KR20180097091A

KR20180097091A - 기계학습 기반 낙상 위험도 추정 장치 및 방법

Info

Publication number: KR20180097091A
Application number: KR1020170023776A
Authority: KR
Inventors: 김기선; 샤자드 아산
Original assignee: 광주과학기술원
Priority date: 2017-02-22
Filing date: 2017-02-22
Publication date: 2018-08-30
Anticipated expiration: 2037-02-22
Also published as: KR102617480B1

Abstract

본 발명은 기계학습 기반 낙상 위험도 추정 장치 및 방법에 관한 것으로, 보다 구체적으로 신체의 X, Y, Z 3축 가속도 값을 측정한 신호로부터 낙상 위험도를 추정하는 기계학습 기반 낙상 위험도 추정 장치에 관한 것으로, 사용자의 신체의 가속도 정보와 기울기 정보를 측정할 수 있는 가속도 센서, 가속도 센서에 의해 감지된 사용자의 가속도 및 기울기 정보를 추출하여 처리할 수 있는 신호처리부, 및 사용자의 낙상 위험도를 결정할 수 있는 제어부를 포함하고, 상기 제어부는 상기 사용자의 몸의 움직임에 따른 신체의 X, Y, Z 3축 가속도 값에서 추출된 신호로부터 낙상 위험도를 결정하는 기계학습 기반 낙상 위험도 추정 장치를 제공하여, 사용자의 낙상 위험도를 결정하여 사용자로 하여금 낙상의 위험을 예측할 수 있게 하는 장치를 제공하는 효과가 있다.

Description

기계학습 기반 낙상 위험도 추정 장치 및 방법{Apparatus and method for estimating fall risk based on machine learning}

본 발명은 기계학습 기반 낙상 위험도 추정 장치 및 방법에 관한 것으로, 보다 구체적으로 신체의 X, Y, Z 3축 가속도 값을 측정한 신호로부터 낙상 위험도를 추정하는 기계학습 기반 낙상 위험도 추정 장치에 관한 것이다.

고령화 사회로 급속하게 진행함에 따라, 노인 분들이나 거동이 불편한 보행자 등이 안심하고 일상생활을 영위할 수 있도록 도와주는 다양한 건강관리(healthcare) 서비스들이 등장하고 있다.

특히, 독거 노인과 같이 혼자 생활하는 노인들은 일반 젊은 사람들에 비해 낙상으로 인한 사고가 빈번하게 발생하므로, 이러한 독거 노인과 같이 혼자 생활하는 시간이 많은 노인들을 대상으로 낙상에 대비할 수 있는 다양한 낙상 구조 서비스가 각광을 받고 있고, 이에 대한 연구가 활발하게 진행되고 있다.

특히, 노인들의 낙상을 인지하기 위해 3축 가속기를 사용하는 기술이 연구되고 있다. 이러한 연구는 일상의 거동에서 자연스러운 걸음에 따라 발생하는 몸의 움직임은 신체의 X, Y, Z 3축 가속도 값으로 표현될 수 있으며, 가속도 신호의 관찰과 분석을 통하여 낙상과 같은 비이상적인 신체 움직임을 파악할 수 있다는 과학으로부터 시작한다.

하지만, 종래의 방법은 일반적인 낙상 관련 신호 검출 관련 일반적 방법 및 통보 기능 만 설명하고 있을 뿐 구체적인 낙상 추정 알고리즘이나 정확도 확보에 관한 구체적인 방법론이 부족하여 구현 가능성이 불분명한 문제를 가진다.

본 발명의 기계학습 기반 낙상 위험도 추정 장치 및 방법에 의하면, 사용자의 낙상 위험도를 결정하여 사용자로 하여금 낙상의 위험을 예측할 수 있게 하는 장치를 제공하고 한다.

상기 또는 다른 목적을 달성하기 위해 본 발명의 일 측면에 따르면, 기계학습 기반 낙상 위험도 추정 장치에 있어서, 사용자의 신체의 가속도 정보와 기울기 정보를 측정할 수 있는 가속도 센서, 가속도 센서에 의해 감지된 사용자의 가속도 및 기울기 정보를 추출하여 처리할 수 있는 신호처리부, 및 사용자의 낙상 위험도를 결정할 수 있는 제어부를 포함하고, 상기 제어부는 상기 사용자의 몸의 움직임에 따른 신체의 X, Y, Z 3축 가속도 값에서 추출된 신호로부터 낙상 위험도를 결정하는 기계학습 기반 낙상 위험도 추정 장치를 제공한다.

