JP2023551075A

JP2023551075A - 転倒危険予防方法およびこのような方法を遂行する装置

Info

Publication number: JP2023551075A
Application number: JP2022551823A
Authority: JP
Inventors: ジカン、ソン; ガンノ、ヘ; ヨンチョン、ファ
Original assignee: ウェルトコーポレーションリミテッド
Priority date: 2021-10-25
Filing date: 2022-03-21
Publication date: 2023-12-07
Anticipated expiration: 2042-03-21
Also published as: KR102389427B1; EP4198933A4; WO2023075042A1; KR102389427B9; US20230127412A1; JP7489729B2; EP4198933A1

Abstract

本発明は転倒危険予防方法およびこのような方法を遂行する装置に関する。転倒危険予防方法は転倒予防装置が歩行データを受信する段階、転倒予防装置が歩行データに対する分析に基づいて歩行分析データを生成する段階と転倒予防装置が歩行分析データに基づいて転倒予防データを生成する段階を含むことができる。

Description

本発明は、転倒危険予防方法およびこのような方法を遂行する装置に関する。より詳細には、歩行データを前処理して歩行時に発生し得る転倒を予め予防できるようにするための情報を、予め使用者に提供するための転倒危険予防方法およびこのような方法を遂行する装置に関する。

各種スマート技術の開発によって個人の日常活動に関するデータが記録され、記録されたデータに基づいて個人の生活がより効率的に管理され得るようになった。その中でも、健康に対する関心が高まることにより健康関連データロギング（ｌｏｇｇｉｎｇ）が注目されている。すでに多くの使用者がスマートフォンとウェアラブル装置のような使用者装置を通じて、使用者の運動、食事睡眠などの各種健康関連データを生成して活用している。従来健康関連データが医療機関でのみ生成され管理されていたことから脱して、使用者がスマートフォンやウェアラブル装置のような使用者装置を通じて使用者の健康関連データを自ら生成および管理し始めたのである。

健康関連データロギングは、ウェアラブル装置を通じてなされる場合が多い。ウェアラブル装置は使用者の体に所持または付着する使用者装置である。ウェアラブル装置は、モノのインターネットなどの発展を通じて健康関連データを収集するのに多く活用されている。ウェアラブル装置は使用者の身体変化情報、使用者の周囲を取り巻く環境データを機器を通じて収集し、収集されたデータに基づいて使用者の健康に必要な助言を提供することができる。

現在は、ウェアラブル装置を通じて獲得された健康関連データを活用してフィードバックを提供する手続きが精巧になっていないため、具体的な医療行為には活用されていない。しかし、ウェアラブル装置だけでなく、多様な健康関連データを収集できる使用者装置の発展および使用者装置を通じて獲得された健康関連データに基づいた判断アルゴリズムが精巧になったことにより、実際の医療行為に使用者装置を通じて獲得された健康関連データを活用することができる。

健康関連データロギングは、使用者の生活上で発生し得るリスクに対する分析も可能である。具体的には、ウェアラブル装置に基づいて転倒の危険に対して判断し、転倒の危険に対して使用者に予め情報を提供することも可能である。データに基づいて転倒に対する予測を遂行するための技術に対する具体的な研究開発が必要である。

本発明は前述した問題点をすべて解決することをその目的とする。

また、本発明は、使用者の歩行データを収集して使用者に発生し得る転倒危険を予測し、転倒を予防することを目的とする。

また、本発明は、使用者の歩行データに対する前処理を通じて、使用者の歩行速度を考慮して使用者に発生し得る転倒危険をより正確に予測し、転倒を予防することを目的とする。

前記目的を達成するための本発明の代表的な構成は次の通りである。

本発明の一実施例によると、転倒危険予防方法は転倒予防装置が歩行データを受信する段階、前記転倒予防装置が前記歩行データに対する分析に基づいて歩行分析データを生成する段階と前記転倒予防装置が前記歩行分析データに基づいて転倒予防データを生成する段階を含むことができる。

一方、前記歩行分析データに対する分析は前記歩行データ上の最大極点および最小極点に基づいて遂行され、前記歩行分析データは歩行速度および両足均衡度に対するデータを含むことができる。

