KR102478383B1 - 낙상 예측 시스템 및 그 방법 - Google Patents

Abstract

본 발명에 따른 낙상 예측 방법은, 사용자의 측정장치로부터 측정된 사용자 동작 가속도 데이터에서 특징점을 추출하여 특징 벡터를 산출하는 단계; 상기 산출된 특징 벡터를 레이블링하는 단계; 상기 레이블링 된 특징 벡터를 머신러닝 알고리즘의 복수의 낙상 예측 모델에 각각 적용하는 단계; 및 상기 복수의 낙상 예측 모델에서 산출된 데이터 값을 기저장된 낙상 데이터 값과 비교하여 상기 낙상 데이터 값과 가장 유사한 낙상 예측 모델을 선택한 후, 선택된 예측 결과 값으로 낙상 발생 예측에 대해 사전 알림을 제공하는 단계;를 포함하는 점에 그 특징이 있다.
본 발명에 따르면, 다양한 낙상의 종류와 부상 부위에 대한 낙상 예측 모델을 적용하여 낙상 발생을 예측하고, 낙상 발생 전 사용자에게 낙상 위험을 알림으로써 낙상으로 인한 부상을 미연에 방지할 수 있다.

Description

낙상 예측 시스템 및 그 방법{System and the method for fall-down prediction}

본 발명은 낙상 예측 시스템 및 그 방법에 관한 것으로, 특히 다양한 낙상의 종류와 부상 부위에 대한 낙상 예측 모델을 적용하여 낙상 발생을 예측하고, 낙상 발생 전 사용자에게 낙상 위험을 알림으로써 낙상으로 인한 부상을 미연에 방지할 수 있는 낙상 예측 시스템 및 그 방법에 관한 것이다.

고령화 사회로 급속하게 진행함에 따라, 노인 분들이나 거동이 불편한 보행자 등이 안심하고 일상생활을 영위할 수 있도록 도와주는 다양한 건강관리(healthcare) 서비스들이 등장하고 있다.

특히, 독거노인과 같이 혼자 생활하는 노인들은 일반 젊은 사람들에 비해 낙상으로 인한 사고가 빈번하게 발생하므로, 이러한 독거노인과 같이 혼자 생활하는 시간이 많은 노인을 대상으로 낙상에 대비할 수 있는 다양한 낙상 구조 서비스가 각광을 받고 있고, 이에 대한 연구가 활발하게 진행되고 있다.

하지만, 낙상 구조를 위한 종래 기술은 센서와 휴대전화가 분리되어 있고 무선으로 데이터를 전송하므로 배터리 소모의 증가, 낙상 감지 오류의 증가, 오류 감지에 대해 여과 효율 감소 등의 문제가 발생하였고, 또한, 낙상 여부를 감지하기 위해 순간적인 데이터 변화량에 크게 의존해 낙상을 감지하였으므로 낙상과 유사한 센서 값을 갖는 행위(사용자가 센서를 착용 또는 빼는 행위, 손으로 흔드는 행위, 뛰는 행위 및 부딪히는 행위)를 하는 경우에 이를 낙상으로 판단하게 된다.

또한, 낙상은 그 종류(걸려 넘어짐, 미끄러짐, 앞으로 넘어짐 등)에 따라 세기와 방향이 다르기 때문에, 인체 부상 부위 및 위험 정도가 달라지고, 낙상 후 감지 기술은 낙상을 최소화하거나 예방할 수 없다는 문제점이 있다.

한국공개특허 제10-2013-0112158호

본 발명은 다양한 낙상의 종류와 부상 부위에 대해 낙상 데이터를 복수의 머신러닝 알고리즘의 낙상 예측 모델에 적용하여 낙상 발생을 사전에 예측하는 낙상 예측 시스템 및 방법을 제공하는 것을 목적으로 한다.

또한, 본 발명은 낙상 발생 전 사용자에게 낙상 위험을 알림으로써 낙상으로 인한 부상을 미연에 방지할 수 있는 낙상 예측 시스템 및 그 방법을 제공하는 것을 목적으로 한다.

