KR20180097091A - Apparatus and method for estimating fall risk based on machine learning - Google Patents

Apparatus and method for estimating fall risk based on machine learning Download PDF

Info

Publication number
KR20180097091A
KR20180097091A KR1020170023776A KR20170023776A KR20180097091A KR 20180097091 A KR20180097091 A KR 20180097091A KR 1020170023776 A KR1020170023776 A KR 1020170023776A KR 20170023776 A KR20170023776 A KR 20170023776A KR 20180097091 A KR20180097091 A KR 20180097091A
Authority
KR
South Korea
Prior art keywords
fall risk
user
machine learning
risk
acceleration
Prior art date
Application number
KR1020170023776A
Other languages
Korean (ko)
Other versions
KR102617480B1 (en
Inventor
김기선
샤자드 아산
Original Assignee
광주과학기술원
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 광주과학기술원 filed Critical 광주과학기술원
Priority to KR1020170023776A priority Critical patent/KR102617480B1/en
Publication of KR20180097091A publication Critical patent/KR20180097091A/en
Application granted granted Critical
Publication of KR102617480B1 publication Critical patent/KR102617480B1/en

Links

Images

Classifications

    • GPHYSICS
    • G08SIGNALLING
    • G08BSIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02Alarms for ensuring the safety of persons
    • G08B21/04Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
    • G08B21/0407Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis
    • G08B21/043Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis detecting an emergency event, e.g. a fall
    • G06K9/00335
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00Machine learning
    • G06N99/005
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/10Services
    • G06Q50/22Social work or social welfare, e.g. community support activities or counselling services
    • GPHYSICS
    • G08SIGNALLING
    • G08BSIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
    • G08B21/00Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
    • G08B21/02Alarms for ensuring the safety of persons
    • G08B21/04Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
    • G08B21/0438Sensor means for detecting
    • G08B21/0469Presence detectors to detect unsafe condition, e.g. infrared sensor, microphone

Landscapes

  • Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • General Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Theoretical Computer Science (AREA)
  • Emergency Management (AREA)
  • Gerontology & Geriatric Medicine (AREA)
  • Software Systems (AREA)
  • Psychiatry (AREA)
  • Human Computer Interaction (AREA)
  • Social Psychology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Psychology (AREA)
  • Tourism & Hospitality (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Mathematical Physics (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Artificial Intelligence (AREA)
  • Medical Informatics (AREA)
  • Marketing (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Child & Adolescent Psychology (AREA)
  • General Business, Economics & Management (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Multimedia (AREA)

Abstract

The present invention relates to an apparatus for estimating the degree of risk of falling based on machine learning and a method thereof and, more specifically, to an apparatus for estimating the degree of risk of falling based on machine learning, which estimates the degree of risk of falling from signals obtained by measuring X, Y, and Z triaxial acceleration values of a body. The apparatus for estimating the degree of risk of falling based on machine learning comprises: an acceleration sensor capable of measuring acceleration information and tilt information of a body of a user; a signal processing unit capable of extracting and processing the acceleration and tilt information of the user, sensed by the acceleration sensor; and a control unit capable of determining the degree of risk of falling of the user, wherein the control unit determines the degree of risk of falling from signals extracted from the X, Y, and Z triaxial acceleration values of the body according to movement of the body of the user. Therefore, it is possible to determine the degree of risk of falling of the user and enable the user to predict risk of falling.

Description

기계학습 기반 낙상 위험도 추정 장치 및 방법{Apparatus and method for estimating fall risk based on machine learning}[0001] The present invention relates to an apparatus and method for estimating fall risk based on machine learning,

본 발명은 기계학습 기반 낙상 위험도 추정 장치 및 방법에 관한 것으로, 보다 구체적으로 신체의 X, Y, Z 3축 가속도 값을 측정한 신호로부터 낙상 위험도를 추정하는 기계학습 기반 낙상 위험도 추정 장치에 관한 것이다.More particularly, the present invention relates to a machine learning-based fall risk estimation apparatus for estimating a fall risk from a signal obtained by measuring X, Y and Z three-axis acceleration values of a body .

고령화 사회로 급속하게 진행함에 따라, 노인 분들이나 거동이 불편한 보행자 등이 안심하고 일상생활을 영위할 수 있도록 도와주는 다양한 건강관리(healthcare) 서비스들이 등장하고 있다.As the society rapidly progresses into an aging society, a variety of healthcare services are emerging that help elderly people and pedestrians who are uncomfortable to run their daily life with peace of mind.

특히, 독거 노인과 같이 혼자 생활하는 노인들은 일반 젊은 사람들에 비해 낙상으로 인한 사고가 빈번하게 발생하므로, 이러한 독거 노인과 같이 혼자 생활하는 시간이 많은 노인들을 대상으로 낙상에 대비할 수 있는 다양한 낙상 구조 서비스가 각광을 받고 있고, 이에 대한 연구가 활발하게 진행되고 있다.Especially, the elderly who live alone like the elderly living alone often have accidents caused by falls because they have more time to live alone like elderly living alone. Therefore, various fall relief services Has been in the limelight, and research on this has been actively proceeding.

특히, 노인들의 낙상을 인지하기 위해 3축 가속기를 사용하는 기술이 연구되고 있다. 이러한 연구는 일상의 거동에서 자연스러운 걸음에 따라 발생하는 몸의 움직임은 신체의 X, Y, Z 3축 가속도 값으로 표현될 수 있으며, 가속도 신호의 관찰과 분석을 통하여 낙상과 같은 비이상적인 신체 움직임을 파악할 수 있다는 과학으로부터 시작한다.Especially, the technique of using 3 - axis accelerator to recognize fall of elderly people is being studied. These studies show that body movements caused by natural steps in daily behavior can be expressed as the body X, Y, Z 3-axis acceleration values, and through observations and analysis of acceleration signals, non-ideal body movements such as falls I start from the science that I can grasp.