また、前記歩行速度は前記最大極点に基づいて決定されたステップ間隔時間に基づいて決定され、前記両足均衡度は前記最大極点および前記最小極点間の振幅に基づいて算出された衝撃量を使って決定され得る。

本発明の他の実施例によると、転倒危険予防のための転倒予防装置は、歩行データを受信するように具現される歩行データ入力部、前記歩行データに対する分析に基づいて歩行分析データを生成するように具現される歩行データ分析部と前記歩行分析データに基づいて転倒予防データを生成するように具現される転倒予防部を含むことができる。

また、前記歩行速度は前記最大極点および前記最小極点に基づいて決定されたステップ長およびステップ間隔時間に基づいて決定され、前記両足均衡度は前記最大極点および前記最小極点間の振幅に基づいて算出された衝撃量を使って決定され得る。

本発明によると、使用者の歩行データを収集して使用者に発生し得る転倒危険が予測され、転倒が予防され得る。

また、本発明によると、使用者の歩行データに対する前処理を通じて、使用者の歩行速度を考慮して使用者に発生し得る転倒の危険がより正確に予測され、転倒が予防され得る。

図１は、本発明の実施例に係る転倒予防装置を示した概念図である。図２は、本発明の実施例に係る歩行データを示した概念図である。図３は、本発明の実施例に係る歩行データ分析部の動作を示した概念図である。図４は、本発明の実施例に係る歩行データ分析部の動作を示した概念図である。図５は、本発明の実施例に係る歩行データ分析部の動作を示した概念図である。図６は、本発明の実施例に係る誤検出除去段階を示した概念図である。図７は、本発明の実施例に係る追加極点検出段階を示した概念図である。図８は、本発明の実施例に係る歩行データ分析部の歩行速度決定方法を示した概念図である。図９は、本発明の実施例に係る歩行データ分析部の衝撃量決定方法を示した概念図である。図１０は、本発明の実施例に係る転倒予測部の転倒予測方法を示した概念図である。図１１は、本発明の実施例に係る転倒が予測された結果に対する使用者画面を示した概念図である。

後述する本発明に対する詳細な説明は、本発明が実施され得る特定の実施例を例示として図示する添付図面を参照する。このような実施例は、当業者が本発明を充分に実施できるように詳細に説明される。本発明の多様な実施例は互いに異なるが相互排他的である必要はないということが理解されるべきである。例えば、本明細書に記載されている特定形状、構造および特性は、本発明の精神と範囲を逸脱することなく一実施例から他の実施例に変更されて具現され得る。また、それぞれの実施例内の個別構成要素の位置または配置も、本発明の精神と範囲を逸脱することなく変更され得ることが理解されるべきである。したがって、後述する詳細な説明は限定的な意味として行われるものではなく、本発明の範囲は特許請求の範囲の請求項が請求する範囲およびそれと均等なすべての範囲を包括するものと受け入れられるべきである。図面で類似する参照符号は多様な側面にわたって同一または類似する構成要素を示す。

以下では、本発明が属する技術分野で通常の知識を有する者が本発明を容易に実施できるようにするために、本発明の多様な好ましい実施例に関して添付された図面を参照して詳細に説明することにする。

図１は、本発明の実施例に係る転倒予防装置を示した概念図である。

図１では、使用者の歩行に対する分析を通じて使用者の転倒可能性に対して分析するための転倒予防装置が開示される。

図１を参照すると、転倒予防装置は歩行データ入力部１００、歩行データ分析部１１０、転倒予防部１２０およびプロセッサを含むことができる。

歩行データ入力部１００は歩行データの入力のために具現され得る。歩行データは別途のウェアラブル装置（例えば、スマートベルト）を通じて生成されて歩行データ入力部に伝達されてもよく、転倒予測装置で直接的に歩行データが生成されて歩行データ入力部１００に伝達されてもよい。

歩行データ分析部１１０は入力された歩行データに対する分析のために具現され得る。歩行データ分析部１１０は歩行データに対する分析に基づいて歩行ステップを決定し、歩行ステップに基づいて歩行速度を決定することができる。また、歩行データ分析部１１０は歩行データに基づいて衝撃量を決定し、衝撃量に基づいて両足均衡度を決定することができる。すなわち、歩行データ分析部１１０は歩行データを分析して歩行速度および両足均衡度を決定することができる。

