Fall-related injuries in elderly people are a major health care problem. This paper introduces determination of fall direction before impact using support vector machine (SVM). Once a falling phase is detected, dynamic characteristic parameters measured by the accelerometer and gyroscope and then pr...
Fall-related injuries in elderly people are a major health care problem. This paper introduces determination of fall direction before impact using support vector machine (SVM). Once a falling phase is detected, dynamic characteristic parameters measured by the accelerometer and gyroscope and then processed by a Kalman filter are used in the SVM to determine the fall directions, i.e., forward (F), backward (B), rightward (R), and leftward (L). This paper compares the determination sensitivities according to the selected parameters for the SVM (velocities, tilt angles, vs. accelerations) and sensor attachment locations (waist vs. chest) with regards to the binary classification (i.e., F vs. B and R vs. L) and the multi-class classification (i.e., F, B, R, vs. L). Based on the velocity of waist which was superior to other parameters, the SVM in the binary case achieved 100% sensitivities for both F vs. B and R vs. L, while the SVM in the multi-class case achieved the sensitivities of F 93.8%, B 91.3%, R 62.3%, and L 63.6%.
Fall-related injuries in elderly people are a major health care problem. This paper introduces determination of fall direction before impact using support vector machine (SVM). Once a falling phase is detected, dynamic characteristic parameters measured by the accelerometer and gyroscope and then processed by a Kalman filter are used in the SVM to determine the fall directions, i.e., forward (F), backward (B), rightward (R), and leftward (L). This paper compares the determination sensitivities according to the selected parameters for the SVM (velocities, tilt angles, vs. accelerations) and sensor attachment locations (waist vs. chest) with regards to the binary classification (i.e., F vs. B and R vs. L) and the multi-class classification (i.e., F, B, R, vs. L). Based on the velocity of waist which was superior to other parameters, the SVM in the binary case achieved 100% sensitivities for both F vs. B and R vs. L, while the SVM in the multi-class case achieved the sensitivities of F 93.8%, B 91.3%, R 62.3%, and L 63.6%.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
논문은 SVM기법을 이용한 충격전 낙상방향 판별기법을 제시한다. 본 연구를 통해, 낙상방향 분류별(이진분류 및 다중분류), 센서의 부착위치별(허리 및 가슴), 그리고 SVM의 입력 파라미터별(속도, 기울기, 및가속도)분류성능을 확인하고자 한다.
논문은 SVM기법을 이용한 충격전 낙상방향 판별기법을 제시한다. 본 연구를 통해, 낙상방향 분류별(이진분류 및 다중분류), 센서의 부착위치별(허리 및 가슴), 그리고 SVM의 입력 파라미터별(속도, 기울기, 및가속도)분류성능을 확인하고자 한다.
본 논문에서는 이진분류와 다중분류에 대하여, 두가지 센서부착위치와 세가지 동특성 파라미터가 낙상방향 판별력에 미치는 영향이 아래와 같이 관찰되었다.
본 연구를 통하여 관성센서 신호와 support vector machine 기법을 이용하여 충격전 낙상방향 판별방법을 제시하였다. 저자가 아는 한에서는 SVM을 낙상방향 판별에 적용한 점과 충격전 낙상방향 판별을 시도한 점 모두 최초로 제안되는 것이다.
제안 방법
실험전(실험결과에 영향을 끼칠 수 있는) 실험목적을 제외하고, 실험절차에 대해 충분한 설명을 들었다. 안전을 위하여 넓은 공간의 가운데 지면에 매트리스를 설치한 후 시험되었다.
낙상시험은 4가지 방향(전방, 후방, 좌측면, 우측면)에 대하여 각 방향으로 3가지로 구성되어 총 12가지 유형의 낙상이 실시되었다. 각 낙상방향의 1번과 2번은 [17]을, 3번은 [18]을 참조하여 시험유형이 설정되었다.
