KR20240093846A - 기압 또는 대기압 센서들을 포함하는 다수의 센서를 이용한 낙상 검출을 위한 시스템 및 방법 - Google Patents
기압 또는 대기압 센서들을 포함하는 다수의 센서를 이용한 낙상 검출을 위한 시스템 및 방법 Download PDFInfo
- Publication number
- KR20240093846A KR20240093846A KR1020247016888A KR20247016888A KR20240093846A KR 20240093846 A KR20240093846 A KR 20240093846A KR 1020247016888 A KR1020247016888 A KR 1020247016888A KR 20247016888 A KR20247016888 A KR 20247016888A KR 20240093846 A KR20240093846 A KR 20240093846A
- Authority
- KR
- South Korea
- Prior art keywords
- fall
- wearer
- sensors
- threshold
- sensor
- Prior art date
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 122
- 238000000034 method Methods 0.000 title claims description 33
- 230000000694 effects Effects 0.000 claims abstract description 70
- 230000033001 locomotion Effects 0.000 claims abstract description 65
- 238000010801 machine learning Methods 0.000 claims abstract description 19
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 230000008859 change Effects 0.000 claims description 19
- 238000012706 support-vector machine Methods 0.000 claims description 4
- 238000003066 decision tree Methods 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 description 48
- 238000005259 measurement Methods 0.000 description 28
- 230000006870 function Effects 0.000 description 17
- 230000008569 process Effects 0.000 description 15
- 230000001133 acceleration Effects 0.000 description 12
- 238000012545 processing Methods 0.000 description 12
- 230000004044 response Effects 0.000 description 12
- 230000004913 activation Effects 0.000 description 11
- 210000002569 neuron Anatomy 0.000 description 11
- 238000004458 analytical method Methods 0.000 description 7
- 238000013459 approach Methods 0.000 description 6
- 238000013473 artificial intelligence Methods 0.000 description 5
- 230000036541 health Effects 0.000 description 5
- 238000012549 training Methods 0.000 description 5
- 238000009530 blood pressure measurement Methods 0.000 description 4
- 230000035939 shock Effects 0.000 description 4
- 230000003068 static effect Effects 0.000 description 4
- 230000003213 activating effect Effects 0.000 description 3
- 230000003044 adaptive effect Effects 0.000 description 3
- 230000008901 benefit Effects 0.000 description 3
- 230000002596 correlated effect Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 239000002243 precursor Substances 0.000 description 3
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000013480 data collection Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000011521 glass Substances 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 230000003252 repetitive effect Effects 0.000 description 2
- 230000036387 respiratory rate Effects 0.000 description 2
- 230000001960 triggered effect Effects 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 206010063746 Accidental death Diseases 0.000 description 1
- 206010049816 Muscle tightness Diseases 0.000 description 1
- 206010049418 Sudden Cardiac Death Diseases 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000003466 anti-cipated effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000036772 blood pressure Effects 0.000 description 1
- 230000003139 buffering effect Effects 0.000 description 1
- 230000002301 combined effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000000875 corresponding effect Effects 0.000 description 1
- 230000009193 crawling Effects 0.000 description 1
- 230000002354 daily effect Effects 0.000 description 1
- 230000009849 deactivation Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000003203 everyday effect Effects 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 230000005021 gait Effects 0.000 description 1
- QSHDDOUJBYECFT-UHFFFAOYSA-N mercury Chemical compound [Hg] QSHDDOUJBYECFT-UHFFFAOYSA-N 0.000 description 1
- 229910052753 mercury Inorganic materials 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000000474 nursing effect Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000029058 respiratory gaseous exchange Effects 0.000 description 1
- 238000005096 rolling process Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 230000005236 sound signal Effects 0.000 description 1
- 208000014221 sudden cardiac arrest Diseases 0.000 description 1
- 230000004083 survival effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 210000000707 wrist Anatomy 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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
- G08B21/0407—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis
- G08B21/043—Alarms 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- 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
-
- 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
- G06N3/08—Learning methods
-
- 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
- G08B21/0407—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis
- G08B21/0415—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis detecting absence of activity per se
-
- 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
- G08B21/0446—Sensor means for detecting worn on the body to detect changes of posture, e.g. a fall, inclination, acceleration, gait
-
- 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
- G08B21/0492—Sensor dual technology, i.e. two or more technologies collaborate to extract unsafe condition, e.g. video tracking and RFID tracking
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Gerontology & Geriatric Medicine (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computing Systems (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Psychiatry (AREA)
- Social Psychology (AREA)
- Psychology (AREA)
- Medical Informatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Multimedia (AREA)
- Emergency Alarm Devices (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
- Alarm Systems (AREA)
Abstract
웨어러블 디바이스는 기계 학습 낙상 검출 프로세서를 포함한다. 낙상 검출 프로세서는 복수의 모션 센서들, 적어도 하나의 높이 센서, 및 힘 센서의 총 수의 센서들 중 최소 수의 센서들이 낙상이 발생하였음을 나타낼 때 경보를 발행한다. 최소 수의 센서들은 착용자의 예상된 활동 레벨에 부분적으로 기반하여 낙상 검출 프로세서에 의해 자동으로 설정된다. 낙상 검출 프로세서는 데이터베이스에 저장된 착용자의 예상된 활동 레벨을 착용자의 실제 활동 레벨로 업데이트한다.
Description
관련 출원들에 대한 상호 참조
본 출원은 2021년 10월 24일자로 출원된 미국 가출원 제63/271,194호에 대한 우선권을 주장하며, 그 내용들은 본 명세서에 참조로 포함된다.
본 개시내용의 양태들은 일반적으로 다수의 센서를 이용하여 낙상 검출(fall detection)에서 긍정 오류(false positive)를 감소시키는 디바이스, 시스템 및 방법에 관한 것이다.
세계 보건 기구(World Health Organization)에 따르면, 낙상은 사람이 부주의로 지상에, 바닥에, 또는 출발 높이 또는 배향 아래의 레벨에(예를 들어, 수직/서 있는 상태에서 수평/지상에) 멈추게 되는 이벤트로서 정의된다. 높이의 변화들, 방향의 변화들, 모션 속도의 변화들, 및 충격의 검출과 같은 몇몇 인자들이 낙상의 발생을 나타낼 수 있다.
65세 이상의 미국인 3,500만 명 중의 약 3명 중 1명은 해당 해에 넘어지며, 넘어진 이들 사람들 중 50%는 일어나기 위해 다른 사람의 도움이 필요하다. 노인들은 다른 모든 원인들로 인한 부상들보다 낙상 관련 부상들로 인해 병원에 입원하는 경우가 5배나 더 많다. 낙상들은 노인들의 사고사를 초래하는 주요 원인이다.
연구는 프롬프트가 이러한 응급상황에서 생존할 가능성의 증가를 돕는다는 것을 보여준다. 빠른 도움을 받을 수 있다면, 노인은 독립적으로 계속 생활할 가능성이 더 많다. 반대로, 사람이 무력한 상황(예를 들어, 넘어졌지만 똑바른 위치로 돌아갈 수 없는 상태)에 더 오래 있을수록, 그/그녀가 요양 치료를 받을 가능성이 더 커질 것이다. 혼자 살고 있는 노인들의 경우, 무력해지고 도움을 받을 수 없게 되는 것은 흔한 걱정이며, 이는 보통 그 독립적인 생활의 끝을 나타낸다. 낙상 또는 다른 응급상황 이후에, 1시간 내에 도움을 받는 사람들의 90%는 독립적인 생활을 계속할 것이지만, 도움이 12시간 동안 도착하지 않는 경우, 그 사람들의 10%만이 집에서 독립적으로 계속 생활할 것이다.
현재의 낙상 검출기들은 2개의 카테고리, 즉 쇼크 또는 충격 검출 및 배향 감지로 분할될 수 있다. 제1 카테고리에서, 디바이스는 낙상이 식별되는 (예를 들어, 충격으로부터) 측정가능한 충격을 경험해야 한다. 제2 카테고리에서의 디바이스들은 일반적으로 틸트 스위치(tilt switch)(수은 스위치)를 이용하고, 그/그녀가 수평 배향에 있을 때 틸트 스위치가 트리거링되도록 배향된 물체를 사용자가 착용할 것을 요구한다. 제1 및 제2 유형 둘 다는 자이로 및 가속도계들을 또한 포함할 수 있다.
웨어러블 디바이스는 기계 학습 낙상 검출 프로세서, 비일시적 컴퓨터 판독가능한 매체, 복수의 모션 센서들, 적어도 하나의 높이 센서, 및 힘 센서를 포함한다. 비일시적 컴퓨터 판독가능한 매체는 착용자의 예상된 활동 레벨을 저장하도록 구성된 데이터베이스를 갖는다. 각각의 모션 센서가 개별 낙상 모션 임계값을 갖는 복수의 모션 센서들은 개별 낙상 모션 임계값이 초과될 때 낙상 모션 신호를 낙상 검출 프로세서에 전송한다. 적어도 하나의 높이 센서는 낙상 높이 임계값을 갖는다. 적어도 하나의 높이 센서는 낙상 높이 임계값이 초과될 때 낙상 높이 신호를 낙상 검출 프로세서에 전송한다. 힘 센서는 힘 임계값을 갖는다. 힘 센서는 힘 임계값이 초과될 때 힘 신호를 낙상 검출 프로세서에 전송한다. 낙상 검출 프로세서는 복수의 모션 센서들, 적어도 하나의 높이 센서, 및 힘 센서의 총 수의 센서들 중 최소 수의 센서들이 낙상이 발생하였음을 나타낼 때 경보를 발행한다. 최소 수의 센서들은 착용자의 예상된 활동 레벨에 부분적으로 기반하여 낙상 검출 프로세서에 의해 자동으로 설정된다. 낙상 검출 프로세서는 데이터베이스에 저장된 착용자의 예상된 활동 레벨을 착용자의 실제 활동 레벨로 업데이트한다.
웨어러블 디바이스는 낙상 검출 방법을 실행한다. 비일시적 컴퓨터 판독가능한 매체는 데이터베이스에 착용자의 예상된 활동 레벨을 저장한다. 낙상 검출 프로세서는 개별 낙상 모션 임계값이 초과될 때, 각각 낙상 모션 임계값을 갖는 복수의 모션 센서들로부터 낙상 모션 신호를 수신한다. 낙상 검출 프로세서는 낙상 높이 임계값이 초과될 때 낙상 높이 임계값을 갖는 적어도 하나의 높이 센서로부터 낙상 높이 신호를 수신한다. 낙상 검출 프로세서는 힘 임계값이 초과될 때 힘 임계값을 갖는 힘 센서로부터 힘 신호를 수신한다. 낙상 검출 프로세서는 복수의 모션 센서들, 적어도 하나의 높이 센서, 및 힘 센서의 총 수의 센서들 중 최소 수의 센서들이 낙상이 발생하였음을 나타낼 때 낙상 검출 프로세서에 의해 경보를 발행한다. 최소 수의 센서들은 착용자의 예상된 활동 레벨에 부분적으로 기반하여 낙상 검출 프로세서에 의해 자동으로 설정된다. 낙상 검출 프로세서는 데이터베이스에 저장된 착용자의 예상된 활동 레벨을 착용자의 실제 활동 레벨로 업데이트한다.
비일시적 컴퓨터 판독가능한 저장 매체는 데이터 및 명령어들로 인코딩된다. 낙상 검출 프로세서에 의해 실행될 때 웨어러블 디바이스로 하여금 낙상 검출 방법을 실행하게 한다. 비일시적 컴퓨터 판독가능한 매체는 데이터베이스에 착용자의 예상된 활동 레벨을 저장한다. 낙상 검출 프로세서는 개별 낙상 모션 임계값이 초과될 때, 각각 낙상 모션 임계값을 갖는 복수의 모션 센서들로부터 낙상 모션 신호를 수신한다. 낙상 검출 프로세서는 낙상 높이 임계값이 초과될 때 낙상 높이 임계값을 갖는 적어도 하나의 높이 센서로부터 낙상 높이 신호를 수신한다. 낙상 검출 프로세서는 힘 임계값이 초과될 때 힘 임계값을 갖는 힘 센서로부터 힘 신호를 수신한다. 낙상 검출 프로세서는 복수의 모션 센서들, 적어도 하나의 높이 센서, 및 힘 센서의 총 수의 센서들 중 최소 수의 센서들이 낙상이 발생하였음을 나타낼 때 낙상 검출 프로세서에 의해 경보를 발행한다. 최소 수의 센서들은 착용자의 예상된 활동 레벨에 부분적으로 기반하여 낙상 검출 프로세서에 의해 자동으로 설정된다. 낙상 검출 프로세서는 데이터베이스에 저장된 착용자의 예상된 활동 레벨을 착용자의 실제 활동 레벨로 업데이트한다.
본 개시내용의 본질 및 이점들을 더 잘 이해하기 위해, 다음의 설명 및 첨부 도면들이 참조되어야 한다. 그러나, 도면들 각각은 예시의 목적으로만 제공되며, 본 개시내용의 범위의 제한들의 정의로서 의도되지 않는다는 점이 이해되어야 한다. 또한, 일반적인 규칙으로서, 그리고 상이한 도면들에서의 요소들이 동일한 참조 번호들을 이용하는 설명으로부터 반대인 것이 명백하지 않는 한, 요소들은 일반적으로 기능 또는 목적이 동일하거나 적어도 유사하다.
