[논문]지능형 오디오 및 비전 패턴 기반 1인 가구 이상 징후 탐지 알고리즘

정주호; 안준호

doi:10.7472/jksii.2019.20.1.77

지능형 오디오 및 비전 패턴 기반 1인 가구 이상 징후 탐지 알고리즘
Intelligent Abnormal Event Detection Algorithm for Single Households at Home via Daily Audio and Vision Patterns 원문보기

Journal of Internet Computing and Services = 인터넷정보학회논문지, v.20 no.1, 2019년, pp.77 - 86

정주호 (Computer Information Technology, Korea National University of Transportation) , 안준호 (Computer Information Technology, Korea National University of Transportation)

초록
AI-Helper

1인 가구의 수가 증가함에 따라 1인 가구의 구성원이 집안에서 심각한 부상을 당할 경우 혼자 도움을 청하기 쉽지 않다. 본 연구는 집안에서 1인 가구의 구성원이 심각한 부상을 당했을 때 비일상적인 상태를 탐지한다. 홈 CCTV를 기반으로 수집된 영상을 통해 패턴을 분석 및 인식하는 영상 탐지 알고리즘을 제안한다. 또한, 스마트폰을 기반으로 집안에서 발생하는 소리의 패턴을 분석 및 인식하는 음성탐지 알고리즘도 제안한다. 각각의 알고리즘만 사용할 경우, 단점이 존재하여 넓은 영역에서 심각한 부상과 같은 상황을 탐지하기 어렵다. 그래서 두 알고리즘을 효율적으로 결합한 융합 방식을 제안한다. 각각 탐지 알고리즘의 성능과 제안된 융합 방식의 정확한 탐지성능을 평가했다.

Abstract ▼ AI-Helper

As the number of single-person households increases, it is not easy to ask for help alone if a single-person household is severely injured in the home. This paper detects abnormal event when members of a single household in the home are seriously injured. It proposes an vision detection algorithm that analyzes and recognizes patterns through videos that are collected based on home CCTV. And proposes audio detection algorithms that analyze and recognize patterns of sound that occur in households based on Smartphones. If only each algorithm is used, shortcomings exist and it is difficult to detect situations such as serious injuries in a wide area. So I propose a fusion method that effectively combines the two algorithms. The performance of the detection algorithm and the precise detection performance of the proposed fusion method were evaluated, respectively.

주제어

표/그림 (19)

그림 (Figure 1) Flow chart for the proposed vision detection algorithm
그림 (Figure 2) Flow chart for the proposed voice detection algorithm
그림 (Figure 3) Flow chart for the proposed Fusion method
표 (Table 1) Performance evaluation results for the proposed vision detection algorithm
그림 (Figure 4) An Original video
그림 (Figure 6) Movement classifications of humans or objects
그림 (Figure 5) Application to Faster R-cnn inception
그림 (Figure 7) Repeated motion pattern detections
그림 (Figure 8) An analyzed graph with Faster R-cnn inception algorithm
그림 (Figure 9) Talking voice model patterns
그림 (Figure 10) Silent voice model patterns
그림 (Figure 11) Background noise model patterns
표 (Table 2) Performance evaluation results for the proposed voice detection algorithm
그림 (Figure 12) Silent voice patterns with the proposed voice detection algorithm
그림 (Figure 13) Background noise patterns with the proposed voice detection algorithm
그림 (Figure 14) Talking voice patterns with the proposed voice detection algorithm
그림 (Figure 15) Abnormal events classified by locations
그림 (Figure 16) Recall, Precision, Accuracy by Scenario-Based Algorithm
표 (Table 3) Experiment results of Individual algorithms and fusion method

