[논문]스마트 디바이스를 활용한 노약자 근감소증 진단과 딥러닝 알고리즘

윤영욱; 손정우

doi:10.15683/kosdi.2022.9.30.433

스마트 디바이스를 활용한 노약자 근감소증 진단과 딥러닝 알고리즘
Diagnosis of Sarcopenia in the Elderly and Development of Deep Learning Algorithm Exploiting Smart Devices 원문보기

한국재난정보학회논문집 = Journal of the Society of Disaster Information, v.18 no.3 = no.57, 2022년, pp.433 - 443

윤영욱 (Department of Software, Yonsei University) , 손정우 (Department of Software, Yonsei University)

초록
AI-Helper

연구목적: 본 논문에서는 스마트 디바이스의 높은 보급률을 활용하여 근감소증을 추정 및 예측하는 딥러닝 알고리즘을 제안과 연구를 수행한다. 연구방법: 딥러닝 학습을 위해 스마트 디바이스에 내장된 관성센서를 활용하여 실험 데이터를 수집하였다. 데이터를 수집하는 테스트용 어플리케이션 구현하여 '정상'과 '비정상'걸음과 '달리기', '낙상', '스쿼트' 자세의 5 가지 상태를 구분하여 데이터를 수집하였다. 연구결과: LSTM, CNN, RNN model 사용 시 예측 정확도를 분석했고 CNN-LSTM 융합형 모델을 활용하여 이진분류 정확도 99.87%, 다중 분류 92.30%의 정확도를 보였다. 결론: 근감소증이 있는 사람의 경우 걸음걸이의 이상이 생긴다는 점에 착안하여 스마트 디바이스를 활용한 연구를 진행하였다. 본 연구를 활용하여 근감소증으로 인해 생기는 재난안전을 강화 할 수 있을 것이다.

Abstract ▼ AI-Helper

Purpose: In this paper, we propose a study of deep learning algorithms that estimate and predict sarcopenia by exploiting the high penetration rate of smart devices. Method: To utilize deep learning techniques, experimental data were collected by using the inertial sensor embedded in the smart device. We implemented a smart device application for data collection. The data are collected by labeling normal and abnormal gait and five states of running, falling and squat posture. Result: The accuracy was analyzed by comparative analysis of LSTM, CNN, and RNN models, and binary classification accuracy of 99.87% and multiple classification accuracy of 92.30% were obtained using the CNN-LSTM fusion algorithm. Conclusion: A study was conducted using a smart sensoring device, focusing on the fact that gait abnormalities occur for people with sarcopenia. It is expected that this study can contribute to strengthening the safety issues caused by sarcopenia.

주제어

표/그림 (10)

그림 Fig. 1. System description
그림 Fig. 2. Developed Application
그림 Fig. 3. Collected data by exploiting smart-device
그림 Fig. 4. CNN-LSTM model for HAR
그림 Fig. 5. Experimental environment
표 Table 1. Collected data handle
그림 Fig. 6. Data clustering
그림 Fig. 7. Training data set
표 Table 2. Classification accuracy according to deep-learning models (unit: %)
그림 Fig. 8. Accuracy rate by learning of iteration(epoch)

AI 본문요약
AI-Helper

문제 정의

본 연구는 고령자를 대상으로 근감소증 여부를 추가 기기 없이 일반적으로 많이 보급된 스마트 디바이스를 이용해 예측할 수 있는 시스템을 제안하였다. 이전의 비접촉식 근감소증 판단 알고리즘 연구들은 근감소증이 발병한 경우 걸음이 느려진다는 특성을 활용하여 사용자의 이동 속도만 고려했는데 이러한 연구들은 이동 속도를 정확하게 구하지 못하면 실제로 활용되기 어렵다는 문제점을 갖고 있었다.
요컨대, 위에서 언급한 바와 같이 통계적으로 다양한 연령층과 많은 사람의 데이터를 활용하여 학습과 성능 분석을 하는 것이 가장 바람직하지만 본 연구는 스마트 디바이스를 활용한 기술과 딥러닝 기술을 활용하여 근감소증과 노약자를 관리할 수 있는 일차적 연구로서의 기법 개발과 알고리즘 제안에 초점을 맞추고 있다.

제안 방법

이 연구를 위해 Android 기반의 데이터 수집이 가능한 애플리케이션을 개발하였다. 근감소증이 발생하는 경우 가장 큰 특징으로 볼 수 있는 걸음걸이 속도를 변화에 초점을 맞춰 근감소증을 예측하는 모델을 제안했고 가장 높은 정확도는 CNN-LSTM 융합 모델 경우 99.
다양한 조건에서 수집된 데이터를 활용하여 두 가지 형태로 데이터 분석을 진행했다. 첫 번째는 근감소증 여부를 판별하는 이진 분류 모델과 정상, 비정상, 달리기, 낙상, 스쿼트 동작 데이터 예측을 목표로 하는 다중 행동 분류 모형으로 데이터 분석을 진행하였다. 이진 분류 모델링에는 Table 1의 normal gait 데이터와 abnormal gait 데이터가 사용되었고 다중 분류 모델링에는 Table 1의 모든 데이터가 모두 사용되었다.

