치매와 같은 노인성 정신질환 환자들에게 운동량과 일광량은 환자의 투약량과 조절과 진료에 있어 중요한 단서가 된다. 따라서 환자들의 안전과 건강한 삶을 위해 일상생활의 건강정보모니터링이 필수적이다. 이러한 서비스를 제공하기 위해 환자에게는 휴대가 간편하고 항상 착용 가능한 센서 디바이스와 데이터를 모니터링할 서버의 구성이 필요하다. 본 논문에서는 치매환자의 건강정보를 실시간으로 모니터링하고 관리하기 위해 환자가 착욕하는 시계형 디바이스(스마트 시계)와 서버시스템을 개발했다. 본 논문에서 개발한 스마트시계는 GPS, 가속도센서, 조도센서를 포함하며 환자의 위치 추적, 운동량, 일광량을 측정해 환자의 실시간 건강정보를 취득 할 수 있다. 서버시스템은 스마트시계를 통해 취득한 센서 데이터를 통해 의사, 보호자가 모니터링 할 수 있는 웹 서버와 센서 데이터의 분석알고리즘을 포함한다. 본 논문에서 제안한 데이터 분석 알고리즘은 가속도센서를 통해 취득한 환자의 움직임에서 걸음 수를 검출해 운동량 정보를 취득하며 이를 검증하기 위해 빠른 걸음, 느린 걸음, 보통 걸음에 해당하는 3가지 경우로 실험한 결과 96%의 정확도를 보였다. 본 논문을 통해 개발된 치매환자를 위한 u-Health Care 시스템을 적용한다면 치매환자들에게 더 질 높은 의료서비스를 제공할 수 있을 것이다.
치매와 같은 노인성 정신질환 환자들에게 운동량과 일광량은 환자의 투약량과 조절과 진료에 있어 중요한 단서가 된다. 따라서 환자들의 안전과 건강한 삶을 위해 일상생활의 건강정보 모니터링이 필수적이다. 이러한 서비스를 제공하기 위해 환자에게는 휴대가 간편하고 항상 착용 가능한 센서 디바이스와 데이터를 모니터링할 서버의 구성이 필요하다. 본 논문에서는 치매환자의 건강정보를 실시간으로 모니터링하고 관리하기 위해 환자가 착욕하는 시계형 디바이스(스마트 시계)와 서버시스템을 개발했다. 본 논문에서 개발한 스마트시계는 GPS, 가속도센서, 조도센서를 포함하며 환자의 위치 추적, 운동량, 일광량을 측정해 환자의 실시간 건강정보를 취득 할 수 있다. 서버시스템은 스마트시계를 통해 취득한 센서 데이터를 통해 의사, 보호자가 모니터링 할 수 있는 웹 서버와 센서 데이터의 분석 알고리즘을 포함한다. 본 논문에서 제안한 데이터 분석 알고리즘은 가속도센서를 통해 취득한 환자의 움직임에서 걸음 수를 검출해 운동량 정보를 취득하며 이를 검증하기 위해 빠른 걸음, 느린 걸음, 보통 걸음에 해당하는 3가지 경우로 실험한 결과 96%의 정확도를 보였다. 본 논문을 통해 개발된 치매환자를 위한 u-Health Care 시스템을 적용한다면 치매환자들에게 더 질 높은 의료서비스를 제공할 수 있을 것이다.
For patients who have senile mental disorder such as dementia, quantity of excercise and amount of sunlight are important clue for dose and the treatment. Therefore, monitoring health information of daily life is necessary for patients' safety and healthy life. Portable & wearable sensor device and ...
For patients who have senile mental disorder such as dementia, quantity of excercise and amount of sunlight are important clue for dose and the treatment. Therefore, monitoring health information of daily life is necessary for patients' safety and healthy life. Portable & wearable sensor device and server configuration monitoring data are needed to provide these services for patients. Watch-type device(smart watch) which patients wear and server system are developed in this paper. Smart watch developed includes GPS, accelerometer and illumination sensor, and can obtain real time health information by measuring the position of patients, quantity of exercise and amount of sunlight. Server system includes the sensor data analysis algorithm and web server that doctor and protector can monitor through sensor data acquired from smart watch. The proposed data analysis algorithm acquires quantity of exercise information and detects step count in patients' motion acquired from acceleration sensor and to verify this, the three cases with fast pace, slow pace, and walking pace show 96% of the experimental result. If developed u-Healthcare System for dementia patients is applied, more high-quality medical service can be provided to patients.