具体的には、歩行データ分析部１１０は歩行データに対する前処理段階、極点検出段階、誤検出除去段階、追加極点検出段階を経て歩行データを処理し、歩行データ上で歩行速度および両足均衡度のような歩行分析データを抽出して転倒予防部１２０に伝達することができる。

転倒予防部１２０は歩行分析データに基づいて転倒を予防するために具現され得る。転倒予防部１２０は歩行分析データに基づいて転倒予防データを生成することができる。転倒予防データは使用者の転倒可能性データおよび転倒を避けるための予防データを含むことができる。

転倒予防部１２０により生成された転倒予防データは、使用者に提供されて使用者に転倒の危険について通知することができる。例えば、転倒予防装置は転倒予防データを使用者のスマートフォンのような使用者装置に伝達して使用者が転倒に対して予め備えるようにすることができる。

プロセッサ１３０は歩行データ入力部１００、歩行データ分析部１１０、転倒予防部１２０の動作を制御するために具現され得る。

図２は、本発明の実施例に係る歩行データを示した概念図である。

図２では、使用者の転倒予防のために使われる歩行データが開示される。

図２を参照すると、歩行データは歩行時に獲得された加速度信号に基づいて決定され得る。歩行データは今後使用者の歩行速度および両足均衡度を決定するために使われ得る。

歩行データは、ｘ、ｙ、ｚ軸加速度信号それぞれに対するＳＶＭ（ＳｉｇｎａｌＶｅｃｔｏｒＭａｇｎｉｔｕｄｅ）データであり得る。ＳＶＭデータ２２０は、重力に対する３軸加速度データ２００の方向成分を相殺して信号ベクトルの大きさを抽出したデータである。ＳＶＭデータ２２０はセンサの軸方向損失とは無関係に決定され得る。

以下の数学式１は、ＳＶＭデータ２２０を決定するための数式である。

ＡＣＣ_xはｘ軸加速度値であり、ＡＣＣ_yはｙ軸加速度値であり、ＡＣＣ_zはｚ軸加速度値である。

図２の（ａ）は、３軸加速度データ２００と３軸加速度データ２００に基づいて決定されたＳＶＭデータ２２０である。ＳＶＭデータ２２０で表現される歩行データは歩行データ分析部に伝達されて分析され得る。

図３は、本発明の実施例に係る歩行データ分析部の動作を示した概念図である。

図３では、歩行データ分析部の歩行データに対する前処理段階が開示される。

図３を参照すると、歩行データ分析部は歩行データに基づいて前処理段階３００、極点検出段階３１０、誤検出除去段階３２０、追加極点検出段階３３０を経て使用者の歩行ステップを決定することができる。以後、歩行データ分析部は決定された歩行ステップと使用者の身体情報に基づいて歩行速度を決定することができる。

また、歩行データ分析部は３軸加速度センサで得られた歩行データから、片足と反対側の足が地面につく時に発生する最大極点（または上端極点）と最小極点（または下端極点）間の振幅差に基づいて両足の衝撃量をそれぞれ決定し、両足の衝撃量に基づいて両足均衡度を決定することができる。

以下、具体的な歩行データ分析部の動作が開示される。

図４は、本発明の実施例に係る歩行データ分析部の動作を示した概念図である。

図４では歩行データ分析部の歩行データに対する前処理段階が開示される。

図４を参照すると、前処理段階４００では歩行データから平均値を差し引く線形トレンド除去（ｄｅｔｒｅｎｄ）過程４１０と正規化（ｎｏｒｍａｌｉｚａｔｉｏｎ）過程４２０が優先的に遂行され得る。

線形トレンド除去過程４１０は、歩行データから線形成分を除去した歩行データを抽出するために使われ得る。正規化過程４２０は多量の互いに異なる歩行データの範囲を一致させたり、分布を類似するようにさせるものであり、歩行データから平均を差し引いた後、分散で割る過程を通じて遂行され得る。分布が類似する状況で１の差が出ることと、値の分布が非常に大きな場合に１の差が出ることとは別の場合である。したがって、本発明では正規化過程４２０を通じて分散で割ることによって、本来の分布の拡散による効果が相殺され得る。