상기의 과제를 달성하기 위한 본 발명에 따른 낙상 예측 방법은, 사용자의 측정장치로부터 측정된 사용자 동작 가속도 데이터에서 특징점을 추출하여 특징 벡터를 산출하는 단계; 상기 산출된 특징 벡터를 레이블링하는 단계; 상기 레이블링 된 특징 벡터를 머신러닝 알고리즘의 복수의 낙상 예측 모델에 각각 적용하는 단계; 및 상기 복수의 낙상 예측 모델에서 산출된 데이터 값을 기저장된 낙상 데이터 값과 비교하여 상기 낙상 데이터 값과 가장 유사한 낙상 예측 모델을 선택한 후, 선택된 예측 결과 값으로 낙상 발생 예측에 대해 사전 알림을 제공하는 단계;를 포함하는 점에 그 특징이 있다.

여기서, 특히 상기 레이블링하는 단계에서 상기 특징 벡터에서 가속도 값의 변화가 소정치 이상인 경우의 구간을 선정하여 레이블링하는 점에 그 특징이 있다.

여기서, 특히 상기 특징 벡터에서 구간의 선정은 행동별 프레임의 윈도우 블럭 데이터 및 구간의 특징점 추출의 시간 변수를 적용하는 점에 그 특징이 있다.

여기서, 특히 상기 특징 벡터는 가우시안 함수 기반의 피크 감지 알고리즘을 이용하는 점에 그 특징이 있다.

여기서, 특히 상기 특징 벡터를 산출하는 단계 이전에 상기 측정된 사용자 동작 가속도 데이터에서 중력 가속도 및 노이즈를 제거하는 단계를 더 포함하는 점에 그 특징이 있다.

여기서, 특히 상기 머신러닝 알고리즘의 복수의 낙상 예측 모델은 5개의 머신 러닝 알고리즘 및 한 개의 딥 러닝 알고리즘을 포함하는 점에 그 특징이 있다.

또한, 상기의 과제를 달성하기 위한 본 발명에 따른 낙상 예측 시스템은, 관성측정수단으로부터 측정된 사용자의 동작에 대한 가속도 데이터의 특징점을 추출하여 특징 벡터를 산출하는 벡터 산출부; 상기 산출된 특징 벡터를 레이블링하는 구간 검출부; 및 상기 레이블링 된 특징 벡터를 머신러닝 알고리즘의 복수의 낙상 예측 모델에 각각 적용하고, 상기 복수의 낙상 예측 모델에서 산출된 데이터 값을 기저장된 낙상 데이터 값과 비교하여 상기 낙상 데이터 값과 가장 유사한 낙상 예측 모델을 선택한 후, 선택된 예측 결과값으로 낙상 발생 예측에 대해 사전 알림을 제공하는 예측부를 포함하는 점에 그 특징이 있다.

본 발명에 따르면, 다양한 낙상의 종류와 부상 부위에 대한 낙상 예측 모델을 적용하여 낙상 발생을 예측하고, 낙상 발생 전 사용자에게 낙상 위험을 알림으로써 낙상으로 인한 부상을 미연에 방지할 수 있다.

도 1은 본 발명의 사용자의 관성측정수단으로부터 측정된 가속도 데이터를 전송받아 낙상 예측 시스템과 연동되는 것을 개략적으로 도시한 도면.
도 2는 본 발명의 일실시 예에 따른 낙상 예측 시스템의 구성을 개략적으로 도시한 도면.
도 3은 본 발명의 일실시 예에 따른 낙상 예측 방법에 대한 순서도를 개략적으로 도시한 도면.
도 4는 본 발명의 가속도 데이터를 이용하여 특징점 추출 및 특징 벡터를 산출하는 예를 도시한 도면.
도 5는 본 발명의 특징 벡터를 레이블링하는 과정의 예를 도시한 도면.
도 6은 본 발명의 윈도우 기법 및 사전 낙상 예측 시간 도출 과정의 예를 도시한 도면.
도 7은 본 발명의 머신러닝 알고리즘을 이용하여 일상생활 동작 및 낙상에 대한 실험과정의 예를 도시한 도면이다.
도 8은 본 발명의 낙상 예측 모델을 통한 사전 예측 결과의 예를 도시한 도면.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시 예를 가질 수 있는바, 특정 실시 예들을 도면에 예시하고 이를 상세한 설명을 통해 상세히 설명하고자 한다. 그러나 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.