대상 데이터

1은 시스템 개요에 대한 설명이다. 개발된 스마트 디바이스 애플리케이션을 활용하여 다양한 자세와 움직임 데이터를 수집하고 수집된 데이터는 DL 알고리즘의 학습 데이터로 사용된다. 최종적으로 학습과 분류, 평가를 수행하여 알고리즘 간의 정확도 분석을 진행하였다.
또한, 데이터를 저장하기 위해 스마트 디바이스 Database(DB)로 사용되는 SQLite를 구현하였다. 구현된 애플리케이션은 Android Studio를 통해 구현하였으며 application programming interface, API version은 12이며 연구에 사용된 스마트 디바이스는 Galaxy Note 5 스마트폰이다. Fig.
실험 대상군은 성인 남성 2명, 성인 여성 2명 총4명이 실험에 참여하였다. 각 개인들의 다섯 가지 실험 데이터는 모두 학습용 데이터로 함께 사용되었다.
첫 번째는 근감소증 여부를 판별하는 이진 분류 모델과 정상, 비정상, 달리기, 낙상, 스쿼트 동작 데이터 예측을 목표로 하는 다중 행동 분류 모형으로 데이터 분석을 진행하였다. 이진 분류 모델링에는 Table 1의 normal gait 데이터와 abnormal gait 데이터가 사용되었고 다중 분류 모델링에는 Table 1의 모든 데이터가 모두 사용되었다. 데이터는 학습(train)과 테스트(test) 데이터 셋을 7:3으로 나뉘어 데이터 분석을 수행했다.

데이터처리

Fig. 5와 같이 제안 기법의 연구 및 성능 평가를 위해 개발된 애플리케이션을 활용하여 데이터 수집 실험을 진행하였다. 실험은 환경적인 요인을 줄이기 위해 경사가 없는 평지에서 수행이 되었고 Fig.
개발된 스마트 디바이스 애플리케이션을 활용하여 다양한 자세와 움직임 데이터를 수집하고 수집된 데이터는 DL 알고리즘의 학습 데이터로 사용된다. 최종적으로 학습과 분류, 평가를 수행하여 알고리즘 간의 정확도 분석을 진행하였다. 결괏값을 통해 최적화 예측 모델을 제안한다.

성능/효과

이 연구를 위해 Android 기반의 데이터 수집이 가능한 애플리케이션을 개발하였다. 근감소증이 발생하는 경우 가장 큰 특징으로 볼 수 있는 걸음걸이 속도를 변화에 초점을 맞춰 근감소증을 예측하는 모델을 제안했고 가장 높은 정확도는 CNN-LSTM 융합 모델 경우 99.87%의 높은 정확도를 나타냈다. 추가 연구로서 다양한 움직임을 예측하는 실험도 진행했는데 이 경우 역시 CNN-LSTM 융합 모델 사용 시 92.

후속연구

사용자가 정상적인 상태일 때 사용자의 걸음걸이를 사전에 학습시키거나 본 연구에서보다 더 많은 표본 데이터를 활용한다면 실시간으로 근감소증 예측해 고령자의 재난 안전사고 예방을 강화할 수 있고 움직임을 실시간으로 판별하는 서비스 등의 다양한 헬스케어 분야에서 활용이 가능할 것으로 판단된다.
학습이 진행될수록 안정적으로 정확도가 높아지는 것을 목표로 하고 있으나 그래프의 많은 변동을 확인할 수 있는데 학습 시 오버피팅(over-fitting)의 결과로 볼 수 있다. 추후 연구로는 모델링 parameter 조정을 통한 정확도 향상을 위해 다양한 연령층과 더 많은 사람의 데이터를 활용하여 학습과 성능 분석연구를 수행하고자 한다.

참고문헌 (24)

Abdallah, Z.S., Gaber, M.M., Srinivasan, B., Krishnaswamy, S. (2015). "Adaptive mobile activity recognition system with evolving data streams." Neurocomputing, Vol. 150, pp. 304-317.

상세보기
Bishop, C.M. (2006). Pattern Recognition and Machine Learning. Springer, New York, US.
Cao, L., Morley, J.E. (2016). "Sarcopenia is recognized as an independent condition by an international classification of disease, tenth revision, clinical modification (ICD-10-CM) code." Journal of the American Medical Directors Association, Vol. 17, No. 8, pp. 675-677.

상세보기
Chen, L.K., Liu, L.K., Woo, J., Assantachai, P., Auyeung, T.W., ShahrulBahyah, K., Chou, M.Y., Chen, L.Y., Hsu, P.S., Krairit, O., Lee, .S. W., Lee, W.J., Lee, Y., Liang, C.K., Limpawattana, P., Lin, C.S., Peng, L.N., Satake, S., Suzuki, T., Won, C.W., Wu, C.H., Wu, S.N., Zhang, T., Zeng, P., Akishita, M., Arai, H. (2014) "Sarcopenia in Asia: Consensus report of the Asian Working Group for Sarcopenia." Journal of American Medical Directors Association Vol. 15, pp. 95-101.
Davis, J., Goadrich, M. (2006). "The relationship between Precision-Recall and ROC curves." Proceedings of the 23rd International Conference on Machine Learning, Pittsburgh, Pennsylvania, US, pp. 233-240.
Domingos, P. (2012). "A few useful things to know about machine learning." Communications of the ACM, Vol. 55, No. 10, pp.78-87.