또한, 본 발명의 다른 측면에 따르면, 기계학습 기반 낙상 위험도 추정 방법에 있어서, 사용자의 신체의 가속도 정보와 기울기 정보를 측정하는 단계; 가속도 신호를 처리하는 단계; 특성점을 선정하는 단계; 기계학습 훈련을 실시하는 단계 및 낙상 위험 모델을 적용하여 낙상 위험도를 결정하는 단계를 포함하는 기계학습 기반 낙상 위험도 추정 방법을 제공한다.

본 발명에 따른 기계학습 기반 낙상 위험도 추정 장치 및 방법에 의하면, 사용자의 낙상 위험도를 결정하여 사용자로 하여금 낙상의 위험을 예측할 수 있게 하는 장치를 제공하는 효과가 있다.

도 1는 본 발명의 일 실시 예에 따른 기계학습 기반 낙상 위험도 추정 장치의 블록도이다.
도 2는 본 발명의 일 실시 예에 따른 기계학습 기반 낙상 위험도 추정 방법의 흐름도이다.
도 3은 재활의학에서 표준으로 사용하는 낙상 위험 검사 테스트인 Timed-Up and Go Test (TUGT), Five Times Sit-to-Stand test (FTSS), Alternate Step Test (AST)에 대한 개념도이다.
도 4는 본 발명의 일 실시 예에 따른 TUGT 테스트의 신호를 설명하기 위한 개념도이다.
도 5a 및 도 5b는 본 발명의 일 실시 예에 따른 특성점을 설명하기 위한 도면이다.
도 6 및 도 7은 본 발명의 일 실시 예에 따른 낙상 위험도 추정치의 상관 관계를 설명하기 위한 도면이다.

이하에서는 도면을 참조하여 본 발명의 구체적인 실시 예를 상세하게 설명한다. 그러나, 본 발명의 사상은 이하에 제시되는 구체적인 실시 예로 제한되지 아니하며, 본 발명의 사상을 이해하는 당업자는 동일한 사상의 범위 내에 포함되는 다른 실시 예를 구성요소의 부가, 변경, 삭제, 및 추가 등에 의해서 용이하게 제안할 수 있을 것이나, 이 또한 본 발명의 사상에 포함된다고 할 것이다.

본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시 예를 가질 수 있는 바, 특정 실시 예들을 도면에 예시하고 발명을 실시하기 위한 구체적인 내용에 상세하게 설명하고자 한다. 그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다. 각 도면을 설명하면서 유사한 참조부호를 유사한 구성요소에 대해 사용하였다.

이하, 본 발명에 따른 바람직한 실시 예를 첨부된 도면을 참조하여 상세하게 설명한다.

도 1는 본 발명의 일 실시 예에 따른 기계학습 기반 낙상 위험도 추정 장치의 블록도이다.

도 1을 참조하면, 기계학습 기반 낙상 위험도 추정 장치(100)는 가속도센서(110), 신호처리부(120), 제어부(130), 저장부(140) 및 통신부(150) 중 적어도 하나 이상을 포함할 수 있다. , 기계학습 기반 낙상 위험도 추정 장치(100)의 각각의 구성에 대하여는 이하에서 구체적으로 설명한다.

가속도센서(110)는 가속도 정보와 기울기 정보를 감지할 수 있는 다양한 가속도 센서가 이용될 수 있다. 본 발명의 실시 예에서는 3 축 가속도 센서를 이용할 수 있다. 3 축 가속도 센서는 사용자의 움직임에 따라 3 축 가속도 정보 및 기울기 정보를 센싱한다.

본 발명의 일 실시 예에서, 기계학습 기반 낙상 위험도 추정 장치(100)는 재활의학에서 표준으로 사용하는 낙상 위험 검사 테스트인 Timed-Up and Go Test (TUGT), Five Times Sit-to-Stand test (FTSS), Alternate Step Test (AST)를 수행하는 사용자의 몸의 움직임에 따른 신체의 X, Y, Z 3축 가속도 값을 측정한 신호를 사용한다. 이러한 신호는 가속도센서(110)에 의해 측정될 수 있다.