도 1은 다수의 센서들로부터의 측정들에 의해 결정되는 바와 같이, 사람이 언제 낙상했는지를 검출하는 개인 비상 대응 시스템(PERS)의 블록도이다.
도 1은 다수의 센서들로부터의 측정들에 의해 결정되는 바와 같이, 사람이 언제 낙상했는지를 검출하는 개인 비상 대응 시스템(PERS)의 블록도이다.
본 개시내용의 양태들은 다수의 센서들로부터의 측정들에 의해 결정되는 바와 같이, 사람이 언제 낙상했는지를 검출하는 개인 비상 대응 시스템(PERS)을 포함한다. 이러한 경우에, 개인 비상 대응 시스템은 펜던트, 시계, 안경, 또는 다른 웨어러블 디바이스에 통합된다. PERS는 기준 위의 센서의 높이를 추적하기 위한 압력 센서를 포함할 수 있다. 센서들 중 하나 이상은 배터리 전력을 보존하기 위해 저전력 환경에서 동작할 수 있다.
본 개시내용의 다른 양태는 PERS 착용자가 그녀의 집에서 걷는 동안 카운터 또는 테이블에 단순히 부딪칠 때 쇼크 또는 충격을 받을 수 있다는 인식이다. 또한, 사람이 심각한 이벤트(예를 들어, 갑작스런 심장 마비)를 당할 때, 사람은 지면에 심하게 넘어지지 않을 수 있다. 대신에, 사람은 예를 들어 지면에 천천히 쓰러지며, 낙상을 완화시키기 위해 인근 물체들을 붙잡을 수 있다. 이러한 느린 낙상은 쇼크 또는 충격 센서를 트리거링하지 않을 수 있다.
또한, 착용자가 (예를 들어, 낮잠을 자거나 저녁에 잠자리에 들기 위해) 눕기를 원할 때마다 틸트 센서가 디스에이블되어야 한다는 것을 고려한다.
낙상을 정확하게 검출한 다음에 비상 지원을 위해 시그널링하는 것 외에, 긍정 오류 낙상 검출들(즉, PERS가 낙상 이벤트를 검출하고 표시하지만, 착용자가 낙상하지 않았음)이 현재의 낙상 검출 PERS의 주요 문제들이다. PERS가 종종 낙상이 발생하지 않았을 때 낙상 이벤트를 시그널링하는 경우, 사용자의 신뢰도는 약화되어, 사용자가 PERS를 이용하거나 휴대하지 않게 할 수 있다. 낙상 검출 특징들의 30-50%가 이러한 긍정 오류 경보들 때문에 디바이스가 배치된 후에 PERS 내에서 디스에이블된다는 추정/소문이 있다.
모니터링되는 사람이 낙상했는지를 결정하는 것은 어려운 문제라는 것이 잘 알려져 있다. 본 발명의 일 실시예에 따르면, 정확한 낙상 검출의 확률을 개선하고 긍정 오류들의 수를 제한하기 위해 다수의 센서가 이용된다. 모니터링되는 사람이 막 낙상하려고 하는지 낙상했는지를 결정하는 것이 중요하며, 이용가능한 센서 입력들이 많을수록, 대답이 더 명확하다. 특정의 센서들은 낙상의 보다 정확한 표시를 제공할 수 있는 반면, 다른 측정된 값들은 낙상 검출 시스템들에서 덜 신뢰성 있다. 따라서, 가장 정확한 PERS는, 예를 들어 데이터 값 쌍, 어레이, 다른 데이터 포맷의 세트로서 각각의 측정된 값을 (가중을 포함하여) 적절하게 고려하는 여러 센서들을 이용하여, 낙상 검출에서 그 정확도를 향상시킨다. 몇몇 이러한 시스템들이 아래에 설명된다.
하나의 유망한 낙상 검출 기술은 다수의 센서들로부터 공급되는 데이터를 갖는 AI/ML(인공 지능/기계 학습) 결정 프로세스를 이용하며, 각각의 센서는 AI/ML 의사 결정 프로세스에서 이용될 데이터를 공급한다. 이 데이터는 ML/AI 기술들 및 후속의 의사 결정 프로세스들에 대한 풍부한 코퍼스를 형성할 수 있다.
AI/ML 기술들의 이용은, 예를 들어, 이러한 데이터를 제공하는 센서의 상태의 변화를 나타내는 데이터의 식별 및 이러한 데이터가 부분적으로 또는 잠시 동안 낙상을 표시할 수 있는 확률을 포함한다. ML/AI는 이러한 상태 변화들을 표현하는 특징 세트들을 검출할 수 있고/있거나 이러한 상태 변화들에 대한 프리커서들일 수 있다.
또한, 아래에 더 설명되는 바와 같이, PERS는 모니터링되는 사람에 대한 낙상 검출 프로세스에 대한 다른 입력으로서 PERS 사용자들의 커뮤니티로부터의 비교 데이터 및 데이터 패턴들을 이용한다. 모니터링되는 사람의 이력 움직임들, 활동들 및 데이터 패턴들뿐만 아니라, 커뮤니티로부터의 데이터 패턴들 대부분은 또한 낙상 이벤트의 결정자들로서 이용된다. ML/AI 기술들을 커뮤니티 데이터의 코퍼스에 적용하는 것은 모니터링되는 사람에 대한 반복적인 활동들의 식별 및 커뮤니티와 비교된 그 활동들의 컨텍스트화를 지원한다.
예를 들어, PERS AI/ML 기반 알고리즘은 유사한 패턴들이 유사한 잠재적 낙상 상황들로 또는 낙상 이벤트로 이어지는지를 결정하기 위해 유사한 나이, 성별, 건강은 물론, 시간, 요일 등의 다른 것들로부터의 데이터를 본다. 이것은 ML/AI에 대한 충분한 데이터의 코퍼스를 생성하며, 여기서 유사성 평가, 매칭 및 비교, 예측, 베이지안, 퍼지 논리, 재귀적, 심층 학습 및 다른 기술들과 같은 기술들이 적용되어 적응적 결정 처리 시스템을 제공할 수 있다. 측정된 데이터 패턴들에 유사성이 있는 경우, 집성 그룹은 상이한 성별, 건강, 나이, 체중 등의 사람들을 포함하도록 확장 및/또는 확대될 수 있다. 예를 들어, 시스템은 나이, 건강, 성별 등이 유사하지 않은 집단들을 검토할 수 있지만, 추후에 낙상 이벤트로 이어진 유사한 데이터를 제시할 수 있다. 이러한 유사성의 식별은 기계 학습 특징 검출 기술들을 이용할 수 있다.
PERS 내에 일반적으로 포함된 센서들은 방향의 변화(자이로스코프), 속도의 변화(가속도계), 충격(가속도계가 급격한 정지(즉, 속도가 갑자기 0으로 감소됨)를 검출하는 것) 및 틸트 또는 경사(틸트 스위치)를 쉽게 검출할 수 있다. 그러나, 낙상 이벤트 전에 디바이스들의 시작 배향 및/또는 높이를 결정하는 것은 문제가 될 수 있는데, 그 이유는 특히 검출 디바이스가 각각이 지면 레벨 또는 바닥(기준 레벨)으로부터의 상이한 거리일 가능성이 있는 여러 위치들 중 어느 하나에서 착용 또는 휴대될 수 있기 때문이다. 예를 들어, PERS는 손목에, 끈에 착용될 수 있거나, 의복에 클립핑될 수 있거나, 다른 방식들로 모니터링되는 사람에 의해 착용될 수 있다. 추가적으로, PERS 착용자의 높이는 이것이 적어도 하나의 높이 기준을 확립하는데 기여할 수 있는 한, 고려되어야 하고, 여기서 이러한 높이 기준은 낙상 검출 평가의 일부로서 이용될 수 있다.
그러나, 이러한 위치들 각각은 기준 바닥 높이로부터 상이한 거리에 있다. 많은 상황들에서 발견되는 것들과 같은 이러한 파라미터들의 변화들은 낮은 오경보율로 낙상을 정확하게 검출하는데 필수적이고, 이러한 정확한 검출을 어렵게 만들 수 있는, 차분 값들을 확립하기 위해 환경에서의 변화율 변동들을 측정하는 것과 같은, 적응적 결정 시스템들에 대한 데이터로서, 부분적으로 또는 전체적으로, 평가되고 이용될 수 있다. 기준 높이는 가속도계, 자이로스코프, 또는 틸트 스위치를 이용하는 것과 같이, 일반적인 PERS 구성요소들로부터 결정될 수 없지만, 이 기준 높이 정보(즉, 착용자가 서 있는 지면 또는 바닥까지의 거리) 없이 사람이 낙상을 경험하였는지를 정확하게 결정하는 것이 어려울 수 있다.
본 발명의 일 실시예는 압력 데이터를 주기적으로 결정하여 FIFO(first in first out) 메모리 버퍼에 저장하는 대기압 센서를 이용하며, 이는 시스템이 예를 들어 가능한 낙상, 예컨대 적어도 하나의 다른 센서에 의해 표시되는 낙상의 발생 및 그 전에 데이터를 평가하는 것을 가능하게 한다. 데이터는 또한 클라우드 기반 백업 메모리에 전송된다. 압력이 측정된 시간은 또한 다른 이벤트들(예를 들어, 가속도, 충격 이벤트들, 예컨대 다른 센서들에 의해 제공된 데이터)의 타이밍과의 비교를 위해 기록된다. 높이 정보는 대기압으로부터 쉽게 결정될 수 있다. 압력 측정으로부터 도출된 높이 정보는 기준 레벨 또는 기준 바닥 높이를 결정하는데 이용될 수 있다. 기준 레벨이 결정된 후에, 후속 높이 값이 기준 높이의 수 인치 내에 있는 것으로 결정되면, 이것은 모니터링되는 사람이 낙상하였을 수 있다는 하나의 표시자이다.
일 실시예에서, 압력 센서는 배터리 전력을 보존하기 위해 저전력 압력 센서를 포함한다.
측정된 값들 및 데이터의 클라우드 백업은 PERS가 최대 전력일 때 그리고 "휴면"(저전력) 기간들 동안 발생할 수 있다. 클라우드로의 데이터 백업의 타이밍은 또한 가변적이고, 데이터 측정들과 같이, 모니터링되는 사람의 활동 레벨 또는 다른 관련 인자들에 의존할 수 있다.
압력 데이터(및 다른 센서 데이터)가 결정되는 레이트는 가변적이고, 모니터링되는 사람의 활동 레벨, 동시에 측정된 값들 및/또는 이전에 측정된 값들에 의존할 수 있다. 예를 들어, 시간당 한 번은 낮은 또는 가벼운 활동의 기간들 동안에 압력 및 다른 낙상 표시자 값들을 측정하기에 충분할 수 있는 반면, 더 활동적인 모니터링되는 사람은 압력 및 다른 낙상 표시자 값들을 더 자주 측정하는 것을 필요로 할 수 있다.
감지된 압력은 온도의 함수일 수 있고, 따라서 특정 실시예들에서 주위 온도에 기반하여 압력 측정을 정정하는 것이 필요할 수 있다.
착용자(모니터링되는 사람)가 미리 정의된 가상 울타리 영역 내에 있을 때(예를 들어, 자리에 누워 있을 때), 데이터 수집의 레이트가 또한 감소될 수 있다.
또한, 측정 지속기간(즉, 데이터를 수집하기 위해 센서가 계속 유지되는 간격)은 가변적이고, 데이터를 수신하고 모니터링 능력을 제공하는 시스템 및 센서들의 구성을 포함하는, 낙상 검출 프로세스에 기여하는 다양한 인자들에 의존할 수 있다. 데이터가 수집되는 레이트는 또한 다양한 구성 및 다른 인자들에 따라 가변적이다.
또한, 모니터링 기간은 시간 슬라이스들로 분할될 수 있으며, 특정의 미리 결정된 센서들이 각각의 시간 슬라이스 동안 활성화된다. 또는 상이한 센서들이 상이한 시간 슬라이스들에서 활성화될 수 있다. 이러한 접근법은 센서들의 세트가 임의의 긍정 오류들을 포함하는 낙상 조건의 평가를 위한 조건들을 결정할 수 있도록 충분한 데이터를 제공하기 위한 방식으로 동작할 수 있는 것을 보장할 수 있다.
센서들이 활성화되는 순서는 또한 가변적이고 착용자 의존적일 수 있다. 예를 들어, 먼저 압력 센서를 체크하는 것이 유리할 수 있다. 이것이 이전 판독으로부터의 어떠한 변경도 표시하지 않으면, 가속도 또는 다른 낙상 검출 파라미터들을 측정할 필요가 없을 수 있다.
일 실시예에 따른, 저전력 센서들의 이용은 배터리 전력을 보존하고, 메인 프로세서(압력 데이터 및 다른 센서 데이터를 분석하는 것)가 데이터가 수집되는 동안 "휴면" 또는 저전력 상태에 남아 있게 한다. PERS 내의 (가속도, 충격, 회전, 모션 등을 검출하는) 저전력 센서들 중 하나가 아마도 낙상을 나타내는 조건들을 검출할 때, 프로세서는 측정된 데이터의 추가 분석을 위해 깨워진다.
