$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

주파수 공간상의 특징 데이터를 활용한 손목에 부착된 가속도 센서 기반의 낙상 감지
Fall detection based on acceleration sensor attached to wrist using feature data in frequency space 원문보기

스마트미디어저널 = Smart media journal, v.10 no.3, 2021년, pp.31 - 38  

노정현 (서경대학교 컴퓨터공학과) ,  김진헌 (서경대학교 컴퓨터공학과)

초록
AI-Helper 아이콘AI-Helper

낙상사고는 언제, 어디에서 일어날지 예측하기 어렵다. 또한 신속한 후속 조치가 수행되지 않으면 생명의 위협으로 이어지므로 낙상사고를 자동으로 감지할 수 있는 연구가 필요하게 되었다. 자동적인 낙상사고 감지기법 중 손목에 부착된 IMU 센서를 활용한 기법은 움직임이 많아 낙상사고 검출이 어렵지만, 착용의 간편함과 접근성이 뛰어난 기법으로 인식되고 있다. 낙상 데이터 확보의 어려움을 극복하기 위해 본 연구는 KNN과 SVM과 같은 머신러닝으로 적은 데이터를 효율적으로 학습하는 알고리즘을 제안한다. 또한, 이들 수학적 분류기의 성능을 높이기 위해 본 연구에서는 주파수 공간에서 취득한 특징 데이터를 활용하였다. 제안된 알고리즘은 표준 데이터세트를 활용한 실험을 통해 모델의 파라미터와 주파수 특징 추출기의 파라미터를 다각화하여 그 영향을 분석하였다. 제안된 알고리즘은 학습 데이터를 확보하기 어려운 현실적인 문제에 적절히 대처할 수 있었다. 또한 본 알고리즘이 다른 분류기보다 경량화되어 있기 때문에 SIMD(Single Instruction Multiple Data) 처리장치 탑재가 어려운 소형 임베디드시스템에도 구현이 용이했다.

Abstract ▼ AI-Helper 아이콘AI-Helper

It is hard to predict when and where a fall accident will happen. Also, if rapid follow-up measures on it are not performed, a fall accident leads to a threat of life, so studies that can automatically detect a fall accident have become necessary. Among automatic fall-accident detection techniques, ...

주제어

#낙상감지   #IMU 센서   #머신러닝   #특징 데이터  

참고문헌 (22)

  1. 질병관리청 국가건강정보포털 낙상(2020), https://health.kdca.go.kr/healthinfo/biz/health/gnrlzHealthInfo/gnrlzHealthInfo/gnrlzHealthInfoView.do?cntnts_sn1743 (accessed May, 12, 2021) 

  2. World Health Organization. Falls.(2021), https://www.who.int/en/news-room/fact-sheets/detail/falls (accessed May 12, 2021) 

  3. Koldo de Miguel, et al., "Home Camera-Based Fall Detection System for the Elderly," Sensors, vol. 17, no. 12, article no.:2864, Dec., 2017. 

    상세보기

  4. R. Igual, C, Medrano, and I Plaza, "Challenges, issues and trends in fall detection systems," BioMed Eng OnLine, vol. 12, article no.:66, Jul., 2013. 

    상세보기

  5. P. Jantaraprim, P. Phukpattaranont, C. Limsakul and B. Wongkittisuksa, "Evaluation of fall detection for the elderly on a variety of subject groups," i-CREATe'09:Proceedings of the 3rd International Convention on Rehabilitation Engineering & Assistive Technology, No. 11, pp. 1-4, Apr., 2009. 

  6. C. Lai, Y. Huang, J. H. Park and H. Chao, "Adaptive Body Posture Analysis for Elderly-Falling Detection with Multisensors," IEEE Intelligent Systems, vol. 25, no. 2, pp. 20-30, Mar.-Apr., 2010. 

