근감소증 모니터링과 동작 예측을 위한 스마트 디바이스 기반의 딥러닝 모델 연구 (Smart Device-Based Deep Learning Model for Sarcopenia Monitoring and Motion prediction)

서지정보

· 발행기관 : 한국컴퓨터정보학회
· 수록지 정보 : 한국컴퓨터정보학회논문지 / 29권 / 12호 / 65 ~ 74페이지
· 저자명 : 윤영욱, 손정우

초록

본 연구는 근감소증 판별과 근감소증으로 인한 낙상 등의 동작 감지를 위한 딥러닝 모델 연구를 수행한다. 스마트폰의 높은 보급률을 활용하여 추가 구매 물품 없이 근감소증을 관찰할 수 있는 시스템을 제안하고 가능성을 확인한다. 스마트폰에 내장된 9축 IMU 센서를 활용해 정상 걸음, 비정상 걸음, 낙상, 달리기, 스쿼트 자세에 대한 데이터 총 307,584개를 수집한 후 학습을 통해 최적의 알고리즘을 확인한다. 근감소증 판별을 위해 이진 데이터 분류 모델과 움직임 또는 동작 분류 모델인 다중 분류 모델의 최적 알고리즘을 확인한다. 이진 분류 모델에서 GRU 모델이 정확도가 100%로 정확도와 속도가 가장 높았고 다중 분류 모델의 경우 CNN-GRU를 활용한 경우93.72%로 가장 높았고 연구에서 제안하는 모델에서 학습 속도 또한 172.16초로 가장 빨랐다. 본연구를 통해 운동 예측 또는 동작 감지와 같은 딥러닝 모델의 최적 조합을 확인했으며, 디지털헬스케어 분야와 실시간 인공지능 처리 시스템 연구 등에 활용될 수 있을 것이다.

영어초록

This study investigates deep learning models for predicting Sarcopenia and motion, such as falls, resulting from Sarcopenia. By leveraging the widespread use of Smartphones, We propose a system that monitors Sarcopenia without the need for additional equipment. A total of 307,584 data points were collected using the built-in 9-axis of IMU sensor of a smartphone, capturing normal walking, abnormal walking, falling, running, and squatting movements. We aims to identify the optimal algorithm through training. To classify Sarcopenia, both binary classification models and multi-class classification models for movement or motion recognition were evaluated. In the binary classification model, the GRU model achieved 100% accuracy, showing the highest performance in both accuracy and speed. For the multi-class classification model, the CNN-GRU combination reached the highest accuracy of 93.72%, and the proposed model demonstrated the fastest training time at 172.16 seconds. This research identifies the optimal combination of deep learning models for motion prediction and detection, and it has potential applications in the fields of digital healthcare and real-time artificial intelligence processing systems.

참고자료

· 없음