KR20200145157A - 사용자 빅데이터를 활용한 사고위험 예측방법 및 장치 - Google Patents
사용자 빅데이터를 활용한 사고위험 예측방법 및 장치 Download PDFInfo
- Publication number
- KR20200145157A KR20200145157A KR1020190073769A KR20190073769A KR20200145157A KR 20200145157 A KR20200145157 A KR 20200145157A KR 1020190073769 A KR1020190073769 A KR 1020190073769A KR 20190073769 A KR20190073769 A KR 20190073769A KR 20200145157 A KR20200145157 A KR 20200145157A
- Authority
- KR
- South Korea
- Prior art keywords
- accident risk
- user
- data
- learning
- biosignal
- Prior art date
Links
- 238000000034 method Methods 0.000 title claims description 19
- 230000033001 locomotion Effects 0.000 claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 claims abstract description 24
- 238000013500 data storage Methods 0.000 claims abstract description 16
- 238000013480 data collection Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims description 11
- 230000036541 health Effects 0.000 description 7
- 230000036772 blood pressure Effects 0.000 description 6
- 210000003205 muscle Anatomy 0.000 description 6
- 230000029058 respiratory gaseous exchange Effects 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 201000010099 disease Diseases 0.000 description 5
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 5
- 230000006870 function Effects 0.000 description 5
- 230000006399 behavior Effects 0.000 description 4
- 230000032683 aging Effects 0.000 description 3
- 208000031648 Body Weight Changes Diseases 0.000 description 2
- 208000017667 Chronic Disease Diseases 0.000 description 2
- 206010061218 Inflammation Diseases 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000005856 abnormality Effects 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000004579 body weight change Effects 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 2
- 230000007177 brain activity Effects 0.000 description 2
- 230000002612 cardiopulmonary effect Effects 0.000 description 2
- 210000000748 cardiovascular system Anatomy 0.000 description 2
- 230000003247 decreasing effect Effects 0.000 description 2
- 206010012601 diabetes mellitus Diseases 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000004054 inflammatory process Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000037081 physical activity Effects 0.000 description 2
- 230000003313 weakening effect Effects 0.000 description 2
- 238000003491 array Methods 0.000 description 1
- 230000036760 body temperature Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000003814 drug Substances 0.000 description 1
- 230000002503 metabolic effect Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000002250 progressing effect Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
- G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
- G08B21/0438—Sensor means for detecting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/042—Knowledge-based neural networks; Logical representations of neural networks
-
- G06N3/0427—
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION 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
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/10—Services
- G06Q50/22—Social work or social welfare, e.g. community support activities or counselling services
-
- 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
- G16H50/70—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for mining of medical data, e.g. analysing previous cases of other patients
Landscapes
- Engineering & Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Medical Informatics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Tourism & Hospitality (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Child & Adolescent Psychology (AREA)
- Emergency Management (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Databases & Information Systems (AREA)
- Human Resources & Organizations (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Economics (AREA)
- Pathology (AREA)
- Marketing (AREA)
- Epidemiology (AREA)
- Gerontology & Geriatric Medicine (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Alarm Systems (AREA)
- Measuring And Recording Apparatus For Diagnosis (AREA)
Abstract
본 발명은 사고위험 예측 장치에 관한 것으로서 사용자의 생체신호를 측정한 생체신호 데이터 및 사용자 움직임 영상을 수집하는 사용자 데이터 수집부, 사고위험 분류를 위한 학습데이터셋이 저장된 데이터 저장부, 상기 데이터 저장부에 저장된 학습 데이터셋과 상기 사용자 데이터 수집부가 수집한 생체신호 데이터 및 사용자 움직임 영상을 신경망 알고리즘을 통해 학습하여 사고위험을 예측하는 사고위험 예측부, 및 상기 사고위험 예측부가 예측한 사용자의 사고위험이 일정 임계치 이상인 경우 기 설정된 단말기로 알림 메시지를 전송하는 알림부를 포함하는 것을 특징으로 하며, 사용자의 행동이나 생체신호 등을 통해 미리 낙상 등의 사고위험을 예측하여 보호자 또는 의료기관에 알림으로써, 사고위험을 방지할 수 있다.
