KR20210051727A - Fall prediction method and system using a ballistocardiogram sensor and camera. - Google Patents

Fall prediction method and system using a ballistocardiogram sensor and camera. Download PDF

Info

Publication number
KR20210051727A
KR20210051727A KR1020190137367A KR20190137367A KR20210051727A KR 20210051727 A KR20210051727 A KR 20210051727A KR 1020190137367 A KR1020190137367 A KR 1020190137367A KR 20190137367 A KR20190137367 A KR 20190137367A KR 20210051727 A KR20210051727 A KR 20210051727A
Authority
KR
South Korea
Prior art keywords
fall
deep
bed
camera
patient
Prior art date
Application number
KR1020190137367A
Other languages
Korean (ko)
Other versions
KR102285588B1 (en
Inventor
박철구
Original Assignee
주식회사 소프트웨어융합연구소
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 주식회사 소프트웨어융합연구소 filed Critical 주식회사 소프트웨어융합연구소
Priority to KR1020190137367A priority Critical patent/KR102285588B1/en
Publication of KR20210051727A publication Critical patent/KR20210051727A/en
Application granted granted Critical
Publication of KR102285588B1 publication Critical patent/KR102285588B1/en

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
    • G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
    • G08B21/0407—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis
    • G08B21/043—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons based on behaviour analysis detecting an emergency event, e.g. a fall
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1102—Ballistocardiography
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1116—Determining posture transitions
    • A61B5/1117—Fall detection
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/1126—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique
    • A61B5/1128—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb using a particular sensing technique using image analysis
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6887—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient mounted on external non-worn devices, e.g. non-medical devices
    • A61B5/6892—Mats
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7203—Signal processing specially adapted for physiological signals or for diagnostic purposes for noise prevention, reduction or removal
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7271—Specific aspects of physiological measurement analysis
    • A61B5/7275—Determining trends in physiological measurement data; Predicting development of a medical condition based on physiological measurements, e.g. determining a risk factor
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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
    • G08B21/0202—Child monitoring systems using a transmitter-receiver system carried by the parent and the child
    • G08B21/0225—Monitoring making use of different thresholds, e.g. for different alarm levels
    • 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
    • G08B21/04—Alarms for ensuring the safety of persons responsive to non-activity, e.g. of elderly persons
    • G08B21/0438—Sensor means for detecting
    • G08B21/0492—Sensor dual technology, i.e. two or more technologies collaborate to extract unsafe condition, e.g. video tracking and RFID tracking
    • 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

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Medical Informatics (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Physiology (AREA)
  • Signal Processing (AREA)
  • General Physics & Mathematics (AREA)
  • Artificial Intelligence (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Dentistry (AREA)
  • Business, Economics & Management (AREA)
  • Emergency Management (AREA)
  • Psychiatry (AREA)
  • Multimedia (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Gerontology & Geriatric Medicine (AREA)
  • General Engineering & Computer Science (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Software Systems (AREA)
  • Child & Adolescent Psychology (AREA)
  • Cardiology (AREA)
  • Nuclear Medicine, Radiotherapy & Molecular Imaging (AREA)
  • Radiology & Medical Imaging (AREA)
  • Psychology (AREA)

Abstract

The present invention relates to a method and a system for predicting fall using a deep trajectory sensor and a camera, and more specifically, to the method and the system for predicting fall using the deep trajectory sensor and the camera, which determine a bed occupancy status of the patient by installing the deep trajectory sensor, which is a non-contact sensor, on a bed, determine a patient's condition by inputting image data of the camera photographing around the bed into deep learning, and can predict a patient's fall by comparing a bed occupancy status and a patient status to inform a risk.

Description

심탄도 센서와 카메라를 이용한 낙상 예측 방법 및 시스템.{Fall prediction method and system using a ballistocardiogram sensor and camera.}Fall prediction method and system using a ballistocardiogram sensor and camera.}

본 발명은 심탄도 센서와 카메라를 이용한 낙상 예측 방법 및 시스템에 관한 것으로, 더욱 상세하게는 비접촉식 센서인 심탄도 센서를 침대에 설치하여 환자의 침대 점유 상태 판단하고, 침대 주위를 촬영한 카메라의 영상 데이터를 딥러닝에 입력하여 환자 상태를 판별하며, 침대 점유 상태와 환자 상태를 비교하여 환자의 낙상을 예측하여 위험을 알릴 수 있는 심탄도 센서와 카메라를 이용한 낙상 예측 방법 및 시스템에 관한 것이다. The present invention relates to a fall prediction method and system using a cardiac ballistic sensor and a camera, and more particularly, a cardiac ballistic sensor, which is a non-contact sensor, is installed on a bed to determine the occupancy state of a patient's bed, and an image of a camera photographed around the bed. The present invention relates to a fall prediction method and system using a cardiac trajectory sensor and a camera that can determine the patient's condition by inputting data into deep learning and predict the patient's fall by comparing the bed occupancy state and the patient state.

고령화 사회로 급속하게 진행함에 따라, 노인 분들이나 거동이 불편한 보행자 등이 안심하고 일상생활을 영위할 수 있도록 도와주는 다양한 건강관리 서비스들이 등장하고 있다.As the aging society rapidly progresses, various health care services are emerging that help the elderly and pedestrians with limited mobility to lead their daily lives with confidence.

낙상이란 미끄러짐, 추락 등 넘어지거나 떨어져서 몸을 다치는 것으로 병원에서는 낙상을 중풍이나 기절 등 갑자기 쓰러지는 것과 외부적인 힘에 의해서 넘어지는 것을 제외하고 의도하지 않은 자세의 변화로 인해 바닥이나 몸의 위치보다 낮은 곳으로 넘어지는 것을 의미한다.A fall is an injury to the body by falling or falling, such as a slip or fall.In hospitals, a fall is a place lower than the floor or body position due to an unintended change of posture, except for sudden fall, such as a stroke or fainting, and a fall due to external force. Means to fall.