본 발명을 설명함에 있어 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다. 또한, 본 명세서의 설명 과정에서 이용되는 숫자(예를 들어, 제1, 제2 등)는 하나의 구성요소를 다른 구성요소와 구분하기 위한 식별기호에 불과하다.

또한, 본 명세서에서, 일 구성요소가 다른 구성요소와 "연결된다" 거나 "접속된다" 등으로 언급된 때에는, 상기 일 구성요소가 상기 다른 구성요소와 직접 연결되거나 또는 직접 접속될 수도 있지만, 특별히 반대되는 기재가 존재하지 않는 이상, 중간에 또 다른 구성요소를 매개하여 연결되거나 또는 접속될 수도 있다고 이해되어야 할 것이다.

이하, 본 발명의 바람직한 실시 예를 첨부한 도면에 의거하여 상세하게 설명하면 다음과 같다.

도 1은 본 발명의 사용자의 관성측정수단으로부터 측정된 가속도 데이터를 전송받아 낙상 예측 시스템과 연동되는 것을 개략적으로 도시한 도면이고, 도 2는 본 발명의 일실시 예에 따른 낙상 예측 시스템의 구성을 개략적으로 도시한 도면이다.

도 1 및 도 2에 도시된 바와 같이, 본 발명의 낙상 예측 시스템(200)은, 관성측정수단(100), 통신부(210), 가속도 검출부(220), 벡터 산출부(230), 구간 검출부(240), 낙상 예측부(250) 및 데이터베이스(260)를 포함하여 구성된다.

상기 관성측정수단(100)은 사용자가 착용하는 장치로 사용자의 신체 부위 예를 들어, 왼쪽 골반 위에 하나의 관성측정수단(100)을 착용한 후, 무선 통신부(블루투스 등)(미도시)를 통해 낙상 예측 시스템에 세분화된 각각의 움직임 가속도 값을 실시간으로 전송하게 된다. 여기서, 상기 관성측정수단(100)의 상세한 구성을 도시하지 않았지만 가속도 센서, 제어부, 입출력장치, 알림부 및 통신부 등을 포함하여 구성될 수 있으며, 이에 한정하지 않는다.

상기 관성측정수단(100)은 3축 가속도 센서 등을 이용한 가속도 센서에 의해 감지된 사용자의 가속도 및 기울기 정보를 추출한다. 일반적으로 3축 가속도 센서는 가속도 값에는 보행이나 행동 중 가감속에 의한 운동가속도 성분과 경사에 의한 중력가속도 성분을 모두 포함하는 데이터 신호(raw data)를 측정한다.

상기 통신부(210)는 상기 관성측정수단(100)의 통신부(미도시)로부터 전송된 사용자의 세분화된 각각의 움직임 가속도 값을 수신하게 된다.

상기 가속도 검출부(220)는 수신된 사용자의 가속도 데이터에서 운동가속도 성분, 중력가속도 성분 및 노이즈 성분을 제거하게 된다. 보다 구체적으로, 운동 가속도 성분은 주파수 영역에서 고주파 성분에 위치하고, 중력가속도 성분은 저주파 성분에 위치함으로, 가속도 검출부는 HPF(High Pass Filter)를 이용해 운동 가속도 값(Ax, Ay, Az)하고, LPF(Low Pass Filter)를 이용해 중력가속도 값(Tx, Ty, Tz)을 추출한다. 예를 들어, LPF(Low Pass Filter)를 이용해 중력가속도 성분을 추출한 신호를 나타내고, HPF(High Pass Filter)를 이용해 운동 가속도 성분을 추출한 신호를 나타낸다. 또한, 노이즈 제거 필터를 이용하여 예를 들어, 메디안 필터(Median filter) 등을 이용하여 노이즈 신호를 제거하게 된다.

