KR20180127255A - 열화상 카메라를 이용한 낙상 예측 시스템 및 열화상 카메라를 이용한 낙상 예측 방법 - Google Patents
열화상 카메라를 이용한 낙상 예측 시스템 및 열화상 카메라를 이용한 낙상 예측 방법 Download PDFInfo
- Publication number
- KR20180127255A KR20180127255A KR1020180057797A KR20180057797A KR20180127255A KR 20180127255 A KR20180127255 A KR 20180127255A KR 1020180057797 A KR1020180057797 A KR 1020180057797A KR 20180057797 A KR20180057797 A KR 20180057797A KR 20180127255 A KR20180127255 A KR 20180127255A
- Authority
- KR
- South Korea
- Prior art keywords
- falling
- axis histogram
- data
- person
- image
- Prior art date
Links
Images
Classifications
-
- G—PHYSICS
- G08—SIGNALLING
- G08B—SIGNALLING OR CALLING SYSTEMS; ORDER TELEGRAPHS; ALARM SYSTEMS
- G08B21/00—Alarms responsive to a single specified undesired or abnormal condition and not otherwise provided for
- G08B21/02—Alarms for ensuring the safety of persons
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T7/00—Image analysis
- G06T7/20—Analysis of motion
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04N—PICTORIAL COMMUNICATION, e.g. TELEVISION
- H04N7/00—Television systems
- H04N7/18—Closed-circuit television [CCTV] systems, i.e. systems in which the video signal is not broadcast
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Multimedia (AREA)
- Business, Economics & Management (AREA)
- Emergency Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Theoretical Computer Science (AREA)
- Signal Processing (AREA)
- Image Analysis (AREA)
- Alarm Systems (AREA)
- Emergency Alarm Devices (AREA)
Abstract
일 실시 예에 따르면 열화상 카메라를 이용한 낙상 예측 시스템 제어 방법은, 사람의 모습을 열화상 카메라로 촬영하는 단계; 촬영된 이미지를 구성하는 각각의 픽셀 데이터를 분석하는 단계; 상기 픽셀 데이터에 기초하여, 상기 촬영된 이미지의 x축 히스토그램 및 y축 히스토그램 데이터를 구하는 단계; 상기 x축 히스토그램 및 y축 히스토그램 데이터에 기초하여, 사람이 안정 상태 및 낙상 위험 상태 중 어떠한 상태에 있는지를 판단하는 단계; 및 사람의 상태에 기초하여 알림 장치를 작동시키는 단계를 포함할 수 있다.
Description
아래의 설명은 열화상 카메라를 이용한 낙상 예측 시스템 및 열화상 카메라를 이용한 낙상 예측 방법에 관한 것이다.
낙상이란 환자가 기절 등으로 갑자기 쓰러지거나 외부적인 힘에 의해 넘어지는 것이 아니라, 환자 본인의 의사와 상관없이 의도하지 않은 자세의 변화로 낮은 위치로 갑자기 넘어지는 것을 의미한다. 입원 환자의 낙상은 심각한 병실 내에서 의료사고를 초래한다. 간호사나 환자가 미리 낙상을 감지할 수 있다면, 사고를 미연에 방지할 수 있다.
Kim, Emily Ang Neo, et al. "Evaluation of three fall-risk assessment tools in an acute care setting." Journal of advanced nursing 60.4 (2007): 427-435.에 따르면, 미국 의료 기관의 위해 사건 중 38%는 낙상에 의한 것임을 알 수 있다.
Kim, Chul-Gyu, and Moon-Ja Suh. "An analysis of fall incidence rate and its related factors of fall in inpatients." Quality Improvement in Health Care 9.2 (2002): 210-228.에 따르면, 우리나라 병원 사건보고서의 30%는 낙상에 의한 것임을 알 수 있다. 또한, 낙상 발생률 조사 결과 병실 내에서 발생한 낙상이 72.4%를 차지하고, 그 중 침대에서 발생한 낙상이 63%를 차지하였다.
낙상이 발생되는 시나리오는 다양하다. 예를 들어, 환자가 침대를 오르내릴 때, 보조난간을 내리고 침대를 오르내릴 때, 난간이 내려가 있는 줄 모르고 몸을 기댈 때, 난간이 올라와 있는 줄 모르고 침대를 넘어갈 때, 수면 상태에 있을 때, 바닥에 미끄러질 때, 낙상이 발생될 수 있다.
종래의 카메라를 이용한 환자 낙상 예측 시스템은 RGB 카메라를 통해 환자를 관찰하기도 했다. 그러나, RGB 카메라는 고해상도로 환자의 모습을 그대로 나타내기 때문에 환자의 사생활 문제를 유발할 수 있다는 문제가 있었다.
일 실시 예의 목적은 환자의 사생활을 보호할 뿐만 아니라, 높은 성능으로 환자의 낙성을 예측할 수 있는 환자 낙상 예측 시스템을 제공하는 것이다.
