This research is processed to fall detection for patient who has symptoms such as visual impairment, walking difficulty and emotionally unstable state. If the nurse doesn't catch patient's fall rapidly, it could progress additional medical accident. It is more dangerous to single room patient because patient can’t inform fall to surrounding people. In addition, fall mostly happens at dawn(46.7%) which nurse can’t catch easily. Therefore fall detection is processed to prevent additional accident even if surrounding people or nurses can’t patient’s fall.
Previous fall detection research methods composed Wearable devices / Ambient / Vision based. However, Ambient and Vision based methods have more weakness than using Wearable devices because of high price and complicate install process. Fall detection researches have been mainly used accelerometer. When the accelerometer attached to the head(97~98%) or waist(95%) get higher Sensitivity which attached to the wrist(36~71%). However, patient could feel uncomfortable when the accelerometer attached to the head or waist because the patient has plenty of time on the bed. Therefore, this research is processed using wristband which can apply patient identification wristband.
Fall detection researches have been processed using Supervised learning or Unsupervised learning. This research designs user-adaptive classifier to detect abnormal behavior(fall) using Unsupervised learning at the wrist. It is necessary to get high accuracy fall detection is combination of Physiological and Kinematic parameter. So accelerometer and heart rate sensor are selected. In addition, heart rate feature vector combination has selected which makes a division fall and normal behavior. Finally, accelerometer and heart rate sensor fusion methods reduce False Positive error when fall detect with single sensor accelerometer. Result of comparison between control group which attached waist and two fusion methods, sensor fusion methods get close accuracy(97.646%, 98.388%) to control group(99.343%).
본 연구는 시력장애, 보행장애, 불안정한 정신 상태와 같이 신체 증상이 있어 낙상 위험군으로 분류되는 환자의 병실 내부에서 일어나는 낙상 인식을 하기 위해 진행되었다. 환자의 낙상을 빠르게 발견하지 못한다면 낙상 후 신체적 손상에 이어서 의료사고로 발전할 수 있는 위험이 있다. 1인실 환자의 경우 낙상을 주변에 알릴 사람이 없어서 더 위험하다. 또한 낙상이 일어나는 시기는 간호사가 발견하기 힘든 새벽이 가장 많다(46.7%). 따라서 주변인물이나 간호사가 환자의 낙상을 발견하지 못하더라도 낙상을 빠르게 인식하여 환자의 추가적인 사고를 방지하기 위해 본 연구를 진행하였다.
기존의 낙상 인식 연구 방법은 Wearable devices / Ambient / Vision based로 나뉘어 진행되었다. 하지만 Ambient나 Vision based 방법의 경우 Wearable devices를 사용한 것 보다 가격이 비싸고 설치과정이 복잡하다는 단점이 있다. Wearable devices를 사용한 낙상 인식 연구는 움직임을 인식하기 위해 주로 가속도계를 사용하였는데, 가속도계를 머리(97~98%)나 허리(95%)에 부착했을 때 손목(36~71%)에 착용한 경우보다 높은 Sensitivity를 나타내었다. 하지만 환자들의 머리나 허리에 가속도계를 장착하는 것은 침대에 누워있는 시간이 많은 환자의 특성상 환자가 불편함을 느낄 수 있다. 따라서 병원에서 사용되고 있는 환자 식별 팔찌에 적용 가능성이 존재하는 손목형 테스트베드를 제작하여 연구를 진행하였다.
지도 학습과 비지도 학습으로 낙상을 인식한 연구들이 진행되었는데 본 연구는 환자 개인에 특화된 Classifier를 제작하여 비정상행동 검출이라는 비지도 학습을 하였다. 또한 높은 정확도로 낙상 인식을 하기 위해선 Physiological and Kinematic parameter의 조합이 필요하기 때문에 가속도계에 심박 센서를 추가하여, 심박 센서에서 낙상과 정상 행동을 구분할 수 있는 최적의 Feature조합을 찾았다. 최종적으로 가속도계와 심박 센서의 조합으로 손목에 부착 된 가속도계만을 사용하여 비지도 학습으로 낙상을 인식 했을 때 발생하는 False positive error를 줄여주었다. 대조군으로 허리에 부착한 가속도계와 비교하여 성능 평가를 진행한 결과 단일 센서 사용시보다 심박 센서를 통합시(Accuracy:97.546, 98.388%) 최대한 허리 부착 가속도계에 가까운 성능(Accuracy:99.343)을 도출하는데 성공하였다.
