KR102549350B1 - 압력매트를 이용한 보행 변인 산출과 기계학습을 통한 인지기능 향상 평가 시스템 - Google Patents

압력매트를 이용한 보행 변인 산출과 기계학습을 통한 인지기능 향상 평가 시스템 Download PDF

Info

Publication number
KR102549350B1
KR102549350B1 KR1020210105069A KR20210105069A KR102549350B1 KR 102549350 B1 KR102549350 B1 KR 102549350B1 KR 1020210105069 A KR1020210105069 A KR 1020210105069A KR 20210105069 A KR20210105069 A KR 20210105069A KR 102549350 B1 KR102549350 B1 KR 102549350B1
Authority
KR
South Korea
Prior art keywords
pressure
gait
cognitive decline
machine learning
cognitive
Prior art date
Application number
KR1020210105069A
Other languages
English (en)
Other versions
KR20220158580A (ko
Inventor
탁계래
김정길
Original Assignee
건국대학교 글로컬산학협력단
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 건국대학교 글로컬산학협력단 filed Critical 건국대학교 글로컬산학협력단
Publication of KR20220158580A publication Critical patent/KR20220158580A/ko
Application granted granted Critical
Publication of KR102549350B1 publication Critical patent/KR102549350B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/40—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
    • A61B5/72—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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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

Landscapes

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

Abstract

압력매트를 이용한 보행 변인 산출과 기계학습을 통한 인지기능 향상 평가 시스템에 관한 것이며, 압력매트를 이용한 보행 변인 산출과 기계학습을 통한 인지기능 향상 평가 시스템은 배열을 이루며 구비된 복수의 압력 센서를 포함하는 압력매트, 피험자의 발과 상기 압력매트 간의 접촉으로 인해 발생한 압력 발생 위치 정보 및 압력 발생 시간 정보를 상기 압력매트로부터 제공받는 수신부, 상기 압력 발생 위치 정보 및 압력 발생 시간 정보를 보행변인 산출 알고리즘에 적용하여 보행 변인을 추출하는 추출부, 추출된 상기 보행 변인을 인지저하 평가 알고리즘의 입력값으로하여 피험자의 인지저하 수준을 평가하는 평가부 및 상기 평가부에서 평가된 인지저하 수준을 저장하고, 미리 설정된 주기마다 인지저하 위험도의 변화를 모니터링하는 모니터링부를 포함할 수 있다.

