KR102450044B1 - 관성 정보 기반 낙하 시 충격 가속도 크기 추정 장치, 그 추정 방법 및 이를 포함하는 충격 보호 시스템 - Google Patents
관성 정보 기반 낙하 시 충격 가속도 크기 추정 장치, 그 추정 방법 및 이를 포함하는 충격 보호 시스템 Download PDFInfo
- Publication number
- KR102450044B1 KR102450044B1 KR1020200147002A KR20200147002A KR102450044B1 KR 102450044 B1 KR102450044 B1 KR 102450044B1 KR 1020200147002 A KR1020200147002 A KR 1020200147002A KR 20200147002 A KR20200147002 A KR 20200147002A KR 102450044 B1 KR102450044 B1 KR 102450044B1
- Authority
- KR
- South Korea
- Prior art keywords
- magnitude
- neural network
- impact
- artificial neural
- acceleration
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000001133 acceleration Effects 0.000 title claims abstract description 129
- 238000000034 method Methods 0.000 title claims description 57
- 238000013528 artificial neural network Methods 0.000 claims abstract description 73
- 230000035939 shock Effects 0.000 claims abstract description 44
- 238000005259 measurement Methods 0.000 claims abstract description 19
- 238000004891 communication Methods 0.000 claims abstract description 11
- 238000012549 training Methods 0.000 claims description 25
- 239000013598 vector Substances 0.000 claims description 23
- 238000013434 data augmentation Methods 0.000 claims description 20
- 238000010801 machine learning Methods 0.000 claims description 17
- 238000010521 absorption reaction Methods 0.000 claims description 9
- 238000012360 testing method Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 5
- 230000006403 short-term memory Effects 0.000 claims description 5
- 230000000694 effects Effects 0.000 description 11
- 238000005516 engineering process Methods 0.000 description 11
- 238000010586 diagram Methods 0.000 description 10
- 208000027418 Wounds and injury Diseases 0.000 description 6
- 230000006378 damage Effects 0.000 description 6
- 208000014674 injury Diseases 0.000 description 6
- 230000001681 protective effect Effects 0.000 description 6
- 230000002457 bidirectional effect Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000005484 gravity Effects 0.000 description 3
- 230000033001 locomotion Effects 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 210000001217 buttock Anatomy 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 210000004394 hip joint Anatomy 0.000 description 2
- 230000001144 postural effect Effects 0.000 description 2
- 238000011084 recovery Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000000611 regression analysis Methods 0.000 description 2
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 description 1
- 208000019901 Anxiety disease Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000036506 anxiety Effects 0.000 description 1
- 230000003416 augmentation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000000740 bleeding effect Effects 0.000 description 1
- 230000001364 causal effect Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000018044 dehydration Effects 0.000 description 1
- 238000006297 dehydration reaction Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000002372 labelling Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 208000018883 loss of balance Diseases 0.000 description 1
- 210000003141 lower extremity Anatomy 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000015654 memory Effects 0.000 description 1
- 230000002175 menstrual effect Effects 0.000 description 1
- 230000003278 mimic effect Effects 0.000 description 1
- 230000000116 mitigating effect Effects 0.000 description 1
- 210000003205 muscle Anatomy 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008520 organization Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
- G01P15/02—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration by making use of inertia forces using solid seismic masses
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P1/00—Details of instruments
- G01P1/07—Indicating devices, e.g. for remote indication
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01P—MEASURING LINEAR OR ANGULAR SPEED, ACCELERATION, DECELERATION, OR SHOCK; INDICATING PRESENCE, ABSENCE, OR DIRECTION, OF MOVEMENT
- G01P15/00—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration
- G01P15/18—Measuring acceleration; Measuring deceleration; Measuring shock, i.e. sudden change of acceleration in two or more dimensions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield networks
- G06N3/0442—Recurrent networks, e.g. Hopfield networks characterised by memory or gating, e.g. long short-term memory [LSTM] or gated recurrent units [GRU]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
Abstract
본 발명에 따른 충격 가속도 크기 추정 장치는 사용자의 신체에 착용 가능하며, 상기 사용자의 관성 정보를 실시간으로 수집하는 관성 측정 모듈과, 인공 신경망을 구비하며, 상기 관성 정보를 상기 인공 신경망의 입력 데이터로 사용하여 낙상 시 충격 가속도 크기 추정치를 도출하는 마이크로 컨트롤러와, 상기 충격 가속도 크기 추정치를 외부로 송출하는 통신 모듈을 포함한다.
Description
본 발명은 관성 정보 기반 낙하 시 충격 가속도 크기 추정 장치, 그 추정 방법 및 이를 포함하는 충격 보호 시스템에 관한 것으로, 더욱 상세하게는 관성 정보 및 인공 신경망을 이용하여 낙하 충격 전에 충격 가속도 크기를 미리 추정할 수 있는 충격 가속도 크기 추정 장치, 그 추정 방법 및 충격 가속도 크기 추정 장치를 포함하는 충격 보호 시스템에 관한 것이다.
인체 이동기전에서 자세 제어를 통한 균형 능력을 평가하는 것은 생체역학의 주요 과제 중 하나로 많은 임상의사나 재활학자에 의하여 연구되고 있다.
보행 중 균형이 무너지면서 발생할 수 있는 대표적인 상황은 낙상이며, 부주의로 인해 인체의 무게중심이 무너지면서 지면을 향해 빠르게 낙하하여 인체의 체절이 바닥에 부딪히고 부상을 당하는 것을 가리킨다. 낙상은 불규칙적인 지면이나 경사가 있는 통로를 지날 때 또는 장애물이 있을 때 발생 확률이 높아진다.
일반적으로, 낙상은 기초 체력, 자세 조절 및 균형 유지 능력의 저하로 인해 발생하는 것으로 알려져 있으며, 고령화로 인해 하지 근력이 퇴화되고 관절 가동 범위가 제한되는 노령층에서 특히 발생 빈도가 높다.
세계 보건 기구(WHO)에 따르면, 매년 70세 이상 노인의 32%가 낙상을 경험하고 있으며, 미국에서는 65세 이상의 노령층 중 30% 이상이 1년에 적어도 1회 이상의 낙상 사고를 경험하는 것으로 조사되었다.
낙상 사고로 고관절 등을 부상당하는 경우 큰 고통과 함께 장기간 입원으로 인한 후유증을 남기기도 한다. 특히, 낙상 후 장시간 바닥에 머무르는 'long-lie'상태는 탈수, 출혈, 생리 및 심리적 불안감을 초래하며, 이를 경험한 환자의 절반은 6개월 내에 사망할 확률이 매우 높은 것으로 나타났다.