한편, 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 의하면, 우리나라 병원 사건보고서의 30%는 낙상에 의한 것임을 알 수 있으며, 낙상 발생률 조사 결과 병실 내에서 발생한 낙상이 72.4%를 차지하고 있고, 그 중 침대에서 발생한 낙상이 63%를 차지하였다.Meanwhile, Kim, Chul-Gyu, and Moon-Ja Suh. "An analysis of fall incidence rate and its related factors of fall in inpatients." According to Quality Improvement in Health Care 9.2 (2002): 210-228., it can be seen that 30% of hospital incident reports in Korea are due to falls. Among them, the fall occurred on the bed occupied 63%.

이러한, 낙상은 환자가 침대를 오르내릴 때, 수면 상태에 있을 때 등 다양한 경우에 발생할 수 있으며, 이를 방지하기 위한 종래의 기술로 한국공개특허 10-2016-0015463호에는 센서를 이용한 낙상 방지장치가 공개되어 있으며, 한국등록특허 제10-1765469호에는 카메라를 이용한 낙상 검출 방법이 개시되어 있다.Such, falls may occur in various cases, such as when the patient goes up and down the bed, when in a sleeping state, and as a conventional technology for preventing this, a fall prevention device using a sensor is provided in Korean Patent Publication No. 10-2016-0015463. It has been disclosed, and Korean Patent Registration No. 10-1765469 discloses a method for detecting a fall using a camera.

먼저, 한국공개특허 10-2016-0004679호에는 낙상 감지를 위해 웨어러블 모션 센서 장치를 착용하고, 모션센서의 감지결과를 통해 낙상 사고의 발생 여부를 감지하는 방법이 개시되어 있으며, 한국등록특허 제10-1765469호에는 입력되는 영상 내에서 환자를 구분하고 환자의 면적, 자세에 대응되는 크기를 타원으로 형상화하며, 형상화된 타원 내의 교점(P)의 위치, 이동속도, 타원의 크기, 타원의 형상 변화 정도에 따라 구분하여 낙상 여부를 판단하는 방법이 개시되어 있다.First, Korean Patent Laid-Open No. 10-2016-0004679 discloses a method of wearing a wearable motion sensor device to detect a fall, and detecting whether a fall has occurred through the detection result of the motion sensor. -1765469 distinguishes patients within the input image, shapes the size corresponding to the patient's area and posture into an ellipse, and changes the location, movement speed, size of the ellipse, and the shape of the ellipse within the shaped ellipse. Disclosed is a method of determining whether a person falls according to their degree.

그러나, 한국공개특허 10-2016-0004579호는 환자의 몸에 모션센서 장치를 부착해야 하므로 환자가 착용하는 동안 불편을 느낄 수 있는 문제점가 있으며, 한국등록특허 제10-1765469호는 차영상을 이용하기 때문에 이불 등의 외부 물질 또는 사람의 자세에 의해 타형의 변화가 다양하게 이루어지므로, 정밀한 낙상 검출이 어려운 문제가 있다.However, Korean Patent Laid-Open No. 10-2016-0004579 has a problem in that a patient may feel discomfort while wearing it because a motion sensor device must be attached to the patient's body, and Korean Patent No. 10-1765469 uses a difference image. Therefore, there is a problem in that it is difficult to accurately detect a fall because various changes in the other shape are made depending on an external substance such as a blanket or a person's posture.

따라서, 환자에게 직접 센서를 착용하지 않으며, 카메라를 통해 취득된 정보를 통해 정밀한 낙상 검출을 수행하여, 신속하게 관리자에게 낙상 사고를 알림으로써, 사고 후 조속한 조치가 수행될 수 있도록 할 수 있는 방법이 필요하다.Therefore, there is no way to directly wear a sensor on the patient, and by performing precise fall detection through the information acquired through the camera, and promptly notifying the manager of the fall accident, so that prompt action can be taken after the accident. need.

본 발명은 상술한 문제점을 해결하기 위해 안출된 것으로, 본 발명의 목적은 센서와 카메라를 사용하되 환자에게 직접적으로 센서를 착용하지 않으며, 센서와 카메라로부터 취득되는 데이터를 이용하여 정밀한 낙상 검출이 이루어질 수 있는 심탄도 센서와 카메라를 이용한 낙상 예측 방법 및 시스템을 제공하는 것이다. The present invention was conceived to solve the above-described problem, and an object of the present invention is to use a sensor and a camera, but do not wear the sensor directly to the patient, and precise fall detection is made using data acquired from the sensor and the camera. It is to provide a method and system for predicting a fall using a possible deep ballistic sensor and a camera.

상기의 목적을 달성하기 위해 침대에 설치된 심탄도 센서와 상기 침대를 촬영하는 카메라를 통해 환자의 낙상을 예측하는 방법에 관한 것으로, 컴퓨터가, 상기 심탄도 센서와 상기 카메라로부터 심탄도 데이터 및 영상 데이터를 각각 입력받는 단계; 상기 심탄도 데이터를 이용하여 환자의 침대 점유 상태를 판단하는 단계; 상기 환자가 침대를 점유하고 있는 경우 상기 카메라로부터 촬영된 영상 데이터를 딥러닝에 입력하여 환자의 상태를 판단하는 단계; 및 상기 딥러닝을 통해 판단된 환자의 상태와 상기 침대 점유 상태를 비교하여 최종적으로 낙상 상태를 판단하는 단계;를 포함하는 것을 특징으로 하는 심탄도 센서 및 카메라를 이용한 낙상 감지 예측 방법을 제공한다.In order to achieve the above object, it relates to a method for predicting a fall of a patient through a cardiac ballistic sensor installed on a bed and a camera for photographing the bed, wherein a computer includes cardiac ballistic data and image data from the cardiac ballistic sensor and the camera. Receiving each input; Determining a bed occupancy state of the patient using the heart trajectory data; When the patient occupies the bed, determining the patient's condition by inputting image data captured from the camera into deep learning; And comparing the state of the patient determined through the deep learning with the state of occupying the bed to finally determine the fall state.

