[논문]기계학습 기반의 낙상 검출

김인경; 김대희; 허성실; 이재구

기계학습 기반의 낙상 검출
Machine Learning based Fall Detection 원문보기

김인경 (국민대학교 컴퓨터공학과) , 김대희 (국민대학교 컴퓨터공학과) , 허성실 (국민대학교 컴퓨터공학과) , 이재구 (국민대학교 컴퓨터공학과)

노인인구의 급증에 따라 노인 건강에 대한 관심이 증가하였고 노인 낙상을 발견하는 방법에 대한 관심도 함께 대두되기 시작하였다. 낙상 사고의 경우 낙상을 일으킨 원인보다 낙상이 제때 감지되지 않아 발생하는 이후의 상황이 더욱 심각한 결과를 초래한다. 따라서 낙상이 발생했을 때, 바로 낙상을 감지할 수 있는 시스템 구축이 필요하다. 다양한 낙상 검출을 위한 방법이 존재하지만 그 중 착용이 쉽고 원격지에서 관찰 및 관리가 가능한 웨어러블(Wearable) 기기의 센서 데이터를 사용한 낙상 검출을 진행하였다. 본 논문에서는 머신 러닝 모델들을 사용해서 낙상 검출 성능 비교 및 적절한 모델을 제안한다. 기계 학습 기반의 모델인 결정 트리(Decision Tree), 랜덤 포래스트(Random Forest), SVM(Support Vector Machine)을 사용하여 실제 측정된 데이터에 낙상 검출 학습 능력을 정량화하였다. 또한, 모델의 입력 값에 적용한 데이터 분할, 전처리 및 특징 추출 방법을 통해서 효율적인 낙상 검출을 위한 기계학습 관점에서의 타당성을 판단하고자 한다.

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

문제 정의

이는 낙상의 규칙을 통한 검출이 아니기 때문에 일반화된 검출을 유도할 수 없다. 따라서 영상이나 진동을 이용한 방법보다는 웨어러블 기기를 통해 추출한 센서데이터를 사용하는 방법이 좀더 대중적으로 낙상을 검출하는 데에 도움이 될 수 있으며, 본 연구는 기계 학습 기반의 낙상 검출에 대한 포괄적인 이해를 전달하고자 한다.
본 논문에서는 웨어러블 기기의 센서를 통해 수집한 데이터를 대표적인 기계 학습 모델인 결정 트리, 랜덤 포래스트, SVM을 통해 낙상 검출 성능을 측정하였다. 또한 기계학습 모델에 적용하기 위한 낙상 검출에 특화된 데이터 분할, 전처리 및 특징 추출 방법에 대해서도 함께 논한다.

제안 방법

5) 스펙트럼 에너지(Spectral Energy): 이산 신호의 푸리에 변환을 사용하여 스펙트럴 에너지 값을 계산하였다.
가속도계의 평균 샘플링 주파수는 87Hz 이고 자이로스코프의 평균 샘플링 주파수는 200Hz 이다. ADL의 경우 19명의 참가자들은 11가지의 ADL을 시행하였고, 59명의 참가자는 9가지의 ADL을 실행하였다. FALL의 경우 66명의 참가자들이 4가지의 낙상을 실행하였다.
MobiFall 데이터의 FALL 데이터 비율은 ADL 데이터 비율보다 훨씬 작다. 그리하여 각각의 모델에 큰 데이터 수에 맞춰 임의 복원 추출한 훈련 데이터와 작은 데이터 수에 맞춰 임의 복원 추출한 훈련 데이터를 사용하여 학습을 진행하였다. 실험 데이터의 경우 작은 데이터 수에 맞춰 임의 복원 추출하였다.
본 논문에서는 다양한 낙상 검출 방법들 중 초기 설치 비용이 상대적으로 저렴하고 실내외에서도 낙상을 바로 검출할 수 있는 웨어러블 기기를 사용하여 기계 학습 기반의 낙상 검출을 실험하였다. 이를 위해 데이터 분할 및 전처리를 진행하였고 모델 학습에 이용하는 전반적인 낙상 검출에 대해서 정량적으로 검증하였다.
본 논문에서는 웨어러블 기기의 센서를 통해 수집한 데이터를 대표적인 기계 학습 모델인 결정 트리, 랜덤 포래스트, SVM을 통해 낙상 검출 성능을 측정하였다. 또한 기계학습 모델에 적용하기 위한 낙상 검출에 특화된 데이터 분할, 전처리 및 특징 추출 방법에 대해서도 함께 논한다.
본 연구를 통해 전통적인 기계 학습 기반의 낙상 검출의 타당성을 확인하였으며 향후 연구로 깊은 인공 신경망 모델인 CNN(Convolutional) Neural Network)과 RNN(Recurrent Neural Network)을 이용하여 낙상 검출을 진행할 예정이며 예상되는 모델은 아래의 (그림 3)과 같다.
본 논문에서는 다양한 낙상 검출 방법들 중 초기 설치 비용이 상대적으로 저렴하고 실내외에서도 낙상을 바로 검출할 수 있는 웨어러블 기기를 사용하여 기계 학습 기반의 낙상 검출을 실험하였다. 이를 위해 데이터 분할 및 전처리를 진행하였고 모델 학습에 이용하는 전반적인 낙상 검출에 대해서 정량적으로 검증하였다. 대표적인 기계 학습 모델인 결정 트리, 랜덤 포래스트, SVM 등을 적용하였으며, SVM의 낙상 검출 성능이 다른 모델에 비해 가장 높음을 확인할 수 있었다.
이를 위해서 'FALL'로 레이블 되어있던 부분을 기준으로 앞 뒤로 1초 간격의 STD와 LYI가 포함되도록 수정하였다.
그 다음으로 a 모든 데이터 샘플의 길이를 최대 길이에 맞추어서 재샘플링(Resampling)하였다. 이후 평균 이동 필터(Average Filter)를 사용하여 신호의 잡음을 제거하였다. 사용한 평균 이동 필터는 M=2인 다음의 식을 이용하였다.
7) 상관도(Correlation): 가속도계 벡터 사이의 상관도를 계산하였다. 즉 (a_x, a_y), (a_x, a_z), (a_y, a_z) 사이의 상관도를 측정하였다. 이를 위한 수식은 다음과 같다.