상기 벡터 산출부(230)는 관성측정수단(100)으로부터 측정된 사용자의 동작에 대한 가속도 데이터의 특징점을 추출하여 특징 벡터를 산출하게 된다.

보다 구체적으로, 벡터 산출부(230)는 관성측정수단에서 추출된 가속도 데이터를 가공하여 28개의 특징을 계산하게 된다. 예를 들어, 측정된 3축 가속도 값을 사용하여 각 프레임별 26개의 특징을 추출한 후, 각 윈도우 별 최대, 최소, 평균, 중앙, 변화, 왜도, 첨도를 계산하여 총 182개의 특징을 하나의 벡터로 나타낼 수 있다.

상기 구간 검출부(240)는 상기 산출된 특징 벡터를 레이블링하게 된다. 여기서, 각 윈도우 별 특징 벡터는 머신러닝 기반의 사전 낙상 예측모델의 입력 값으로 사용된다. 즉, 일반 비지도학습과는 달리 머신러닝 또는 딥 러닝 기반의 알고리즘의 경우 행동 별 프레임에 따라 레이블링을 하여야 하기 때문에 가우시안 함수 기반의 피크 감지 알고리즘을 사용하여 가속도 값 변화가 클 때를 감지하고 변화의 시작과 끝까지의 구간을 레이블링하게 된다.

한편, 상기 윈도우 구간의 낙상은 4개의 구간(pre-impact, impact(fall), aftermath, 그리고 posture)으로 나눌 수 있으며, 사전 낙상 예측의 경우 impact 전에 낙상임을 판별하여야 한다. 따라서 pre-impact과 impact의 데이터만을 추출하여 예를 들어, 윈도우 사이즈 10으로 지정한 후 impact 시점에서부터 움직임의 시작점 방향으로 윈도우를 움직여 리드 타임을 늘려가는 방식으로 입력 값을 가공하게 된다.

상기 낙상 예측부(250)는 상기 레이블링 된 특징 벡터를 머신러닝 알고리즘의 복수의 낙상 예측 모델에 각각 적용하고, 상기 복수의 낙상 예측 모델에서 산출된 데이터 값을 기저장된 낙상 데이터 값과 비교하여 상기 낙상 데이터 값과 가장 유사한 낙상 예측 모델을 선택한 후, 선택된 예측 결과 값으로 낙상 발생 예측에 대해 사전 알림을 제공하게 된다.

보다 구체적으로, 일반적인 이동 일상생활 동작 및 다양한 낙상 종류에 대한 낙상 데이터를 데이터베이스화된 기데이터와 비교하게 된다. 즉, 상기 산출된 데이터를 머신러닝 알고리즘의 복수의 낙상 예측 모델에 각각 적용하여 기저장된 낙상 데이터와 가장 가까운 근사치의 낙상 데이터를 낙상 발생 예측으로 결정하게 된다. 여기서, 상기 머신러닝 알고리즘으로 총 5개의 머신러닝과 한 개의 딥러닝 기법을 사용하여 이 중 가장 높은 정확도, 민감도, 특이도를 나타내는 알고리즘 모델을 선택하게 된다.

상기 데이터베이스(260)는 상기 관성측정수단(100)으로부터 전송된 가속도 값은 데이터베이스(260)에 저장하게 된다. 또한, 일반적인 이동 일상생활 동작 및 다양한 낙상 종류에 대한 낙상 데이터를 데이터베이스화하게 된다.

또한, 도 3은 본 발명의 일실시 예에 따른 낙상 예측 방법에 대한 순서도를 개략적으로 도시한 도면이다. 도 3에 도시된 바와 같이, 본 발명에 따른 낙상 예측 방법은, 먼저 상기 측정된 사용자 동작 가속도 데이터에서 중력 가속도 및 노이즈를 제거하는 단계가 수행된다(S310).

