스마트워치 센서와 딥러닝(LSTM)을 이용한 낙상 감지 모델 개발 및 응급 알림 시스템 설계

Development of a Fall Detection Model and Design of an Emergency Alert System Based on Smartwatch Sensors and Deep Learning (LSTM)

본 연구는 웨어러블 스마트워치에서 수집된 가속도 및 자이로스코프 센서 데이터를 딥러닝 모델로 분석하여 낙상을 포함한 다양한 행동 패턴을 인지하여 감지하고, 이를 기반으로 응급상황을 예측하는 시스템을 제안한다. 연구는 걷기, 달리기, 낙상 등 7가지 행동에 대한 시계열 데이터를 수집하고, 이를 순환신경망(RNN) 기반의 LSTM 모델로 학습시켰다. 특히, 다층 구조의 LSTM에 ReLU 활성화 함수를 적용한 모델이 평균 92.26%의 가장 높은 인식 정확도를 보였으며, 핵심 목표인 낙상 행동에 대해서도 84.31%의 정확도를 달성했다. 본 연구는 일상 기기를 통한 실제 데이터 수집 및 딥러닝 분석을 통해 고령층 응급상황 예측 시스템 구축의 실용적 가능성을 제시하며, 향후 마네킹 활용 데이터 보강 등 추가 연구를 제언한다.

Rapid societal aging increases fall risks for the elderly, highlighting the need for effective detection technologies. This study proposes a system analyzing accelerometer and gyroscope data from smartwatches using a deep learning (LSTM) model to recognize 7 activity patterns, including falls. Time-series data for these actions were collected and trained using an RNN-based LSTM model. A multi-layered LSTM with a ReLU activation function achieved the highest average accuracy of 92.26% and 84.31% for the critical fall action. This research demonstrates the practical feasibility of an emergency prediction system for the elderly using real-world data and deep learning, suggesting further research, such as data augmentation with mannequins.