| 1 |
1
사용자의 신체에 착용 가능한 낙상 감지 장치로서,상기 사용자의 움직임으로부터 가속도를 측정하는 센서부; 및상기 측정한 가속도 데이터로부터 상기 사용자의 움직임을 일상생활 동작(Activity of Daily Living, ADL) 또는 낙상(fall)으로 분류하는 처리부를 포함하되,제1 작동모드에서,상기 처리부는 1차적으로 임계치에 기반한 방법에 의해 상기 사용자의 움직임을 분류하고, 상기 임계치에 기반한 방법에 의한 상기 사용자의 움직임 분류결과가 상기 사용자의 실제 움직임과 일치할 확률이 소정 값 미만인 경우 2차적으로 인공지능에 기반한 방법에 의해 상기 사용자의 움직임을 분류하는 것을 특징으로 하는 낙상 감지 장치
|
| 2 |
2
제1항에 있어서,상기 낙상 감지 장치를 외부의 모바일 디바이스에 설치된 모바일 애플리케이션과 무선통신 방법으로 연결시키는 통신부;상기 사용자로부터 입력신호를 입력 받는 입력부; 및상기 사용자의 움직임 분류결과가 낙상(fall)인 경우 알람을 울리는 알람부를 더 포함하는 것을 특징으로 하는 낙상 감지 장치
|
| 3 |
3
제2항에 있어서,제2 작동모드에서,상기 알람부는 상기 입력부를 통해 알람 명령이 입력된 경우 알람을 울리되,상기 제2 작동모드는 상기 입력부를 통해 트리거가 입력된 경우 활성화되는 것을 특징으로 하는 낙상 감지 장치
|
| 4 |
4
제2항에 있어서,상기 알람부는긴급상황이 발생한 경우 알람을 울리는 것을 특징으로 하는 낙상 감지 장치
|
| 5 |
5
제4항에 있어서,상기 가속도는 3축 가속도이고,상기 처리부는하기의 수학식에 의해 계산되는 SMV(Signal Magnitude Vector), 측정신호의 프레임 당 횟수 및 상기 측정신호의 표준편차에 따라 상기 긴급상황의 발생 여부를 결정하는 것을 특징으로 하는 낙상 감지 장치
|
| 6 |
6
제2항에 있어서,제3 작동모드에서,상기 통신부는 슬립모드(sleep mode)로 작동하고, 상기 사용자의 낙상을 감지하면 정상모드(wake-up mode)로 전환되어 상기 낙상 감지 장치를 상기 모바일 애플리케이션과 연결시키고,상기 처리부는 상기 사용자의 움직임이 없으면 슬립모드로 작동하고, 상기 사용자의 움직임이 있는 경우 또는 상기 입력부를 통해 입력신호가 입력되는 경우 정상모드로 전환되는 것을 특징으로 하는 낙상 감지 장치
|
| 7 |
7
제1항에 있어서,상기 가속도는 3축 가속도이고,상기 임계치에 기반한 방법은중력가속도 성분 및 노이즈를 제거하기 위해 상기 측정한 3축 가속도 데이터를 전처리하고, 하기의 수학식에 의해 계산되는 SMA(Signal Magnitude Area)를 계산하고, 상기 SMA가 소정의 제1 임계치보다 크면 상기 사용자의 움직임을 제1 움직임 유형으로 분류하고, 상기 SMA가 상기 제1 임계치보다 작거나 같으면 상기 사용자의 움직임을 제2 움직임 유형으로 분류하는 것을 특징으로 하는 낙상 감지 장치
|
| 8 |
8
제7항에 있어서,상기 사용자의 움직임이 상기 제1 움직임 유형으로 분류된 경우상기 측정한 3축 가속도 데이터에 주기성이 있는 경우에는 SMV(Signal Magnitude Vector)가 소정의 제2 임계치보다 크면 상기 사용자의 움직임을 낙상(fall)으로 분류하고,상기 측정한 3축 가속도 데이터에 주기성이 없는 경우에는 p값-여기서, 상기 p값은 상기 측정한 3축 가속도 데이터를 FFT(Fast Fourier Transform)한 값임-이 소정의 제3 임계치보다 크면 상기 사용자의 움직임을 일상생활 동작(Activity of Daily Living, ADL)으로 분류하는 것을 특징으로 하는 낙상 감지 장치
|
| 9 |
9
제7항에 있어서,상기 사용자의 움직임이 상기 제2 움직임 유형으로 분류된 경우상기 측정한 3축 가속도 데이터로부터 경사각(tilt angle, φ)을 계산하고, 상기 경사각에 따라 상기 사용자의 움직임을 분류하는 것을 특징으로 하는 낙상 감지 장치
|
| 10 |
10
제1항에 있어서,상기 임계치에 기반한 방법에 의한 사용자의 움직임 분류결과가 상기 사용자의 실제 움직임과 일치할 확률은프레임별 상기 사용자의 움직임 분류결과가 소정 개수의 프레임 동안 몇 프레임만큼 동일한지에 의하여 계산되는 것인 낙상 감지 장치