최근, 인체가 낙하 충격으로 받는 상해를 방지하고자 착용형 보호장치가 활발히 연구되고 있다. 예를 들어, 엉덩이 부위에 착용하는 에어쿠션의 경우 낙하 시 충격을 흡수하여 엉덩이 부위와 고관절을 보호할 수 있다. 그러나, 에어쿠션은 낙하 시 인체 체절에 접촉한 후 반동으로 인해 인체에 2차 충격을 가할 수 있다. 즉, 보호장치 착용자가 낙상 사고에서 오히려 보호장치에 의해 부상을 입을 수 있는 가능성이 존재한다.
보호장치가 최적의 보호 효과를 제공하기 위해서는 다양한 낙상 사고에서 각각 다른 낙하 충격에 따라 보호장치의 흡수 성능이 제어될 수 있어야 한다. 예를 들어, 에어쿠션 보호장치에서 보행자가 지면에 넘어지면서 받는 충격 가속도를 사전에 감지하여 에어쿠션의 팽창률을 조절한다면 최적의 충격 흡수율과 함께 2차 충격 억제 효과를 얻을 수 있다.
그러나, 현재는 보행자의 무게중심 이동과 가속도 및 각속도 데이터를 이용하여 보행자의 낙하 여부만을 사전에 예측하는 연구들이 주로 이루어지고 있다. 반면, 보호장치 설계에 반영될 수 있는 중요한 인자인 낙하 시 충격 가속도 크기를 알아내려는 연구는 전무한 실정이다. 보호장치의 성능을 향상시켜 낙상 사고에 의한 부상을 줄이기 위해서는, 다양한 낙상 사고에서 각각의 충격 가속도 크기를 추정할 수 있는 방법과 장치에 대한 연구가 필요하다.
본 발명이 이루고자 하는 기술적 과제는, 관성 센서를 여러 체절에 각각 착용해야 하는 불편함과 관성 센서들 간의 시계열 동기화, 단가 문제 등을 해소할 수 있는 충격 가속도 크기 추정 장치 및 그 추정 방법을 제공하는 것이다.
본 발명이 이루고자 하는 기술적 과제는, 낙하 상황에서 수집되는 관성 정보를 이용하여 낙하 충격 전에 미리 충격 가속도 크기를 정확하게 추정할 수 있는 충격 가속도 크기 추정 장치 및 그 추정 방법을 제공하는 것이다.
본 발명이 이루고자 하는 기술적 과제는, 낙하 충격 전에 충격 가속도 크기를 미리 추정하고, 이를 충격 보호 장치에 반영하여 충격 완화 효과를 높일 수 있는 충격 가속도 크기 추정 장치 및 이를 포함하는 충격 보호 시스템을 제공하는 것이다.
본 발명이 이루고자 하는 기술적 과제는 이상에서 언급한 기술적 과제로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.
상기 기술적 과제를 달성하기 위하여, 본 발명의 일실시예에 따른, 충격 가속도 크기 추정 장치는, 사용자의 신체에 착용 가능하며, 상기 사용자의 관성 정보를 실시간으로 수집하는 관성 측정 모듈과, 인공 신경망을 구비하며, 상기 관성 정보를 상기 인공 신경망의 입력 데이터로 사용하여 낙상 시 충격 가속도 크기 추정치를 도출하는 마이크로 컨트롤러와, 상기 충격 가속도 크기 추정치를 외부로 송출하는 통신 모듈을 포함한다.
상기 기술적 과제를 달성하기 위하여, 본 발명의 일실시예에 따른, 충격 가속도 크기 추정 방법은, 낙하 상황에서 관성 정보 및 충격 가속도 크기 실측값을 수집하는 단계와, 상기 관성 정보 및 충격 가속도 크기 실측값을 이용하여 데이터 세트를 준비하는 단계와, 상기 데이터 세트를 학습 데이터 세트와 테스트 데이터 세트로 분배하는 단계와, 상기 학습 데이터 세트를 이용하여 인공 신경망을 머신 러닝하는 단계와, 학습된 인공 신경망을 평가하여 그 결과에 따라 최종 인공 신경망을 결정하고, 이 인공 신경망으로부터 충격 가속도 크기를 추정하는 단계를 포함한다.
상기 기술적 과제를 달성하기 위하여, 본 발명의 일실시예에 따른, 충격 가속도 크기 추정 장치 및 이를 포함하는 충격 보호 시스템은, 사용자의 신체에 착용 가능하며, 실시간으로 측정한 사용자의 관성 정보 및 인공 신경망을 이용하여 상기 사용자의 낙하 상황에서 낙하 충격 전에 충격 가속도 크기 추정치를 도출하고, 이 도출된 추정치를 기초로 제어신호를 생성하는 충격 가속도 크기 추정 장치와, 상기 제어신호에 의해 충격 흡수 능력이 조절되는 충격 보호 장치를 포함한다.
본 발명의 실시예에 따르면, 1개의 관성 센서만을 이용하여 낙하 시 충격 가속도 크기를 정확히 추정할 수 있기 때문에 다수의 관성 센서 착용 시 발생할 수 있는 관성 센서들 간의 시계열 동기화, 착용의 불편함, 단가 상승 문제 등을 해소할 수 있다.
또한, 본 발명의 실시예에 따르면, 다양한 데이터 처리 방법을 이용하여 수집되는 관성 정보로부터 학습 데이터 수를 증가시켜 머신 러닝을 수행하기 때문에 1개의 관성 센서만 활용해도 낙상 시 충격 가속도 크기를 추정하는 인공 신경망의 성능을 충분히 향상시킬 수 있다.
또한, 본 발명의 실시예에 따르면, 인공 신경망을 이용하여 낙하 충격 전에 미리 충격 가속도 크기를 추정할 수 있기 때문에 이를 반영하여 충격 보호 장치의 충격 흡수 능력을 제어함으로써, 최적의 충격 흡수율을 얻을 수 있고 충격 보호 장치에 의한 2차 충격을 줄일 수 있다.
본 발명의 효과는 상기한 효과로 한정되는 것은 아니며, 본 발명의 상세한 설명 또는 특허청구범위에 기재된 발명의 구성으로부터 추론 가능한 모든 효과를 포함하는 것으로 이해되어야 한다.
도 1은 낙상 상황을 단계별로 나타낸 도면이다.
도 2는 본 발명의 실시예에 따른 낙하 시 충격 가속도 크기 추정 장치 및 이를 포함하는 충격 보호 시스템을 도시한 도면이다.