For patients who have senile mental disorder such as dementia, quantity of excercise and amount of sunlight are important clue for dose and the treatment. Therefore, monitoring health information of daily life is necessary for patients' safety and healthy life. Portable & wearable sensor device and server configuration monitoring data are needed to provide these services for patients. Watch-type device(smart watch) which patients wear and server system are developed in this paper. Smart watch developed includes GPS, accelerometer and illumination sensor, and can obtain real time health information by measuring the position of patients, quantity of exercise and amount of sunlight. Server system includes the sensor data analysis algorithm and web server that doctor and protector can monitor through sensor data acquired from smart watch. The proposed data analysis algorithm acquires quantity of exercise information and detects step count in patients' motion acquired from acceleration sensor and to verify this, the three cases with fast pace, slow pace, and walking pace show 96% of the experimental result. If developed u-Healthcare System for dementia patients is applied, more high-quality medical service can be provided to patients.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
기존에 연구되어오던 치매환자용 서비스는 대부분 GPS에 의존한 환자의 위치추적 기능과 낙상 사고와 같은 위급 상황의 대처에 집중되어 있어 환자의 투약량과 관련된 운동량, 일광량에 대한 모니터링 시스템은 미비하다. 따라서 본 논문에서는 GPS를통한 환자의 실종방지 서비스를 포함하며 조도, 가속도 센서를 통한 환자의 야외활동 일광량과 보행횟수 검출을 통한 운동량 측정을 통해 치매환자의 투약량 조절을 위한 모니터링 시스템을 개발했다. Smart Watch 시스템은 GPS, 조도센서, 가속도센서를 내장하고 있는 손목시계 형 디바이스와 주기적으로 시계와의 통신을 통해 환자의 위치, 일광량, 보행 횟수를 검출해 환자의 개인 프로파일을 생성, 환자의 건강정보를 모니터링 하는 서버 시스템을 포함한다.
본 논문에서 개발한 스마트시계 시스템은 기존에 연구된 치매환자의 위치 추적 서비스뿐만 아니라 정확한 걸음 수 검출을 통한 환자의 투약량 결정 및 건강관리를 목적으로 한다.
기존에 개발된 치매환자용 의료서비스는 대부분이 GPS를 통한 위치추적 기능에만 국한 되어 있다. 본 논문에서 개발한 시스템은 시계 형으로 손목에 착용 가능하며 GPS기능과 활동, 일광량을 측정해 환자의 위치와 운동량과 같은 건강 증진을 위한 프로파일 기능을 추가해 기존에 연구된 smart care service 보다 향상된 서비스를 제안한다.
본 논문에서는 치매환자를 위한 스마트시계를 개발하고 그것과 통신을 통해 환자를 모니터링 할 수 있는 서버 시스템을 개발했다. 서버시스템은 환자의 위치뿐만 아니라 조도와 가속도 센서를 이용해 환자의 건강관리를 지원하는 역할을 하며 그 중 걸음 수 검출 알고리즘은 환자의 걸음 수를 검출해 활동량을 측정하는 데이터로 활용 할 수 있다.
본 논문은 다음과 같은 연구들을 휴대형 단말기인스마트 시계에서 검출된 가속도 정보를 이용하며 정확한 걸음 수를 검출하며 운동량을 측정해 일광량과 함께 치매환자의 투약량을 결정하는 환자별 건강정보를 나타낼 수 있다.
제안 방법
하지만 보행에서 발생하는 파형의 형태는 큰 진폭 뒤에 낮은 진폭이 발생하는 형태를 보인다. 따라서 본 논문에서는 다음과 같은 특징을 이용해 진폭의 크기에 비례하도록 1초간의 평균 진폭을 기준선을 만들고 기준선위에 존재하는 Peak값을 계수하는 방법을 선택했다. 그림 6은 걸음 수 검출 알고리즘을 통해 얻어진 실험 결과로 상단의 WorkCount는 피험자가 계수한 걸음 수이며 그림속의 파란점은 측정된 보행 지점이다.