대상 데이터
본 연구에서 사용되는 6축 관성센서는 3축 가속도계와 3축 자이로스코프의 조합이다. 가속도계와 자이로스코프의 센서신호는 [13]에 소개된 칼만필터에 입력되어 센서의 자세가 구해진다.
데이터 수집을 위하여 네덜란드 Xsens Technology사 (www.xsens.com)의 MTw무선 관성센서가 사용되었다. MTw 센서모듈은 3축 가속도계 (측정구간 ±160 m/s2, 잡음수준 0.
각 낙상방향의 1번과 2번은 [17]을, 3번은 [18]을 참조하여 시험유형이 설정되었다. 모든 테스트는 두번씩 계측이 되어 총 264개의 데이터가 해석에 사용되었다 (Table 1 참조).
데이터 선정에 따른 판별결과에의 영향성을 최소화하기 위하여 이분할 교차검증(two-fold cross validation)이 적용되었다. 따라서, 우선 임의의 선정된 5명의 데이터가 훈련데이터로, 나머지 6명의 데이터가 테스트데이터로 사용되어 SVM이 적용되었다. 다음으로 훈련데이터와 테스트데이터가 맞바꾸어져 다시 SVM을 적용하였으며 최종적으로 판별정확도상 sensitivity(예: 전방낙상을 전방낙상으로 판별하는 비율)는 두 경우의 평균으로 산출되었다.
낙상방향 판별은 전후방분류와 좌우측분류를 위한 이진분류와 전후좌우 네방향분류를 위한 다중분류로 나누어졌다. 각 분류에 대하여 속도, 기울기, 가속도가 조합되어 총 7 경우에 센서부착위치에 따른 조합 2경우로 총 14경우가 수행되었다.
데이터처리
SVM의 분류 성능은 훈련데이터와 테스트데이터의 선정에 따라 달라질 수 있다. 데이터 선정에 따른 판별결과에의 영향성을 최소화하기 위하여 이분할 교차검증(two-fold cross validation)이 적용되었다. 따라서, 우선 임의의 선정된 5명의 데이터가 훈련데이터로, 나머지 6명의 데이터가 테스트데이터로 사용되어 SVM이 적용되었다.
따라서, 우선 임의의 선정된 5명의 데이터가 훈련데이터로, 나머지 6명의 데이터가 테스트데이터로 사용되어 SVM이 적용되었다. 다음으로 훈련데이터와 테스트데이터가 맞바꾸어져 다시 SVM을 적용하였으며 최종적으로 판별정확도상 sensitivity(예: 전방낙상을 전방낙상으로 판별하는 비율)는 두 경우의 평균으로 산출되었다.
이론/모형
다음으로 충격전 낙상감지를 위한 Ivz 와 낙상방향 판별을 위한 sv=[svx,svy,svz]T 는 각각 Iaz 와 sa 를 적분하여 구하는데, 이때 적분에 따른 표류오차(drift error)를 제거하기 위해 [9]에 소개된 방법으로 선택적 적분(conditional integration)이 적용되었다. 수직속도 Ivz 가 설정된 문턱값을 넘는 경우 낙상으로 결정이 되고 다음 절의 낙상방향 판별이 수행된다.
SVM은 지도 학습(scripted learning)에서 사용되는 방법으로, 주어진 자료에 대해서 그 자료들을 분리하는 초평면(hyperplane) 중에서, 자료들과 가장 거리가 먼, 즉 최대 마진(margin) 초평면을 찾는 방법이다[14,15]. 본 연구에서는 초평면을 찾는 방법으로 SMO(Sequential Minimal Optimization)이 적용되었고, SMO 연습과정을 검증하기 위하여 KKT(Karush-Kuhn-Tucker) 조건이 적용되었다.