다른 실시예에서, PERS 내의 배터리 용량은 모든 센서들이 항상 동작하거나 활성 상태에 있는 것을 허용하기에 충분하다. 게다가, 배터리 용량이 충분한 경우, 프로세서는 또한 아마도 모니터링되는 사람이 자고 있거나 아니면 모션이 적은 활동들에 관여할 때를 제외하고는 항상 깨어 있는 상태로 유지될 수 있다. 센서 상태는 잠재적 낙상 조건의 센서 커버리지를 감소시키지 않고, 배터리 용량을 고려하여 변화될 수 있다. 그 시간은 PERS 배터리들을 재충전하는데 이상적일 수 있다.
센서 측정치들(예를 들어, 가속도, 충격, 회전, 각속도) 각각은 (고정 값들의 순람표로부터 획득되거나 AI 또는 기계 학습 기술들을 이용하여 또는 이전의 감지된/측정된 값들에 기반하여 생성된) 미리 결정된 임계값들 및 측정이 취해진 시간에 대해 프로세서에 의해 분석된다. 예를 들어, 이것은 그래프 데이터베이스, 스키마 또는 판독 또는 판독 데이터베이스 상의 스키마로서 구현될 수 있다. 이러한 임계값들은 일반적으로 낙상을 나타내고, 따라서 하나 이상이 초과되면, 프로세서는 FIFO 메모리 버퍼로부터(그리고/또는 PERS가 필요한 데이터 및 동작 명령어들을 다운로드할 수 있는 클라우드 기반 메모리로부터) 대기 센서 측정치들에 액세스하고 검출된 이벤트 전에, 그 동안에, 그리고 그 직후에 수집된 대기 데이터를 비교한다. 여기서도, 임계값들(정적 또는 동적 값들)이 이용될 수 있다. 대기압(높이)의 갑작스런 변화는, 특히 프로세서에 의해 분석되는 다른 센서 데이터에 의해 지원될 때, 낙상의 표시이다.
대기압 데이터 및 가속도, 충격, 회전, 속도 등의 데이터는 이벤트를 낙상으로서 분류할지를 결정하기 위해 각각의 측정의 상대 타이밍 및 그들 각각의 임계값들에 대해 분석된다. 이러한 센서 데이터의 조합은 낙상 및 긍정 오류의 효과적인 검출을 제공하며, 여기서 하나 이상의 센서 데이터가 그 임계값으로부터 변했지만, 이러한 변화가 확인되지 않거나 다른 센서 데이터와 모순된다. 예를 들어, 가능한 낙상 이벤트 전에, 그 동안에, 그리고 그 이후에 대기압 데이터를 비교하는 것은, 특히 모션의 방향(즉, 압력/높이 데이터로부터 결정될 수 있는, 수평 축을 따라서만 또는 수평 및 수직 모션 둘 다를 따름), 모션 속도(즉각적인 변화 또는 침대 내로 느리게 기어가는 것) 및 충격에 관련된 데이터에 비추어 평가될 때, 낙상이 발생했는지를 더 정확하게 결정할 수 있다.
측정들의 임계값들 및 타이밍은 또한 상이한 클래스들 내에서 분류되는 사용자들에 대해 생성된 프로파일들에 기반할 수 있다. 예를 들어, 성인, 노인, 청소년, 아기 등에 대해 상이한 프로파일들, 및 이에 따른 상이한 임계값들 및 측정 타이밍이 생성될 수 있다. 그리고 감지되거나 측정되는 파라미터들은 또한 착용자가 속하는 클래스에 의존적일 수 있다.
이러한 개인 정보는 PERS의 최초 이용 전에 쉽게 수집되고 그 후에 계속 수집될 수 있다. 이어서, 다양한 데이터 임계값들, 데이터 패턴들, 데이터 수집의 타이밍 및 센서 측정들 등이 PERS 내에 자동으로 구현되어, 더 정확한 낙상 검출을 낳을 수 있다.
개인 정보에 더하여, 모니터링되는 사람에 대한 프로파일이 생성된다. 프로파일은 일상 활동, 정상 걸음걸이, 정상 심박수 등과 같은 낙상 검출과 관련된 모니터링되는 사람의 특성들을 식별한다. 이러한 프로파일은 적어도 하나의 임계값, 패턴들, 타이밍 데이터 및/또는 센서 및 시스템 파라미터들을 구성하기 위해 부분적으로 또는 전체적으로 이용될 수 있다. 개인 정보를 포함하는 프로파일의 이러한 정렬은 그렇지 않으면 간과될 수 있는 긍정 오류들의 식별을 지원하여, 원하지 않는 이벤트들을 트리거링한다.
또한, 상이한 낙상 프로파일들은 낙상이 발생한 것을 명확히 결정하기 위해 상이한 정보가 요구될 수 있다는 것을 시사한다. 예를 들어, 다음의 낙상 프로파일들은 상이한 측정들 및 분석 기술들에 대한 필요성을 시사한다: 구르거나 앞으로 넘어지는 것, 몇 블록을 밟은 후 넘어지는 것, 걷다가 넘어지는 것, 무릎을 꿇는 것, 착용자가 엉덩이로 넘어지는 것, 착용자가 옆으로 넘어지는 것.
기계 학습/인공 지능 실시예(본 명세서의 추가 상세들을 참조)의 맥락에서, 낙상에 링크되는 수집된 데이터는 (적어도 하나의 디바이스에 탑재된 그리고/또는 클라우드 내의) 데이터베이스에 저장된다. 나중에, 현재 데이터가 그 이전 데이터와 고도로 상관될 때 낙상이 표시된다. 실제 낙상의 데이터를 포함하는 낙상 데이터의 이러한 이용은 긍정 오류들의 검출에서 ML/AI를 활용하여 이용될 수 있고, 그 패턴들을 포함하는 프로파일의 것들과 같은 데이터 소스들을 통합할 수 있다.
PERS는 또한 "학습" 특징을 포함하는데, 여기서 소프트웨어는, 예를 들어, 착용자가 매일 10 AM과 11 AM 사이에 활발한 운동에 참여하는 경우, 이를 "기억"한다. 이러한 정보는 착용자의 프로파일에 통합될 수 있다. 따라서, PERS 프로세서는 그 시간 동안 취해진 특정의 측정치들에 대해 무시하거나 낮은 가중치를 할당한다(본 명세서의 신경망 실시예에 대한 논의 참조). PERS가 매일 거의 동일한 시간에 반복되는 발생들로부터 모니터링되는 사람의 활발한 활동의 시간들을 학습하는 것에 더하여, 모니터링되는 사람은 미래의 날들/시간들 동안의 예상되는 활발한 활동에 기반하여 PERS를 수동으로 설정할 수 있다. 마지막으로, 활발한 활동에 참여하기 직전에, 모니터링되는 사람은 특정의 센서 측정치들이 무시되거나 측정된 값의 영향이 다른 센서들로부터의 다른 감지된 값들에 대해 무시되도록 PERS(예를 들어, 센서 임계값들)를 수동으로 조정할 수 있다. 이러한 제어 특징은 활발한 활동에 의해 직접 영향을 받을 특정의 측정된 파라미터들에 대한 임계값들을 변경(예로서, 증가)할 수 있다. 이것은 사용자 프로파일 설정들을 수정할 수 있는 건강 대시보드를 포함하는, 애플리케이션의 형태로 착용자에게 제시될 수 있다. 이러한 수정은 디바이스 및/또는 클라우드에 저장될 수 있어서, 그 프로파일을 추가로 확장 및/또는 향상시키기 위해 기계 학습 기술들에 의해 리콜 및/또는 이용될 수 있다.
따라서, 시스템은 과거의 행동(특히 과거의 반복 행동)이 현재 임계값들 및 분석들에 영향을 준다는 의미에서 학습한다. 수일 동안 10 AM에 착용자가 요가 루틴 동안 낮게 쓰러지고, 각각의 이러한 "낙상" 후에 발행된 낙상 통지가 (그녀가 낙상하지 않았기 때문에) 착용자에 의해 취소되면, PERS는 그 정보를 유지한다. 약 10 AM에서의 나중의 "낙상들"은 무시되고, 다른 측정된 데이터가 낙상을 나타내는데 이용된다. 이것은 검출되는 긍정 오류들의 수를 상당히 감소시킬 수 있어서, 착용자 및 비상 서비스들, 의료 또는 치료 팀들 등과 같은 임의의 시스템들의 이익을 위해 시스템의 전체 동작을 향상시킨다.
낙상이 발생했다고(또는 발생하지 않았다고) 결정할 때 파라미터로서 시각을 이용하는 것 외에, 착용자의 위치가 또한 고려될 수 있다. PERS는 위치 결정 디바이스(예를 들어, GPS 수신기 또는 신호 삼각측량 기술을 이용하는 것)를 포함한다. 결정된 위치가 체육관 또는 요가 스튜디오이면, 측정된 틸트 값들 또는 활발한 활동을 나타내는 다른 측정된 값들은 무시된다. 착용자가 (위치 결정 디바이스에 의해 결정된 바와 같이) 체육관 또는 요가 스튜디오를 떠날 때, 측정된 틸트 값들은 발생되는 임의의 후속 낙상 이벤트를 분석함에 있어서 더 많은 가중치를 부여받는다.
PERS 내의 낙상 결정 알고리즘은 이것이 어떤 조건들 하에서 소정의 센서들에 더 민감하게 하고 다른 조건들 하에서 소정의 센서들에 덜 민감하게 하기 위해 (모니터링되는 사람에 의해 수동으로 또는 이전의 낙상 또는 무낙상 결정들에 기반하여 자동으로) 수정될 수 있으므로, 더 정확한 낙상 결정들이 이루어지고, 더 적은 긍정 오류 경보들이 발행된다. 긍정 오류들의 감소에 대한 이러한 적응적 접근법은 시스템들의 성능 및 이러한 시스템들에 의해 트리거링되는 이벤트들에 대한 고유 신뢰성 및 후속 신뢰에 있어서 상당한 이익들을 제공한다. 이러한 민감성을 지배하는 조건들은 다수이지만, 여러 개가 본 명세서에서 설명되었고, 예를 들어 시각, 모니터링되는 사람의 활동 레벨, 모니터링되는 사람의 위치, 예상되는 미래의 활동 레벨 또는 이전 활동 레벨에 기반한 위치 또는 동일한 시각에서의 위치를 포함한다.
나중에 무효화된, 낙상 경보를 발행하기 위한 기초로서 역할을 한 조건들 및 측정된 데이터는 측정된 파라미터들과의 나중의 비교를 위해 저장된다. 오경보를 생성한 과거의 데이터와 현재의 데이터 사이의 높은 상관관계는 낙상이 발생하지 않았다는 양호한 표시자이지만, 또한 더 정확한 낙상 검출을 위해 추가의 센서 데이터가 보장되어 긍정 오류들의 수를 감소시킨다는 것을 시사한다.
다른 실시예에서, 프로세서가 깨어날 때, 프로세서는 압력 센서를 포함하는 모든 센서들로부터 획득된 측정치들을 분석한다. 모든 감지된 데이터를 분석함으로써, 이 실시예는 위에 제시된 실시예와 구별되고, 여기서 압력 데이터는 특정의 다른 측정치들이 낙상이 발생했다는 잠정적 결론을 낳는 경우에만 분석된다.
낙상을 검출할 시에, PERS는 비상 지원에 대한 요청을 포함하는, 낙상을 보고하는 경보 또는 통지를 발행한다. 통지는 착용자 및/또는 비상 요원에 의해 식별된 당사자들에게 발행될 수 있다.
착용자가 낙상했다는 알림에 더하여, 경보는 위치, 낙상 시간, 착용자가 낙상한 방향, 낙상 충격의 강도, 현재의 심박수, 현재의 호흡수, 및 임의의 배열의 센서들에 의해 생성된 임의의 다른 데이터와 같은, 낙상과 관련된 추가 정보를 포함할 수 있다.
본 명세서에 설명된 바와 같이, 저전력 센서들에 더하여, 일 실시예에서, PERS는 또한 저전력 전송기를 포함할 수 있다. 전형적으로, 이러한 전송기들은 제한된 신호 커버리지 범위를 갖고 따라서 인근의 디바이스들과만 통신할 수 있다. 이러한 실시예에서, 저전력 전송기는 고전력 레벨에서 동작하고 따라서 더 큰 신호 커버리지 영역을 갖는 인근의 디바이스에 경보(예를 들어, 모니터링되는 사람이 낙상했음)를 발행한다. 후자의 고전력 디바이스는 그 후 모니터링되는 사람에 의해 지정된 당사자들, 예를 들어 가족 구성원들 및 긴급 구조원들에게 블루투스 및 WiFi 등을 통해 낙상 통지를 발행한다.
충분한 전력이 PERS에 이용가능하다면, 저전력 전송기가 고전력 전송기로 대체되어, 낙상 통지가 이동 전화 서비스 또는 인터넷을 통해 식별된 수신 당사자들에게 통지 신호(예를 들어, 이메일 및 텍스트 통지들)를 전송하는 근접 WiFi 라우터를 통해 비상 요원, 가족 구성원들 등에게 직접 발행될 수 있다.
