Publicité

ウェアラブルセンサによる歩行データからの転倒動作検出の試み

Matsushita Laboratory
9 Mar 2022
Publicité

Contenu connexe

Présentations pour vous(20)

Plus de Matsushita Laboratory(20)

Publicité

Dernier(20)

ウェアラブルセンサによる歩行データからの転倒動作検出の試み

  1. ウェアラブルセンサによる 歩行データからの転倒動作検出の試み 〇大井 健矢1),松下 光範1) ,堀 寛史2) ,高岡 良行3) 1)関西大学 総合情報学部 2)びわこリハビリテーション専門職大学 理学療法学科 3)株式会社 PTS 2022年3月8日
  2. はじめに 2015年時点で592万人(65歳以上人口の17.5%) 2040年には896万人(65歳以上人口の22.8%)と推計 https://www8.cao.go.jp/kourei/whitepaper/w-2021/html/zenbun/s1_1_3.html https://www.stat.go.jp/data/topics/topi1261.html 内閣府のまとめと 統計局のデータをもとに作成 高齢者の5人に1人 は独居高齢者に 1
  3. はじめに • 独居高齢者の問題 独居高齢者にとって転倒は大きな問題。要介護になる場合もある。 https://www.caa.go.jp/policies/policy/consumer_safety/caution/caution_009/pdf/caution_009_180912_0002.pdf 東京消防庁 「救急搬送データ」における救急要請された 高齢者の事故の発生傾向より 全72,198件中58,351件が 「転倒・転落」による救急搬送 (全体の80.8%) 2
  4. はじめに • 研究背景(まとめ) 独居高齢者の転倒を迅速に発見し、通報する仕組みが必要 3 ・高齢者の転倒は大きな怪我に繋がりやすい(要介護になる場合も) ・独居高齢者による転倒は長時間発見されない可能性 ・独居高齢者の増加(高齢者の5人に1人) ウェアラブルセンサを用いて転倒検出を行う
  5. はじめに • 転倒検出方法 〇室内の壁や天井にセンサを設置する方法 例:ドップラーセンサ、放射温度センサ →センサの設置場所や検出範囲に限界がある。(コスト高) 〇ウェアラブルセンサを用いる方法 →本研究の手法 4
  6. • 転倒検出を行うにあたって はじめに 5 ●倒れるような動作をしたとき、それは転倒なのか、 あるいは単に寝る動作をしただけなのか ●転倒した際、どの向きに倒れたのか について考える
  7. • 転倒検出を行うにあたって はじめに ・日常的な動作の中に転倒に似た動作が存在 例:自ら寝る体制になるなど ・他者に通報する仕組みを作る上で、誤判定を防がなければならない 誤判定の例1:転倒してないのに「転倒」と判定 誤判定の例2:転倒したのに「転倒」と判定されない 6 ●倒れるような動作をしたとき、それは転倒なのか、 あるいは単に寝る動作をしただけなのか
  8. • 転倒検出を行うにあたって ●転倒した際、どの向きに倒れたのか はじめに 転倒した方向がわかれば転倒の原因や怪我の緊急性が予測できる可能性 前方向:つまずいた? 後方向:すべった?頭を打っている? 左方向:踏み外した? 右方向:踏み外した? 7
  9. • 本研究では はじめに ・転倒/転倒に似た動作の識別 ・動作方向の識別 8 機械学習による を行う
  10. 本研究における言葉の定義 •転倒動作 / 転倒に似た動作 •転倒に似た動作 9 「異常動作」:センサ装着者に異常(転倒)が発生した可能性がある動作 「非転倒動作」:異常動作のうち、転倒ではないという意味で「非」転倒動作