일 실시 예에 따르면, 열화상 카메라를 이용한 낙상 예측 시스템은, 사람의 모습을 촬영하기 위한 열화상 카메라; 상기 열화상 카메라에서 촬영된 이미지를 구성하는 각각의 픽셀 데이터를 분석하여, 사람의 낙상 위험 여부를 판단하는 제어부; 및 상기 제어부로부터 상기 낙상 위험 여부에 대한 정보를 전달받아 외부로 표시하는 디스플레이를 포함하고, 상기 제어부는, 상기 픽셀 데이터에 기초하여, 상기 촬영된 이미지의 x축 히스토그램 및 y축 히스토그램 데이터를 구하고, 상기 x축 히스토그램 및 y축 히스토그램 데이터를 바탕으로 상기 낙상 위험 여부를 판단할 수 있다.
상기 픽셀 데이터는 픽셀 밝기 정보를 포함할 수 있다.
상기 제어부는, 사람의 안정 상태 및 낙상 위험 상태를 구별하기 위한 기준 데이터를 저장하고, 상기 촬영된 이미지의 픽셀 데이터와 상기 기준 데이터를 비교하여 사람의 낙상 위험 여부를 판단할 수 있다.
상기 제어부는, 서포트 백터 머신(SVM)으로 상기 촬영된 이미지의 픽셀 데이터와 상기 기준 데이터를 비교하여 사람의 낙상 위험 여부를 판단할 수 있다.
일 실시 예에 따르면, 열화상 카메라를 이용한 낙상 예측 방법은, 사람의 모습을 열화상 카메라로 촬영하는 단계; 촬영된 이미지를 구성하는 각각의 픽셀 데이터를 분석하는 단계; 상기 픽셀 데이터에 기초하여, 상기 촬영된 이미지의 x축 히스토그램 및 y축 히스토그램 데이터를 구하는 단계; 상기 x축 히스토그램 및 y축 히스토그램 데이터에 기초하여, 사람이 안정 상태 및 낙상 위험 상태 중 어떠한 상태에 있는지를 판단하는 단계; 및 사람의 상태에 기초하여 알림 장치를 작동시키는 단계를 포함할 수 있다.
상기 픽셀 데이터는 픽셀 밝기 정보를 포함할 수 있다.
상기 열화상 카메라를 이용한 낙상 예측 방법은, 사람의 안정 상태 및 낙상 위험 상태를 구별하기 위한 기준을 마련하는 단계를 더 포함할 수 있다.
상기 기준을 마련하는 단계는, 열화상 카메라로 기준 이미지를 촬영하는 단계; 상기 기준 이미지를 구성하는 각각의 픽셀의 밝기 데이터를 구하는 단계; 및 상기 기준 이미지의 x축 히스토그램 및 y축 히스토그램을 분석하는 단계를 포함할 수 있다.
상기 사람이 안정 상태 및 낙상 위험 상태 중 어떠한 상태에 있는지를 판단하는 단계는, 서포트 백터 머신(SVM)으로 수행될 수 있다.
일 실시 예에 의하면, 열화상 카메라를 이용한 낙상 예측 시스템 제어 방법은 열화상 카메라를 이용하여 환자의 사생활을 보호할 수 있고, 높은 성능으로 환자의 낙상을 방지할 수 있다.
또한, 열화상 카메라를 이용한 낙상 예측 시스템 제어 방법은 환자 몸에 별도의 센서를 부착할 필요가 없으므로, 편리하게 활용될 수 있다.
도 1은 실시 예에 따른 낙상 예측 시스템이 사용되는 모습을 개략적으로 나타내는 도면이다.
도 2는 열화상 카메라를 이용하여 데이터를 획득하기 위해, 병실 환경과 비슷한 환경을 구축한 실험 공간을 나타내는 도면이다.
도 3은 일 실시 예에 따른 열화상 카메라를 이용한 낙상 예측 시스템의 블록도이다.
도 4는 일 실시 예에 따른 열화상 카메라를 이용한 낙상 예측 방법의 순서도이다.
도 5는 일 실시 예에 따른 열화상 카메라를 이용한 낙상 예측 방법에서, 사람의 안정 상태 및 낙상 위험 상태를 구별하기 위한 기준을 마련하는 단계에 대한 구체적인 순서도이다.
도 6은 사람이 안전하게 잠을 자는 6개의 시나리오를 나타내는 도면이다.
도 7은 안정한 상태로 누워있는 환자의 모습을 열화상 카메라로 촬영한 이미지를 나타내는 도면이다.
도 8은 낙상 위험 상태로 누워있는 환자의 모습을 열화상 카메라로 촬영한 이미지를 나타내는 도면이다.
도 9은 열화상 카메라로 촬영한 이미지를 설정 크기로 자른 후, x축 히스토그램 및 y축 히스토그램을 구하고, 이를 정규화하는 과정을 나타내는 도면이다.
도 10은 낙상 예측 시스템의 정확도를 나타내는 도면이다.