図４の（ａ）は、線形トレンド除去過程４１０と正規化過程４２０を経た歩行データに対するグラフである。歩行データに対して、ｙ軸のアンプリチュード（ａｍｐｌｉｔｕｄｅ）の変化が確認され得る。

前処理段階４００では、歩行データに対する線形トレンド除去過程４１０と正規化過程４２０の後、フィルタリング過程が遂行され得る。遮断周波数（例えば、０．５～５Ｈｚ）を有するバンドパスフィルタ（例えば、４次ＦＩＲバンドパス（ｂａｎｄ－ｐａｓｓ）フィルタ）が歩行データに適用されて、今後極点検出段階で極点の検出がより容易となるように歩行データが処理され得る。

図４の（ｂ）は、線形トレンド除去過程４１０と正規化過程４２０の後、フィルタリング過程４３０が適用された前処理歩行データである。前処理歩行データはメイン極点を除いた残りの高周波成分が除去されたデータである。前処理段階以後、歩行データは前処理歩行データという用語で表現され得る。

図５は、本発明の実施例に係る歩行データ分析部の動作を示した概念図である。

図５では歩行データ分析部の歩行データに対する前処理段階の後、極点検出段階が開始される。

図５を参照すると、極点検出段階５６０では歩行データ分析のために前処理歩行データに対する極点検出が遂行され得る。

極点の検出は１ステップ（ｓｔｅｐ）単位５００で遂行され得、一つの極点から次の極点までを、また、その次の極点までは１ストライド（ｓｔｒｉｄｅ）５２０で定義され得る。すなわち、１ストライド５２０は２ステップ単位を含むことができる。

図５の（ａ）を参照すると、前処理歩行データ上で合計５個の極点が発生したので、合計５歩と算出され得る。

本発明で歩行ステップおよび衝撃量を決定するための極点は最小極点５６０と最大極点５７０であり、極点検出段階５５０では候補最小極点５６０と候補最大極点５７０を検出するための動作が遂行され得る。極点検出段階５５０で抽出された候補最小極点５６０と候補最大極点５７０は偽物の極点を除去する前の極点であり得る。

候補最大極点５７０と候補最小極点５６０は、上と下に臨界値（例えば、０．５）を設定して臨界値以上の値を有する前処理歩行データのうちローカル最大値（ｌｏｃａｌｍａｘｉｍａ）とローカル最小値（ｌｏｃａｌｍｉｎｉｍａ）を探す方式で検出され得る。

図５の（ｂ）は、臨界値設定方法を使って候補最大極点５７０、候補最小極点５６０を検出した結果である。一つの歩行周期には複数の極点が存在するので、ローカル最大最小値だけでは正確に一つの極点を捜し出すことが難しい。図５の（ｂ）のように、偽物の極点（Ｆａｋｅｐｅａｋ）が検出され得る。偽物の極点の検出をなくすために誤検出除去段階が必要である。

図６は、本発明の実施例に係る誤検出除去段階を示した概念図である。

図６では、歩行データ分析部の歩行データに対する前処理段階および極点検出段階以後、誤検出除去段階を遂行する方法が開示される。

図６を参照すると、誤検出除去段階６００では候補最小極点６１０および候補最大極点６２０から偽物の極点（ｆａｋｅｐｅａｋ）６３０を除去するために、一つの歩行の最小周期を臨界周期（例えば、０．３秒）として設定し、一つの極点が発生した以後、臨界周期以内に発生した極点情報を除去する過程が遂行され得る。極点検出段階で検出された候補最小極点６１０および候補最大極点６２０のうち偽物の極点６３０は誤検出除去段階６００を通じて除去され、最終的に最小極点６５０と最大極点６６０が決定され得る。

偽物の極点６３０を除去した後の極点検出結果として、図６の（ａ）は遅い歩行（１．５ｋｍ／ｈ）での極点検出結果であり、図６の（ｂ）は普通歩行（３．０ｋｍ／ｈ）での極点検出結果であり、図６の（ｃ）ははやい歩行（４．５ｋｍ／ｈ）での極点検出結果である。

図６の（ａ）、（ｂ）、（ｃ）を参照すると、以前の結果と比較した時、正確に一個ずつの極点のみが検出される現象が確認され得る。すなわち、すべての歩行速度において最大極点および最小極点の検出が正確になされ得る。