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

또한, 사람이 집 안에 있으면 아무런 소리도 내지 않기란 쉽지 않다. 그래서 집 안에서 발생하는 소리를 기반으로 하여 사람의 움직임을 판단하려고 한다. 우리는 다양한 센서를 이용하여 이상 징후를 탐지하기 위해 노력해왔다.
그리고 스마트폰을 기반으로 하여 집에서 발생하는 소리를 분석하고 소리 패턴을 분석 및 인식하여 이상 징후를 탐지하는 음성 탐지 알고리즘을 제안하였다. 본 연구에서는 영상 탐지 알고리즘과 음성 탐지 알고리즘을 결합한 융합 방식을 제안한다. 융합 방식의 Flow Chart는 그림 3과 같다.
하지만 서울시 정책[3]도 별도의 센서를 집안에 설치해야 하며, 실제로 움직임을 감지하는 센서가 사람만을 탐지 하는게 아니라 반려동물이나 다양한 물체의 움직임을 탐지하는 문제점이 발생하게 된다. 본 연구에서는 이러한 문제점들을 개선하고 보다 정확하게 사람이 심각한 부상을 당했을 때의 비일상적인 상태들을 탐지하고자 한다.
하지만, 이상 징후가 발생 될 때는 음악이나 TV가 켜져 있지 않는 상태라면 아무 소리도 나지 않는 소리와 노이즈가 낀 소리만 탐지가 된다. 본 연구에서는 이를 증명하기 위해서 서로 다른 장소 10곳에서 이상 징후와 같은 상황을 연출하여 실험하였고 이에 대한 패턴을 분석했다. 본 실험에서는 사람이 항상 집 안에서 생활을 하며 이상 징후가 발생했다고 가정하여 실험을 진행하였다.
5초마다 Sampling rate는 22050을 이용하여 12개의 데이터 지점을 수집하고 각 데이터 지점을 분석하여 3가지의 소리 중 하나로 분류시킨다. 본 연구에서는 집안에서 나는 소리를 기반으로 하여 사람의 움직임을 효율적으로 탐지하기 위하여 소리를 분류시키는 별도의 모델을 만들어서 탐지했다. 분류된 소리들도 각자의 소리 모델에 따라 패턴이 존재한다.
홈 CCTV를 기반으로 하여 사람의 패턴을 분석 및 인식하는 영상 탐지 알고리즘과 스마트폰을 기반으로 하여 집 안에서 발생할 수 있는 소리를 기반으로 하여 소리의 패턴을 분석 및 인식하는 음성 탐지 알고리즘이다. 영상 탐지 알고리즘과 음성 탐지 알고리즘의 각각의 단점을 보완하고 높은 정확도로 이상 징후를 탐지하고 두 알고리즘을 효율적으로 결합한 융합 방식도 제안하려고 한다. 각각의 알고리즘은 실험을 통하여 성능을 평가하였으며, 융합 방식은 다양한 시나리오를 이용하여 정확도를 평가했다.
우리는 1인 가구가 심각한 부상을 당하여 비일상적인 상태인 이상 징후를 탐지하기 위한 알고리즘을 제안하려고 한다. 홈 CCTV를 기반으로 하여 사람의 패턴을 분석 및 인식하는 영상 탐지 알고리즘과 스마트폰을 기반으로 하여 집 안에서 발생할 수 있는 소리를 기반으로 하여 소리의 패턴을 분석 및 인식하는 음성 탐지 알고리즘이다.
융합 방식은 각 알고리즘의 단점을 보완하고 집안의 넓은 영역에서 이상 징후를 탐지했다. 우리는 본 연구를 통해 별도의 비용 없이 사람들이 집에서 사용하고 있는 장비들을 이용하여 집에 혼자 사는 1인 가구의 구성원이 집 안에서 심각한 부상을 당했을 때의 이상 징후를 탐지하는 것을 목표로 했다. 추후에는 다양한 센서들을 추가하거나 인공지능 알고리즘들을 결합하여 사회에 이바지 될 수 있는 다양한 연구들을 진행해 볼 계획이다.
영상 탐지 알고리즘의 경우 카메라 영역 내에서도 다양한 자세와 사람이 반만 나온 경우에도 정상적으로 탐지하는지를 실험해보았다. 음성 탐지 알고리즘의 경우 일반적인 상황에서는 정상적으로 탐지했지만 녹음되는 스마트폰이 소리 발생지점에서 멀리 있는 경우 이를 정상적으로 탐지할 수 있는지를 확인해보려고 한다. 융합 방식은 두 알고리즘을 결합하여 각 알고리즘의 단점을 서로 보완해주고 다양한 상황에서도 탐지할 수 있다는 것을 시나리오를 통해서 증명했다.
우리는 홈 CCTV를 기반으로 하며 영상 패턴을 분석하여 이상 징후를 탐지하는 영상 탐지 알고리즘과 집에서 나는 소리를 분석 및 패턴을 탐지하여 분석하는 음성 탐지 알고리즘을 개발했다. 이를 결합한 융합 방식을 본 논문에서 제안했다. 융합 방식은 각 알고리즘의 단점을 보완하고 집안의 넓은 영역에서 이상 징후를 탐지했다.

