본 연구에서는 3축 가속도 신호를 이용하여 낙상과 낙상 방향을 검출하는 시스템을 구현하였다. 가속도 신호는 3축 가속도 센서로부터 획득하였으며, 획득된 신호를 USB인터페이스를 통하여 PC에 전달하였다. PC에 전송된 신호를 제안한 알고리즘을 사용하여 낙상을 검출하였으며, 퍼지 분류기를 사용하여 낙상의 방향을 분류하였다. 실험을 위하여 실험대상군 6명 선정하였으며, 가슴에 가속도계를 부착한 후 실험을 수행하였다. 실험대상자는 5초 동안 정상 보행을 한 후 4 가지 방향(전 후 좌 우)으로 낙상이 발생하도록 하였으며, 낙상에 소요되는 시간은 최소 2초로 설정하였다. 본 연구에서 제안된 알고리즘을 이용하여 낙상을 검출하였으며 낙상 발생 후 1초부터 데이터를 분석하고 퍼지 분류기를 이용하여 낙상방향을 분류하였다. 낙상 검출율은 평균 94.79%이었다. 낙상 방향에 따른 분류율은 front_fall은 95.83%, back_fall은 100%, left_fall 은 87.5%, right_fall은 95.83%이었다.
본 연구에서는 3축 가속도 신호를 이용하여 낙상과 낙상 방향을 검출하는 시스템을 구현하였다. 가속도 신호는 3축 가속도 센서로부터 획득하였으며, 획득된 신호를 USB 인터페이스를 통하여 PC에 전달하였다. PC에 전송된 신호를 제안한 알고리즘을 사용하여 낙상을 검출하였으며, 퍼지 분류기를 사용하여 낙상의 방향을 분류하였다. 실험을 위하여 실험대상군 6명 선정하였으며, 가슴에 가속도계를 부착한 후 실험을 수행하였다. 실험대상자는 5초 동안 정상 보행을 한 후 4 가지 방향(전 후 좌 우)으로 낙상이 발생하도록 하였으며, 낙상에 소요되는 시간은 최소 2초로 설정하였다. 본 연구에서 제안된 알고리즘을 이용하여 낙상을 검출하였으며 낙상 발생 후 1초부터 데이터를 분석하고 퍼지 분류기를 이용하여 낙상방향을 분류하였다. 낙상 검출율은 평균 94.79%이었다. 낙상 방향에 따른 분류율은 front_fall은 95.83%, back_fall은 100%, left_fall 은 87.5%, right_fall은 95.83%이었다.
In this study, the falls detection and direction classification system was implemented using 3-axial acceleration signal. The acceleration signals were acquired from the 3-axial accelerometer(MMA7260Q, Freescale, USA), and then transmitted to the computer through USB interface. The implemented syste...
In this study, the falls detection and direction classification system was implemented using 3-axial acceleration signal. The acceleration signals were acquired from the 3-axial accelerometer(MMA7260Q, Freescale, USA), and then transmitted to the computer through USB interface. The implemented system can detect falls using the newly proposed algorithm, and also classify the direction of falls using fuzzy classifier. The 6 subjects was selected for experiment and the accelerometer was attached on each subject's chest. Each subject walked in normal pace for 5 seconds, and then the fall down according to the four direction(front_fall, back_fall, left_fall and right_fall) during at least 2 second. The falls was easily detect using the newly proposed algorithm in this study. The acquired signals were analyzed after 1 second from generating falls. The fuzzy classifier was used to classify the direction of falls. The mean value of the falls detection rate was 94.79%. The classifier rate according to falls direction were 95.83% in case of front falls, 100% incase of back falls, 87.5% in case of left falls, and 95.83% in case of right falls.
In this study, the falls detection and direction classification system was implemented using 3-axial acceleration signal. The acceleration signals were acquired from the 3-axial accelerometer(MMA7260Q, Freescale, USA), and then transmitted to the computer through USB interface. The implemented system can detect falls using the newly proposed algorithm, and also classify the direction of falls using fuzzy classifier. The 6 subjects was selected for experiment and the accelerometer was attached on each subject's chest. Each subject walked in normal pace for 5 seconds, and then the fall down according to the four direction(front_fall, back_fall, left_fall and right_fall) during at least 2 second. The falls was easily detect using the newly proposed algorithm in this study. The acquired signals were analyzed after 1 second from generating falls. The fuzzy classifier was used to classify the direction of falls. The mean value of the falls detection rate was 94.79%. The classifier rate according to falls direction were 95.83% in case of front falls, 100% incase of back falls, 87.5% in case of left falls, and 95.83% in case of right falls.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
그림 6(b)는 그림 6(a) 신호를 g값으로 환산한 각 신호들의 값과 SVM값을 나타내었다. g값으로 환산한 이유 획득된 raw 데이터가 각 개인별 또는 상황별로 차이를 내므로 객관적인 기준을 마련하기 위하여 환산하였다. g 값으로 환산된 결과에서 보면 전면으로 낙상이 발생하였을 경우, x축 신호가 normal walking 시 보다 0에서 +값이 나오고 있음을 확인할 수 있었다.