대상 데이터

본 실험에서는 공개 데이터인 MobiFall Dataset 을 사용하였다[10]. MobiFall 데이터는 삼성 갤럭시 S3 스마트 폰을 이용하여 수집되었고 낙상과 ADL의 가속도계 신호와 자이로스코프 신호를 포함한다. 가속도계의 평균 샘플링 주파수는 87Hz 이고 자이로스코프의 평균 샘플링 주파수는 200Hz 이다.
본 실험에서는 공개 데이터인 MobiFall Dataset 을 사용하였다[10]. MobiFall 데이터는 삼성 갤럭시 S3 스마트 폰을 이용하여 수집되었고 낙상과 ADL의 가속도계 신호와 자이로스코프 신호를 포함한다.
실험에는 MobiFall 데이터에 포함된 가속도계 센서 신호만을 이용하였다. 낙상이 발생하는 상황에서의 가속도계 신호 데이터를 시각화한 결과는 아래 (그림 1)과 같다.
제시된 방법들을 통해서 총 33개의 특징을 추출하였고 이를 데이터에 적용하였다.

데이터처리

1) 평균(Average): 다섯 개의 벡터를 모두 사용하여 시간 윈도우 내의 각각의 평균 값을 계산하였다.
3) 최소값(Minimum): 다섯 개의 벡터를 모두 사용하여 시간 윈도우 내의 각각의 최소 값 계산하였다.
6) 표준편차(Standard Deviation): 다섯 개의 벡터를 모두 사용하여 시간 윈도우 내의 표준 편차를 계산하였다.
7) 상관도(Correlation): 가속도계 벡터 사이의 상관도를 계산하였다. 즉 (a_x, a_y), (a_x, a_z), (a_y, a_z) 사이의 상관도를 측정하였다.

이론/모형

기계 학습 모델로는 결정 트리, 랜덤 포레스트, SVM을 사용하였다. MobiFall 데이터의 FALL 데이터 비율은 ADL 데이터 비율보다 훨씬 작다.

성능/효과

이를 위해 데이터 분할 및 전처리를 진행하였고 모델 학습에 이용하는 전반적인 낙상 검출에 대해서 정량적으로 검증하였다. 대표적인 기계 학습 모델인 결정 트리, 랜덤 포래스트, SVM 등을 적용하였으며, SVM의 낙상 검출 성능이 다른 모델에 비해 가장 높음을 확인할 수 있었다. 본 연구 결과를 기반으로 최신 깊은 인공 신경망을 적용하여 낙상 검출 성능을 향상시킬 계획이다.
정밀도(Precision)와 재현율(Recall)의 경우 상충 관계(Trade-Off)에 있기 때문에 하나의 점수가 높으면 상대적으로 다른 점수가 낮은 경향을 함께 보여주고 있다. 또한 전반적으로 작은 데이터에 맞춰 임의 복원 추출한 결과보다 큰 데이터 수에 맞춰 임의 복원 추출한 실험의 성능이 더 좋은 경향을 보인다.
다른 연구들에서도 정밀도와 재현율을 함께 참고할 수 있는 F1 점수를 함께 사용한다. 실험에서는 SVM의 F1점수가 0.86으로 가장 높았다.

후속연구

대표적인 기계 학습 모델인 결정 트리, 랜덤 포래스트, SVM 등을 적용하였으며, SVM의 낙상 검출 성능이 다른 모델에 비해 가장 높음을 확인할 수 있었다. 본 연구 결과를 기반으로 최신 깊은 인공 신경망을 적용하여 낙상 검출 성능을 향상시킬 계획이다.

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

기계학습 기반의 낙상 검출
Machine Learning based Fall Detection 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

연합인증

기계학습 기반의 낙상 검출 Machine Learning based Fall Detection 원문보기

초록 용어보기논문에서 용어와 풀이말을 자동 추출한 결과로, 시범 서비스 중입니다. AI-Helper

AI 본문요약 엑셀 다운로드 AI-Helper

문제 정의

제안 방법

대상 데이터

데이터처리

이론/모형

성능/효과

후속연구

이 논문을 인용한 문헌

관련 콘텐츠

원문 보기

이 논문과 함께 이용한 콘텐츠

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

선택된 텍스트

기계학습 기반의 낙상 검출
Machine Learning based Fall Detection 원문보기

초록
AI-Helper

AI 본문요약
AI-Helper