가설 설정

본 연구에서는 이를 증명하기 위해서 서로 다른 장소 10곳에서 이상 징후와 같은 상황을 연출하여 실험하였고 이에 대한 패턴을 분석했다. 본 실험에서는 사람이 항상 집 안에서 생활을 하며 이상 징후가 발생했다고 가정하여 실험을 진행하였다. 실험에 대한 결과는 그림 15와 같다.

제안 방법

음성 탐지 알고리즘은 집에서 소리가 발생하게 되면 발생된 소리는 MFCC-GMM 알고리즘을 이용하여 특징 추출 및 모델을 기반으로 하여 소리를 분류시킨다. GMM 알고리즘을 이용하여 0.5초마다 Sampling rate는 22050을 이용하며 12개의 데이터 지점을 수집하여 소리를 3가지 유형 중 하나로 분류하게 된다. 각 데이터 지점은 MFCC 알고리즘으로 추출한 13개 주파수로 구성되어 있다.
오디오 이벤트를 기반으로 하는 연구들 중 대중적으로 사용되고 있는 알고리즘은 MFCC-GMM 알고리즘[11]이다. MFCC를 이용하여 주파수의 특징 및 값을 추출한 후GMM을 이용하여 추출된 주파수의 특징들을 분석해 소리를 분류시킨다. 그리고 CNN(Convolution Neural Network) 기법을 이용하여 발생되고 있는 오디오 이벤트를 탐지하고 분류하는 연구[12]도 있다.
Youtube와 실험을 통해 수집한 영상 데이터는 총 96개이며 사람이 정상적으로 움직이고 있음을 True로 하여 Recall, Precison, Accuracy를 구하였다. Recall은 tp / tp + fn 이기 때문에 70 / 73을 하여 0.
각 알고리즘 및 융합 방식을 명확하게 비교하기 위하여 시나리오를 기반으로 Recall, Precision, Accuracy를 구하였다. 시나리오 중 대표적인 10개의 시나리오를 선정하여 각 알고리즘 및 융합 방식에 대한 Recall, Precision, Accuracy를 구하였고 이에 대한 결과는 그림 16과 같다.
영상 탐지 알고리즘과 음성 탐지 알고리즘의 각각의 단점을 보완하고 높은 정확도로 이상 징후를 탐지하고 두 알고리즘을 효율적으로 결합한 융합 방식도 제안하려고 한다. 각각의 알고리즘은 실험을 통하여 성능을 평가하였으며, 융합 방식은 다양한 시나리오를 이용하여 정확도를 평가했다.
우리는 홈 CCTV를 기반으로 하여 영상 데이터를 수집하고 사람의 패턴을 분석 및 인식하여 이상 징후를 탐지하는 영상 탐지 알고리즘을 제안하였다. 그리고 스마트폰을 기반으로 하여 집에서 발생하는 소리를 분석하고 소리 패턴을 분석 및 인식하여 이상 징후를 탐지하는 음성 탐지 알고리즘을 제안하였다. 본 연구에서는 영상 탐지 알고리즘과 음성 탐지 알고리즘을 결합한 융합 방식을 제안한다.
아무 소리도 나지 않는 소리를 분류한 이유는 이상 징후가 발생하였을 때, 사람이 움직이지 않기 때문에 이를 탐지하기 위하여 아무 소리도 나지 않는 소리를 분류하였다. 노이즈가 낀 소리는 아무것도 나지 않는 소리와 말하는 소리 간의 정확성을 높이기 위하여 일상생활 속에서 날 수 있는 노이즈 소리를 추가하였다. 말하는 소리는 일반적으로 사람이 움직이거나 살아있음을 탐지하는 것을 목표로 하였다.
그래서 본 연구를 통해 두 가지 센서를 결합하여 한가지의 센서를 이용하는 것보다 높은 정확성으로 이상 징후를 탐지할 수 있었다. 따라서 본 연구는 각각의 영상 탐지 알고리즘과 음성 탐지 알고리즘을 개별적으로 이용하는 것보다 두 알고리즘을 결합한 융합 방식을 제안한다.