본 논문에서 개발한 모니터링 시스템은 야외활동 시의 GPS 경로와 걸음 수 검출, 운동량 검출을 통해 환자의 일광량과 운동량 그리고 현재 위치를 웹페이지를 통해 모니터링 할 수 있다. 그림 7은 본 논문에서 개발한 모니터링 시스템의 적용 화면 이다.
본 논문에서 개발한 시스템은 Smartwatch (portable device)와 서버시스템으로 구분된다.
금까지 치매환자를 위한 의료서비스는 대부분 환자의 위치를 추적해 실종사고를 방지하는데 급급했다. 본 논문에서 개발한 시스템은 기존의 연구에서 나아가 환자의 건강정보까지 모니터링 할 수 있도록 개발되었다. 본 논문의 결과를 병원, 요양원과 같은 의료시설로 확장한다면 환자의 운동량, 일광량 등을 기반한 더 정확한 의료서비스가 가능할 수 있을 것이다.
본 논문에서 제안한 걸음 수 검출 방법은 전처리 된 데이터에서 Peak를 찾고 기준선을 정해 기준선 위에 있는 Peak값을 세는 방법을 선택했다.
본 논문에서 제안한 실험은 실험자들이 스마트시계를 사용하고 30~60초간 걸은 걸음수를 직접 측정해 해당 걸음 수와 가속도 센서를 분석해서 취득한 걸음 수를 비교하도록 했다.
이런 미세한 신호는 잡음으로 판단되어 걸음 수 검출 시 에러로 나타날 수 있다. 본 논문에서는 다음과 같은 미세한 움직임으로 인한 에러를 방지하기 위해 그림 5와같이 Moving Average Filter를 적용했다. Moving Average Filter는 Low pass filter의 성질을 가지고 있으며 아래의식(2)와 같이 표현 된다.
본 논문의 구성은 치매환자를 위한 smart watch 시스템의 구성과 가속도 센서를 이용한 보행 횟수 검출 알고리즘 개발로 환자의 정확한 운동량 측정 방법으로 구성되어 있다.
실험은 20대의 실험자 8명이 매일 빠른 걸음, 느린 걸음 일반적인 걸음에 해당하는 3회씩 총 179개의 데이터를 생성했으며 생성된 데이터는 각각 실험 날짜, 시간, 측정한 보행횟수로 구분되어 DB에 저장한다. 저장된 실험 데이터는 전처리를 통해 에너지 값으로 변경되고 해당 파형의 피크 찾기를 통해 걸음걸이의 특징을 찾는다.
운동량을 계산하기 위해서는 정지, 걷기, 달리기와 같은 운동특성과 이동거리, 운동시간에 해당하는 정보가 필요하다. 이동거리는 GPS 센서를 통해 측정 할 수있지만 실내,외의 차이와 GPS센서의 오차로 인해 정확한 이동거리를 측정하기 어렵다 따라서본 논문은 환자의 이동거리를 계산하기 위해 보폭과 걸음 수를 곱하는 방법을 사용했으며 보폭은 일반적으로 개인의 신장에서 100을 뺀 값으로 계산할 수 있으며 아래의 식 5와 같이 계산할 수 있다.
제안하는 알고리즘은 80Hz 샘플링의 가속도 센서가 내장된 스마트시계를 착용하고 각각 빠른 걸음, 느린 걸음, 일반 걸음에 해당하는 3가지로 실험 했고 스마트 시계는 손목에 착용 했다.
특징은 걸음과 비 걸음을 구분하기 위한 방법으로 사용되며 이렇게 검출된 걸음 수는 실험자가 측정한 걸음 수와 비교 한다. 걸음 수 검출을 위한 알고리즘은 그림 3과 같이 처리된다.
대상 데이터
스마트시계는 CPU를 중심으로 Power, Charger, LCD, Clock, Light Sensor, 3-axis Accelerometer, GPS, Speaker의 센서들로 구성이 되어 있으며 실장 크기 65 * 55 * 33 (mm)의 크기로 환자들이 휴대하며 착용하기 편리한 크기로 제작되었다. 그림 1은 개발된 스마트시계와 회로도이다.