本発明では歩行速度に応じて誤検出除去段階６００が適応的に遂行され得る。歩行速度が相対的に遅い場合、複数の周波数成分の発生により相対的にさらに多くの極点が生じることになる。したがって、このような極点の誤検出を防止するために、歩行速度による人工知能基盤の極点抽出学習モデリングが生成され、歩行速度に応じて偽物の極点が適応的に除去されてもよい。

歩行データ分析部は誤検出除去段階６００を通じて偽物の極点を除去した後、最大極点６６０と最小極点６５０に基づいて歩行ステップが決定することができる。

図７は、本発明の実施例に係る追加極点検出段階を示した概念図である。

図７では歩行データ分析部の歩行データに対する前処理段階および極点検出段階以後、誤検出除去段階を遂行する方法が開示される。

図７を参照すると、最大極点を通じて歩行ステップおよび衝撃量に対する情報が獲得され得る。最大極点および最小極点を通じて衝撃量および両足均衡度に対する情報が獲得され得る。

最大極点および最小極点以外の歩行データ上で発生した複数の追加極点に基づいて追加的な歩行特性に対する情報が抽出され得る。

追加極点は、抽出された最大極点を基準として一つの波形ずつ分割した後、分割された区間内で追加で抽出され得る。このような追加極点抽出過程を通じて分割区間で追加でｎ個（例えば、ｎ＝３）の極点が抽出され得る。

結果として、歩行速度データで１．５ｋｍ／ｈの歩行速度データでフットフラット（Ｆｏｏｔｆｌａｔ）７１０、プッシュオフ（ｐｕｓｈ－ｏｆｆ）７２０、トーオフ（ｔｏｅ－ｏｆｆ）７４０、ミッドスタンス（Ｍｉｄ－ｓｔａｎｃｅ）７３０、ヒールコンタクト（Ｈｅｅｌｃｏｎｔａｃｔ）７５０のような５個の特徴点が最大極点、最小極点および追加極点として検出され得る。５個の特徴点はＳｗｉｎｇｐｈａｓｅ（スイングフェーズ）、ＳｔａｎｃｅＰｈａｓｅ（スタンスフェーズ）のような追加的な歩行の特徴を抽出するために使われ得る。追加極点の場合、使用者の歩行特性を追加的に判断して転倒可能性に対する予防のために使われ得る。

図８は、本発明の実施例に係る歩行データ分析部の歩行速度決定方法を示した概念図である。

図８では、最大極点の検出以後、歩行データ分析部で歩行速度を決定するための方法が開示される。

図８を参照すると、最大極点に対する検出を通じて歩行ステップが決定され得、リアルタイム歩行データから連続的なステップ間隔（ｓｔｅｐｉｎｔｅｒｖａｌ）が決定され得る。

図８では、歩行データに基づいて歩行速度を算出するために、左足から歩行を始めて２０ｍを歩いた後、折り返して再び２０ｍを歩いた時の歩行加速度データが例示的に開示される。

最初に発生した最大極点を左足、次に発生した最大極点を右足に区分し、各ステップ間サンプル数に加速度センサ係数（例えば、０、１）をかけてステップ間隔時間（ｓｔｅｐｉｎｔｅｒｖａｌｔｉｍｅ）が決定され得る。

具体的には、歩行データを決定するｘ、ｙ、ｚ軸加速度信号は１０Ｈｚ（１秒に１０回）として収集され得、歩行データは１秒に１０個生成され得る。ピークツーピークサンプルサイズ（ｐｅａｋｔｏｐｅａｋｓａｍｐｌｅｓｉｚｅ）が６である場合、６個の加速度データが収集されるものと理解すると、６＊０．１＝０．６秒すなわち、左足を地面につけて右足が地面につくまで１ｓｔｅｐ時間が０．６秒と見ることができ、０．６秒がステップ間隔時間として決定され得る。

ステップ間隔時間が決定されたので、ステップを通じて移動される距離が決定される場合、ステップ長をステップ間隔時間で割って歩行速度が決定され得る。

歩行速度を決定するために、身長データまたは他の身体データ（例えば、臀部加速度データ）を利用した方法が使われ得る。本発明では説明の便宜上、身長データを利用して歩行速度を決定する方法が開示される。

