Gait-Based Fall Prediction Survey

보행속도 및 흔들림(Sway)을 통한 낙상 예측 논문 크롤링 결과 - 다양한 센서 및 알고리즘 비교

2026-04-21 Crawled 20 Papers 2018 ~ 2025
20
수집된 논문 수
7
센서 유형
81~98%
정확도 범위
5
비접촉 방식 논문

Prediction Type Classification

같은 "낙상 예측"이라도 시간 스케일이 완전히 다른 두 가지 연구 유형이 존재합니다

Type A — Immediate Prediction

이 동작을 하고 바로 넘어진다

"지금 이 사람이 넘어지려 한다"
보행 중 실시간 이상 신호(급격한 가속도 변화, 비정상 자세, 균형 상실)를 감지하여 수 ms ~ 수 초 내 낙상을 예측합니다.
에어백 전개, 긴급 알림 등 즉각적 보호 조치가 목적입니다.
이상동작
~1초
FALL
#07 Yu - ConvLSTM Pre-impact (93.8%) #08 Yhdego - Transformer (98%) #13 GR-Fall - mmWave (98.7%) #18 WiFi CSI - CNN-LSTM (94.9%)
Type B — Prospective Prediction

이 패턴이 계속되면 결국 넘어진다

"이 사람은 앞으로 몇 주/개월 내 넘어질 것이다"
누적된 보행 패턴(느린 속도, 짧은 보폭, 높은 변동성, 체간 흔들림)을 분석하여 수 주 ~ 수 개월 후 낙상 가능성을 예측합니다.
운동 처방, 환경 개선, 관리 강화 등 예방적 개입이 목적입니다.
보행패턴 수집
수주~수개월
FALL RISK
#01 Lockhart - 6개월 추적 (AUC 0.785) #03 Kim - Step width CV (303명) #04 Jia - Stride length (AUC 0.878) #05 Zhou - Gait+sEMG (AUC 0.986) #06 Nait Aicha - 일상보행 DL (AUC 0.75)
구분 Type A: 즉시 예측 (Pre-impact) Type B: 장기 예측 (Prospective)
핵심 질문 "지금 넘어지는가?" "앞으로 넘어질 사람인가?"
시간 스케일 200ms ~ 2초 수주 ~ 6개월
입력 데이터 1회 동작의 실시간 신호
(급격한 가속도/각속도 변화, 자세 이탈)		 누적 보행 통계
(평균 보행속도, 보폭 변동성 CV, 체간 흔들림 추이)
감지 대상 균형 상실 순간, 비정상 가속 패턴, 자유 낙하 초기 신호 보행속도 감소 추세, 보폭 단축, step width CV 증가, 엔트로피 변화
대표 알고리즘 ConvLSTM, Transformer, CNN-LSTM
(시계열 실시간 분류)		 Random Forest, SVM, Logistic Regression
(특징 기반 이진 분류)
성능 수준 93~98% accuracy
(단, 시뮬레이션 데이터 다수)		 AUC 0.75~0.99
(실제 노인 전향적 추적 포함)
활용 목적 에어백 전개, 긴급 알림,
보호 자세 유도		 운동 처방, 환경 개선,
보조기기 권고, 관리 강화
핵심 한계 반응 시간 극히 짧음 (~1초),
시뮬레이션 vs 실제 낙상 격차		 장기 데이터 수집 필요,
인과관계 증명 어려움
해당 논문 #07, #08, #13, #18
(4편)		 #01, #02, #03, #04, #05, #06, #20
(7편)
측정/리뷰 #09, #10, #11, #12, #14, #15, #16, #17, #19 — 직접 예측 모델 없이 측정 기술 검증 또는 문헌 리뷰 (9편)
TYPE:
SENSOR:
01
Prediction of fall risk among community-dwelling older adults using a wearable system
Lockhart, Soangra, Yoon et al. | Scientific Reports
Type B: 장기예측 IMU (Sternum) Random Forest 2021
▼
Problem - 해결하려 한 것
기존 MFS 등 낙상 평가는 간호사 주관적 판단 의존, 미묘한 보행 변화를 놓침. 단순 보행 통계(속도/보폭)만으로는 부족 → 비선형 복잡성 지표가 필요한가?
Solved - 해결한 것
비선형+선형 결합 모델이 단독 대비 우수 입증 (AUC 0.785, 민감도 86.7%). 다중스케일 엔트로피 등 비선형 지표가 미묘한 보행 불안정을 포착. 6개월 전향적 추적으로 실제 낙상과의 인과 연결.
Unsolved - 못한 것
AUC 0.785로 임상 적용에는 부족 (0.9+ 필요). 단일 센서/단일 보행 테스트. 짧은 보행 데이터에서 비선형 측정 신뢰도 문제. 외부 검증 없음.
