화와 최상의 성능 달성을 위한 CNN 아키텍처 설정을 적용했다. 일반적으로 하이퍼파라미터를 선택하고 조정하는 것은 상대적으로 어렵고 시간이 많이 소요되는 작업이다. 하이퍼파라미터를 찾는 일반적인 방법은 그리드 탐색 또는 후보를 기반으로 최상의 값을 선택하는 작업인 랜덤 탐색 방법을 사용하는 것이다. 그러나 이러한 방법은 최적화 과정에서 이전 반복에서 얻은 사전 지식을 반영하지 못하는 한계가 있다. 반대로 베이지안 최적화는 검색 과정에서 최적의 값을 찾기 위해 사전 지식을 반영한다. 이 기술은 (i) 대리 모델(surrogate model) 및 (ii) 획득 함수의 두 가지 요소를 기반으로 최적 값을 찾는다.

본 발명에서 목적함수는 니어-폴 검출 모델의 분류오차를 최소화하는 것이다. 학습을 위한 5개의 파라미터(초기 학습률, L2 정규화 값, 최적화 유형, 미니 배치 크기, 최대 에포크(epochs) 값을 설계 파라미터로 선택하고 그 하한값과 상한값을 표 4과 같이 나열한다.

[표 4]

학습률 하락 기간 및 학습률 하락 요인에 대한 최적의 파라미터는 수동으로 설정되었다. 최대 목표 평가 수는 20으로 설정하고 최고의 하이퍼파라미터 값을 사용하여 최종 훈련으로서 딥 러닝 모델을 훈련한다.

* 성능 측정

본 발명에서 5중 교차 검증(5-folded cross validation) 기법을 적용하여 모델을 검증하였다. 성능 기준은 다음과 같다. 정확도, 특이성(SPC), 민감도(TPR), 정밀도(PPV), 음수 예측값(NPV), F1-점수 및 매튜스 상관 계수(MCC)는 세 가지 클래스(ADL, 낙상 및 니어-폴) 각각에 대해 개별적으로 계산한 다음 평균을 사용하여 두 가지 딥 러닝 모델을 추가로 비교했다.

정확도는 전체 예측 개수에 대한 모든 올바른 예측 개수의 비율을 측정하며 다음 공식을 사용하여 계산되었다.

여기서 TP는 True Positive(진양), TN은 True Negative(진음), FP는 False Positive(위양), FN은 False Negative(위음)를 의미한다.

진음 비율이라고도 하는 특이성(Specificity)은 음(진음)으로 분류된 진음성 사례의 수를 나타내며 다음 공식을 사용하여 계산된다.

진양 비율이라고도 하는 민감도(Sensitivity)는 특이성의 정반대이며 양성(진양)으로 분류된 진양성 사례의 비율을 나타내며 다음과 같이 표현된다.

양성 예측값이라고도 하는 정밀도는 검색된 모든 인스턴스 중 관련 인스턴스의 비율로 정의된다. 즉, 관련 데이터만 식별하는 모델의 기능이다. 수학적으로는 다음과 같이 표현할 수 있다.

음수 예측값은 실제 음수인 예측된 음수 값의 비율로 정의된다. 예측된 음성 결과가 진음일 가능성을 반영한다. 유사하게, 음성 예측값은 정밀하게 다음과 같이 수학적으로 표현될 수 있다.

F1 점수는 조화 평균, 즉 정밀도와 민감도 사이의 균형을 의미한다. 수학적으로는 다음과 같이 표현할 수 있다.

MCC(Matthews Correlation Coefficient)는 정확도에 비해 더 신뢰할 수 있는 통계로, 데이터세트 내의 양 요소의 크기와 음 요소의 크기에 비례하여 컨퓨전 매트릭스의 네 가지 범주 분류(진양, 위음,진음, 위양)에서 예측이 잘 수행되는 경우에만 높은 점수를 부여한다. 이는 -1에서 +1 사이의 값을 반환한다. +1의 계수가 완벽한 예측을 나타내는 경우 0은 무작위 예측보다 좋지 않으며 -1은 예측과 관찰 간의 완전한 불일치를 나타낸다. 이는 다음 공식을 사용하여 계산할 수 있다.