신호벡터크기를 이용하여 낙상을 인지하기 위해서는 가속도 센서로부터 획득한 ADC 값을 가속도 g 값으로 환산한 후 다시 SVM을 산출하여야 한다. 따라서 본 연구에서는 획득한 신호를 바로 계산하여 추출한 #파라미터를 이용하여 낙상을 인지할 수 있는 알고리듬을 제안하였다. 제안한 알고리듬을 적용하여 실험을 수행한 결과를 그림 7에 나타내었다.
)를 허리에 착용하여 낙상을 인지하도록 하였다. 즉 일상 중의 활동 양상을 모니터링 하여 낙상 검출 시스템을 구현하고자 하였다. 인체의 움직임을 측정할 수 있도록 하기 위하여 3축 가속도 센서가 내장된 가속도 측정 모듈을 사용하였다.
가설 설정
Trial_error 실험 결과 # 값의 임계치를 50으로 산정하고, 임계치 이상의 값이 산출되면 낙상이 발생하였다고 가정하였다. 실험결과 낙상 방향별 24회씩, 총 96회 낙상 실험 결과 평균적으로 94.
제안 방법
다음으로 본 논문에서 낙상을 감지하기 위해 제시한 #를 검출하였다. #값이 임계치 이상으로 추출되면 낙상으로 감지하였고, 낙상 발생 후 1초 후, 즉 100 samples 뒤에 획득한 3축 가속도 신호를 분석하여 낙상 방향을 감지하는 분류 알고리듬에 적용하여 낙상 방향을 판별할 수 있도록 하였다.
5세의 건강한 남성 4명, 여성 2명을 실험군으로 선정하였다. 3축 가속도 센서 신호를 획득하기 위하여 센서 모듈을 피실험자의 흉골 위 피부 부분에 부착한 뒤 실험을 진행하였다. 실험은 구현된 알고리듬이 일상생활 중에 발생할 수 있는 낙상을 감지할 수 있는지의 여부와 낙상 발생 이후 방향을 정확하게 분류할 수 있는지에 관한 두 가지로 구분하여 진행되었다.
3축 가속도 센서로부터 출력되는 신호를 검출한 후 이를 전처리과정 (preprocessing)을 수행하기 위하여 가속도 측정용 센서보드를 설계하고 구현하였다. 먼저 3축 가속도 센서의 동작전원은 배터리로부터 공급되는 3 V 전원을 사용하였으며, 가속도 센서의 민감도 조절이 가능하도록 외부 단자를 별도로 구성하였다.
인체의 움직임을 측정할 수 있도록 하기 위하여 3축 가속도 센서가 내장된 가속도 측정 모듈을 사용하였다. 3축 가속도 센서에 의해 측정된 가속도 신호의 크기로부터 낙상을 인지 할 수 있도록 알고리듬을 구현하였다 뿐만 아니라 일단 낙상이 발생하고 나면 낙상 이후의 신호들을 분석하여 낙상의 방향을 분류할 수 있는 알고리듬를 구현하였다.
그리고 표준신호의 통계치들을 이용하여 각각의 낙상 상황에 따른 멤버쉽함수(membership function)를 설정하였다. 그 후 멤버쉽함수로 구성된 퍼지분류기에 낙상 이후 획득한 가속도 신호들의 평균치를 입력하여 퍼지규칙에 따라 적용하여 낙상의 방향을 추론할 수 있도록 하였다. 이와 같은 과정으로 퍼지분류기에서 추론된 출력값을 비퍼지화 과정을 통해 낙상의 방향을 분류 하도록 하였다.
3축 가속도 센서에 의해 획득된 신호들의 값에서 소숫값을 배제하기 위하여 각각의 값에 100을 곱하였다. 그리고 기준선 (baseline)을 0으로 조정하기 위하여 획득된 첫 샘플의 값을 0으로 교정하는 과정을 수행하였다. 이를 수식으로 나타내면 다음과 같다.
그리고 생성된 멤버쉽함수와 퍼지규칙 과정을 통하여 분류 결과를 추론하였다. 본 연구에 의해 구현된 퍼지분류기의 성능을 검증하기 위하여 낙상 검출율을 구한 결과를 표 4에 나타내었다.
또한 3축 가속도 센서로부터 출력되는 신호에 포함된 잡음을 제거하기 위하여 센서 내부에 설계된 1차 스위치-커패시터 필터(switched capacitor filter) 회로를 센서의 출력단에 추가하였다. 그리고 출력신호의 인터페이스 시 발생할 수 있는 임피던스 부정합을 방지하기 위하여 단일전원으로 동작 가능한 연산증폭기 (OPA4379, Burr-Brown Co., U.S.A.)를 이용한 버퍼회로를 설계하였다.
이와 같은 과정으로 퍼지분류기에서 추론된 출력값을 비퍼지화 과정을 통해 낙상의 방향을 분류 하도록 하였다. 그리고 퍼지분류기의 성능을 검증하기 위하여 분류율과 분류에러율을 계산하였다.