신호처리부(120)는 가속도 센서(110)에 의해 감지된 사용자의 가속도 및 기울기 정보를 추출하여 처리할 수 있다. 일반적으로 3 축 가속도 센서는 가속도 값에는 보행이나 행동 중 가감속에 의한 운동가속도 성분과 경사에 의한 중력가속도 성분을 모두 포함하는 신호(raw data)를 측정할 수 있다.

제어부(130)는 가속도 센서(110)에서 획득된 가속도 정보와 기울기 정보를 이동하여 사용자의 상태를 인지할 수 있다. 또한 제어부(130)는 신호처리부(120)에서 획득된 사용자의 가속도 및 기울기 정보를 추출하여 처리할 수 있다. 본 발명의 일 실시예에서 제어부(130)는 가속도 (110)로부터 감지된 가속도 정보와 기울기 정보를 이용해 낙상 행위가 발생했는지 여부를 판단할 수 있다. 또한, 사용자에게 낙상 발생을 최종 확인하고, 통신부(150)를 통해 사용자의 낙상을 외부 서버로 통지하여 최종적으로 가족, 의사, 응급 센터 등에 낙상에 의한 위급 상황을 메시지를 전달할 수도 있다.

저장부(140)는 가속도센서(110), 신호처리부(120), 제어부(130) 및 통신부(150)에서 생성되거나 수신된 정보를 저장할 수 있다. 본 발명의 일 실시예에 있어서, 저장부(140)에 저장된 정보를 이용하여 사용자의 지난 정보를 저장할 수 있다. 따라서, 기계학습 기반 낙상 위험도 추정 장치(100)는 사용자에 최적화된 정보를 제공할 수 있다.

통신부(150)는 낙상 위험도 추정 장치(100)와 무선 통신 시스템 사이, 낙상 위험도 추정 장치(100)와 외부서버 사이의 통신을 가능하게 하는 하나 이상의 모듈을 포함할 수 있다. 또한, 통신부(150)는, 낙상 위험도 추정 장치(100)를 하나 이상의 네트워크에 연결하는 하나 이상의 모듈을 포함할 수 있다.

이러한 통신부(150)는, 방송 수신 모듈, 이동통신 모듈, 무선 인터넷 모듈, 근거리 통신 모듈, 위치정보 모듈 중 적어도 하나를 포함할 수 있다.

도 2는 본 발명의 일 실시 예에 따른 기계학습 기반 낙상 위험도 추정 방법의 흐름도이다.

본 발명의 일 실시 예에 따른 기계학습 기반 낙상 위험도 추정 방법은 가속도 신호를 획득하는 단계(S110), 가속도 신호를 처리하는 단계(S120), 특성점을 선정하는 단계(S130), 기계학습 훈련을 실시하는 단계(S140) 및 낙상 위험 모델을 적용하는 단계(S150) 중 적어도 하나를 포함할 수 있다.

가속도 신호를 획득하는 단계(S110)에서 가속도 센서(110)는 계속적으로 사용자의 가속도 및 기울기 정보를 측정할 수 있다.

가속도 신호를 처리하는 단계(S120)는 가속도 센서(110)에서 측정된 신호를 신호처리부(120) 또는 제어부(130)에서 처리할 수 있다.

구체적으로, 가속도 센서(110)가 가속도 및 기울기를 감지하면, 신호처리부(120)는 미리 정해진 시간 간격으로 가속도 및 기울기 정보를 추출하여 저장부(140)에 저장할 수 있다. 여기서, 가속도 정보는 운동 가속도 성분 및 중력 가속도 성분으로 추출되어 저장될 수 있다.

본 발명의 일 실시 예에서, 사용자의 일상의 거동에서 자연스러운 걸음에 따라 발생하는 몸의 움직임은 가속도 센서(110)에 측정 될 수 있으며, 가속도 센서(110)는 신체의 X, Y, Z 3축 가속도 값으로 측정할 수 있으며, 신호처리부(120) 및 제어부(130)는 가속도 신호의 관찰과 분석을 통하여 움직임을 유추할 수 있으므로 낙상과 같은 비이상적인 신체 움직임 인지할 수 있다.

