1 |
1
대상자의 보행 관련 데이터를 수집하고, 수집된 대상자의 보행 관련 데이터를 분석하여 대상자의 보행 변인을 추출하는 보행 변인 추출부로서, 상기 대상자의 보행 관련 데이터는 상기 대상자의 보행에 따른 대상자의 족저압 데이터, 상기 대상자의 보행에 따른 대상자의 운동학적 데이터 및 상기 대상자의 연속 보행 동작을 촬영한 대상자의 보행 영상 중 적어도 하나를 포함하는, 보행 변인 추출부;상기 대상자의 보행 변인들을 시간 순서에 따라 배열하여 대상자의 보행 시퀀스 피쳐를 생성하는 보행 특성 생성부; 및보행 시퀀스 피쳐 입력 시 노쇠 심각도를 출력하도록 학습된 노쇠 예측 모델을 이용하여, 상기 대상자의 보행 시퀀스 피쳐에 기초한 대상자의 노쇠 심각도를 예측하는 노쇠 심각도 평가부를 포함하는 노쇠 예측 시스템
|
2 |
2
제1 항에 있어서, 상기 보행 변인 추출부는,상기 대상자의 족저압 데이터에서 대상자의 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점을 검출하는 족저압 데이터 분석 유닛;상기 대상자의 운동학적 데이터에서 대상자의 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점을 검출하는 운동학적 데이터 분석 유닛;상기 보행 영상에서 대상자의 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점을 검출하는 보행 영상 분석 유닛; 및상기 족저압 데이터 분석 유닛, 상기 운동학적 데이터 분석 유닛 및 상기 보행 영상 분석 유닛 중 적어도 하나에서 검출된 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점에 기초하여 대상자의 보행 변인을 추출하는 보행 변인 추출 유닛을 포함하는 노쇠 예측 시스템
|
3 |
3
제2 항에 있어서, 상기 보행 변인 추출 유닛은 검출된 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점에 기초하여 대상자의 시간적 보행 변인을 상기 보행 변인으로 추출하며, 상기 시간적 보행 변인은 입각기(stance phase), 유각기(swing phase), 걸음(step), 활보(stride), 초기 양하지 지지기(initial double-limb support period), 말기 양하지 지지기(terminal double-limb support period) 및 단하지 지지기(single-limb support period) 중 적어도 하나의 구간의 지속 시간에 해당하는 것을 특징으로 하는 노쇠 예측 시스템
|
4 |
4
제3 항에 있어서,상기 시간적 보행 변인이 복수의 종류로 추출되는 경우, 상기 보행 시퀀스 피쳐는 M x N 크기로 구성되고, 상기 M은 상기 시간적 보행 변인의 종류이고, 상기 N은 시간 순서에 따라 배열되는 시간적 보행 변인의 개수인 것을 특징으로 하는 노쇠 예측 시스템
|
5 |
5
제1 항에 있어서,상기 노쇠 예측 모델은 보행 시퀀스 피쳐 입력 시 노쇠 심각도를 출력하도록 학습된 장단기 기억 네트워크(long short-term memory network)를 포함하는 것을 특징으로 하는 노쇠 예측 시스템
|
6 |
6
제1 항에 있어서, 상기 보행 변인 추출부는 족저압 측정 장비로부터 상기 족저압 데이터를 통신망을 통해 수신하고, 운동학적 데이터 측정 장비로부터 상기 운동학적 데이터를 상기 통신망을 통해 수신하고, 카메라로부터 상기 보행 영상을 상기 통신망을 통해 수신하도록 구성된 데이터 획득 유닛을 더 포함하고, 상기 족저압 측정 장비는 복수의 압력센서를 포함한 신발 안창(insole)을 포함하는 노쇠 예측 시스템
|
7 |
7
대상자의 보행 관련 데이터를 수집하는 단계로서, 상기 대상자의 보행 관련 데이터는 상기 대상자의 보행에 따른 대상자의 족저압 데이터, 상기 대상자의 보행에 따른 대상자의 운동학적 데이터 및 상기 대상자의 연속 보행 동작을 촬영한 대상자의 보행 영상 중 적어도 하나를 포함하는, 단계;상기 수집된 대상자의 보행 관련 데이터를 분석해 대상자의 보행 변인을 추출하는 단계;상기 대상자의 보행 변인들을 시간 순서에 따라 배열하여 대상자의 보행 시퀀스 피쳐를 생성하는 단계; 및보행 시퀀스 피쳐 입력 시 노쇠 심각도를 출력하도록 학습된 노쇠 예측 모델을 이용하여, 상기 대상자의 보행 시퀀스 피쳐에 기초한 상기 대상자의 노쇠 심각도를 예측하는 단계를 포함하는 노쇠 예측 방법
|
8 |
8
제7 항에 있어서,상기 수집된 대상자의 보행 관련 데이터를 기초로 대상자의 보행 변인을 추출하는 단계는, 상기 대상자의 족저압 데이터, 상기 대상자의 운동학적 데이터 및 상기 대상자의 보행 영상 중 적어도 하나를 통해 대상자의 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점을 검출하는 단계; 및상기 검출된 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점에 기초하여 대상자의 보행 변인을 추출하는 단계를 포함하는 노쇠 예측 방법
|
9 |
9
제8 항에 있어서,상기 검출된 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점에 기초하여 대상자의 보행 변인을 추출하는 단계에서, 상기 검출된 발꿈치 접지(heel strike) 시점과 발가락 들기(toe off) 시점에 기초하여 대상자의 시간적 보행 변인이 상기 보행 변인으로 추출되며, 상기 시간적 보행 변인은 입각기(stance phase), 유각기(swing phase), 걸음(step), 활보(stride), 초기 양하지 지지기(initial double-limb support period), 말기 양하지 지지기(terminal double-limb support period) 및 단하지 지지기(single-limb support period) 중 적어도 하나의 구간의 지속 시간에 해당하는 것을 특징으로 하는 노쇠 예측 방법
|
10 |
10
제9 항에 있어서, 상기 시간적 보행 변인이 복수의 종류로 추출되는 경우, 상기 보행 시퀀스 피쳐는 M x N 크기로 구성되고, 상기 M은 상기 시간적 보행 변인의 종류이고, 상기 N은 시간 순서에 따라 배열되는 시간적 보행 변인의 개수인 것을 특징으로 하는 노쇠 예측 방법
|
11 |
11
제7 항에 있어서,상기 노쇠 예측 모델은 보행 시퀀스 피쳐 입력 시 노쇠 심각도를 출력하도록 학습된 장단기 기억 네트워크(long short-term memory network)를 포함한 모델인 것을 특징으로 하는 노쇠 예측 방법
|
12 |
12
제7 항에 있어서, 상기 대상자의 보행 관련 데이터를 수집하는 단계는, 족저압 측정 장비로부터 상기 족저압 데이터를 통신망을 통해 수신하는 단계, 운동학적 데이터 측정 장비로부터 상기 운동학적 데이터를 상기 통신망을 통해 수신하는 단계, 카메라로부터 상기 보행 영상을 상기 통신망을 통해 수신하는 단계 중 적어도 하나를 포함하고, 상기 족저압 측정 장비는 복수의 압력센서를 포함한 신발 안창(insole)을 포함하는 노쇠 예측 방법
|