일정 시간 이상 사람과 사물의 움직임이 탐지되지 않으면 이상 징후라고 탐지한다. 본 연구는 Tensorflow Object detection 알고리즘의 Faster R-cnn inception 모델의 이용한 결과물을 통하여 탐지된 사람의 x, y 좌표와 길이, 탐지된 사람의 각도 및 정확도와 사물의 x, y 좌표를 기반으로 하는 별도의 그래프를 생성하여 확인하고 이를 분석하였다.
본 연구는 각각의 탐지 알고리즘은 실험을 통하여 성능을 평가했고 융합 방식은 시나리오를 이용하여 알고리즘의 정확성을 평가했다.
본 연구에서는 다양한 시나리오를 통해서 한가지의 알고리즘을 이용했을 경우의 한계점과 두 가지 알고리즘을 결합한 융합 방식의 성능을 평가하였다. 영상 탐지 알고리즘의 경우 카메라 영역 내에서도 다양한 자세와 사람이 반만 나온 경우에도 정상적으로 탐지하는지를 실험해보았다.
각 데이터 지점은 MFCC 알고리즘으로 추출한 13개 주파수로 구성되어 있다. 본 연구에서는 학습시킨 모델을 기준으로 소리를 분류한다. 첫 번째는 아무 소리도 나지 않는 소리(조용한 소리)이며, 두 번째는 집 안에서 날 수 있는 노이즈가 낀 소리(예: 에어컨, 냉장고 등 팬이 돌아가는 소리)와 세 번째는 일상적으로 말하는 소리를 탐지하도록 하였다.
본 연구의 음성 탐지 알고리즘은 이전의 연구[13, 14]를 확장하고 스마트폰을 기반으로 하여 집에서 발생하는 소리를 이용해 이상 징후를 탐지한다. 음성 탐지 알고리즘에 대한 Flow Chart는 그림 2와 같다.
그 후에는 다시 정상 탐지상태로 돌아간다. 사람 탐지상태에서 사람이 장시간 움직임이 없으면 이 사람에 대한 생활 패턴을 분석한다. 생활 패턴 분석 단계에서 이 사람이 항상 휴식을 취하는 공간이면 사람은 정상인 상태로 분류가 된다.
사람이 별도의 장치를 집 안에서 휴대하지 않고 집에서 발생하는 소리를 기반으로 하여 분석하고 패턴을 탐지하고 사람의 움직임 여부 또는 이상 징후를 탐지하려고 한다. 음성 탐지 알고리즘은 집에서 소리가 발생하게 되면 발생된 소리는 MFCC-GMM 알고리즘을 이용하여 특징 추출 및 모델을 기반으로 하여 소리를 분류시킨다.
그림 8 (e) 그래프는 사람 이외의 사물을 탐지했을 경우 사물의 좌표를 기반으로 하여 마커를 칠한다. 사물 탐지 상태에서 사물의 움직임을 파악하기 위하여 마커를 칠하였다. y축은 탐지된 사물의 x, y좌표의 합을 나타내며, x축은 영상을 탐지한 프레임 수이다.
1인 가구 구성원이 집안에서 심각한 부상을 당해 집안에서 홀로 방치되는 문제점을 해결하기 위해, 최근 서울시에서는 60대 이상 노인들을 대상으로 정책[3]을 시작하였다. 사물인터넷을 활용하여 IoT 장치를 집 안에 설치한 후 설치된 장치의 센서 데이터를 수집해 지자체로 데이터를 전송한다. 담당생활관리사는 수집된 센서 데이터를 앱을 통해 확인하며 8시간 동안 움직임 센서의 값이 발생하지 않을 경우 이상을 의심하여 119와 연계하며 긴급조치를 취하게 된다.
실험은 총 5번의 실험을 진행하였고, 카메라 영역 내에서 정상적인 활동을 하고 있음을 알 수 있는 영상 2개와 이상 징후 상태를 나타내는 영상 2개, 카메라 영역 밖에서의 상황 1개를 하여 총 5번의 실험을 진행하였고 그림 4, 5, 6, 7은 실제 영상 탐지 알고리즘을 적용한 모습이다. 그림 4은 아무것도 적용하지 않은 원본 영상이다.