본 발명의 일 실시 예에서, 낙상 위험도 추정 장치(100)는 재활의학에서 표준으로 사용하는 낙상 위험 검사 테스트인 Timed-Up and Go Test (TUGT), Five Times Sit-to-Stand test (FTSS), Alternate Step Test (AST)를 수행하는 사용자의 몸의 움직임에 따른 신체의 X, Y, Z 3축 가속도 값을 측정한 신호를 사용할 수 있다.

도 3은 재활의학에서 표준으로 사용하는 낙상 위험 검사 테스트인 Timed-Up and Go Test (TUGT), Five Times Sit-to-Stand test (FTSS), Alternate Step Test (AST)에 대한 개념도이다.

도 4는 본 발명의 일 실시 예에 따른 TUGT 테스트의 신호를 설명하기 위한 개념도이다.

도 3 및 도4를 참조하면, Timed-Up and Go Test (TUGT), Five Times Sit-to-Stand test (FTSS), Alternate Step Test (AST)를 설명할 수 있다.

Timed-Up and Go Test (TUGT)는 동적 균형능력을 평가하기 위한 평가도구이다. TUGT는 측정 대상자를 의자에 편안하게 앉게 하고 '출발'이란 신호와 함께 의자에서 일어나 3m 지점까지 걸어갔다가 의자로 돌아와 원래 자세로 앉을 때까지의 신호를 낙상 위험도 추정 장치(100)가 측정할 수 있다.

예를 들어, 도 4와 같이 낙상 위험도 추정 장치(100)는 사용자가 일어나서 3미터를 걷고, 턴 동작을 하고, 다시 3미터를 걷고 앉는 동작을 취할 때까지 사용자의 가속도를 측정할 수 있다.

Five Times Sit-to-Stand test (FTSS)는 낙상 위험도 추정 장치(100)가 앉고 일어서기 동작 검사를 5번 시행하는데 소요되는 시간 및 상태를 측정하는 것으로 주로 하지 근력과 균형 능력을 평가할 수 있다.

TUGT와 마찬가지로 FTSS를 수행 중 낙상 위험도 추정 장치(100)는 사용자의 가속도를 측정할 수 있다.

Alternate Step Test (AST)는 계단과 같이 단차가 있는 테이블을 박자에 따라서, 한발을 위로 올리고 다지 다른 발을 테이블에 올리고 다리 내려오는 과정을 반복하면서 측정하는 테스트이다.

낙상 위험도 추정 장치(100)는 상술한 Timed-Up and Go Test (TUGT), Five Times Sit-to-Stand test (FTSS), Alternate Step Test (AST) 테스트를 수행하면서, 사용자의 가속도를 측정하고 분석할 수 있다.

다시 도2를 설명한다.

특성점을 선정하는 단계(S130)는 미리 지정된 특성점 후보군에서 미리 지정된 수의 특성점을 선정한다.

도 5a 및 도 5b는 본 발명의 일 실시 예에 따른 특성점을 설명하기 위한 도면이다.

도 5a 및 도 5b와 함께 S130 단계를 설명한다.

미리 지정된 특성점 후보군는 도 5a와 같을 수 있다.

본 발명의 일 실시예에서, 낙상 위험도 추정기(100)를 구성하기 위해서는, 검사 테스트의 결과인 측정 신호에 대해 시간, 공간, 주파수 에너지 차원에서 신호의 특징으로 지칭할 수 있는 132종의 특성점 후보 군을 먼저 선정될 수 있다.

특성 후보군은 본 발명에 일 실시예에 따라서, 사용자의 상태를 효율적으로 분석하기 위해 측정해야 하는 특성점 중 효율적이라고 예상되는 후보의 집합이다.

따라서, 특성 후보군은 도 5a에 포함된 것으로 제한되는 것은 아니며 그 수도 변경될 수 있다.

본 발명의 일 실시예에서, 낙상 위험도 추정기(100)의 제어부(130)는 특성점 후보군중에서 유효한 숫자의 최종 특성점을 찾기 위해, Sequential Forward Floating Search (SFFS) algorithm을 이용한다. 낙상 위험 인자를 대변할 수 있는 최종 특성점을 결정할 수 있다.