비선형 훈련데이터(training data)에 대해서는 커널함수(Kernel function)를 이용하여 훈련데이터를 고차원의 특징공간에 매핑시킨다. 커널함수는선형(linear), 이차항(quadratic), 다항(polynomial), 가우시안 RBF(Gaussian Radial Basis Function) 등의 종류가 있으며 본 연구에서는 내적(dot product)을 의미하는 선형이 적용되었다.
이 중 본 연구를 위하여 one-against-all방식의 multi-class SVM이 활용되었다. 낙상방향 판별법의 전체 순서도는 Fig.
성능/효과
따라서, 본 논문의 주제인 낙상방향 인식을 위한 SVM입력 파라미터들은 허리와 가슴 모두 수직속도 −1.6 m/s인 순간 추출되었다.
상대적으로 판별력이 떨어지는 pitch와 ax를 조합한 pitch & ax는 pitch와 ax 별개를 이용한 경우보다 향상된 결과가 도출되지 않은 반면 판별력이 뛰어난 vx가 포함된 거의 모든 조합에서 100%의 sensitivity가 얻어졌다.
상대적으로 판별력이 떨어지는 pitch와 ax를 조합한 pitch & ax는 pitch와 ax 별개를 이용한 경우보다 향상된 결과가 도출되지 않은 반면 판별력이 뛰어난 vx가 포함된 거의 모든 조합에서 100%의 sensitivity가 얻어졌다. 따라서, 입력 파라미터간 상호보완적 관계는 관찰되지 않았으며, 이는 가장 우수한 파라미터를 단독으로 사용하는 것이 여러 파라미터를 조합하는 경우보다 나음을 의미한다. 한편, 센서의 부착위치에 따른 비교에 있어 (즉 허리 vs.
Table 3의 결과도 Table 2의 결과와 비슷한 경향을 보였다. vy, roll, ay의 순으로 판별정확도가 우수했으며 vy가 포함된 거의 모든 조합에서 100%의 sensitivity가 얻어졌다. 또한, 센서부착위치에 따른 영향성은 좌우측 분류에서도 뚜렷히 없었다.
전후방 및 좌우측 분류 모두 (가슴부착센서의 전후방분류를 제외하면) 속도라는 단일 파라미터 (즉, 전후방에서 vx와 좌우측에서 vy)를 이용하여 100%의 sensitivity를 얻을 수 있었으므로, 이진분류의 경우 SVM이 아닌 보다 간단한 문턱값(threshold)방식도 충분히 가능함을 알 수 있었다.
한편, 센서부착위치에 따른 영향성을 보면 (즉, Table 4 vs. Table 5), accel을 단독으로 사용한 경우만을 제외하면 모두 허리부착 센서가 우수한 성능을 보였다.
모든 경우에서 F, B에 대한 판별이 R, L에 대한 판별보다 정확성이 높았다 (예를 들어, Table 4 중 vel의 경우 F 93.8%, B 91.3%로 R 62.3%와 L 63.6%보다 우수). 이는 전후방 낙상시험의 경우 낙상 움직임이 대체로 시상면(sagittal plane)에서 크게 벗어나지 않게 이루어 졌으나, 좌우측 낙상의 경우 낙상개시는 관상면(coronal plane)에서 이루어 졌어도 낙상감지시점에서는 (즉, 수직하강속도가 문턱값 -1.
5를 보면 낙상의 속도가 음의 vx를 많이 가졌으며 이로 인해 후방 낙상의 경우와 혼재되었다. 결과적으로 Table 6의 vel 파라미터 결과를 보면 R과 L의 분류에 있어 FP 중 B가 각각 33%와 37.3%로 대다수를 형성하였음을 볼 수 있다. 여기서 FP는 false positive로 예를 들어 후방낙상을 후방이 아닌 다른 방향으로 판별하는 경우이다.
1. 낙상방향을 감지하기 위한 SVM입력파라미터로써 이진분류 (즉, F vs. B 또는 R vs. L)와 다중분류(F, B, R, L 분류)에 상관없이 속도, 기울기, 가속도의 순으로 우수하였다.