도 2는 열화상 카메라를 이용하여 데이터를 획득하기 위해, 병실 환경과 비슷한 환경을 구축한 실험 공간을 나타내는 도면이다.
도 3은 일 실시 예에 따른 열화상 카메라를 이용한 낙상 예측 시스템의 블록도이다.
도 4는 일 실시 예에 따른 열화상 카메라를 이용한 낙상 예측 방법의 순서도이다.
도 5는 일 실시 예에 따른 열화상 카메라를 이용한 낙상 예측 방법에서, 사람의 안정 상태 및 낙상 위험 상태를 구별하기 위한 기준을 마련하는 단계에 대한 구체적인 순서도이다.
도 6은 사람이 안전하게 잠을 자는 6개의 시나리오를 나타내는 도면이다.
도 7은 안정한 상태로 누워있는 환자의 모습을 열화상 카메라로 촬영한 이미지를 나타내는 도면이다.
도 8은 낙상 위험 상태로 누워있는 환자의 모습을 열화상 카메라로 촬영한 이미지를 나타내는 도면이다.
도 9은 열화상 카메라로 촬영한 이미지를 설정 크기로 자른 후, x축 히스토그램 및 y축 히스토그램을 구하고, 이를 정규화하는 과정을 나타내는 도면이다.
도 10은 낙상 예측 시스템의 정확도를 나타내는 도면이다.
이하, 본 발명의 일부 실시 예들을 예시적인 도면을 통해 상세하게 설명한다. 각 도면의 구성요소들에 참조부호를 부가함에 있어서, 동일한 구성요소들에 대해서는 비록 다른 도면상에 표시되더라도 가능한 한 동일한 부호를 가지도록 하고 있음에 유의해야 한다. 또한, 본 발명의 실시 예를 설명함에 있어, 관련된 공지 구성 또는 기능에 대한 구체적인 설명이 본 발명의 실시 예에 대한 이해를 방해한다고 판단되는 경우에는 그 상세한 설명은 생략한다.
또한, 본 발명의 실시 예의 구성 요소를 설명하는 데 있어서, 제 1, 제 2, A, B, (a), (b) 등의 용어를 사용할 수 있다. 이러한 용어는 그 구성 요소를 다른 구성 요소와 구별하기 위한 것일 뿐, 그 용어에 의해 해당 구성 요소의 본질이나 차례 또는 순서 등이 한정되지 않는다. 어떤 구성 요소가 다른 구성요소에 "연결", "결합" 또는 "접속"된다고 기재된 경우, 그 구성 요소는 그 다른 구성요소에 직접적으로 연결되거나 접속될 수 있지만, 각 구성 요소 사이에 또 다른 구성 요소가 "연결", "결합" 또는 "접속"될 수도 있다고 이해되어야 할 것이다.
도 1은 실시 예에 따른 낙상 예측 시스템이 사용되는 모습을 개략적으로 나타내는 도면이고, 도 2는 열화상 카메라를 이용하여 데이터를 획득하기 위해, 병실 환경을 구축한 실험 공간을 나타내는 도면이고, 도 3은 일 실시 예에 따른 열화상 카메라를 이용한 낙상 예측 시스템의 블록도이다.
도 1 내지 도 3을 참조하면, 열화상 카메라를 이용한 낙상 예측 시스템은, 열화상 카메라(11), 제어부(12) 및 디스플레이(10)를 포함할 수 있다.
열화상 카메라(11)는 사람(P)이 누워있는 방(R)에 설치될 수 있다. 예를 들어, 열화상 카메라(11)는 방(R)의 천장에 설치될 수 있다. 사람(P)은 방(R)에 구비된 침대(B)에 누워있을 수 있고, 열화상 카메라(11)는 침대(B) 위에서의 사람(P)의 모습을 촬영할 수 있다. 열화상 카메라(11)로부터 촬영된 이미지는 제어부(12)로 전달될 수 있다.
제어부(12)는 열화상 카메라에서 촬영된 이미지를 구성하는 각각의 픽셀 데이터를 분석하여 사람(P)의 낙상 위험 여부를 판단할 수 있다. 제어부(12)는 사람(P)이 안정 상태인지 낙상 위험 상태인지 구별할 수 있다. 제어부(12)는 낙상 위험 여부에 대한 정보를 디스플레이(10)에 전달할 수 있다.
디스플레이(10)는 제어부(12)로부터 낙상 위험 여부에 대한 정보를 전달받아 외부로 표시할 수 있다. 예를 들어, 낙상 예측 시스템은 환자의 낙상 위험을 사전에 감지하여, 환자가 낙상 위험 상태에 있을 경우, 간호사 또는 환자에게 이를 알릴 수 있다. 디스플레이(10)는 간호사 또는 병원 직원이 상시 확인할 수 있는 위치에 설치될 수 있다. 간호사 또는 병원 직원은 낙상 위험 상태에 있는 환자의 위치를 파악하고, 환자가 낙상하지 않도록 도움을 줄 수 있다. 또한, 디스플레이(10)는 환자가 확인할 수 있는 위치에도 설치될 수 있다. 환자가 자신이 낙상 위험 상태에 있음을 디스플레이(10)를 통해 확인할 경우, 환자는 간호나 또는 병원 직원을 호출할 수 있다. 예를 들어, 낙상 예측 시스템은 청각적 알림 수단으로 경보 사이렌을 포함할 수 있다. 사이렌은 환자가 낙상 위험 상태에 있을 경우, 소리를 낼 수 있다. 사이렌은 간호사 또는 병원 직원이 상시 사이렌의 소리를 들을 수 있는 곳에 설치될 수 있다.
