선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 이와 같은 실험 결과들에 대한 알고리즘의 정확성을 수치적으로 판단하기 위하여 민감도(sensitivity)와 특이도 (specificity)를 사용하였다. 또한 기존에 보고된 다른 연구 방법의 알고리즘도 같이 적용하여 비교해 봄으로서 본 연구에서 제시한 알고리즘을 객관적으로 판단하고자 하였다. 알고리즘 1은 충격량을 이용한 낙상 검출 방법이고[7], 알고리즘 2는 충격량과 낙상 전후에너지 누적 값을 이용한 낙상 검출 방법이다[8].
제안 방법
- 본 실험에서는 총 12명의 실험대상자들은 Table 1에서 제시된 24가지의 동작유형으로 실험하였고 일상생활에서 발생하는 낙상과 유사한 실험데이터를 얻기 위해 각각의 동작이 수행되기 전·후에 실험 대상자들은 자연스럽게 움직이도록 하였다. 구체적으로 낙상 전에는 걷기, 몸 풀기 동작을 수행하였고 낙상 후에는 구르기, 좌우로 움직이기, 상체 들어올리기 동작을 수행하였다. 그리고 무선 측정환경을 조성하기 위해 실험대상자들의 가속도를 측정하여 지그비를 통해 지그비-WLAN 게이트웨이로 무선 전송하고 바로 WLAN을 통해 PC서버로 전송하여 분석할 수 있는 실험환경을 갖추었다.
- 일반적으로 노인들의 행동양상은 갑작스러운 변화가 많은 행동보다 천천히 변화하는 행동 패턴을 나타내며 낙상과 같은 큰 충격이 있는 행동은 반복적으로 나타나지 않으며 큰 충격이 신체에 가해진 후에 행동 패턴은 더욱 정적으로 움직이는 경향을 나타낸다. 그래서 본 연구에서는 낙상을 감지하기 위한 알고리즘으로 낙상 시 발생하는 큰 충격을 감지하기 위해 SVM 산출, 피검자의 중력가속도를 이용한 자세 각도 추정, 상호상관(cross correlation)을 이용한 큰 충격 행동양상의 반복 여부 확인과 낙상 시점 이후 행동 양상을 확인하기 위한 SVM 누적평균을 산출하여 낙상을 식별하였다. 본 연구에서 개발된 가속도계를 이용한 낙상 측정 장치에서 검출된 낙상 정보는 지그비(Zigbee)와 WLAN (Wireless Local Area Network)을 기반으로 한 무선 네트워크를 이용하여 원격지에 있는 모니터장치에서 보내도록 하였다.
- 하지만 측정되는 가속도는 중력가속도 성분이 함께 포함되어 있다. 그래서 중력가속도 성분을 제거하기 위해 가속도 신호의 DC성분을 제거할 수 있는 차단주파수 1 Hz 고주파 필터를 적용하였다. Fig.
- 그래프 상에서 두 신호를 구분하기 위해 임의적으로 측정된 가속도 신호(raw data)에 4 g 오프셋을 가중하였다. 이는 원신호의 기본이 5 g가 아니고 1 g인 것으로 같은 그림에 두 그래프를 보이려고 오프셋을 넣은 것이니 혼동이 없기 바란다.
- 그리고 이렇게 다수의 피검자로부터 게이트웨이까지 저전력 및 다수 이용자를 갖는 장점을 가진 지그비 네트워크를 이용하였다. 그러나 지그비가 갖는 통신거리의 한계 때문에 원격지에서 게이트웨이 WLAN을 통해 원격지에 있는 서버(server)로 정보를 전송하였고 원격 무선네트워크는 기존 연구를 바탕으로 하였다[12].
- SVM은 피검자에게 가해지는 충격량을 의미한다. 그러므로 낙상과 같은 큰 충격이 있는 행동들을 분류하기 위하여 SVM에 대해 일정 임계값을 설정하여 그 이상을 값을 갖는 경우를 낙상으로 분류하였다.
- 구체적으로 낙상 전에는 걷기, 몸 풀기 동작을 수행하였고 낙상 후에는 구르기, 좌우로 움직이기, 상체 들어올리기 동작을 수행하였다. 그리고 무선 측정환경을 조성하기 위해 실험대상자들의 가속도를 측정하여 지그비를 통해 지그비-WLAN 게이트웨이로 무선 전송하고 바로 WLAN을 통해 PC서버로 전송하여 분석할 수 있는 실험환경을 갖추었다.