도 3은 본 발명의 실시예에 따라 충격 가속도 크기 추정 장치의 인공 신경망을 구축하는 방법을 순서대로 도시한 흐름도이다.
도 4는 도 3의 학습 데이터 세트 준비 단계를 세분화하여 도시한 흐름도이다.
도 5는 본 발명의 실시예에 따른 인공 신경망을 도시한 도면이다.
도 6은 본 발명의 실시예에 따른 학습된 인공 신경망을 도시한 도면이다.
도 7은 본 발명의 실시예에 따라 구축된 인공 신경망을 이용하여 다양한 레벨의 충격 크기에 따른 충격 가속도 크기 추정한 결과를 나타낸 도면이다.
도 8은 각 데이터 증강기술 적용 시 충격 가속도 크기 추정치들의 평균 백분율 절대 오차(MPAE)들의 일 예를 나타낸 도면이다.
도 9은 데이터 증강기술을 이용하여 증가시키는 데이터 세트 수에 따라 변화하는 충격 가속도 크기 추정치의 평균 백분율 절대 오차(MPAE)들의 일 예를 나타낸 도면이다.
도 2는 본 발명의 실시예에 따른 낙하 시 충격 가속도 크기 추정 장치 및 이를 포함하는 충격 보호 시스템을 도시한 도면이다.
도 3은 본 발명의 실시예에 따라 충격 가속도 크기 추정 장치의 인공 신경망을 구축하는 방법을 순서대로 도시한 흐름도이다.
도 4는 도 3의 학습 데이터 세트 준비 단계를 세분화하여 도시한 흐름도이다.
도 5는 본 발명의 실시예에 따른 인공 신경망을 도시한 도면이다.
도 6은 본 발명의 실시예에 따른 학습된 인공 신경망을 도시한 도면이다.
도 7은 본 발명의 실시예에 따라 구축된 인공 신경망을 이용하여 다양한 레벨의 충격 크기에 따른 충격 가속도 크기 추정한 결과를 나타낸 도면이다.
도 8은 각 데이터 증강기술 적용 시 충격 가속도 크기 추정치들의 평균 백분율 절대 오차(MPAE)들의 일 예를 나타낸 도면이다.
도 9은 데이터 증강기술을 이용하여 증가시키는 데이터 세트 수에 따라 변화하는 충격 가속도 크기 추정치의 평균 백분율 절대 오차(MPAE)들의 일 예를 나타낸 도면이다.
이하에서는 첨부한 도면을 참조하여 본 발명을 설명하기로 한다. 그러나 본 발명은 여러 가지 상이한 형태로 구현될 수 있으며, 따라서 여기에서 설명하는 실시예로 한정되는 것은 아니다. 그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
명세서 전체에서, 어떤 부분이 다른 부분과 "연결(접속, 접촉, 결합)"되어 있다고 할 때, 이는 "직접적으로 연결"되어 있는 경우뿐만 아니라, 그 중간에 다른 부재를 사이에 두고 "간접적으로 연결"되어 있는 경우도 포함한다. 또한 어떤 부분이 어떤 구성요소를 "포함"한다고 할 때, 이는 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라 다른 구성요소를 더 구비할 수 있다는 것을 의미한다.
본 명세서에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 명세서상에 기재된 특징, 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
이하, 첨부된 도면들을 참고하여 본 발명의 실시예를 상세히 설명하기로 한다.
도 1은 낙상 상황을 단계별로 나타낸 도면이다.
도면을 보면, 낙상 전후를 모두 포함하는 낙상 상황은 시간 경과에 따라 낙상 전 단계(pre-fall phase), 크리티컬 단계(critical phase), 낙상 후 단계(post-fall phase) 및 회복 단계(recovery phase)의 4단계로 구분될 수 있다.
X축은 시간 경과를 나타내고, Y축은 사용자의 신체에 부착된 관성센서에서 측정되는 가속도를 나타낸다.
상기 4단계 중 크리티컬 단계는 인체의 무게 중심이 무너져 지면으로 향하는 시점부터 바닥에 부딪혀 수직방향으로 충격을 받은 시점까지의 짧은 구간을 가리킨다.
낙상 전 단계는 정상적인 활동이 일어나는 구간이며, 크리티컬 단계와 낙상 후 단계는 실질적으로 낙상 이벤트가 발생하는 단계이다. 낙상 이벤트는 낙상의 시작인 S단계, 바닥면으로부터 충격을 받는 I단계 및 낙상 이벤트의 종료를 나타내는 E단계를 포함한다.
낙상 후 단계는 낙상자가 움직임이 없거나 바닥에 누워있는 단계를 가리키고, 회복 단계는 낙상자가 일어서는 단계를 가리킨다.
Y축에 도시된 인체의 가속도는 관성 센서에서 측정되는 3축(X축, Y축, Z축)의 가속도 크기 벡터의 합이며, 인체가 바닥면에 충격 시 바닥면으로부터 수직 위 방향으로 큰 충격량을 받게 되어 피크치를 나타낸다. 가속도 크기 벡터의 합의 피크치는 별모양으로 표시되어 있다.
낙상은 서 있는 상태 또는 보행 중에 일어날 수 있고, 전후좌우 방향 또는 바닥면을 향한 수직 아래 방향으로도 일어날 수 있다.
또한, 낙상 충격 시 충격 가속도 크기는 넘어지는 사람의 특성에 따라 다를 수 있다. 예를 들어, 낙상자의 키와 몸무게에 따라 바닥면으로부터 받는 충격이 달라진다.
본 발명은 낙상의 방향을 전후방향, 좌우방향 및 수직 아래 방향의 5가지로 분류하여 각 방향에 대한 충격 가속도 크기를 정확히 추정하여 충격 보호 장치 설계 및 구동제어에 활용함으로써, 부상 방지 및 충격 보호 장치에 의한 2차 충격 감소 효과를 얻을 수 있다.
예를 들어, 충격 보호 장치 중 하나인 에어쿠션의 경우 사용자가 바닥에 충격 전에 미리 충격 가속도 크기를 추정하여 쿠션의 팽창률을 조정함으로써, 사용자가 바닥면으로부터 받는 충격을 흡수함과 동시에 에어쿠션의 반동에 의한 2차 충격을 감소시켜 부상을 방지할 수 있다.
도 2는 본 발명의 실시예에 따른 낙하 시 충격 가속도 크기 추정 장치 및 이를 포함하는 충격 보호 시스템을 도시한 도면이다.