바람직한 실시예에 있어서, 상기 환자의 침대 점유 상태를 판단하는 단계 이전에, 상기 심탄도 데이터의 잡음을 제거하는 단계;를 더 포함할 수 있다.In a preferred embodiment, before the step of determining the bed occupancy state of the patient, removing noise from the heart trajectory data; may further include.

바람직한 실시예에 있어서, 상기 심탄도 데이터의 잡음을 제거하는 단계:는In a preferred embodiment, the step of removing noise from the cardiac trajectory data:

입력된 상기 심탄도 데이터의 신호의 크기를 스케일링하는 단계; 신호의 크기가 조정된 심탄도 데이터로부터 미리 설정된 평균 제곱근 최대값과 평균 제곱근 최소값 범위에 해당하는 데이터를 추출하는 단계; 및 추출된 심탄도 데이터로부터 미리 설정된 최소 진폭값과 최대 진폭값 범위에 해당하는 데이터를 추출하는 단계;를 포함한다.Scaling the signal size of the input depth trajectory data; Extracting data corresponding to a preset root mean square maximum value and a root mean square minimum value range from the cardiac trajectory data whose signal size is adjusted; And extracting data corresponding to a preset minimum amplitude value and a maximum amplitude value range from the extracted deep trajectory data.

바람직한 실시예에 있어서, 상기 영상 데이터는 RGB 영상 데이터 또는 열화상 데이터일 수 있다.In a preferred embodiment, the image data may be RGB image data or thermal image data.

바람직한 실시예에 있어서, 상기 환자의 침대 점유 상태를 판단하는 단계;는 상기 잡음을 제거하는 단계를 거친 후에도 심탄도 데이터가 출력되는 경우 "점유 상태"로 판단하고, 상기 심탄도 데이터가 출력되지 않는 경우 "비점유 상태"로 판단된다.In a preferred embodiment, the step of determining the occupied state of the patient's bed; if the heart trajectory data is output even after the step of removing the noise, it is determined as "occupied state", and the heart trajectory data is not output. If it is, it is judged as "non-occupied".

바람직한 실시예에 있어서, 상기 딥러닝은 YOLO(You Only Look Once) 알고리즘일 수 있다.In a preferred embodiment, the deep learning may be a You Only Look Once (YOLO) algorithm.

바람직한 실시예에 있어서, 상기 환자의 상태는 "빈 침대", "낙상 경보", "낙상", "걸쳐 앉은 상태" 및 "정상 상태"을 포함한다.In a preferred embodiment, the patient's condition includes "empty bed", "fall alarm", "fall", "straight down" and "normal state".

바람직한 실시예에 있어서, 상기 최종적으로 낙상을 판단하는 단계는 상기 환자의 상태가 "낙상 경보" 또는 "낙상"으로 판단되고, 상기 침대 점유 상태가 "비점유 상태"로 판단될 경우,낙상으로 최종 판단한다.In a preferred embodiment, in the final determining of the fall, when the state of the patient is determined as "fall alarm" or "fall", and the bed occupancy state is determined as the "non-occupied state", the final fall Judge.

또한, 본 발명은 상기 낙상 예측 방법을 실행시키기 위한 기록매체에 저장된 컴퓨터 프로그램을 제공한다.In addition, the present invention provides a computer program stored in a recording medium for executing the fall prediction method.

또한, 본 발명은 심탄도 센서가 설치된 침대; 상기 침대 주위를 촬영하는 카메라; 및 낙상을 예측하는 제 9 항의 컴퓨터 프로그램이 저장된 서버; 및 상기 서버에서 예측된 결과를 표시하여 모니터링할 수 있는 디스플레이 장치;를 포함하는 것을 특징으로 하는 낙상 감지 예측 시스템을 더 제공한다.In addition, the present invention is a bed equipped with a ballistic sensor; A camera for photographing around the bed; And a server storing the computer program of claim 9 for predicting a fall. And a display device capable of displaying and monitoring a result predicted by the server.

도 1은 본 발명의 일 실시예에 따른 심탄도 센서 및 카메라를 이용한 낙상 예측 시스템을 보여주는 도면,
도 2는 본 발명의 일 실시예에 따른 심탄도 센서 및 카메라를 이용한 낙상 예측 방법의 순서도,
도 3은 본 발명의 일 실시예에 따른 심탄도 데이터의 잡음 제거 방법을 보여주는 순서도,
도 4는 본 발명의 일 실시예에 따른 잡음이 제거된 심탄도 데이터를 보여주는 그래프,
도 5는 본 발명의 일 실시예에 따른 심탄도 센서 및 카메라를 이용한 낙상 예측 방법의 예측 결과를 보여주는 그림이다.1 is a view showing a fall prediction system using a deep ballistic sensor and a camera according to an embodiment of the present invention;
2 is a flow chart of a fall prediction method using a deep ballistic sensor and a camera according to an embodiment of the present invention;
3 is a flow chart showing a method of removing noise from trajectory data according to an embodiment of the present invention;
4 is a graph showing heart trajectory data from which noise is removed according to an embodiment of the present invention;
5 is a diagram showing a prediction result of a fall prediction method using a deep ballistic sensor and a camera according to an embodiment of the present invention.