- 서버에서는 수신된 낙상 정보를 바탕으로 피검자의 상황에 맞게 조치를 취할 수 있도록 설계하였다. 그리고 이렇게 다수의 피검자로부터 게이트웨이까지 저전력 및 다수 이용자를 갖는 장점을 가진 지그비 네트워크를 이용하였다. 그러나 지그비가 갖는 통신거리의 한계 때문에 원격지에서 게이트웨이 WLAN을 통해 원격지에 있는 서버(server)로 정보를 전송하였고 원격 무선네트워크는 기존 연구를 바탕으로 하였다[12].
- 2에서 플로우차트로 나타내었다. 낙상 검출을 위해 충격량, 자세 각도, 낙상에 대한 SVM의 반복여부와 낙상 이후 활동여부를 통하여 일상생활에서 낙상을 분류하도록 하였다.
- 낙상실험은 12명의 실험대상자들이 앞서 제안된 24가지 동작들을 수행함으로써 실시하였다. 모든 실험대상자들은 실내환경에서 원격모니터링 시스템을 좌측어깨에 장착하고 측정된 낙상정보들을 지그비-WLAN을 통해 서버로 무선 전송하도록 하였다.
- 노인들의 경우 낙상 후 정신적 충격과 신체적 손상으로 인해 행동에 급한 움직임이 많이 줄게 될 것이다. 따라서 낙상 후 행동양상을 관찰하여 낙상을 분류하는데 활용하였다. 앞서 분류된 낙상 시점 이후 식 (4)와 같이 SVM의 누적평균이 특정 임계값 이하로 일정시간 동안 유지되는지 여부를 확인하고 최종적으로 낙상으로 판별하였다.
- 이런 스파이크 성분은 높은 충격으로 인식되어 분석과정에 치명적인 결과를 초래한다. 따라서 왜곡된 신호를 개선시키기 위해 분석과정에 앞서 모든 축 가속도 신호에 대해 메디안 필터를 적용하여 분석과정에 신뢰성이 높은 가속도 신호를 제공하도록 하였다.
- 즉 충격량, 자세각도, SVM의 반복여부 및 낙상이후 움직임 여부를 종합적으로 고려하여 낙상을 판별하였다. 또한 낙상 검출 장치를 실제 활용할 수 있도록 원격지에 무선으로 낙상정보를 보내어,이에 대한 신속한 조처를 취할 수 있도록 시스템을 구성하였다. 다수의 피검자를 대상으로 모니터링 할 수 있도록 하여 양로원이나 실버타운 등에서도 효율적으로 운영할 수 있는 기반도 갖추었다고 판단된다.
- 예를 들면 일상생활 중 많은 활동들에 대한 신호벡터크기(Signal Vector Magnitude, SVM)의 최대값과 최소값이 다양한 분포를 나타내는 특징을 이용하여 높은 SVM을 갖는 낙상의 특징을 통해 일정 임계값을 초과하였는지 여부로 분류하는 방식을 통해 낙상을 검출하였다[7]. 또한 낙상 발생시 나타나는 높은 SVM 과 낙상시점의 전후에 SVM 누적 값을 비교하여 낙상 유무를 분류하는 방식을 연구하였고[8], SVM의 일정 임계값과 중력가속도를 이용하여 측정된 피검자의 기울기를 고려하여 낙상을 분류하는 방식을 이용하였다[9]. 가속도계와 더불어 각 가속도계를 사용하여 낙상을 검출하는 방법도 연구되었다[10, 11].
- 낙상실험은 12명의 실험대상자들이 앞서 제안된 24가지 동작들을 수행함으로써 실시하였다. 모든 실험대상자들은 실내환경에서 원격모니터링 시스템을 좌측어깨에 장착하고 측정된 낙상정보들을 지그비-WLAN을 통해 서버로 무선 전송하도록 하였다. 일상생활에서 낙상과 유사한 패턴결과를 얻기 위한 낙상 전 걷기, 몸 풀기 동작들은 낙상 시 발생하는 SVM의 스파이크 성분과 달리 낮은 분포로 측정되어 낙상과 쉽게 분류될 수 있었다.
- ) 이하로 도달하여 일정시간 동안 머물러 있을 경우를 낙상으로 분류하도록 하였다. 본 실험에서는 SVM이 THSVM 을 초과한 시점에서부터 5초 동안 누적평균 값을 계산하도록 하였고 THCUL을 5 g 설정하여 THCUL에 도달하여 2초간 머물렀을 때 낙상으로 분류하였다.