본 발명의 일 실시예에서, SFFS 알고리즘은 특성점 후보군중 선택된 특성점이 없는 빈 세트로 시작하고 다른 특성점에 비해 가장 좋은 예측 성능을 제공하는 특성점이 선택될 때까지 실시 될 수 있다.

본 발명의 일 실시예에서, 낙상 위험도 추정기(100)의 제어부(130)는 특성점의 개수를 추정 복잡도에 따라 조정할 수 있으며, 한 예로 특성점을 9개를 추출한 경우는 도 5b의 표와 같다.

기계학습 훈련을 실시하는 단계(S140) 및 낙상 위험 모델을 적용하는 단계(S150)에서는 선정된 특성점에 대응하는 모델을 이용하여 기계학습을 실시하고 기계학습이 완료된 모델을 이용하여 사용자의 낙상 위험 여부를 결정할 수 있다.

본 발명의 일 실시 예에서, 낙상 위험 모델은 재활의학 표준 낙상 위험 테스트에 따라 기계학습 훈련이 되고, 훈련된 결과로서 사용자 별 다중변수회귀법 기반 낙상 추정기가 구성될 수 있다.

본 발명의 일 실시 예에서, 기계학습 기반 낙상 위험도 추정 장치(100)는 선형 최소 제곱 (LLS) 모델을 사용하여 선택된 피쳐 (X)를 Berg Balance Scale (BBS)의 낙상 위험 스코어(r)의 목표 값으로 매핑할 수 있다. LLS 모델은 다른 유사한 연구에서처럼 작은 데이터 세트에서도 좋은 결과를 제공하는 단순성과 효율성 갖는 장점이 있다.

또한 모델에 적합한 매개 변수를 쉽게 해석 할 수 있으므로 비선형 모델과는 달리 각 피쳐의 상대적 중요성을 제공할 수 있다. i 번째 피험자의 추락 위험에 대한 선형 예측 함수는, 수학식 1 및 수학식 2와 같이 정의될 수 있다.

수학식 1 및 수학식 2에서 열 벡터 W는 특성점 각각의 선택 회귀 가중치를 의미하며, X는 특성점 각각의 측정된 결과 일 수 있다.

즉, i 번째 피험자의 추락 위험에 대한 선형 예측 함수는 특성점 각각의 측정값에 특성점 각각의 선택 회귀 가중치를 곱한 합으로 구할 수 있다.

본 발명의 일 실시 예에서, 기계학습 기반 낙상 위험도 추정 장치(100)는 사용자가 낙상할 가능성을 측정할 수 있다.

예를 들어, 사용자가 매일 기계학습 기반 낙상 위험도 추정 장치(100)를 이용하여 그날의 낙상 위험 정도를 측정할 수 있다. 따라서, 사용자는 낙상 위험 정도가 높은 날에는 외부 활동을 자제함으로써 낙상의 위험을 피할 수 있다.

도 6 및 도 7은 본 발명의 일 실시 예에 따른 낙상 위험도 추정치의 상관 관계를 설명하기 위한 도면이다.

본 발명의 일 실시 예에서, 구성된 기계학습 기반 낙상 추정기(100)의 능을 평가하기 위해 재활의학 전문의가 Berg Balance Scale (BBS) 방법에 따라 추정한 낙상 위험도와 제안된 기기와 알고리즘을 이용하는 낙상 위험도 추정치의 상관 관계를 분석한 결과는 도 6 및 도 7과 같다.

도 6을 참조하면, 최종 선정된 특성점은 20종이며, 2회의 실험 결과 각각 추정치 estimate1 및 estimate2를 표시하고 있다.

도 7을 참조하면, 최종 선정된 특성점은 20종에 대한, 2회의 실험 결과 각각 추정치 estimate1 및 estimate2에 대한 결과이며 전문의의 평가와 95% 이상 상관성을 보이는 낙상 추정 실험결과를 보여줌을 알 수 있다.

즉, 본 발명의 구성된 기계학습 기반 낙상 추정기(100)추정값은 전문의에 의해 측정된 Berg Balance Scale (BBS)의 낙상 위험 스코어와 매우 유사한 결과를 보여주는 것을 알 수 있다.

따라서, 본 발명의 일 실시예에 따를 때, 전문의의 진단없이 간단한 측정만을 이용하여 낙상의 위험을 사전에 인지할 수 있는 효과를 얻을 수 있다.