    상세보기 crossref

  7. T. Zhang, J. Wang, L. Xu and P. Liu, "Fall Detection by Wearable Sensor and One-Class SVM Algorithm," Intelligent Computing in Signal Processing and Pattern Recognitio, vol. 345, pp. 858-863, 2006. 

    crossref

  8. S. Shan, and T. Yuan, "A Wearable Pre-Impact Fall Detector Using Feature Selection and Support Vector Machine," IEEE 10th INTERNATIONAL CONFERENCE ON SIGNAL PROCESSING PROCEEDINGS, pp. 1686-1689, Beijing, China, Oct., 2010. 

  9. Samad Barri Khojasteh, et al., "Improving Fall Detection Using an On-Wrist Wearable Accelerometer," Sensors, vol. 18, no. 5, article no.:1350, Apr. 2018. 

    상세보기

  10. S. J. Preece, J. Y Goulermas, L. P J Kenney, D. Howard, K. Meijer and R. Crompton, "Activity identification using body-mounted sensors--a review of classification techniques," Physiol Meas., vol. 30, no. 4, Apr., 2009. 

  11. U. Maurer, A. Rowe, A. Smailagic and D. Siewiorek, "Location and activity recognition using eWatch: A wearable sensor platform," Ambient Intell. Everday Life, pp. 86-102, 2006. 

  12. L. Bao and S. S. Intille, "Activity recognition from user-annotated acceleration data," Pers Comput, pp. 1-17, 2004. 

  13. N. Wang, E. Ambikairajah, N. H. Lovell and B. G. Celler, "Accelerometry based classification of walking patterns using time-frequency analysis," 29th Annual International Conference of the IEEE Engineering in Medicine and Biology Society, pp. 4899-4902, Lyon, France, Aug. 2007. 

  14. Nicolas Zurbuchen, et al., "A Machine Learning Multi-Class Approach for Fall Detection Systems Based on Wearable Sensors with a Study on Sampling Rates Selection," Sensors, vol. 21, no. 3, article no.:938, Jan., 2021. 

    상세보기

  15. A. Ejupi, C. Galang, O. Aziz, EJ. Park and S. Robinovitch, "Accuracy of a wavelet-based fall detection approach using an accelerometer and a barometric pressure sensor," 39th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), pp. 2150-2153, Jeju, Korea (South), Jul., 2017. 

  16. Turke Althobaiti, et al., "Triaxial Accelerometer-Based Falls and Activities of Daily Life Detection Using Machine Learning," Sensors, vol. 20, no. 13, article no.:3777, Jul., 2020. 

    상세보기

  17. Francisco Luna-Perejon, et al., "Wearable Fall Detector Using Recurrent Neural Networks," Sensors, vol. 19, no. 22, article no.:4885, Nov., 2019. 

    상세보기

  18. D. Kraft, S. Karthik and B. Gerald, "Deep Learning Based Fall Detection Algorithms for Embedded Systems, Smartwatches, and IoT Devices Using Accelerometers," Technologies, vol. 8, no. 4, Nov., 2020. 

    상세보기

  19. Eduardo Casilari, Jose A. Santoyo-Ramon and Jose M. Cano-Garcia, "UMAFall: A Multisensor Dataset for the Research on Automatic Fall Detection," Procedia Computer Science, vol. 110, Pages 32-39, 2017. 

    상세보기 crossref

  20. Jose A. Santoyo-Ramon, Eduardo Casilari and Jose M. Cano-Garcia, "Analysis of a Smartphone-Based Architecture with Multiple Mobility Sensors for Fall Detection with Supervised Learning," Sensors, vol. 18, no. 4, Apr., 2018. 

    상세보기

  21. Lourdes Martinez-Villasenor, et al., "UP-Fall Detection Dataset: A Multimodal Approach," Sensors, vol. 19, no. 9, Apr., 2019. 

    상세보기

  22. S. J. Preece, J. Y. Goulermas, L. P. J. Kenney and D. Howard, "A Comparison of Feature Extraction Methods for the Classification of Dynamic Activities From Accelerometer Data," IEEE Transactions on Biomedical Engineering, vol. 56, no. 3, pp. 871-879, Mar., 2009. 

    상세보기 crossref

저자의 다른 논문 :

관련 콘텐츠

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로