도 2에서 나타나는 방(R)에서 낙상 위험 상태의 1920개의 이미지, 안전한 상태의 1260개의 이미지를 촬영하였고, 이를 기초로 낙상 예측 시스템의 정확도를 파악하였다. 방(R)에서 사람(P)의 좌측은 벽으로 막혀 있을 수 있다. 사람은 우측으로 낙상할 위험이 있을 수 있다.
도 4는 일 실시 예에 따른 열화상 카메라를 이용한 낙상 예측 방법의 순서도이고, 도 5는 일 실시 예에 따른 열화상 카메라를 이용한 낙상 예측 방법에서, 사람의 안정 상태 및 낙상 위험 상태를 구별하기 위한 기준을 마련하는 단계에 대한 구체적인 순서도이다.
도 4 및 도 5를 참조하면, 열화상 카메라를 이용한 낙상 예측 방법은, 사람의 안정 상태 및 낙상 위험 상태를 구별하기 위한 기준을 마련하는 단계(S100)와, 사람의 모습을 열화상 카메라로 촬영하는 단계(S200)와, 촬영된 이미지를 구성하는 각각의 픽셀 데이터를 분석하는 단계(S300)와, 픽셀 데이터에 기초하여, 촬영된 이미지의 x축 히스토그램 및 y축 히스토그램 데이터를 구하는 단계(S400)와, x축 히스토그램 및 y축 히스토그램 데이터에 기초하여, 사람이 안정 상태 및 낙상 위험 상태 중 어떠한 상태에 있는지를 판단하는 단계(S500)와, 사람의 상태에 기초하여 알림 장치를 작동시키는 단계(S600)를 포함할 수 있다.
단계(S100)에서, 제어부는 사람의 안정 상태 및 낙상 위험 상태를 구별하기 위한 기준을 마련할 수 있다. 예를 들어, 사용자는 제어부에 기준 데이터를 미리 입력할 수 있다. 또는 기준 데이터는 실시간으로 인공지능 방식을 통해 입력될 수 있다. 기준을 마련하는 방법은, 열화상 카메라로 기준 이미지를 촬영하는 단계와, 기준 이미지를 구성하는 각각의 픽셀의 밝기 데이터를 구하는 단계와, 기준 이미지의 x축 히스토그램 및 y축 히스토그램을 분석하는 단계를 포함할 수 있다. 이와 같은 방식으로 제어부는, 사람이 정상 상태로 누워있는 상태에 대한 데이터를 미리 저장하고 있을 수 있다.
단계(S200)에서, 열화상 카메라는 사람의 모습을 열화상 카메라로 촬영할 수 있다.
단계(S300)에서, 제어부는 촬영된 이미지를 구성하는 각각의 픽셀 데이터를 분석할 수 있다. 픽셀 데이터는 픽셀 밝기 정보 등을 포함할 수 있다.
단계(S400)에서, 제어부는 픽셀 데이터에 기초하여, 촬영된 이미지의 x축 히스토그램 및 y축 히스토그램 데이터를 구할 수 있다.
단계(S500)에서, 제어부는 x축 히스토그램 및 y축 히스토그램 데이터에 기초하여, 사람이 안정 상태 및 낙상 위험 상태 중 어떠한 상태에 있는지를 판단할 수 있다. 제어부는 서포트 백터 머신(SVM)으로 사람이 안정 상태 및 낙상 위험 상태 중 어떠한 상태에 있는지를 판단할 수 있다.
단계(S600)에서, 제어부는 사람의 상태에 기초하여 알림 장치를 작동시킬 수 있다.
도 6은 사람이 안전하게 잠을 자는 6개의 자세를 나타내는 도면이다.
도 6을 참조하면, 사람이 안전하게 잠을 자는 자세는 6개가 있을 수 있다. 사람이 안전하게 잠을 자세는, 태아형(foetus), 통나무형(log), 갈구형(yearner), 군인형(soldier), 자유낙하형(freefaller), 불가사리형(starfish)이 있을 수 있다.
도 7은 안정한 상태로 누워있는 환자의 모습을 열화상 카메라로 활영한 이미지를 나타내는 도면이다.
도 7을 참조하면, 낙상 예측 시스템은 환자의 안정한 상태를 9개로 분류하고, 각각의 상태에 대한 이미지를 저장할 수 있다. 환자의 안정한 상태란 환자가 침대 상에서 낙상으로부터 안전한 곳에 있는 상태일 수 있다. 예를 들어, 환자가 침대 중앙부에 누워있는 상태가 안정한 상태일 수 있다.