Intel(R) i7-5930K CPU @ 3.50GHz, Nvdia Titan XP GPU 12GB의 윈도우 시스템으로 CNN 모델을 훈련하고 테스트하는 데 MATLAB(2020b, Mathwork, USA)이 이용되었다.

* 결과

정확도 곡선의 훈련 및 검증 프로세스는 도 8에 도시된다. Modified DAG-CNN은 정확도의 100%에 가깝게 수렴했지만 CNN의 정확도는 약 93%에 수렴했다. 두 모델에 대한 훈련 과정의 정확도는 20번째 epoch 이후 점차적으로 안정되었고 30번째 epoch 이후에는 거의 변경되지 않았다. 따라서 과적합을 방지하기 위해 40번째 epoch에서 학습 과정을 중단했다. Modified DAG-CNN 역시 CNN보다 빠른 수렴 속도를 보였다.

총 40개의 특징을 표 4와 같이 가속도 및 자이로스코프로 분류하였다. CNN을 이용한 컨퓨전 매트릭스(CM)는 자이로스코프, 가속도계, 자이로스코프와 가속도계의 조합을 이용하여 도 9에 나타내었다. 가속도계와 자이로스코프 기능의 조합을 기반으로 한 CNN에서 최고의 성능이 관찰되었다. 니어-폴 감지를 위한 가속도계 기능 기반 CNN은 오-분류된(mis-classified) ADL, 낙상 및 니어-폴에서 높게 나타났다.

도 10은 자이로스코프, 가속도계 및 자이로스코프와 가속도계 기능의 조합을 위해 Modified DAG-CNN CM을 나타낸다. 니어-폴의 경우 Modified DAG-CNN은 한번의 오-분류 결과를 가지며 자이로스코프와 가속도계 기능의 조합에 대해 99.7% 이상의 정확도로 우수한 예측 성능을 보여주었다.

일상(ADL) 및 낙상 감지를 위해 가속도계 기능을 사용하면 CNN 및 Modified DAG-CNN 모델 모두에서 자이로스코프 기능을 사용하는 것보다 더 나은 성능이 나타났다. 그러나 니어-폴 감지 단독의 경우 도 9 및 도 10에서와 같이 CNN 및 Modified DAG-CNN 모델 모두에서 자이로스코프 기능을 사용하는 것이 가속도계 기능을 사용하는 것보다 우수한 성능을 보여주었다. CNN CM과 함께 가속도계와 자이로스코프 기능을 사용할 때의 성능 차이는 Modified DAG-CNN CM보다 더 크게 나타났다. 가속도계와 자이로스코프 기능을 모두 사용했을 때 CNN 및 Modified DAG-CNN 모델 모두에서 훨씬 더 나은 성능이 발견되었다.

CNN 및 Modified DAG-CNN 모델의 CM을 기반으로 ROC 커브가 표시되고 도 11 및 도 12와 같이 세 가지 클래스(ADL, 낙상 및 니어-폴)에 대한 AUC(Area under curve)가 계산된다. 가속도계와 자이로스코프 기능의 조합을 사용하여 Modified DAG-CNN에서 최상의 성능이 얻어 졌으며, 위양(false positive) 비율이 감소함에 따라 진양(true positive) 비율도 급격히 감소했다. 자이로스코프 특성만 있는 CNN의 ROC 커브는 ADL 및 낙상보다 니어-폴 감지 성능이 더 우수했다. 유사하게, 자이로스코프 기능만 있는 Modified DAG-CNN은 니어-폴 감지에서 특히 높은 성능을 나타냈다. 본 발명에서 Modified DAG-CNN 모델은 니어-폴 감지에 특히 효과적인 모델임을 알 수 있다.