취득된 데이터는 8바이트의 Double형 x, y, z 축의 데이터로 초당 80회를 측정한다. 따라서 동시에 3 값을 모두 계산하는 것보다 효율적인 SVM (Signal Vector Magnitude)값으로 변환해 하나의 값으로 계산하는 것이 효율적이다.
데이터처리
제안한 알고리즘의 정확도를 측정하기 위해 사용자가 측정한 걸음 수와 분석된 결과를 비교해서 각각의 합과 정확도를 측정했다. 실험결과 총 94.
성능/효과
취득된 데이터는 8바이트의 Double형 x, y, z 축의 데이터로 초당 80회를 측정한다. 따라서 동시에 3 값을 모두 계산하는 것보다 효율적인 SVM (Signal Vector Magnitude)값으로 변환해 하나의 값으로 계산하는 것이 효율적이다. 본 연구에서 사용한 SVM은 다음의 식(1)과 같이 표현되며 그림 4는 Raw Data를 SVM으로 변환하는 과정이다.
본 논문에서 개발한 스마트시계 시스템은 시계 형으로 치매환자가 쉽게 착용할 수 있고 조임쇠로 고정되어 환자가 벗어버리거나 분실을 방지 할 수 있어 치매환자들이 배회 증세나 위급한 상황을 빠르게 대처할 수 있다.
본 논문에서 개발한 시스템은 GPS를 통해 환자의 위치를 주기적으로 파악해 치매 노인이 겪는 배회증상과 행방불명의 위험을 방지할 수 있다. 또한 일광량과 보행 횟수는 환자의 활동 정보들로 기록되어 정확한 운동량을 파악해 환자의 치료와 건강증진을 위한 의료데이터로 사용될 수 있다.
상대적으로 걸음이 빨라질수록 SVM의 기울기는 가파르고 위상이 좁아지면서 Peak검출시 높은 에러율을 보였다. 하지만 진폭이 완만한 느린 걸음과 일반 걸음은 비교적 정확하게 Peak를 검출하고 사용자가 측정한 걸음 수에 가까운 값을 분석하는 것을 알 수 있었다.
서버시스템은 환자의 위치뿐만 아니라 조도와 가속도 센서를 이용해 환자의 건강관리를 지원하는 역할을 하며 그 중 걸음 수 검출 알고리즘은 환자의 걸음 수를 검출해 활동량을 측정하는 데이터로 활용 할 수 있다. 실험 결과 일반적인 걸음의 수는 96%의 정확도로 검출 가능하며 평균 94%의 정확도를 보였다. 지
제안한 알고리즘의 정확도를 측정하기 위해 사용자가 측정한 걸음 수와 분석된 결과를 비교해서 각각의 합과 정확도를 측정했다. 실험결과 총 94.7%의 정확도를 보였으며 빠른 걸음은 93% 느린걸음은 96% 일반적인 걸음은 96.7%의 정확도를 보였다.
상대적으로 걸음이 빨라질수록 SVM의 기울기는 가파르고 위상이 좁아지면서 Peak검출시 높은 에러율을 보였다. 하지만 진폭이 완만한 느린 걸음과 일반 걸음은 비교적 정확하게 Peak를 검출하고 사용자가 측정한 걸음 수에 가까운 값을 분석하는 것을 알 수 있었다. 표1은 실험에서 취득한 8명의 대표 데이터들을 분석한 결과이다.
후속연구
본 논문에서 개발한 시스템은 GPS를 통해 환자의 위치를 주기적으로 파악해 치매 노인이 겪는 배회증상과 행방불명의 위험을 방지할 수 있다. 또한 일광량과 보행 횟수는 환자의 활동 정보들로 기록되어 정확한 운동량을 파악해 환자의 치료와 건강증진을 위한 의료데이터로 사용될 수 있다.
본 논문에서 개발한 시스템은 기존의 연구에서 나아가 환자의 건강정보까지 모니터링 할 수 있도록 개발되었다. 본 논문의 결과를 병원, 요양원과 같은 의료시설로 확장한다면 환자의 운동량, 일광량 등을 기반한 더 정확한 의료서비스가 가능할 수 있을 것이다.