身長データを利用した歩行速度決定方法は、演算量が少なく簡単であるためロングターム（ｌｏｎｇ－ｔｅｒｍ）データ収集に容易である。臀部加速度データを利用した方法は、加速度センサの垂直となる軸の変動値（ＣｅｎｔｒｅｏｆＭａｓｓ）の変動を変数にした回帰式適用方法であり、ショートターム（Ｓｈｏｒｔ－ｔｅｒｍ）データ収集に容易であり得る。

本発明では身長データに基づいてステップ長の予測（ｓｔｅｐｌｅｎｇｔｈｅｓｔｉｍａｔｉｏｎ）が遂行される。予測されたステップ長をステップ間隔時間で割って歩行速度が決定され得る。身長データに基づいてステップ長の予測を遂行する方法は、多数の被験者に基づいて算出された性別による回帰分析結果を適用して遂行され得る。

具体的には、身長データを利用した方法では、多数の被験者に基づいて算出された性別による回帰分析結果を適用してストライド長（ｓｔｒｉｄｅｌｅｎｇｔｈ）が決定され得る。

以下の数学式２は、回帰分析結果基盤の男／女のストライド長を表したものである。

本発明で使われるステップ長は、ストライド長を基準としてステップ係数（例えば、１／２）をかけて算出され得る。ステップ係数はストライド長とステップ長の間の関係に対して、臨界信頼区間で相関関係を有する値であり得る。

歩行データ分析部はステップ長が算出される場合、ステップ間隔時間で割って歩行速度を決定することができる。

図９は、本発明の実施例に係る歩行データ分析部の衝撃量決定方法を示した概念図である。

図９では、歩行データ分析部で衝撃量を決定するための方法が開示される。

図９を参照すると、歩行データ分析部は、歩行時に発生する連続的な最大極点９００、９２０と最小極点９１０、９３０間の振幅差に基づいて衝撃量を決定することができる。

図９の（ａ）は衝撃量決定のための例示的なデータであり、０°傾斜と３．０ｋｍ／ｈ速度のトレッドミルの上で１分の間得られた歩行データである。

図９の（ｂ）は歩行データで最初に発生する極点が第１ステップ（ｆｉｒｓｔｓｔｅｐ）として設定され、その直後に発生する極点が第２ステップ（ｏｐｐｏｓｉｔｅｓｔｅｐ）として定義され、連続的な第１ステップと第２ステップの衝撃量が算出されて保存され得る。

以下は９人の被験者を対象に衝撃量を算出した資料である。

９人の被験者を対象にそれぞれ３回ずつ実験が遂行されたし、合計２７個の１分間の歩行信号で算出された複数の第１ステップの複数の第１衝撃量９１５と複数の第２ステップの複数の第２衝撃量９２５が収集され得る。複数の第１衝撃量９１５の平均値と複数の第２衝撃量９２５の平均値が決定され得る。

複数の第１衝撃量９１５の平均値と複数の第２衝撃量９２５の平均値のうち、相対的にさらに大きい平均値を相対的に小さい平均値で割って両足均衡度９５０が決定され得る。

両足均衡度９５０が１に近いほど両足の衝撃量９１５、９２５が類似しているので身体の均衡がよいのであり、１からさらに遠いほど両足の衝撃量９１５、９２５が異なるので身体の均衡がよくないのである。

歩行データ分析部は衝撃量９１５、９２５および両足均衡度９５０に対する情報を決定して転倒予測部にて伝送することができる。

図１０は、本発明の実施例に係る転倒予測部の転倒予測方法を示した概念図である。

図１０では、歩行データ分析部によって伝達された歩行速度と両足均衡度に基づいて転倒予測部の転倒危険を予測する方法が開示される。

図１０を参照すると、転倒危険度１０８０は両足均衡度１０５０および歩行速度１０００が追加的に考慮され得る。

本発明では、両足均衡度１０５０は特定の速度に対して分布情報として表現され得る。例えば、使用者の歩行速度１０００がｘｍ／ｓである場合、ｘｍ／ｓで使用者が歩行時、両足均衡度１０５０が分布として表現され得る。例えば、右足と左足の衝撃量が同一の両足均衡度１０５０が０であるとすると、０を基準として左足に均衡が偏った場合に負の値を有し、０を基準として右足に均衡が偏った場合に正の値を有するように両足均衡度１０５０が設定され得る。