보다 구체적으로, 상기 측정된 사용자의 가속도 데이터에서 운동가속도 성분, 중력가속도 성분 및 노이즈 성분을 제거하게 된다. 여기서, 운동 가속도 성분은 주파수 영역에서 고주파 성분에 위치하고, 중력가속도 성분은 저주파 성분에 위치함으로, HPF(High Pass Filter)를 이용해 운동 가속도 값(Ax, Ay, Az)하고, LPF(Low Pass Filter)를 이용해 중력 가속도 값(Tx, Ty, Tz)을 추출한다. 예를 들어, LPF(Low Pass Filter)를 이용해 중력가속도 성분을 추출한 신호를 나타내고, HPF(High Pass Filter)를 이용해 운동 가속도 성분을 추출한 신호를 나타낸다. 또한, 노이즈 제거 필터를 이용하여 예를 들어, 메디안 필터(Median filter) 등을 이용하여 노이즈 신호를 제거하게 된다.

도 4는 본 발명의 가속도 데이터를 이용하여 특징점 추출 및 특징 벡터를 산출하는 예를 도시한 도면이다.

다음으로, 도 4에 도시된 바와 같이, 상기 운동 가속도, 중력 가속도 및 노이즈가 제거된 가속도 데이터에서 특징점을 추출하여 특징 벡터를 산출하는 단계가 수행된다(S320).

보다 구체적으로, 관성측정수단에서 측정된 가속도 데이터를 가공하여 28개의 특징으로 계산하게 된다. 예를 들어, 측정된 3축 가속도 값을 사용하여 28개의 특징을 계산하고, 이를 다시 각 프레임별 26개의 특징으로 추출하게 된다. 그리고 각 윈도우 별 총 7개의 최대, 최소, 평균, 중앙, 변화, 왜도 및 첨도를 계산하여 총 182개의 특징을 하나의 벡터로 나타낼 수 있다. 즉, 도 4에서, 상기 3축 가속도 값을 이용하여 28개의 특징을 이용하여 26개의 각 프레임으로 추출하게 되는데 이때 1 에서 3은 X축, Y축 및 Z축의 기준 가속도 특징, 4 에서 6은 첫 번째 프레임에서 X축, Y축 및 Z축의 각 차이에 대한 가속도 특징으로 추출하고, 나머지 26번까지 추출하게 된다. 따라서, 상기 언급된 총 26개의 특징을 각 프레임 별 총 7개 영역의 최대, 최소, 평균, 중앙, 변화, 왜도 및 첨도를 계산하여 총 182개의 특징으로 얻게 된다. 즉, 일상생활 동작과 낙상 동작을 모두 포함하는 각 행동에 따라 총 182개의 특징 벡터를 행위별 30개로 추출하여 이를 다시 최종 특징 벡터로 선정하게 된다.

도 5는 본 발명의 특징 벡터를 레이블링하는 과정의 예를 도시한 도면이고, 도 6은 본 발명의 윈도우 기법 및 사전 낙상 예측 시간 도출 과정의 예를 도시한 도면이다. 도 5에 도시된 바와 같이, 상기 산출된 특징 벡터를 레이블링하는 단계가 수행된다(S330).

보다 구체적으로, 상기 산출된 특징 벡터를 가속도 값의 변화가 소정치 이상인 경우의 구간을 선정하여 구간 분할을 위한 레이블링을 하게 된다. 여기서, 상기 특징 벡터에서 구간의 선정은 행동별 프레임의 윈도우 블럭 데이터 및 구간의 특징점 추출의 시간 변수를 적용하게 되고, 이러한 구간 분할 작업을 위해 예를 들어, 가우시안 함수 기반의 피크 감지 알고리즘을 이용하는 것이 바람직하나 이에 한정하지 않는다. 이때, 상기 각 윈도우 별 특징 벡터는 머신러닝 기반의 사전 낙상 예측 모델의 입력 값으로 사용된다. 즉, 일반 비지도학습과는 달리 머신러닝 또는 딥 러닝 기반의 알고리즘의 경우 행동 별 프레임에 따라 레이블링을 하여야 하기 때문에 가우시안 함수 기반의 피크 감지 알고리즘을 사용하여 가속도 값 변화가 클 때를 감지하고 변화의 시작과 끝까지의 구간을 레이블링하게 된다. 이러한, 가우시안 함수 기반의 알고리즘은 반복적으로 발생하는 피크(peak)를 잘 찾을 수 있는데 최적화되어 있다.