Sensor & Data
IMU (가속도계+자이로), 흉골 부착, 100Hz
171명 지역사회 노인, 10m 보행 테스트
6개월 전향적 추적
Key Gait Features
비선형 변수: 다중스케일 엔트로피, 재귀성, 결정론
선형 변수: 스텝 시간 변동성, 스윙 시간 변동성
Harmonic ratio (보행 매끄러움)
체간 가속도 변동성
Performance
Accuracy
81.6%
Sensitivity
86.7%
Specificity
80.3%
AUC
0.785
Key Finding
선형+비선형 보행 변수 결합이 단독 사용 대비 우수. 비선형 측정(다중스케일 엔트로피, 재귀성)이 미묘한 보행 안정성 변화를 감지하는 데 필수적. 낙상자는 비타민D 섭취 감소 및 유연성 자신감 저하.
Limitations
단일 센서(체간만), 단일 테스트(10m 보행), 짧은 보행 데이터에서 비선형 측정 신뢰도 문제, 외부 검증 부족
02
Fall risk prediction using temporal gait features and machine learning approaches
Lim, Connie, Goh, Saedon | Frontiers in AI, 2024
Type B: 장기예측 Camera (Pose Est.) LightGBM 2024
▼
Problem - 해결하려 한 것
TUG 테스트는 전체 시간만 측정, 보행 이상의 구체적 원인 파악 불가. 값비싼 보행 분석 장비 없이 카메라만으로 세부 시간 지표를 추출할 수 있는가?
Solved - 해결한 것
카메라 포즈 추정으로 stride/step/stance time 자동 추출 성공. LightGBM 96% 정확도 달성. 낙상자는 케이던스 증가 + 스텝 시간 단축 패턴 확인.
Unsolved - 못한 것
65명 소규모, SMOTE 합성 데이터 의존으로 과적합 우려. 전향적 추적 없음(이미 넘어진 사람 vs 안 넘어진 사람 분류일 뿐). 실제 환경 적용 미검증.
Sensor & Data
듀얼 카메라(정면+측면), 30fps
TUG 평가 중 비디오 촬영
65명 (fallers 44 / non-fallers 21)
SMOTE 오버샘플링 적용
Key Gait Features
Stride time (좌/우)
Step time (좌/우)
Stance time (좌/우)
Cadence
Performance
Accuracy
96.0%
LightGBM, KNN, MLP 모두 96% 달성
Key Finding
낙상 고위험군은 케이던스 증가 + 스텝 시간 단축 경향. 단순 시간 기반 보행 특징만으로도 높은 예측 성능 달성 가능. 카메라 기반 포즈 추정으로 비접촉 측정.
Limitations
데이터셋 소규모(65명), 인구통계 다양성 부족, SMOTE 합성 데이터 의존, 과적합 우려, 실제 환경 적용성 제한
03
Predicting fall risk through step width variability at increased gait speed
Kim, Lim, Park, Bae | Scientific Reports, 2025
Type B: 장기예측 Pressure Treadmill Discriminant Analysis 2025
▼
Problem - 해결하려 한 것
기존 연구는 보행 속도/보폭 평균값에 집중. 변동성(CV)이 평균보다 더 민감한 지표인가? 빠른 보행에서 측방 불안정성이 드러나는가?
Solved - 해결한 것
303명 대규모로 Step width CV가 가장 강력한 판별 지표 입증. 20% 증속 시 판별력 더 증가 (Wilks' Lambda 0.697). 변동성 > 평균값 우월 확인.
Unsolved - 못한 것
트레드밀 기반(실제 지면 보행과 다름). 횡단면 설계로 실제 낙상 사건 데이터 없음(SPPB 점수 기반 분류일 뿐). 심리적 요인 미포함.
Sensor & Data
Zebris FDM-THM-S 트레드밀 (7,168 압력센서, 0.85x0.85cm)
303명 지역사회 노인 (65-92세)
SPPB 점수 기반 낙상위험군/비위험군 분류
Key Gait Features
Step width variability (CV) - 핵심 지표
Gait speed / Velocity
Stride length
Stance phase time
Double stance time
Cadence
Performance
Step width CV (선호 속도): Wilks' Lambda = 0.755 (p<0.001)
Step width CV (20% 증속): Wilks' Lambda = 0.697 (p<0.001)