본 발명에서 사용되는 용어는 가능한 현재 널리 사용되는 일반적인 용어를 선택하였으나, 특정한 경우는 출원인이 임의로 선정한 용어도 있는데 이 경우에는 단순한 용어의 명칭이 아닌 발명의 상세한 설명 부분에 기재되거나 사용된 의미를 고려하여 그 의미가 파악되어야 할 것이다.As for terms used in the present invention, general terms that are currently widely used are selected, but in certain cases, some terms are arbitrarily selected by the applicant. In this case, the meanings described or used in the detailed description of the invention are considered rather than the names of simple terms. Therefore, the meaning should be grasped.

이하, 첨부한 도면에 도시된 바람직한 실시예들을 참조하여 본 발명의 기술적 구성을 상세하게 설명한다.Hereinafter, with reference to the preferred embodiments shown in the accompanying drawings will be described in detail the technical configuration of the present invention.

그러나, 본 발명은 여기서 설명되는 실시예에 한정되지 않고 다른 형태로 구체화될 수도 있다. 명세서 전체에 걸쳐 동일한 참조번호는 동일한 구성요소를 나타낸다.However, the present invention is not limited to the embodiments described herein and may be embodied in other forms. The same reference numerals denote the same elements throughout the specification.

본 발명은 심탄도 센서의 심탄도 데이터로부터 환자의 침대 점유 상태를 판단하고, 카메라의 영상 데이터를 딥러닝에 입력하여 환자의 상태를 판단하며, 침대 점유 상태와 환자의 상태를 비교하여 낙상 여부를 예측하는 방법이다.The present invention determines the patient's bed occupancy state from the heart trajectory data of the heart trajectory sensor, inputs image data from the camera into deep learning to determine the patient's state, and compares the bed occupancy state with the patient's state to determine whether a fall has occurred. It's a way to predict.

또한, 본 발명의 일 실시예에 따른 낙상 예측 방법은 컴퓨터에 의해 수행되며, 상기 컴퓨터에는 상기 컴퓨터를 기능시켜 낙상 예측 방법을 수행하기 위한 컴퓨터 프로그램이 저장된다.In addition, the fall prediction method according to an embodiment of the present invention is performed by a computer, and a computer program for performing the fall prediction method by functioning the computer is stored in the computer.

또한, 상기 컴퓨터는 일반적인 퍼스널 컴퓨터뿐만 아니라 본 발명을 위해 특별히 제작된 임베디드 시스템, 스마트 기기 등의 컴퓨팅 장치를 포함하는 광의의 장치일 수 있다.In addition, the computer may be a device in a broad sense including not only a general personal computer, but also a computing device such as an embedded system or smart device specially manufactured for the present invention.

또한, 상기 컴퓨터 프로그램은 별도의 기록 매체에 저장되어 제공될 수 있으며, 상기 기록 매체는 본 발명을 위하여 특별히 설계되어 구성된 것이거나 컴퓨터 소프트웨어 분야에서 통상의 지식을 가진 자에게 공지되어 사용 가능한 것일 수 있다.In addition, the computer program may be provided by being stored in a separate recording medium, and the recording medium may be specially designed and configured for the present invention, or may be known and usable to a person having ordinary knowledge in the field of computer software. .

예를 들면, 상기 기록 매체는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD, DVD와 같은 광 기록 매체, 자기 및 광 기록을 겸할 수 있는 자기-광 기록 매체, 롬, 램, 플래시 메모리 등 단독 또는 조합에 의해 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치일 수 있다.For example, the recording medium is a magnetic medium such as a hard disk, a floppy disk, and a magnetic tape, an optical recording medium such as a CD and DVD, a magnetic-optical recording medium capable of both magnetic and optical recording, a ROM, a RAM, a flash memory. And the like, alone or in combination, may be a hardware device specially configured to store and execute program instructions.

또한, 상기 컴퓨터 프로그램은 프로그램 명령, 로컬 데이터 파일, 로컬 데이터 구조 등이 단독 또는 조합으로 구성된 프로그램일 수 있고, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라, 인터프리터 등을 사용하여 컴퓨터에 의해 실행될 수 있는 고급 언어 코드로 짜여진 프로그램일 수 있다.In addition, the computer program may be a program composed of a program command, a local data file, a local data structure, etc., alone or in combination, and may be executed by a computer using an interpreter, as well as a machine code created by a compiler. It may be a program written in high-level language code that is available.

또한, 도 1은 본 발명의 일 실시예에 따른 심탄도 센서 및 카메라를 이용한 낙상 예측 시스템을 보여주는 도면으로, 도 1을 참조하면, 본 발명의 일 실시예에 따른 낙상 예측 방법은 낙상 예측 시스템(100)에 의해 수행될 수 있으며, 상기 낙상 예측 시스템은 심탄도 센서(11)가 설치된 침대(10), 상기 침대(10) 주변을 촬영하는 카메라(20), 상기 심탄도 센서(11)와 상기 카메라(20)로부터 각각의 데이터를 수신받아 상기 낙상 예측 방법을 수행하는 서버(30) 및 낙상 예측 결과를 출력하는 디스플레이 장치(40)를 포함하여 구성될 수 있다.In addition, FIG. 1 is a view showing a fall prediction system using a deep ballistic sensor and a camera according to an embodiment of the present invention. Referring to FIG. 1, a fall prediction method according to an embodiment of the present invention includes a fall prediction system ( 100), and the fall prediction system includes a bed 10 equipped with a ballistic sensor 11, a camera 20 for photographing around the bed 10, the ballistic sensor 11 and the It may be configured to include a server 30 that receives each data from the camera 20 and performs the fall prediction method, and a display device 40 that outputs a fall prediction result.