CNN 모델의 경우 자이로스코프, 가속도계 및 가속도계와 자이로스코프 기능 기반 모델의 조합에 대한 니어-폴 뷴류의 AUC는 각각 0.97, 0.94 및 0.98이다. ADL과 낙상의 AUC는 가속도계 특성에 있어서 니어-폴 보다 더 높았다. 그러나 니어-폴의 AUC는 도 11의 (a) 및 (c)에서와 같이 자이로스코프 및 가속도계와 자이로스코프 특성 기반 모델의 조합에 대한 ADL 및 낙상 보다 높았다. 도 12에서 볼 수 있듯이 세 가지 다른 특성 기반 모델에 대한 니어-폴 낙하의 AUC는 각각 0.99, 0.99 및 0.99이다. 자이로스코프에 대한 니어-폴의 AUC는 ADL과 낙상의 AUC보다 더 높게 나타났다.

CNN과 Modified DAG-CNN의 각 중첩(fold) 성능에 대한 정량적 평가는 표 5와 같다.

[표 5]

Modified DAG-CNN은 모든 비교에서 CNN을 능가했다. 두 모델 간의 가장 큰 성능 차이는 자이로스코프 기능을 사용할 때 관찰되었다. CNN과 자이로스코프 기능만 있는 Modified DAG-CNN의 정확도는 각각 74.3~77.7%와 91.8~93.0% 범위였다. 가속도계 기능이 있는 평균 정확도, F1-score 및 MCC는 도 13과 같이 CNN 값이 각각 88.3%, 0.85 및 0.79인 것과 비교하여 Modified DAG-CNN 값이 97.6%, 0.97 및 0.96으로 크게 개선되었다. CNN 및 Modified DAG-CNN에 대한 자이로스코프와 가속도계 기능 기반 모델의 조합은 자이로스코프 기능 기반 모델과 비교하여 F1-점수에 대해 14% 및 6% 개선을 보였다.

도 14는 인공지능에 기반한 낙상 감지 모델에 의해 사용자의 움직임 감지 결과를 나타내는 그래프로서, 인공지능 기반 낙상 사전 감지 알고리즘을 학습한 결과 평균 99.57%의 정확도로 지면 충돌 평균 324ms 이전에 낙상을 감지하였다.

이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기의 기재로부터 다양한 수정 및 변형이 가능하다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

그러므로, 다른 구현들, 다른 실시예들 및 특허청구범위와 균등한 것들도 후술하는 특허청구범위의 범위에 속한다.

10: 웨어러블 에어백 장치 100: 본체부
130: 압축가스 저장소 140: 가속도, 각속도 센서
150: 낙상 판단부 160:MCU
120: 압축가스방출부 210: 제1 팽창부
220: 제2 팽창부 310: 체결부

Claims (9)

1. 인체의 허리, 둔부, 대퇴부를 감싸도록 적응된 팽창부;
   팽창부에 주입되는 가스가 저장되는 압축가스 저장소;
   인체의 가속도 및 각속도를 검출하기 위한 가속도 및 각속도 센서; 및
   상기 가속도 및 각속도 센서로부터의 검출값에 기반하여 낙상 여부를 판단하는 제어부;를 포함하고
   상기 제어부는, 사전 낙상 감지 알고리즘의 결과에 따라 압축가스 저장소에 저장된 가스가 팽창부에 주입되도록 압축가스 저장소에 연결된 가스 방출 수단을 개방하는 동작을 수행하도록 구성되고,
   상기 사전 낙상 감지 알고리즘은 가속도 및 각속도 센서로부터 검출되는 데이터로부터 일상동작, 낙상동작, 및 니어-폴(near-fall) 동작을 동시에 감지하도록 구성되고 - 여기서 니어-폴 동작은 착용자가 균형을 잃었다가 다시 균형을 회복하여 실제로 낙상이 발생하지 않은 동작을 의미함 - ;
   상기 니어-폴 동작은 가속도 데이터 중 각 x,y,z축 벡터 크기(Sum magnitude vector) 또는 x축 가속도 변화율(Jerk(x)) 또는 가속도 관상면 각도(Tilt angle (x,y))를 이용하여 판별되고, 상기 니어-폴 동작에서 관상면 각도 변화는 150도까지 하강후 회복하는 패턴을 나타내는 것을 특징으로 하는
   인공지능 기반의 웨어러블 에어백 장치.
   