하지만, 종래의 방법은 일반적인 낙상 관련 신호 검출 관련 일반적 방법 및 통보 기능 만 설명하고 있을 뿐 구체적인 낙상 추정 알고리즘이나 정확도 확보에 관한 구체적인 방법론이 부족하여 구현 가능성이 불분명한 문제를 가진다.However, the conventional method only describes a general method and notification function related to general fall-related signal detection, and has a problem that the implementation possibility is unclear due to a lack of specific fall estimation algorithm or specific methodology for securing accuracy.

본 발명의 기계학습 기반 낙상 위험도 추정 장치 및 방법에 의하면, 사용자의 낙상 위험도를 결정하여 사용자로 하여금 낙상의 위험을 예측할 수 있게 하는 장치를 제공하고 한다.The machine learning based fall risk estimation apparatus and method according to the present invention provides an apparatus for determining a fall risk of a user so as to enable a user to predict the risk of falling.

상기 또는 다른 목적을 달성하기 위해 본 발명의 일 측면에 따르면, 기계학습 기반 낙상 위험도 추정 장치에 있어서, 사용자의 신체의 가속도 정보와 기울기 정보를 측정할 수 있는 가속도 센서, 가속도 센서에 의해 감지된 사용자의 가속도 및 기울기 정보를 추출하여 처리할 수 있는 신호처리부, 및 사용자의 낙상 위험도를 결정할 수 있는 제어부를 포함하고, 상기 제어부는 상기 사용자의 몸의 움직임에 따른 신체의 X, Y, Z 3축 가속도 값에서 추출된 신호로부터 낙상 위험도를 결정하는 기계학습 기반 낙상 위험도 추정 장치를 제공한다.According to an aspect of the present invention, there is provided a machine learning based fall risk estimation apparatus comprising: an acceleration sensor capable of measuring acceleration information and tilt information of a user's body; a user sensed by an acceleration sensor; And a controller capable of determining a risk of falling of the user, wherein the controller controls the X, Y, Z three-axis acceleration of the body according to the movement of the user's body, Based fall risk estimation apparatus for determining a fall risk from a signal extracted from a value of a machine learning-based fall risk.

또한, 본 발명의 다른 측면에 따르면, 기계학습 기반 낙상 위험도 추정 방법에 있어서, 사용자의 신체의 가속도 정보와 기울기 정보를 측정하는 단계; 가속도 신호를 처리하는 단계; 특성점을 선정하는 단계; 기계학습 훈련을 실시하는 단계 및 낙상 위험 모델을 적용하여 낙상 위험도를 결정하는 단계를 포함하는 기계학습 기반 낙상 위험도 추정 방법을 제공한다.According to another aspect of the present invention, there is provided a method of estimating fall risk based on machine learning, comprising: measuring acceleration information and tilt information of a user's body; Processing an acceleration signal; Selecting a characteristic point; A step of performing machine learning training, and a step of applying a fall risk model to determine a fall risk.

본 발명에 따른 기계학습 기반 낙상 위험도 추정 장치 및 방법에 의하면, 사용자의 낙상 위험도를 결정하여 사용자로 하여금 낙상의 위험을 예측할 수 있게 하는 장치를 제공하는 효과가 있다.The apparatus and method for estimating fall risk based on a machine learning method according to the present invention provide an apparatus for determining a fall risk of a user so as to enable a user to predict the risk of falling.

도 1는 본 발명의 일 실시 예에 따른 기계학습 기반 낙상 위험도 추정 장치의 블록도이다.
도 2는 본 발명의 일 실시 예에 따른 기계학습 기반 낙상 위험도 추정 방법의 흐름도이다.
도 3은 재활의학에서 표준으로 사용하는 낙상 위험 검사 테스트인 Timed-Up and Go Test (TUGT), Five Times Sit-to-Stand test (FTSS), Alternate Step Test (AST)에 대한 개념도이다.
도 4는 본 발명의 일 실시 예에 따른 TUGT 테스트의 신호를 설명하기 위한 개념도이다.
도 5a 및 도 5b는 본 발명의 일 실시 예에 따른 특성점을 설명하기 위한 도면이다.
도 6 및 도 7은 본 발명의 일 실시 예에 따른 낙상 위험도 추정치의 상관 관계를 설명하기 위한 도면이다.
1 is a block diagram of a machine learning based fall risk estimation apparatus according to an embodiment of the present invention.
2 is a flowchart of a machine learning based fall risk estimation method in accordance with an embodiment of the present invention.
FIG. 3 is a conceptual diagram of a fall risk test used as a standard in rehabilitation medicine, a timed-up and go test (TUGT), a five times sit-to-stand test (FTSS), and an alternate step test (AST).
4 is a conceptual diagram for explaining a signal of the TUGT test according to an embodiment of the present invention.
5A and 5B are views for explaining a characteristic point according to an embodiment of the present invention.
FIGS. 6 and 7 are diagrams for explaining the correlation of the fall risk estimates according to an embodiment of the present invention.

이하에서는 도면을 참조하여 본 발명의 구체적인 실시 예를 상세하게 설명한다. 그러나, 본 발명의 사상은 이하에 제시되는 구체적인 실시 예로 제한되지 아니하며, 본 발명의 사상을 이해하는 당업자는 동일한 사상의 범위 내에 포함되는 다른 실시 예를 구성요소의 부가, 변경, 삭제, 및 추가 등에 의해서 용이하게 제안할 수 있을 것이나, 이 또한 본 발명의 사상에 포함된다고 할 것이다. Hereinafter, specific embodiments of the present invention will be described in detail with reference to the drawings. However, it will be understood by those skilled in the art that various changes in form and details may be made therein without departing from the spirit and scope of the invention as defined by the appended claims. It will be understood by those skilled in the art that the present invention may be embodied in many other specific forms without departing from the spirit or essential characteristics thereof.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시 예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 발명을 실시하기 위한 구체적인 내용에 상세하게 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. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.While the invention is susceptible to various modifications and alternative forms, specific embodiments thereof are shown by way of example in the drawings and will herein be described in detail to the concrete inventive concept. It should be understood, however, that the invention is not intended to be limited to the particular embodiments, but includes all modifications, equivalents, and alternatives falling within the spirit and scope of the invention. Like reference numerals are used for like elements in describing each drawing.