설명된 바와 같이, 대기압들에서의 갑작스런 변화들을 기록/저장, 버퍼링, 및 분석함으로써, PERS는 검출된 낙상 이벤트 전후의 높이(대기 변화)를 비교함으로써 낙상을 확인할 수 있다. 이 대기압 변화는, 다른 센서들을 이용한 낙상의 초기 검출과 함께, 사람이 낙상을 경험했는지를 확인할 수 있다. 낙상 이벤트 이전의, 그 동안의 그리고 그 이후의 대기압을 비교할 수 있는 것은 방향, 속도 및 충격이 수평 축에서만 경험되었는지 또는 수직 축에서의 모션 및 거리를 포함하는지를 정확하게 확인하는 것을 도울 수 있다.
센서들의 배치
다양한 설명된 실시예들의 센서들 및/또는 처리 구성요소들은 웨어러블 내에 봉입되거나, 펜던트 내에 봉입되거나, 의복에 부착될 수 있다. 일반적으로, 웨어러블은 액세서리로서 착용되거나, 의복에 내장되거나 부착되거나, 착용자의 신체 내에 이식되고/되거나, 임의의 배열로 피부 상에 문신될 수 있는 전자 디바이스를 포함한다. 예를 들어, 이러한 디바이스는 추가 센서들 및/또는 펜던트로서 휴대되는 디바이스들에 접속하는 피부 상에 착용되는 센서들을 포함할 수 있다.
이러한 전자 디바이스들은 또한, 예를 들어, 의류, 신발, 모자, 머리 밴드, 안경, 보청기(보청기가 다수의 전자 구성요소들을 포함하기 때문에 특히 매력적이고, 이들 중 일부는 PERS로서 기능하는데 이용될 수 있음), 초커, 팔찌, 목걸이, 반지, 손목시계(즉, 임의의 보석류 아이템), 벨트, 넥타이 핀, 이어버드들, 및 GPS 추적 디바이스 내에 봉입될 수 있다. 웨어러블로 엄격하게 고려되지는 않지만, (모바일 폰 또는 키들과 같이) 사용자에 의해 일반적으로 휴대되는 임의의 디바이스는 또한 PERS의 기능들을 수행하도록 적응될 수 있다.
도 1의 실시예의 설명
도 1은 다른 낙상 검출 알고리즘을 나타낸다. PERS는 모니터링되는 사람에 의해 착용되고, 가속도계/자이로스코프(100)는 가속도 및 가속도의 방향을 감지/측정한다. 결정 블록(102)에서, 측정된 값들이 분석되어 착용자가 움직였는지를 결정한다. 그렇지 않다면, 처리는 측정 블록(100)으로 복귀한다. 따라서, 블록들(100 및 102)은 모니터링되는 사람의 임의의 움직임이 있었는지를 결정하고, 그렇지 않다면, 측정된 값들을 더 처리할 필요가 없거나, 실제로, 낙상을 나타낼 수 있는 값들을 측정할 필요가 없지만, 이러한 값들은 그 사람에 대한 프로파일 또는 패턴의 일부로서 기록될 수 있다.
그러나, 모니터링되는 사람이 움직인 것이 검출되었다면, 처리는 결정 블록(102)으로부터 이중 경로들(110 및 112)로 이동한다. 경로(110)는 본질적으로 3개의 축들 또는 방향들 X, Y, 및 Z 각각에서의 움직임 강도의 정도의 추정치인 신호 벡터 크기를 측정하거나 결정한다. 여기서, 신호 벡터 크기는 이들 3개의 성분 값들 각각의 제곱들의 합의 제곱근이다. 따라서, 각각의 축을 따른 움직임 또는 모션은 신호 벡터 크기를 결정하고, 이어서 그 값에 기반하여 충격이 있었는지 여부를 결정하는데 동일하게 기여한다.
알 수 있듯이, 이러한 3개의 방향 각각에서의 결정된 신호 벡터 크기들은 무한 임펄스 응답 필터(116)를 통해 처리되며, 신호 벡터 크기는 블록(118)에서 결정된다. 블록(118)으로부터의 결과들은 버퍼(120)에서 버퍼링된다. 결정 블록(122)에서, 계산된 신호 벡터 크기는 신호 벡터 크기 임계값과 비교된다. 그 결정 블록으로부터의 결과가 부정적이면, 처리는 블록들(100 및 102)로 복귀하여 모니터링되는 사람에 의한 움직임 또는 모션을 다시 결정한다.
그 결정 블록으로부터의 결과가 긍정적이면, 처리는 이하에서 설명되는 바와 같이 블록(136)으로 계속된다.
경로(112)를 따라, 블록(130)에서 압력이 측정되고, 무한 임펄스 응답 필터(132)를 통해 필터링되고, 버퍼 메모리(134)에서 버퍼링된다. 블록(136)에서 결정된 최종 압력 값은 결정 블록(138)에서 임계 압력 값과 비교된다. 결정 블록(138)으로부터의 응답이 긍정적이면, 이것은 PERS의 위치에서 적어도 2 피트 높이 변화가 있었다는 것을 나타낸다.
결정 블록(138)에서의 결정이 부정적이면, 처리는 초기 블록들(100 및 102)로 복귀한다.
충격 분석(결정 블록(122))의 결과도 압력 측정 블록(136)으로 이어진다는 점에 유의한다.
결정 블록(138)에서의 결정이 긍정적이면, 처리는 블록(140)으로 진행하여 틸트 값을 결정한다. 결정 블록(142)에서, 결정된 틸트 값은 틸트 임계값과 비교된다. 결정 블록(142)으로부터의 부정 응답은 펜던트 또는 PERS가 충격이 결정된 시간으로부터 틸팅되지 않았다는 것을 나타낸다. 결정 블록(142)으로부터의 긍정 응답은 착용자가 낙상했으며, 이에 의해 PERS 착용자의 틸팅 배향을 야기했다는 것을 나타낼 수 있는, PERS의 소정의 틸트가 있었음을 나타낸다. 처리는 이어서 결정 블록(146)으로 계속된다.
결정 블록(146)에서, 신호 크기 영역(SMA) 파라미터가 임계값과 비교된다. SMA는 착용자의 활동의 강도를 결정하기 위한 다른 파라미터이고, 따라서 착용자의 정지와 움직임 간을 구별하는데 이용될 수 있다.
SVM 및 SMA 값들 모두가 움직임을 결정하는데 이용될 수 있다는 것에 유의한다. SVM은 현재(또는 버퍼링된) 가속도 값에 기반하는 실시간 값이며, 따라서 빠른 변화들 및 움직임(또는 충격)을 결정할 수 있다. SMA 값은 움직임 강도를 결정하는 것을 돕기 위한 곡선 아래의 영역이다. 이것은 (1초와 같은) 짧은 시간 기간에 걸쳐 수행되어 그 기간 동안 얼마나 많은 움직임이 발생했는지를 결정한다. 따라서, 이것은 사용자가 낙상 이벤트 후에 움직이고 있는지를 결정하는 것을 돕는데 이용된다.
결정 블록(146)으로부터의 결과가 긍정적인 경우, 처리는 블록(148)으로 진행하여 틸트를 다시 측정한다. 이어서 결정 블록(150)에서 측정된 틸트 파라미터를 틸트 임계값과 다시 비교한다. 목적은 이제 착용자가 움직임을 멈추었는지를 결정하는 것이고, 따라서 틸트 값은 결정 블록(150)에서 긍정 응답을 생성하기 위해서는 틸트 임계값 미만이어야 한다. 결정 블록(150)으로부터의 긍정 응답 후에 블록(152)에서 낙상이 표시된다.
결정 블록(138, 142, 146 및 150)으로부터의 부정 응답은 처리를 블록들(100 및 102)로 복귀시킨다는 점에 유의한다.
이러한 블록들을 통해 생성된 데이터는 적어도 하나의 저장소에 저장되어, 예를 들어 낙상 또는 무낙상을 나타내는 특징 세트들을 검출하도록 동작될 적어도 하나의 기계 학습 기술에 대한 코퍼스를 형성할 수 있다. 이들 특징 세트들은 그 후 낙상의 확률을 예측 및/또는 식별하기 위해 실시간으로 생성된 데이터와 비교되어, 낙상 검출 및 그 긍정 오류들의 정확도를 증가시킬 수 있다.
가속도계 및 자이로스코프 실시예
펜던트 또는 PERS는 속도 변화 또는 방향 변화를 검출하는 가속도계(즉, 3축 가속도계)를 포함할 수 있다. 제2 센서는 착용자의 배향의 변화들, 보다 구체적으로는 자이로스코프를 봉입하는 펜던트의 방향의 변화들을 검출하는 자이로스코프이다. 예를 들어, 자이로스코프가 착용자의 벨트 또는 끈에 착용되고, 벨트 또는 끈이 방향을 바꾸면, 이것은 낙상이 발생했을 수 있다는 또 하나의 표시이다. 가속도계 센서 측정 및 자이로스코프 센서 측정을 이용하는 것은 더 정확한 낙상 검출을 제공한다.
일 실시예에서, 가속도계 또는 자이로스코프 측정치가 임계값을 초과하면, 다른 센서가 활성화된다. 또는, 가속도계 및 자이로스코프 측정치들 둘 다가 그들 각각의 임계값들을 초과하면, 다른 센서가 활성화된다. 2개 이상의 감지된 값들을 이용하여 낙상이 발생했는지를 결정하는 것은 단일 센서의 이용에 비해 개선된 접근법이다.
자이로스코프에 의해 검출된 것과 같은, 배향 또는 방향의 변화가 가속도계에 의해 결정된 것과 같은, 가속도의 변화 직후에 발생하면, 이것은 착용자가 낙상했다는 더욱 더 확정적인 표시이다.
가속도계 및 자이로스코프 둘 다가 잠재적 낙상을 나타내는 신호를 생성하는 경우에, 제3 센서는 추가 정보를 수집하여 낙상 결정을 더 신뢰성 있게 할 수 있다. 이러한 경우에, 제3 센서는 대기압 값들을 이용하여 해수면 위 또는 기준 높이 위의 그 높이를 결정하는 높이 센서일 수 있다. 착용자가 똑바로 서 있을 때, 압력 센서/높이 검출기는 제1 압력 값을 측정한다. 착용자가 낙상하면, 높이 압력 센서는 제1 측정된 압력 값보다 낮은 제2 압력 값을 측정한다. 압력 값의 단순한 변화는 착용자가 낙상했다는 것(또는 방금 누웠다는 것)을 나타낼 수 있지만, 높이 압력 값과 함께 가속도계 값 및 자이로스코프 값을 명확히 이용하는 것은 보다 정확한 낙상 검출 프로세스를 제공한다.
또한, 착용자가 갑자기 움직이면, 이 모션은 가속도계에 의해 검출되고, 그 판독만으로는 잘못된 낙상 검출이 표시될 수 있다. 그러나, 자이로스코프 및 압력 센서 값들과 함께 가속도계 값을 이용하는 것은 긍정 오류의 가능성을 감소시킨다.
낙상 검출 정확도를 증가시키기 위한 추가적인 센서들
본 명세서에 설명된 3개의 주요 센서는 틸트 센서, 가속도계, 및 자이로스코프를 포함한다. 추가적인 센서들에 의해 측정된 값들은 낙상 검출 정확도를 증가시키고 긍정 오류들을 감소시킬 수 있다. 이러한 추가적인 센서들은 오디오 센서(예를 들어, 마이크로폰 또는 증강된 홈 스피커들 및 텔레비전 스피커들과 같은 임의의 사운드 수집 디바이스), 비디오 센서(예를 들어, 정지 사진, 움직이는 사진 및 비디오들을 캡처할 수 있는 카메라를 포함하는 카메라), 힘 센서(패드에 대한 힘의 인가를 검출하기 위한 패드)를 포함한다.
예를 들어, 마이크로폰은 센서로서 작용할 수 있고, 여기서, 잡음의 검출은 낙상을 나타낼 수 있거나, 이러한 잡음이 어떠한 낙상도 발생하지 않았다는 것을 표시할 수 있을 경우에 무낙상을 나타낼 수 있다. 마이크로폰은 또한 호흡을 검출할 수 있다.
카메라는, 예를 들어, 잠재적으로 저해상도에서 특정 스폿을 추적하여 변화율 등을 식별함으로써 낙상의 발생 여부에 관한 추가 데이터를 제공하는데 이용될 수 있다.
센서들은 또한 다양한 생리학적 및 생체인식 파라미터들(심박수, 호흡수, 근긴장도, 혈압)을 측정하고 이들 측정된 값들을 본 명세서에 설명된 다양한 센서들로부터 수집된 데이터와 함께 고려할 수 있다.
오디오 센서는 모니터링되는 사람에 대한 오디오 링크를 확립함으로써, 음성 링크를 셋업할 수 있다. 가족 구성원 또는 응급 의료요원이 링크의 한쪽 끝에 있고, 모니터링되는 사람이 다른쪽 끝에 있는 경우, 후자는 그/그녀가 낙상했는지 여부를 보고할 수 있다. 모니터링되는 사람이 그녀의 상황을 발성할 수 없거나 응답하지 못하면, 다른 당사자는 그녀가 도움을 필요로 한다는 것을 추측할 수 있다. 이 오디오 링크는 모니터링되는 사람이 낙상했는지 여부의 질문에 대한 확정적 답변을 제공할 수 있다.