이상과 같이, 본 발명에서는 구체적인 구성 요소등과 같은 특정 사항들과 한정된 실시 예 및 도면에 의해 설명되었으나, 이는 본 발명의 보다 전반적인 이해를 돕기 위해 제공된 것일 뿐, 본 발명은 상기의 실시 예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상적인 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다. 따라서, 본 발명의 사상은 설명된 실시 예에 국한되어 정해져서는 안되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등하거나 등가적 변형이 있는 모든 것들은 본 발명의 사상의 범주에 속한다고 할 것이다.

100: 기계학습 기반 낙상 위험도 추정 장치
110: 가속도센서
120: 신호처리부
130: 제어부
140: 저장부
150: 통신부

Claims

기계학습 기반 낙상 위험도 추정 장치에 있어서,
사용자의 신체의 가속도 정보와 기울기 정보를 측정할 수 있는 가속도 센서,
가속도 센서에 의해 감지된 사용자의 가속도 및 기울기 정보를 추출하여 처리할 수 있는 신호처리부, 및
사용자의 낙상 위험도를 결정할 수 있는 제어부를 포함하고,
상기 제어부는 상기 사용자의 몸의 움직임에 따른 신체의 X, Y, Z 3축 가속도 값에서 추출된 신호로부터 낙상 위험도를 결정하는 기계학습 기반 낙상 위험도 추정 장치.
제1 항에 있어서,
상기 제어부는 Timed-Up and Go Test (TUGT), Five Times Sit-to-Stand test (FTSS), Alternate Step Test (AST)를 수행하는 사용자의 몸의 움직임에 따른 신체의 X, Y, Z 3축 가속도 값을 측정한 신호를 기반으로 낙상 위험도를 결정하는 기계학습 기반 낙상 위험도 추정 장치.
제2 항에 있어서,
상기 제어부는 미리 선정된 특성점 후보군 중 선택된 최종 특성점을 기반으로 낙상 위험도를 결정하는 기계학습 기반 낙상 위험도 추정 장치.
제3 항에 있어서,
상기 제어부는 Sequential Forward Floating Search (SFFS) algorithm을 이용하여 최종 특성점을 선정하는 낙상 위험도를 결정하는 기계학습 기반 낙상 위험도 추정 장치.
제1 항에 있어서,
상기 제어부는 Berg Balance Scale (BBS) 방법에 따라 낙상 위험도를 추정하는 기계학습 기반 낙상 위험도 추정 장치.
제1 항에 있어서,
상기 제어부는 사용자별 훈련을 통해 사용자별로 다른 방법으로 낙상 위험도를 추정하는 기계학습 기반 낙상 위험도 추정 장치.
기계학습 기반 낙상 위험도 추정 방법에 있어서,
사용자의 신체의 가속도 정보와 기울기 정보를 측정하는 단계;
가속도 신호를 처리하는 단계;
특성점을 선정하는 단계;
기계학습 훈련을 실시하는 단계 및
낙상 위험 모델을 적용하여 낙상 위험도를 결정하는 단계를 포함하는 기계학습 기반 낙상 위험도 추정 방법.
제7 항에 있어서,
Timed-Up and Go Test (TUGT), Five Times Sit-to-Stand test (FTSS), Alternate Step Test (AST)를 수행하는 사용자의 몸의 움직임에 따른 신체의 X, Y, Z 3축 가속도 값을 측정한 신호를 기반으로 낙상 위험도를 결정하는 기계학습 기반 낙상 위험도 추정 방법.
제8 항에 있어서,
미리 선정된 특성점 후보군 중 선택된 최종 특성점을 기반으로 낙상 위험도를 결정하는 기계학습 기반 낙상 위험도 추정 방법
제9 항에 있어서,
Sequential Forward Floating Search (SFFS) algorithm을 이용하여 최종 특성점을 선정하는 낙상 위험도를 결정하는 기계학습 기반 낙상 위험도 추정 방법.
제7 항에 있어서,
Berg Balance Scale (BBS) 방법에 따라 낙상 위험도를 추정하는 기계학습 기반 낙상 위험도 추정 방법.
제7 항에 있어서,
사용자별 훈련을 통해 사용자별로 다른 방법으로 낙상 위험도를 추정하는 기계학습 기반 낙상 위험도 추정 방법.