両足均衡度１０５０と歩行速度１０００に基づいて数値化された値で転倒危険度が決定され得る。スコアとスコアを決定するための両足均衡度１０５０と歩行速度１０００の範囲は例示的なものであって、変化され得る。

以下の表２は、歩行速度１０００による第１転倒危険度スコア１０２０である。

歩行速度１０００が遅いほど転倒危険度が相対的に高く、スコアは低く割り当てられ得る。

以下の表３は、両足均衡度１０５０による第２転倒危険度スコア１０６０である。

ＲＦＰは右足の衝撃量であり、ＬＦＰは左足の衝撃量である。第２転倒危険度スコア１０６０は、ａｂｓ（ＲＦＰ－ＬＦＰ）である右足の衝撃量と左足の衝撃量を差し引いた値の絶対値をｍａｘ（ＲＦＰ、ＬＦＰ）右足の衝撃量と左足の最大値で割った値を基準として決定され得る。

以下の表４は、第１転倒危険度スコア１０２０と第２転倒危険度スコア１０６０を基準とした転倒危険度１０８０である。

転倒可能性予測のための総合点数は、第１転倒危険度スコア１０２０と第２転倒危険度スコア１０６０の合計であり得る。転倒可能性予測のための総合点数は０から１０までの値であり得、総合点数が低いほど高い転倒危険度１０８０を有するものと判断され得る。

また、本発明では転倒可能性の他に、使用者に両足均衡度１０５０に対する情報が両足均衡度評価情報、両足均衡度大きさ情報、両足均衡度離脱情報として提供され得る。

両足均衡度評価情報は以下の表５を基準として提供され得る。

ＲＦＰとＬＦＰの差に対する絶対値を基準として両足均衡度評価がなされ、５段階（良好（ＧＯＯＤ）、適正（ＦＡＩＲ）、心配（ＷＯＲＲＩＥＤ）、良好でない（ＰＯＯＲ）、悪い（ＢＡＤ））に分かれて提供され得る。

両足均衡度離脱情報は以下の表６を基準として提供され得る。

差値を基準として、中心を基準としてどの程度左足または右足に均衡が偏っているかの有無が両足均衡度離脱情報に基づいて提供され得る。

両足均衡度大きさ情報は以下の表７に基づいて提供され得る。

左足と右足の衝撃量の平均値を基準として、両足で発生する衝撃量に対する情報が両足均衡度大きさ情報に基づいて提供され得る

また、本発明の実施例によると、前述した歩行データを生成する３軸加速度それぞれに対する情報が転倒予測のために使われ得る。

ｘ軸加速度はＡ_x（ｔ）、ｙ軸加速度はＡ_y（ｔ）、ｚ軸加速度はＡ_z（ｔ）とする場合、重力が影響を除去し、動きの大きさに基づいてより正確に転倒が予測され得る。

したがって、下記のように重力方向の加重値のみを考慮した以下の数学式３を考慮して転倒予測が遂行され得る。

θ（ｔ）は重力方向となす左／右の角度であり、ψ（ｔ）は重力方向となす前／後の角度を表す。Ａ_DSVM（ｔ）は加速度の変化量である。Ａ_θGDSVM（ｔ）はθ（ｔ）に基づいて転倒時の信号を増幅させた値であり、Ａψ_GDSVM（ｔ）はψ（ｔ）に基づいて転倒時の信号を増幅させた値である。

Ａ_θGDSVM（ｔ）またはＡψ_GDSVM（ｔ）は一つが閾値を超過すれば転倒可能性に対する警告が使用者に提供され得、Ａ_θGDSVM（ｔ）がより大きいのであれば、前／後の転倒可能性に対する警告が使用者に提供され、Ａψ_GDSVM（ｔ）がより大きいのであれば、左／右の転倒可能性に対する警告が使用者に提供され得る。