낙상의 방향을 보다 정확하게 분류할 수 있도록 하기 위해 일상생활 중 또는 낙상 이전의 시간대에 추출한 3축 가속도 신호와 낙상 후 획득한 전·후·좌·우 방향의 가속도 신호를 획득한 후 이들 5가지 신호를 표준신호로 두어 퍼지분류기의 입력으로 사용하였다. 그리고 표준신호의 통계치들을 이용하여 각각의 낙상 상황에 따른 멤버쉽함수(membership function)를 설정하였다. 그 후 멤버쉽함수로 구성된 퍼지분류기에 낙상 이후 획득한 가속도 신호들의 평균치를 입력하여 퍼지규칙에 따라 적용하여 낙상의 방향을 추론할 수 있도록 하였다.
본 연구에 의해 구현된 3축 가속도 센서 시스템을 이용하여 전·후·좌·우 각각의 낙상 방향별로 3축 가속도 신호를 획득하였다. 낙상 방향별로 산출된 SVM과 #를 이용하여 낙상을 인지하였으나 보다 정확한 낙상 방향을 인지하기 위하여 퍼지분류기를 구현하였다. 구현된 퍼지 분류기의 타당성을 검증하기 위하여 다음과 같은 실험을 수행하였다.
낙상의 방향을 보다 정확하게 분류할 수 있도록 하기 위해 일상생활 중 또는 낙상 이전의 시간대에 추출한 3축 가속도 신호와 낙상 후 획득한 전·후·좌·우 방향의 가속도 신호를 획득한 후 이들 5가지 신호를 표준신호로 두어 퍼지분류기의 입력으로 사용하였다.
3축 가속도 신호는 100 samples/s의 샘플링율, 10bit의 양자화율로 디지털화한 후 블루투스 통신에 의해 PC로 전송되도록 하였다. 다음으로 구현된 시스템의 소프트웨어부는 측정된 신호의 모니터링부, 파라미터 추출 및 분석부, 낙상 방향 분류부 등으로 구성하였다. 모니터링부에서는 계측된 3축 가속도 신호를 PC 화면에 디스플레이하고 저장하도록 하였다.
5g인 경우 800mV/g이고, 2g일 때 600mV/g, 3g일 때 300mV/g, 그리고 6g인 경우 200mV/g로 구분된다. 따라서 본 연구에서는 낙상 인지를 원활하게 수행하기 위하여 측정 범위가 넓은 6g를 선택하였다.
먼저 3축 가속도 센서의 동작전원은 배터리로부터 공급되는 3 V 전원을 사용하였으며, 가속도 센서의 민감도 조절이 가능하도록 외부 단자를 별도로 구성하였다. 또한 3축 가속도 센서로부터 출력되는 신호에 포함된 잡음을 제거하기 위하여 센서 내부에 설계된 1차 스위치-커패시터 필터(switched capacitor filter) 회로를 센서의 출력단에 추가하였다. 그리고 출력신호의 인터페이스 시 발생할 수 있는 임피던스 부정합을 방지하기 위하여 단일전원으로 동작 가능한 연산증폭기 (OPA4379, Burr-Brown Co.
먼저 3축 가속도 센서로부터 획득된 신호가 정확하게 측정되었는지를 판단하기 위하여, 기존 논문들에서 제시된 3축의 g-value를 추출하였고, 또한 SVM을 추출하여 기존 논문 결과에서 제시한 값들과 비교하였다. 다음으로 본 논문에서 낙상을 감지하기 위해 제시한 #를 검출하였다.
3축 가속도 센서로부터 출력되는 신호를 검출한 후 이를 전처리과정 (preprocessing)을 수행하기 위하여 가속도 측정용 센서보드를 설계하고 구현하였다. 먼저 3축 가속도 센서의 동작전원은 배터리로부터 공급되는 3 V 전원을 사용하였으며, 가속도 센서의 민감도 조절이 가능하도록 외부 단자를 별도로 구성하였다. 또한 3축 가속도 센서로부터 출력되는 신호에 포함된 잡음을 제거하기 위하여 센서 내부에 설계된 1차 스위치-커패시터 필터(switched capacitor filter) 회로를 센서의 출력단에 추가하였다.
이를 위하여 3축 가속도 센서로부터 획득한 데이터를 가속도 g 단위의 값으로 보정하기 위해 전처리과정을 수행하였으며, 이를 간략하게 기술하면 다음과 같다. 먼저 가속도 신호가 변화하는 영역을 전면 (frontal plane), 단면 (transverse plane), 측면(sagittal plane) 등으로 구분하였다. 전면인 경우 앞(front)으로 완전히 기울어 졌을 때 +3g, 뒤 (back)로 완전히 기울어 졌을 때 -3g, 그리고 직립 상태에서 앞과 뒤로 기울어지는 정도에 따라 10 bit (256개)로 구분하여 ± g를 ADC 값으로 대응시켰다.
