심층신경망을 사용한 충격 전 낙상 검출에서 클래스 불균형 문제에 대한 데이터 처리

국문 초록 (Abstract)

낙상은 고령자들의 상해와 죽음의 주요 요인이다. 낙상 검출 알고리즘은 낙상을 사전에 감지하여 웨어러블 에어백을 통한 고관절 보호를 통하여 상해를 예방할 수 있다. 딥러닝 기반으로 낙상을 개발하기 위해서는 사전에 측정된 모의 데이터들을 사용하지만, 일반적으로는 낙상데이터가 일상생활데이터에 비해 부족하므로 클래스 불균형 현상이 발생된다. 본 연구에서는 신경망으로 낙상을 검출할 때, 클래스 불균형 현상을 해결하기 위한 기법 간의 비교를 목적으로 하였다. 30 명의 건강한 20 대 실험대상자들을 모집하였으며, 9 가지 낙상 동작과 14 가지 일상생활동작을 3 회씩 반복 수행하였다. 관성 센서는 전상장골극 중앙에 위치시켰으며, 3 축 가속도와 3 축 각속도를 100 Hz 샘플링 주파수로 측정하였다. 측정된 데이터를 2 개의 은닉층을 가지는 Deep Neural Network 모델을 사용하여 Binary Class(낙상과 비-낙상)으로 분류를 시도하였으며, 3 가지 클래스 불균형 해결 기법으로 Under-sampling, SMOTE (Synthetic Minority Oversampling Technique), Class Weight 을 적용하여 비교하였다. 클래스 불균형 해결 기법을 적용하지 않았을 때는 80.00%의 정확도, 66.67%의 민감도와 89.47%의 특이도를 보이며, 데이터가 많은 비-낙상에 치중된 결과를 보였다. SMOTE 와 Class Weight 를 적용하는 경우, 각각 80.51%의 정확도, 75.31%의 민감도, 84.21%의 특이도 그리고 79.49%의 정확도, 76.54%의 민감도, 81.58%의 특이도를 보이며, 정확도는 비슷하게 유지하면서 특이도는 조금 떨어지고 민감도가 올라가 클래스 불균형 현상을 회복되는 양상을 보였다. 하지만 Under-sampling을 적용하였을 때는, 64.10%의 정확도, 80.25%의 민감도와 52.63%의 특이도를 보이며, 클래스 균형도 무너지고 전반적인 성능을 나타내는 지표인 정확도도 감소하였다.