마이크로폰들은 임의의 웨어러블 디바이스에 쉽게 배치될 수 있다. 다른 실시예에서, 마이크로폰들은 모니터링되는 사람의 거주지들 내에 분산될 수 있다. 이들 마이크로폰은 항상 켜져 있고 원할 때 청취 또는 음성 활성화될 수 있다. 낙상했거나 아니면 도움을 요청하기 위해 모바일 폰에 액세스할 수 없으면, 모니터링되는 사람은 간단히 소리를 질러 마이크로폰을 활성화시키고 링크의 다른쪽 끝에 있는 당사자와 대화할 수 있다. 음성 코멘트들은 또한 (예를 들어, 웨어러블 디바이스로부터의) 센서 측정된 데이터와 함께, 데이터로서 수집될 수 있고, 클라우드 기반(또는 서버 기반) 낙상 검출 알고리즘(일 실시예에서는, 인공 지능/기계 학습(AI/ML))에 전송될 수 있다.
마이크로폰을 통해 음성 링크를 확립하는 것에 더하여, 활성화된 마이크로폰은 큰 "쿵하는 소리" 또는 "충돌"과 같이 낙상에 의해 직접 야기되는 사운드들을 검출할 수 있다. 오디오 신호는 아마도 저장된 "쿵하는 소리" 및 "충돌" 사운드들과 비교하여, PERS에 의해 분석되고, 이에 의해 사람이 낙상했는지를 더 정확하게 결정하기 위해 더 많은 입력 데이터를 추가한다. 개방 마이크로폰을 통해 "쿵하는 소리" 또는 "충돌" 사운드가 들리지 않는 경우, 모니터링되는 사람은 낙상하지 않았을 가능성이 있다.
보청기는 웨어러블 PERS로서 식별되었고, 이 디바이스는 마이크로폰으로서도 기능하도록 쉽게 수정될 수 있다. 마이크로폰 및 스피커들(유선 및 무선(예컨대, 블루투스 표준에 기반함)) 둘 다를 종종 포함하는 헤드폰들은 또한 웨어러블 PERS로서 그리고 마이크로폰으로서 역할을 할 수 있다.
유사하게, 비디오 링크는 모니터링되는 사람의 상태가 쉽게 결정될 수 있는 비디오 정보를 제공한다. 예를 들어, 비디오는 모니터링되는 사람이 낙상한 시간에서의 초기 높이 및 거리 차이를 결정하기 위한 데이터를 제공할 수 있다. 비디오는 또한 모니터링되는 사람의 위치가 결정될 수 있는 정보를 제공할 수 있다.
마지막으로, 적절히 배치된 힘 센서는 또한 낙상을 검출하기 위한 유용한 정보를 제공할 수 있다. 예를 들어, 패드가 사람의 등 위에 배치되는 경우 그리고 그가 바닥에 넘어져 그 등이 바닥에 부딪치는 경우, 힘 센서는 이에 인가되는 힘을 나타내는 신호를 생성한다. 물론, 사람은 많은 상이한 위치들에 넘어지고 떨어질 수 있으며, 따라서 모니터링되는 사람의 신체 상의 다양한 위치들에 위치하는 여러 개의 이러한 힘 센서들을 이용하는 것이 유리할 수 있다.
배터리 용량 및 전력의 이용가능성이 PERS와 관련된 관심사인 경우, 센서들 중 특정의 센서들을 활성화 및 비활성화하기 위한 스케줄이 결정될 수 있다. 알고리즘은 수동으로 생성되거나 조정될 수 있거나, 모니터링되는 사람의 활동 레벨 및 위치에 기반할 수 있다. AI/ML 구현에서, 엔진은 활동 레벨, 위치, 재발생, 시각 등에 기반하여 PERS 유닛의 배터리 수명을 생성 또는 조정하여, 배터리 이용이 낮은 활동의 시간들에서는 더 낮지만, 높은 활동 기간들 동안에는 배터리 용량이 이용가능하도록 학습된다.
잠정적 및 확정적 낙상 검출을 위한 다수의 센서들
PERS 내의 센서들 각각은 상이한 임계값들과 함께 동작할 수 있다. 즉, 가속도계에 의해 검출된 특정의 모션은 가속도계 값이 제1 임계값을 초과하지 않으면, 잠정적인 낙상 표시를 생성하지 않을 수 있다. 임계값들은 정상 착용자 모션과 연관된 센서 값들을 측정함으로써 확립될 수 있고, 느린 움직임은 단순히 착용자가 걷고 있다는 것을 나타낼 수 있는 반면, 갑작스런 가속도 또는 모션은 착용자가 낙상했다는 것을 나타낼 수 있다. 정상 또는 전형적인(무낙상) 센서 값들은 다수의 센서 값들이 일상적인 착용자 활동들 동안에 측정되는 테스트 또는 사전 동작 기간 동안에 결정될 수 있다. 이어서, 센서 임계값들은 착용자에 의한 간단한 모션을 나타내는 이들 값들을 넘어서 확립된다. 분명히 센서 임계값들은 각각의 착용자에 대해 경험적으로 확립되고 개인화되어야 한다.
센서 값들은 반복적으로 측정될 수 있고, 측정 레이트는 예를 들어 시각에 의해 결정된다. 착용자가 자고 있는 야간 시간 동안에는, 덜 빈번한 측정들이 필요하다. 그러나, 그녀의 활동 시간 동안에는, 모든 센서들이 그 각각의 파라미터를 더 자주 측정할 수 있다.
일부 실시예들에서, 본 명세서에 설명된 바와 같은 낙상 검출기는 계산 집약적 환경에서 동작하여, 감지된 값들을 임계값들과 비교하기 위해 단순한 비교기들보다 더 많은 것을 요구한다. 상이한 시각들에서 상이한 센서들에 대해 상이한 임계값들을 이용하고 센서들의 임계값들 사이의 관계들을 제시하기 위해 낙상 검출기의 동작을 제어하는 알고리즘이 기입될 수 있다. 예를 들어, 제1 센서가 X의 값을 측정하면, 이것은 제2 센서를 활성화시키고, 제2 센서에 대한 임계값은 Y이다. 따라서, 제2 센서가 Y보다 큰 값을 측정하면, 낙상이 표시된다. 그러나, 제1 센서가 값 A를 측정하면, 제2 센서에 대한 임계값은 Y보다 높은 임계값인 D로 설정된다. 이 시나리오에 따르면, 낙상을 표시하기 위해, 제2 센서는 이후 D보다 큰 값을 측정해야 한다.
PERS 임계값들은 또한 착용자들의 신체적 상태를 고려해야 한다. 예를 들어, 착용자가 민첩한가 아니면 천천히 움직이는 사람인가?, 착용자가 젊고 활발한가 아니면 나이가 들고 느린가?. 다시, 임계값들은 임계값들이 각각의 개별 착용자에 대해 개인적으로 확립되는 경험적 사전 동작 단계 동안에만 결정될 수 있다. 이러한 임계값들은 그 개인에 대한 프로파일들 및/또는 패턴들에 유지될 수 있고, 전체적으로, 예를 들어, 적어도 하나의 템플릿에서 평균 또는 보통으로 표현될 수 있다.
다수의 센서 입력들
하나 또는 몇 개의 센서로부터의 측정된 또는 감지된 값들이 착용자가 낙상했는지를 결정하기 위해, 단독으로 또는 그룹으로서 이용되는 다양한 실시예들이 본 명세서에 설명되었다. 이 개념은 n개의 센서로 확장될 수 있고, 여기서 낙상이 발생했는지를 결정하기 위해 n개의 센서의 서브세트에 의존한다. 예를 들어, n개의 센서가 착용자를 모니터링하고 있고, n개의 센서 중 w개의 센서로부터의 측정된 값들이 낙상이 발생하였다는 것을 나타내는 경우, PERS는 낙상 경보를 발행한다. 이 경우, 메트릭은 n개의 센서 중에서 최소 w개의 센서가 낙상이 발생했음을 나타내는 경우이고, 경보가 발행된다.
수들 n 및 w는 고유하게 결정가능하지 않고 착용자의 나이 및 활동 레벨과 같은, 여러 인자들에 의존한다. 수들 n 및 w는 PERS 내에 고정되거나 착용자에 의해 결정되고 리셋될 수 있다. 분명히, n과 w 사이의 더 작은 차이는 더 적은 오경보들(즉, 착용자가 낙상하지 않았을 때에 낙상이 검출되는 것)의 가능성을 시사한다. 그러나, n과 w 사이의 더 큰 갭은 더 많은 오경보들을 생성할 가능성이 있다.
또한, PERS 내의 복수의 센서에 의해, n개의 센서 중에서 w개의 센서의 선택은 착용자에게 맞춤화될 수 있고, 착용자의 예상된 활동 레벨에 부분적으로 의존하여, 원하는 대로 착용자에 의해 수동으로 설정될 수 있다. 수 w 및 구체적으로는 어느 센서들이 w개의 센서의 그룹에 포함되는지는 또한 측정된 데이터를 수신하고 처리하는 AI/ML 알고리즘에 의해 자동으로 구성될 수 있다. 물론, AI/ML 기반 실시예에서는, 훈련된 알고리즘이 그 수 및 특정 센서들을 자동으로 선택하고 구성할 수 있으므로, 모니터링되는 사람이 이러한 문제들을 고려할 필요가 없다.
착용자의 활동 레벨에 따라 비활성화되거나 활성화되는 것을 포함하는 특정의 센서들이 구성될 수 있다. 예를 들어, 착용자가 매주 평일 3 PM에 테니스를 치면, 이들은 경기가 시작되기 전에 틸트 센서를 수동으로 디스에이블할 수 있다. 대안적으로, AI/ML 알고리즘은 (재발생 시간 또는 다른 인자들에 기반하여) 모니터링되는 사람이 테니스를 치는 것과 같은 활발한 활동들에 참여하는 동안 긍정 오류들을 최소화하기 위해 낙상 검출기 설정들을 자동으로 조정하기로 결정한다. 또한, 착용자는 매주 평일 3 PM에 틸트 센서를 자동으로 비활성화하도록 PERS를 설정할 수 있다.
설정들은 PERS의 모든 센서들에 대해 (수동으로 또는 AI/ML 알고리즘에 의해 이루어진 결정들에 따라) 구성될 수 있다.
모든 센서들 또는 센서들의 그룹들은 반드시 하루 종일, 매일 활성화되지는 않는다. 착용자는 각각의 센서가 활성화 또는 비활성화되는 시간을 맞춤화할 수 있다. 활성화 및 비활성화의 엄격한 패턴은 바람직하지 않을 수 있으며, PERS의 효능이 손상되지 않는 한, 착용자에 의한 맞춤화가 요망된다.
일부 실시예들에서, PERS 내의 그리고/또는 PERS에 액세스가능한 적어도 하나의 AI/ML 알고리즘은 각각의 센서가 활성화 또는 비활성화될 때를 맞춤화하여, 모니터링되는 사람이 배터리 수명을 관리하면서 센서들을 수동으로 재구성하는 부담을 줄인다. AI/ML 알고리즘은 모니터링되는 사람의 반복적인 활동 또는 전체적인 활동에 관해 학습하고 필요에 따라 센서 조정을 한다.
그러나, n과 w의 선택에 수반되는 절충이 또한 존재한다. n과 w 사이의 차이가 작지만, 요구되는 에너지 용량(배터리 용량)이 더 활동적인 센서들에서 더 크면, 오경보들의 빈도는 감소될 수 있다.
측정치들을 취득하기 위해 w개의 센서를 활성화시키는 것에 더하여, w개의 센서가 활성화되는 시퀀스는 제어가능하고, 특정의 추후 센서들의 활성화는 이전에 활성화된 센서들로부터 획득된 측정된 값들에 대해 조건부이다. 다시 말하지만, 훈련된 AI/ML 알고리즘은 필요에 따라 이들 조정들을 할 수 있고, 모니터링되는 사람의 활동들에 관해 더 많이 학습하기 때문에 조정들을 정밀화할 수 있을 것으로 예상된다.
복수의 센서들 중에서, 센서 데이터의 특정 패턴들의 검출은 또한 낙상을 검출하는데 이용될 수 있다. 특히, 현재의 데이터 패턴이 낙상이 뒤따른 이전의 데이터 패턴과 매칭할 때, 현재의 패턴의 관찰은 낙상이 뚜렷하다는 강한 표시자이다. 다시 말하지만, 훈련된 AI/ML 알고리즘이 이 특징을 제공할 수 있다.
PERS의 AI/ML 구성요소는 (클라우드 기반이든 아니든 간에) 특정 개인에 대한 패턴들 또는 표시들을 분석할 뿐만 아니라, 뚜렷한 낙상 이벤트에 대한 일반적인 프리커서들의 검색에서 커뮤니티 내의 모든 개인들(또는 PERS를 갖고 AI/ML 알고리즘에 데이터를 전송하는 모든 개인들)을 고려한다. 예를 들어, 이러한 프리커서들은 프로파일들 및/또는 패턴들을 전체적으로 또는 부분적으로 포함할 수 있는 템플릿들의 형태로 표현될 수 있다. 이들은 유사한 인구통계, 유사한 센서 데이터, 및 유사한 데이터 패턴을 포함할 수 있다. 예를 들어, 낙상 관련 활동들의 시퀀스가 모니터링되는 사람에 대해 발생하면, 이 시퀀스는 그 개인에 대한 잠재적 낙상 활동을 나타내는 것으로서 NXTD/LogicMark 시스템(본 출원의 양수인)의 AI/ML 알고리즘에 의해 기록된다. 그러나, 이 시퀀스는 또한 긍정 오류 경보에 선행할 수 있다.