Description

압력매트를 이용한 보행 변인 산출과 기계학습을 통한 인지기능 향상 평가 시스템 {GAIT VARIABLE CALCULATION USING PRESSURE MAT AND COGNITIVE FUNCTION IMPROVEMENT EVALUATION SYSTEM THROUGH MACHINE LEARNING}
본원은 압력매트를 이용한 보행 변인 산출과 기계학습을 통한 인지기능 향상 평가 시스템에 관한 것이다.
고령자에 있어서 경도인지저하(MCI; Mild Cognitive Impairment)는 향후 치매로의 전환율이 매우 높기에 조기 관리가 필요하다.
보행은 인간의 상부 뇌간, 하부 뇌간, 척수, 기저핵, 소뇌, 피질 운동영역 등의 뇌의 다양한 부위의 복합적 지시에 따라 제어된다. 이때 질병이 있는 경우 상기 제어에 있어서 교란이 발생함에 따라 정상인과 다른 보행 패턴이 관찰된다.
고령자에 있어서 인지 능력과 동적 능력 간 상관관계를 분석하여 인지저하를 예측 및 관리하고자 하는 연구들이 진행중에 있으며, 일예로 보행 속도를 비롯한 보행 관련 다양한 변인을 인지저하 수준과 상관성이 높은 중요한 요소로 판단하여 보행 변인을 측정하여 인지저하 경도에 따른 차이를 관찰하는 연구들이 최근에도 진행중에 있다.
종래의 보행 측정 기술은 사용자에게 착용된 디바이스를 통하여 3축 가속도 데이터를 기반으로 하여 보폭 및 이동속도를 포함하는 신체 정보를 수집하고, 이를 통하여 인지저하를 예측 또는 관리하고자 하였다.
착용형 센서의 경우 피험자에게 실험 사실을 인지시키게 하는 효과가 있으며, 이에 실험 사실을 인지한 피험자는 일상생활과 다른 보행 패턴을 유발할 가능성이 있다.
또한, 3축 가속도 센서의 경우 전문가 사용이 필수적이며 착용 위치의 변화에 따른 측정값 변화가 유발 될 수 있고, 가속도 데이터를 기반으로 하기에 변인 산출 시 오차 발생의 가능성이 있다.
본원의 배경이 되는 기술은 한국등록특허공보 제 10-1205908호에 개시되어 있다.
본원은 전술한 종래 기술의 문제점을 해결하기 위한 것으로서, 인지저하 환자에 대하여 압력매트를 통하여 산출된 보행 변인으로 인지저하 평가, 인지 향상 관리, 치료에 대한 효과 모니터링 수행할 수 있는 압력매트를 이용한 보행 변인 산출과 기계학습을 통한 인지기능 향상 평가 시스템을 제공하려는 것을 목적으로 한다.
다만, 본원의 실시예가 이루고자 하는 기술적 과제는 상기된 바와 같은 기술적 과제들로 한정되지 않으며, 또 다른 기술적 과제들이 존재할 수 있다.
상기한 기술적 과제를 달성하기 위한 기술적 수단으로서, 본원의 일 실시예에 따른 압력매트를 이용한 보행 변인 산출과 기계학습을 통한 인지기능 향상 평가 시스템은 배열을 이루며 구비된 복수의 압력 센서를 포함하는 압력매트, 피험자의 발과 상기 압력매트 간의 접촉으로 인해 발생한 압력 발생 위치 정보 및 압력 발생 시간 정보를 상기 압력매트로부터 제공받는 수신부, 상기 압력 발생 위치 정보 및 압력 발생 시간 정보를 보행변인 산출 알고리즘에 적용하여 보행 변인을 추출하는 추출부, 추출된 상기 보행 변인을 인지저하 평가 알고리즘의 입력값으로하여 피험자의 인지저하 수준을 평가하는 평가부 및 상기 평가부에서 평가된 인지저하 수준을 저장하고, 미리 설정된 주기마다 인지저하 위험도의 변화를 모니터링하는 모니터링부를 포함할 수 있다.
또한, 상기 추출부는, 상기 피험자의 왼발 및 오른발 각각에 대하여 보행 시 발생하는 여러 번의 뒤꿈치가 땅에 닿는 시기(heel strike) 간 거리를 고려하여 시공간 변인 및 보행 타이밍 변인을 상기 보행 변인으로 추출할 수 있다.
또한, 상기 시공간 변인은 보행 속도(step velocity), 보행 거리(stride length), 분당 보행 수(cadence)를 포함하고, 상기 보행 타이밍 변인은 유각기(swing phase), 입각기(stance phase)를 포함할 수 있다.
또한, 상기 인지저하 평가 알고리즘은, 정상 그룹 및 인지저하 그룹 각각에 대하여 획득된 보행 변인을 입력으로 하고 인지저하 그룹 분류를 출력으로 하여 구축되는 머신러닝 기반 학습 알고리즘이고, 상기 머신러닝은 Logistic regression, SVM(Supprot Vector Machine), NB(Navie Bayes), Tree(Decision Tree), k-NN(k-Nearest Neighbor), CNN(Convolution Nural Networks), LSTM(Long Sort Term Memory) 및 ANN(Aitificial Neurla networks) 중 적어도 하나를 포함할 수 있다.
또한, 상기 모니터링부는, 피험자의 인지저하 치료 과정에 따른 신체정보, 인지수준 정보 및 보행 변인 변화 중 적어도 어느 하나와 상기 평가부에서 평가된 상기 인지저하 수준을 고려하여 상기 인지저하 위험도의 변화를 모니터링할 수 있다.
본원의 일 실시예에 따르면, 압력매트를 이용한 보행 변인 산출과 기계학습을 통한 인지기능 향상 평가 방법은, 피험자의 발과 배열을 이루며 구비된 복수의 압력 센서를 포함하는 압력매트 간의 접촉으로 인해 발생한 압력 발생 위치 정보 및 압력 발생 시간 정보를 수신하는 단계, 상기 압력 발생 위치 정보 및 압력 발생 시간 정보를 보행변인 산출 알고리즘에 적용하여 보행 변인을 추출하는 단계, 추출된 상기 보행 변인을 인지저하 평가 알고리즘의 입력값으로하여 피험자의 인지저하 수준을 평가하는 단계 및 평가된 인지저하 수준을 저장하고, 미리 설정된 주기마다 인지저하 위험도의 변화를 모니터링하는 단계를 포함할 수 있다.
또한, 상기 추출하는 단계는, 상기 피험자의 왼발 및 오른발 각각에 대하여 보행 시 발생하는 여러 번의 뒤꿈치가 땅에 닿는 시기(heel strike) 간 거리를 고려하여 시공간 변인 및 보행 타이밍 변인을 상기 보행 변인으로 추출할 수 있다.
또한, 상기 시공간 변인은 보행 속도(step velocity), 보행 거리(stride length), 분당 보행 수(cadence)를 포함하고, 상기 보행 타이밍 변인은 유각기(swing phase), 입각기(stance phase)를 포함할 수 있다.
또한, 상기 인지저하 평가 알고리즘은, 정상 그룹 및 인지저하 그룹 각각에 대하여 획득된 보행 변인을 입력으로 하고 인지저하 그룹 분류를 출력으로 하여 구축되는 머신러닝 기반 학습 알고리즘이고, 상기 머신러닝은 Logistic regression, SVM(Supprot Vector Machine), NB(Navie Bayes), Tree(Decision Tree), k-NN(k-Nearest Neighbor), CNN(Convolution Nural Networks), LSTM(Long Sort Term Memory) 및 ANN(Aitificial Neurla networks) 중 적어도 하나를 포함할 수 있다.
또한, 상기 모니터링하는 단계는, 피험자의 인지저하 치료 과정에 따른 신체정보, 인지수준 정보 및 보행 변인 변화 중 적어도 어느 하나와 상기 평가된 상기 인지저하 수준을 고려하여 상기 인지저하 위험도의 변화를 모니터링할 수 있다.
상술한 과제 해결 수단은 단지 예시적인 것으로서, 본원을 제한하려는 의도로 해석되지 않아야 한다. 상술한 예시적인 실시예 외에도, 도면 및 발명의 상세한 설명에 추가적인 실시예가 존재할 수 있다.
전술한 본원의 과제 해결 수단에 의하면, 거주 공간에 압력매트 설치를 통하여 일상생활 모니터링을 통한 보행 평가 수행이 가능하다.