Description
본 발명은 사고위험 예측 장치에 관한 것으로서, 더욱 상세하게는 사용자의 행동이나 생체신호 등을 통해 미리 낙상 등의 사고위험을 예측하여 보호자 또는 의료기관에 알림으로써, 사고위험을 방지할 수 있는 사고위험 예측방법 및 장치에 관한 것이다.
고령화 사회로 급속하게 진행함에 따라, 노인 분들이나 거동이 불편한 보행자 등이 안심하고 일상생활을 영위할 수 있도록 도와주는 다양한 건강관리 서비스들이 등장하고 있다.
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
삶의 질 향상과 생명 연장을 목적으로 하는 보건산업 핵심 가치는 과거 '집단에 대한 표준적 질병 진단과 치료개념'에서 '개인에 최적화된 질환 예측 및 예방을 통한 건강 증진'으로 이동 중이며, 정밀의료(precision medicine) 시대가 도래하고 있는 바 개인 맞춤형 돌봄 예측 서비스가 요구되고 있다.
선행기술 1(한국등록공보 10-1766335)는 사용자의 흔들림 데이터를 가속도 센서를 이용하여 측정하고, 낙상 위험성을 예측하는 기술로서, 사용자의 사고위험을 미리 예측하는 것이 아니라 사고가 이미 발생한 후 발생여부를 판단하는 기술이다.
선행기술 2(한국등록공보 10-1937434)는 사용자의 빅데이터를 분석하여 유사케이스를 추출하고, 이를 통해 개인의 질병을 예측하는 기술로서, 선행기술 1과 마찬가지로 사용자의 사고위험을 예측하지 못하는 문제점이 있다.
즉 종래의 선행기술들은 가속도값을 기반으로 사용자의 낙상 위험도를 판단할 뿐 사용자의 행동, 생체신호 등을 통해 미리 낙상의 위험을 예측하지는 못하는 실정이다.
따라서, 본 발명이 해결하고자 하는 첫 번째 과제는 사용자의 행동이나 생체신호 등을 통해 미리 낙상 등의 사고위험을 예측하여 보호자 또는 의료기관에 알림으로써, 사고위험을 방지할 수 있는 사고위험 예측 장치를 제공하는 것이다.
본 발명이 해결하고자 하는 두 번째 과제는 신경망 알고리즘을 통해 개인별 생체신호 데이터와 행동 데이터를 학습하게 되므로, 개인별로 최적화된 예측을 할 수 있는 사고위험 예측 방법을 제공하는 것이다.
또한, 상기된 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체를 제공하는데 있다.
본 발명은 상기 첫 번째 과제를 달성하기 위하여, 사용자의 생체신호를 측정한 생체신호 데이터 및 사용자 움직임 영상을 수집하는 사용자 데이터 수집부; 사고위험 분류를 위한 학습데이터셋이 저장된 데이터 저장부; 상기 데이터 저장부에 저장된 학습 데이터셋과 상기 사용자 데이터 수집부가 수집한 생체신호 데이터 및 사용자 움직임 영상을 신경망 알고리즘을 통해 학습하여 사고위험을 예측하는 사고위험 예측부; 및 상기 사고위험 예측부가 예측한 사용자의 사고위험이 일정 임계치 이상인 경우 기 설정된 단말기로 알림 메시지를 전송하는 알림부를 포함하는 사고위험 예측 장치를 제공한다.
본 발명의 일 실시 예에 의하면, 상기 사고위험 예측부는 입력층, 은닉층, 및 출력층으로 구분된 신경망 알고리즘을 이용하여 학습데이터셋을 학습하고, 학습결과에 따라 상기 은닉층의 가중치와 상기 출력층의 가중치가 결정되면, 상기 생체신호 데이터 및 사용자 움직임 영상을 이용하여 사고위험을 예측하는 것이 바람직하다.
본 발명은 상기 두 번째 과제를 달성하기 위하여, 사용자의 생체신호를 측정한 생체신호 데이터 및 사용자 움직임 영상을 수집하는 단계; 데이터 저장부에 저장된 사고위험 분류를 위한 학습데이터셋과 상기 수집한 생체신호 데이터 및 사용자 움직임 영상을 신경망 알고리즘을 통해 학습하여 사고위험을 예측하는 단계; 및 상기 예측한 사용자의 사고위험이 일정 임계치 이상인 경우 기 설정된 단말기로 알림 메시지를 전송하는 단계를 포함하는 사고위험 예측 방법을 제공한다.
