Human Behaviour Analysis: Fall detection

Background

인간행동 모델링은 인공지능과학에서 가장 큰 도전 중의 하나입니다. 이와 연관된 많은 어플리케이션이 있는데 예를 들면 감시시스템(공항, 은행, 기차역 등), 가상현실(가상공간, 가상스튜디오 등), 모션분석(댄스연출, 장애환자의 임상실험 등), 인간-로봇 상호작용(HRI)

우리는 인간행동분석 영역에서 연구의 중요성을 더 잘 이해하기 위해, 낙상감지의 예를 보여줄 것입니다. 노인들에게 낙상은 예기치 못한 부상과 죽음을 발생시키는 주요 요인입니다. 몇몇의 연구는 세계적으로 영향을 미치는 이 문제의 심각성을 강조합니다. 노인층의 낙상은 평균 65세 이상의 30%에서 발생하는 것으로 집계됩니다. 낙상사고를 당한 노인들 중 5-10%는 골절, 머리손상 등의 심각한 부상을 입게 됩니다. 여기의 1% 정도는 고관절 골절피해를 입게 되며 골절환자의 20-30%가 1년 안에 사망에 이르기까지 합니다. 고관절 골절을 입은 노인들의 2/3정도가 골절 되기 전의 상태로 회복되는 것이 불가능하며 1/3정도는 요양시설입소가 필요합니다.

이러한 사실을 감안할 때, 인간행동분석은 이런 종류의 위험한 상황을 예방하고 감지하는 데 크게 기여하고 있습니다. 노인들이 생활하는 공간을 모니터링하는 시스템은 낙상을 야기시키는 잠재적인 위험을 분석하고, 낙상의 잠재적인 원인을 규명할 수 있습니다. 그 결과 거주공간에서의 올바른 적응이 가능합니다. 낙상을 감지하는 측면에서 전체 모니터링이 불가능한 상황에서는, 이상상황에 대한 경보장치 시스템을 구축하는 것이 바람직합니다.

Methods

인간행동분석기법을 적용하는 입력데이터를 얻는 일반적인 방법 중 하나는 그 어떤 트래커보다 정확한 모션트래커를 사용하는 것입니다.

우리는 multi-sensor multi-modal framework에 의해 획득한 지상검증자료로써, 몸 일부의 포지션과 가속도의 데이터를 수집하기 위해 MVN BIOMECH ®을 사용합니다.

적용된 접근방법은 라반움직임분석의 어플리케이션을 확장하는 것이 목표인데, 이 라반움직임분석은 통상적으로 춤을 출 때 인간움직임을 묘사하기 위한 표기법으로써 사용됩니다.

특징들은 DSP기법을 사용하는 주파수 영역에서 추출되고 분석됩니다. (예 Fast Fourier Transform (FFT)).

DSP기법은 특징들을 추출한 후에, 수행되는 행동의 식별한 결과로 LMA매개변수를 분석/분류하는 Bayesian Network를 공급합니다.

Experiment

우리는 긴 신호데이터를 통하여, 인간행동의 순서를 이해하기 위해 우리의 방법을 적용해보려고 시도했습니다. 이런 이유 때문에, 매우 짧은 시간에 실행되는 경우에 행동을 더 잘 식별하기 위해서는 신호에서의 window-frame을 명확하게 규명할 필요가 있습니다. 우리는 100여개 이상의 서로 다른 수집샘플(인간행동)로 구성된 데이터세트를 사용하여 각 신체 부분을 분석했습니다.

Conclusion and future work

두 번째의 확률론적 접근법은 신체의 다른 부분의 3D 가속데이터로부터 추출되는 기능을 사용하여, LMA디스크립터에 근거한 인간행동들을 이해하는 것을 목표로 합니다. 첫 번째 레벨는 LMA매개변수를 얻기 위해서이고, 두 번째는 행동의 이해를 돕는 레벨입니다.