전술한 본원의 과제 해결 수단에 의하면, 압력매트로 구성됨에 따라 공간 절대 좌표를 통하여 산출된 보행 변인은 종래의 기술에 비하여 향상된 정확도를 기대할 수 있으며, 전문가 조작없이 일반인도 가정에서 쉽게 사용이 가능하다.
다만, 본원에서 얻을 수 있는 효과는 상기된 바와 같은 효과들로 한정되지 않으며, 또 다른 효과들이 존재할 수 있다.
도 1은 본원의 일 실시예에 따른 압력매트를 이용한 보행 변인 산출과 기계학습을 통한 인지기능 향상 평가 시스템의 개략적인 구성도이다.
도 2는 본원의 일 실시예에 따른 압력매트를 이용한 보행 변인 산출과 기계학습을 통한 인지기능 향상 평가 시스템의 개략적인 블록도이다.
도 3은 본원의 일 실시예에 따른 압력매트를 이용한 보행 변인 산출과 기계학습을 통한 인지기능 향상 평가 시스템의 압력매트 구조를 개략적으로 나타낸 도면이다.
도 4는 본원의 일 실시예에 따른 압력매트를 이용한 보행 변인 산출과 기계학습을 통한 인지기능 향상 평가 시스템의 보행변인 산출을 예시적으로 나타낸 도면이다.
도 5는 본원의 일 실시예에 따른 압력매트를 이용한 보행 변인 산출과 기계학습을 통한 인지기능 향상 평가 시스템의 시간에 따른 압력 변화를 예시적으로 나타낸 도면이다.
도 6은 본원의 일 실시예에 따른 압력매트를 이용한 보행 변인 산출과 기계학습을 통한 인지기능 향상 평가 방법에 개략적인 흐름도이다.
아래에서는 첨부한 도면을 참조하여 본원이 속하는 기술 분야에서 통상의 지식을 가진 자가 용이하게 실시할 수 있도록 본원의 실시예를 상세히 설명한다. 그러나 본원은 여러 가지 상이한 형태로 구현될 수 있으며 여기에서 설명하는 실시예에 한정되지 않는다. 그리고 도면에서 본원을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
본원 명세서 전체에서, 어떤 부분이 다른 부분과 "연결"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐 아니라, 그 중간에 다른 소자를 사이에 두고 "전기적으로 연결" 또는 "간접적으로 연결"되어 있는 경우도 포함한다.
본원 명세서 전체에서, 어떤 부재가 다른 부재 "상에", "상부에", "상단에", "하에", "하부에", "하단에" 위치하고 있다고 할 때, 이는 어떤 부재가 다른 부재에 접해 있는 경우뿐 아니라 두 부재 사이에 또 다른 부재가 존재하는 경우도 포함한다.
본원 명세서 전체에서, 어떤 부분이 어떤 구성 요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성 요소를 제외하는 것이 아니라 다른 구성 요소를 더 포함할 수 있는 것을 의미한다.
이하에서는 본원의 일 실시예에 따른 압력매트를 이용한 보행 변인 산출과 기계학습을 통한 인지기능 향상 평가 시스템을 설명의 편의상 본 시스템(1)이라 하기로 한다.
본 시스템(1)은 압력매트를 통한 보행 기능평가, 인지능력과 보행 밸런스의 상관관계, 압력매트를 통한 보행 변인 산출, 머신러닝을 통한 인지저하 위험도 평가할 수 있다.
고령자에 있어서 경도인지저하(MCI; Mild Cognitive Impairment)는 향후 치매로의 전환율이 매우 높기에 조기 관리가 필요하다.
또한, 보행은 인간의 상부 뇌간, 하부 뇌간, 척수, 기저핵, 소뇌, 피질 운동영역 등의 뇌의 다양한 부위의 복합적 지시에 따라 제어된다. 이때 질병이 있는 경우 상기 제어에 있어서 교란이 발생함에 따라 정상인과 다른 보행 패턴이 관찰된다.
고령자에 있어서 인지 능력과 동적 능력 간 상관관계를 분석하여 인지저하를 예측, 관리하고자 하는 연구들이 진행중에 있으며, 일 예로 보행 속도를 비롯한 보행 관련 다양한 변인을 인지저하 수준과 상관성이 높은 중요한 요소로 판단하여 보행 변인을 측정하여 인지저하 경도에 따른 차이를 관찰하는 연구들이 최근에도 진행중에 있다.
본 시스템(1)은 보행 변인과 인지능력 간 상관성이 있다는 점을 고려하여 보행 변인의 변화 모니터링을 수행함으로써 인지저하 환자의 인지능력 향상을 평가 할 수 있다.
또한, 본 시스템(1)은 인지저하자에 대하여 압력매트를 통한 일상생활 보행 모니터링과 인지 향상 프로그램을 연계하여 인지저하자의 인지 향상 평가를 수행할 수 있다.
도 1은 본원의 일 실시예에 따른 압력매트를 이용한 보행 변인 산출과 기계학습을 통한 인지기능 향상 평가 시스템의 개략적인 구성도이고, 도 2는 본원의 일 실시예에 따른 압력매트를 이용한 보행 변인 산출과 기계학습을 통한 인지기능 향상 평가 시스템의 개략적인 블록도이고, 도 3은 본원의 일 실시예에 따른 압력매트를 이용한 보행 변인 산출과 기계학습을 통한 인지기능 향상 평가 시스템의 압력매트 구조를 개략적으로 나타낸 도면이다.
도 1을 참조하면, 본 시스템(1)은 서버(10) 및 압력매트(20)를 포함할 수 있다. 다만, 본 시스템(1)의 구성이 이에 한정되는 것은 아니다. 예를 들어, 서버(10)는 사용자 단말과 네트워크를 통해 연동될 수 있다. 사용자 단말은, 피험자(B)가 소지하고 있는 단말일 수 있다. 또한, 사용자 단말은, 피험자(B)의 인지 향상을 관리하는 의사가 소지하는 단말일 수 있다.
본원의 일 실시예에 따르면, 서버(10)는 사용자 단말로 인지향상 평가 메뉴를 제공할 수 있다. 예를 들어, 서버(10)가 제공하는 어플리케이션 프로그램을 사용자 단말이 다운로드하여 설치하고, 설치된 어플리케이션을 통해 인지향상 평가 메뉴가 제공될 수 있다.
서버(10)는 압력매트(20) 및 사용자 단말과 데이터, 콘텐츠, 각종 통신 신호를 네트워크를 통해 송수신하고, 데이터 저장 및 처리의 기능을 가지는 모든 종류의 서버, 단말 또는 디바이스를 포함할 수 있다.
사용자 단말은 네트워크를 통해 서버(10)와 연동되는 디바이스로서, 예를 들면, 스마트폰(Smartphone), 스마트패드(Smart Pad), 태블릿 PC, 웨어러블 디바이스 등과 PCS(Personal Communication System), GSM(Global System for Mobile communication), PDC(Personal Digital Cellular), PHS(Personal Handyphone System), PDA(Personal Digital Assistant), IMT(International Mobile Telecommunication)-2000, CDMA(Code Division Multiple Access)-2000, W-CDMA(W-Code Division Multiple Access), Wibro(Wireless Broadband Internet) 단말기 같은 모든 종류의 무선 통신 장치 및 데스크탑 컴퓨터, 스마트 TV와 같은 고정용 단말기일 수도 있다.
압력매트(20) 및 서버(10) 간의 정보 공유를 위한 네트워크의 일 예로는 3GPP(3rd Generation Partnership Project) 네트워크, LTE(Long Term Evolution) 네트워크, 5G 네트워크, WIMAX(World Interoperability for Microwave Access) 네트워크, 유무선 인터넷(Internet), LAN(Local Area Network), Wireless LAN(Wireless Local Area Network), WAN(Wide Area Network), PAN(Personal Area Network), 블루투스(Bluetooth) 네트워크, Wifi 네트워크, NFC(Near Field Communication) 네트워크, 위성 방송 네트워크, 아날로그 방송 네트워크, DMB(Digital Multimedia Broadcasting) 네트워크 등이 포함될 수 있으며, 이에 한정된 것은 아니다.