상세보기
Evans, W.J. (1995). "What is sarcopenia?" The Journals of Gerontology Series A: Biological Sciences and Medical Sciences, Vol. 50, pp. 5-8.
Hong, S., Choi, W.H. (2012). "Clinical and Physiopathological Mechanism of Sarcopenia." The Korean Journal of Medicine Vol. 83, No. 4, pp. 444-454.

상세보기
Junker, M., Hoch, R., Dengel, A. (1999). "On the evaluation of document analysis components by recall, precision, and accuracy." Proceedings of the Fifth International Conference on Document Analysis and Recognition. ICDAR'99, Bangalore, India, Cat. pp. 713-716.
Kanjo, E., Younis, E.M.G., Ang, C.S. (2019). "Deep learning analysis of mobile physiological, environmental and location sensor data for emotion detection." Information Fusion, Vol. 49, pp. 46-56.

상세보기
Kim, K.W., Byun, S.J., Lee, H.J., Han, J.W. (2020). Method for Prediction Frailty Using Triple Axis Motion Meter, Prediction Frailty System using Triple Axis Motion Meter and Wearable Prediction Frailty Device, KR. Patent No. 10-2107379, Korea.
Kim, M., Kim, H., Park, S., Cho, I., Yu, W. (2020). "A study on the analysis of physical function in adults with sarcopenia." Journal of The Korean Society of Integrative Medicine, Vol. 8, No. 2, pp. 199-209.
Ko, J.B., Kim, K.B., Shin, Y.S., Han, H., Han, S.K., Jung, D.Y., Hong, J.S. (2021). "Predicting sarcopenia of female elderly from physical activity performance measurement using machine learning classifiers." Clinical Interventions in Aging, Vol. 16, p. 1723.

상세보기
Lee, J., Park, K.E., Kim, Y. (2021). "IA study on indoor positioning based on pedestrian dead reckoning using inertial measurement unit." Journal of the Society of Disaster Information, Vol. 17, No. 3, pp. 521-534.
Liu, Y., Nie, L., Liu, L., Rosenblum, D.S. (2016). "From action to activity: Sensor-based activity recognition." Journal of Neurocomputing, Vol. 181, pp. 108-115.
Marty, E., Liu, Y., Samuel, A., Or, O., Lane, J. (2017). "A review of sarcopenia: Enhancing awareness of an increasingly prevalent disease." Journal of Brain Bone, Vol. 105, pp. 276-286.
Neverova, N., Wolf, C., Lacey, G., Fridman, L., Chandra, D., Barbello, B., Taylor, G. (2016). "Learning human identity from motion patterns." IEEE Access, Vol. 4, pp. 1810-1820.

상세보기
Sanchez-Rodriguez, D., Marco, E., Miralles, R., Guillen-Sola, A., Vazquez-Ibar, O., Escalada, F., Muniesa, J.M. (2015). "Does gait speed contribute to sarcopenia case-finding in a postacute rehabilitation setting?" Archives of Gerontology and Geriatrics, Vol. 61, No. 2, pp. 176-181.

상세보기
Shickel, B., Tighe, P.J., Bihorac, A., Rashidi, P. (2018). "Deep EHR: A survey of recent advances in deep learning techniques for electronic health record (EHR) analysis." IEEE Journal of Biomedical and Health Informatics, Vol. 22, No. 5, pp.1589-1604.

상세보기
Stisen, A., Blunck, H., Bhattacharya, S., Prentow, T.S., Kjaergaard, M.B., Dey, A., Sonne, T., Jensen, M.M. (2015). "Smart devices are different: Assessing and mitigatingmobile sensing heterogeneities for activity recognition." In Proceedings of the 13th ACM Conference on Embedded Networked Sensors Systems, Seoul, South Korea, pp. 127-140.
Wang, J., Yu, L.C., Lai, K.R., Zhang, X. (2016). "Dimensional sentiment analysis using a regional CNN-LSTM model." Proceedings of the 54th Annual Meeting of the Association for Computational Linguistics, Berlin, Germany, Vol. 2, pp. 225-230.
Won, C.W. (2020). "Diagnosis of sarcopenia in primary health care." Journal of Korean Medical Association. Vol. 63, No. 10, pp. 633-641.
Yuki, A., Ando, F., Otsuka, R., Shimokata, H. (2017). "Sarcopenia based on the Asian Working Group for Sarcopenia criteria and all-cause mortality risk in older Japanese adults." Geriatrics & Gerontology International, Vol. 17, No. 10, pp. 1642-1647.

상세보기
Zeng, M., Nguyen, L.T., Yu, B., Mengshoel, O.J., Zhu, J., Wu, P., Zhang, J. (2014). "Convolutional neural networks for human activity recognition using mobile sensors." In 6th international conference on mobile computing, application and services, Austin, Texas, US, pp. 197-205.

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