그러나, 이 데이터가 PERS 내의 더 큰 모집단(유사한 나이의 개인들, 다른 유사한 특성들을 갖는 개인들, 또는 유사한 인구통계를 포함함)(또는 시스템에 그 데이터가 포함되지 않은 훨씬 더 큰 집성 그룹들)으로부터의 데이터와 상관될 때, 이 데이터는 실제로는 낙상을 나타내고 오경보가 아닐 더 높은 확률을 시사할 수 있다(또는 그 반대도 마찬가지이다). 이것은 낙상 검출 및 긍정 오류들의 식별 둘 다의 정확도의 증가를 제공한다.
예를 들면, 만일 Ms. Simmons의 측정된 데이터가 패턴을 드러내지만, 그 데이터 패턴이 잠재적 낙상을 나타내는지가 불확실하다면, 그 데이터는 집성(또는 큰) 커뮤니티로부터의 데이터와 상관되어 낙상 이벤트를 나타낸 유사한 이전 패턴들을 검색할 수 있다. 높은 상관의 경우에, 잠재적 낙상이 표시된다. 착용자는 그녀가 낙상했는지를 결정하기 위해 접촉된다. 그녀는 "아니오"로 질문에 응답할 수 있다. 이 경우, 알고리즘은 데이터 패턴이 반드시 예상되는 낙상 이벤트를 나타내는 것은 아님을 반영하도록 수정된다.
AL/ML 알고리즘은 Ms. Simmons에 대한 이 유형의 패턴이 이 시각에 이 위치에서 "무낙상" 결정을 낳는다는 것에 주목(즉, 학습)한다. 알고리즘은 또한 데이터 패턴에 기반하여 이 결론을 검증하여 이 활동의 반복(즉, 유사한 측정된 데이터)이 Ms. Simmons가 낙상하지 않은 후속 상황을 야기하는지를 결정하려고 할 것이다. 검증 프로세스는 알고리즘에 의한 "무낙상" 결정이 실제로 Ms. Simmons가 낙상하지 않았다고 올바르게 결정했다는 것을 보장하기 위해 몇 개의 유사한 데이터 세트를 포함할 수 있다.
AI/ML 알고리즘은 또한 Ms. Simmons의 데이터 패턴을 커뮤니티 내의 다른 사람들과 비교하여, 낙상이 발생했거나 발생하지 않았을 가능성을 결정한 후, Ms. Simmons에 적용된 대로 알고리즘을 재검증할 수 있다. 따라서, 알고리즘은 Ms. Simmons에 대한 유사한 미래의 데이터 패턴들이 "무낙상" 결정을 생성할 것이라고 결정할 수 있다.
게다가, Ms. Simmons의 데이터 패턴은 익명으로 커뮤니티에 걸쳐 집성되고 공유되며, 따라서 유사한 데이터 패턴이 Ms. Simmons와 유사한 나이 또는 다른 유사한 특성들의 다른 사람들(예를 들어, 유사한 나이의 여성인 Ms. Smith)에 대해 관찰될 때, 시스템은 이 데이터 패턴을 낙상 이벤트에 선행하는 것으로서 표시하지 않을 것이다. 검증 질문은 또한 Ms. Smith에게 전송되어 그녀가 낙상하지 않았다는 것을 검증하고, 이 사이클이 다시 시작된다.
낙상 검출 시스템(주로 적어도 하나의 AI/ML 알고리즘)은 개인에 대한 데이터 패턴들을 검색하여 그 사람의 고유한 낙상 검출 패턴들을 결정한다. 또한, AI/ML 알고리즘들은 (유사한 인구통계의) 커뮤니티 내의 다른 개인들에 대해 실행되어 유사한 패턴들이 다른 사람들에 대해 낙상의 결과를 낳았는지를 검증한다. 따라서, AI/ML 알고리즘(클라우드 기반 소프트웨어로서 구현됨)은 낙상이 막 발생하려고 하는 것을 나타내는 어떤 패턴들, 센서 측정치들, 시퀀싱 등에 관해 지속적으로 학습한다. 이러한 학습 프로세스는 시스템이, 예를 들어, 시퀀스 1, 2, 3이 센서 데이터에서 발생할 때, 블록들 4, 5, 및 6이 센서에서 다음에 트리거링할 가능성이 더 높을 수 있고, 이는 낙상을 초래할 수 있다는 점에 주목하는 것을 허용한다. 또는, 1, 2, 3 시퀀스(또는 다른 데이터)는 커뮤니티 내의 다른 PERS 착용자들의 유사한 데이터와 함께 고려될 때 낙상의 가능성이 있음을 의미한다. 또는, 시퀀스 1, 2, 3은 그 데이터가 낙상 이벤트에 선행하였는지를 결정하기 위해 착용자의 과거 이력 데이터와 함께 고려된다. 이러한 분석은 또한 처음에 낙상이 표시되지만 발생하지 않을 때의 결정에 적용될 수 있다. 예를 들어, id 시퀀스 1, 2 및 3이 발생하면 낙상의 가능성이 N%일 것으로 예상될 수 있지만, 이벤트들 1, 2 및 3 사이의 id 시간이 낙상이 발생할 때의 그 시퀀스와 충분히 다르면, 이것은 낙상의 가능성이 적다는 것을 나타낼 수 있어서, 낙상 긍정 검출을 피한다.
센서들은 통상적으로 특정의 측정된 값을 출력하지만, 데이터 범위들의 이용이 또한 유익하다. 범위 내의 또는 밖의 데이터 값들은 다른 센서들을 활성화(또는 비활성화)시키기 위한 조건들을 나타낸다. 예를 들어, 센서 1로부터의 측정된 데이터가 X와 Y 사이의 범위 내에 있으면, 센서 2가 활성화된다. 측정된 데이터가 X보다 작으면, 추가 측정들이 수행되지 않는다. 그리고 측정된 데이터가 Y보다 크면, 센서 3이 활성화된다. 다른 것(예를 들어, 더 민감한 센서들 또는 더 나은 "낙상" 예측기들인 센서들)의 이러한 조건부 활성화의 이용은 낙상 검출의 정확도를 측정가능하게 개선하고 긍정 오류들을 감소시킨다.
센서 방향성
많은 센서 유형들, 예를 들어, 기준에 대한 틸트 또는 배향을 검출하기 위한 자이로스코프들, 속도 및 가속도를 검출하기 위한 가속도계들, 및 기준에 대한 높이 또는 높이 차이를 검출하기 위한 압력 측정들이 본 명세서에 설명되고 PERS 디바이스들에서 일반적으로 이용된다.
3차원 기준 공간(X, Y, 및 Z 축들)을 추가하는 것은 낙상 검출의 정확도를 추가로 증가시킬 수 있다. 예를 들어, 주로 X 또는 Y 방향(Z 방향에서 최소 움직임이 검출됨)에서의 가속도는 착용자가 걷거나 조깅하고 있다는 것을 나타낼 수 있다. 그러나, Z 축을 따른 상당한 변화는 착용자가 낙상했다는 것을 시사한다. 이러한 낙상 동안, X 축 및 Y 축을 따른 약간의 변화도 예상될 것이고, 낙상을 추가로 시사할 것이다.
기계 학습 및 인공 지능 실시예들
일 실시예에서, 본 발명은 적어도 하나의 기계 학습 알고리즘(즉, 인공 지능 분석의 예)으로 구현된다. 이러한 알고리즘들은 통상적으로 이진 결정들(예로서, 예/아니오, 수락/거절 등) 또는 수치 예측들(예로서, 97%)인 출력들을 생성하기 위해 방대한 양의 입력 데이터를 동화시키는, 소프트웨어로 구현되는 동적 모델들이다. 기계 학습 알고리즘들은, 최소의 인간 개입으로, 결과에 영향을 미치는 알고리즘 상세들을 독립적으로 변경하는(즉, 학습하는) 그 능력에 의해 정적 계산 알고리즘들과 구별된다.
기계 학습 알고리즘들은 실제 결과를 더 잘 예측하기 위해 그 후속 예측들에서의 에러들을 줄이기 위해 자체 조정하도록 프로그래밍된다. 시간이 지남에 따라, 그리고 많은 반복들에 걸쳐, 이러한 알고리즘들은 그 예측들의 정확도를 증가시키는 것을 학습한다.
기계 학습은 상이한 설계 전략들을 각각 이용하는 많은 상이한 알고리즘들을 커버하는 광범위한 포괄적 용어이다. 기계 학습 알고리즘들의 서브카테고리들은 인공 신경망들, 결정 트리들, 랜덤 포레스트들(random forests), 지원 벡터 회귀 및 감독 및 무감독 학습을 포함하는 더 많은 것을 포함한다. 이러한 알고리즘들 중 다수는 특정 부류의 문제들에 가장 적합하다.
상업적으로 이용가능한 기계 학습 알고리즘들은 TensorFlow(캘리포니아주 마운틴 뷰의 Google, Inc.로부터 입수가능함), Theano(Universite de Montreal에 의해 개발됨), Sci-kit learn(Scikit-learn: Machine Learning in Python, Pedregosa et al., JMLR 12, pp. 2825-2830, 2011), 또는 CNTK(워싱턴주 레드몬드의 Microsoft Corporation으로부터 입수가능함)를 포함한다.
회귀 기술들의 이용은 예를 들어, 센서들의 세트에 대한 것들과 같은 특정한 값들을 예측하는데 이용될 수 있고, 여기서, 센서에 의해 제공된 데이터는 센서가 어떤 미래의 시간에 제공할 가능성 있는 데이터 세트의 예측을 생성하기 위해 적어도 하나의 회귀 함수에 의해 평가될 수 있다. 본 명세서에서 설명되는 것들과 같은 센서들의 세트들 각각이 예측된 데이터 세트를 가질 때, 이러한 세트들은 센서들로부터의 상보적인 또는 충돌하는 데이터를 식별하기 위해 비교될 수 있으며, 이는 예를 들어 낙상의 상태의 결정에 대한 다변량의 접근법을 가능하게 한다. 이것은 고립된 센서, 또는 예를 들어 X, Y 및 Z 평면에서의 움직임을 측정하는 센서들의 세트에 의해 표시되었을 수 있는 긍정 오류의 검출 및 교정을 가능하게 한다.
예를 들어, 결정 트리는 다른 시스템들에 의한 평가를 위한 데이터 세트로서 표현될 수 있고/있거나 이벤트들 및/또는 트리거들을 수반하는 활동에 대한 기초를 형성할 수 있는 결정 행렬을 포함할 수 있다. 이러한 접근법의 일 예는 그래프 기반 표현일 수 있다.
일부 실시예들에서, 결정 행렬은 임계값들이 컨텍스트에 응답하여 변할 수 있다는 점에서 동적일 수 있는 임계값들을 포함할 수 있다. 예를 들어, 본 명세서에 설명된 프로파일들에 보유된 데이터는 결정 행렬에 포함되는 임계값들을 변경하는데 이용될 수 있다.
일부 실시예들에서, 지원 벡터 기계들(SVM)은 템플릿 매칭에 이용될 수 있고, 여기서, 예를 들어, 프로파일 및/또는 패턴은 템플릿에 의해 표현되고, 템플릿은 이후 이러한 프로파일 및/또는 패턴들 사이의 상대적 유사성을 확립하는데 이용될 수 있다. 예를 들어, SVM이 가우시안 커널을 포함하는 경우, 패턴 A에서의 X의 유사성은 패턴 B에서의 X1에 대해 결정될 수 있고, 여기서, 예를 들어, 양 패턴들은 전체적으로 또는 부분적으로 공통 템플릿을 가진다. SVM은 클래스가 예를 들어 센서 데이터의 세트의 상태를 나타낼 수 있는 긍정 또는 부정인지를 예측하는 데에도 이용될 수 있다.
본 발명의 일 구현은, 예를 들어, 임의의 배열의 다수의 하위 신경망들을 포함할 수 있는 인공 신경망의 이용을 수반한다. 일부 실시예에서, 인공 신경망들은 하나 이상의 "계층"으로 구성되는 "뉴런들"의 집합들이다.
도 2는 인공 신경망 내의 단일 뉴런을 도시한다. 단일 뉴런(10)은 수학적 활성화 함수(12), 즉, 센서들로부터의 다수의 가중된 입력들을 단일 출력 값으로 변환하는 간단한 정적 함수를 구현한다. 뉴런(10)은 가중치 값의 가중치들 W1, W2, W3이 적용된 센서들 X1, X2, X3으로부터 입력 데이터를 수신한다. 활성화 함수(12)는 도시된 바와 같이 가중된 값들의 합에 적용된다. 출력 Y는 그 결과이다.
본 발명에 적용되는 바와 같이, 입력 데이터는, 예를 들어, 가속도계, 자이로스코프, 및 압력 센서를 포함하는, 낙상 검출기 센서들로부터의 측정된 값들을 포함한다. 그리고 출력 Y는 낙상이 발생했거나 발생하지 않았음을 나타내는데, 이는 예를 들어, 신뢰도 메트릭, 예컨대 93%와 같은 확률 가중 인자를 포함할 수 있다. 그러나, 이것은 이러한 낙상 검출 문제에 적용되는 신경망의 과도하게 단순화된 설명이다. 아래에 설명되는 도 3은 낙상 검출을 위한 더 정확한 신경망 실시예이다.