본원의 일 실시예에 따르면, 압력매트(20)는 배열을 이루며 구비된 복수의 압력센서를 포함할 수 있다. 압력매트(20)는 압력센서의 배열로 이루어졌으며 압력 인가 시 해당 압력 발생 위치와 압력 발생 시간이 기록될 수 있다.
압력매트(20)는 피험자의 발과 압력매트 간의 접촉으로 인해 발생한 압력 발생 위치 정보 및 압력 발생 시간 정보를 네트워크를 통해 서버(10)로 전송(제공)할 수 있다.
일예로, 압력매트(20)는 FSR (Force Sensing Resistor) 또는 전도성 섬유센서의 배열로 구성되며, 인가된 압력에 대한 저항값의 변화로 전압의 변화를 유도한다.
도 3을 참조하면, FSR이란 Force Sensing Resistor의 약자로 물리적인 힘, 무게 등에 따라 저항 값이 바뀌는 성질을 이용한 압력센서이다. 압력센서는 몇 개의 레이어로 구성된 박막 형태의 센서일 수 있다. 예시적으로, 압력 센서는 중간에 스페이서(Spacer)라고 하는 공간적인 갭을 만드는 레이어(Middle Layer)를 중앙에 두고, 중간에 스페이서(Spacer) 위 아래로 회로가 인쇄되어 있는 레이어(FPC)와 전도성 물질로 코팅이 되어 있는 필름 레이어(MD film)가 배치될 수 있다. 위에서 힘이 가해지게 되면, 회로가 인쇄되어 있는 레이어(FPC)의 더 많은 부분이 필름 레이어(MD film)와 접촉을 하면서 센서의 저항 값이 줄어들게 된다.
또한, 일예로, 압력매트(20)는 피험자(A) 보행 거리(stride length)가 복수개 획득될 수 있는 길이(length)로 형성될 수 있다. 보행 거리(stride length)는 우측 발뒤꿈치 닿기(Right heel contact), 좌측 발뒤꿈치 닿기(Left heel contact) 및 우측 발뒤꿈치 닿기(Right heel contact)를 포함할 수 있다.
다른 일예로, 압력매트(20)는 피험자(A)의 하나 이상의 보행주기가 획득될 수 있는 길이로 형성될 수 있다. 보행주기는 총 7단계(heel strike, foot flat, mid stance, heel off, toe off, mid swing, late swing)로 구성된다. Heel strike 단계는 보행 주기의 시작을 나타내는 단계로 일측 발의 뒤꿈치가 지면에 닿게 되는 단계이고, foot flat 단계는 일측 발의 발바닥이 지면에 닿는 단계이다. Mid stance 단계는 일측 발의 다리가 지면과 수직이 되며 멈춰있는 상태이고 이때 타측의 다리가 앞으로 움직인다. Heel off 단계는 일측 발 뒤꿈치가 바닥에서 들리기 시작하는 시점을 의미하고, toe off 단계는 일측 발의 앞쪽 발가락이 바닥에서 떨어지는 동시에 타측 발의 발바닥이 지면에 닿아 있는 단계이다. Mid swing 단계는 일측 발이 땅에서 떨어진 상태로 앞쪽으로 나아가는 단계이고, late swing 단계는 다음 보행 주기가 시작하기 바로 전 단계를 의미한다.
도 2를 참조하면, 서버(10)는 수신부(11), 추출부(12), 평가부(13) 및 모니터링부(14)를 포함할 수 있다.
본원의 일 실시예에 따르면, 수신부(11)는 피험자의 발과 압력매트 간의 접촉으로 인해 발생한 압력 발생 위치 정보 및 압력 발생 시간 정보를 압력매트(20)로부터 제공받을 수 있다. 일예로, 수신부(11)는 네트워크를 통해 압력 발생 위치 정보 및 압력 발생 시간 정보를 압력매트(20)로부터 제공받을 수 있다. 수신부(11)는 압력매트(20)로 제공받은 압력 발생 위치 정보 및 압력 발생 시간 정보를 연계하여 추출부(12)로 전송할 수 있다.
일예로, 수신부(11)는 사용자 단말로 압력매트(20)에서 측정된 압력 발생 위치 정보 및 압력 발생 시간 정보를 제공(송신)할 수 있다. 또한, 모니터링부(14)에 저장된 인지저하 수준 및 인지저하 위험도의 변화에 대한 모니터링 정보를 네트워크를 통해 사용자 단말로 제공할 수 있다.
다른 일예로, 도 4를 참조하면, 압력매트(20)는 압력 인가 시 해당 압력 발생 위치 및 압력 발생 시간뿐만 아니라, 압력 발생 세기 정보를 추출할 수 있다. 압력매트(20)는 압력의 세기에 따라 0, 1, 2, 3의 값을 출력할 수 있으며, 수신부(11)는 압력매트(20)로부터 수신한 압력의 세기에 따라 압력이 발생한 위치 정보와 연계하여 사용자 단말로 제공할 수 있다. 사용자 단말은 압력의 발생 세기 정보 각각에 서로 다른 색을 부여하고, 도 4와 같이 압력의 위치 정보와 압력의 발생 세기 정보를 연계하여 출력할 수 있다.
도 4는 본원의 일 실시예에 따른 압력매트를 이용한 보행 변인 산출과 기계학습을 통한 인지기능 향상 평가 시스템의 보행변인 산출을 예시적으로 나타낸 도면이고, 도 5는 본원의 일 실시예에 따른 압력매트를 이용한 보행 변인 산출과 기계학습을 통한 인지기능 향상 평가 시스템의 시간에 따른 압력 변화를 예시적으로 나타낸 도면이다.
본원의 일 실시예에 따르면, 추출부(12)는 압력 발생 위치 정보 및 압력 발생 시간 정보를 보행변인 산출 알고리즘에 적용하여 보행 변인을 추출할 수 있다. 달리 말해, 추출부(12)는 왼발 오른발 각각에 대하여 보행 시 발생하는 여러 번의 heel strike 간 거리를 압력매트(20) 내부의 하나의 센서 크기와 센서 간 간격을 계산하여 보행 변인을 추출할 수 있다. 일예로, 압력 발생 위치 정보는, 압력센서의 배열로 이루어져 있는 압력매트(20)에 피험자(A)가 압력을 인가 시(보행 수행 시) 측정되는 정보로서, 좌표값(공간 절대 좌표)으로 추출될 수 있으나, 이에 한정되는 것은 아니다. 압력매트(20)에 피험자(A)가 압력을 인가 시(보행 수행 시)측정되는 압력 발생 위치 정보를 공간 절대 좌표로 획득하여 추후 보행 변인을 추출함으로써, 종래의 기술에 비하여 향상된 정확도를 기대할 수 있다.
또한, 추출부(12)는 피험자의 왼발 및 오른발 각각에 대하여 보행 시 발생하는 여러 번의 뒤꿈치가 땅에 닿는 시기(heel strike) 간 거리를 고려하여 시공간 변인 및 보행 타이밍 변인을 보행 변인으로 추출할 수 있다. 일측 발을 기준으로, 발이 지면에 닿아 있는 heel strike, foot flat, mid stance, heel off, toe off 단계를 스탠스 단계(stance phase)라 할 수 있다. 또한, 발이 지면에서 떨어져 있는 mid swing, late swing 단계를 스윙 단계(swing phase)라 할 수 있다. 추출부(12)는 스탠스 단계 및 스윙 단계에서 발생하는 위치 정보와 시간 정보를 이용하여 시공간 변인 및 보행 타이밍 변인을 보행 변인으로 추출할 수 있다.
일예로, 시공간 변인은 보행 속도(step velocity), 보행 거리(stride length), 분당 보행 수(cadence)를 포함할 수 있다. 또한, 보행 타이밍 변인은 유각기(swing phase), 입각기(stance phase)를 포함할 수 있다.