본 연구에 의해 구현된 3축 가속도 센서 시스템을 이용하여 전·후·좌·우 각각의 낙상 방향별로 3축 가속도 신호를 획득하였다.
본 연구에 의해 구현된 낙상 인지 및 낙상 방향 분류 알고리듬의 유용성을 평가하기 위하여 실험 대상군을 선정하여 여러 가지 방향, 즉 전·후·좌·우 방향으로 낙상 실험을 수행하였다.
본 연구에 의해 구현된 낙상 인지 및 낙상방향 분류 시스템을 사용하여 선정된 실험군을 대상으로 두 가지 실험을 수행하였다. 첫 번째 실험은 본 연구에서 제안한 알고리듬이 일상생활 중에 발생할 수 있는 낙상 인지 여부에 관한 실험을 수행하기 위해 실험 프로토콜을 제시하였고 제시한 실험 프로토콜별로 3축 가속도 신호를 획득한 후 신호벡터크기와 가속도 크기 변화치를 산출하였다.
본 연구에서는 3축 가속도 센서를 이용하여 획득한 각 축의 신호들을 전·후·좌·우 방향으로 낙상이 발생하였을 때 신호벡터크기을 측정하여 낙상을 인지할 수 있는지에 대한 실험을 우선적으로 수행하였다.
본 연구에서는 향후 낙상 시에 응급상황을 인지할 수 있도록 3축 가속도 센서 (MMA7260Q, freescale semiconductor Co., U.S.A.)를 허리에 착용하여 낙상을 인지하도록 하였다. 즉 일상 중의 활동 양상을 모니터링 하여 낙상 검출 시스템을 구현하고자 하였다.
제시한 실험 프로토콜은 실험 대상자가 센서를 흉골 위 가슴에 부착한 상태에서 평상 시 보행 속도로 5초 동안 걸어가다가 전·후·좌·우 방향으로 넘어지도록 하였으며, 낙상 후 1초 이상 그 자세를 유지하도록 하였다. 선정된 실험 대상군 6명을 대상으로 실험 프로토콜에 따라 4번의 실험을 반복하도록 하였다.
3축 가속도 센서 신호를 획득하기 위하여 센서 모듈을 피실험자의 흉골 위 피부 부분에 부착한 뒤 실험을 진행하였다. 실험은 구현된 알고리듬이 일상생활 중에 발생할 수 있는 낙상을 감지할 수 있는지의 여부와 낙상 발생 이후 방향을 정확하게 분류할 수 있는지에 관한 두 가지로 구분하여 진행되었다.
구현된 퍼지 분류기의 타당성을 검증하기 위하여 다음과 같은 실험을 수행하였다. 우선 실험 프로토콜을 기반으로 획득한 데이터들을 5 가지 상황별, standing, front_falls, back_falls, left_falls, right_falls로 임의로 100 샘플들을 추출한 후 이들을 standard data로 지정하였다. 지정한 데이터의 일례는 표 1과 같으며, 추출된 각 샘플들의 산포도를 나타내면 그림 8과 같다.
두 번째 실험은 구현된 퍼지분류기의 타당성을 검증하기 위하여 다음과 같은 실험을 수행하였다. 우선 실험 프로토콜을 기반으로 획득한 데이터들을 5 가지 상황별, standing, front_falls, back_falls, left_falls, right_falls로 임의로 100 샘플들을 추출한 후 이들을 standard data로 지정한 후 추출된 각 샘플들의 산포도를 관측하였다. 이와 같은 일련의 과정에 의해 추출된 데이터를 퍼지분류기의 입력으로 사용하여 산출한 통계치들을 이용하여 멤버쉽함수를 생성한 후 낙상 방향 분류용 데이터들을 퍼지분류기에 입력하였다.
이러한 일련의 과정에 의해 back_falls, right_falls, 그리고 left_falls가 발생하였을 경우에 대한 실험을 수행하였으며 실험결과는 다음과 같다. back_falls이 발생한 경우 x축 신호가 normal walking 시보다 0에서 -값이 나오고 있음을 확인할 수 있었고, 또한 낙상이 발생하였을 때 SVM이 임계치 2.
본 연구에서는 낙상 상황을 인지하기 위하여 Mathie[11]에 의해 제시된 신호벡터크기 (signal vector magnitude, SVM) 신호를 사용하였다. 이를 위하여 3축 가속도 센서로부터 획득한 데이터를 가속도 g 단위의 값으로 보정하기 위해 전처리과정을 수행하였으며, 이를 간략하게 기술하면 다음과 같다. 먼저 가속도 신호가 변화하는 영역을 전면 (frontal plane), 단면 (transverse plane), 측면(sagittal plane) 등으로 구분하였다.
단면인 경우 상/하 (top/bottom) 방향으로 완전히 기울어 졌을 때 +3g/-3g, 직립 상태에서 상측과 하측으로 기울어지는 정도에 따라 10 bit로 구분하여 ± g를 ADC 값으로 대응시켰다. 이와 같은 과정에 의해 각각의 가속도 방향, 즉 x, y, z 축의 가속도 g 값을 계산하여 낙상 인지를 위한 SVM 신호를 산출하였으며, 이를 수식으로 나타내면 다음과 같다.