본 발명의 일 실시 예에 의하면, 상기 사고위험을 예측하는 단계는, 입력층, 은닉층, 및 출력층으로 구분된 신경망 알고리즘을 이용하여 학습데이터셋을 학습하고, 학습결과에 따라 상기 은닉층의 가중치와 상기 출력층의 가중치가 결정되면, 상기 생체신호 데이터 및 사용자 움직임 영상을 이용하여 사고위험을 예측하는 것이 바람직하다.
상기 다른 기술적 과제를 해결하기 위하여, 본 발명은 상기된 사고위험 예측 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록 매체를 제공한다.
본 발명에 따르면, 사용자의 행동이나 생체신호 등을 통해 미리 낙상 등의 사고위험을 예측하여 보호자 또는 의료기관에 알림으로써, 사고위험을 방지할 수 있다.
또한, 본 발명에 따르면, 신경망 알고리즘을 통해 개인별 생체신호 데이터와 행동 데이터를 학습하게 되므로, 개인별로 최적화된 예측을 할 수 있다.
나아가, 본 발명에 따르면, 영유아, 고령자 등 사회적 돌봄이 필요한 계층의 일반적인 생체신호를 센싱함으로써, 갑자기 발생할 수 있는 응급상황 대처 및 모니터링이 가능하다.
도 1은 본 발명의 바람직한 일 실시 예에 따른 사고위험 예측 장치의 구성도이다.
도 2는 본 발명의 실시 예에 따른 신경망 알고리즘을 도시한 것이다.
도 3은 본 발명의 바람직한 일 실시 예에 따른 사고위험 예측 방법의 흐름도이다.
도 2는 본 발명의 실시 예에 따른 신경망 알고리즘을 도시한 것이다.
도 3은 본 발명의 바람직한 일 실시 예에 따른 사고위험 예측 방법의 흐름도이다.
이하 첨부된 도면을 참조하여 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자가 본 발명을 용이하게 실시할 수 있는 바람직한 실시 예를 상세히 설명한다. 그러나 이들 실시 예는 본 발명을 보다 구체적으로 설명하기 위한 것으로, 본 발명의 범위가 이에 의하여 제한되지 않는다는 것은 당업계의 통상의 지식을 가진 자에게 자명할 것이다.
본 발명이 해결하고자 하는 과제의 해결 방안을 명확하게 하기 위한 발명의 구성을 본 발명의 바람직한 실시 예에 근거하여 첨부 도면을 참조하여 상세히 설명하되, 도면의 구성요소들에 참조번호를 부여함에 있어서 동일 구성요소에 대해서는 비록 다른 도면상에 있더라도 동일 참조번호를 부여하였으며 당해 도면에 대한 설명시 필요한 경우 다른 도면의 구성요소를 인용할 수 있음을 미리 밝혀둔다. 아울러 본 발명의 바람직한 실시 예에 대한 동작 원리를 상세하게 설명함에 있어 본 발명과 관련된 공지 기능 혹은 구성에 대한 구체적인 설명 그리고 그 이외의 제반 사항이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우, 그 상세한 설명을 생략한다.
도 1은 본 발명의 바람직한 일 실시 예에 따른 사고위험 예측 장치의 구성도이다.
도 1을 참조하면, 본 실시 예에 따른 사고위험 예측 장치는 사용자 데이터 수집부(100), 데이터 저장부(110), 사고위험 예측부(120), 및 알림부(130)로 구성된다.
사용자 데이터 수집부(100)는 사용자의 생체신호를 측정한 생체신호 데이터및 사용자 움직임 영상을 수집한다.
본 발명에서의 생체신호는 사용자의 생리계통의 상태를 반영하는 모든 정보를 의미한다. 예를 들면, 심혈관계 지표인 혈압과 맥박, 생체신진대사 활동 지표인 체온, 호흡수 등이 속한다.