본원의 일 실시예에 따르면, 추출부(12)는 압력 발생 위치 정보 및 압력 발생 시간 정보를 보행변인 산출 알고리즘에 적용하여 보행 거리(stride length)[m]를 추출할 수 있다. 추출부(12)는 왼발 오른발 각각에 대하여 보행 시 발생하는 여러 번의 발뒤꿈치가 땅에 닿는 시기(heel strike) 간 거리를 고려하여 보행 거리(stride length)[m]을 추출할 수 있다. 예를 들어, 도 4를 참조하면, 보행 거리(stride length)는 피험자(A)의 왼발의 발뒤꿈치가 땅에 닿는 시기(heel strike)에서부터 오른발이 닿는 지점을 포함하여 다시 발뒤꿈치가 땅에 닿는 시기(heel strike)까지의 거리를 포함할 수 있다.
또한, 추출부(12)는 발뒤꿈치가 땅에 닿는 시기(heel strike) 발생 시점으로부터 해당 발이 압력매트(20)로 떨어지는 발끝 밀기(toe off)까지의 시간을 해당 발의 스탠스 시간(stance time)[s]로 추출할 수 있다. 스탠스 시간은 동일한 발에서 수행되는 예를 들어, 도 4를 참조하면, 스탠스 시간(stance time)은 피험자(A)의 왼발의 발뒤꿈치가 땅에 닿는 시기(heel strike) 발생 시점으로부터 왼발이 압력매트(20)로 떨어지는 발끝 밀기(toe off)까지의 시간을 포함할 수 있다.
또한, 추출부(12)는 발끝 밀기(toe off)로부터 해당 발의 다음 발뒤꿈치가 땅에 닿는 시기(heel strike)까지의 시간을 스윙 시간(swing time)[s]으로 추출할 수 있다. 예를 들어, 도 4를 참조하면, 스윙 시간(swing time)은 피험자(A)의 왼발의 발끝 밀기(toe off)로부터 왼발의 다음 발뒤꿈치가 땅에 닿는 시기(heel strike)까지의 시간을 포함할 수 있다.
또한, 추출부(12)는 스탠스 시간(stance time)과 스윙 시간(swing time) 합한 값을 보행 시간(step time)[s]으로 추출할 수 있다. 달리 말해, 보행 시간(step time) 피험자(A)의 왼발의 발뒤꿈치가 땅에 닿는 시기(heel strike)에서부터 오른발이 닿는 지점을 포함하여 다시 발뒤꿈치가 땅에 닿는 시기(heel strike)까지의 시간을 포함할 수 있다.
또한, 추출부(12)는 보행 거리(stride length) / 보행 시간(step time)을 보행 속도(stride velocity)[m/s]로 추출할 수 있다. 또한, 추출부(12)는 보행 시간(step time) / 60을 분당 보행 수(cadence) [step/min]로 추출할 수 있다.
추출부(12)는 스탠스 시간(stance time) / 보행 시간(step time)을 입각기(stance phase, stance%) [%]로 추출할 수 있다. 또한, 추출부(12)는 스윙 시간(swing time) / 보행 시간(step time)을 유각기(swing phase, swing%) [%]로 추출할 수 있다.
한편, 추출부(12)는 시공간 변인 및 보행 타이밍 변인의 정확한 추출을 위해 동일 또는 새로운 발의 인가 여부를 확인할 수 있다. 추출부(12)에서 미리 설정된 값 이상 또는 이하의 거리에서 인가된 압력을 확인하여 동일 또는 새로운 발을 판단함으로써, 피험자의 왼발 및 오른발 각각에 대하여 보행 시 발생하는 여러 번의 뒤꿈치가 땅에 닿는 시기(heel strike)간 거리를 고려하여 추출하는 시공간 변인 및 보행 타이밍 변인을 보다 정확하게 추출할 수 있다.
일예로, 추출부(12)는 수신부(11)에서 시계열적으로 수신된 압력 발생 위치 정보 및 압력 발생 시간 정보를 고려하여, 피험자(A)의 보행 수행 발을 인식할 수 있다. 달리 말해, 추출부(12)는 수신부(11)에서 시계열적으로 수신된 압력 발생 위치 정보 및 압력 발생 시간 정보를 기반으로 피험자(A)의 왼발 또는 오른발에서 인가된 압력 정보를 구분할 수 있다.
추출부(12)는 수집된 제2압력 발생 위치 정보가 이전에 수집된 제1 압력 발생 위치 정보로부터 미리 설정된 값 이하의 거리에서 인가된 압력인 경우, 동일한 발의 체중 이동에 의한 압력 인가로 인식할 수 있다. 일예로, 미리 설정된 값은 5cm 일 수 있으나, 이에 한정되는 것은 아니다.
또한, 추출부(12)는 수집된 제2압력 발생 위치 정보가 이전에 수집된 제1 압력 발생 위치로부터 미리 설정된 값 이상의 거리에서 인가된 압력인 경우 새로운 발의 압력 인가가 발생한 것으로 인식할 수 있다.
본원의 일 실시예에 따르면, 추출부(12)는 설정된 샘플링(sampling)에 따라 압력인가 좌표 및 시간이 수집될 때, 이전 프레임의 인가 압력 좌표로부터 5cm 이내 인가된 압력은 동일한 발의 체중 이동에 의한 압력 인가로 인식하고, 5cm 거리 이상에서 압력이 발생할 경우 새로운 발의 압력 인가가 발생한 것으로 인식할 수 있다.
도 5를 참조하면, 추출부(12)는 수집된 제2압력 발생 위치 정보가 이전에 수집된 제1압력 발생위치로부터 미리 설정된 값 이하 또는 이상의 거리에서 인가된 압력 인가 인식 결과를 고려하여, 시간에 따라 획득된 압력 발생 인가 정보가 왼발 또는 오른발 각각에서 획득된 정보인 것인지, 왼발 및 오른발 동시에 획득된 것인지 여부를 확인할 수 있다.
다른 일예로, 추출부(12)는 시공간 보행 변인 및 보행 타이밍 변인을 피험자(A)가 압력매트(20)에서 보행 수행 시 수집되는 압력 발생 위치 정보 및 압력 발생 시간 정보를 고려하여 수 차례 산출하며, 해당 결과를 평균하여 최종 피험자(A)의 보행 변인으로 추출할 수 있다.
본원의 일 실시예에 따르면, 평가부(13)는 추출된 보행 변인을 인지저하 평가 알고리즘의 입력값으로하여 피험자의 인지저하 수준을 평가할 수 있다. 달리 말해, 평가부(13)는 추출된 시공간 보행 변인 및 보행 타이밍 변인을 기계학습(머신러닝) 기반으로 구축된 인지저하 평가 알고리즘에 적용하여 피험자의 인지저하 수준을 평가할 수 있다.
인지저하 평가 알고리즘은, 정상 그룹 및 인지저하 그룹 각각에 대하여 획득된 보행 변인을 입력으로 하고 인지저하 그룹 분류를 출력으로 하여 구축되는 머신러닝 기반 학습 알고리즘이다. 평가부(13)는 정상 그룹의 시공간 보행 변인 및 보행 타이밍 변인과, 인지저하 그룹의 시공간 보행 변인 및 보행 타이밍 변인을 머신러닝의 입력값으로하고, 인지저하 그룹 분류를 출력으로 하는 학습을 수행하여 인지저하 평가 알고리즘을 구축할 수 있다.
일예로, 인지저하 평가 알고리즘에 적용되는 머신러닝은 Logistic regression, SVM(Supprot Vector Machine), NB(Navie Bayes), Tree(Decision Tree), k-NN(k-Nearest Neighbor), CNN(Convolution Nural Networks), LSTM(Long Sort Term Memory) 및 ANN(Aitificial Neurla networks) 중 적어도 하나를 포함할 수 있다.
평가부(13)는 획득된 그룹별 보행 변인 결과를 기반으로 완성된 인지 기능 평가 알고리즘을 통하여 피험자(A)의 인지저하 여부를 확인할 수 있다.
달리 말해, 평가부(13)는 피험자(A)로부터 획득되어 추출된 피험자(A)의 보행 변인을 머신러닝 기반의 학습 알고리즘인 인지저하 평가 알고리즘에 입력하고, 인지저하 평가 알고리즘은 출력값으로 피험자(A)의 인지저하 그룹 분류를 출력할 수 있다. 평가부(13)는 인지저하 평가 알고리즘의 출력값인 인지저하 그룹 분류 정보에 기반하여 피험자(A)의 인지저하 수준을 평가할 수 있다.