충격 보호 시스템은 충격 가속도 크기 추정 장치(100) 및 충격 보호 장치(200)를 포함한다.
충격 가속도 크기 추정 장치(100)는 관성 측정 모듈(110), 배터리(120), 마이크로 컨트롤러(130) 및 통신 모듈(140)을 포함한다.
관성 측정 모듈(110)은 인체의 일부에 착용 가능한 형태로 구성되며, 착용자의 가속도 정보 및 각속도 정보를 실시간으로 측정할 수 있다. 관성 측정 모듈(110)은 하나의 관성 센서를 포함하는 측정 모듈이며, IMU(Inertial Measurement Unit) 모듈일 수 있다.
관성 측정 모듈(110)은 가속도 정보와 각속도 정보를 X, Y, Z축 각각에 대해 측정하기 때문에 총 6개의 관성 정보를 수집하게 된다.
배터리(120)는 충격 가속도 크기 추정 장치(100)에 구비된 관성 측정 모듈(110), 마이크로 컨트롤러(130) 및 통신 모듈(140)에 전원을 공급한다.
마이크로 컨트롤러(MCU: Micro Controller, 130)는 관성 측정 모듈(110)을 제어할 수 있으며, 통신 모듈(140)과 충격 보호 장치(200) 간의 송수신을 제어할 수 있다.
그리고, 마이크로 컨트롤러(130)는 내부에 구축된 인공 신경망을 이용하여 가속도 정보 및 각속도 정보를 처리하여 낙하 충격 전에 미리 충격 가속도 크기를 추정한다.
마이크로 컨트롤러(130)는 관성 측정 모듈(110)에서 수신한 6개의 관성 정보(3축 가속도 정보, 3축 각속도 정보)를 인공 신경망에 입력하여 5가지의 낙하 방향에 대한 충격 가속도 크기 추정치를 결과값으로 얻을 수 있다. 5가지 낙하 방향은 장치 착용자의 전후좌우 및 수직 아래 방향(바닥 방향)을 포함한다.
또한, 마이크로 컨트롤러(130)는 인공 신경망을 이용하여 획득한 충격 가속도 크기 추정치를 기초로 충격 보호 장치(200)의 충격 흡수 능력을 제어할 제어신호를 생성할 수 있다.
인공 신경망은 마이크로 컨트롤러(130) 내에 구축되는 것이 바람직하지만, 충격 보호 장치(200)에 구축될 수도 있고 충격 가속도 크기 추정 장치(100) 및 충격 보호 장치(200)와 통신 가능한 제 3의 데이터 처리 장치에 구축될 수도 있다.
통신 모듈(140)은 충격 보호 장치(200)와 유무선으로 통신할 수 있으며, 충격 보호 장치(200)에 충격 가속도 크기 추정 정보 또는 제어신호를 전송할 수 있다.
통신 모듈(140)에 적용되는 통신 방식은 BLE(Bluetooth Low Energy), 블루투스(Bluetooth), 와이파이(Wi-fi), 로라(Lora), 지그비(Zigbee) 등과 같은 다양한 방식들 중 어느 하나가 될 수 있다.
충격 보호 장치(200)는 인체에 착용될 수 있고, 공기압, 유압 등을 이용하여 인체의 낙하 시 충격을 흡수함으로써, 낙상 사고를 방지할 수 있다.
충격 보호 장치(200)는 충격 가속도 크기 추정 장치(100)의 제어신호에 의해 공기압 또는 유압이 제어되어 충격 흡수 능력이 제어될 수 있다. 또는, 컨트롤러를 자체 구비하여 충격 가속도 크기 추정 장치(100)로부터 충격 가속도 크기 추정 정보를 수신하여 스스로 제어신호를 생성하여 충격 흡수 능력을 제어할 수도 있다.
충격 보호 장치(200)에는 에어 쿠션, 에어 패드, 에어 자켓, 외골격 로봇 등과 같은 다양한 장치가 적용될 수 있다.
본 발명의 실시예에서 인체에는 하나의 충격 가속도 크기 추정 장치(100)만 착용된다. 따라서, 하나의 관성 측정 모듈(110)만으로 착용자의 가속도 정보와 각속도 정보를 수집하게 된다.
본 발명의 실시예는 하나의 관성 측정 모듈(110)에 의해 수집된 가속도 정보 및 각속도 정보만으로도 인공 신경망을 활용하여 높은 정확도의 충격 가속도 크기 추정치를 도출할 수 있다.
도 3은 본 발명의 실시예에 따라 충격 가속도 크기 추정 장치의 인공 신경망을 구축하는 방법을 순서대로 도시한 흐름도이다.
인공 신경망은 충격 가속도 크기 추정 장치의 마이크로 컨트롤러에 구비될 수도 있지만, 별도의 모듈로 구성될 수도 있다.
먼저, 인공 신경망을 구축하기 위해서 많은 지원자들이 참여한 실험을 통해 인공 신경망의 머신 러닝에 사용할 데이터를 수집한다.
데이터 수집을 위한 실험 프로토콜은 자주 발생하는 현실적인 낙하 유형들을 모방하기 위해 구성되어야 한다. 실험에 참여하는 피험자들이 수행할 활동의 수는 10가지의 낙하 유형들이다. 10가지 유형은 앞으로 낙하, 뒤로 낙하, 좌우로 낙하, 수직 아래 방향으로 낙하, 걷는 도중 앞으로 낙하, 걷는 도중 뒤로 낙하, 헛디뎌서 앞으로 낙하, 헛디뎌서 뒤로 낙하, 미끄러져 앞으로 낙하 및 미끄러져 뒤로 낙하를 포함한다.
실험에 의해 수집된 낙하 데이터는 5개의 방향으로 분류된다. 즉, 낙하 방향에 따라 전후좌우 및 수직 아래 방향(지면 방향)으로 데이터가 분류될 수 있다.
이하, 도 3을 참조하여 인공 신경망 구축 방법에 대해 상세히 설명하도록 한다.
단계(S100)에서 관성 정보 및 충격 가속도 크기 실측값을 수집한다. 피험자들의 활동에 따라 X축, Y축, Z축 각각에 대한 가속도 정보와 각속도 정보를 수집하고, 이에 따른 충격 가속도 크기 실측값을 수집한다.
단계(S110)에서는 수집된 관성 정보 및 충격 가속도 크기 실측값을 이용하여 데이터 세트를 준비한다.
데이터 세트는 복수의 예(example)로 구성된다. 예(example)는 충격 가속도 크기를 추정하는데 사용되는 입력 변수인 하나 이상의 특성(feature) 벡터값과 결과값인 라벨(label)로 구성되는 하나의 행이다. 즉, 예는 하나 이상의 입력 변수와 결과값으로 구성된다.