9개 자세는 다음과 같다. 우선, 태아형, 통나무형, 갈구형, 군인형, 자유낙하형 및 불가사리형으로 6개의 자세가 있다. 또한, 태아형, 통나무형 및 갈구형은 사람이 반대방향으로 누워있는 자세가 각각 추가되므로, 3개의 자세가 추가된다. 따라서, 환자의 안정한 상태로는 총 9개의 자세가 있다.
도 7을 참조하면, 태아형은 S1 및 S2에 도시되고, 통나무형은 S3 및 S4에 도시되고, 갈구형은 S5 및 S6에 도시되고, 군인형, 자유낙하형 및 불가사리형은 각각 S7, S8 및 S9에 도시된다.
낙상 예측 시스템은 9개의 안정한 상태 각각에 대해 이미지를 저장할 수 있다. 예를 들어, 낙상 예측 시스템은 7명에 대해 각각의 안정한 상태 당 20장씩 촬영하여, 총 1260개의 낙상 위험 상태의 이미지를 확보할 수 있다.
도 8은 낙상 위험 상태로 누워있는 환자의 모습을 열화상 카메라로 촬영한 이미지를 나타내는 도면이다.
도 8을 참조하면, 낙상 예측 시스템은 환자의 낙상 위험 상태를 14개로 분류하고, 각각의 상태에 대한 이미지를 저장할 수 있다. 환자의 낙상 위험 상태란 환자가 침대 상에서 낙상 가능한 곳에 있는 상태일 수 있다. 예를 들어, 침대의 우측으로 낙상 위험이 있을 경우, 환자가 침대의 우측에 누워있는 상태가 낙상 위험 상태일 수 있다.
14개 자세는 다음과 같다. 먼저, 태아형, 통나무형, 갈구형, 군인형, 자유낙하형 및 불가사리형으로 6개의 자세가 있다. 또한, 태아형, 통나무형 및 갈구형은 사람이 반대방향으로 누워있는 자세가 각각 추가되므로, 3개의 자세가 추가된다. 또한, 갈구형에서 환자의 다리가 침대 밖으로 빠져 나온 1개의 자세가 추가된다. 또한, 군인형에서 팔이 침대 밖으로 빠져나온 1개의 자세와, 다리가 침대 밖으로 빠져나온 1개의 자세가 추가된다. 또한, 자유낙하형에서 다리가 침대 밖으로 빠진 1개의 자세가 추가된다. 또한, 불가사리형에서 다리가 침대 밖으로 빠진 1개의 자세가 추가된다. 따라서, 환자의 낙상 위험 상태로는 총 14개의 자세가 있다. 갈구형, 자유낙하형 및 불가사리형에서 환자가 침대 끝에 누워있으면 팔이 당연히 침대 밖으로 빠지므로 이를 제외하였다.
낙상 예측 시스템은 14개의 낙상 위험 상태 각각에 대해 이미지를 저장할 수 있다. 예를 들어, 낙상 예측 시스템은 7명에 대해 각각의 낙상 위험 상태 당 20장씩 촬영하여, 총 1920개의 낙상 위험 상태의 이미지를 확보할 수 있다.
도 9는 열화상 카메라로 촬영한 이미지를 설정 크기로 자른 후, x축 히스토그램 및 y축 히스토그램을 구하고, 이를 정규화하는 과정을 나타내는 도면이다.
도 9를 참조하면, 낙상 예측 시스템은 열화상 카메라를 통해 확보한 이미지를 분석할 수 있다.
먼저, 낙상 예측 시스템은 확보한 이미지를 적당한 크기로 자를 수 있다. 예를 들어, 침대의 일측은 벽으로 막혀있어서 낙상의 위험이 없을 수 있고, 침대의 타측은 벽으로 막혀있지 않으므로 낙상의 위험이 있을 수 있다. 예를 들어, 도 6 상에서 환자의 우측은 벽으로 막혀있을 수 있다. 이 경우, 낙상 예측 시스템은 벽 부분을 잘라냄으로써 불필요한 데이터 처리를 방지할 수 있다.
다음으로, 낙상 예측 시스템은 이미지를 구성하는 각각의 픽셀에 대해 밝기 데이터를 구할 수 있다. 예를 들어, 이미지의 해상도가 640*480일 경우, 낙상 예측 시스템은 30만 7200개의 픽셀의 밝기 데이터를 구할 수 있다.
다음으로, 낙상 예측 시스템은 픽셀의 밝기 데이터에 기초하여, 이미지의 x축 히스토그램 및 y축 히스토그램을 구할 수 있다. 열화상 카메라로 촬영한 이미지를 구성하는 각각의 픽셀은 온도에 따라 다른 밝기를 가질 수 있다. 픽셀은 밝기에 따라 0부터 255까지 값을 가질 수 있다. 동일한 x좌표를 갖는 모든 픽셀의 밝기 데이터를 더하여, 해당 x좌표의 값으로 정하고, 이를 기초로 x축 히스토그램을 구할 수 있다. 마찬가지 방식으로, 동일한 y좌표를 갖는 모든 픽셀의 밝기 데이터를 더하여, 해당 y좌표의 값으로 정하고, 이를 기초로 y축 히스토그램을 구할 수 있다.