생체신호는 시간 선상에서 변이폭에 따라 다음과 같이 분류될 수 있다.
인간 생명 현상과 직결되는 심폐계통의 생체신호인 혈압, 맥박, 호흡은 초분 단위의 짧은 시간에 많은 변동을 보이며, 각각의 절대값뿐만 아니라, 변이 여부, 빈도, 정도가 건강/질병 상태를 결정하거나 상태를 반영한다. 반면에 체중은 상대적으로 긴 시간단위에 걸쳐 변화가 일어나며, 그 변화의 폭도 상대적으로 작은 편이다.
또한, 어떤 생체신호들은 시간 단위의 장단에 무관하게 변화를 보이는 동시에 생리적 의미를 지니는데, 뇌와 신체활동(운동)은 사람 생애 전반에 걸쳐 쉼없이 일어나며, 생명/건강/질병 현상의 가장 중요한 결정 요인이자 척도가 된다.
따라서, 초분단위의 짧은 시간에 많은 변동을 보이는 혈압, 맥박, 호흡은 가중치를 많이 부여하여 사고위험을 판단하여야 하고, 체중은 가중치를 작게 부여하여야할 필요가 있다.
사용자 데이터 수집부(100)는 사용자의 일반적 생체신호를 측정하기 위한 센서 모듈이 포함된다. 상기 센서 모듈은 맥박센서, 온도센서, 호흡센서를 통해 데이터를 측정하여 데이터 저장부(110)에 저장한다. 또한 사용자의 나이, 키, 몸무게 등의 개인 정보는 별도의 인터페이스를 통해 입력받아 저장할 수 있다.
사용자 데이터 중 사용자의 움직임 영상은 비정형 데이터로서 학습 데이터로 사용하기 부적하므로, 이를 정형 데이터로 변환하는 것이 필요하다.
본 발명의 일 실시예에 따르면, 사용자의 움직임 영상 특히 노인의 움직임 영상에서 걸음속도와 걸음 보폭을 정형 데이터로서 추출하여 사용자 데이터로 사용할 수 있다. 움직임 영상에서의 걸음속도와 걸음 보폭은 시간 선상에서 변이폭이 큰 데이터이므로, 사고위험을 판단하는데 중요한 데이터가 된다.
특히 노인층의 걸음속도가 감소하거나 걸음보폭이 짧아지는 경우 노인의 하체근력이 약해지는 것이 원인이 될 수 있으므로 낙상의 주요원인이 된다.
하체의 힘이 약해 보행 속도가 느려지면 넘어지기 쉬운데 나이가 들면 하체 근육이 퇴화해 보행 속도가 느려진다. 노화 외에 당뇨병 같은 만성질환이 있으면 몸속 염증이 근육 생성을 방해하므로, 하체 근육이 잘 만들어지지 않아 보행 속도가 느려질 수 있다.
사용자 움직임 영상 중에서 사용자가 움직이는 시간 동안 얼마의 거리를 이동하였는지 계산하면 걸음속도를 계산할 수 있고, 이동한 거리를 걸음걸이 횟수로 나누게 되면 걸음 보폭을 확인할 수 있다.
데이터 저장부(110)는 사고위험 분류를 위한 학습데이터셋을 구성하여 저장한다. 학습 데이터셋은 사고위험을 4단계(위험, 이상, 보통, 정상)로 분류하기 위한 학습 데이터로 구성된다.
상기 학습 데이터셋에서 혈압, 맥박, 호흡에 대해서는 초기 가중치를 많이 부여하고, 체중은 초기 가중치를 작게 부여하는 것이 바람직할 것이다.
한편, 모든 사용자 데이터에 대하여 초기 가중치를 설정하는 것이 곤란한 경우, 시간에 따른 변이폭에 비례한 가중치를 부여하는 것이 바람직하다. 시간에 따른 변이폭이 큰 데이터의 경우 사고위험에 많은 기여를 할 가능성이 높기 때문이다.
사고위험 예측부(120)는 데이터 저장부(110)에 저장된 사용자 데이터를 신경망 알고리즘을 통해 학습하여 사고위험을 예측한다.