2. 이진분류시 속도성분을 이용하여 100%의 sensitivity가 얻어졌다. 파라미터간 상호보완성이 적어 다수개의 파라미터를 조합함에 따른 판별력 향상은 없었다.
파라미터간 상호보완성이 적어 다수개의 파라미터를 조합함에 따른 판별력 향상은 없었다. 따라서, 속도성분 한가지를 이용한 판별이 해석의 간편성은 물론 정확성에서도 가장 우수하였다.
3. 다중분류시 허리부착 센서가 가슴부착 센서에 비해 다소 우수한 판별력을 보였다. F와 B가 R과 L에 비해 높은 sensitivity를 보였으며 허리부착 센서의 속도만을 이용한 판별이 F 93.
다중분류시 허리부착 센서가 가슴부착 센서에 비해 다소 우수한 판별력을 보였다. F와 B가 R과 L에 비해 높은 sensitivity를 보였으며 허리부착 센서의 속도만을 이용한 판별이 F 93.8%, B 91.3%, R 62.3%, L 63.6%로 비교대상 중 가장 높은 판별력을 보였다.
09)로 3σ 기준에서 outlier는 없었으며, 각 낙상유형별로도 outlier는 존재하지 않았다. 따라서, 허리와 가슴 모두 수직속도 문턱값 (threshold)을 -1.6 m/s로 설정하면 100% 정확하게 낙상으로 감지되었다. 따라서, 본 논문의 주제인 낙상방향 인식을 위한 SVM입력 파라미터들은 허리와 가슴 모두 수직속도 −1.
후속연구
저자가 아는 한에서는 SVM을 낙상방향 판별에 적용한 점과 충격전 낙상방향 판별을 시도한 점 모두 최초로 제안되는 것이다. 제시된 방법은 충격전 낙상탐지 기법과 연동되어 낙상자가 지면에 부딪치기 전에 낙상방향을 판별한다는 특징을 가지므로 인플레이터블 에어백 등 충격완화시스템에 중요하게 사용될 수 있다.
질의응답
핵심어
질문
논문에서 추출한 답변
SVM을 확장하여 세 개 이상의 클래스를 분류하는 다중 분류 방식으로 이용할 때, 다중 분류 결과값을 도출하는 방법으로 무엇이 있는가?
SVM은 기본적으로 이진분류를 위해 고안되었으나 이를 확장하여 세 개 이상의 클래스를 분류하는 다중 분류로도 사용되고 있다. 이는 기본적으로 여러개의 이진분류 SVM을 구성하고 이진분류결과들을 조합하여 다중분류 결과를 도출하는 방식으로, 대표적인 방법으로 one-against-all, one-against-one, 그리고 directed acyclic graph 방식 등이 있다[16].
SVM이란?
SVM은 지도 학습(scripted learning)에서 사용되는 방법으로, 주어진 자료에 대해서 그 자료들을 분리하는 초평면(hyperplane) 중에서, 자료들과 가장 거리가 먼, 즉 최대 마진(margin) 초평면을 찾는 방법이다[14,15]. 본 연구에서는 초평면을 찾는 방법으로 SMO(Sequential Minimal Optimization)이 적용되었고, SMO 연습과정을 검증하기 위하여 KKT(Karush-Kuhn-Tucker) 조건이 적용되었다.
커널함수에는 어떤 종류가 있는가?
비선형 훈련데이터(training data)에 대해서는 커널함수(Kernel function)를 이용하여 훈련데이터를 고차원의 특징공간에 매핑시킨다. 커널함수는선형(linear), 이차항(quadratic), 다항(polynomial), 가우시안 RBF(Gaussian Radial Basis Function) 등의 종류가 있으며 본 연구에서는 내적(dot product)을 의미하는 선형이 적용되었다.