이하, 본 발명에 따른 바람직한 실시 예를 첨부된 도면을 참조하여 상세하게 설명한다.Hereinafter, preferred embodiments according to the present invention will be described in detail with reference to the accompanying drawings.

도 1는 본 발명의 일 실시 예에 따른 기계학습 기반 낙상 위험도 추정 장치의 블록도이다.1 is a block diagram of a machine learning based fall risk estimation apparatus according to an embodiment of the present invention.

도 1을 참조하면, 기계학습 기반 낙상 위험도 추정 장치(100)는 가속도센서(110), 신호처리부(120), 제어부(130), 저장부(140) 및 통신부(150) 중 적어도 하나 이상을 포함할 수 있다. , 기계학습 기반 낙상 위험도 추정 장치(100)의 각각의 구성에 대하여는 이하에서 구체적으로 설명한다.1, the machine learning based fall risk estimation apparatus 100 includes at least one of an acceleration sensor 110, a signal processing unit 120, a control unit 130, a storage unit 140, and a communication unit 150 can do. , And the machine learning based fall risk estimation apparatus 100 will be described in detail below.

가속도센서(110)는 가속도 정보와 기울기 정보를 감지할 수 있는 다양한 가속도 센서가 이용될 수 있다. 본 발명의 실시 예에서는 3 축 가속도 센서를 이용할 수 있다. 3 축 가속도 센서는 사용자의 움직임에 따라 3 축 가속도 정보 및 기울기 정보를 센싱한다.The acceleration sensor 110 may be a variety of acceleration sensors capable of sensing acceleration information and tilt information. In the embodiment of the present invention, a three-axis acceleration sensor can be used. The three-axis acceleration sensor senses the three-axis acceleration information and the tilt information according to the user's motion.

본 발명의 일 실시 예에서, 기계학습 기반 낙상 위험도 추정 장치(100)는 재활의학에서 표준으로 사용하는 낙상 위험 검사 테스트인 Timed-Up and Go Test (TUGT), Five Times Sit-to-Stand test (FTSS), Alternate Step Test (AST)를 수행하는 사용자의 몸의 움직임에 따른 신체의 X, Y, Z 3축 가속도 값을 측정한 신호를 사용한다. 이러한 신호는 가속도센서(110)에 의해 측정될 수 있다.In one embodiment of the present invention, the machine learning-based fall risk estimation apparatus 100 includes a fall-through test (TUGT), a five-times sit-to-stand test FTSS, and Alternate Step Test (AST) are used to measure the X, Y and Z acceleration values of the body according to the body movements of the user. Such a signal can be measured by the acceleration sensor 110. [

신호처리부(120)는 가속도 센서(110)에 의해 감지된 사용자의 가속도 및 기울기 정보를 추출하여 처리할 수 있다. 일반적으로 3 축 가속도 센서는 가속도 값에는 보행이나 행동 중 가감속에 의한 운동가속도 성분과 경사에 의한 중력가속도 성분을 모두 포함하는 신호(raw data)를 측정할 수 있다.The signal processing unit 120 may extract and process the acceleration and tilt information of the user sensed by the acceleration sensor 110. Generally, a three-axis acceleration sensor can measure a raw signal including both a motion acceleration component due to acceleration / deceleration during walking or motion and a gravitational acceleration component due to a tilt.

제어부(130)는 가속도 센서(110)에서 획득된 가속도 정보와 기울기 정보를 이동하여 사용자의 상태를 인지할 수 있다. 또한 제어부(130)는 신호처리부(120)에서 획득된 사용자의 가속도 및 기울기 정보를 추출하여 처리할 수 있다. 본 발명의 일 실시예에서 제어부(130)는 가속도 (110)로부터 감지된 가속도 정보와 기울기 정보를 이용해 낙상 행위가 발생했는지 여부를 판단할 수 있다. 또한, 사용자에게 낙상 발생을 최종 확인하고, 통신부(150)를 통해 사용자의 낙상을 외부 서버로 통지하여 최종적으로 가족, 의사, 응급 센터 등에 낙상에 의한 위급 상황을 메시지를 전달할 수도 있다.The control unit 130 can recognize the state of the user by moving the acceleration information and the slope information acquired by the acceleration sensor 110. [ In addition, the controller 130 may extract and process acceleration and tilt information of the user obtained in the signal processor 120. In an embodiment of the present invention, the controller 130 may determine whether a fall event has occurred using the acceleration information and the slope information detected from the acceleration 110. [ In addition, the user is finally confirmed that the fall has occurred, and the fall of the user is notified to the external server through the communication unit 150, and finally the emergency, such as a family, doctor, emergency center, or the like, can be transmitted.

저장부(140)는 가속도센서(110), 신호처리부(120), 제어부(130) 및 통신부(150)에서 생성되거나 수신된 정보를 저장할 수 있다. 본 발명의 일 실시예에 있어서, 저장부(140)에 저장된 정보를 이용하여 사용자의 지난 정보를 저장할 수 있다. 따라서, 기계학습 기반 낙상 위험도 추정 장치(100)는 사용자에 최적화된 정보를 제공할 수 있다.The storage unit 140 may store information generated or received by the acceleration sensor 110, the signal processing unit 120, the control unit 130, and the communication unit 150. In one embodiment of the present invention, the past information of the user can be stored using the information stored in the storage unit 140. [ Therefore, the machine learning based fall risk estimation apparatus 100 can provide information optimized for a user.

통신부(150)는 낙상 위험도 추정 장치(100)와 무선 통신 시스템 사이, 낙상 위험도 추정 장치(100)와 외부서버 사이의 통신을 가능하게 하는 하나 이상의 모듈을 포함할 수 있다. 또한, 통신부(150)는, 낙상 위험도 추정 장치(100)를 하나 이상의 네트워크에 연결하는 하나 이상의 모듈을 포함할 수 있다.The communication unit 150 may include one or more modules between the fall risk estimation apparatus 100 and the wireless communication system to enable communication between the fall risk estimation apparatus 100 and the external server. In addition, the communication unit 150 may include one or more modules that connect the fall risk estimation apparatus 100 to one or more networks.