  11. 使用するセンサ • Vitalgram(アフォードセンス社) • ベルト装着型。BluetoothでAndroid端末と接続し、サーバーへ • 取得できる項目 http://www.affordsens.com/ Product-Vitalgram アフォードセンス社ホームページより 実測値によるデータ 1. 心電 2. 体表温度 3. 3 軸加速度&角速度 4. 高度 5. 環境温度 6. 相対湿度 7. 熱流 推測データ(実測値から信号処理により変換) 1. 心拍数 2. 心拍間隔 3. 心拍揺らぎ解析による自律神経のバランス指標ほか 4. 呼吸数 5. 姿勢,歩数 6. 熱流計測による深部温度推定 10
  12. 使用するセンサ • Vitalgram(アフォードセンス社) • ベルト装着型。BluetoothでAndroid端末と接続し、サーバーへ • 取得できる項目 http://www.affordsens.com/ Product-Vitalgram 実測値によるデータ 1. 心電 2. 体表温度 3. 3 軸加速度&角速度 4. 高度 5. 環境温度 6. 相対湿度 7. 熱流 推測データ(実測値から信号処理により変換) 1. 心拍数 2. 心拍間隔 3. 心拍揺らぎ解析による自律神経のバランス指標ほか 4. 呼吸数 5. 姿勢,歩数 6. 熱流計測による深部温度推定 身体の状態をモニタリングできる アフォードセンス社ホームページより 10
  13. 使用するセンサ http://www.affordsens.com/ Product-Vitalgram • センサの装着位置:胸部中央(みぞおち上部) ※イメージ 心拍数 心電 センサ画像はアフォードセンス社ホームページより 心電・心拍数を 正しく取得できる 22歳大学生 • 装着方法:ベルトに着けたセンサを身体に装着後、 医療用テープで固定 11 *https://www.e-healthnet.mhlw.go.jp/information/dictionary/exercise/ys-032.html 健康な成人の安静時の心拍数:60-100bpm*
  14. センサの予備実験 心拍数 心電 テープ固定なし(腹部) テープ固定あり(腹部) テープ固定あり(胸部) 12
  15. 転倒動作の検出指針 対象者が装着したウェアラブルセンサから時系列信号を取得 (学習データ・テストデータを作成) 機械学習で学習させ、動作の識別を行う分類器を作成 テストデータで分類器の精度を検証 13
  16. データセットの作成 • 対象:大学生1名 • 「歩行中に転倒動作あるいは非転倒動作をし、そのまま静止する」ことを想定 • 扱うデータ:歩行動作・転倒動作・非転倒動作・静止状態 転倒の誤検出を防ぐため の比較動作 14 歩行動作 異常動作 静止状態 ※歩行→転倒→静止の加速度データ
  17. データセットの作成 • 対象:大学生1名 • 「歩行中に転倒動作あるいは非転倒動作をし、そのまま静止する」ことを想定 • 扱うデータ:歩行動作・転倒動作・非転倒動作・静止状態 転倒動作 つまずいて転倒する動作 非転倒動作 膝をついて意図的に臥位になる動作 転倒の誤検出を防ぐため の比較動作 15
  18. • 本研究では ・転倒/非転倒動作の識別 ・動作方向の識別 16 機械学習による を行う
  19. データセットの作成【転倒/非転倒動作の識別】 • 学習データ 「歩行中に転倒あるいは非転倒動作をし、そのまま静止する」ことを想定 歩行 転倒 静止 非転倒 それぞれの動作に対し、動作のラベルを付与し、学習データを作成 17 ※各動作200回分 転倒の場合 非転倒の場合
  20. データセットの作成【転倒/非転倒動作の識別】 • テストデータ • 2種類(各10回) • 歩行→転倒→静止 (テストデータAとする) • 歩行→非転倒→静止 (テストデータBとする) イメージ:テストデータA 18
