Falls are one of the major health and safety concerns in the elderly population, with around 30% yearly fall rate for those over 65 years old. As the elderly population is growing rapidly, falls are not only affecting the elders’ lives but also imposing a burden on the healthcare system. Over the past decade, many researchers developed different fall detection algorithms using wearable inertial sensors. To find the best fall detection algorithms, previous researchers compared multiple algorithms using different datasets from different sensor locations. However, most of datasets have limited types of motions from small number of subjects. Thus, their algorithm accuracy may have been overestimated and generalization is questionable. In addition, few comparison studies have covered all three major types of algorithms (threshold-based, conventional machine learning, deep learning) for fall detection, especially with both accuracy and practicality measures. Furthermore, most of them used either threshold-based or machine learning algorithms to compare the algorithms, so that the optimal sensor location may be found differently depends on the algorithms applied.
This study aims to comprehensively compare three different types of algorithms for fall detection and optimize the sensor location. First, a large-scale motion dataset from 32 young subjects wearing inertial sensors in waist, chest, and upper leg location was built with 21 types of activities of daily life (ADLs) and 15 types of falls. Based on the common dataset from waist location, which was used as a reference location, threshold-based algorithm, conventional machine learning algorithm, and deep learning algorithm were applied to compare the fall detection performance. For each type of algorithm, four thresholds-based, Support vector machine (SVM), and convolutional neural network (CNN) were chosen and compared thoroughly in terms of both accuracy and practicality measures. After the comparison, the best-performed algorithm was applied to the other two sensor locations, and the performances in three sensor locations were compared. The first study revealed that CNN outperformed the other two algorithms with 100% accuracy and timely detection within 119.7ms after fall impact. The second study showed that CNN on the waist performed best, followed by CNN on the chest, and CNN on the upper leg as last.
Our research findings suggest that CNN has great potential in fall detection, and to develop a fall detection application, waist is a promising sensor location to consider. This study could provide a good reference for the researchers and industries in the field of healthy aging when designing fall detection and alarm systems.
65 세 이상 노인의 연간 낙상률은 30% 안팎으로, 낙상은 노인 인구의 주요한 건강 및 안전 우려 사항이다. 고령인구가 빠르게 증가하면서, 낙상은 노인의 생활에도 큰 영향을 줄 뿐만 아니라 사회의 헬스케어 시스템에도 부담을 준다. 지난 10 년간, 많은 연구자들은 웨어러블 관성 센서를 이용하여
여러 종류의 낙상 감지 알고리즘들을 개발해왔다. 이상적인 낙상 감지 알고리즘을 찾기 위해, 기존 연구자들은 서로 다른 센서 위치에서 얻은 데이터 세트를 이용하여 여러 알고리즘들을 비교해왔다. 기존 연구에서 쓰인 데이터 세트는 한정적인 피험자로부터 제한된 유형의 움직임을 대상으로만 측정하였다. 따라서, 해당 알고리즘들의 정확도가 과대평가되었을 수 있으며, 일반화에 대한 의문도 남아있다. 특히 정확성과 실용성을 모두 고려하여 낙상 감지를 위한 세 가지 주요 알고리즘들의 유형(임계 값 기반, 전통적인 머신러닝, 딥러닝)을 포괄하는 연구들은 거의 없었다. 더욱이 해당 연구들 중의 대부분은 알고리즘들을 비교하기 위해 임계 값 기반 또는 머신러닝 알고리즘들만 사용했기에, 최적의 센서위치는 적용되는 알고리즘들에 따라 다르게 발견될 수 있다.
본 연구는 낙상 감지를 위한 세 가지 다른 유형의 알고리즘들을 포괄적으로 비교하고 센서 위치를 최적화하는 것을 목표로 한다. 알고리즘 개발을 위해, 허리, 가슴, 허벅지에 관성 센서를 착용한 32 명의 젊은 피험자를 통해 21 가지의 일상생활 동작들과 15 가지의 낙상들로 이루어진 대규모 모션 데이터 세트가 구축되었다. 기준 위치로 사용된 허리 위치의 센서 데이터를 임계 값 기반 알고리즘, 전통적인 머신러닝 알고리즘, 그리고 딥러닝 알고리즘에 적용해 낙상 감지 성능을 비교했다. 각 알고리즘들 대표하는 네 가지 임계 값 기반, 서포트 벡터 머신(SVM), 및 컨볼루션 신경망(CNN)을 선택하여 정확도와 실용성 측면에서 철저히 비교했다. 비교 후, 가장 성능이 좋았던 알고리즘인 컨볼루션 신경망을 다른 두 센서 위치의 데이터에 적용하여, 센서 위치에 따른 성능들을 비교했다.
첫 번째 연구에서는, 컨볼루션 신경망이 100%의 정확도와 함께 충격 후 평균 119.7ms 이내에 낙상을 감지해 다른 두 알고리즘을 능가하였다. 두 번째 연구에서는, 컨볼루션 신경망은 허리 위치에서 가장 높은 성능을 보였고, 다음으로는 가슴 위치에서, 마지막으론 위쪽 다리 위치에서 가장 낮은 성능을 보였다.
본 연구의 결과는 컨볼루션 신경망이 낙상 감지에 매우 뛰어난 잠재력을 가지고 있으며, 낙상 감지 응용 프로그램을 개발하는 데 있어, 유망한 센서의 위치로 허리를 고려할 것을 제안한다. 이 연구는 고령자 건강관리를 위한 낙상 감지 및 알람 시스템 설계를 연구하는 연구원과 산업체를 위한 좋은 참고 자료로 활용될 수 있다.