이하에서는 도 2를 참조하여 본 발명의 일 실시예에 따른 낙상 예측 방법을 상세히 설명한다.Hereinafter, a method for predicting a fall according to an embodiment of the present invention will be described in detail with reference to FIG. 2.

도 2는 본 발명의 일 실시예에 따른 낙상 예측 방법의 순서도로, 도 2를 참조하면, 본 발명의 낙상 예측 방법은 먼저, 서버(30)가 침대(10)에 설치된 심탄도 센서(11)와 카메라(20)로부터 각각의 데이터를 실시간으로 입력받는다(S1000).FIG. 2 is a flow chart of a method for predicting a fall according to an embodiment of the present invention. Referring to FIG. 2, the method for predicting a fall according to the present invention includes, first, a cardiac trajectory sensor 11 installed on the bed 10 in which the server 30 is installed. And each data is inputted from the camera 20 in real time (S1000).

또한, 상기 서버(30)는 상기 심탄도 센서(11)와 상기 카메라(20)로부터 통신망을 통해 데이터를 입력받을 수 있으며, 상기 심탄도 센서(11)의 심탄도 데이터는 환자의 생체정보를 나타내고, 상기 카메라(20)의 데이터는 영상 데이터로, RGB 영상 데이터 또는 열화상 데이터일 수 있다.In addition, the server 30 may receive data from the ballistic sensor 11 and the camera 20 through a communication network, and the ballistic data of the ballistic sensor 11 represents the patient's biometric information. , The data of the camera 20 is image data, and may be RGB image data or thermal image data.

다음, 입력된 심탄도 데이터의 잡음을 제거한다(S2000).Next, noise from the input trajectory data is removed (S2000).

한편, 입력된 초기의 심탄도 데이터는 침대에 환자가 눕거나 움직일 때 침대의 스프링 상수와 댐핑 인자에 의해 영향을 받아 신호 진폭 변조 및 감쇠 시간 상수를 가져오는 문제가 있으므로, 이를 최적화하기 위한 잡음 제거 과정을 수행해야 한다.On the other hand, the inputted initial cardiac trajectory data is affected by the spring constant and damping factor of the bed when the patient lies on the bed or moves, resulting in signal amplitude modulation and attenuation time constant. You have to carry out the process.

도 3은 본 발명의 일 실시예에 따른 심탄도 데이터의 잡음 제거 방법을 보여주는 순서도, 도 4는 본 발명의 일 실시예에 따른 잡음이 제거된 심탄도 데이터를 보여주는 그래프로, 도 3 내지 도 4를 참조하면, 상기 심탄도 데이터의 잡음을 제거하기 위해서는 먼저, 입력된 심탄도 데이터의 신호 크기를 스케일링을 수행한다(S2100).3 is a flow chart showing a method for removing noise from deep ballistic data according to an embodiment of the present invention, and FIG. 4 is a graph showing deep ballistic data from which noise is removed according to an embodiment of the present invention, and FIGS. 3 to 4 Referring to, in order to remove the noise of the deep ballistic data, first, the signal size of the input deep ballistic data is scaled (S2100).

이때, 상기 신호 크기의 스케일링은 "10um/s2"이 되도록 조정하는 것이 바람직하며, 이를 통해 적절한 해상도와 숫자의 오버 플로우를 방지할 수 있다.At this time, it is preferable to adjust the scaling of the signal size to be "10um/s 2 ", and through this, it is possible to prevent overflow of an appropriate resolution and number.

다음, 상기 스케일링된 심탄도 데이터를 미리 설정된 최소 평균 제곱근(RMS)값과 최대 평균 제곱근(RMS)값 범위에 해당되는 심탄도 데이터를 추출한다(S2200).Next, deep trajectory data corresponding to a range of a minimum root mean square (RMS) value and a maximum root mean square (RMS) value set in advance is extracted from the scaled heart trajectory data (S2200).

다음, 추출된 심전도 데이터로부터 미리 설정된 심탄도 데이터의 최소 진폭값과 최대 진폭값 이내에 해당하는 데이터를 추출함으로써, 최종적으로 입력된 심탄도 데이터의 잡음 제거를 완료한다(S2300).Next, by extracting data corresponding to the minimum amplitude value and the maximum amplitude value of the previously set cardiac ballistic data from the extracted electrocardiogram data, noise removal of the finally input cardiac ballistic data is completed (S2300).

한편, 상기 미리 설정된 최소 평균 제곱근(RMS)값, 최대 평균 제곱근(RMS)값, 최소 진폭값 및 최대 진폭 값은 정상 상태에 해당하는 환자들의 심탄도 데이터로부터 추출된 평균값들이며, 사람 또는 침대 주변의 환경에 따라 다양하게 설정될 수 있다.On the other hand, the preset minimum root mean square (RMS) value, maximum root mean square (RMS) value, minimum amplitude value, and maximum amplitude value are average values extracted from cardiac trajectory data of patients corresponding to a normal state. It can be set in various ways according to the environment.

다음, 잡음이 제거된 심탄도 데이터를 이용하여 침대 점유 상태를 판단한다(S3000).Next, the occupancy state of the bed is determined by using the heart trajectory data from which noise has been removed (S3000).