또한, 평가부(13)는 머신러닝 최종 분류(classification) 단계 이전 제시된 점수(score)를 기반으로 하여 인지저하 위험도를 %로 도시할 수 있다.
본원의 일 실시예에 따르면, 모니터링부(14)는 평가부에서 평가된 인지저하 수준을 저장할 수 있다. 일예로, 모니터링부(14)는 피험자 각각에 대하여 개별적으로 정보를 관리하기 위해 피험자의 정보와 연계하여 인지기능 향상 평가를 위해 발생한 복수의 정보들을 데이터베이스에 저장할 수 있다. 피험자 정보는, 피험자 식별번호, 보행과 관련된 질환 정보, 생활 환경 정보, 생활 습관 정보, 유전 정보, 교육수준, 동거상태, 과거 직업력, 음주 상태, 흡연 상태, 운동량, 뇌졸증, 고혈압, 당뇨, 고지혈증, 심장질환 등의 만성 질환 유무 및 가족력 등을 포함할 수 있다. 또한, 모니터링부(14)는 피험자(A)의 정보와 연계하여 수신부(11)에서 압력매트(20)로부터 제공받은 압력 발생 위치 정보 및 압력 발생 시간 정보를 데이터베이스에 저장할 수 있다. 또한, 모니터링부(14)는 피험자 정보와 연계하여 평가부에서 평가된 인지저하 수준을 저장할 수 있다. 모니터링부(14)에서 피험자 정보와 연계하여 각각의 정보를 관리함으로써, 전문가(의사)가 복수의 환자를 관리할 수 있으며, 피험자 정보에 따른 인지 향상 평과의 효과에 대해서도 파악 가능하다.
또한, 모니터링부(14)는 미리 설정된 주기(예를 들어, 1개월)마다 인지저하 위험도의 변화를 모니터링할 수 있다. 또한, 모니터링부(14)는 피험자의 인지저하 치료 과정에 따른 신체정보, 인지수준 정보, 보행 변인 변화 및 피험자 정보 중 적어도 어느 하나와 평가부(13)에서 평가된 인지저하 수준을 고려하여 인지저하 위험도의 변화를 모니터링할 수 있다. 일예로, 신체정보는, 피험자(A)의 연령, 성별, 신장 및 체중 등을 포함할 수 있다.
인지 수준은 Cerad-k, mmse, moka 등의 신경심리검사 정보와 임상의의 소견, 주변 관리인의 소견이 포함될 수 있으며, 해당 소견은 점수화되어 기록될 수 있다. 일예로, 인지저하 위험도는 인지 저하 그룹의 신체 정보를 기반으로 보정되며, 이를 통해 개인 특성을 반영한 인지저하 위험도가 평가될 수 있다.
모니터링부(14)는 피험자(A)의 인지저하 치료 과정에 따른 신체정보, 인지 수준 정보, 보행 변인 변화를 기반으로 인지저하 위험도의 변화를 모니터링할 수 있다.
모니터링부(14)는 인지저하 위험도 변화를 기반으로 피험자(A)의 인지기능 향상 평가를 확인할 수 있다.
본 시스템(1)을 통해 인지저하 관리 평가에 있어서 새로운 지표 제공하고, 일상생활 모니터링을 통한 방법으로 인지저하자 관리의 효율성 증가시킬 수 있다.
또한, 본 시스템(1)을 통해 경제 및 산업적 측면에서 스마트센서가 내장된 저가형 매트의 경우. 생활공간에 설치 후 사용자의 추가 설정이 필요하지 않으므로 간편하게 사용할 수 있으며, 이에 기타 보행 변인 측정 시스템에 비하여 경제성, 사용성 부분 우수함에 따라 많은 수요를 예상할 수 있다.
본 시스템(1)은 저가의 의료기기로 고령자 요양원, 의료기관등에서의 고령자 질환에 치료에 따른 보행 경과 관찰로 진료 효율에 대한 검토를 위한 목적으로 사용 될 수 있다.
현재 고령자 인지저하 문제가 대두되는 상황에 있어서, 본 시스템(1)을 통하여 보행변인 추출 및 추후 개발된 인지저하 알고리즘 적용을 통하여 조기 인지저하 위험성평가가 이루어지고 이를 통하여 조기 관리가 이루어짐에 따라 고령자 인지저하 문제를 사전 관리 할 수 있다. 또한, 추후 인지저하 예측 알고리즘 개발 이후, 해당 제품의 상용화가 이루어진다면, 인지저하의 보행 정보에 대한 데이터베이스 구축이 가능하고, 뇌졸중, 파킨슨 등 다양한 이상 보행이 증상으로 나타나는 질병에 대하여 적용이 가능함에 따라. 추후 다양한 플랫폼 개발을 통하여 질병과 보행 상관관계 분석에 있어서 다양한 빅데이터 형성이 가능할 것으로 예상되며, 이러한 질병의 특성 검출 및 진단에 있어서 효과적으로 사용 될 가능성이 있다.
이하에서는 상기에 자세히 설명된 내용을 기반으로, 본원의 동작 흐름을 간단히 살펴보기로 한다.
도 6은 본원의 일 실시예에 따른 압력매트를 이용한 보행 변인 산출과 기계학습을 통한 인지기능 향상 평가 방법에 개략적인 흐름도이다.
도 6에 도시된 압력매트를 이용한 보행 변인 산출과 기계학습을 통한 인지기능 향상 평가 방법은 앞서 설명된 본 시스템(1)에 의하여 수행될 수 있다. 따라서, 이하 생략된 내용이라고 하더라도 본 시스템(1)에 대하여 설명된 내용은 압력매트를 이용한 보행 변인 산출과 기계학습을 통한 인지기능 향상 평가 방법에 대한 설명에도 동일하게 적용될 수 있다.
단계 S110에서, 본 시스템(1)은 피험자의 발과 배열을 이루며 구비된 복수의 압력 센서를 포함하는 압력매트 간의 접촉으로 인해 발생한 압력 발생 위치 정보 및 압력 발생 시간 정보를 수신할 수 있다.
단계 S120에서, 본 시스템(1)은 압력 발생 위치 정보 및 압력 발생 시간 정보를 보행변인 산출 알고리즘에 적용하여 보행 변인을 추출할 수 있다.
단계 S130에서, 본 시스템(1)은 추출된 보행 변인을 인지저하 평가 알고리즘의 입력값으로하여 피험자의 인지저하 수준을 평가할 수 있다.
단계 S140에서, 본 시스템(1)은 평가된 인지저하 수준을 저장하고, 미리 설정된 주기마다 인지저하 위험도의 변화를 모니터링할 수 있다.
상술한 설명에서, 단계 S110 내지 S140은 본원의 구현예에 따라서, 추가적인 단계들로 더 분할되거나, 더 적은 단계들로 조합될 수 있다. 또한, 일부 단계는 필요에 따라 생략될 수도 있고, 단계 간의 순서가 변경될 수도 있다.
본원의 일 실시 예에 따른 압력매트를 이용한 보행 변인 산출과 기계학습을 통한 인지기능 향상 평가 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 상기 매체에 기록되는 프로그램 명령은 본 발명을 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 본 발명의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
또한, 전술한 압력매트를 이용한 보행 변인 산출과 기계학습을 통한 인지기능 향상 평가 방법은 기록 매체에 저장되는 컴퓨터에 의해 실행되는 컴퓨터 프로그램 또는 애플리케이션의 형태로도 구현될 수 있다.
전술한 본원의 설명은 예시를 위한 것이며, 본원이 속하는 기술분야의 통상의 지식을 가진 자는 본원의 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 쉽게 변형이 가능하다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다. 예를 들어, 단일형으로 설명되어 있는 각 구성 요소는 분산되어 실시될 수도 있으며, 마찬가지로 분산된 것으로 설명되어 있는 구성 요소들도 결합된 형태로 실시될 수 있다.
본원의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타내어지며, 특허청구범위의 의미 및 범위 그리고 그 균등 개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본원의 범위에 포함되는 것으로 해석되어야 한다.
1: 압력매트를 이용한 보행 변인 산출과 기계학습을 통한 인지기능 향상 평가 시스템
11: 수신부
12: 추출부
13: 평가부
14: 모니터링부
20: 압력매트