図１１は、本発明の実施例に係る転倒が予測された結果に対する使用者画面を示した概念図である。

図１１では、転倒予測結果を提供する使用者画面が開示される。

図１１を参照すると、第１画面上では転倒可能性の予測のための総合点数に対する情報が提供され得る。

第２画面上では両足均衡度評価情報、両足均衡度大きさ情報、両足均衡度離脱情報が提供され得る。

第３画面、第４画面上では転倒可能性の予測のための総合点数情報、両足均衡度評価情報、両足均衡度大きさ情報、両足均衡度離脱情報が提供され得る。
以上で説明された本発明に係る実施例は、多様なコンピュータ構成要素を通じて実行され得るプログラム命令語の形態で具現されてコンピュータ読み取り可能な記録媒体に記録され得る。前記コンピュータ読み取り可能な記録媒体は、プログラム命令語、データファイル、データ構造などを単独でまたは組み合わせて含むことができる。前記コンピュータ読み取り可能な記録媒体に記録されるプログラム命令語は、本発明のために特別に設計されて構成されたものであるか、コンピュータソフトウェア分野の当業者に公知となっている使用可能なものであり得る。コンピュータ読み取り可能な記録媒体の例には、ハードディスク、フロッピーディスクおよび磁気テープのような磁気媒体、ＣＤ－ＲＯＭおよびＤＶＤのような光記録媒体、フロプティカルディスク（ｆｌｏｐｔｉｃａｌｄｉｓｋ）のような磁気－光媒体（ｍａｇｎｅｔｏ－ｏｐｔｉｃａｌｍｅｄｉｕｍ）、およびＲＯＭ、ＲＡＭ、フラッシュメモリなどのような、プログラム命令語を保存し実行するように特別に構成されたハードウェア装置が含まれる。プログラム命令語の例には、コンパイラによって作られるような機械語コードだけでなく、インタープリタなどを使ってコンピュータによって実行され得る高級言語コードも含まれる。ハードウェア装置は本発明に係る処理を遂行するために一つ以上のソフトウェアモジュールに変更され得、その逆も同一である。

以上、本発明が具体的な構成要素などのような特定事項と限定された実施例および図面によって説明されたが、これは本発明のより全般的な理解を助けるために提供されたものに過ぎず、本発明は前記実施例に限定されるものではなく、本発明が属する技術分野で通常の知識を有する者であれば、このような記載から多様な修正と変更を試みることができる。

したがって、本発明の思想は前記説明された実施例に限定されて定められてはならず、後述する特許請求の範囲だけでなくこの特許請求の範囲と均等なまたはこれから等価的に変更されたすべての範囲は本発明の思想の範疇に属するものと言える。

Claims

転倒危険予防方法は、
転倒予防装置が歩行データを受信する段階、
前記転倒予防装置が前記歩行データに対する分析に基づいて歩行分析データを生成する段階、および
前記転倒予防装置が前記歩行分析データに基づいて転倒予防データを生成する段階を含むことを特徴とする、方法。
前記歩行分析データに対する分析は前記歩行データ上の最大極点および最小極点に基づいて遂行され、
前記歩行分析データは歩行速度および両足均衡度に対するデータを含むことを特徴とする、請求項１に記載の方法。
前記歩行速度は前記最大極点に基づいて決定されたステップ間隔時間に基づいて決定され、
前記両足均衡度は前記最大極点および前記最小極点間の振幅に基づいて算出された衝撃量を使って決定されることを特徴とする、請求項２に記載の方法。
転倒危険予防のための転倒予防装置は、
歩行データを受信するように具現される歩行データ入力部、
前記歩行データに対する分析に基づいて歩行分析データを生成するように具現される歩行データ分析部、および
前記歩行分析データに基づいて転倒予防データを生成するように具現される転倒予防部を含むことを特徴とする、転倒予防装置。
前記歩行分析データに対する分析は前記歩行データ上の最大極点および最小極点に基づいて遂行され、
前記歩行分析データは歩行速度および両足均衡度に対するデータを含むことを特徴とする、請求項４に記載の転倒予防装置。
前記歩行速度は前記最大極点に基づいて決定されたステップ間隔時間に基づいて決定され、
前記両足均衡度は前記最大極点および前記最小極点間の振幅に基づいて算出された衝撃量を使って決定されることを特徴とする、請求項５に記載の転倒予防装置。