여기서, 특성 벡터는 3축의 가속도 정보 및 각속도 정보가 될 수 있고, 라벨은 가속도 정보와 각속도 정보에 따른 충격 가속도 크기의 실측값을 가리킨다.
더 구체적인 데이터 세트 준비 과정은 도 4에서 설명하도록 하겠다.
단계(S120)에서는 생성된 데이터 세트를 학습 데이터와 테스트 데이터로 분배한다. 이때, 분배 비율은 1:1로 설정될 수 있으나, 상황에 따라 다르게 설정될 수 있다.
다음, 단계(S130)에서 데이터 증강기술을 이용하여 학습 데이터 세트를 추가한다. 샘플 수가 적은 시계열(time-series) 데이터를 사용하여 머신 러닝을 진행할 경우 과적합(overfitting) 문제가 발생할 수 있기 때문에 데이터 증강기술(date augmentation technology)을 이용하여 학습 데이터 세트를 추가적으로 생성할 수 있다.
본 발명의 실시예에서는 데이터 증강기술로, 데이터에 기계적 노이즈를 추가하는 지터링(jittering) 기술, 임의의 스케일 값을 곱하여 데이터 크기를 변화시키는 스케일링 기술, 임의의 왜곡비율로 축소 또는 스트레칭함으로써 데이터의 시간 간격을 변경하여 학습 데이터의 시간적 특성을 바꾸는 시간 왜곡(time-warping) 기술 등이 사용될 수 있다. 여기서, 지터링 기술은 학습 데이터 세트에 백색 가우시안 노이즈를 적용함으로써 학습 모델의 견고성을 증가시킬 수 있다.
다음, 단계(S140)에서 학습 데이터를 이용하여 머신 러닝을 수행한다.
본 발명에서 구축되는 인공 신경망 모델은 LSTM(Long Short Term Memory) 아키텍처로 구현될 수 있다. LSTM 아키텍처는 시간의 흐름에 따라 변화하는 데이터를 학습하는 딥러닝 방식으로 동작하며, 이전 단계의 정보를 받아 반복적으로 처리하는 순환 신경망 모델의 하나로서 시계열 데이터의 예측에 높은 정확도를 갖는 인공 신경망 모델이다.
LSTM 아키텍처가 적용된 인공 신경망 모델은 도 5을 참조하여 상세히 후술하도록 하겠다.
다음, 단계(S150)에서는 테스트 데이터를 이용하여 학습된 인공 신경망 모델을 평가한다.
테스트 데이터에는 다양한 가속도 정보, 각속도 정보 및 이에 따른 충격 가속도 크기 실측값이 포함되어 있기 때문에 학습된 인공 신경망에 가속도 정보와 각속도 정보를 입력하여 충격 가속도 크기 추정치를 획득하여 테스트 데이터 세트에 포함된 실측값과 비교함으로써, 인공 신경망의 학습 결과를 평가할 수 있다.
단계(S160)에서 인공 신경망 모델의 수정이 필요한지 여부를 판단한다.
미리 설정된 오차값을 초과하는 경우 수정이 필요하다고 판단하여 인공 신경망을 수정(S170)하고 다시 머신 러닝을 수행할 수 있다(S140). 예를 들어, 실측값과 추정치 간의 오차가 감소하도록 인공 신경망의 은닉층(hidden layer)의 가중치를 수정할 수 있다.
반면, 추정치와 실측값의 오차값이 미리 설정된 오차값 이하인 경우 단계(S180)로 넘어가 현재의 인공 신경망을 최종 인공 신경망으로 결정하고 이로부터 충격 가속도 크기를 추정한다.
도 4는 도 3의 학습 데이터 세트 준비 단계를 세분화하여 도시한 흐름도이다.
도면을 보면, 단계(S111)에서는 수신한 관성 정보를 노이즈 필터링하여 정규화 한다. 예를 들어, 가속도 정보와 각속도 정보에서 특정 컷오프 주파수 이상의 신호를 필터링하면, 고주파 성분의 노이즈는 제거되면서도 원시 데이터(raw data)가 갖는 주기적인 패턴은 그대로 유지된다.
단계(S112)에서는 관성 정보로부터 추가적인 특성 벡터(feature vector)를 추출한다.
좀 더 구체적으로 설명하면, 충격 보호 시스템의 성능을 향상시키기 위해 장치 착용자의 활동을 차별화할 수 있는 4개의 특성 벡터를 3축 가속도 정보와 3축 각속도 정보로부터 추출한다.
충격 가속도 크기 추정 장치는 기본적으로 관성 센서를 이용하여 3축 가속도 정보와 3축 각속도 정보, 즉, 6개의 정보를 획득하므로, 4개의 특성 벡터를 더 추가하여 10개의 데이터가 인공 신경망의 입력값이 된다.
인공 신경망은 머신 러닝 과정에서 10개의 입력 데이터를 이용하여 데이터 간의 인과 관계를 통해 좀 더 정확한 충격 가속도 크기 추정치를 산출할 수 있다.
추가되는 4개의 특성 벡터는 3축 가속도의 합 벡터(sum vector), 가속도계의 수평면의 합 벡터, 합 벡터의 제곱 평균 제곱근(root mean square) 및 결과 각속도를 포함한다. 여기서, 가속도의 합 벡터는 3축 가속도 크기 합의 제곱근을 가리킨다.
다음, 단계(S113)에서 낙하 충격이 발생한 프레임을 충격 가속도 피크치 실측값과 함께 데이터 라벨링한다.
이때, 3축 가속도 정보, 3축 각속도 정보 및 추가된 4개의 특성 벡터가 10개의 입력 변수가 되고, 이에 따른 충격 가속도 크기 실측값을 포함하여 데이터 라벨링을 수행한다.
다음, 단계(S114)에서 지금까지 생성한 데이터를 분할한다.
분할된 데이터는 인공 신경망의 머신 러닝을 위한 학습 데이터와 학습된 인공 신경망의 성능 평가를 위한 테스트 데이터로 분배된다.
다음, 도 5를 참조하여 머신 러닝을 진행하는 도 3의 단계(S140)를 상세하게 살펴보도록 하겠다.
도 5는 본 발명의 실시예에 따른 인공 신경망을 도시한 도면이다.