|
| 11 |
11
제1항에 있어서,상기 인공지능에 기반한 방법은상기 측정된 가속도 데이터를 이용하여 상기 사용자의 움직임을 대표할 수 있는 특징점(features)을 추출 및 선택하고, 제1 기계학습(machine learning) 모델의 제1 하이퍼파라미터(hyperparameter)를 최적화하고, 상기 제1 기계학습 모델을 이용해 사용자의 움직임을 분류하는 것을 특징으로 하는 낙상 감지 장치
|
| 12 |
12
제11항에 있어서,상기 특징점의 추출 및 선택은복수의 낙상 지표(fall indicators)에 대하여 최대(maximum), 최소(minimum), 평균(average), 중앙값(median), 분산(variance), 왜도(skewness) 및 첨도(kurtosis)를 계산하여 상기 특징점을 추출하고, 상기 추출된 특징점 중에서 상기 사용자의 움직임을 대표할 수 있는 특징점을 대응시키는 것인 낙상 감지 장치
|
| 13 |
13
제11항에 있어서,상기 제1 하이퍼파라미터의 최적화는상기 사용자의 움직임을 분류하는 결정경계를 선형함수(linear function), 방사 기저 함수(Radial Basis Function) 및 다항함수(polynomial function) 중 어느 하나인 커널함수로 계산하는 것을 포함하는 낙상 감지 장치
|
| 14 |
14
제11항에 있어서,상기 처리부는 상기 입력부에서 소정의 입력신호를 입력 받으면 상기 제1 기계학습 모델을 업데이트하되,상기 업데이트는상기 센서부가 획득한 상기 가속도 데이터를 이용해 상기 사용자의 움직임을 제1 움직임 유형 또는 제2 움직임 유형으로 분류하고, 상기 제1 기계학습 모델에 기반하여 상기 특징점을 계산하고, 상기 제1 하이퍼파라미터와 상이한 제2 하이퍼파라미터를 갖는 제2 기계학습 모델을 이용해 상기 사용자의 움직임을 분류하고, 상기 제1 기계학습 모델과 상기 제2 기계학습 모델의 분류 정확도를 비교하고, 상기 제2 기계학습 모델이 상기 제1 기계학습 모델보다 더 정확한 경우 상기 제2 기계학습 모델로 업데이트하는 것을 특징으로 하는 낙상 감지 장치
|
| 15 |
15
사용자의 움직임으로부터 가속도를 측정하는 단계; 및상기 측정한 가속도 데이터로부터 상기 사용자의 움직임을 일상생활 동작(Activity of Daily Living, ADL) 또는 낙상(fall)으로 분류하는 단계를 포함하되,제1 모드에서,상기 사용자의 움직임을 일상생활 동작(Activity of Daily Living, ADL) 또는 낙상(fall)으로 분류하는 단계는1차적으로 임계치에 기반한 방법에 의해 상기 사용자의 움직임을 분류하고, 상기 임계치에 기반한 방법에 의한 상기 사용자의 움직임 분류결과가 상기 사용자의 실제 움직임과 일치할 확률이 소정 값 미만인 경우 2차적으로 인공지능에 기반한 방법에 의해 상기 사용자의 움직임을 분류하는 것을 특징으로 하는 낙상 감지 방법
|
| 16 |
16
제15항에 있어서,상기 사용자의 움직임 분류결과가 낙상(fall)인 경우 알람을 울리는 단계를 더 포함하는 것을 특징으로 하는 낙상 감지 방법
|
| 17 |
17
제16항에 있어서,제2 모드에서,상기 알람을 울리는 단계는 알람 명령이 있는 경우 알람을 울리되,상기 제2 모드는 트리거가 있는 경우 활성화되는 것을 특징으로 하는 낙상 감지 방법
|
| 18 |
18
제16항에 있어서,상기 알람을 울리는 단계는긴급상황이 발생한 경우 알람을 울리는 것을 특징으로 하는 낙상 감지 방법
|
| 19 |
19
제18항에 있어서,상기 가속도는 3축 가속도이고,상기 긴급상황의 발생 여부는하기의 수학식에 의해 계산되는 SMV(Signal Magnitude Vector), 측정신호의 프레임 당 횟수 및 상기 측정신호의 표준편차에 따라 결정되는 것을 특징으로 하는 낙상 감지 방법
|
| 20 |
20