본 발명의 일 실시예에 따르면, 데이터 저장부(110)에 저장된 데이터를 활용하여 사고위험을 분류하기 위해 인공지능 기법인 신경망알고리즘을 이용하여 분류하는 것이 바람직하다.
기존의 다양한 학습 알고리즘이 있지만 본 발명에서 이용하는 사용자 데이터는 비선형 데이터를 포함하므로, 다음의 도 2와 같은 신경망 알고리즘을 이용한다.
도 2는 본 발명의 실시 예에 따른 신경망 알고리즘을 도시한 것이다.
도 2의 신경망 알고리즘은 입력층, 은닉층, 출력층으로 구분되고, 은닉층의 가중치를 조절해 학습함으로써 다른 학습 알고리즘에 비해 높은 정확도를 얻을 수 있다. 신경망 알고리즘은 입력값을 신경망의 가중치(Weight)와 곱하고 더하는 과정을 반복하여 입력의 결과 값인 출력값(y)이 나온다. 이 때 출력값(y)은 학습 데이터에서 주어진 원하는 출력(o)과 다르게 되는데, (y-o)만큼의 오차(e=y-o)가 발생하며, 오차에 비례하여 출력층의 가중치를 갱신하고, 그 다음 은닉층의 가중치를 갱신한다. 이때 출력값에 더 많은 영향을 미치는 층은 출력층의 가중치이므로, 은닉층의 가중치보다 출력층의 가중치를 먼저 갱신하는 것이 바람직하다.
보다 상세하게 살펴보면, 신경망 알고리즘은 x1×w11+x2×w12+x3×w1n을 계산하여 첫번째 은닉층값(z1)을 생성하고, x1×w21+x2×w22+x3×w2n을 계산하여 두번째 은닉층값(z2)을 생성하고, 차례로 x1×w31+x2×w32+x3×w3n, x1×w41+x2×w42+x3×w4n을 계산하여 세번째와 네번째 은닉층값(z3, z4)을 생성한다.
즉, 입력값과 은닉층의 가중치를 곱한 후 합한 값을 은닉층값으로 하고, 상기 은닉층값이 임계값보다 크면 1, 임계값보다 작으면 0이 된다. 따라서, 은닉층값은 0 또는 1로 구성되고, 0인 은닉층값은 출력층에 영향을 미치지 않는다. 마찬가지로 출력층은 y1=z1×w211+z2×w212+z3×w213+z4×w214와 ym=z1×w2m1+z2×w2m2+z3×w2m3+z4×w2m4로 계산된다.
출력층의 y1과 ym을 원하는 출력과 비교하고, 비교결과 발생한 오차를 줄이기 위해 출력층과 은닉층의 가중치를 갱신한다.
출력층의 값을 합한 결과에 따라 사용자의 사고위험을 4단계(위험, 이상, 보통, 정상)로 분류하는 것이 바람직하다. 이렇게 신경망 알고리즘에 의해 사용자의 사고위험을 4단계로 분류하고 분류한 결과를 알림부(130)로 전송한다
알림부(130)는 사고위험 예측부(120)가 예측한 사용자의 사고위험이 일정 임계치 이상인 경우 보호자, 의료기관 등의 기 설정된 단말기로 알림 메시지를 전송한다. 상기 일정 임계치는 사고위험 예측부(120)가 사고위험을 분류한 결과 위험 또는 이상에 해당하는 결과에 해당하는 값이다.
도 3은 본 발명의 바람직한 일 실시 예에 따른 사고위험 예측 방법의 흐름도이다.
도 3을 참조하면, 본 실시 예에 따른 사고위험 예측 방법은 도 1에 도시된 사고위험 예측 장치에서 시계열적으로 처리되는 단계들로 구성된다. 따라서, 이하 생략된 내용이라 하더라도 도 1에 도시된 사고위험 예측 장치에 관하여 이상에서 기술된 내용은 본 실시 예에 따른 사고위험 예측 방법에도 적용된다.
300 단계에서 사고위험 예측 장치는 사용자의 생체신호를 측정한 생체신호 데이터 및 사용자 움직임 영상을 수집한다.
생체신호는 시간 선상에서 변이폭에 따라 다음과 같이 분류될 수 있다.