  21. データセットの作成【転倒/非転倒動作の識別】 • テストデータ • スライディングウィンドウ方式でデータを分割 ウィンドウ幅:3秒の長さ スライド幅:加速度5データ 角速度2データ 19
  22. データセットの作成【転倒/非転倒動作の識別】 • テストデータ • スライディングウィンドウ方式でデータを分割 20 ※イメージ
  23. 分類器の作成【転倒/非転倒動作の識別】 • 機械学習のk-Shape法でクラスタリング • 分類器の評価 クラス 動作 確信度 0 転倒 1.000 1 歩行 0.957 2 静止 0.990 3 非転倒 0.920 4 静止 1.000 5 転倒 0.929 6 非転倒 1.000 7 転倒 1.000 8 転倒 0.600 9 転倒 1.000 10 転倒 0.923 11 非転倒 0.852 12 非転倒 0.855 クラス 動作 確信度 0 歩行 1.000 1 静止 1.000 2 転倒 0.618 3 非転倒 1.000 4 非転倒 0.529 5 転倒 0.950 6 非転倒 0.691 7 歩行 1.000 8 転倒 1.000 9 非転倒 0.971 10 歩行 1.000 11 非転倒 0.847 12 転倒 1.000 加速度 角速度 21
  24. テストデータを用いた分類結果 【転倒/非転倒動作の識別】 • 結果の一例 ウィンドウ クラス 予測 動作 0 1 歩行 1 1 歩行 … … … 15 1 歩行 16 7 転倒 17 7 転倒 18 7 転倒 19 7 転倒 20 7 転倒 21 7 転倒 … … … 26 7 転倒 27 7 転倒 28 7 転倒 29 7 転倒 30 7 転倒 31 2 静止 32 2 静止 … … … 53 2 静止 ※テストデータA(加速度) テストデータA:歩行→転倒→静止 テストデータB:歩行→非転倒→静止 22
  25. テストデータを用いた分類結果 テストデータA(加速度) ※テストデータA:歩行→転倒→静止 イメージ(テストデータA加速度) 23 ウィンドウ クラス 予測 動作 0 1 歩行 1 1 歩行 … … … 15 1 歩行 16 7 転倒 17 7 転倒 18 7 転倒 19 7 転倒 20 7 転倒 21 7 転倒 … … … 26 7 転倒 27 7 転倒 28 7 転倒 29 7 転倒 30 7 転倒 31 2 静止 32 2 静止 … … … 53 2 静止
  26. テストデータを用いた分類結果 ※テストデータA:歩行→転倒→静止 イメージ(テストデータA加速度) 1 7 2 歩行 転倒 静止 0 1516 30 31 53 ウィンドウ番号53の時の ウィンドウ位置 23 ウィンドウ クラス 予測 動作 0 1 歩行 1 1 歩行 … … … 15 1 歩行 16 7 転倒 17 7 転倒 18 7 転倒 19 7 転倒 20 7 転倒 21 7 転倒 … … … 26 7 転倒 27 7 転倒 28 7 転倒 29 7 転倒 30 7 転倒 31 2 静止 32 2 静止 … … … 53 2 静止 テストデータA(加速度)
  27. テストデータを用いた分類結果 【転倒/非転倒動作の識別】 • 結果の一例 ウィンドウ クラス 予測 動作 0 1 歩行 1 1 歩行 … … … 15 1 歩行 16 7 転倒 17 7 転倒 18 7 転倒 19 7 転倒 20 7 転倒 21 7 転倒 … … … 26 7 転倒 27 7 転倒 28 7 転倒 29 7 転倒 30 7 転倒 31 2 静止 32 2 静止 … … … 53 2 静止 ※テストデータA(加速度) テストデータA:歩行→転倒→静止 テストデータB:歩行→非転倒→静止 24 1.範囲の設定 2.正解率算出(=精度検証)
  28. 分析 ※異常範囲:転倒もしくは非転倒が行われた範囲 1.範囲の設定 2.正解率算出(=精度検証) 範囲のイメージ 25