한편, 도 6에 도시된 바와 같이, 상기 윈도우 구간의 낙상은 4개의 구간의 프리-임팩트(pre-impact), 임팩트(impact)(fall), 애프터매쓰(aftermath), 그리고 포스춰(posture)로 나눌 수 있으며, 사전 낙상 예측의 경우 임팩트(impact) 전에 낙상임을 판별하여야 한다. 따라서 프리-임팩트(pre-impact)와 임팩트(impact)의 데이터만을 추출하게 된다. 예를 들어, 윈도우 사이즈 10으로 지정한 후 임팩트(impact) 시점에서부터 움직임의 시작점 방향으로 윈도우를 움직여 리드 타임을 늘려가는 방식으로 입력 값을 가공하게 된다.

그 다음으로, 상기 레이블링 된 특징 벡터를 머신러닝 알고리즘의 복수의 낙상 예측 모델에 각각 적용하는 단계가 수행된다(S340). 여기서, 상기 머신러닝 알고리즘의 복수의 낙상 예측 모델은 5개의 머신 러닝 알고리즘 및 한 개의 딥 러닝 알고리즘을 포함할 수 있다.

보다 구체적으로, 머신러닝 기반의 알고리즘은 데이터를 학습하는 방식 (learning style)을 적용하게 된다. 이때, 상기 복수의 낙상 예측 모델로 적용되는 머신러닝 알고리즘으로는, SVM(Support Vector Machine), K-NN(Nearest Neighboring), DT(Decision Tree), QDA(Quadratic discriminant analysis), NB(Naive Bayes) 및 ANN(Artificial Neural Network)이 적용될 수 있으며, 이에 한정되지 않지 않는다.

여기서, 상기 SVM(Support Vector Machine)는 분류 알고리즘으로 수집된 가속도 데이터를 알고리즘을 토대로 낙상 예측 모델을 완성하게 되고, 정확도 테스트를 한 후, 정확도에 따라 다시 머신러닝 알고리즘을 설정하거나 프로그래밍을 완료한다. 상기 K-NN(Nearest Neighboring)의 낙상 예측 모델 알고리즘은 내 주위에 k 개의 가장 가까운 이웃 데이터가 누구인지를 찾아내서 이웃들의 클래스(class)를 다수결로 하여 나의 클래스(class)로 결정하는 알고리즘이다. 즉, 분류를 위한 지도학습에 속하며 이미 라벨링이 되어 있는 트래인(train) 데이터가 존재할 때, 새로운 데이터가 나타났을 때 기존 데이터를 바탕으로 어떤 라벨링으로 하는 것이 맞는지를 찾아내고, 비지지도 학습에 속하며 데이터에 라벨링이 되어 있지 않으며, 특징들을 비교하여 비슷한 것끼리 묶어주는, 즉 라벨링을 스스로 하여 배우는 것은 분류에 속하는 knn 으로 한다. 상기 DA(Decision Tree Algorithms)은 "의사결정나무"라고도 불리는 결정트리 알고리즘으로 실제 데이터에 있는 속성들의 값들을 기반으로 결정 모델을 생성한다. 주로 분류와 회귀 문제를 해결하기 위해 사용되어지며, 대체로 속도가 빠르고 정확도가 높아 기계학습에서 많이 사용된다. 상기 QDA(Quadratic discriminant analysis)는 확률론적 알고리즘으로 각 클래스에 따른 확률 변수 분포의 모수를 추정할 수 있다. 상기 NB(Naive Bayes)는 분류기를 만들 수 있는 간단한 기술로써 단일 알고리즘을 통한 훈련이 아닌 일반적인 원칙에 근거한 여러 알고리즘을 이용하여 훈련된다. 상기 ANN(Artificial Neural Network)는 인공신경망 알고리즘으로 인공신경망은 생물학의 뉴런망의 구조와 기능을 모방한 모델이다. 패턴매칭의 한 방식이며 주로 분류와 회귀 문제를 해결하는데 사용되지만 수백 가지의 알고리즘으로 구성된 수많은 하위 분야가 있으며, 모든 유형의 문제들을 풀기위한 변종 알고리즘들이 있다.