이러한 통신부(150)는, 방송 수신 모듈, 이동통신 모듈, 무선 인터넷 모듈, 근거리 통신 모듈, 위치정보 모듈 중 적어도 하나를 포함할 수 있다.The communication unit 150 may include at least one of a broadcast receiving module, a mobile communication module, a wireless Internet module, a short distance communication module, and a location information module.

도 2는 본 발명의 일 실시 예에 따른 기계학습 기반 낙상 위험도 추정 방법의 흐름도이다.2 is a flowchart of a machine learning based fall risk estimation method in accordance with an embodiment of the present invention.

본 발명의 일 실시 예에 따른 기계학습 기반 낙상 위험도 추정 방법은 가속도 신호를 획득하는 단계(S110), 가속도 신호를 처리하는 단계(S120), 특성점을 선정하는 단계(S130), 기계학습 훈련을 실시하는 단계(S140) 및 낙상 위험 모델을 적용하는 단계(S150) 중 적어도 하나를 포함할 수 있다.The machine learning based fall risk estimation method according to an embodiment of the present invention includes a step S110 of obtaining an acceleration signal, a step S120 of processing an acceleration signal, a step of selecting a characteristic point S130, (S140), and applying a fall risk model (S150).

가속도 신호를 획득하는 단계(S110)에서 가속도 센서(110)는 계속적으로 사용자의 가속도 및 기울기 정보를 측정할 수 있다.In the step of acquiring the acceleration signal (S110), the acceleration sensor 110 can continuously measure the acceleration and tilt information of the user.

가속도 신호를 처리하는 단계(S120)는 가속도 센서(110)에서 측정된 신호를 신호처리부(120) 또는 제어부(130)에서 처리할 수 있다.The step of processing the acceleration signal (S120) may process the signal measured by the acceleration sensor 110 in the signal processing unit 120 or the control unit 130.

구체적으로, 가속도 센서(110)가 가속도 및 기울기를 감지하면, 신호처리부(120)는 미리 정해진 시간 간격으로 가속도 및 기울기 정보를 추출하여 저장부(140)에 저장할 수 있다. 여기서, 가속도 정보는 운동 가속도 성분 및 중력 가속도 성분으로 추출되어 저장될 수 있다.Specifically, when the acceleration sensor 110 senses the acceleration and the tilt, the signal processing unit 120 may extract acceleration and tilt information at predetermined time intervals and store the acceleration and tilt information in the storage unit 140. Here, the acceleration information can be extracted and stored as a motion acceleration component and a gravity acceleration component.

본 발명의 일 실시 예에서, 사용자의 일상의 거동에서 자연스러운 걸음에 따라 발생하는 몸의 움직임은 가속도 센서(110)에 측정 될 수 있으며, 가속도 센서(110)는 신체의 X, Y, Z 3축 가속도 값으로 측정할 수 있으며, 신호처리부(120) 및 제어부(130)는 가속도 신호의 관찰과 분석을 통하여 움직임을 유추할 수 있으므로 낙상과 같은 비이상적인 신체 움직임 인지할 수 있다.In one embodiment of the present invention, movement of the body, which occurs according to a natural step in the user's daily behavior, can be measured in the acceleration sensor 110, and the acceleration sensor 110 can measure X, Y, And the signal processing unit 120 and the control unit 130 can perceive motion through observation and analysis of the acceleration signal, so that non-ideal body motion such as a fall can be recognized.

본 발명의 일 실시 예에서, 낙상 위험도 추정 장치(100)는 재활의학에서 표준으로 사용하는 낙상 위험 검사 테스트인 Timed-Up and Go Test (TUGT), Five Times Sit-to-Stand test (FTSS), Alternate Step Test (AST)를 수행하는 사용자의 몸의 움직임에 따른 신체의 X, Y, Z 3축 가속도 값을 측정한 신호를 사용할 수 있다.In one embodiment of the present invention, the fall risk estimation apparatus 100 includes a fall-risk and a fall-threshold test (TUGT), a five-times sit-to-stand test (FTSS) A signal measuring the X, Y, Z 3-axis acceleration values of the body according to the body motion of the user performing the Alternate Step Test (AST) can be used.

도 3은 재활의학에서 표준으로 사용하는 낙상 위험 검사 테스트인 Timed-Up and Go Test (TUGT), Five Times Sit-to-Stand test (FTSS), Alternate Step Test (AST)에 대한 개념도이다.FIG. 3 is a conceptual diagram of a fall risk test used as a standard in rehabilitation medicine, a timed-up and go test (TUGT), a five times sit-to-stand test (FTSS), and an alternate step test (AST).

도 4는 본 발명의 일 실시 예에 따른 TUGT 테스트의 신호를 설명하기 위한 개념도이다.4 is a conceptual diagram for explaining a signal of the TUGT test according to an embodiment of the present invention.

도 3 및 도4를 참조하면, Timed-Up and Go Test (TUGT), Five Times Sit-to-Stand test (FTSS), Alternate Step Test (AST)를 설명할 수 있다.Referring to FIGS. 3 and 4, it is possible to describe a Timed-Up and Go Test (TUGT), a Five Times Sit-to-Stand test (FTSS), and an Alternate Step Test (AST).

Timed-Up and Go Test (TUGT)는 동적 균형능력을 평가하기 위한 평가도구이다. TUGT는 측정 대상자를 의자에 편안하게 앉게 하고 '출발'이란 신호와 함께 의자에서 일어나 3m 지점까지 걸어갔다가 의자로 돌아와 원래 자세로 앉을 때까지의 신호를 낙상 위험도 추정 장치(100)가 측정할 수 있다.Timed-Up and Go Test (TUGT) is an evaluation tool for evaluating dynamic balance capability. The TUGT allows the subject to be comfortably seated on the chair, walking with the signal "departure" from the chair to the point 3 meters, returning to the chair, and measuring the signal from the falling risk estimation apparatus 100 until the sitting position .