- 본 실험에서는 낙상 후보 기준으로 이후 5초 동안 자세 각을 조사하도록 하였고 THANG을 50°로 설정하였다.
- 본 실험에서는 총 12명의 실험대상자들은 Table 1에서 제시된 24가지의 동작유형으로 실험하였고 일상생활에서 발생하는 낙상과 유사한 실험데이터를 얻기 위해 각각의 동작이 수행되기 전·후에 실험 대상자들은 자연스럽게 움직이도록 하였다.
- 그래서 본 연구에서는 낙상을 감지하기 위한 알고리즘으로 낙상 시 발생하는 큰 충격을 감지하기 위해 SVM 산출, 피검자의 중력가속도를 이용한 자세 각도 추정, 상호상관(cross correlation)을 이용한 큰 충격 행동양상의 반복 여부 확인과 낙상 시점 이후 행동 양상을 확인하기 위한 SVM 누적평균을 산출하여 낙상을 식별하였다. 본 연구에서 개발된 가속도계를 이용한 낙상 측정 장치에서 검출된 낙상 정보는 지그비(Zigbee)와 WLAN (Wireless Local Area Network)을 기반으로 한 무선 네트워크를 이용하여 원격지에 있는 모니터장치에서 보내도록 하였다. 이 모니터링 장치는 다수의 피험자를 모니터링 할 수 있도록 하였으며 낙상 여부의 판별과 긴급 조처를 취할 수 있도록 구성하였다.
- 이 누적 평균 값에서 임계값(THCUL) 이하로 도달하여 일정시간 동안 머물러 있을 경우를 낙상으로 분류하도록 하였다. 본 실험에서는 SVM이 THSVM 을 초과한 시점에서부터 5초 동안 누적평균 값을 계산하도록 하였고 THCUL을 5 g 설정하여 THCUL에 도달하여 2초간 머물렀을 때 낙상으로 분류하였다.
- 본 연구에서 개발된 가속도계를 이용한 낙상 측정 장치에서 검출된 낙상 정보는 지그비(Zigbee)와 WLAN (Wireless Local Area Network)을 기반으로 한 무선 네트워크를 이용하여 원격지에 있는 모니터장치에서 보내도록 하였다. 이 모니터링 장치는 다수의 피험자를 모니터링 할 수 있도록 하였으며 낙상 여부의 판별과 긴급 조처를 취할 수 있도록 구성하였다.
- 즉, 큰 충격과 함께 신체는 지면으로 넘어지게 되어 지표면에 대한 수직방향의 자세 각이 90°에 가까워 진다. 이러한 점을 이용하여 피검자의 수직방향의 자세 각을 산출하였다. 하지만 빠른 움직임이 있을 때 정확한 자세 각 추정이 불가능하였다.
- 노인들은 충격량이 큰 행동들을 반복적으로 수행하기는 쉽지 않다. 이런 점을 이용하여 임계값을 초과한 SVM이 검출된 시점을 기점으로 1, 2초 전후 일정 시간의 데이터를 식 (2)와 같이 상호상관시켜 이 결과에서 특정 값 이하가 나타날 경우에는 반복되지 않는 활동으로 판단하여 낙상으로 분류하는 기준의 하나로 하였다.
- 이 가속도 센서는 각 축의 가속도에 따라 대응하는 아날로그 전압을 출력한다. 이를 모니터링 시스템에 8비트 마이크로 컨트롤러(ADuC842, Analog Devices Inc.)를 통해 100 Hz 샘플링으로 하였고, 12비트 ADC 과정을 거쳐 획득한 디지털 데이터를 분석하였다. 피검자의 가속도 센서 부착위치는 낙상 발생시 충격이 강하게 가해지는 상체에 가속도를 측정하기 위해 전체 시스템은 Fig.
- 이와 달리 비 낙상 동작들은 외부 외란에 불구하고 제안한 낙상 검출을 위한 4가지 요소들 중에서 비낙상 동작들의 특징 또는 외부 외란을 원인으로 만족하지 못하는 요소가 발생하여 모든 비낙상 분류 실험결과가 성공적이었다.이와 같은 실험 결과들에 대한 알고리즘의 정확성을 수치적으로 판단하기 위하여 민감도(sensitivity)와 특이도 (specificity)를 사용하였다. 또한 기존에 보고된 다른 연구 방법의 알고리즘도 같이 적용하여 비교해 봄으로서 본 연구에서 제시한 알고리즘을 객관적으로 판단하고자 하였다.