다음으로, 낙상 예측 시스템은 x축 히스토그램 및 y축 히스토그램을 정규화할 수 있다. 각각의 히스토그램을 정규화함으로써 낙상 예측 시스템의 데이터 처리 속도를 향상시킬 수 있다. 예를 들어, 640*480일 경우, x축 히스토그램은 640개의 데이터를 포함할 수 있다. 예를 들어, 낙상 예측 시스템은 640개의 x축 데이터 중 최소 값을 0으로 설정하고, 최대 값을 1으로 설정하여, 모든 데이터 값은 0 내지 1 사이의 값으로 정규화할 수 있다.
다음으로, 낙상 예측 시스템은 정규화된 x축 히스토그램 및 y축 히스토그램 데이터를 기초로 SVM(support vector machine)을 수행할 수 있다. 낙상 예측 시스템은 SVM을 통해 환자의 안정한 상태 및 낙상 위험 상태를 나누는 기준을 학습할 수 있다. 낙상 예측 시스템은 학습된 기준을 통해, 환자가 안정한 상태 및 낙상 위험 상태 중 어떠한 상태에 있는지를 구별할 수 있다.
예를 들어, 환자가 모습은 실시간으로 열화상 카메라에 의해 촬영될 수 있다. 촬영된 이미지는 적당한 크기로 잘릴 수 있다. 그 후, 이미지를 구성하는 각각의 픽셀의 밝기 데이터가 구해질 수 있다. 그 후, 픽셀의 밝기 데이터를 기초로, 이미지의 x축 히스토그램 및 y축 히스토그램이 구해질 수 있다. x축 히스토그램 및 y축 히스토그램은 정규화될 수 있다. 낙상 예측 시스템은 정규화된 데이터를 기초로 환자가 안정한 상태 및 낙상 위험 상태 중 어떠한 상태에 있는지를 구별할 수 있다.
도 10은 낙상 예측 시스템의 정확도를 나타내는 도면이다.
도 10은 일 실험 결과를 나타내는 표이며, 실험은 다음과 같은 방식으로 진행되었다.
x축 히스토그램만을 통해 낙상 예측 정확도 실험을 수행하였다. SVM을 통해 낙상 위험 상태인 1920개의 이미지와 안정한 상태인 1260개의 이미지 중 랜덤하게 선택된 70%의 이미지에 대한 x축 히스토그램을 낙상 예측 시스템에 학습시켰다. 그 후, 나머지 30%의 이미지에 대한 x축 히스토그램을 분석하였다.
다음으로, y축 히스토그램만을 통해 낙상 예측 정확도 실험을 수행하였다. SVM을 통해 낙상 위험 상태인 1920개의 이미지와 안정한 상태인 1260개의 이미지 중 랜덤하게 선택된 70%의 이미지에 대한 y축 히스토그램을 낙상 예측 시스템에 학습시켰다. 그 후, 나머지 30%의 이미지에 대한 y축 히스토그램을 분석하였다.
마지막으로, x축 히스토그램 및 y축 히스토그램을 통해 낙상 예측 정확도 실험을 수행하였다. SVM을 통해 낙상 위험 상태인 1920개의 이미지와 안정한 상태인 1260개의 이미지 중 랜덤하게 선택된 70%의 이미지에 대한 x축 히스토그램과 y축 히스토그램을 낙상 예측 시스템에 학습시켰다. 그 후, 나머지 30%의 이미지에 대한 x축 히스토그램과 y축 히스토그램을 분석하였다.
그 결과, x축 히스토그램으로 낙상 예측을 수행할 경우 정확도는 99.41%이며, y축 히스토그램으로 낙상 예측을 수행할 경우 정확도는 74.89%이며, x축 및 y축 히스토그램으로 낙상 예측을 수행할 경우 정확도는 99.70%로 밝혀졌다.
이상에서 설명된 실시 예는 본 발명의 바람직한 실시 예를 설명한 것에 불과하고, 본 발명의 권리범위는 설명된 실시 예에 한정되는 것은 아니며, 이 분야의 통상의 기술자에 의하여 본 발명의 기술적 사상과 특허청구범위 내에서의 다양한 변경, 변형 또는 치환이 가능할 것이며, 그와 같은 실시 예들은 본 발명의 범위에 속하는 것으로 보아야 한다.