예를 들어, 도 4와 같이 낙상 위험도 추정 장치(100)는 사용자가 일어나서 3미터를 걷고, 턴 동작을 하고, 다시 3미터를 걷고 앉는 동작을 취할 때까지 사용자의 가속도를 측정할 수 있다.For example, as shown in FIG. 4, the fall risk estimation apparatus 100 can measure the acceleration of the user until the user wakes up, walks 3 meters, performs a turn operation, and again takes a walking and sitting operation.

Five Times Sit-to-Stand test (FTSS)는 낙상 위험도 추정 장치(100)가 앉고 일어서기 동작 검사를 5번 시행하는데 소요되는 시간 및 상태를 측정하는 것으로 주로 하지 근력과 균형 능력을 평가할 수 있다.The Five Times Sit-to-Stand test (FTSS) measures the time and condition required for the fall risk assessment device 100 to perform five sit-up and standing-up tests to assess mainly leg strength and balance ability.

TUGT와 마찬가지로 FTSS를 수행 중 낙상 위험도 추정 장치(100)는 사용자의 가속도를 측정할 수 있다.Like the TUGT, the fall risk estimation apparatus 100 during the FTSS can measure the acceleration of the user.

Alternate Step Test (AST)는 계단과 같이 단차가 있는 테이블을 박자에 따라서, 한발을 위로 올리고 다지 다른 발을 테이블에 올리고 다리 내려오는 과정을 반복하면서 측정하는 테스트이다.The Alternate Step Test (AST) is a test that measures a table with a step, such as a stair, by repeating the steps of raising a pair, raising another foot on the table, and lowering the legs.

낙상 위험도 추정 장치(100)는 상술한 Timed-Up and Go Test (TUGT), Five Times Sit-to-Stand test (FTSS), Alternate Step Test (AST) 테스트를 수행하면서, 사용자의 가속도를 측정하고 분석할 수 있다.The fall risk estimating apparatus 100 measures the acceleration of the user while performing the above-mentioned Timed-Up and Go Test (TUGT), Five Times Sit-to-Stand test (FTSS) and Alternate Step Test can do.

다시 도2를 설명한다.Fig. 2 will be described again.

특성점을 선정하는 단계(S130)는 미리 지정된 특성점 후보군에서 미리 지정된 수의 특성점을 선정한다.In the step of selecting characteristic points (S130), a predetermined number of characteristic points are selected from the predetermined characteristic point candidate groups.

도 5a 및 도 5b는 본 발명의 일 실시 예에 따른 특성점을 설명하기 위한 도면이다.5A and 5B are views for explaining a characteristic point according to an embodiment of the present invention.

도 5a 및 도 5b와 함께 S130 단계를 설명한다.The step S130 will be described with FIGS. 5A and 5B.

미리 지정된 특성점 후보군는 도 5a와 같을 수 있다.The predetermined characteristic points candidate group may be as shown in FIG. 5A.

본 발명의 일 실시예에서, 낙상 위험도 추정기(100)를 구성하기 위해서는, 검사 테스트의 결과인 측정 신호에 대해 시간, 공간, 주파수 에너지 차원에서 신호의 특징으로 지칭할 수 있는 132종의 특성점 후보 군을 먼저 선정될 수 있다.In one embodiment of the present invention, the falling risk estimator 100 is configured to include 132 characteristic point candidates that can be referred to as characteristics of signals in terms of time, space, and frequency energy with respect to a measurement signal that is the result of an inspection test The county can be selected first.

특성 후보군은 본 발명에 일 실시예에 따라서, 사용자의 상태를 효율적으로 분석하기 위해 측정해야 하는 특성점 중 효율적이라고 예상되는 후보의 집합이다.The feature candidates are a set of candidates that are expected to be efficient among the feature points to be measured in order to efficiently analyze the state of the user, according to an embodiment of the present invention.

따라서, 특성 후보군은 도 5a에 포함된 것으로 제한되는 것은 아니며 그 수도 변경될 수 있다.Therefore, the characteristic candidate group is not limited to the one included in FIG. 5A, and the number thereof may be changed.

본 발명의 일 실시예에서, 낙상 위험도 추정기(100)의 제어부(130)는 특성점 후보군중에서 유효한 숫자의 최종 특성점을 찾기 위해, Sequential Forward Floating Search (SFFS) algorithm을 이용한다. 낙상 위험 인자를 대변할 수 있는 최종 특성점을 결정할 수 있다.In one embodiment of the present invention, the controller 130 of the fall risk estimator 100 uses the Sequential Forward Floating Search (SFFS) algorithm to find the last characteristic point of a valid number among the characteristic point candidates. It is possible to determine the final characteristic point that can represent the fall risk factor.

본 발명의 일 실시예에서, SFFS 알고리즘은 특성점 후보군중 선택된 특성점이 없는 빈 세트로 시작하고 다른 특성점에 비해 가장 좋은 예측 성능을 제공하는 특성점이 선택될 때까지 실시 될 수 있다.In one embodiment of the present invention, the SFFS algorithm can be implemented until a feature point that starts with an empty set without a selected feature point among the feature point candidates and provides the best prediction performance over other feature points is selected.

본 발명의 일 실시예에서, 낙상 위험도 추정기(100)의 제어부(130)는 특성점의 개수를 추정 복잡도에 따라 조정할 수 있으며, 한 예로 특성점을 9개를 추출한 경우는 도 5b의 표와 같다.In an embodiment of the present invention, the controller 130 of the fall risk estimator 100 can adjust the number of characteristic points according to the estimation complexity. For example, when nine characteristic points are extracted, .

기계학습 훈련을 실시하는 단계(S140) 및 낙상 위험 모델을 적용하는 단계(S150)에서는 선정된 특성점에 대응하는 모델을 이용하여 기계학습을 실시하고 기계학습이 완료된 모델을 이용하여 사용자의 낙상 위험 여부를 결정할 수 있다.In the step S140 for performing the machine learning training and the step S150 for applying the fall risk model, a machine learning is performed using a model corresponding to the selected characteristic points, Can be determined.

본 발명의 일 실시 예에서, 낙상 위험 모델은 재활의학 표준 낙상 위험 테스트에 따라 기계학습 훈련이 되고, 훈련된 결과로서 사용자 별 다중변수회귀법 기반 낙상 추정기가 구성될 수 있다.In one embodiment of the invention, the fall risk model is a machine learning exercise in accordance with the rehabilitation medicine standard fall risk test, and a user-specific multiple variable regression-based fall estimator can be constructed as a trained result.

