Fall Detection Method based on Deep Learning using Accelerometer and Gyroscope Data

Abstract

As the world enters a super-aged society, fall accidents of elderly people are significantly increasing. These fall accidents, if not detected in time, may lead to serious consequences such as death in the worst cases. Therefore, when a fall accident occurs, it is necessary to establish a system for immediately detection. Among various methods for detecting falls, a device that is easy to wear and can be applied indoors and outdoors is devised. This study aims to develop a model that measures people movement using wearable-based accelerometer sensors and gyro sensors, analyzes acceleration and angular velocity, and classifies whether a fall occurs. In order to obtain data, an experiment was conducted in which 12 ADL movements and 4 Fall movements were repeatedly performed while the subjects were wearing a wearable device. ADL movements include sitting, standing, and walking, and the Fall movement consisting of falling forward and falling backward. In order to detect falls and non-falling, LSTM model of the Recurrent Neural Network (RNN) is used. The model was advanced through a data preprocessing and fine-tuning method applied to the input value of the LSTM model that determines whether to fall or not. In the experimental environment, the fall detection accuracy of the model is 99.91%, which is intended to determine the validity of fall detection from the perspective of deep learning.

전 세계가 초고령화 사회로 진입함에 따라 노인 낙상 사고가 크게 증가하고 있다. 이러한 낙상 사고는 제때 감지되지 않을 경우 최악의 경우 사망까지 이를 수 있다. 그러므로 낙상이 발생할 경우 즉시 감지할 수 있는 시스템이 요구된다. 낙상을 발견하기 위한 여러 가지 방법 중에서 착용이 쉽고 실내외에서 적용이 가능한 웨어러블(Wearable) 장치의 형태를 고안한다. 본 연구는 웨어러블 기반 가속도 센서와 자이로 센서를 활용하여 착용자의 움직임을 측정하고, 가속도 및 각속도 값을 분석하여 낙상 발생 여부를 분류하는 모델을 개발하고자 한다. 데이터를 획득하기 위하여 피실험자에게 웨어러블 장치를 착용한 상태로 12가지 일상생활동작과 4가지 낙상동작을 반복적으로 실시하는 실험을 수행하였다. 일상생활동작은 앉기, 서있기, 걷기 등이 있고, 낙상동작은 앞으로 넘어지는 동작, 뒤로 넘어지는 동작 등으로 구성된 데이터를 확보하였다. 낙상과 비낙상 여부를 검출하기 위하여 딥러닝 알고리즘 모델 중 순환 신경망(Recurrent Neural Network, RNN) 계열의 LSTM을 활용한다. 낙상 여부를 판단하는 LSTM 모델에 적용되는 데이터의 전처리 및 미세조정(Fine-Tuning)을 통해서 모델을 고도화 하였다. 실험 환경에서 모델의 낙상감지 정확도(Accuracy)는 99.91%로 심층학습 관점에서 낙상 검출의 타당성을 판단하고자 한다.