Claims (9)
- 사람의 모습을 촬영하기 위한 열화상 카메라;
상기 열화상 카메라에서 촬영된 이미지를 구성하는 각각의 픽셀 데이터를 분석하여, 사람의 낙상 위험 여부를 판단하는 제어부; 및
상기 제어부로부터 상기 낙상 위험 여부에 대한 정보를 전달받아 외부로 표시하는 디스플레이를 포함하고,
상기 제어부는,
상기 픽셀 데이터에 기초하여, 상기 촬영된 이미지의 x축 히스토그램 및 y축 히스토그램 데이터를 구하고, 상기 x축 히스토그램 및 y축 히스토그램 데이터를 바탕으로 상기 낙상 위험 여부를 판단하는 열화상 카메라를 이용한 낙상 예측 시스템.
- 제 1 항에 있어서,
상기 픽셀 데이터는 픽셀 밝기 정보를 포함하는 열화상 카메라를 이용한 낙상 예측 시스템 제어 방법.
- 제 1 항에 있어서,
상기 제어부는, 사람의 안정 상태 및 낙상 위험 상태를 구별하기 위한 기준 데이터를 저장하고, 상기 촬영된 이미지의 픽셀 데이터와 상기 기준 데이터를 비교하여 사람의 낙상 위험 여부를 판단하는 낙상 예측 시스템 제어 방법.
- 제 3 항에 있어서,
상기 제어부는, 서포트 백터 머신(SVM)으로 상기 촬영된 이미지의 픽셀 데이터와 상기 기준 데이터를 비교하여 사람의 낙상 위험 여부를 판단하는 낙상 예측 시스템 제어 방법.
- 사람의 모습을 열화상 카메라로 촬영하는 단계;
촬영된 이미지를 구성하는 각각의 픽셀 데이터를 분석하는 단계;
상기 픽셀 데이터에 기초하여, 상기 촬영된 이미지의 x축 히스토그램 및 y축 히스토그램 데이터를 구하는 단계;
상기 x축 히스토그램 및 y축 히스토그램 데이터에 기초하여, 사람이 안정 상태 및 낙상 위험 상태 중 어떠한 상태에 있는지를 판단하는 단계; 및
사람의 상태에 기초하여 알림 장치를 작동시키는 단계;
를 포함하는 열화상 카메라를 이용한 낙상 예측 방법.
- 제 5 항에 있어서,
상기 픽셀 데이터는 픽셀 밝기 정보를 포함하는 열화상 카메라를 이용한 낙상 예측 방법.
- 제 5 항에 있어서,
사람의 안정 상태 및 낙상 위험 상태를 구별하기 위한 기준을 마련하는 단계;
를 더 포함하는 열화상 카메라를 이용한 낙상 예측 방법.
- 제 7 항에 있어서,
상기 기준을 마련하는 단계는,
열화상 카메라로 기준 이미지를 촬영하는 단계;
상기 기준 이미지를 구성하는 각각의 픽셀의 밝기 데이터를 구하는 단계; 및
상기 기준 이미지의 x축 히스토그램 및 y축 히스토그램을 분석하는 단계;
를 포함하는 열화상 카메라를 이용한 낙상 예측 방법.
- 제 5 항에 있어서,
상기 사람이 안정 상태 및 낙상 위험 상태 중 어떠한 상태에 있는지를 판단하는 단계는, 서포트 백터 머신(SVM)으로 수행되는 열화상 카메라를 이용한 낙상 예측 방법.
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
KR20170062071 | 2017-05-19 | ||
KR1020170062071 | 2017-05-19 |
Publications (2)
Publication Number | Publication Date |
---|---|
KR20180127255A true KR20180127255A (ko) | 2018-11-28 |
KR102052883B1 KR102052883B1 (ko) | 2019-12-10 |
Family
ID=64561523
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
KR1020180057797A KR102052883B1 (ko) | 2017-05-19 | 2018-05-21 | 열화상 카메라를 이용한 낙상 예측 시스템 및 열화상 카메라를 이용한 낙상 예측 방법 |
Country Status (1)
Country | Link |
---|---|
KR (1) | KR102052883B1 (ko) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110379131A (zh) * | 2019-07-26 | 2019-10-25 | 北京积加科技有限公司 | 一种跌倒风险预测方法、***及装置 |
KR20210051727A (ko) * | 2019-10-31 | 2021-05-10 | 주식회사 소프트웨어융합연구소 | 심탄도 센서와 카메라를 이용한 낙상 예측 방법 및 시스템. |
KR20210136323A (ko) | 2020-05-07 | 2021-11-17 | 광주과학기술원 | 환자의 낙상상황을 판별하기 위한 낙상 판별 시스템 및 방법 |
KR20230086833A (ko) * | 2021-12-08 | 2023-06-16 | 주식회사 밀리센스 | 열-감지센서를 이용한 병동 돌발 상황 경보 및 모니터링 시스템 |
KR20230086845A (ko) * | 2021-12-08 | 2023-06-16 | 주식회사 밀리센스 | 열-감지센서를 이용한 병동 돌발 상황 경보 및 모니터링 방법 |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20220060037A (ko) | 2020-11-02 | 2022-05-11 | 주식회사 큐버 | 스마트 미러의 열화상 카메라와 스켈레톤 분석을 이용한 인공지능 기반 스마트 케어 시스템 |
KR102636116B1 (ko) | 2022-07-19 | 2024-02-13 | 주식회사 럭스로보 | 열화상 영상을 이용한 객체 행동 감지 시스템 |
KR20240072456A (ko) | 2022-11-16 | 2024-05-24 | 주식회사 큐버 | 연합학습 기반의 낙상 상황 인지 방법 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101712136B1 (ko) * | 2015-04-30 | 2017-03-03 | 수원대학교산학협력단 | 열화상 카메라를 이용한 객체의 실신 상황 감지 방법 및 장치 |
-
2018
- 2018-05-21 KR KR1020180057797A patent/KR102052883B1/ko active IP Right Grant