본 발명의 일 실시 예에서, 기계학습 기반 낙상 위험도 추정 장치(100)는 선형 최소 제곱 (LLS) 모델을 사용하여 선택된 피쳐 (X)를 Berg Balance Scale (BBS)의 낙상 위험 스코어(r)의 목표 값으로 매핑할 수 있다. LLS 모델은 다른 유사한 연구에서처럼 작은 데이터 세트에서도 좋은 결과를 제공하는 단순성과 효율성 갖는 장점이 있다.In one embodiment of the present invention, the machine learning based fall risk estimation apparatus 100 uses a linear least squares (LLS) model to compare the selected feature X with the target of the fall risk score r of the Berg Balance Scale (BBS) You can map to a value. The LLS model has the advantages of simplicity and efficiency that provide good results in small datasets, as in other similar studies.

또한 모델에 적합한 매개 변수를 쉽게 해석 할 수 있으므로 비선형 모델과는 달리 각 피쳐의 상대적 중요성을 제공할 수 있다. i 번째 피험자의 추락 위험에 대한 선형 예측 함수는, 수학식 1 및 수학식 2와 같이 정의될 수 있다.In addition, it is easy to interpret the parameters appropriate to the model, so it can provide the relative importance of each feature, unlike the nonlinear model. The linear prediction function for the i < th > subject's fall risk can be defined by Equation (1) and Equation (2).

Figure pat00001
Figure pat00001

Figure pat00002
Figure pat00002

수학식 1 및 수학식 2에서 열 벡터 W는 특성점 각각의 선택 회귀 가중치를 의미하며, X는 특성점 각각의 측정된 결과 일 수 있다.In the equations (1) and (2), the column vector W means a selective regression weight of each characteristic point, and X may be a measured result of each characteristic point.

즉, i 번째 피험자의 추락 위험에 대한 선형 예측 함수는 특성점 각각의 측정값에 특성점 각각의 선택 회귀 가중치를 곱한 합으로 구할 수 있다.That is, the linear prediction function for the risk of falling of the i-th subject can be obtained by multiplying the measured value of each characteristic point by the selective regression weight of each characteristic point.

본 발명의 일 실시 예에서, 기계학습 기반 낙상 위험도 추정 장치(100)는 사용자가 낙상할 가능성을 측정할 수 있다. In one embodiment of the present invention, the machine learning based fall risk estimation apparatus 100 may measure the likelihood that a user will fall.

예를 들어, 사용자가 매일 기계학습 기반 낙상 위험도 추정 장치(100)를 이용하여 그날의 낙상 위험 정도를 측정할 수 있다. 따라서, 사용자는 낙상 위험 정도가 높은 날에는 외부 활동을 자제함으로써 낙상의 위험을 피할 수 있다.For example, the user may use the machine learning based fall risk estimation apparatus 100 to measure the degree of fall risk on that day. Therefore, the user can avoid the risk of falling by restraining external activity on a high risk of falls.

도 6 및 도 7은 본 발명의 일 실시 예에 따른 낙상 위험도 추정치의 상관 관계를 설명하기 위한 도면이다.FIGS. 6 and 7 are diagrams for explaining the correlation of the fall risk estimates according to an embodiment of the present invention.

본 발명의 일 실시 예에서, 구성된 기계학습 기반 낙상 추정기(100)의 능을 평가하기 위해 재활의학 전문의가 Berg Balance Scale (BBS) 방법에 따라 추정한 낙상 위험도와 제안된 기기와 알고리즘을 이용하는 낙상 위험도 추정치의 상관 관계를 분석한 결과는 도 6 및 도 7과 같다.In one embodiment of the present invention, the fall risk estimated by the rehabilitation specialist according to the Berg Balance Scale (BBS) method and the fall risk using the proposed instrument and algorithm to evaluate the performance of the constructed machine learning based fall estimator 100 The results of analyzing the correlation between the estimates are shown in FIGS. 6 and 7.

도 6을 참조하면, 최종 선정된 특성점은 20종이며, 2회의 실험 결과 각각 추정치 estimate1 및 estimate2를 표시하고 있다.Referring to FIG. 6, the finally selected characteristic points are 20 kinds, and the results are shown as estimates estimate 1 and estimate 2, respectively, as a result of two experiments.

도 7을 참조하면, 최종 선정된 특성점은 20종에 대한, 2회의 실험 결과 각각 추정치 estimate1 및 estimate2에 대한 결과이며 전문의의 평가와 95% 이상 상관성을 보이는 낙상 추정 실험결과를 보여줌을 알 수 있다.Referring to FIG. 7, it can be seen that the final selected characteristic point is the result of two experiments on the 20 kinds of estimates, respectively, and the results of the fall estimation experiments showing a correlation of 95% or more with the expert's evaluation .

즉, 본 발명의 구성된 기계학습 기반 낙상 추정기(100)추정값은 전문의에 의해 측정된 Berg Balance Scale (BBS)의 낙상 위험 스코어와 매우 유사한 결과를 보여주는 것을 알 수 있다.That is, it can be seen that the constructed machine learning based fall estimator 100 estimates of the present invention show very similar results to the fall risk scores of the Berg Balance Scale (BBS) as measured by the specialist.

따라서, 본 발명의 일 실시예에 따를 때, 전문의의 진단없이 간단한 측정만을 이용하여 낙상의 위험을 사전에 인지할 수 있는 효과를 얻을 수 있다.Therefore, according to one embodiment of the present invention, it is possible to obtain the effect of preliminarily recognizing the risk of falling using only a simple measurement without diagnosis of a specialist.