향후 연구에서는 본 연구 결과를 바탕으로 걸음 수 이외에 달리기, 앉기 등 환자의 종합적인 활동 상태를 판별하는 알고리즘의 보완이 필요할 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
스마트시계는 어떤 센서를 포함하고 있는가?
스마트시계는 GPS와 3축 가속도 센서, 조도센서를 포함하고 있다. 스마트시계는 환자의 손목에 착용되며 주기적으로 서버와의 통신으로 환자의 위치, 일광량, 운동량 정보를 전송한다.
걸음 수 검출과 행동량 검출에 사용한 센서는?
가속도 센서를 이용한 걸음 수 검출과 행동량 검출에 대한 연구는 다양하게 진행되어 왔다. Jun Yang은 스마트폰을 이용해 움직임 트리를 생성해서 가속도 센서를 이용한 움직임 검출 알고리즘을 제안했다.
환자들의 안전과 건강한 삶을 위해 일상생활의 건강정보 모니터링이 필수적인 이유는?
치매와 같은 노인성 정신질환 환자들에게 운동량과 일광량은 환자의 투약량과 조절과 진료에 있어 중요한 단서가 된다. 따라서 환자들의 안전과 건강한 삶을 위해 일상생활의 건강정보 모니터링이 필수적이다.
참고문헌 (15)
Ministry of Health & Welfare, Country dementia care comprehensive plan, July 2012.
J. Uhm and S.-H. Park, "Application of the modified real-time medical information standard for U-healthcare systems by using HL7 and modified MFER(TS-MFER)," J. Korea Inform. Commun. Soc. (KICS), vol. 37C, no. 8, pp. 680-689, Aug. 2012.
M. Choi, J. Lee, and I. Joe, "Design and implementation of the aging-friendly telemedicine system based on CPS for silver town," J. Korea Inform. Commun. Soc. (KICS), vol. 37C, no. 8, pp. 690-696, Aug. 2012.
G. E. Mead, W. Morley, P. Campbell, C. A. Greig, M. McMurdo, and D. A. Lawlor, "Exercise for depression," Cochrane Database Syst. Rev., vol. 8, no. 3, Article no. CD004366, July 2009.
H. Y. Moon, et al., "Macrophage migration inhibitory factor mediates the antidepressant actions of voluntary exercise," Proc. Nat. Academy Sci. U.S.A., vol. 109, no. 32, pp. 13094-13099, June 2012.
KT, I-Search(2009), retrieved Nov., 24, 11, 2013, from www.kt.com.
J. Yang, "Toward physical activity diary: motion recognition using simple acceleration features with mobile phones," in Proc. Int. Workshop Interactive Multimedia Consumer Electron. (IMCE '09), pp. 1-10, Beijing, China, Oct. 2009.
L. Bao, and S. S. Intille, "Activity recognition from user-annotated acceleration data," Lecture Notes Comput. Sci., vol. 3001, pp. 1-17, April. 2004.
J. Baek, G. Lee, W. Park, and B.-J. Yun, "Accelerometer signal processing for user activity detection," Lecture Notes Comput. Sci., vol. 3215, pp. 610-617, Sept. 2004.
N. Ravi, N. Dandekar, P. Mysore, and M. L. Littman, "Activity recognition from accelerometer data," in Proc. Innovative Applicat. Artificial Intell. (IAAI), vol. 5, pp. 1541-1546, Pittsburgh, U.S.A., July 2005.
H.-M. Yoo, J.-W. Suh, E.-J. Cha, and H.-D. Bae, "Walking number detection algorithm using a 3-axial accelerometer sensor and activity monitoring," J. Korea Contents Assoc. (KOCON), vol. 8, no. 8, pp. 253-260, Aug. 2008.
S. H. Shin and C. G. Park, "Adaptive step length estimation algorithm using low-cost MEMS inertial sensors," in Proc. IEEE Sensors Applicat. Symp. (SAS), pp. 1-5, San Diego, U.S.A., Feb. 2007.
Y. H. Noh, S. Y. Ye, and D. U Jeong, "System implementation and algorithm development for classification of the activity states using 3 axial accelerometer," J. Korea Inst. Elect. Electron. Material Eng. (KIEEME), vol. 24, no. 1, pp. 81-88, Jan. 2011.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.