제15항에 있어서,상기 가속도는 3축 가속도이고,상기 임계치에 기반한 방법은중력가속도 성분 및 노이즈를 제거하기 위해 상기 측정한 3축 가속도 데이터를 전처리하고, 하기의 수학식에 의해 계산되는 SMA(Signal Magnitude Area)를 계산하고, 상기 SMA가 소정의 제1 임계치보다 크면 상기 사용자의 움직임을 제1 움직임 유형으로 분류하고, 상기 SMA가 상기 제1 임계치보다 작거나 같으면 상기 사용자의 움직임을 제2 움직임 유형으로 분류하는 것을 특징으로 하는 낙상 감지 방법
|
| 21 |
21
제20항에 있어서,상기 사용자의 움직임이 상기 제1 움직임 유형으로 분류된 경우상기 측정한 3축 가속도 데이터에 주기성이 있는 경우에는 SMV(Signal Magnitude Vector)가 소정의 제2 임계치보다 크면 상기 사용자의 움직임을 낙상(fall)으로 분류하고,상기 측정한 3축 가속도 데이터에 주기성이 없는 경우에는 p값-여기서, 상기 p값은 상기 측정한 3축 가속도 데이터를 FFT(Fast Fourier Transform)한 값임-이 소정의 제3 임계치보다 크면 상기 사용자의 움직임을 일상생활 동작(Activity of Daily Living, ADL)으로 분류하는 것을 특징으로 하는 낙상 감지 방법
|
| 22 |
22
제20항에 있어서,상기 사용자의 움직임이 상기 제2 움직임 유형으로 분류된 경우상기 측정한 3축 가속도 데이터로부터 경사각(tilt angle, φ)을 계산하고, 상기 경사각에 따라 상기 사용자의 움직임을 분류하는 것을 특징으로 하는 낙상 감지 방법
|
| 23 |
23
제15항에 있어서,상기 임계치에 기반한 방법에 의한 사용자의 움직임 분류결과가 상기 사용자의 실제 움직임과 일치할 확률은프레임별 상기 사용자의 움직임 분류결과가 소정 개수의 프레임 동안 몇 프레임만큼 동일한지에 의하여 계산되는 것인 낙상 감지 방법
|
| 24 |
24
제15항에 있어서,상기 인공지능에 기반한 방법은상기 측정된 가속도 데이터를 이용하여 상기 사용자의 움직임을 대표할 수 있는 특징점(features)을 추출 및 선택하고, 제1 기계학습(machine learning) 모델의 제1 하이퍼파라미터(hyperparameter)를 최적화하고, 상기 제1 기계학습 모델을 이용해 사용자의 움직임을 분류하는 것을 특징으로 하는 낙상 감지 방법
|
| 25 |
25
제24항에 있어서,상기 특징점의 추출 및 선택은복수의 낙상 지표(fall indicators)에 대하여 최대(maximum), 최소(minimum), 평균(average), 중앙값(median), 분산(variance), 왜도(skewness) 및 첨도(kurtosis)를 계산하여 상기 특징점을 추출하고, 상기 추출된 특징점 중에서 상기 사용자의 움직임을 대표할 수 있는 특징점을 대응시키는 것인 낙상 감지 방법
|
| 26 |
26
제24항에 있어서,상기 제1 하이퍼파라미터의 최적화는상기 사용자의 움직임을 분류하는 결정경계를 선형함수(linear function), 방사 기저 함수(Radial Basis Function) 및 다항함수(polynomial function) 중 어느 하나인 커널함수로 계산하는 것을 포함하는 낙상 감지 방법
|
| 27 |
27
제24항에 있어서,상기 낙상 감지 방법은상기 제1 기계학습 모델을 업데이트하되, 상기 업데이트는상기 측정한 가속도 데이터를 이용해 상기 사용자의 움직임을 제1 움직임 유형 또는 제2 움직임 유형으로 분류하고, 상기 제1 기계학습 모델에 기반하여 상기 특징점을 계산하고, 상기 제1 하이퍼파라미터와 상이한 제2 하이퍼파라미터를 갖는 제2 기계학습 모델을 이용해 상기 사용자의 움직임을 분류하고, 상기 제1 기계학습 모델과 상기 제2 기계학습 모델의 분류 정확도를 비교하고, 상기 제2 기계학습 모델이 상기 제1 기계학습 모델보다 더 정확한 경우 상기 제2 기계학습 모델로 업데이트하는 것을 특징으로 하는 낙상 감지 방법
|
| 28 |
28
모바일 디바이스에 설치되어 낙상 감지 장치와 무선통신 방법으로 연결되고, 상기 낙상 감지 장치가 사용자의 낙상을 감지한 경우 상기 모바일 디바이스를 이용하여 응급 신고 센터, 미리 지정한 상기 사용자의 가족 또는 미리 지정한 상기 사용자의 지인에게 전화, 문자 메시지 또는 모바일 메신저를 통해 신고하고, 상기 사용자의 위치 정보를 전송하는 것을 특징으로 하는 컴퓨터로 판독 가능한 저장매체에 저장된 모바일 애플리케이션
|