그리고 상기 복수의 낙상 예측 모델에서 산출된 데이터 값을 기저장된 낙상 데이터 값과 비교하여 상기 낙상 데이터 값과 가장 유사한 낙상 예측 모델을 선택한 후(S350), 선택된 예측 결과 값으로 낙상 발생 예측에 대해 사전 알림을 제공하는 단계(S360)를 수행하게 된다.

보다 구체적으로, 상기 복수의 낙상 예측 모델에서 산출된 데이터 값을 기저장된 낙상 데이터 값과 비교하여 상기 낙상 데이터 값과 가장 유사한 최적의 낙상 예측 모델을 선택한 후, 선택된 예측 결과 값으로 낙상 발생 예측에 대해 사전 알림을 제공하게 된다. 즉, 상기 산출된 데이터를 머신러닝 알고리즘의 복수의 낙상 예측 모델에 각각 적용하여 기저장된 낙상 데이터와 가장 가까운 근사치를 갖는 낙상 데이터의 결과 값을 낙상 발생 예측으로 결정하게 된다. 여기서, 기저장된 데이터는 다양한 일반적인 이동 일상생활 동작 및 다양한 낙상 종류에 대한 낙상 데이터를 데이터베이스화한 것이다.

여기서, 상기 머신러닝 알고리즘으로 총 5개의 머신러닝과 한 개의 딥러닝 기법을 사용하여 이 중 가장 높은 정확도, 민감도, 특이도를 나타내는 촤적의 알고리즘 낙상 예측 모델을 선택하게 된다.

한편, 도 7은 본 발명의 머신러닝 알고리즘을 이용하여 일상생활 동작 및 낙상에 대한 실험과정의 예를 도시한 도면이고, 도 8은 본 발명의 낙상 예측 모델을 통한 사전 예측 결과의 예를 도시한 도면이다.

도 7 및 도 8에 도시된 바와 같이, 일상생활 동작과 낙상을 구별하기 위해 총 26개의 다양한 동작의 실험데이터를 획득하여 사전 낙상 예측 모델 결과를 보여주고 있다. 도 8에서, 임팩트 지점(100%)으로부터 50%까지 줄어들었을 때의 사전 낙상 및 일상 동작 예측 정확도는 임팩트 지점으로부터 시작점을 100%의 경우 6개의 머신 러닝 정확도는 약 99% 이상으로 나타났으며, 50%로 줄어듦에도 ANN은 정확도의 변화가 미미한 것을 알 수 있다. 또한, 윈도우 사이즈가 임팩트 지점(100%)으로부터 50%까지 줄어들었을 때의 사전 낙상 및 일상 동작 예측 민감도 및 특이도를 알 수 있다.

따라서 본 발명의 적용분야는 다양한 낙상 종류의 예측이 가능한 머신러닝 기반의 분류 모델링 방법 및 낙상 데이터를 측정할 수 있는 웨어러블 장치에 가능하며, 낙상 전 착용자에게 위험함을 미리 알리는 것이 가능하게 된다. 이러한 사용자 관성측정장치로서의 웨어러블 장치는 에어백이나 프로텍터와 같은 낙상 관련 보호기구의 적절한 제어장치와 결합하여 낙상으로 인한 노인의 부상 최소화 또는 방지할 수 있다.

본 발명의 권리범위는 상술한 실시 예에 한정되는 것이 아니라 첨부된 특허청구범위 내에서 다양한 형태의 실시 예로 구현될 수 있다. 특허청구범위에서 청구하는 본 발명의 요지를 벗어남이 없이 당해 발명이 속하는 기술분야에서 통상의 지식을 가진자라면 누구든지 변형 가능한 다양한 범위까지 본 발명의 청구범위 기재의 범위 내에 있는 것으로 본다.

