전자공학회논문지 (Journal of the Institute of Electronics and Information Engineers)

  • 제50권6호
  • /
  • Pages.254-259
  • /
  • 2013
  • /
  • 2287-5026(pISSN)
  • /
  • 2288-159X(eISSN)
대한전자공학회 (The Institute of Electronics and Information Engineers)
권호 표지
DOI QR코드

DOI QR Code

3축 가속도 센서 데이터에 중력 방향 가중치를 사용한 낙상 인식 알고리듬

Fall Recognition Algorithm Using Gravity-Weighted 3-Axis Accelerometer Data

  • 김남호 (동양미래대학교 소프트웨어정보학과) ;
  • 유윤섭 (한경대학교 전기전자제어공학과)
  • Kim, Nam Ho (Department of Software Engineering, DongyangMirae University) ;
  • Yu, Yun Seop (Department of Electrical, Electronic and Control Engineering, Hankyong National University)
  • 투고 : 2013.01.28
  • 발행 : 2013.06.25
PDF 다운로드
⟨ 이전 논문 다음 논문 ⟩

초록

중력 방향에 대한 가중치를 적용한 3축 가속도 센서 데이터를 낙상 특징 변수로 사용해서 은닉 마르코프 모델(Hidden Markov Model; HMM)에 적용한 새로운 낙상 인식 알고리듬을 제안한다. 기존에 낙상인식에 많이 사용되는 변수인 3축 가속도의 벡터 합(Sum Vector Magnitude, SVM)과 새롭게 정의한 변수인 중력방향가중치를 적용한 3축 가속도의 벡터 합(Gravity-weighted Sum Vector Magnitude, GSVM)를 포함한 다섯 가지 낙상특징변수를 은닉 마르코프 모델에 적용하여 낙상 인식률을 평가하였다. 실험을 통해 얻은 가장 좋은 결과는 중력방향가중치를 적용한 3축 가속도의 벡터 합 변수를 적용한 결과이고 100% 민감도(sensitivity)와 97.96% 특이성(specificity)를 얻었다. 이것은 단순 3축 가속도의 벡터 합 변수에 비해 민감도는 5.2%와 특이성은 4.5% 정도 향상되었다. 단순히 운동량만을 표현하는 3축 가속도의 벡터 합 변수에 비해 중력방향가중치를 적용한 3축 가속도의 벡터 합 변수가 낙상의 움직임에 대한 특징을 잘 표현하기 때문에 높은 인식률을 나타내었다.

A newly developed fall recognition algorithm using gravity weighted 3-axis accelerometer data as the input of HMM (Hidden Markov Model) is introduced. Five types of fall feature parameters including the sum vector magnitude(SVM) and a newly-defined gravity-weighted sum vector magnitude(GSVM) are applied to a HMM to evaluate the accuracy of fall recognition. A GSVM parameter shows the best accuracy of falls which is 100% of sensitivity and 97.96% of specificity, and comparing with SVM, the results archive more improved recognition rate, 5.2% of sensitivity and 4.5% of specificity. GSVM shows higher recognition rate than SVM due to expressing falls characteristics well, whereas SVM expresses the only momentum.

키워드

참고문헌

  1. B. Kaluza, M. Luštrek, "Fall detection and activity recognition methods for the confidence project: a survey," the 12th International Multiconference Information Society 2008, vol. A, pp. 22-25, 2008.
  2. G. Yinyu and N.-H. Kim, "A Study on Wavelet-based Image Denoising Using a Modified Adaptive Thresholding Method ," J. lnf. Commun. Converg. Eng. vol. 10, no.1, pp.45-52, 2012.
  3. M. Popescu, Y. Li, M. Skubic, M. Rantz, "An Acoustic Fall Detector System that Uses Sound Height Information to Reduce the False Alarm Rate," 30th Int. IEEE EMBS Conf., pp. 4628-4631, Vancouver, BC, Aug. 20-24, 2008.
  4. A. K. Bourke, C. N. Scanaill, K. M. Culhane, J. V. O'Brien, and G. M. Lyons. "An optimum accelerometer configuration and simple algorithm for accurately detecting falls." in Pro. of the 24th IASTED international Conference on Biomedical Engineering, pp. 156-160, Innsbruck, Austria, Feb. 15-17, 2006.
  5. M. Kangas, A. Konttila, P. Lindgren, I. Winblad, T. Jamsa. "Comparison of low-complexity fall detection algorithms for body attached accelerometers." Gait & Posture, Vol. 28, issue 2, pp. 285-291, 2008. https://doi.org/10.1016/j.gaitpost.2008.01.003
  6. D. J. Willis. Ambulation Monitoring and Fall Detection System using Dynamic Belief Networks. PhD Thesis. School of Computer Science and Software Engineering, Monash University, 2000.
  7. T. Zhang, J. Wang, P. Liu and J. Hou, "Fall Detection by Embedding an Accelerometer in Cellphone and Using KFD Algorithm," International Journal of Computer Science and Network Security, Vol. 6, no. 10, 2006.
  8. 이영설 ,손동운, 조성배, "계층적 은닉 마르코프 모델을 이용한 이동 센서 기반 행동 인식," 정보과학회논문지: 컴퓨팅의 실제 및 레터 제17권 제4호, pp.279-283, 2011.
  9. 김상기, 박건혁, 전석희, 임성훈, 한갑종, 최승문, 최승진, "3차원 가속도 데이터를 이용한 HMM 기반의 동작인식," 정보과학회논문지, 제15권, 제3호, 216-220쪽, 2009년 3월
  10. J. Yang, "Toward Physical Activity Diary: Motion Recognition Using Simple Acceleration Features with Mobile Phone," the 1st International Workshop on Interactive Multimedia for Consumer Electronics 2009, pp. 1-10, Beijing, China, 2009.
  11. BMA150 Triaxial acceleration sensor Data sheet. Bosch Sensortec.
  12. M. Tapia, S. Intille, W. Haskell, K. Larson, J. Wright, A. King, and R. Friedman, "Real-Time Recognition of Physical Activities and Their Intensities Using Wireless Accelerometers and a Heart Rate Monitor", the 11th IEEE International Symposium on Wearable Computers, pp. 37-40, 2007.
  13. A. K. Bourke, G. M. Lyons, "A threshold-based fall detection algorithm using a bi-axial gyroscope sensor", Medical Engineering & Physics, vol. 30, issue 1, pp.84-90, 2006.

피인용 문헌

  1. Fall-Detection Algorithm Using 3-Axis Acceleration: Combination with Simple Threshold and Hidden Markov Model vol.2014, pp.1687-0042, 2014, https://doi.org/10.1155/2014/896030