이상과 같이, 본 발명에서는 구체적인 구성 요소등과 같은 특정 사항들과 한정된 실시 예 및 도면에 의해 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위해 제공된 것일 뿐, 본 발명은 상기의 실시 예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 따라서, 본 발명의 사상은 설명된 실시 예에 국한되어 정해져서는 안되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명의 사상의 범주에 속한다고 할 것이다.As described above, the present invention has been described with reference to particular embodiments, such as specific elements, and limited embodiments and drawings. However, it should be understood that the present invention is not limited to the above- And various modifications and changes may be made thereto without departing from the scope of the present invention. Accordingly, the spirit of the present invention should not be construed as being limited to the embodiments described, and all of the equivalents or equivalents of the claims, as well as the following claims, fall within the scope of the spirit of the present invention .

100: 기계학습 기반 낙상 위험도 추정 장치
110: 가속도센서
120: 신호처리부
130: 제어부
140: 저장부
150: 통신부
100: Machine Learning Based Fall Risk Estimator
110: acceleration sensor
120: Signal processor
130:
140:
150:

Claims (12)

기계학습 기반 낙상 위험도 추정 장치에 있어서,
사용자의 신체의 가속도 정보와 기울기 정보를 측정할 수 있는 가속도 센서,
가속도 센서에 의해 감지된 사용자의 가속도 및 기울기 정보를 추출하여 처리할 수 있는 신호처리부, 및
사용자의 낙상 위험도를 결정할 수 있는 제어부를 포함하고,
상기 제어부는 상기 사용자의 몸의 움직임에 따른 신체의 X, Y, Z 3축 가속도 값에서 추출된 신호로부터 낙상 위험도를 결정하는 기계학습 기반 낙상 위험도 추정 장치.
A machine learning based fall risk estimation apparatus,
An acceleration sensor capable of measuring acceleration information and tilt information of the user's body,
A signal processing unit that can extract and process acceleration and tilt information of the user detected by the acceleration sensor, and
And a control section capable of determining a risk of falling of the user,
Wherein the controller determines a fall risk from a signal extracted from X, Y and Z three-axis acceleration values of a body according to a movement of the user's body.
제1 항에 있어서,
상기 제어부는 Timed-Up and Go Test (TUGT), Five Times Sit-to-Stand test (FTSS), Alternate Step Test (AST)를 수행하는 사용자의 몸의 움직임에 따른 신체의 X, Y, Z 3축 가속도 값을 측정한 신호를 기반으로 낙상 위험도를 결정하는 기계학습 기반 낙상 위험도 추정 장치.
The method according to claim 1,
The control unit may be configured to perform the X, Y, and Z axes of the user's body according to the motion of the user performing the Timed-Up and Go Test (TUGT), the Five Times Sit-to-Stand test (FTSS), and the Alternate Step Test A machine learning based fall risk estimator that determines fall risk based on measured acceleration signals.
제2 항에 있어서,
상기 제어부는 미리 선정된 특성점 후보군 중 선택된 최종 특성점을 기반으로 낙상 위험도를 결정하는 기계학습 기반 낙상 위험도 추정 장치.
3. The method of claim 2,
Wherein the controller determines a fall risk based on a final characteristic point selected from a plurality of previously selected characteristic point candidates.
제3 항에 있어서,
상기 제어부는 Sequential Forward Floating Search (SFFS) algorithm을 이용하여 최종 특성점을 선정하는 낙상 위험도를 결정하는 기계학습 기반 낙상 위험도 추정 장치.
The method of claim 3,
Wherein the controller determines a fall risk of selecting a final characteristic point using a Sequential Forward Floating Search (SFFS) algorithm.
제1 항에 있어서,
상기 제어부는 Berg Balance Scale (BBS) 방법에 따라 낙상 위험도를 추정하는 기계학습 기반 낙상 위험도 추정 장치.
The method according to claim 1,
Wherein the controller is a machine learning based fall risk estimator for estimating a fall risk according to a Berg Balance Scale (BBS) method.
제1 항에 있어서,
상기 제어부는 사용자별 훈련을 통해 사용자별로 다른 방법으로 낙상 위험도를 추정하는 기계학습 기반 낙상 위험도 추정 장치.
The method according to claim 1,
Wherein the controller estimates a fall risk by a different method for each user through user-specific training.
기계학습 기반 낙상 위험도 추정 방법에 있어서,
사용자의 신체의 가속도 정보와 기울기 정보를 측정하는 단계;
가속도 신호를 처리하는 단계;
특성점을 선정하는 단계;
기계학습 훈련을 실시하는 단계 및
낙상 위험 모델을 적용하여 낙상 위험도를 결정하는 단계를 포함하는 기계학습 기반 낙상 위험도 추정 방법.
In a machine learning based fall risk estimation method,
Measuring acceleration information and tilt information of the user's body;
Processing an acceleration signal;
Selecting a characteristic point;
A step of conducting machine learning training and
A method for estimating fall risk based on machine learning comprising the step of determining a fall risk by applying a fall risk model.
제7 항에 있어서,
Timed-Up and Go Test (TUGT), Five Times Sit-to-Stand test (FTSS), Alternate Step Test (AST)를 수행하는 사용자의 몸의 움직임에 따른 신체의 X, Y, Z 3축 가속도 값을 측정한 신호를 기반으로 낙상 위험도를 결정하는 기계학습 기반 낙상 위험도 추정 방법.
8. The method of claim 7,
The three-axis acceleration values of the body according to the body movements of the user performing the Timed-Up and Go Test (TUGT), the Five Times Sit-to-Stand test (FTSS) and the Alternate Step Test A Machine Learning Based Fall Risk Estimation Method to Determine Fall Risk Based on Measured Signals.
제8 항에 있어서,
미리 선정된 특성점 후보군 중 선택된 최종 특성점을 기반으로 낙상 위험도를 결정하는 기계학습 기반 낙상 위험도 추정 방법
9. The method of claim 8,
A method of estimating falling risk based on machine learning based on the selected final characteristic points among the pre-selected characteristic point candidates
제9 항에 있어서,
Sequential Forward Floating Search (SFFS) algorithm을 이용하여 최종 특성점을 선정하는 낙상 위험도를 결정하는 기계학습 기반 낙상 위험도 추정 방법.
10. The method of claim 9,
A Machine Learning Based Fall Risk Estimation Method to Determine the Fall Risk of Selecting the Final Characteristics by Using the Sequential Forward Floating Search (SFFS) Algorithm.
제7 항에 있어서,
Berg Balance Scale (BBS) 방법에 따라 낙상 위험도를 추정하는 기계학습 기반 낙상 위험도 추정 방법.
8. The method of claim 7,
A method of estimating fall risk based on machine learning based on Berg Balance Scale (BBS) method.
제7 항에 있어서,
사용자별 훈련을 통해 사용자별로 다른 방법으로 낙상 위험도를 추정하는 기계학습 기반 낙상 위험도 추정 방법.
8. The method of claim 7,
A Machine Learning Based Fall Risk Estimation Method that Estimates Falling Risk by Different Methods for Each User through Training by User.
KR1020170023776A 2017-02-22 2017-02-22 Apparatus and method for estimating fall risk based on machine learning KR102617480B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170023776A KR102617480B1 (en) 2017-02-22 2017-02-22 Apparatus and method for estimating fall risk based on machine learning