- 그 이유로는 타 연구에 비해 낙상검출을 위해 더 많은 측정요소들을 고려하였기 때문으로 분석된다. 즉 충격량, 자세각도, SVM의 반복여부 및 낙상이후 움직임 여부를 종합적으로 고려하여 낙상을 판별하였다. 또한 낙상 검출 장치를 실제 활용할 수 있도록 원격지에 무선으로 낙상정보를 보내어,이에 대한 신속한 조처를 취할 수 있도록 시스템을 구성하였다.
대상 데이터
- 즉 낙상과 같은 불규칙적 충격이 발생했을 때를 찾아내는 작업이다. 본 실험에서는 THCC 를 25로 설정하였다. Fig.
이론/모형
- 3(b) 와 같이 가속도 신호에 스파이크 성분이 포함된 모습을 보인다. 그러므로 이러한 신호 왜곡의 영향을 줄이기 위해 13차 미디언(median) 필터를 적용하였다. 그 결과 Fig.
성능/효과
- 이는 낙상을 판별한다는 점에서 임상적으로 신뢰성이 매우 높다는 것을 의미한다. 결과적으로 본 논문에서 제안한 낙상검출 방법은 성능이 타 연구결과보다 민감도나 특이도에서 훨씬 탁월한 것을 확인할 수있었다.
- 그 결과 기존의 낙상 알고리즘들은 민감도가 평균 87.5 % 에서 94.8 % 였고, 특이도는 63.5 %에서 83.3 %의 범위를 가지고 있었다. 특이도가 낮다는 것은 낙상이 아닌 것을 낙상이 아닌 것으로 판단하는 비율이 낮거나 낙상을 낙상이 아닌 것으로 판단하는 비율이 높다는 의미이기도 하다.
- 본 논문에서 제안한 낙상 검출 시스템은 실험을 통해 타 연구들에 비해 탁월한 민감도(96.4 %)와 특이도(100 %)를 보여 주었다. 그 이유로는 타 연구에 비해 낙상검출을 위해 더 많은 측정요소들을 고려하였기 때문으로 분석된다.
- 특이도가 낮다는 것은 낙상이 아닌 것을 낙상이 아닌 것으로 판단하는 비율이 낮거나 낙상을 낙상이 아닌 것으로 판단하는 비율이 높다는 의미이기도 하다. 본 연구에서 제안한 알고리즘은 평균 민감도가 96.4 % 였다. 적은 퍼센트의 경우에는 낙상이 아닌 경우를 낙상으로 판단한 것이다.
- 대부분의 낙상들은 4가지 낙상판별 요소들을 만족하는 패턴을 나타났지만 소수의 일부 결과들은 원격모니터링 시스템의 착용불량, 전원공급불량, 통신장애의 문제들로 인하여 SVM의 스파이크 성분의 미 발생, 상호 상관결과의 왜곡들로 낙상분류의 오류를 초래하였다. 이와 달리 비 낙상 동작들은 외부 외란에 불구하고 제안한 낙상 검출을 위한 4가지 요소들 중에서 비낙상 동작들의 특징 또는 외부 외란을 원인으로 만족하지 못하는 요소가 발생하여 모든 비낙상 분류 실험결과가 성공적이었다.이와 같은 실험 결과들에 대한 알고리즘의 정확성을 수치적으로 판단하기 위하여 민감도(sensitivity)와 특이도 (specificity)를 사용하였다.
- 모든 실험대상자들은 실내환경에서 원격모니터링 시스템을 좌측어깨에 장착하고 측정된 낙상정보들을 지그비-WLAN을 통해 서버로 무선 전송하도록 하였다. 일상생활에서 낙상과 유사한 패턴결과를 얻기 위한 낙상 전 걷기, 몸 풀기 동작들은 낙상 시 발생하는 SVM의 스파이크 성분과 달리 낮은 분포로 측정되어 낙상과 쉽게 분류될 수 있었다. 또한 낙상 후 구르기, 좌우로 움직이기, 상체 들어올리기 동작들은 낙상 판별요소들 중에서 낙상 후 누적 평균값의 임계값(THCUL)을 충분하게 설정하여 이런 동작들로 낙상판별에 대한 영향을 받지 않았다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.