첫 번째는 아무 소리도 나지 않는 소리(조용한 소리)이며, 두 번째는 집 안에서 날 수 있는 노이즈가 낀 소리(예: 에어컨, 냉장고 등 팬이 돌아가는 소리)와 세 번째는 일상적으로 말하는 소리를 탐지하도록 하였다. 아무 소리도 나지 않는 소리를 분류한 이유는 이상 징후가 발생하였을 때, 사람이 움직이지 않기 때문에 이를 탐지하기 위하여 아무 소리도 나지 않는 소리를 분류하였다. 노이즈가 낀 소리는 아무것도 나지 않는 소리와 말하는 소리 간의 정확성을 높이기 위하여 일상생활 속에서 날 수 있는 노이즈 소리를 추가하였다.
영상 탐지 알고리즘은 Youtube를 통해 수집한 영상 및 실험을 기반으로 하여 테스트를 진행하였고 이에 대한 Recall, Precision, Accuracy는 표 1과 같다.
본 연구에서는 다양한 시나리오를 통해서 한가지의 알고리즘을 이용했을 경우의 한계점과 두 가지 알고리즘을 결합한 융합 방식의 성능을 평가하였다. 영상 탐지 알고리즘의 경우 카메라 영역 내에서도 다양한 자세와 사람이 반만 나온 경우에도 정상적으로 탐지하는지를 실험해보았다. 음성 탐지 알고리즘의 경우 일반적인 상황에서는 정상적으로 탐지했지만 녹음되는 스마트폰이 소리 발생지점에서 멀리 있는 경우 이를 정상적으로 탐지할 수 있는지를 확인해보려고 한다.
그래서 패턴을 탐지하기 위해 말하는 소리를 분류하였다. 우리는 분류된 소리를 기반으로 하여 각각의 소리별 비율 및 평소 사람이 내는 소리의 패턴을 분석하여 사람의 움직임 및 이상 징후를 탐지한다.
우리는 홈 CCTV를 기반으로 하며 영상 패턴을 분석하여 이상 징후를 탐지하는 영상 탐지 알고리즘과 집에서 나는 소리를 분석 및 패턴을 탐지하여 분석하는 음성 탐지 알고리즘을 개발했다. 이를 결합한 융합 방식을 본 논문에서 제안했다.
우리는 홈 CCTV를 기반으로 하여 영상 데이터를 수집하고 사람의 패턴을 분석 및 인식하여 이상 징후를 탐지하는 영상 탐지 알고리즘을 제안하였다. 그리고 스마트폰을 기반으로 하여 집에서 발생하는 소리를 분석하고 소리 패턴을 분석 및 인식하여 이상 징후를 탐지하는 음성 탐지 알고리즘을 제안하였다.
융합 방식은 영상 탐지 알고리즘과 음성 탐지 알고리즘을 결합하여 만들었다. 융합 방식은 영상 탐지 알고리즘의 단점과 음성 탐지 알고리즘의 단점을 각각 보완하여 높은 정확성으로 이상 징후를 탐지 할 수 있다.
음성 탐지 알고리즘도 Youtube와 실험을 통하여 수집한 음성 데이터는 총 66개이며 사람이 정상적으로 소리를 내고 있음을 True로 하여 Recall, Precision, Accuracy를 구하였다. Recall은 tp / tp + fn 이기 때문에 46 / 48을 하여 0.
본 연구에서는 학습시킨 모델을 기준으로 소리를 분류한다. 첫 번째는 아무 소리도 나지 않는 소리(조용한 소리)이며, 두 번째는 집 안에서 날 수 있는 노이즈가 낀 소리(예: 에어컨, 냉장고 등 팬이 돌아가는 소리)와 세 번째는 일상적으로 말하는 소리를 탐지하도록 하였다. 아무 소리도 나지 않는 소리를 분류한 이유는 이상 징후가 발생하였을 때, 사람이 움직이지 않기 때문에 이를 탐지하기 위하여 아무 소리도 나지 않는 소리를 분류하였다.
영상을 기반으로 하는 기존의 탐지연구[4, 5, 6, 7, 8, 9, 10]들은 사람과 물체를 효율적으로 인식하려는 연구들이 많이 진행되고 있다. 해당 연구[4]를 통하여, 각자 개인의 패턴을 SVM(Support Vector Machine)을 이용하여 학습시킨다. 그리고 사람의 자세에 대한 실루엣을 이용하여 분류하고 CNN(Convolution Neural Network)을 이용하여 학습하는 연구[5]도 있다.