  29. 分析 1.範囲の設定 2.正解率算出(=精度検証) 26
  30. 分析 異常範囲の開始 1.範囲の設定 2.正解率算出(=精度検証) 26
  31. 分析 異常範囲の開始 1.範囲の設定 2.正解率算出(=精度検証) 26
  32. 分析 異常範囲の開始静止範囲の開始 1.範囲の設定 2.正解率算出(=精度検証) 26
  33. 分析 異常範囲の開始静止範囲の開始 1.範囲の設定 2.正解率算出(=精度検証) 歩行範囲 異常範囲 静止範囲 26
  34. 分析 1.範囲の設定 2.正解率算出(=精度検証) ウィンドウ クラス 実際 予測 動作 動作 0 1 歩行 歩行 1 1 歩行 歩行 … … … … 15 1 歩行 歩行 16 7 転倒 転倒 17 7 転倒 転倒 18 7 転倒 転倒 19 7 転倒 転倒 20 7 転倒 転倒 21 7 転倒 転倒 … … … … 26 7 転倒 転倒 27 7 転倒 転倒 28 7 転倒 転倒 29 7 転倒 転倒 30 7 転倒 転倒 31 2 静止 静止 32 2 静止 静止 … … … … 53 2 静止 静止 テストデータA(加速度) 歩行範囲 異常範囲 静止範囲 ・範囲の設定の正解率 ・異常範囲における 転倒/非転倒判定の正解率 27
  35. 「範囲の設定」正解率 テストA(歩行→転倒→静止)加速度:0.974 テストB (歩行→非転倒→静止)加速度:0.904 テストA (歩行→転倒→静止)角速度:0.976 テストB (歩行→非転倒→静止)角速度:0.993 28 0.9を超える精度で正しく範囲の設定ができた
  36. 「範囲の設定」正解率 テストA(歩行→転倒→静止)加速度:0.974 テストB (歩行→非転倒→静止)加速度:0.904 テストA (歩行→転倒→静止)角速度:0.976 テストB (歩行→非転倒→静止)角速度:0.993 考察 ウィンドウ クラス 実際 予測 動作 動作 0 1 歩行 歩行 … … … … 15 1 歩行 歩行 16 12 非転倒 非転倒 … … … … 20 12 非転倒 非転倒 21 8 非転倒 転倒 … … … … 26 8 非転倒 転倒 27 2 非転倒 静止 28 2 非転倒 静止 29 2 非転倒 静止 30 2 非転倒 静止 31 2 静止 静止 … … … … 53 2 静止 静止 テストB(加速度)のみ精度が低い原因 ・転倒/非転倒の誤判定 ・静止が異常範囲に含まれている 29 0.9を超える精度で 正しく範囲の設定ができた
  37. 「転倒/非転倒の判別」正解率 30
  38. テストデータA(加速度) 歩行範囲 異常範囲 静止範囲 「転倒/非転倒の判別」正解率 31 ウィンドウ クラス 実際 予測 動作 動作 0 1 歩行 歩行 1 1 歩行 歩行 … … … … 15 1 歩行 歩行 16 7 転倒 転倒 17 7 転倒 転倒 18 7 転倒 転倒 19 7 転倒 転倒 20 7 転倒 転倒 21 7 転倒 転倒 … … … … 26 7 転倒 転倒 27 7 転倒 転倒 28 7 転倒 転倒 29 7 転倒 転倒 30 7 転倒 転倒 31 2 静止 静止 32 2 静止 静止 … … … … 53 2 静止 静止
  39. 「転倒/非転倒の判別」正解率 テストA(歩行→転倒→静止)加速度:0.975 テストB (歩行→非転倒→静止)加速度:0.925 テストA (歩行→転倒→静止)角速度:0.375 テストB (歩行→非転倒→静止)角速度:0.975 32 加速度を用いたとき、 0.925以上の精度で正しく識別できた