신경망에서 이용되는 특정 활성화 함수는 원하는 출력의 유형에 의존한다. 활성화 함수들은 신경망의 하위 계층들의 조합된 효과 또는 입력 데이터의 조합을 적절하게 표현하기 위해 필요한 만큼 단순하거나 복잡할 수 있다. 예를 들어, 낙상이 발생했거나 발생하지 않았음과 같은 이진 분류를 예측하는 것은 0 또는 1을 출력하는 시그모이드 활성화 함수의 이용을 제안한다. 임계값보다 큰 출력들(통상적으로 0.5)은 하나의 카테고리(예를 들어, 낙상이 발생했음)인 것으로 예측되는 반면, 임계값 아래의 출력들은 다른 카테고리(예를 들어, 낙상이 발생하지 않았음)에 든다. 이러한 카테고리들은 본 명세서에 설명된 프로파일들에 보유된 데이터로부터 형성될 수 있다.
활성화 함수에 관계없이, 계산된 출력(Y)은 이후 입력으로서 다른 뉴런에 전달될 수 있거나, 완전한 신경망의 최종 출력을 나타낼 수 있다. 인공 신경망을 구현하는 통상의 기술자는 입력들의 유형들 및 원하는 출력에 의해 결정된 적절한 활성화 함수를 적용할 수 있다.
도 2는 낙상이 발생했는지를 결정하기 위한 간단한 인공 신경망의 개략도이다. 복수의 센서 입력이 도 2의 좌측에 도시되며, 각각의 입력은 열(21) 내의 각각의 노드에 입력되는 값을 나타낸다. 복수의 입력은 본 명세서에서 설명되는 센서들 및 낙상이 발생했는지를 결정하는데 유용한 정보를 제공할 수 있는 다른 센서들에 의해 표현된다.
열(21) 내의 뉴런들에 대한 각각의 입력은 특정 센서의 수치 출력(감지된 또는 측정된 값)이다. 센서 값들은 연속적으로 또는 주기적으로, 고정된 기간에, 매일 고정된 시간에, 하루에 걸쳐 변하는 기간에, 또는 다른 센서들 중 하나 이상에 의해 측정된 값들에 의해 결정되는 바와 같이 가변적인 기간에 측정될 수 있다. 따라서, 센서 측정들의 세분성은 착용자 및/또는 PERS 설계자에 의해 결정될 수 있다.
열(21) 내의 각각의 노드로부터의 출력 값들(센서 측정치들)이 열(22) 내의 하나 이상의 노드로 전달될 때, 이들은 버블(30)로부터 할당된 가중치들에 의해 수정(예를 들어, 승산)된다. 예를 들어, 노드(21A)로부터 연장되는 몇몇 라인들은 센서(1)에 의해 측정된 값을 나타낸다. 각각은 버블(30)로부터의 가중치(각각의 센서 값에 적용되는 동일한 또는 상이한 가중치들)에 의해 승산되고, 각각은 열(22) 내의 노드에서 종료된다. 따라서, 가중치 값은 노드(21A)로부터의 출력 값을 수정하고, 가중된 값은 열(22) 내의 대응하는 노드에 입력된다.
프로세스는 다양한 가중치들에 열(21)로부터의 센서 출력 값들을 승산한 것; 감지된 값과 열(22) 내의 각각의 노드에 입력된 가중치의 곱에 의해 반복된다. 프로세스는 열(22)로부터의 출력들에 버블(32)로부터 제공된 가중치들을 승산한 것; 열(24) 내의 노드들 각각에 입력된 결과적인 곱들에 의해 반복된다. 마지막으로, 열(24)로부터의 출력 값들은 노드(30)에서 결합되고, 노드(30)로부터의 출력 값은 낙상이 발생했거나 발생하지 않았음을 나타낸다.
일반적으로, 도 3의 가중치 값들은 센서 판독이 다음 열 내의 각각의 노드에 대해, 그리고 궁극적으로 낙상이 발생했거나 발생하지 않았다는 최종 결정에 대해 갖는 효과를 나타낸다. 열(21)로부터의 각각의 값의 효과는 상이한 가중치 값들에 의해 반영되는 바와 같이 후속 열 내의 각각의 노드에 대해 상이할 가능성이 있다는 점에 유의한다. 또한, 입력 특징이 다음 노드에 영향을 미치지 않는다면 가중치는 0일 수 있다는 점에 유의한다.
버블들(30 및 32)은 열들(21 및 22) 내의 각각의 노드에 대한 가중치들을 제공한다. 이러한 가중치들은 신경망(20)을 통한 이전의 반복들로부터의 결과들에 기반할 수 있고, 따라서 각각의 노드에서의 입력 값에 대한 시작 포인트(또는 일정한 조정)를 확립할 수 있다. 알고리즘이 훈련됨에 따라(또는 나중에 업데이트됨에 따라), 가중치 값들은 신경망으로부터의 결과를 최적화하도록 변경되어, 낙상 검출의 정확도가 개선되고, 결과적으로 긍정 오류들의 식별이 또한 개선된다.
도 3에 도시된 바와 같이, 인공 신경망은 통상적으로 결과를 정확하게 예측하기 위해 각각의 뉴런의 출력에 적용된 상이한 가중치들, 다양한 입력 데이터, 및 복수의 활성화 함수들(노드들에 의해 표현됨)을 갖는 개별 뉴런들의 복잡한 융합을 수반한다.
예측 에러는 네트워크 출력(예를 들어, 낙상이 발생했음)과 실제 출력(예를 들어, 낙상이 발생하지 않았음) 사이의 차이로서 정의된다. 이러한 접근법은 긍정 오류의 검출을 크게 개선한다. 예를 들어, 손실 함수는 예측 에러의 크기 및 방향을 계산한다. 그 다음, 예측 에러는 네트워크를 통해 역전파되어, 각각의 뉴런으로부터의 출력에 적용되는 가중치들을 업데이트함으로써 신경망의 후속 반복들 동안 예측 에러들을 감소시킨다. 따라서, 신경망은 정적 함수가 아니라, 각각의 훈련 에피소드에 따라 변하는 것이다.
하나의 시나리오에서, 초기 가중치들은 각각의 뉴런에 대해 랜덤하게 선택될 수 있다. 그 후, 가중치들이 입력 데이터(센서 값들)를 정확한 출력 데이터(낙상이 발생했거나 발생하지 않았음)와 매칭시키기 위해 충분히 잘 동작하는 값들로 수렴할 때까지 이력 데이터를 이용하여 훈련이 수행된다. 예측된 낙상 또는 무낙상 결정에서의 에러를 줄이기 위해 적절한 가중치를 선택함으로써 기계 학습 알고리즘이 "교시"되었으면, 프로세서는 실시간 센서 입력에 기반하여 알고리즘을 실행한다. 알고리즘을 훈련하는 것은 (일반적으로 알고리즘을 업데이트하는 것으로 지칭되는) 본 명세서에 설명된 최적화 및 역전파 기술들에 의해 이용된 후에도 계속될 수 있다.
이력 데이터의 많은 관찰들로 훈련된 신경망은 낙상 또는 무낙상 결정에 대해 강건하고 정확한 예측 능력들을 달성하여 낙상 검출의 정확도를 증가시키고 결과적으로 이벤트들을 트리거링할 수 있는 긍정 오류의 감소를 증가시킬 수 있다. 네트워크가 안정적인 예측 패턴을 학습하였으면, 네트워크는 실시간 예측을 하도록 배치될 수 있다. 알고리즘 훈련 프로세스와 달리, 낙상 예측을 위해 알고리즘을 이용하는 것은 매우 빠르고 알고리즘이 거의 실시간으로 결정들을 관리하게 허용한다. 게다가, 훈련(일반적으로 알고리즘이 동작 중에 배치되었으면 알고리즘을 업데이트하는 것으로 지칭됨)은 알고리즘이 동작한 후에도 새로운 데이터가 주어지면 계속될 수 있고, 낙상 또는 무낙상 결정의 정확도를 증가시키기 위한 학습을 최적화하기 위해 강화 학습 기술들과 함께 이용될 때 추가로 향상될 수 있다.
아마도 예상된 낙상을 나타내는 데이터를 수집하고 분석하기 위한 많은 상이한 센서 유형들 및 분석 프로세스들이 본 명세서에 설명되었다. 일반적으로, 이러한 센서들은 하드웨어 및 소프트웨어 요소들을 이용하여 신호를 출력하는 물리적 센서들을 포함한다. 일 실시예에서, 이러한 센서들은 웨어러블 디바이스에 부착되거나 통합된다. 일 실시예에서, 측정된 데이터는 처리 및 낙상 검출을 위해 클라우드 기반 AI/ML 알고리즘에 전송된다. 서비스 제공자(비즈니스 엔티티)는 모니터링되는 사람으로부터 측정된 데이터를 수신하고 그 알고리즘을 통해 데이터를 처리하는 알고리즘을 제공할 수 있다. 알고리즘이 낙상이 발생한 것으로 결정하는 경우, 서비스 제공자는 모니터링되는 사람에 의해 식별된 당사자들에게 통지들을 발행한다.
실시예들의 이전의 설명은 본 기술분야의 통상의 기술자가 본 개시내용을 실시할 수 있게 하기 위해 제공된다. 따라서, 본 개시내용은 본 명세서에 도시된 실시예들로 제한되도록 의도되지 않고, 본 명세서에 개시된 원리들 및 특징들에 부합하는 가장 넓은 범위를 부여받아야 한다.