데이터처리

각 알고리즘 및 융합 방식을 명확하게 비교하기 위하여 시나리오를 기반으로 Recall, Precision, Accuracy를 구하였다. 시나리오 중 대표적인 10개의 시나리오를 선정하여 각 알고리즘 및 융합 방식에 대한 Recall, Precision, Accuracy를 구하였고 이에 대한 결과는 그림 16과 같다.

이론/모형

영상 탐지 알고리즘은 홈 CCTV를 통해 수집된 영상을 기반으로 했다. Tensorflow Object Detection을 기반으로 하여 사람 또는 사물을 탐지하였고 Faster R-cnn inception 모델을 사용하였다. 영상 탐지 알고리즘에 대한 Flow Chart는 그림 1과 같다.
영상 탐지 알고리즘은 홈 CCTV를 통해 수집된 영상을 기반으로 했다. Tensorflow Object Detection을 기반으로 하여 사람 또는 사물을 탐지하였고 Faster R-cnn inception 모델을 사용하였다.
음성 탐지 알고리즘은 MFCC-GMM 알고리즘을 이용하여 소리를 분류시킨다. 분류 방법은 0.
사람이 별도의 장치를 집 안에서 휴대하지 않고 집에서 발생하는 소리를 기반으로 하여 분석하고 패턴을 탐지하고 사람의 움직임 여부 또는 이상 징후를 탐지하려고 한다. 음성 탐지 알고리즘은 집에서 소리가 발생하게 되면 발생된 소리는 MFCC-GMM 알고리즘을 이용하여 특징 추출 및 모델을 기반으로 하여 소리를 분류시킨다. GMM 알고리즘을 이용하여 0.