인공 신경망은 한 개의 입력층과 출력층 사이에 적어도 하나의 은닉층이 존재하는 다층 퍼셉트론(perceptron)으로 구현된다. 입력층, 은닉층 및 출력층 각각의 사이는 복수의 가중 링크로 연결되며, 가중 링크의 가중치는 학습을 통해서 조정될 수 있다.
본 발명에서는 게이트들 및 메모리 셀로부터 활동 시퀀스(activity sequence)를 캡처하고 보유하는 LSTM(Long Short Term Memory) 아키텍처가 사용된다. LSTM 셀은 아래 수학식 1에 정의된 바와 같이 입력 게이트(input gate) 
, 망각 게이트(forget gate) 
, 셀(cell) 
, 출력 게이트(output gate) 
로 구성된다.
여기서, 
, 
, 
, 
는 각각 제품, 시그모이드(sigmoid) 기능, 
와 
사이의 가중치 행렬(weight matrix) 및 
가 있는 
의 편향을 나타낸다.
도면을 보면, 인공 신경망은 입력층(310), 은닉층(320) 및 출력층(330)으로 구성된다.
입력층(310)은 시계열적으로 수집된 데이터 세트를 수신한다.
은닉층(320)은 양방향(Bi-directional) LSTM 층(322), 완전 연결층(fully connected layer, 324) 및 회귀층(regression layer, 326)을 포함하여 구성된다.
완전 연결층(324)은 각 노드가 후속 층의 모든 노드에 연결된다.
회귀층(326)은 입력 데이터를 회귀 분석하여 데이터 간의 함수 관계를 도출한다. 회귀 분석(regression analysis)은 매개변수 모델(parametric model)을 이용하여 통계적으로 입력 데이터들 사이의 관계를 추정하는 분석방법이다.
양방향 LSTM 층(322)을 학습시키기 위해 데이터 세트는 학습 데이터와 테스트 데이터로 분리될 수 있다. 이때, 분리비는 1:1이 될 수 있으나, 다른 비로 설정될 수도 있다.
은닉층(320)에는 소프트맥스 층(softmax layer)이 추가될 수 있으며, 양방향 LSTM 층의 과적합(overfitting)을 감소시키기 위한 목적으로 드롭아웃 층(dropout layer)이 추가될 수 있다. 드롭아웃 층은 완전 연결층 뒤에 연결될 수 있다.
출력층(330)은 은닉층(320)에서 도출된 5가지 낙하 방향의 충격 가속도 크기 추정치를 출력한다.
표1은 양방향 LSTM 아키텍처에 설정될 수 있는 하이퍼 파라미터들을 나타내고 있다.
| LSTM architecture training option | ||
| Num | Type of parameters | Range of parameters |
| 1. | Number of hidden units | [100,50] |
| 2. | Maximum epochs | 125 |
| 3. | Mini-batch size | 64 |
| 4. | Weight initializer function | Glorot |
| 5. | Solver | Adam |
| 6. | Dropout rate | 0.2 |
| 7. | Initial learning rate | 0.01 |
| 8. | Gradient threshold | 2 |
| 9. | Gradient threshold method | Global-l2norm |
| 10. | L2Regularization | 1e^-5 |
학습된 인공 신경망의 성능 평가에는 평균 절대 백분율 오차(mean absolute percentage error, MAPE)가 채택될 수 있다. MAPE는 실측값과 추정치 사이의 상대 오차를 측정하기 위해 사용되며, 아래 수학식 2에 의해 계산될 수 있다.
도 6은 본 발명의 실시예에 따른 학습된 인공 신경망을 도시한 도면이다.
도면을 보면, 학습된 인공 신경망은 입력층, 은닉층 및 출력층으로 구성된다.
관성 측정 모듈에서 수집된 관성 정보(3축 가속도 정보 및 3축 각속도 정보)를 입력층에 입력하면, 은닉층에서는 관성 정보를 이용하여 학습된 내용을 기초로 다섯 방향에 대한 충격 가속도 크기들을 추정하여 출력층을 통해 출력한다.
이하, 도 7 내지 도 9를 참조하여, 학습 데이터를 데이터 증강기술을 적용하여 가공한 후 머신 러닝을 진행할 때 얻을 수 있는 인공 신경망의 성능 개선 결과들을 알아보도록 하겠다.
도 7은 본 발명의 실시예에 따라 구축된 인공 신경망을 이용하여 다양한 레벨의 충격 크기에 따른 충격 가속도 크기를 추정한 결과를 나타낸 도면이다.
인공 신경망을 이용하여 얻을 수 있는 충격 가속도 크기 추정치는 낙하하는 사람의 특성에 따라 다양하다. 예를 들어, 사람의 키와 몸무게 또는 걷는 상태와 서 있는 상태에 따라 크리티컬 단계의 시간과 충격 가속도 크기가 다양하게 나타난다.
그러나, 본 발명의 실시예에 따라 학습된 인공 신경망은 다양한 사람의 특성과 다양한 상황에서도 실측값에 가까운 충격 가속도 크기 추정치를 도출할 수 있다.
a) 내지 c)를 보면, 낙하 시 바닥면으로부터 다양한 충격을 인체에 대해 인공
신경망 학습 시 데이터 증강기술을 적용한 때와 적용하지 않은 때의 각각의 충격 가속도 크기 추정치를 실측값과 비교하여 나타내었다.
충격 가속도 크기를 추정하기 위해 사람이 균형을 잃은 시점 부근의 시계열 데이터(굵은 실선으로 표시되어 있음)를 인공 신경망의 입력 데이터로 사용한다.
그래프를 보면, 입력 데이터에 데이터 증강기술을 적용하여 인공 신경망을 학습시킨 경우가 데이터 증강기술을 적용하지 않은 경우보다 인공 신경망이 실측값에 더 가까운 추정치를 산출하였다.
여기서, 4-fold는 데이터 증강기술을 이용하여 학습 데이터 세트를 4배로 증가시킨 것을 의미한다.
도 8은 각 데이터 증강기술 적용 시 충격 가속도 크기 추정치들의 평균 백분율 절대 오차(MPAE)들의 일 예를 나타낸 도면이다.
도면을 보면, 머신 러닝에 사용되는 학습 데이터를 데이터 증강기술로 가공한 경우와 가공하지 않은 경우에 따라 충격 가속도 크기 실측값과 추정치 간의 평균 백분율 절대 오차(MPAE) 결과가 다르게 나타남을 알 수 있다.
구체적으로, 데이터 증강기술을 적용하지 않은 경우 MPAE는 25%를 초과하는 값을 나타내지만, 지터링, 스케일링 또는 시간 왜곡 기술을 사용하여 학습 데이터를 가공하여 머신 러닝을 진행한 경우에는 MPAE가 20% 이하의 값을 나타낸다.
또한, 지터링, 스케일링 및 시간 왜곡 기술을 모두 적용하여 학습 데이터를 가공하고, 이 학습 데이터로 머신 러닝을 진행한 경우에는 인공 신경망의 성능이 더 향상되어 MPAE가 약 10%가 된다.
MPAE가 작을수록 추정치가 실측값에 가깝다는 것을 의미하므로, MPAE가 작을수록 인공 신경망의 성능이 높다는 것을 의미한다.
도 9는 데이터 증강기술을 이용하여 증가시키는 데이터 세트 수에 따라 변화하는 충격 가속도 크기 추정치의 평균 백분율 절대 오차(MPAE)들의 일 예를 나타낸 도면이다.
도면을 보면, 데이터 증강기술을 사용하여 학습 데이터 세트의 수를 1배(1-fold)에서 4배(4-fold)로 증가시킬수록 학습된 인공 신경망의 성능도 향상되어 MPAE가 작아진다는 것을 알 수 있다.
도 8과 도 9의 결과를 보면, 머신 러닝에 사용되는 학습 데이터를 데이터 증강기술로 가공하여 학습 데이터 세트의 다양성과 양을 늘리면, 학습된 인공 신경망의 성능은 더 향상되는 것을 알 수 있다.
구체적으로, 더 많은 데이터 증강기술을 적용할수록 인공 신경망의 성능은 향상되며, 학습 데이터 세트를 증가시킬수록 인공 신경망의 성능이 향상됨을 알 수 있다.
100: 충격 가속도 크기 추정 장치
110: 관성 측정 모듈
120: 배터리
130: 마이크로 컨트롤러
140: 통신 모듈
200: 충격 보호 장치
110: 관성 측정 모듈
120: 배터리
130: 마이크로 컨트롤러
140: 통신 모듈
200: 충격 보호 장치
Claims (22)
- 사용자의 신체에 착용 가능한 충격 가속도 크기 추정 장치에 있어서,
상기 사용자의 관성 정보를 실시간으로 수집하는 관성 측정 모듈과,
인공 신경망을 구비하며, 상기 관성 정보를 상기 인공 신경망의 입력 데이터로 사용하여 낙상 시 충격 가속도 크기 추정치를 도출하는 마이크로 컨트롤러와,
상기 충격 가속도 크기 추정치를 외부로 송출하는 통신 모듈을 포함하고,
상기 인공 신경망은 상기 관성 정보 및 상기 관성 정보로부터 추출된 특성 벡터를 학습 데이터로 머신 러닝을 수행하여 구축된 것이고,
상기 추출된 특성 벡터는 3축 가속도의 합 벡터, 가속도계의 수평면의 합 벡터, 합 벡터의 제곱 평균 제곱근 및 결과 각속도를 포함하는 것인 충격 가속도 크기 추정 장치. - 제 1항에 있어서,
상기 관성 정보는 3축 가속도 정보 및 3축 각속도 정보인 것인 충격 가속도 크기 추정 장치. - 제 1항에 있어서,
상기 인공 신경망은 LSTM(long short-term memory) 아키텍처를 포함하는 것인 충격 가속도 크기 추정 장치. - 제 1항에 있어서,
상기 충격 가속도 크기 추정치는 5가지 낙하 방향에 대해 각각 추정되는 것인 충격 가속도 크기 추정 장치. - 삭제
- 삭제
- 제 1항에 있어서,
상기 학습 데이터는 머신 러닝 수행 전 적어도 하나의 데이터 증강기술에 의해 가공되어 양이 증가되는 것인 충격 가속도 크기 추정 장치. - 제 7항에 있어서,
상기 데이터 증강기술은 지터링 기술, 스케일링 기술 및 시간 왜곡 기술 중 적어도 하나 이상을 포함하는 것인 충격 가속도 크기 추정 장치. - 낙하 상황에서 관성 정보 및 충격 가속도 크기 실측값을 수집하는 단계와,
상기 관성 정보 및 충격 가속도 크기 실측값을 이용하여 데이터 세트를 준비하는 단계와,
상기 데이터 세트를 학습 데이터 세트와 테스트 데이터 세트로 분배하는 단계와,
상기 학습 데이터 세트를 이용하여 인공 신경망을 머신 러닝하는 단계와,
학습된 인공 신경망을 평가하여 그 결과에 따라 최종 인공 신경망을 결정하고, 이 인공 신경망으로부터 충격 가속도 크기를 추정하는 단계를 포함하고,
상기 데이터 세트를 준비하는 단계는 상기 인공 신경망의 입력 데이터로 사용할 적어도 하나의 특성 벡터를 상기 관성 정보로부터 추출하는 단계를 포함하고,
상기 추출된 특성 벡터는 3축 가속도의 합 벡터, 가속도계의 수평면의 합 벡터, 합 벡터의 제곱 평균 제곱근 및 결과 각속도 중 적어도 하나 이상인 것인 충격 가속도 크기 추정 방법. - 제 9항에 있어서,
상기 관성 정보는 3축 가속도 정보 및 3축 각속도 정보인 것인 충격 가속도 크기 추정 방법. - 제 9항에 있어서,
상기 인공 신경망은 LSTM(long short-term memory) 아키텍처를 포함하는 것인 충격 가속도 크기 추정 방법. - 제 9항에 있어서,
상기 충격 가속도 크기는 5가지 낙하 방향에 대해 각각 추정되는 것인 충격 가속도 크기 추정 방법. - 제 12항에 있어서,
상기 5가지 낙하 방향은 전후좌우 및 수직 아래 방향인 것인 충격 가속도 크기 추정 방법. - 삭제
- 삭제
- 제 9항에 있어서,
상기 머신 러닝 전에 적어도 하나의 데이터 증강기술을 적용하여 상기 학습 데이터 세트를 추가하는 단계를 더 포함하는 것인 충격 가속도 크기 추정 방법. - 제 16항에 있어서,
상기 데이터 증강기술은 지터링 기술, 스케일링 기술 및 시간 왜곡 기술 중 적어도 하나 이상을 포함하는 것인 충격 가속도 크기 추정 방법. - 사용자의 신체에 착용 가능하며, 실시간으로 측정한 사용자의 관성 정보 및 인공 신경망을 이용하여 상기 사용자의 낙하 상황에서 낙하 충격 전에 충격 가속도 크기 추정치를 도출하고, 이 도출된 추정치를 기초로 제어신호를 생성하는 충격 가속도 크기 추정 장치와,
상기 제어신호에 의해 충격 흡수 능력이 조절되는 충격 보호 장치를 포함하고,
상기 충격 가속도 크기 추정 장치는
상기 사용자의 관성 정보를 실시간으로 수집하는 관성 측정 모듈과,
상기 인공 신경망을 구비하며, 상기 관성 정보를 상기 인공 신경망의 입력 데이터로 사용하여 낙상 시 충격 가속도 크기 추정치를 도출하는 마이크로 컨트롤러와,
상기 충격 가속도 크기 추정치를 상기 충격 보호 장치로 송출하는 통신 모듈을 포함하는 것인 충격 보호 시스템. - 삭제
- 제 18항에 있어서,
상기 관성 정보는 3축 가속도 정보 및 3축 각속도 정보인 것인 충격 보호 시스템. - 제 18항에 있어서,
상기 인공 신경망은 LSTM(Long Short Term Memory) 아키텍처를 포함하는 것인 충격 보호 시스템. - 제 18항에 있어서,
상기 충격 가속도 크기 추정치는 5가지 낙하 방향에 대해 각각 도출되는 것인 충격 보호 시스템.
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200147002A KR102450044B1 (ko) | 2020-11-05 | 2020-11-05 | 관성 정보 기반 낙하 시 충격 가속도 크기 추정 장치, 그 추정 방법 및 이를 포함하는 충격 보호 시스템 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| KR1020200147002A KR102450044B1 (ko) | 2020-11-05 | 2020-11-05 | 관성 정보 기반 낙하 시 충격 가속도 크기 추정 장치, 그 추정 방법 및 이를 포함하는 충격 보호 시스템 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| KR20220060876A KR20220060876A (ko) | 2022-05-12 |
| KR102450044B1 true KR102450044B1 (ko) | 2022-10-04 |
Family
ID=81590342
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| KR1020200147002A Active KR102450044B1 (ko) | 2020-11-05 | 2020-11-05 | 관성 정보 기반 낙하 시 충격 가속도 크기 추정 장치, 그 추정 방법 및 이를 포함하는 충격 보호 시스템 |
Country Status (1)
| Country | Link |
|---|---|
| KR (1) | KR102450044B1 (ko) |
Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010002181A (ja) * | 2006-10-06 | 2010-01-07 | T & D:Kk | 落下を記録するための装置および方法 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20160091965A1 (en) * | 2014-09-30 | 2016-03-31 | Microsoft Corporation | Natural motion-based control via wearable and mobile devices |
| KR101636739B1 (ko) * | 2014-10-29 | 2016-07-07 | 한국생산기술연구원 | 낙상 보호장치 |
| KR102617480B1 (ko) * | 2017-02-22 | 2023-12-26 | 광주과학기술원 | 기계학습 기반 낙상 위험도 추정 장치 및 방법 |
-
2020
- 2020-11-05 KR KR1020200147002A patent/KR102450044B1/ko active Active
Patent Citations (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2010002181A (ja) * | 2006-10-06 | 2010-01-07 | T & D:Kk | 落下を記録するための装置および方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| KR20220060876A (ko) | 2022-05-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wu et al. | Portable preimpact fall detector with inertial sensors | |
| Lee et al. | Inertial sensing-based pre-impact detection of falls involving near-fall scenarios | |
| Wu et al. | Wearable-sensor-based pre-impact fall detection system with a hierarchical classifier | |
| Vallejo et al. | Artificial neural networks as an alternative to traditional fall detection methods | |
| Aziz et al. | An analysis of the accuracy of wearable sensors for classifying the causes of falls in humans | |
| CN102610056B (zh) | 面向手机佩戴方式的跌倒事件检测系统和方法 | |
| Li et al. | Pre-impact fall detection based on a modified zero moment point criterion using data from Kinect sensors | |
| CN103581852B (zh) | 人体摔倒检测的方法、装置及移动终端系统 | |
| Aziz et al. | The effect of window size and lead time on pre-impact fall detection accuracy using support vector machine analysis of waist mounted inertial sensor data | |
| CN104269025B (zh) | 面向户外摔倒监测的穿戴式单节点特征及位置选取方法 | |
| US20120123277A1 (en) | Method for detecting an extraordinary situation | |
| CN106388831B (zh) | 基于样本加权算法的检测摔倒动作的方法 | |
| Zhong et al. | A real-time pre-impact fall detection and protection system | |
| KR102337861B1 (ko) | 리드 타임을 고려한 낙상 감지 장치 및 그 방법 | |
| Zhao et al. | Recognition of human fall events based on single tri-axial gyroscope | |
| Shi et al. | Fall detection system based on inertial mems sensors: Analysis design and realization | |
| Wu et al. | A multi-sensor fall detection system based on multivariate statistical process analysis | |
| Feldmann et al. | Forward propagation of a push through a row of people | |
| Liang et al. | Pre-impact alarm system for fall detection using MEMS sensors and HMM-based SVM classifier | |
| Rashidpour et al. | Fall detection using adaptive neuro-fuzzy inference system | |
| KR102450044B1 (ko) | 관성 정보 기반 낙하 시 충격 가속도 크기 추정 장치, 그 추정 방법 및 이를 포함하는 충격 보호 시스템 | |
| Xie et al. | ART: adaptive and real-time fall detection using COTS smart watch | |
| KR20210000567A (ko) | 관성 정보 기반 보행 안정성 평가 장치 및 보행 안정성 평가 방법 | |
| Patterson et al. | A novel approach for assessing gait using foot mounted accelerometers | |
| Hong et al. | An activity recognition system for ambient assisted living environments |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PA0109 | Patent application |
Patent event code: PA01091R01D Comment text: Patent Application Patent event date: 20201105 |
|
| PA0201 | Request for examination | ||
| E902 | Notification of reason for refusal | ||
| PE0902 | Notice of grounds for rejection |
Comment text: Notification of reason for refusal Patent event date: 20220509 Patent event code: PE09021S01D |
|
| PG1501 | Laying open of application | ||
| E701 | Decision to grant or registration of patent right | ||
| PE0701 | Decision of registration |
Patent event code: PE07011S01D Comment text: Decision to Grant Registration Patent event date: 20220901 |
|
| GRNT | Written decision to grant | ||
| PR0701 | Registration of establishment |
Comment text: Registration of Establishment Patent event date: 20220928 Patent event code: PR07011E01D |
|
| PR1002 | Payment of registration fee |
Payment date: 20220929 End annual number: 3 Start annual number: 1 |
|
| PG1601 | Publication of registration |