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101712136B1 (ko) * | 2015-04-30 | 2017-03-03 | 수원대학교산학협력단 | 열화상 카메라를 이용한 객체의 실신 상황 감지 방법 및 장치 |
Non-Patent Citations (1)
Title |
---|
Homa Foroughi 외 2인, "Robust Fall Detection Using Human Shape and Multi-class Support Vector Machine", 2008 Sixth Indian Conference on Computer Vision, Graphics & Image Processing, 2008, pp 413-420.* * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110379131A (zh) * | 2019-07-26 | 2019-10-25 | 北京积加科技有限公司 | 一种跌倒风险预测方法、***及装置 |
CN110379131B (zh) * | 2019-07-26 | 2020-08-11 | 深圳市积加创新技术有限公司 | 一种跌倒风险预测方法、***及装置 |
KR20210051727A (ko) * | 2019-10-31 | 2021-05-10 | 주식회사 소프트웨어융합연구소 | 심탄도 센서와 카메라를 이용한 낙상 예측 방법 및 시스템. |
KR20210136323A (ko) | 2020-05-07 | 2021-11-17 | 광주과학기술원 | 환자의 낙상상황을 판별하기 위한 낙상 판별 시스템 및 방법 |
KR20230086833A (ko) * | 2021-12-08 | 2023-06-16 | 주식회사 밀리센스 | 열-감지센서를 이용한 병동 돌발 상황 경보 및 모니터링 시스템 |
KR20230086845A (ko) * | 2021-12-08 | 2023-06-16 | 주식회사 밀리센스 | 열-감지센서를 이용한 병동 돌발 상황 경보 및 모니터링 방법 |
Also Published As
Publication number | Publication date |
---|---|
KR102052883B1 (ko) | 2019-12-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
KR20180127255A (ko) | 열화상 카메라를 이용한 낙상 예측 시스템 및 열화상 카메라를 이용한 낙상 예측 방법 | |
US10482321B2 (en) | Methods and systems for identifying the crossing of a virtual barrier | |
US10786183B2 (en) | Monitoring assistance system, control method thereof, and program | |
US7106885B2 (en) | Method and apparatus for subject physical position and security determination | |
KR101715218B1 (ko) | 영상 분석을 통하여 환자의 낙상 위험을 판단하는 시스템 및 방법 | |
JP6504156B2 (ja) | 情報処理装置、情報処理方法、及び、プログラム | |
JP6579411B1 (ja) | 介護設備又は病院用の監視システム及び監視方法 | |
WO2020145380A1 (ja) | 介護記録装置、介護記録システム、介護記録プログラムおよび介護記録方法 | |
KR102404971B1 (ko) | 환자의 낙상 감시시스템 및 그 감시방법 | |
JP2020034960A (ja) | 被監視者の姿勢検知装置 | |
WO2015016933A1 (en) | Infectious disease warning system with security and accountability features | |
JP6791731B2 (ja) | 姿勢判定装置及び通報システム | |
US20180322334A1 (en) | Person Monitoring Device And Method, And Person Monitoring System | |
US20080211908A1 (en) | Monitoring Method and Device | |
JP2020145595A (ja) | 看視又は監視システム、又はプログラム | |
US11513007B2 (en) | Notification control device, notification control system, and notification control method | |
US10909678B2 (en) | Method and apparatus for monitoring of a human or animal subject | |
KR102608941B1 (ko) | 인공지능을 이용한 환자의 이상 행동 탐지 시스템 | |
JP6583953B1 (ja) | 医療用装身器具の自己抜去監視システム及び医療用装身器具の自己抜去監視方法 | |
CN115909659A (zh) | 一种儿童病房内异常行为的视频监控报警*** | |
WO2020241034A1 (ja) | 監視システム及び監視方法 | |
KR101655969B1 (ko) | 영상 분석을 통하여 환자의 낙상을 방지하기 위한 장치 및 방법 | |
JP2023548886A (ja) | カメラを制御するための装置及び方法 | |
JP2022010581A (ja) | 検知装置、検知方法、画像処理方法、およびプログラム | |
WO2021024691A1 (ja) | 画像処理システム、画像処理プログラム、および画像処理方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
A201 | Request for examination | ||
E902 | Notification of reason for refusal | ||
E701 | Decision to grant or registration of patent right | ||
GRNT | Written decision to grant |