  40. 「転倒/非転倒の判別」正解率 テストA(歩行→転倒→静止)加速度:0.975 テストB (歩行→非転倒→静止)加速度:0.925 テストA (歩行→転倒→静止)角速度:0.375 テストB (歩行→非転倒→静止)角速度:0.975 ウィンドウ クラス 実際 予測 動作 動作 0 10 歩行 歩行 … … … … 18 7 歩行 歩行 19 9 転倒 非転倒 20 9 転倒 非転倒 21 5 転倒 転倒 22 5 転倒 転倒 23 5 転倒 転倒 … … … … 37 5 転倒 転倒 38 1 静止 静止 39 10 静止 歩行 40 1 静止 静止 … … … … 66 1 静止 静止 考察 テストA(角速度)の精度が低い原因 ・転倒/非転倒の誤判定 角速度での転倒動作識別は難しい 33 加速度を用いたとき、 0.925以上の精度で 正しく識別できた
  41. • 本研究では ・転倒/非転倒動作の識別 ・動作方向の識別 34 機械学習による を行う
  42. データセットの作成【動作方向の識別】 • 学習データ 「歩行中に転倒あるいは非転倒動作をし、そのまま静止する」ことを想定 歩行 転倒 静止 非転倒 それぞれの動作に対し、動作のラベルを付与し、学習データを作成 35 ※各動作200回分 転倒の場合 非転倒の場合 :前後左右の4方向(各50回)
  43. データセットの作成【動作方向の識別】 • テストデータ • 2種類(各10回) • 歩行→転倒→静止 (テストデータAとする) • 歩行→非転倒→静止 (テストデータBとする) イメージ:テストデータA 36 すべて前方向のデータ 同様にスライディングウィンドウ方式で処理
  44. 分類器の作成【動作方向の識別】 • 評価 クラス 動作 確信度 方向 確信度 0 転倒 1.000 右 0.618 1 歩行 0.957 2 静止 0.990 - 3 非転倒 0.920 後 1.000 4 静止 1.000 - 5 転倒 0.929 後 1.000 6 非転倒 1.000 左 1.000 7 転倒 1.000 前 0.540 8 転倒 0.600 前 1.000 9 転倒 1.000 左 0.531 10 転倒 0.923 左 0.923 11 非転倒 0.852 後 1.000 12 非転倒 0.855 - クラス 動作 確信度 方向 確信度 0 歩行 1.000 1 静止 1.000 - 2 転倒 0.618 後 0.588 3 非転倒 1.000 右 1.000 4 非転倒 0.529 前 0.882 5 転倒 0.950 前 0.950 6 非転倒 0.691 左 0.691 7 歩行 1.000 8 転倒 1.000 左 1.000 9 非転倒 0.971 前 0.941 10 歩行 1.000 11 非転倒 0.847 後 1.000 12 転倒 1.000 右 1.000 加速度 角速度 ・確信度が0.5以上のもののみ採択 37
  45. 分析(テストデータを用いた分類結果) ウィンドウ クラス 実際 予測 動作 方向 動作 方向 0 1 歩行 なし 歩行 1 1 歩行 なし 歩行 … … … … 15 1 歩行 なし 歩行 16 7 転倒 前 転倒 前 17 7 転倒 前 転倒 前 18 7 転倒 前 転倒 前 19 7 転倒 前 転倒 前 20 7 転倒 前 転倒 前 21 7 転倒 前 転倒 前 … … … … 26 7 転倒 前 転倒 前 27 7 転倒 前 転倒 前 28 7 転倒 前 転倒 前 29 7 転倒 前 転倒 前 30 7 転倒 前 転倒 前 31 2 静止 前 静止 - 32 2 静止 前 静止 - … … … … 53 2 静止 前 静止 - テストデータA(加速度) ・範囲の設定(同様の方法) ・動作方向の正解率算出 38
  46. 分析 ウィンドウ クラス 実際 予測 動作 方向 動作 方向 0 1 歩行 なし 歩行 1 1 歩行 なし 歩行 … … … … 15 1 歩行 なし 歩行 16 7 転倒 前 転倒 前 17 7 転倒 前 転倒 前 18 7 転倒 前 転倒 前 19 7 転倒 前 転倒 前 20 7 転倒 前 転倒 前 21 7 転倒 前 転倒 前 … … … … 26 7 転倒 前 転倒 前 27 7 転倒 前 転倒 前 28 7 転倒 前 転倒 前 29 7 転倒 前 転倒 前 30 7 転倒 前 転倒 前 31 2 静止 前 静止 - 32 2 静止 前 静止 - … … … … 53 2 静止 前 静止 - テストデータA(加速度) 歩行範囲 異常範囲 静止範囲 38 ・範囲の設定(同様の方法) ・動作方向の正解率算出