Claims (11)

  1. 압력매트를 이용한 보행 변인 산출과 기계학습을 통한 인지기능 향상 평가 시스템에 있어서,
    배열을 이루며 구비된 복수의 압력 센서를 포함하는 압력매트;
    피험자의 발과 상기 압력매트 간의 접촉으로 인해 발생한 압력 발생 위치 정보 및 압력 발생 시간 정보를 상기 압력매트로부터 제공받는 수신부;
    상기 압력 발생 위치 정보 및 압력 발생 시간 정보를 보행변인 산출 알고리즘에 적용하여 보행 변인을 추출하는 추출부;
    추출된 상기 보행 변인을 인지저하 평가 알고리즘의 입력값으로하여 피험자의 인지저하 수준을 평가하는 평가부; 및
    상기 평가부에서 평가된 인지저하 수준을 저장하고, 미리 설정된 주기마다 인지저하 위험도의 변화를 모니터링하는 모니터링부,
    를 포함하되,
    상기 압력 발생 위치 정보는,
    제1압력 발생 위치 정보 및 상기 제1압력 발생 위치 정보가 수신된 이후에 수신된 제2압력 발생 위치 정보를 포함하고,
    상기 추출부는,
    상기 제1압력 발생 위치 정보와 상기 제2압력 발생 위치 정보 간의 거리가 미리 설정된 값 이하이면, 상기 제1압력 발생 위치 정보와 상기 제2압력 발생 위치 정보가 동일한 발의 체중 이동에 의한 압력 인가에 의해 측정된 정보인 것으로 판단하고,
    상기 제1압력 발생 위치 정보와 상기 제2압력 발생 위치 정보 간의 거리가 미리 설정된 값 초과이면, 상기 제2압력 발생 위치 정보가 상기 제1압력 발생 위치 정보에 대응하는 압력을 인가한 발과 다른 발에 의한 압력 인가에 의해 측정된 정보인 것으로 판단하는 것인, 압력매트를 이용한 보행 변인 산출과 기계학습을 통한 인지기능 향상 평가 시스템.
  2. 제1항에 있어서,
    상기 추출부는,
    상기 피험자의 왼발 및 오른발 각각에 대하여 보행 시 발생하는 여러 번의 뒤꿈치가 땅에 닿는 시기(heel strike) 간 거리를 고려하여 시공간 변인 및 보행 타이밍 변인을 상기 보행 변인으로 추출하는 것인, 압력매트를 이용한 보행 변인 산출과 기계학습을 통한 인지기능 향상 평가 시스템.
  3. 제2항에 있어서,
    상기 시공간 변인은 보행 속도(step velocity), 보행 거리(stride length), 분당 보행 수(cadence)를 포함하고,
    상기 보행 타이밍 변인은 유각기(swing phase), 입각기(stance phase)를 포함하는 것인, 압력매트를 이용한 보행 변인 산출과 기계학습을 통한 인지기능 향상 평가 시스템.
  4. 제1항에 있어서,
    상기 인지저하 평가 알고리즘은, 정상 그룹 및 인지저하 그룹 각각에 대하여 획득된 보행 변인을 입력으로 하고 인지저하 그룹 분류를 출력으로 하여 구축되는 머신러닝 기반 학습 알고리즘이고,
    상기 머신러닝은 Logistic regression, SVM(Supprot Vector Machine), NB(Navie Bayes), Tree(Decision Tree), k-NN(k-Nearest Neighbor), CNN(Convolution Nural Networks), LSTM(Long Sort Term Memory) 및 ANN(Aitificial Neurla networks) 중 적어도 하나를 포함하는 것인, 압력매트를 이용한 보행 변인 산출과 기계학습을 통한 인지기능 향상 평가 시스템.
  5. 제1항에 있어서,
    상기 모니터링부는,
    피험자의 인지저하 치료 과정에 따른 신체정보, 인지수준 정보 및 보행 변인 변화 중 적어도 어느 하나와 상기 평가부에서 평가된 상기 인지저하 수준을 고려하여 상기 인지저하 위험도의 변화를 모니터링하는 것인, 압력매트를 이용한 보행 변인 산출과 기계학습을 통한 인지기능 향상 평가 시스템.
  6. 압력매트를 이용한 보행 변인 산출과 기계학습을 통한 인지기능 향상 평가 시스템에 의해 수행되는 압력매트를 이용한 보행 변인 산출과 기계학습을 통한 인지기능 향상 평가 방법에 있어서,
    피험자의 발과 배열을 이루며 구비된 복수의 압력 센서를 포함하는 압력매트 간의 접촉으로 인해 발생한 압력 발생 위치 정보 및 압력 발생 시간 정보를 수신하는 단계;
    상기 압력 발생 위치 정보 및 압력 발생 시간 정보를 보행변인 산출 알고리즘에 적용하여 보행 변인을 추출하는 단계;
    추출된 상기 보행 변인을 인지저하 평가 알고리즘의 입력값으로하여 피험자의 인지저하 수준을 평가하는 단계; 및
    평가된 인지저하 수준을 저장하고, 미리 설정된 주기마다 인지저하 위험도의 변화를 모니터링하는 단계,
    를 포함하되,
    상기 압력 발생 위치 정보는,
    제1압력 발생 위치 정보 및 상기 제1압력 발생 위치 정보가 수신된 이후에 수신된 제2압력 발생 위치 정보를 포함하고,
    상기 추출하는 단계는,
    상기 제1압력 발생 위치 정보와 상기 제2압력 발생 위치 정보 간의 거리가 미리 설정된 값 이하이면, 상기 제1압력 발생 위치 정보와 상기 제2압력 발생 위치 정보가 동일한 발의 체중 이동에 의한 압력 인가에 의해 측정된 정보인 것으로 판단하고,
    상기 제1압력 발생 위치 정보와 상기 제2압력 발생 위치 정보 간의 거리가 미리 설정된 값 초과이면, 상기 제2압력 발생 위치 정보가 상기 제1압력 발생 위치 정보에 대응하는 압력을 인가한 발과 다른 발에 의한 압력 인가에 의해 측정된 정보인 것으로 판단하는 것인, 압력매트를 이용한 보행 변인 산출과 기계학습을 통한 인지기능 향상 평가 방법.
  7. 제6항에 있어서,
    상기 추출하는 단계는,
    상기 피험자의 왼발 및 오른발 각각에 대하여 보행 시 발생하는 여러 번의 뒤꿈치가 땅에 닿는 시기(heel strike) 간 거리를 고려하여 시공간 변인 및 보행 타이밍 변인을 상기 보행 변인으로 추출하는 것인, 압력매트를 이용한 보행 변인 산출과 기계학습을 통한 인지기능 향상 평가 방법.
  8. 제7항에 있어서,
    상기 시공간 변인은 보행 속도(step velocity), 보행 거리(stride length), 분당 보행 수(cadence)를 포함하고,
    상기 보행 타이밍 변인은 유각기(swing phase), 입각기(stance phase)를 포함하는 것인, 압력매트를 이용한 보행 변인 산출과 기계학습을 통한 인지기능 향상 평가 방법.
  9. 제6항에 있어서,
    상기 인지저하 평가 알고리즘은, 정상 그룹 및 인지저하 그룹 각각에 대하여 획득된 보행 변인을 입력으로 하고 인지저하 그룹 분류를 출력으로 하여 구축되는 머신러닝 기반 학습 알고리즘이고,
    상기 머신러닝은 Logistic regression, SVM(Supprot Vector Machine), NB(Navie Bayes), Tree(Decision Tree), k-NN(k-Nearest Neighbor), CNN(Convolution Nural Networks), LSTM(Long Sort Term Memory) 및 ANN(Aitificial Neurla networks) 중 적어도 하나를 포함하는 것인, 압력매트를 이용한 보행 변인 산출과 기계학습을 통한 인지기능 향상 평가 방법.
  10. 제6항에 있어서,
    상기 모니터링하는 단계는,
    피험자의 인지저하 치료 과정에 따른 신체정보, 인지수준 정보 및 보행 변인 변화 중 적어도 어느 하나와 상기 평가된 상기 인지저하 수준을 고려하여 상기 인지저하 위험도의 변화를 모니터링하는 것인, 압력매트를 이용한 보행 변인 산출과 기계학습을 통한 인지기능 향상 평가 방법.
  11. 제6항 내지 제10항 중 어느 한 항의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
KR1020210105069A 2021-05-24 2021-08-10 압력매트를 이용한 보행 변인 산출과 기계학습을 통한 인지기능 향상 평가 시스템 KR102549350B1 (ko)

