GNN 기반 연관 규칙 마이닝을 통한 낙상 위험 포즈 패턴 분석

Fall Risk Pose Pattern Analysis Using GNN-based Association Rule Mining

본 연구에서는 낙상 위험 예측을 위해 GNN 기반의 연관 규칙 마이닝 기법을 제안한다. 기존 웨어러블 장치의 한계를 극복하고자 영상 처리 기술을 활용해 포즈 데이터를 수집하고, 이를 GNN 모델에 통합하여 정밀한 예측을 가능하게 하였다. DeepPose를 사용해 포즈 데이터를 추정하고, FP-growth 알고리즘으로 연관 규칙을 도출한 후 GAT 모델을 적용하여 포즈 간의 복잡한 상호작용을 학습하였다. 본 연구의 제안 방법은 OpenPose 기반 방법 대비 Accuracy, Precision, Recall, F1-Score에서 98% 이상의 성능을 기록하며 우수성을 입증하였다. 이 모델은 고위험군의 낙상 예방과 실시간 모니터링 시스템에 적용할 수 있는 가능성을 보여준다.

This study proposes a GNN-based association rule mining method for predicting fall risks. To overcome the limitations of wearable devices, pose data was collected using computer vision techniques and integrated into a GNN model for precise predictions. The use of DeepPose for pose estimation, coupled with FP-growth for association rule extraction, followed by the application of a GAT model, enables the learning of complex interactions between poses. The proposed method demonstrates superior performance, achieving over 98% in Accuracy, Precision, Recall, and F1-Score compared to OpenPose-based approaches. This model highlights the potential for enhancing fall prevention and real-time monitoring in high-risk groups.