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170023776A KR102617480B1 (en) 2017-02-22 2017-02-22 Apparatus and method for estimating fall risk based on machine learning

Publications (2)

Publication Number Publication Date
KR20180097091A true KR20180097091A (en) 2018-08-30
KR102617480B1 KR102617480B1 (en) 2023-12-26

Family

ID=63453719

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170023776A KR102617480B1 (en) 2017-02-22 2017-02-22 Apparatus and method for estimating fall risk based on machine learning

Country Status (1)

Country Link
KR (1) KR102617480B1 (en)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109949544A (en) * 2019-04-23 2019-06-28 张达 A kind of method and system of indoor fall comprehensive identification and gradual alarm
KR102123008B1 (en) * 2019-08-26 2020-06-15 전찬희 Apparatus for intelligent wearable hazard determination device using complex environment measurement and method thereof
KR20200116607A (en) * 2019-04-02 2020-10-13 재단법인 아산사회복지재단 Method of monitoring patient condition based on gait measurement data
KR20220060876A (en) * 2020-11-05 2022-05-12 가톨릭관동대학교산학협력단 Apparatus for estimating impact acceleration magnitude when falling based on inertial information, method thereof and impact protection system having the same

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120018337A (en) * 2009-05-22 2012-03-02 테크놀로지안 투트키무스케스쿠스 브이티티 Context recognition in mobile devices
KR20130112158A (en) * 2012-04-03 2013-10-14 엘지전자 주식회사 Apparatus and method for predicting or detecting a fall
KR20170004269A (en) * 2015-07-01 2017-01-11 김주철 Apparatus and method for fall-down detection

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20120018337A (en) * 2009-05-22 2012-03-02 테크놀로지안 투트키무스케스쿠스 브이티티 Context recognition in mobile devices
KR20130112158A (en) * 2012-04-03 2013-10-14 엘지전자 주식회사 Apparatus and method for predicting or detecting a fall
KR20170004269A (en) * 2015-07-01 2017-01-11 김주철 Apparatus and method for fall-down detection

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20200116607A (en) * 2019-04-02 2020-10-13 재단법인 아산사회복지재단 Method of monitoring patient condition based on gait measurement data
CN109949544A (en) * 2019-04-23 2019-06-28 张达 A kind of method and system of indoor fall comprehensive identification and gradual alarm
KR102123008B1 (en) * 2019-08-26 2020-06-15 전찬희 Apparatus for intelligent wearable hazard determination device using complex environment measurement and method thereof
WO2021040126A1 (en) * 2019-08-26 2021-03-04 전찬희 Intelligent wearable dangerous state determination device using complex environment measurement, and method therefor
KR20220060876A (en) * 2020-11-05 2022-05-12 가톨릭관동대학교산학협력단 Apparatus for estimating impact acceleration magnitude when falling based on inertial information, method thereof and impact protection system having the same

Also Published As

Publication number Publication date
KR102617480B1 (en) 2023-12-26

Similar Documents

Publication Publication Date Title
EP2925213B1 (en) Method and apparatus for identifying transitions between sitting and standing postures
US20130023798A1 (en) Method for body-worn sensor based prospective evaluation of falls risk in community-dwelling elderly adults
Zhou et al. Validation of an IMU gait analysis algorithm for gait monitoring in daily life situations
CN105210067B (en) Computing a physiological state of a user related to physical exercise
KR20180097091A (en) Apparatus and method for estimating fall risk based on machine learning
US20110082394A1 (en) Method and system for monioring sport related fitness by estimating muscle power and joint force of limbs
Majumder et al. A multi-sensor approach for fall risk prediction and prevention in elderly
JP6127873B2 (en) Analysis method of walking characteristics
CN111698952B (en) Cognitive function evaluation device, system and method, and program recording medium
JP6998518B2 (en) Motor function estimation information generation device, motor function estimation system, motor function estimation information generation method, motor function estimation method and recording medium
CN107111670A (en) Weak method and apparatus for quantifying simultaneously monitoring object
US9766115B2 (en) Balance ability measurement apparatus, balance ability measurement method and non-transitory computer readable recording medium for recording balance ability measurement program
Hemmatpour et al. Nonlinear Predictive Threshold Model for Real‐Time Abnormal Gait Detection
KR20190120922A (en) Method and system for walking ability prediction using stepping characteristics information
US20230298760A1 (en) Systems, devices, and methods for determining movement variability, illness and injury prediction and recovery readiness
Majumder et al. A wireless IoT system towards gait detection in stroke patients
JP5360093B2 (en) Energy consumption measuring device, energy consumption measuring method, and motion analysis system
Ma et al. Toward robust and platform-agnostic gait analysis
JP2017148287A (en) Evaluation method of stumbling risk
Fontecha et al. A proposal for elderly frailty detection by using accelerometer-enabled smartphones
KR101174729B1 (en) Ubiquitous healthcare system and multi-functional shoes having the same
Smoleń Consistency of outputs of the selected motion acquisition methods for human activity recognition
JP6486200B2 (en) Mobile motion analysis apparatus, system, and program
JP7331810B2 (en) Walking information acquisition method, walking information acquiring device, and walking information acquiring system
JP2020141744A (en) Estimation device of physique index of human

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