그 후 멤버쉽함수로 구성된 퍼지분류기에 낙상 이후 획득한 가속도 신호들의 평균치를 입력하여 퍼지규칙에 따라 적용하여 낙상의 방향을 추론할 수 있도록 하였다. 이와 같은 과정으로 퍼지분류기에서 추론된 출력값을 비퍼지화 과정을 통해 낙상의 방향을 분류 하도록 하였다. 그리고 퍼지분류기의 성능을 검증하기 위하여 분류율과 분류에러율을 계산하였다.
이와 같은 일련의 과정에 의해 추출된 데이터를 퍼지 분류기의 입력으로 사용하여 산출한 통계치들을 이용하여 멤버쉽함수를 설정하였다. 멤버쉽함수를 생성하기 위해 우선 5 가지 상황별로 평균값과 표준편차를 표 2와 같이 산출하였고, 산출된 값을 이용하여 삼각함수를 생성하기 위한 기울기와 절편을 구한 결과를 표 3에 나타내었다.
우선 실험 프로토콜을 기반으로 획득한 데이터들을 5 가지 상황별, standing, front_falls, back_falls, left_falls, right_falls로 임의로 100 샘플들을 추출한 후 이들을 standard data로 지정한 후 추출된 각 샘플들의 산포도를 관측하였다. 이와 같은 일련의 과정에 의해 추출된 데이터를 퍼지분류기의 입력으로 사용하여 산출한 통계치들을 이용하여 멤버쉽함수를 생성한 후 낙상 방향 분류용 데이터들을 퍼지분류기에 입력하였다. 그리고 생성된 멤버쉽함수와 퍼지규칙 과정을 통하여 분류 결과를 추론하였다.
낙상 상황을 정확하게 인지하기 위해서는 SVM 신호의 임계치 설정이 필요하며, 설정된 임계치보다 신호가 크게 나타날 때는 낙상이 일어났다고 간주할 수 있다. 임계치는 SVM 신호와 x축, y축, 그리고 z축 신호의 변화양상과 여러 가지 방향으로 낙상 발생 실험을 수행하여 결정하였으며, 본 연구에서는 SVM 신호의 임계치를 2.8g로 선정하였다. 낙상 시 SVM 신호는 임계값을 벗어나는 신호가 2번 연속하여 나타나는 현상을 관찰할 수 있었다.
전면인 경우 앞(front)으로 완전히 기울어 졌을 때 +3g, 뒤 (back)로 완전히 기울어 졌을 때 -3g, 그리고 직립 상태에서 앞과 뒤로 기울어지는 정도에 따라 10 bit (256개)로 구분하여 ± g를 ADC 값으로 대응시켰다.
제시한 실험 프로토콜은 실험 대상자가 센서를 흉골 위 가슴에 부착한 상태에서 평상 시 보행 속도로 5초 동안 걸어가다가 전·후·좌·우 방향으로 넘어지도록 하였으며, 낙상 후 1초 이상 그 자세를 유지하도록 하였다.
파라미터 추출 및 분석부는 3축 가속도 신호를 이용하여 인체의 중력가속도의 변화를 반영하여 낙상을 감지할 수 있는 파라미터를 제안하였다. 제안된 파라미터를 사용하여 낙상 감지뿐만 아니라 낙상의 방향을 분류할 수 있도록 구성하였다. 인체활동 분석에 필요한 파라미터 추출 및 분석 과정의 최적화를 위해 Matlab 7.
본 연구에 의해 구현된 낙상 인지 및 낙상방향 분류 시스템을 사용하여 선정된 실험군을 대상으로 두 가지 실험을 수행하였다. 첫 번째 실험은 본 연구에서 제안한 알고리듬이 일상생활 중에 발생할 수 있는 낙상 인지 여부에 관한 실험을 수행하기 위해 실험 프로토콜을 제시하였고 제시한 실험 프로토콜별로 3축 가속도 신호를 획득한 후 신호벡터크기와 가속도 크기 변화치를 산출하였다. 4초 동안 정상보행 (normal walking) 한 후 전면·후면·좌측·우측 방향으로 넘어지는 경우 (front_falls·back_falls·right_falls·left_falls)에 대한 3축 가속도 신호와 SVM의 변화 양상은 다음과 같다.
모니터링부에서는 계측된 3축 가속도 신호를 PC 화면에 디스플레이하고 저장하도록 하였다. 파라미터 추출 및 분석부는 3축 가속도 신호를 이용하여 인체의 중력가속도의 변화를 반영하여 낙상을 감지할 수 있는 파라미터를 제안하였다. 제안된 파라미터를 사용하여 낙상 감지뿐만 아니라 낙상의 방향을 분류할 수 있도록 구성하였다.