2. 제1항에 있어서,
   상기 가스 방출 수단은 솔레노이드식 인플레이터인 것을 특징으로 하는
   인공지능 기반의 웨어러블 에어백 장치.
   
3. 제2항에 있어서,
   상기 솔레노이드식 인플레이터는 제어부로부터 전기 신호를 수신하는 전기 신호 수신부; 전기 신호 수신부에 연결된 솔레노이드 밸브; 솔레노이드 밸브의 일단부와 압축가스 저장소 사이에 제공되고 결합시 압축가스 실린더의 밀봉부를 타공하기 위한 타공핀이 제공된 레귤레이터; 및 솔레노이드 밸브의 타단부에 형성되고 팽창부와 결합되는 연결관을 포함하는 것을 특징으로 하는
   인공지능 기반의 웨어러블 에어백 장치.
   
4. 제3항에 있어서,
   상기 압축가스 실린더의 밀봉부는 상기 솔레노이드식 인플레이터의 체결시 타공핀에 의해 타공되어 개방되고, 개방된 압축가스 실린더는 솔레노이드 밸브에 의해 기밀이 유지되는 것을 특징으로 하는
   인공지능 기반의 웨어러블 에어백 장치.
   
5. 삭제
6. 제1항에 있어서,
   상기 제어부는, 사전 낙상 감지 알고리즘의 판별 결과가 일상동작 및 니어-폴 동작인 것으로 판별되면 가스 방출 수단을 개방하지 않고 사전 낙상 감지 알고리즘의 판별 결과가 낙상동작인 것으로 판별되면 가스 방출 수단을 개방하도록 동작되는
   인공지능 기반의 웨어러블 에어백 장치.
   
7. 제1항에 있어서,
   상기 니어-폴(near-fall) 동작은, 걸려 앞으로 넘어질 뻔 한 동작; 걸려 뒤로 넘어질 뻔 한 동작; 미끄러져 앞으로 넘어질 뻔 한 동작; 미끄러져 뒤로 넘어질 뻔 한 동작; 발을 헛디뎌 넘어질 뻔 한 동작; 오른쪽으로 넘어질 뻔 한 동작; 왼쪽으로 넘어질 뻔 한 동작; 앉아있다가 설 때 넘어질 뻔 한 동작; 부딪혀 앞으로 넘어질 뻔 한 동작; 및 부딪혀 뒤로 넘어질 뻔 한 동작; 중 적어도 하나 이상을 포함하는 것을 특징으로 하는
   인공지능 기반의 웨어러블 에어백 장치.
   
8. 제1항에 있어서,
   사전 낙상 감지 알고리즘은 CNN 기반의 사전 낙상 감지 알고리즘인 것을 특징으로 하는
   인공지능 기반의 웨어러블 에어백 장치.
   
9. 제1항에 있어서,
   일상동작, 낙상동작, 및 니어-폴(near-fall) 동작을 동시에 감지하는 CNN 기반의 사전 낙상 감지 알고리즘은 가속도와 각속도 데이터를 기반으로 추출된 가속도 x,y,z축 크기의 합 벡터를 적어도 포함하는 입력 벡터를 생성하는 것을 특징으로 하는
   인공지능 기반의 웨어러블 에어백 장치.
   

Images