Applications Claiming Priority (2)

Application Number Priority Date Filing Date Title
KR20210066358 2021-05-24
KR1020210066358 2021-05-24

Publications (2)

Publication Number Publication Date
KR20220158580A KR20220158580A (ko) 2022-12-01
KR102549350B1 true KR102549350B1 (ko) 2023-06-29

Family

ID=84440772

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020210105069A KR102549350B1 (ko) 2021-05-24 2021-08-10 압력매트를 이용한 보행 변인 산출과 기계학습을 통한 인지기능 향상 평가 시스템

Country Status (1)

Country Link
KR (1) KR102549350B1 (ko)

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013255786A (ja) * 2012-05-18 2013-12-26 Kao Corp 老年障害リスクの評価方法
KR102166440B1 (ko) * 2020-04-13 2020-10-16 가천대학교 산학협력단 치매정도 진단을 위한 균형감각분석 시스템 및 방법

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2013255786A (ja) * 2012-05-18 2013-12-26 Kao Corp 老年障害リスクの評価方法
KR102166440B1 (ko) * 2020-04-13 2020-10-16 가천대학교 산학협력단 치매정도 진단을 위한 균형감각분석 시스템 및 방법

Also Published As

Publication number Publication date
KR20220158580A (ko) 2022-12-01

Similar Documents

Publication Publication Date Title
Liu et al. Computational methods for estimating energy expenditure in human physical activities
Biswas et al. Recognizing upper limb movements with wrist worn inertial sensors using k-means clustering classification
US20180177436A1 (en) System and method for remote monitoring for elderly fall prediction, detection, and prevention
Staudenmayer et al. An artificial neural network to estimate physical activity energy expenditure and identify physical activity type from an accelerometer
Liu et al. Wearable devices for gait analysis in intelligent healthcare
US20180264320A1 (en) System and method for automatic location detection for wearable sensors
Bourouis et al. A new architecture of a ubiquitous health monitoring system: a prototype of cloud mobile health monitoring system
Kataria et al. Human Activity Classification using G-XGB
CN108670261A (zh) 运动状态检测方法、可佩戴设备以及装置
Park et al. Use of machine learning classifiers and sensor data to detect neurological deficit in stroke patients
Bacciu et al. A learning system for automatic Berg Balance Scale score estimation
US20170083679A1 (en) Systems and methods for using non-medical devices to predict a health risk profile
Sivakumar et al. Artificial neural network based ankle joint angle estimation using instrumented foot insoles
Prado et al. Gait segmentation of data collected by instrumented shoes using a recurrent neural network classifier
Matsushita et al. Recent use of deep learning techniques in clinical applications based on gait: a survey
JP7473355B2 (ja) 転倒リスク評価方法、転倒リスク評価装置及び転倒リスク評価プログラム
KR101974831B1 (ko) 낙상위험 평가방법 및 이를 위한 사용자 단말기
García-de-Villa et al. Simultaneous exercise recognition and evaluation in prescribed routines: Approach to virtual coaches
Rastegari et al. A bag-of-words feature engineering approach for assessing health conditions using accelerometer data
Chawla et al. Edge AI with Wearable IoT: A Review on Leveraging Edge Intelligence in Wearables for Smart Healthcare
CN110826490B (zh) 一种基于脚步分类的轨迹跟踪方法和装置
Jung et al. Frailty assessment using temporal gait characteristics and a long short-term memory network
D’Arco et al. DeepHAR: a deep feed-forward neural network algorithm for smart insole-based human activity recognition
KR102549350B1 (ko) 압력매트를 이용한 보행 변인 산출과 기계학습을 통한 인지기능 향상 평가 시스템
US20230081657A1 (en) System and method for determining and predicting of a misstep

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant