낙상검출을 위한 효율적 특징 추출과 기계학습에 관한 연구 = A study on efficient feature extraction and machine learning for fall detection|RISS 상세보기

국문 초록 (Abstract)

현대 사회에서 흔히 발생하는 고령자의 대한 사고 중 가장 빈번한 사고는 낙상이다. 현재 낙상의 높은 발생률에 따라, 전세계적으로 낙상 검출 관련 연구가 활발히 진행 중이다. 낙상 검출 방법은 크게 웨어러블 기반, 영상 기반과 주변 장치 기반으로 나눌 수 있다. 이 중 영상 기반 낙상 검출 방법은 정확도가 높고 시스템이 안정적이며 시나리오에 의존하지 않는 장점을 가지고 있다. 이러한 이유로 최근에는 영상 기반 낙상 검출 방법이 웨어러블 기반과 더불어 가장 대표적인 낙상 검출 방법으로 알려져 있다.
그러나 이러한 영상 기반 낙상 검출 방법은 다양한 문제점을 가지고 있다. 가장 큰 문제점은 물체 추적률이다. 대부분의 영상 기반 낙상 검출 방법은 일반적인 단일 카메라를 사용하는 전제하에 배경 분리(Background subtraction)기법으로 물체를 추적하는 것에서 시작된다. 추적된 물체는 필터를 통해 머리 또는 다른 신체 부위를 추적하거나, 물체 전체에 바운딩 박스(Bounding box)를 씌워 각도, 비율등을 계산하여 낙상을 검출한다. 이 과정에서 물체가 배경과 명암의 차이가 크지 않거나, 다른 사람 또는 애완동물 등의 개입으로 추적률이 저하되며 추적률의 저하는 곧 낙상 검출 정확도의 저하로 이어진다. 또한, 너무 많은 특징 개수로 인해 연산량이 늘어나면서 소요시간이 늘어나고 불필요한 특징 때문에 인식률이 저하하는 단점을 가지고 있다.
본 논문에서는 위에서 언급한 추적률 문제와 인식률 저하 문제를 개선하기 위해 키넥트를 통해 데이터를 획득하고, 데이터 분석을 통해 낙상을 검출하기 위하여 쓰일 수 있는 특징들 중 가장 효율적인 네 가지 특징을 추출하였다. 낙상이 발생할 때, 사람의 머리가 가장 큰 움직임을 가지고 있으므로 머리를 추적하였다. 이 후, 데이터 분석을 통해 다음과 같은 네 가지 특징을 추출하였다. 먼저, 낙상과 일상 활동을 구분 짓는 특징인 이벤트 구간의 가속도 데이터를 추출한다. 이 후, 수직축 데이터의 변화량, 즉, 수직축 데이터의 시작점에서 최소점을 뺀 값을 추출한다. 이 두 가지 특징은 낙상과 일상활동을 구분 짓는 데 필수적인 요소이다. 세 번째는 x축의 변화량이며 네 번째는 z축의 변화량이다. x축의 변화량은 좌측낙상과 우측 낙상을 구분 짓기 위해 사용되며 z축의 변화량은 전방낙상과 후방 낙상을 구분 짓기 위해 사용된다. 추출된 네 가지 특징 데이터는 기계 학습의 대표적 분류 알고리즘인 서포트 벡터 머신(Support Vector Machine, SVM)과 다층 퍼셉트론 (Mulit Layer Perceptron, MLP)에 의해 분류한다.
본 논문에서는 제시한 방법의 검증을 위해 대학생 50명을 대상으로 실험 데이터를 획득하고 실험을 진행하였다. 각각 전방낙상, 후방낙상, 좌측낙상, 우측낙상, 눕기와 앉기를 수행하였으며, 획득된 데이터는 낙상 200개와 일상 활동 100개이다. 이러한 실험 데이터를 각각 SVM과 MLP를 통해 분류한 결과, 학습률에 있어서는 SVM이 MLP보다 일반화 성능이 뛰어난 이유로 더 높은 학습률을 보였다. 정확도에 있어서 SVM은 데이터 개수에 영향을 받지 않고 고르게 높은 정확도를 보인 반면, MLP는 경험적 위험 최소화 구조의 영향으로 데이터가 너무 적을 경우 정확도가 낮게 형성되는 것을 확인하였다.

번역하기

현대 사회에서 흔히 발생하는 고령자의 대한 사고 중 가장 빈번한 사고는 낙상이다. 현재 낙상의 높은 발생률에 따라, 전세계적으로 낙상 검출 관련 연구가 활발히 진행 중이다. 낙상 검출 ...

목차 (Table of Contents)