인간 생명 현상과 직결되는 심폐계통의 생체신호인 혈압, 맥박, 호흡은 초분 단위의 짧은 시간에 많은 변동을 보이며, 각각의 절대값뿐만 아니라, 변이 여부, 빈도, 정도가 건강/질병 상태를 결정하거나 상태를 반영한다. 반면에 체중은 상대적으로 긴 시간단위에 걸쳐 변화가 일어나며, 그 변화의 폭도 상대적으로 작은 편이다.
또한, 어떤 생체신호들은 시간 단위의 장단에 무관하게 변화를 보이는 동시에 생리적 의미를 지니는데, 뇌와 신체활동(운동)은 사람 생애 전반에 걸쳐 쉼없이 일어나며, 생명/건강/질병 현상의 가장 중요한 결정 요인이자 척도가 된다.
상기 생체신호들은 맥박센서, 온도센서, 호흡센서 등을 통해 측정되어 데이터 저장부(110)에 저장된다. 또한 사용자의 나이, 키, 몸무게 등의 개인 정보는 별도의 인터페이스를 통해 입력받아 저장할 수 있다.
사용자 데이터 중 사용자의 움직임 영상은 비정형 데이터로서 학습 데이터로 사용하기 부적하므로, 이를 정형 데이터로 변환하는 것이 필요하다.
본 발명의 일 실시예에 따르면, 사용자의 움직임 영상 특히 노인의 움직임 영상에서 걸음속도와 걸음 보폭을 정형 데이터로서 추출하여 사용자 데이터로 사용할 수 있다. 특히 노인층의 걸음속도가 감소하거나 걸음보폭이 짧아지는 경우 노인의 하체근력이 약해지는 것이 원인이 될 수 있으므로 낙상의 주요원인이 된다.
하체의 힘이 약해 보행 속도가 느려지면 넘어지기 쉬운데 나이가 들면 하체 근육이 퇴화해 보행 속도가 느려진다. 노화 외에 당뇨병 같은 만성질환이 있으면 몸속 염증이 근육 생성을 방해하므로, 하체 근육이 잘 만들어지지 않아 보행 속도가 느려질 수 있다. 사용자 움직임 영상 중에서 사용자가 움직이는 시간 동안 얼마의 거리를 이동하였는지 계산하면 걸음속도를 계산할 수 있고, 이동한 거리를 걸음걸이 횟수로 나누게 되면 걸음 보폭을 확인할 수 있다.
310 단계에서 사고위험 예측 장치는 데이터 저장부(110)에 저장된 사고위험 분류를 위한 학습 데이터셋과 상기 수집한 생체신호 데이터 및 사용자 움직임 영상을 신경망 알고리즘을 통해 학습하여 사고위험을 예측한다.
상기 학습 데이터셋에서 혈압, 맥박, 호흡에 대해서는 초기 가중치를 많이 부여하고, 체중은 초기 가중치를 작게 부여하는 것이 바람직하다.
한편, 모든 사용자 데이터에 대하여 초기 가중치를 설정하는 것이 곤란한 경우, 시간에 따른 변이폭에 비례한 가중치를 부여하는 것이 바람직하다. 시간에 따른 변이폭이 큰 데이터의 경우 사고위험에 많은 기여를 할 가능성이 높기 때문이다.
본 발명의 일 실시예에 따르면, 데이터 저장부(110)에 저장된 데이터를 활용하여 사고위험을 분류하기 위해 인공지능 기법인 신경망알고리즘을 이용하여 분류하는 것이 바람직하다. 기존의 다양한 학습 알고리즘이 있지만 본 발명에서 이용하는 사용자 데이터는 비선형 데이터를 포함하므로 도 2에 기술한 신경망 알고리즘을 사용한다.
320 단계에서 사고위험 예측 장치는 310 단계에서 예측한 사용자의 사고위험이 일정 임계치 이상인 경우 기 설정된 단말기로 알림 메시지를 전송한다.
상기 일정 임계치는 사고위험을 분류한 결과 위험 또는 이상에 해당하는 결과에 해당하는 값이다.
이상에서의 본 발명의 바람직한 일 실시 예에 따른 사고위험 예측 방법은 스마트기기 어플리케이션을 통해 구현되는 것이 바람직할 것이다.