대상 데이터
본 연구에 의해 구현된 낙상 인지 및 낙상방향 분류 시스템은 크게 하드웨어부와 소프트웨어부로 구성되었다. 먼저 하드웨어부는 인체활동에 따른 3축 가속도 신호를 계측하기 위한 가속도 측정부, 계측된 가속도 아나로그 신호를 디지털 신호로 변환하는 ADC부, 변환된 신호를 무선으로 PC로 전송하기 위한 블루투스 (Bluetooth) 통신부 등으로 구성하였다.
본 연구에서는 낙상 상황을 인지하기 위하여 실험 프로토콜을 설정하고 선정된 실험군을 대상으로 실험을 수행하였다. 실험 결과 획득한 가속도 센서 신호로부터 # 값을 산출하였으며, #의 임계치를 50으로 선정하였다.
실험을 수행하기 위하여 평균연령 26.5세의 건강한 남성 4명, 여성 2명을 실험군으로 선정하였다. 3축 가속도 센서 신호를 획득하기 위하여 센서 모듈을 피실험자의 흉골 위 피부 부분에 부착한 뒤 실험을 진행하였다.
즉 일상 중의 활동 양상을 모니터링 하여 낙상 검출 시스템을 구현하고자 하였다. 인체의 움직임을 측정할 수 있도록 하기 위하여 3축 가속도 센서가 내장된 가속도 측정 모듈을 사용하였다. 3축 가속도 센서에 의해 측정된 가속도 신호의 크기로부터 낙상을 인지 할 수 있도록 알고리듬을 구현하였다 뿐만 아니라 일단 낙상이 발생하고 나면 낙상 이후의 신호들을 분석하여 낙상의 방향을 분류할 수 있는 알고리듬를 구현하였다.
데이터처리
이와 같은 일련의 과정에 의해 추출된 데이터를 퍼지 분류기의 입력으로 사용하여 산출한 통계치들을 이용하여 멤버쉽함수를 설정하였다. 멤버쉽함수를 생성하기 위해 우선 5 가지 상황별로 평균값과 표준편차를 표 2와 같이 산출하였고, 산출된 값을 이용하여 삼각함수를 생성하기 위한 기울기와 절편을 구한 결과를 표 3에 나타내었다. 이와 같은 방법으로 멤버쉽함수를 생성한 후 낙상 방향 분류용 데이터들을 퍼지분류기에 입력하였다.
제안된 파라미터를 사용하여 낙상 감지뿐만 아니라 낙상의 방향을 분류할 수 있도록 구성하였다. 인체활동 분석에 필요한 파라미터 추출 및 분석 과정의 최적화를 위해 Matlab 7.0 (MatWorks, Co., U.S.A.) 를 이용하여 실험하였다. 본 연구에 의해 구현된 시스템의 구성도는 그림 4와 같으며, 구현된 시스템의 흐름도는 그림 5에 나타내었다.
이론/모형
본 연구에서는 낙상 상황을 인지하기 위하여 Mathie[11]에 의해 제시된 신호벡터크기 (signal vector magnitude, SVM) 신호를 사용하였다. 이를 위하여 3축 가속도 센서로부터 획득한 데이터를 가속도 g 단위의 값으로 보정하기 위해 전처리과정을 수행하였으며, 이를 간략하게 기술하면 다음과 같다.
본 연구에서는 실험에서 획득한 3축 가속도 신호들을 이용하여 낙상의 방향을 분류하기 위하여 퍼지이론을 적용하였다. 퍼지이론을 적용한 퍼지 분류기의 구성도는 그림 3과 같다.
성능/효과
4초 동안 정상보행 (normal walking) 한 후 전면·후면·좌측·우측 방향으로 넘어지는 경우 (front_falls·back_falls·right_falls·left_falls)에 대한 3축 가속도 신호와 SVM의 변화 양상은 다음과 같다. Front_falls 시 정상보행 때보다 3축 가속도 신호의 x축 신호가 +값이 나오고 있음을 확인할 수 있었다. 또한 낙상이 발생하였을 때 SVM이 임계치 2.
이러한 일련의 과정에 의해 back_falls, right_falls, 그리고 left_falls가 발생하였을 경우에 대한 실험을 수행하였으며 실험결과는 다음과 같다. back_falls이 발생한 경우 x축 신호가 normal walking 시보다 0에서 -값이 나오고 있음을 확인할 수 있었고, 또한 낙상이 발생하였을 때 SVM이 임계치 2.8보다 크게 발생함을 확인할 수 있었다. 그리고 left_fall이 발생하였을 경우, y축 신호가 normal walking 시보다 0에서 -값이 발생하였으며, 낙상이 발생하였을 때 SVM이 임계치 2.
g값으로 환산한 이유 획득된 raw 데이터가 각 개인별 또는 상황별로 차이를 내므로 객관적인 기준을 마련하기 위하여 환산하였다. g 값으로 환산된 결과에서 보면 전면으로 낙상이 발생하였을 경우, x축 신호가 normal walking 시 보다 0에서 +값이 나오고 있음을 확인할 수 있었다. 또한 낙상이 발생하였을 때 SVM이 임계치 2.