성능/효과

소리가 발생하는 가까운 거리에서는 정상적으로 탐지할 수 있지만, 거리가 멀고 소리가 작아질 경우에는 실제로 사람은 TV를 정상적으로 시청하고 있지만 음성 탐지 알고리즘은 이를 정상적으로 탐지하지 못한다. 융합 방식은 각각의 알고리즘들의 단점을 서로 보완하고, 영상과 음성 탐지 알고리즘이 사람의 행동을 정상적으로 탐지하지 못하는 시나리오 상황에서는 융합 방식도 탐지하지 못하지만 영상, 음성 탐지 알고리즘 한가지의 알고리즘만 정상적으로 탐지를 할 경우 융합 방식을 이용하여 정상적인 활동 및 이상 징후를 탐지 할 수 있었다.

후속연구

하지만 한가지 센서만 이용하여 이상 징후를 탐지하는 것은 한계점이 존재하였다. 그래서 본 연구를 통해 두 가지 센서를 결합하여 한가지의 센서를 이용하는 것보다 높은 정확성으로 이상 징후를 탐지할 수 있었다. 따라서 본 연구는 각각의 영상 탐지 알고리즘과 음성 탐지 알고리즘을 개별적으로 이용하는 것보다 두 알고리즘을 결합한 융합 방식을 제안한다.
우리는 본 연구를 통해 별도의 비용 없이 사람들이 집에서 사용하고 있는 장비들을 이용하여 집에 혼자 사는 1인 가구의 구성원이 집 안에서 심각한 부상을 당했을 때의 이상 징후를 탐지하는 것을 목표로 했다. 추후에는 다양한 센서들을 추가하거나 인공지능 알고리즘들을 결합하여 사회에 이바지 될 수 있는 다양한 연구들을 진행해 볼 계획이다.

질의응답

핵심어	질문	논문에서 추출한 답변
	본 연구에서 말하는 이상 징후란 무엇인가?	알고리즘을 제안하기에 앞서서 “이상 징후”라는 단어를 정의하고자 한다. “이상 징후”란, 사람이 집안에서 심각한 부상을 당하여 비일상적인 상태인 경우, 그리고 장시간 동안 카메라 영역 내에서 사람의 움직임이 탐지되지 않거나 일정시간 이상 방안에서 아무 소리가 나지 않거나 또는 소리가 멈추지 않고 지속적으로 나는 경우와 같은 평소 사람의 정상적인 패턴과 다른 상황을 말한다.
	최근 서울시에서 60대 이상 노인 1인 가구 구성원을 대상으로 시행한 정책은 어떻게 이루어 지는가?	1인 가구 구성원이 집안에서 심각한 부상을 당해 집안에서 홀로 방치되는 문제점을 해결하기 위해, 최근 서울시에서는 60대 이상 노인들을 대상으로 정책[3]을 시작하였다. 사물인터넷을 활용하여 IoT 장치를 집 안에 설치한 후 설치된 장치의 센서 데이터를 수집해 지자체로 데이터를 전송한다. 담당생활관리사는 수집된 센서 데이터를앱을 통해 확인하며 8시간 동안 움직임 센서의 값이 발생하지 않을 경우 이상을 의심하여 119와 연계하며 긴급 조치를 취하게 된다. 이 기기는 실시간으로 사람의 움직임 여부도 판단할 수 있고 집안에 불이 나거나 가스가 누출이 되었을 경우를 대비하는 가스센서도 존재하여 탐지시 알림을 보낸다.
	노인 1인가구를 위한 서울시 정책의 문제점은 무엇인가?	이렇게 1인 가구 구성원이 집안에서 심각한 부상을 당했을 때의 대처 방안들이 존재함을 확인할 수 있었다. 하지만 서울시 정책[3]도 별도의 센서를 집안에 설치해야 하며, 실제로 움직임을 감지하는 센서가 사람만을 탐지하는 게 아니라 반려동물이나 다양한 물체의 움직임을 탐지하는 문제점이 발생하게 된다. 본 연구에서는 이러한 문제점들을 개선하고 보다 정확하게 사람이 심각한 부상을 당했을 때의 비일상적인 상태들을 탐지하고자 한다.

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증