또한, 상기 침대 점유 상태를 판단하는 방법(S3000)은 상기 심탄도 데이터가 입력되는 여부로 판단되며, 자세하게는 상기 잡음 제거가 수행된 후 심탄도 데이터가 정상적으로 출력될 경우 환자가 침대를 점유하는 "점유 상태"로 판단하며, 상기 잡음 제거가 수행된 후 심탄도 데이터가 출력되지 않을 경우 환자가 침대를 점유하지 않는 "비점유 상태"로 판단한다.In addition, in the method of determining the occupancy state of the bed (S3000), it is determined whether the heart trajectory data is input, and in detail, when the heart trajectory data is normally output after the noise removal is performed, the patient occupies the bed. It is determined as an occupied state, and if the heart trajectory data is not output after the noise removal is performed, it is determined as a "non-occupied state" in which the patient does not occupy the bed.

다음, 상기 침대 점유 상태가 "점유 상태"로 판단되는 경우 상기 영상 데이터를 딥러닝에 입력하여 환자의 상태를 판별한다(S4000).Next, when the bed occupancy state is determined to be "occupied state", the image data is input to deep learning to determine the patient's state (S4000).

상기 딥러닝은 입력된 영상 데이터에서 객체에 대한 경계박스를 실시간으로 검출할 수 있고, 분류할 수 있는 알고리즘으로, YOLO 알고리즘, Fater-RNN 알고리즘 등이 사용될 수 있으며, 본 발명에서는 전술한 알고리즘 중 하나를 선택하여 적용할 수 있다.The deep learning is an algorithm capable of detecting and classifying a bounding box for an object in real time from the input image data, and the YOLO algorithm, the Fater-RNN algorithm, etc. can be used.In the present invention, one of the above-described algorithms You can apply by selecting.

또한, 상기 딥러닝의 독립 변수로 상기 영상 데이터를 입력하였으며, 종속변수로는 "빈 침대", "낙상 경보", "낙상", "걸쳐 앉은 상태" 및 "정상 상태"로 총 5가지를 설정하였다.In addition, the image data was input as an independent variable of the deep learning, and a total of five variables were set as "empty bed", "fall alarm", "fall", "sitting state" and "normal state" as dependent variables. I did.

즉, 하나의 영상 데이터를 상기 딥러닝에 입력하면, 출력되는 결과는 빈 침대, 낙상 경보, 낙상, 걸쳐 앉은 상태 또는 정상 상태로 분류되어 출력된다. That is, when one image data is input to the deep learning, the output result is classified into an empty bed, a fall warning, a fall, a seated state, or a normal state and output.

또한, 상기 딥러닝을 통해 환자의 상태를 판별하기 위해선 선행 학습을 필요로 하며, 본 발명에서는 낙상 상태의 영상 데이터 8,500개와 정상 상태의 영상 데이터 6,500개를 훈련 모델로 사용하였고, 훈련 세트로 14,000개의 영상 데이터를 선택하였으며 테스트 세트는 1,500개의 영상 데이터를 이용하였다.In addition, in order to determine the patient's condition through the deep learning, prior learning is required.In the present invention, 8,500 image data in a falling state and 6,500 image data in a normal state were used as a training model, and 14,000 as a training set. Image data was selected, and 1,500 image data were used for the test set.

다음, 상기 딥러닝을 통해 판단된 환자의 상태와 상기 침대 점유 상태를 비교하여 최종적으로 낙상 상태를 판단한다(S5000).Next, the state of the patient determined through the deep learning and the state of occupying the bed are compared to finally determine the fall state (S5000).

본 발명에서는 상기 환자의 상태가 "낙상 경보" 또는 "낙상 상태"이고, 상기 침대 점유 상태가 "비점유 상태"일 경우 최종 낙상으로 판단하였다.In the present invention, when the patient's state is "fall alarm" or "fall state", and the bed occupancy state is "non-occupancy state", it is determined as the final fall.

또한, 상기 환자의 상태가 "낙상 경보"이고 상기 침대 점유 상태가 "점유 상태"일 경우에는 "낙상 경보"로 판단하도록 하였다.In addition, when the patient's state is "fall alarm" and the bed occupancy state is "occupied state", it is determined as "fall alarm".

즉, 상기 딥러닝을 통해 상기 환자의 낙상 상태가 "낙상 경보" 또는 "낙상 상태"여도 환자가 침대 상에 위치하지 않아야 최종 낙상으로 판단되었으며, 이를 통해 오차를 최소화하여 더욱 정밀한 낙상 예측을 수행할 수 있다.That is, even if the patient's fall state is "fall alarm" or "fall state" through the deep learning, it was determined as the final fall only if the patient was not placed on the bed.Through this, it is possible to perform more precise fall prediction by minimizing errors. I can.

도 5는 본 발명의 일 실시예에 따른 심탄도 센서 및 카메라를 이용한 낙상 예측 방법의 예측 결과를 보여주는 그림으로, 도 5를 참조하면, 본 발명의 낙상 예측 방법을 통해 "빈 침대", "낙상 경보", "낙상", "걸쳐 앉은 상태" 및 "정상 상태"를 정확히 예측하여 분류하는 것을 확인할 수 있다. 5 is a diagram showing a prediction result of a fall prediction method using a ballistic sensor and a camera according to an embodiment of the present invention. Referring to FIG. 5, "Empty Bed" and "Fall Fall" through the fall prediction method of the present invention It can be confirmed that the alarm", "fall", "straightened state" and "normal state" are accurately predicted and classified.

또한, 본 발명에 따르면, 환자의 신체에 센서를 부착하지 않고도 낙상을 예측할 수 있으므로, 환자의 이물감이나 불편함을 최소화할 수 있다.In addition, according to the present invention, since a fall can be predicted without attaching a sensor to the patient's body, a foreign body feeling or discomfort of the patient can be minimized.