8보다 크게 발생함을 확인할 수 있었다. 그리고 left_fall이 발생하였을 경우, y축 신호가 normal walking 시보다 0에서 -값이 발생하였으며, 낙상이 발생하였을 때 SVM이 임계치 2.8보다 높게 발생함을 확인할 수 있었다. 마지막으로 right_fall이 발생하였을 경우 y축 신호가 normal walking 시보다 0에서 +값이 나오고 있음을 확인할 수 있었으며, 낙상이 발생하였을 때 SVM이 임계치 2.
이와 같은 변화양상은 back_falls, right_falls, left_falls 시에도 유사하게 발생함을 확인할 수 있었다. 그리고 측정 시간대의 가속도 크기 #값과 가속도 신호 크기 변화를 나타내는 #값에 의한 낙상 방향별로 24회씩, 총 96회 낙상 실험 결과 평균적으로 94.79%의 낙상 검출율을 나타내었다. 두 번째 실험은 구현된 퍼지분류기의 타당성을 검증하기 위하여 다음과 같은 실험을 수행하였다.
g 값으로 환산된 결과에서 보면 전면으로 낙상이 발생하였을 경우, x축 신호가 normal walking 시 보다 0에서 +값이 나오고 있음을 확인할 수 있었다. 또한 낙상이 발생하였을 때 SVM이 임계치 2.8보다 높게 발생함을 확인할 수 있었다.
8보다 높게 발생함을 확인할 수 있었다. 마지막으로 right_fall이 발생하였을 경우 y축 신호가 normal walking 시보다 0에서 +값이 나오고 있음을 확인할 수 있었으며, 낙상이 발생하였을 때 SVM이 임계치 2.8보다 높게 발생함을 확인할 수 있었다.
값의 임계치를 50으로 산정하고, 임계치 이상의 값이 산출되면 낙상이 발생하였다고 가정하였다. 실험결과 낙상 방향별 24회씩, 총 96회 낙상 실험 결과 평균적으로 94.79%의 낙상 검출율을 나타내었다.
그리고 생성된 멤버쉽함수와 퍼지규칙 과정을 통하여 분류 결과를 추론하였다. 퍼지분류기에 의해 낙상 방향별 낙상 검출율은 front_falls 시 95.83%, back_falls 시 100%, left_falls 시 87.5%, 그리고 right_falls 시 95.83%를 나타내었다. 즉 낙상 방향별 24회 실험에서 fron_falls 시에 1회, left_falls 시에 3회, right_falls 시에 1회 낙상을 인지하지 못하였다.
후속연구
이러한 결과는 실험 대상군이 사전에 낙상에 대한 대비를 한 상태에서 넘어지는 현상에 의해 3축 가속도 센서의 신호 및 #, #값들이 미약하게 발생하였기 때문이라 판단된다. 그러나 실험환경을 예기치 않은 상황에서 낙상이 발생하는 경우로 변경할 경우에는 낙상 인지 및 낙상 방향별 낙상 검출율이 향상되리라 사료된다.
향후 연구에서는 본 연구 결과를 바탕으로 자세변화 및 활동 형태를 잘 반영하는 다양한 파라미터의 추출 및 추출된 파라미터를 이용한 자동 분류 알고리듬에 관한 연구가 필요하리라 사료된다. 또한 정확한 활동 형태의 분류를 통해 일상생활 중 활동량 및 응급상황 등의 모니터링이 가능한 시스템은 심전도, 기울기 센서 출력을 이용하여 인체의 건강 상태 변화를 간편한 방법으로 측정할 수 있으며 모든 방향으로의 회전뿐만 아니라 각도에 따른 움직임까지 검출 가능함을 제시함으로써 임상에서 환자의 장시간 모니터링 및 응급 상황인지에 활용이 가능하다고 판단된다.
향후 연구에서는 본 연구 결과를 바탕으로 자세변화 및 활동 형태를 잘 반영하는 다양한 파라미터의 추출 및 추출된 파라미터를 이용한 자동 분류 알고리듬에 관한 연구가 필요하리라 사료된다. 또한 정확한 활동 형태의 분류를 통해 일상생활 중 활동량 및 응급상황 등의 모니터링이 가능한 시스템은 심전도, 기울기 센서 출력을 이용하여 인체의 건강 상태 변화를 간편한 방법으로 측정할 수 있으며 모든 방향으로의 회전뿐만 아니라 각도에 따른 움직임까지 검출 가능함을 제시함으로써 임상에서 환자의 장시간 모니터링 및 응급 상황인지에 활용이 가능하다고 판단된다.
질의응답
핵심어
질문
논문에서 추출한 답변
낙상이 고령자에게 미치는 영향은?