  47. ・異常範囲における動作方向の正解率を算出 ・静止範囲に関しては「静止」データが方向情報を持っていなかったため判別できなかった。 ・今回はテストデータにおいて前への動作をしているので「前」方向を正解とした 「動作方向の判別」正解率 テストA(歩行→転倒→静止)加速度:0.907 テストB (歩行→非転倒→静止)加速度:0.407 テストA (歩行→転倒→静止)角速度:0.960 テストB (歩行→非転倒→静止)角速度:0.987 39 角速度を用いたとき、 0.960以上の精度で正しく識別できた
  48. 角速度を用いたとき、 0.960以上の精度で 正しく識別できた ・異常範囲における動作方向の正解率を算出 ・静止範囲に関しては「静止」データが方向情報を持っていなかったため判別できなかった。 ・今回はテストデータにおいて前への動作をしているので「前」方向を正解とした 「動作方向の判別」正解率 テストA(歩行→転倒→静止)加速度:0.907 テストB (歩行→非転倒→静止)加速度:0.407 テストA (歩行→転倒→静止)角速度:0.960 テストB (歩行→非転倒→静止)角速度:0.987 ウィンドウ クラス 実際 予測 動作 方向 動作 方向 0 1 歩行 なし 歩行 判別不可 … … … … 15 1 歩行 なし 歩行 判別不可 16 12 非転倒 前 非転倒 - 17 12 非転倒 前 非転倒 - 18 12 非転倒 前 非転倒 - 19 12 非転倒 前 非転倒 - 20 12 非転倒 前 非転倒 - 21 8 非転倒 前 転倒 前 22 8 非転倒 前 転倒 前 23 8 非転倒 前 転倒 前 24 8 非転倒 前 転倒 前 25 8 非転倒 前 転倒 前 26 8 非転倒 前 転倒 前 27 2 非転倒 前 静止 - 28 2 非転倒 前 静止 - 29 2 非転倒 前 静止 - 30 2 非転倒 前 静止 - 31 2 静止 前 静止 判別不可 … … … … 53 2 静止 前 静止 判別不可 考察 原因 ・異常範囲に「静止」が含まれている ・「非転倒」と判定されたものの動作方向に関する確信度が低かった 動作が含まれている 加速度での動作方向識別は難しい 40
  49. おわりに テストデータ 範囲の設定の正解率 転倒/非転倒の正解率 動作方向の正解率 A(歩転静)加速度 0.974 0.975 0.907 B(歩非静)加速度 0.904 0.925 0.407 A(歩転静)角速度 0.976 0.375 0.960 B(歩非静)角速度 0.993 0.975 0.987 考察 加速度を用いると 精度良(0.925以上) 角速度を用いると 精度良(0.960以上) 結果まとめ 41 ・転倒/非転倒動作の識別 ・動作方向の識別 機械学習による
  50. まとめ 背景:独居高齢者にとって転倒は重大な問題。他者に通報する仕組みが必要 目的:ウェアラブルセンサを用いて転倒動作の検出を行う 問題1:転倒/非転倒動作の識別 問題2:動作方向の識別 手法:動作・方向のラベルを付与し機械学習k-Shape法により分類 結果1:転倒/非転倒の識別は加速度を用いることで0.925以上の精度で識別 結果2:動作方向の識別は角速度を用いることで0.960以上の精度で識別 大井 健矢 ウェアラブルセンサによる歩行データからの転倒動作検出の試み 42

Notes de l'éditeur

  1. 図に反映するとこのようなイメージになります。 このデータだけを見ると、精度よく識別できてそうです。
Publicité