Optimal Sampling Model of Wearable Sensor Data for Fall Detection
Jihyun Oh, Bonghee Hong · 정보과학회 컴퓨팅의 실제 논문지 · 2024
산업 현장의 노동자들이 착용한 스마트 밴드의 센서 데이터 수집을 통해 작업자의 위험을 예측하고자 하는 수요가 있다. 이와 같은 웨어러블 기기의 배터리 효율성을 위하여 센서 데이터의 적절한 샘플링 주기에 관한 연구가 필요하지만, 관련 연구는 아직 진행되지 않았다. 본 논문에서는 센서 데이터의 샘플링 간격에 따른 낙상 판별 성능을 분석하여 배터리 소모를 최소화할 수 있는 최적의 샘플링 주기를 제안한다. 낙상 판별을 위한 학습 모델은 CNN-LSTM 심층학습을 적용한다. 세 가지 낙상 데이터 KFALL, DLR, FallAllD로 각각 모델을 학습하고, 다운샘플링한 데이터를 각 모델에 적용하는 과정을 거친다. 이때, 낙상과 유사한 파형을 보이는 행위만을 선택하여 모델을 학습한다. 연구 결과, 기존의 샘플링 주기에서 5배 늘어나도 낙상 판별의 성능을 유지할 수 있음을 확인하였다. 이는 지금의 낙상 판별의 성능은 유지하면서 샘플링에 소모되는 배터리의 양을 크게 줄일 수 있음을 시사한다.