이상에서 살펴본 바와 같이 본 발명은 바람직한 실시예를 들어 도시하고 설명하였으나, 상기한 실시예에 한정되지 아니하며 본 발명의 정신을 벗어나지 않는 범위 내에서 당해 발명이 속하는 기술분야에서 통상의 지식을 가진 자에 의해 다양한 변경과 수정이 가능할 것이다.As described above, the present invention has been illustrated and described with reference to preferred embodiments, but is not limited to the above-described embodiments, and within the scope of the spirit of the present invention, those of ordinary skill in the art to which the present invention pertains. Various changes and modifications will be possible.

10:침대 11:심탄도 센서
20:카메라 30:서버
40:디스플레이 장치 100:낙상 예측 시스템10: bed 11: heart ballistic sensor
20: camera 30: server
40: display device 100: fall prediction system

Claims (10)

침대에 설치된 심탄도 센서와 상기 침대를 촬영하는 카메라를 통해 환자의 낙상을 예측하는 방법에 관한 것으로,
컴퓨터가,
상기 심탄도 센서와 상기 카메라로부터 심탄도 데이터 및 영상 데이터를 각각 입력받는 단계;
상기 심탄도 데이터를 이용하여 환자의 침대 점유 상태를 판단하는 단계;
상기 환자가 침대를 점유하고 있는 경우 상기 카메라로부터 촬영된 영상 데이터를 딥러닝에 입력하여 환자의 상태를 판단하는 단계; 및
상기 딥러닝을 통해 판단된 환자의 상태와 상기 침대 점유 상태를 비교하여 최종적으로 낙상 상태를 판단하는 단계;를 포함하는 것을 특징으로 하는 심탄도 센서 및 카메라를 이용한 낙상 감지 예측 방법.It relates to a method of predicting a patient's fall through a cardiac trajectory sensor installed on a bed and a camera that photographs the bed,
Computer,
Receiving deep ballistic data and image data from the deep ballistic sensor and the camera, respectively;
Determining a bed occupancy state of the patient using the heart trajectory data;
When the patient occupies the bed, determining the patient's condition by inputting image data captured from the camera into deep learning; And
Comparing the state of the patient determined through the deep learning with the state of occupancy of the bed, and finally determining a fall state. 제 1 항에 있어서,
상기 환자의 침대 점유 상태를 판단하는 단계 이전에,
상기 심탄도 데이터의 잡음을 제거하는 단계;를 더 포함하는 것을 특징으로 하는 심탄도 센서 및 카메라를 이용한 낙상 감지 예측 방법.The method of claim 1,
Before the step of determining the bed occupancy state of the patient,
Removing noise from the deep ballistic data; Fall detection prediction method using a deep ballistic sensor and a camera, characterized in that it further comprises. 제 2 항에 있어서,
상기 심탄도 데이터의 잡음을 제거하는 단계:는
입력된 상기 심탄도 데이터의 신호의 크기를 스케일링하는 단계;
신호의 크기가 조정된 심탄도 데이터로부터 미리 설정된 평균 제곱근 최대값과 평균 제곱근 최소값 범위에 해당하는 데이터를 추출하는 단계; 및
추출된 심탄도 데이터로부터 미리 설정된 최소 진폭값과 최대 진폭값 범위에 해당하는 데이터를 추출하는 단계;를 포함하는 것을 특징으로 하는 심탄도 센서 및 카메라를 이용한 낙상 예측 방법.The method of claim 2,
The step of removing noise from the deep trajectory data:
Scaling the signal size of the input depth trajectory data;
Extracting data corresponding to a preset root mean square maximum value and a root mean square minimum value range from the cardiac trajectory data whose signal size is adjusted; And
Extracting data corresponding to a preset minimum amplitude value and a maximum amplitude value range from the extracted deep ballistic data. A method for predicting a fall using a deep ballistic sensor and a camera, comprising: a. 제 1 항에 있어서,
상기 영상 데이터는 RGB 영상 데이터 또는 열화상 데이터인 것을 특징으로 하는 심탄도 센서 및 카메라를 이용한 낙상 예측 방법.The method of claim 1,
The image data is RGB image data or thermal image data, characterized in that the fall prediction method using a deep trajectory sensor and a camera. 제 3 항에 있어서,
상기 환자의 침대 점유 상태를 판단하는 단계;는
상기 잡음을 제거하는 단계를 거친 후에도 심탄도 데이터가 출력되는 경우 "점유 상태"로 판단하고, 상기 심탄도 데이터가 출력되지 않는 경우 "비점유 상태"로 판단하는 것을 특징으로 하는 심탄도 센서 및 카메라를 이용한 낙상 예측 방법.The method of claim 3,
Determining the bed occupancy state of the patient;
A deep ballistic sensor and camera, characterized in that when the deep ballistic data is output even after the step of removing the noise, it is determined as a "occupied state", and if the deep ballistic data is not output, it is determined as a "non-occupied state". Fall prediction method using. 제 1 항에 있어서,
상기 딥러닝은 YOLO(You Only Look Once) 알고리즘인 것을 특징으로 하는 심탄도 센서 및 카메라를 이용한 낙상 예측 방법.The method of claim 1,
The deep learning is a fall prediction method using a deep ballistic sensor and a camera, characterized in that the YOLO (You Only Look Once) algorithm. 제 5 항에 있어서,
상기 환자의 상태는 "빈 침대", "낙상 경보", "낙상", "걸쳐 앉은 상태" 및 "정상 상태"을 포함하는 것을 특징으로 하는 낙상 예측 방법.The method of claim 5,
The patient's condition includes “empty bed”, “fall alarm”, “fall”, “sitting down” and “normal condition”. 제 7 항에 있어서,
상기 최종적으로 낙상을 판단하는 단계는 상기 환자의 상태가 "낙상 경보" 또는 "낙상"으로 판단되고, 상기 침대 점유 상태가 "비점유 상태"로 판단될 경우, 낙상으로 최종 판단하는 것을 특징으로 하는 심탄도 센서 및 카메라를 이용한 낙상 예측 방법.The method of claim 7,
In the final determining of the fall, when the state of the patient is determined as "fall alarm" or "fall", and the state of occupying the bed is determined as a "non-occupied state", it is characterized in that it is finally determined as a fall. Fall prediction method using a deep ballistic sensor and camera. 제 1 항 내지 제 8 항 중 어느 한 항의 낙상 예측 방법을 실행시키기 위한 기록매체에 저장된 컴퓨터 프로그램.A computer program stored in a recording medium for executing the fall prediction method according to any one of claims 1 to 8. 심탄도 센서가 설치된 침대;
상기 침대 주위를 촬영하는 카메라; 및
낙상을 예측하는 제 9 항의 컴퓨터 프로그램이 저장된 서버; 및
상기 서버에서 예측된 결과를 표시하여 모니터링할 수 있는 디스플레이 장치;를 포함하는 것을 특징으로 하는 낙상 감지 예측 시스템.