최근 연구조사에 의하면 65세 이상 노인의 약 28 ~ 30 %, 70세 이상은 35 %, 75세 이상은 32 ~ 42 %, 80세 이상의 고령자의 연간 낙상율은 50 % 정도로 보고되었다[1]. 이와 같이 빈번하게 발생하고 있는 낙상은 고령자의 조기사망, 신체손상, 비가동성과 같은 신체적 손상 뿐만 아니라 사회심리학적 기능장애에 의한 정신적인 피해를 초래한다. 그리고 최악의 경우 낙상의 합병증으로 인해 사망에 이를 수도 있다. 따라서 고령자의 일상생활을 모니터링하여 활동량 및 낙상인지에 관한 연구가 타연구자에 의해 수행되었다.
본 연구에서 낙상의 방향을 분류하는데 사용한 기기는 무엇인가?
가속도 신호는 3축 가속도 센서로부터 획득하였으며, 획득된 신호를 USB 인터페이스를 통하여 PC에 전달하였다. PC에 전송된 신호를 제안한 알고리즘을 사용하여 낙상을 검출하였으며, 퍼지 분류기를 사용하여 낙상의 방향을 분류하였다. 실험을 위하여 실험대상군 6명 선정하였으며, 가슴에 가속도계를 부착한 후 실험을 수행하였다.
본 연구에서 실험을 수행할 때, 실험대상자의 실험 상황은 어떻게 설정하였는가?
실험을 위하여 실험대상군 6명 선정하였으며, 가슴에 가속도계를 부착한 후 실험을 수행하였다. 실험대상자는 5초 동안 정상 보행을 한 후 4 가지 방향(전 후 좌 우)으로 낙상이 발생하도록 하였으며, 낙상에 소요되는 시간은 최소 2초로 설정하였다. 본 연구에서 제안된 알고리즘을 이용하여 낙상을 검출하였으며 낙상 발생 후 1초부터 데이터를 분석하고 퍼지 분류기를 이용하여 낙상방향을 분류하였다.
참고문헌 (15)
손상감시 사업 보고서 결과, 2006.
Bijan Najafi, Kamiar Aminian, Anisiara Paraschiv -Ionescu, Francois Loew, Chrisophe J. Dula and Philippe Robert, "Ambulatory system for human motion analysis using a kinematic sensor: monitoring of daily physical activity in the elderly", IEEE transactions on biomedical engineering, Vol 50, No. 6, pp. 711-723, 2003.
M. J. Mathie, A. C. F. Coster, N. H. Lovell and B. G. Celler, "A pilot study of long term monitoring of human movement in the home using accelerometry", J. Telemed. Telecare, Vol. 10, pp. 144-151, 2004
K. Kiani, C. J. Snijders and E. S. Gelsema, "Computerized analysis of daily lifemotor activity for ambulatory monitoring", Tech. Health Care, Vol. 5, pp. 307-318, 1997.
B. G. Steele, L. Holt, Belza, S. M. Ferris, S. Lakshminaryan and D. M. Buchner, "Quantitating physical activity in COPD using a triaxial accelerometer", Chest, Vol. 117, pp. 1359-1367, 2000.
K. V. Laerhoven and O. Cakmakci, "What shall we teach our pants?", The 4th international Symposium on wearable computers (ISWC2000), pp. 77-83, 2000.
J. L. Schulman and J. M. Reisman, "An objective measure of hyperacitivity", American J. Met. Defic., Vol. 64, pp. 455-456, 1959.
S. H. Lee, T. Ye and K. J. Lee, "A Design of algorithm for analysis active using 3-axis accelerometer", KIEE, Vol. 53, No. 5, 2004.
M. J. Marthie, N. H. Novell, A. C. F. Coster and B. G. Celler, "Determining activity using triaxial accelerometer", 2nd joint EMBS-BMES, 2002.
M. J. Marthie, A. C. F. Coster, B. G. Celler and N. H. Lovell, "Classification of basic daily movements using a triaxial accellerometer", Med. Bio. Eng. Comput., Vol. 42, pp. 670-687, 2004.
3축 가속도 센서 데이터의 처리와 응용, 한국 콘텐츠 학회 2005 추계 종합학술 대회 논문집, 제 3권, 제 2호, 2005.
C. V. Bouten, K. R. Westerterp, B. Verduin and J. D. Janssen, "Assessment of energy expenditure for physical activity using a triaxial accelerometer", Med. Sci. Sports and Exercise, Vol. 26, pp. 1516-1523, 1994.
Bijan Najafi, Kamiar Aminian, Anosoara Parachiv-Ionescu, Francois Loew, Christophe J. Bula and Philippe Robert, "Ambulatory system for human motion analysis using a kinematic sensor: monitoring of daily physical activity in the elderly", IEEE transaction on biomedical engineering, Vol. 50, No. 6, pp. 711-722, 2003.
T. Ryan Burchfield and S. Venkatesan, "Accelerometer -based human abnormal movement detection in wireless sensor networks", International conference in mobile systems, Applications and services, pp. 67-69, 2005.
Dean M. Karantonis, Michael R. Narayanan, M. Mathie, Nigel H. Lovell and G. Celler, "Implementation of a real-time human movement classifier using a traixial accellerometer for ambulatory monitoring", IEEE transaction on information technology in biomedicine, Vol. 10, No. 1, 2006.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.