본 실시 예에서 사용되는 '~부'라는 용어는 소프트웨어 또는 FPGA(field-programmable gate array) 또는 ASIC과 같은 하드웨어 구성요소를 의미하며, '~부'는 어떤 역할들을 수행한다. 그렇지만 '~부'는 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. '~부'는 어드레싱할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 '~부'는 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터,데이터베이스, 데이터 구조들, 테이블들, 어레이들, 및 변수들을 포함한다. 구성요소들과 '~부'들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 '~부'들로 결합되거나 추가적인 구성요소들과 '~부'들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 '~부'들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.
상술한 모든 기능은 상기 기능을 수행하도록 코딩된 소프트웨어나 프로그램 코드 등에 따른 마이크로프로세서, 제어기, 마이크로제어기, ASIC(Application Specific Integrated Circuit) 등과 같은 프로세서에 의해 수행될 수 있다. 상기 코드의 설계, 개발 및 구현은 본 발명의 설명에 기초하여 당업자에게 자명하다고 할 것이다.
이상 본 발명에 대하여 실시 예를 참조하여 설명하였지만, 해당 기술 분야의 통상의 지식을 가진 자는 본 발명의 기술적 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시켜 실시할 수 있음을 이해할 수 있을 것이다. 따라서 상술한 실시 예에 한정되지 않고, 본 발명은 이하의 특허청구범위의 범위 내의 모든 실시 예들을 포함한다고 할 것이다.
Claims (5)
- 사용자의 생체신호를 측정한 생체신호 데이터 및 사용자 움직임 영상을 수집하는 사용자 데이터 수집부;
사고위험 분류를 위한 학습데이터셋이 저장된 데이터 저장부;
상기 데이터 저장부에 저장된 학습 데이터셋과 상기 사용자 데이터 수집부가 수집한 생체신호 데이터 및 사용자 움직임 영상을 신경망 알고리즘을 통해 학습하여 사고위험을 예측하는 사고위험 예측부; 및
상기 사고위험 예측부가 예측한 사용자의 사고위험이 일정 임계치 이상인 경우 기 설정된 단말기로 알림 메시지를 전송하는 알림부를 포함하는 사고위험 예측 장치. - 제1 항에 있어서,
상기 사고위험 예측부는 입력층, 은닉층, 및 출력층으로 구분된 신경망 알고리즘을 이용하여 학습데이터셋을 학습하고, 학습결과에 따라 상기 은닉층의 가중치와 상기 출력층의 가중치가 결정되면, 상기 생체신호 데이터 및 사용자 움직임 영상을 이용하여 사고위험을 예측하는 것을 특징으로 하는 사고위험 예측 장치. - 사용자의 생체신호를 측정한 생체신호 데이터 및 사용자 움직임 영상을 수집하는 단계;
데이터 저장부에 저장된 사고위험 분류를 위한 학습데이터셋과 상기 수집한 생체신호 데이터 및 사용자 움직임 영상을 신경망 알고리즘을 통해 학습하여 사고위험을 예측하는 단계; 및
상기 예측한 사용자의 사고위험이 일정 임계치 이상인 경우 기 설정된 단말기로 알림 메시지를 전송하는 단계를 포함하는 사고위험 예측 방법. - 제1 항에 있어서,
상기 사고위험을 예측하는 단계는, 입력층, 은닉층, 및 출력층으로 구분된 신경망 알고리즘을 이용하여 학습데이터셋을 학습하고, 학습결과에 따라 상기 은닉층의 가중치와 상기 출력층의 가중치가 결정되면, 상기 생체신호 데이터 및 사용자 움직임 영상을 이용하여 사고위험을 예측하는 것을 특징으로 하는 사고위험 예측 방법. - 제3 항 또는 제4 항 중에 어느 한 항의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190073769A KR102229909B1 (ko) | 2019-06-20 | 2019-06-20 | 사용자 빅데이터를 활용한 사고위험 예측방법 및 장치 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020190073769A KR102229909B1 (ko) | 2019-06-20 | 2019-06-20 | 사용자 빅데이터를 활용한 사고위험 예측방법 및 장치 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20200145157A true KR20200145157A (ko) | 2020-12-30 |
| KR102229909B1 KR102229909B1 (ko) | 2021-03-19 |
Family
ID=74088517
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020190073769A KR102229909B1 (ko) | 2019-06-20 | 2019-06-20 | 사용자 빅데이터를 활용한 사고위험 예측방법 및 장치 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102229909B1 (ko) |
Families Citing this family (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20240094351A (ko) | 2022-12-16 | 2024-06-25 | 주식회사 스파이더코어 | 보행 및 신체 데이터 기반의 낙상 위험 및 근감소증 예측 방법 및 시스템 |
Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101438002B1 (ko) * | 2013-02-28 | 2014-09-16 | 계명대학교 산학협력단 | 낙상 방지 장치 |