A bed equipped with a ballistic sensor;
A camera for photographing around the bed; And
A server storing the computer program of claim 9 for predicting a fall; And
And a display device capable of displaying and monitoring a result predicted by the server.
KR1020190137367A 2019-10-31 2019-10-31 Fall prediction method and system using a ballistocardiogram sensor and camera. KR102285588B1 (en)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020190137367A KR102285588B1 (en) 2019-10-31 2019-10-31 Fall prediction method and system using a ballistocardiogram sensor and camera.

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020190137367A KR102285588B1 (en) 2019-10-31 2019-10-31 Fall prediction method and system using a ballistocardiogram sensor and camera.

Publications (2)

Publication Number Publication Date
KR20210051727A true KR20210051727A (en) 2021-05-10
KR102285588B1 KR102285588B1 (en) 2021-08-04

Family

ID=75917737

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020190137367A KR102285588B1 (en) 2019-10-31 2019-10-31 Fall prediction method and system using a ballistocardiogram sensor and camera.

Country Status (1)

Country Link
KR (1) KR102285588B1 (en)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102410285B1 (en) * 2021-10-14 2022-06-22 주식회사 씨앤에이아이 Method and System for Detecting Falling accident using CCTV video data
KR20240005260A (en) 2022-07-04 2024-01-12 주식회사 소프트웨어융합연구소 System and the method for fall prediction

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180101793A (en) * 2017-03-06 2018-09-14 주식회사 소프트웨어융합연구소 Patient management system using body signal measuring method
KR20180127255A (en) * 2017-05-19 2018-11-28 한국과학기술원 Prediction system using a thermal imagery camera and fall prediction method using a thermal imagery camera
KR20190030381A (en) * 2017-09-14 2019-03-22 (주)엘지하우시스 falldown detection method of patients and senior citizen

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180101793A (en) * 2017-03-06 2018-09-14 주식회사 소프트웨어융합연구소 Patient management system using body signal measuring method
KR20180127255A (en) * 2017-05-19 2018-11-28 한국과학기술원 Prediction system using a thermal imagery camera and fall prediction method using a thermal imagery camera
KR20190030381A (en) * 2017-09-14 2019-03-22 (주)엘지하우시스 falldown detection method of patients and senior citizen

Also Published As

Publication number Publication date
KR102285588B1 (en) 2021-08-04

Similar Documents

Publication Publication Date Title
JP6823160B2 (en) Devices, systems, and methods for patient monitoring to predict and prevent bed falls
US20030059081A1 (en) Method and apparatus for modeling behavior using a probability distrubution function
JP2021086605A (en) System and method for preventing and predicting event, computer implemented method, program, and processor
JP6717235B2 (en) Monitoring support system and control method thereof
JP6385470B2 (en) Device, system and computer program for detecting the health condition of a subject
JP2019537082A (en) Devices, systems and methods for patient monitoring to predict and prevent bed falling
JP2008536208A (en) Space-time self-organizing map
KR20210051727A (en) Fall prediction method and system using a ballistocardiogram sensor and camera.
JP7403132B2 (en) Nursing care recording device, nursing care recording system, nursing care recording program, and nursing care recording method
KR102205964B1 (en) Fall prevention system and fall prevention method using dual camera and infrared camera
JP6822328B2 (en) Watching support system and its control method
CN106572795A (en) Eye condition determination system
CN115116133A (en) Abnormal behavior detection system and method for monitoring solitary old people
CN113080855B (en) Facial pain expression recognition method and system based on depth information
CN113392765A (en) Tumble detection method and system based on machine vision
KR20190000195A (en) Management System for Treatment of Neurological Disorder and Method thereof
KR20200056660A (en) Pain monitoring method and apparatus using tiny motion in facial image
Patsadu et al. Fall motion detection with fall severity level estimation by mining kinect 3D data stream.
JP2005258830A (en) Understanding system on person and action
JP4201644B2 (en) Terminal device and control program for terminal device
KR102236630B1 (en) System for recognizing scratch motion based on a wearable communications terminal and method therefor
JP7140264B2 (en) Abnormality determination device, its operation method, and program
KR102426291B1 (en) Prediction method and system of hypertension using machine learning, computer program for the same
KR20240005260A (en) System and the method for fall prediction
JP2005004787A (en) Action measuring instrument, electronic apparatus and recording medium

Legal Events

Date Code Title Description
E701 Decision to grant or registration of patent right
GRNT Written decision to grant