100 --- 관성측정수단 200 --- 낙상 예측 시스템
210 --- 통신부 220 --- 가속도 검출부
230 --- 벡터 산출부 240 --- 구간 검출부
250 --- 낙상 예측부 260 --- 데이터베이스

Claims (7)

1. 사용자의 측정장치로부터 측정된 사용자 동작 가속도 데이터에서 특징점을 추출하여 특징 벡터를 산출하는 단계;
   상기 산출된 특징 벡터를 레이블링하는 단계;
   상기 레이블링 된 특징 벡터를 머신러닝 알고리즘의 복수의 낙상 예측 모델에 각각 적용하는 단계; 및
   상기 복수의 낙상 예측 모델에서 산출된 데이터 값을 기저장된 낙상 데이터 값과 비교하여 상기 낙상 데이터 값과 가장 유사한 낙상 예측 모델을 선택한 후, 선택된 예측 결과 값으로 낙상 발생 예측에 대해 사전 알림을 제공하는 단계;를 포함하고,
   상기 특징 벡터를 산출하는 단계는
   상기 사용자 동작 가속도 데이터의 각 윈도우 별 총 7개의 최대, 최소, 평균, 중앙, 변화, 왜도 및 첨도를 계산하여 전체 특징점을 추출하고, 상기 전체 특징점을 행위 별로 추출하여 상기 특징 벡터로서 산출하고,
   상기 레이블링하는 단계에서 상기 특징 벡터에서 가속도 값의 변화가 소정치 이상인 경우의 구간을 선정하여 레이블링하고,
   상기 특징 벡터에서 구간의 선정은 행동별 프레임의 윈도우 블럭 데이터 및 구간의 특징점 추출의 시간 변수를 적용하고,
   상기 머신러닝 알고리즘의 복수의 낙상 예측 모델은 SVM, K-NN, DT, QDA, NB 및 ANN을 포함하는 5개의 머신 러닝 알고리즘 및 한 개의 딥 러닝 알고리즘을 포함하는 낙상 예측 방법.
   
2. 삭제
3. 삭제
4. 제1항에 있어서,
   상기 특징 벡터는 가우시안 함수 기반의 피크 감지 알고리즘을 이용하는 것을 특징으로 하는 낙상 예측 방법.
   
5. 제1항에 있어서,
   상기 특징 벡터를 산출하는 단계 이전에 상기 측정된 사용자 동작 가속도 데이터에서 중력 가속도 및 노이즈를 제거하는 단계를 더 포함하는 것을 특징으로 하는 낙상 예측 방법.
   
6. 삭제
7. 관성측정수단으로부터 측정된 사용자의 동작에 대한 가속도 데이터의 특징점을 추출하여 특징 벡터를 산출하는 벡터 산출부;
   상기 산출된 특징 벡터를 레이블링하는 구간 검출부; 및
   상기 레이블링 된 특징 벡터를 머신러닝 알고리즘의 복수의 낙상 예측 모델에 각각 적용하고, 상기 복수의 낙상 예측 모델에서 산출된 데이터 값을 기저장된 낙상 데이터 값과 비교하여 상기 낙상 데이터 값과 가장 유사한 낙상 예측 모델을 선택한 후, 선택된 예측 결과 값으로 낙상 발생 예측에 대해 사전 알림을 제공하는 낙상 예측부를 포함하고,
   상기 벡터 산출부는
   상기 사용자 동작 가속도 데이터의 각 윈도우 별 총 7개의 최대, 최소, 평균, 중앙, 변화, 왜도 및 첨도를 계산하여 전체 특징점을 추출하고, 상기 전체 특징점을 행위 별로 추출하여 상기 특징 벡터로서 산출하고,
   상기 구간 검출부는 상기 특징 벡터에서 가속도 값의 변화가 소정치 이상인 경우의 구간을 선정하여 레이블링하고,
   상기 특징 벡터에서 구간의 선정은 행동별 프레임의 윈도우 블럭 데이터 및 구간의 특징점 추출의 시간 변수를 적용하고,
   상기 머신러닝 알고리즘의 복수의 낙상 예측 모델은 SVM, K-NN, DT, QDA, NB 및 ANN을 포함하는 5개의 머신 러닝 알고리즘 및 한 개의 딥 러닝 알고리즘을 포함하는 낙상 예측 시스템.
   

Images