| KR20160141679A (ko) * | 2015-06-01 | 2016-12-09 | 울산대학교 산학협력단 | 심실 부정맥 예측 장치 및 그 방법 |
-
2019
- 2019-06-20 KR KR1020190073769A patent/KR102229909B1/ko active IP Right Grant
Patent Citations (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR101438002B1 (ko) * | 2013-02-28 | 2014-09-16 | 계명대학교 산학협력단 | 낙상 방지 장치 |
| KR20160141679A (ko) * | 2015-06-01 | 2016-12-09 | 울산대학교 산학협력단 | 심실 부정맥 예측 장치 및 그 방법 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR102229909B1 (ko) | 2021-03-19 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US10863927B2 (en) | Identifying fall risk using machine learning algorithms | |
| EP3566231B1 (en) | Apparatus and method for triggering a fall risk alert to a person | |
| JP6892233B2 (ja) | 双方向の遠隔的な患者監視および状態管理介入システム | |
| Staudenmayer et al. | An artificial neural network to estimate physical activity energy expenditure and identify physical activity type from an accelerometer | |
| Mozaffari et al. | Practical fall detection based on IoT technologies: A survey | |
| KR20190105163A (ko) | 인공지능 기반의 환자상태 예측 장치 및 이를 이용한 환자상태 예측 방법 | |
| JP7258918B2 (ja) | モニタリング対象者のバイタルサインの信頼性の決定 | |
| Phukan et al. | Convolutional neural network-based human activity recognition for edge fitness and context-aware health monitoring devices | |
| KR20210114012A (ko) | 주의력 결핍 과잉행동 장애 모니터링의 진단 및 효율성 | |
| Ahmed | An intelligent healthcare service to monitor vital signs in daily life–a case study on health-iot | |
| JP2019155071A (ja) | 事象予測システム、センサ信号処理システム、事象予測方法及びプログラム | |
| Wu et al. | A precision health service for chronic diseases: development and cohort study using wearable device, machine learning, and deep learning | |
| KR102229909B1 (ko) | 사용자 빅데이터를 활용한 사고위험 예측방법 및 장치 | |
| Archana et al. | Stress detection using machine learning algorithms | |
| JP2024513618A (ja) | 感染症及び敗血症の個別化された予測のための方法及びシステム | |
| Özcanhan et al. | Neural network-supported patient-adaptive fall prevention system | |
| Kalatzis et al. | Interactive dimensionality reduction for improving patient adherence in remote health monitoring | |
| Paraschiv et al. | Underpinning Improved Outcomes through Preventative Patient Care Models Based on Remote Monitoring and AI | |
| TWI704579B (zh) | 健康管理方法與系統 | |
| Patil et al. | Heart Disease Prediction Using Machine Learning and Data Analytics Approach | |
| Rueangsirarak et al. | Biofeedback assessment for older people with balance impairment using a low-cost balance board | |
| US20230307142A1 (en) | Fall risk analysis using balance profiles | |
| WO2023058200A1 (ja) | 疲労度算出装置、疲労度算出方法及び記憶媒体 | |
| WO2023053176A1 (ja) | 学習装置、行動推薦装置、学習方法、行動推薦方法及び記憶媒体 | |
| Khaleghi et al. | Detection of gait disorders in people with a walking disability |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| E701 | Decision to grant or registration of patent right | ||
| GRNT | Written decision to grant |