참고문헌 (18)
M. E. Tinetti, C. F. Mendes De Leon, J. T. Doucette, and D. I. Baker, "Fear of falling and fall-related efficacy in relationship to functioning among community-living elders", J. Gerontol., Vol. 49, No. 3, pp. M140-M147, 1994.
T. Shany, S. J. Redmond, M. R. Narayanan, N. H. Lovell, "Sensors-based wearable systems for monitoring of human movement and falls", IEEE Sensors J., Vol. 12, No. 3, pp. 658-670, 2012.
F. Bagala, C. Becker, A. Cappello, L. Chiari, K. Aminian, J. M. Hausdorff, W. Zijlstra, and J. Klenk "Evaluation of accelerometer-based fall detection algorithms on real world falls", PLoS One, Vol. 7, No. 5, p. e37062, 2012.
G. C. Park, A. Y. Jeon, S. H. Lee, J. M. Son, M. C. Kim, and G. R. Jeon, "Implementation of a falls recognition system using acceleration and angular velocity signals", J. Sensor Sci. & Tech., Vol. 22, No. 1, pp. 54-64, 2013.
S. H. Liu and W. C. Cheng, "Fall detection with the support vector machine during scripted and continuous unscripted activities", Sensors, Vol. 12, pp. 12301-12316, 2012.
G. Shi, C. S. Chan, W. J. Li, K. S. Leung, Y. Zou, and Y. Jin, "Mobile human airbag system for fall protection using MEMS sensors and embedded SVM classifier", IEEE Sensors J., Vol. 9, No. 5, pp. 495-503, 2009.
T. Tamura, T. Yoshimura, M. Sekine, M. Uchida, and O. Tanaka, "A wearable airbag to prevent fall injuries", IEEE Trans. Inf Technol Biomed, Vol. 13, No. 6, pp. 910-914, 2009.
M. Tolkiehn, L. Atallah, B. Lo, Y. Guang-Zhong, "Direction sensitive fall detection using a triaxial accelerometer and a barometric pressure sensor", IEEE EMBC, pp. 369-372. 2011.
A. Y. Jeon, J. Y. Yoo, G. C. Park, and G. R. Jeon, "Implementation of falls detection system using 3-axial accelerometer sensor", J. Korea Academia-Industrial Cooperation Soc., Vol. 11, No. 5, pp. 1564-1572, 2010.
Y. J. Lee, P. J. Lee, H. K. Yang, C. H. Kim, and J. W. Lee, "Research for effective accelerometer signal processing to detect the falling activity", in Summer Annual Conf. of the Korean Institute of Electrical Engineers, pp. 1794-1795, 2011.
J. K. Lee, E. J. Park, and S. N. Robinovitch, "Estimation of attitude and external acceleration using inertial sensor measurement during various dynamic conditions", IEEE Trans. Instrum. Meas., Vol. 61, No. 8, pp. 2262-2273, 2012.
N. Cristianini and J. Shawe-Taylor, An Introduction to Support Vector Machines and Other Kernel-based Learning Methods, Cambridge University Press, Cambridge, 2000.
C. W. Hsu and C. J. Lin, "A comparison of methods for multiclass support vector machines", IEEE Trans. Neural Networks, Vol. 13, No. 2, pp. 415-425, 2002.
A. K. Bourke, P. van de Ven, M. Gamble, R. O'Connor, K. Murphy, E. Bogan, E. McQuade, P. Finucane, G. Olaighin, and J. Nelson, "Evaluation of waist-mounted tri-axial accelerometer based fall-detection algorithms during scripted and continuous unscripted activities", J. Biomech., Vol. 43, pp. 3051-3057, 2010.
M. Kangas, A. Konttila, P. Lindgren, I. Winblad, and T. Jamsa, "Comparison of low-complexity fall detection algorithms for body attached accelerometers", Gait & Posture, Vol. 28, pp. 285-291, 2008.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.