Claims (20)
- 웨어러블 디바이스로서,
기계 학습 낙상 검출 프로세서(machine-learning fall detection processor);
착용자의 예상된 활동 레벨을 저장하도록 구성된 데이터베이스를 갖는 비일시적 컴퓨터 판독가능한 매체;
복수의 모션 센서들 - 각각의 모션 센서는 개별 낙상 모션 임계값을 갖고, 상기 모션 센서들은 상기 개별 낙상 모션 임계값이 초과될 때 낙상 모션 신호를 상기 낙상 검출 프로세서에 전송하도록 구성됨 -;
낙상 높이 임계값을 갖는 적어도 하나의 높이 센서 - 상기 적어도 하나의 높이 센서는 상기 낙상 높이 임계값이 초과될 때 낙상 높이 신호를 상기 낙상 검출 프로세서에 전송하도록 구성됨 -;
힘 임계값을 갖는 힘 센서 - 상기 힘 센서는 상기 힘 임계값이 초과될 때 힘 신호를 상기 낙상 검출 프로세서에 전송하도록 구성됨 -
를 포함하며,
상기 낙상 검출 프로세서는 상기 복수의 모션 센서들, 상기 적어도 하나의 높이 센서, 및 상기 힘 센서의 총 수의 센서들 중 최소 수의 센서들이 낙상이 발생하였음을 나타낼 때 경보를 발행하도록 구성되고;
상기 최소 수의 센서들은 상기 착용자의 예상된 활동 레벨에 부분적으로 기반하여 낙상 검출 프로세서에 의해 자동으로 설정되고;
상기 낙상 검출 프로세서는 상기 데이터베이스에 저장된 상기 착용자의 예상된 활동 레벨을 상기 착용자의 실제 활동 레벨로 업데이트하는, 웨어러블 디바이스. - 제1항에 있어서,
상기 낙상 검출 프로세서는 상기 착용자의 예상된 활동 레벨에 부분적으로 기반하여 상기 최소 수의 센서들을 변경하도록 추가로 구성되는, 웨어러블 디바이스. - 제2항에 있어서,
상기 낙상 검출 프로세서는 상기 착용자의 예상된 활동 레벨에 부분적으로 기반하여 상기 개별 낙상 모션 임계값, 상기 낙상 높이 임계값, 또는 상기 힘 임계값을 조정하도록 추가로 구성되는, 웨어러블 디바이스. - 제3항에 있어서,
낙상 검출 프로세서는 상기 착용자의 예상된 활동 레벨에 부분적으로 기반하여 센서를 턴 온 또는 오프하도록 추가로 구성되는, 웨어러블 디바이스. - 제4항에 있어서,
상기 착용자가 상기 착용자의 예상된 활동 레벨을 조정하는 것을 허용하는 사용자 인터페이스를 더 포함하는, 웨어러블 디바이스. - 제5항에 있어서,
상기 사용자 인터페이스는 충격 검출 임계값을 갖는 오디오 프로세서를 구비한 마이크로폰을 포함하고, 상기 오디오 프로세서는 충돌 검출 임계값이 초과될 때 상기 낙상 검출 프로세서에 충격 신호를 전송하도록 추가로 구성되고;
상기 총 수의 센서들은 상기 마이크로폰을 더 포함하는, 웨어러블 디바이스. - 제5항에 있어서,
상기 모션 센서는 틸트 검출 임계값(tilt detection threshold)을 갖는 자이로스코프 센서이고, 상기 자이로스코프 센서는 상기 틸트 검출 임계값이 초과될 때 상기 낙상 검출 프로세서에 틸트 신호를 전송하도록 추가로 구성되고;
상기 총 수의 센서들은 상기 자이로스코프 센서를 더 포함하는, 웨어러블 디바이스. - 제5항에 있어서,
상기 낙상 검출 프로세서는 시각에 기반하여 상기 착용자의 예상된 활동 레벨을 조정하는, 웨어러블 디바이스. - 제5항에 있어서,
상기 낙상 검출 프로세서는 상기 착용자의 예상된 활동 레벨을 결정하는 것을 돕기 위해 회귀 기술, 결정 트리 또는 결정 행렬을 이용하는, 웨어러블 디바이스. - 제5항에 있어서,
상기 낙상 검출 프로세서는 센서를 분리함으로써 긍정 오류 낙상 신호들을 교정하는, 웨어러블 디바이스. - 제5항에 있어서,
상기 낙상 검출 프로세서는 상기 착용자의 예상된 활동 레벨을 결정하는 것을 돕기 위해 템플릿 매칭을 위한 지원 벡터 기계들(SVM)을 이용하는, 웨어러블 디바이스. - 제5항에 있어서,
상기 낙상 검출 프로세서는 신경망인, 웨어러블 디바이스. - 웨어러블 디바이스의 낙상 검출 방법으로서,
착용자의 예상된 활동 레벨을 비일시적 컴퓨터 판독가능한 매체 상의 데이터베이스에 저장하는 단계;
개별 낙상 모션 임계값이 초과될 때 낙상 검출 프로세서에 의해, 각각 낙상 모션 임계값을 갖는 복수의 모션 센서들로부터 낙상 모션 신호를 수신하는 단계;
낙상 높이 임계값이 초과될 때 상기 낙상 검출 프로세서에 의해, 낙상 높이 임계값을 갖는 적어도 하나의 높이 센서로부터 낙상 높이 신호를 수신하는 단계;
힘 임계값이 초과될 때 상기 낙상 검출 프로세서에 의해, 힘 임계값을 갖는 힘 센서로부터 힘 신호를 수신하는 단계;
상기 복수의 모션 센서들, 상기 적어도 하나의 높이 센서, 및 상기 힘 센서의 총 수의 센서들 중 최소 수의 센서들이 낙상이 발생하였음을 나타낼 때 상기 낙상 검출 프로세서에 의해 경보를 발행하는 단계 - 상기 최소 수의 센서들은 상기 착용자의 예상된 활동 레벨에 부분적으로 기반하여 낙상 검출 프로세서에 의해 자동으로 설정됨 -; 및
상기 낙상 검출 프로세서에 의해, 상기 데이터베이스에 저장된 상기 착용자의 예상된 활동 레벨을 상기 착용자의 실제 활동 레벨로 업데이트하는 단계
를 포함하는, 낙상 검출 방법. - 제13항에 있어서,
상기 낙상 검출 프로세서는 상기 착용자의 예상된 활동 레벨에 부분적으로 기반하여 상기 최소 수의 센서들을 변경하도록 추가로 구성되는, 낙상 검출 방법. - 제14항에 있어서,
상기 낙상 검출 프로세서는 상기 착용자의 예상된 활동 레벨에 부분적으로 기반하여 상기 개별 낙상 모션 임계값, 상기 낙상 높이 임계값, 또는 상기 힘 임계값을 조정하도록 추가로 구성되는, 낙상 검출 방법. - 제15항에 있어서,
낙상 검출 프로세서는 상기 착용자의 예상된 활동 레벨에 부분적으로 기반하여 센서를 턴 온 또는 오프하도록 추가로 구성되는, 낙상 검출 방법. - 제16항에 있어서,
사용자 인터페이스로부터의 입력에 의해 상기 착용자의 예상된 활동 레벨을 조정하는 단계를 더 포함하는, 낙상 검출 방법. - 제17항에 있어서,
상기 사용자 인터페이스는 충격 검출 임계값을 갖는 오디오 프로세서를 구비한 마이크로폰을 포함하고, 상기 오디오 프로세서는 충돌 검출 임계값이 초과될 때 상기 낙상 검출 프로세서에 충격 신호를 전송하도록 추가로 구성되고;
상기 총 수의 센서들은 상기 마이크로폰을 더 포함하는, 낙상 검출 방법. - 제17항에 있어서,
상기 모션 센서는 틸트 검출 임계값을 갖는 자이로스코프 센서이고, 상기 자이로스코프 센서는 상기 틸트 검출 임계값이 초과될 때 상기 낙상 검출 프로세서에 틸트 신호를 전송하도록 추가로 구성되고;
상기 총 수의 센서들은 상기 자이로스코프 센서를 더 포함하는, 낙상 검출 방법. - 데이터 및 명령어들로 인코딩된 비일시적 컴퓨터 판독가능한 저장 매체로서,
상기 명령어들은, 낙상 검출 프로세서에 의해 실행될 때, 웨어러블 디바이스로 하여금,
착용자의 예상된 활동 레벨을 상기 비일시적 컴퓨터 판독가능한 매체 상의 데이터베이스에 저장하게 하고;
개별 낙상 모션 임계값이 초과될 때 낙상 검출 프로세서에 의해, 각각 낙상 모션 임계값을 갖는 복수의 모션 센서들로부터 낙상 모션 신호를 수신하게 하고;
낙상 높이 임계값이 초과될 때 상기 낙상 검출 프로세서에 의해, 낙상 높이 임계값을 갖는 적어도 하나의 높이 센서로부터 낙상 높이 신호를 수신하게 하고;
힘 임계값이 초과될 때 상기 낙상 검출 프로세서에 의해, 힘 임계값을 갖는 힘 센서로부터 힘 신호를 수신하게 하고;
상기 복수의 모션 센서들, 상기 적어도 하나의 높이 센서, 및 상기 힘 센서의 총 수의 센서들 중 최소 수의 센서들이 낙상이 발생하였음을 나타낼 때 상기 낙상 검출 프로세서에 의해 경보를 발행하게 하며;
상기 최소 수의 센서들은 상기 착용자의 예상된 활동 레벨에 부분적으로 기반하여 낙상 검출 프로세서에 의해 자동으로 설정되고;
상기 낙상 검출 프로세서는 상기 데이터베이스에 저장된 상기 착용자의 예상된 활동 레벨을 상기 착용자의 실제 활동 레벨로 업데이트하는, 비일시적 컴퓨터 판독가능한 저장 매체.
Applications Claiming Priority (3)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| US202163271194P | 2021-10-24 | 2021-10-24 | |
| US63/271,194 | 2021-10-24 | ||
| PCT/US2022/047601 WO2023069781A1 (en) | 2021-10-24 | 2022-10-24 | System and method for fall detection using multiple sensors, including barometric or atmospheric pressure sensors |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| KR20240093846A true KR20240093846A (ko) | 2024-06-24 |
Family
ID=86057451
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020247016888A KR20240093846A (ko) | 2021-10-24 | 2022-10-24 | 기압 또는 대기압 센서들을 포함하는 다수의 센서를 이용한 낙상 검출을 위한 시스템 및 방법 |
Country Status (6)
| Country | Link |
|---|---|
| US (1) | US12039850B2 (ko) |
| EP (1) | EP4420104A1 (ko) |
| KR (1) | KR20240093846A (ko) |
| AU (1) | AU2022373528A1 (ko) |
| CA (1) | CA3236143A1 (ko) |
| WO (1) | WO2023069781A1 (ko) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20230327950A1 (en) * | 2020-09-09 | 2023-10-12 | Lenovo (Singapore) Pte. Limited | Method and Apparatus Including Event Triggered Goal Change for Control Loops |
| KR20240093846A (ko) * | 2021-10-24 | 2024-06-24 | 로직마크, 인크. | 기압 또는 대기압 센서들을 포함하는 다수의 센서를 이용한 낙상 검출을 위한 시스템 및 방법 |
| US20240062640A1 (en) * | 2022-04-25 | 2024-02-22 | Apple Inc. | User interfaces for facilitating operations |
| US20240077374A1 (en) * | 2022-09-02 | 2024-03-07 | Honeywld Technology Corp. | Single-barometer device, method for fall detection, and system thereof |
| US11937917B1 (en) * | 2023-08-16 | 2024-03-26 | Alva Health Inc. | Detecting falls with multiple wearable motion sensors |
| CN118053261B (zh) * | 2024-04-16 | 2024-06-25 | 深圳市巨龙科教网络有限公司 | 用于智慧校园的防欺凌预警方法、装置、设备及介质 |
Family Cites Families (18)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP0816986B1 (en) * | 1996-07-03 | 2006-09-06 | Hitachi, Ltd. | System for recognizing motions |
| US9704369B2 (en) * | 2008-06-27 | 2017-07-11 | Barron Associates, Inc. | Autonomous fall monitor using an altimeter with opposed sensing ports |
| US9241635B2 (en) * | 2010-09-30 | 2016-01-26 | Fitbit, Inc. | Portable monitoring devices for processing applications and processing analysis of physiological conditions of a user associated with the portable monitoring device |
| US10004406B2 (en) * | 2010-09-30 | 2018-06-26 | Fitbit, Inc. | Portable monitoring devices for processing applications and processing analysis of physiological conditions of a user associated with the portable monitoring device |
| US9168419B2 (en) * | 2012-06-22 | 2015-10-27 | Fitbit, Inc. | Use of gyroscopes in personal fitness tracking devices |
| US10485452B2 (en) * | 2015-02-25 | 2019-11-26 | Leonardo Y. Orellano | Fall detection systems and methods |
| JP6456202B2 (ja) | 2015-03-19 | 2019-01-23 | セコム株式会社 | 転倒検知端末およびプログラム |
| US11527140B2 (en) * | 2017-09-29 | 2022-12-13 | Apple Inc. | Detecting falls using a mobile device |
| EP3724864A1 (en) * | 2017-09-29 | 2020-10-21 | Koninklijke Philips N.V. | Wrist fall detector based on arm direction |
| US11282363B2 (en) * | 2017-09-29 | 2022-03-22 | Apple Inc. | Detecting falls using a mobile device |
| US11282361B2 (en) * | 2017-09-29 | 2022-03-22 | Apple Inc. | Detecting falls using a mobile device |
| US11282362B2 (en) * | 2017-09-29 | 2022-03-22 | Apple Inc. | Detecting falls using a mobile device |
| US10629048B2 (en) * | 2017-09-29 | 2020-04-21 | Apple Inc. | Detecting falls using a mobile device |
| JP7504193B2 (ja) * | 2019-08-20 | 2024-06-21 | コーニンクレッカ フィリップス エヌ ヴェ | ウェアラブルセンサを用いて被験者の転倒を検出するシステム及び方法 |
| US11380181B2 (en) * | 2020-12-09 | 2022-07-05 | MS Technologies | Doppler radar system with machine learning applications for fall prediction and detection |
| US11398146B2 (en) * | 2020-12-22 | 2022-07-26 | Micron Technology, Inc. | Emergency assistance response |
| KR20240093846A (ko) * | 2021-10-24 | 2024-06-24 | 로직마크, 인크. | 기압 또는 대기압 센서들을 포함하는 다수의 센서를 이용한 낙상 검출을 위한 시스템 및 방법 |
| US20230326318A1 (en) * | 2022-04-06 | 2023-10-12 | Logicmark, Inc. | Environment sensing for care systems |
-
2022
- 2022-10-24 KR KR1020247016888A patent/KR20240093846A/ko unknown
- 2022-10-24 US US17/972,389 patent/US12039850B2/en active Active
- 2022-10-24 CA CA3236143A patent/CA3236143A1/en active Pending
- 2022-10-24 WO PCT/US2022/047601 patent/WO2023069781A1/en active Application Filing
- 2022-10-24 EP EP22884567.3A patent/EP4420104A1/en active Pending
- 2022-10-24 AU AU2022373528A patent/AU2022373528A1/en active Pending
Also Published As
| Publication number | Publication date |
|---|---|
| WO2023069781A1 (en) | 2023-04-27 |
| EP4420104A1 (en) | 2024-08-28 |
| AU2022373528A1 (en) | 2024-05-09 |
| US12039850B2 (en) | 2024-07-16 |
| CA3236143A1 (en) | 2023-04-27 |
| US20230125403A1 (en) | 2023-04-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US12039850B2 (en) | System and method for fall detection using multiple sensors, including barometric or atmospheric pressure sensors | |
| US20230142766A1 (en) | System and method for fleet driver biometric tracking | |
| JP6923319B2 (ja) | 転倒検出システム、方法及びコンピュータプログラム | |
| US10347108B2 (en) | Monitoring user activity using wearable motion sensing device | |
| US20210295668A1 (en) | Alert system | |
| Choi et al. | A study on machine learning algorithms for fall detection and movement classification | |
| Ngu et al. | Personalized fall detection system | |
| US11832945B2 (en) | Systems and methods for impairment baseline learning | |
| KR102289627B1 (ko) | 저전력 하이브리드형 낙상 감지 장치 및 이를 이용한 낙상 감지 방법 | |
| US11906540B1 (en) | Automatic detection of falls using hybrid data processing approaches | |
| US11984009B2 (en) | Fall detection | |
| US11580439B1 (en) | Fall identification system | |
| US11450192B2 (en) | Fall detection system | |
| CA3142719C (en) | Evaluating movement of a subject | |
| KR102645932B1 (ko) | 홈케어 시스템 | |
| US20240290486A1 (en) | Patient context detection | |
| EP4109467A1 (en) | Patient context detection | |
| Jiang et al. | Fall Detection Systems for Internet of Medical Things Based on Wearable Sensors: A Review | |
| Rashid | Development of a Machine Learning Based Fall Detection System for the Elderly and Disabled | |
| JP2023077288A (ja) | データ収集装置、データ収集方法、端末機器 |