20% 증속 시 더 높은 판별력
Key Finding
Step width variability가 낙상 위험의 가장 강력한 예측 지표. 빠른 보행 속도에서 판별력이 더 증가. 낙상위험군은 stance phase, double stance time 증가 + stride length, velocity, cadence 감소. 보행 변동성이 평균값보다 더 민감한 지표.
Limitations
트레드밀 기반(실제 지면 보행과 차이), 횡단면 설계(실제 낙상 사건 데이터 없음), 지역사회 거주자만 대상, 심리적 요인 미평가
04
The prediction model of fall risk for the elderly based on gait analysis
Jia, Si, Guo et al. | BMC Public Health, 2024
Type B: 장기예측 Motion Capture Logistic Regression 2024
▼
Problem - 해결하려 한 것
80세 이상 초고령 요양원 노인 대상 예측 모델 부재. 복잡한 장비/변수 없이 소수 핵심 파라미터만으로 실용적 예측이 가능한가?
Solved - 해결한 것
4개 변수만으로 AUC 0.878 (민감도 93.5%) 달성. Stride length 감소가 가장 강력한 지표 (OR=0.007). 외부 검증에서도 AUC 0.845 유지.
Unsolved - 못한 것
132명 소규모, 80세 이상만 대상. 횡단면 설계로 낙상 이력과 보행 측정 시점 불일치. 다른 연령대/환경에서 일반화 미검증.
Sensor & Data
3D 보행 분석 시스템 (Shanghai Nuocheng)
132명 80세 이상 요양원 거주 노인
36.4% 낙상 이력 보유
모델링 93명 + 검증 39명
Key Gait Features
Stride length (가장 강력한 보호 요인, OR=0.007)
Standing time difference (좌우 비대칭)
Stride time mean
TGBT score (Tinetti 보행 균형 점수)
Performance
AUC (모델)
0.878
AUC (검증)
0.845
Sensitivity
93.5%
Key Finding
Stride length 감소가 낙상 위험 증가의 가장 강력한 지표 (OR=0.007). 4개 보행 파라미터만으로 AUC 0.878 달성. 80세 이상 초고령자 대상 검증. Bootstrap 내부 검증 + 외부 검증 모두 수행.
Limitations
소규모 데이터(132명), 80세 이상만 대상, 횡단면 설계로 시간적 불일치, 다른 연령대 검증 필요
05
Wearable sensors and ML fusion-based fall risk prediction in covert cerebral small vessel disease
Zhou, Zhang, Ji et al. | Frontiers in Neuroscience, 2025
Type B: 장기예측 Exoskeleton + sEMG SVM 2025
▼
Problem - 해결하려 한 것
무증상 CSVD 환자는 겉으로 정상이지만 숨겨진 낙상 위험. 단일 센서로는 부족 → 보행+근전도 융합으로 증상 발현 전 식별 가능한가?
Solved - 해결한 것
융합 모델 AUC 0.986 (정확도 91.7%) - 20편 중 최고 성능. 단일 모달리티(보행만/EMG만) 대비 융합이 월등히 우수 입증. 무증상 환자 조기 식별 성공.
Unsolved - 못한 것
외골격+EMG 장비가 복잡하고 비실용적 (순응도 문제). 인지평가(MMSE) 미포함. 전향적 추적 없음(현재 위험 분류만, 실제 낙상 발생 확인 안 됨).
Sensor & Data
Relink 근골격 외골격 (보행 파라미터)
FREEEMG300 무선 sEMG (1000Hz)
117명 (낙상위험 61 / 비위험 56)
무증상 뇌소혈관질환 환자 대상
Key Gait Features
보행 파라미터: Gait speed, Stride length, Stance phase %, Cadence
sEMG 시간영역: RMS, iEMG, AEMG
sEMG 주파수영역: Median Frequency, Mean Power Frequency
Performance (SVM - Best)
AUC
0.986
Accuracy
91.7%
Sensitivity
90.9%
F1-score
0.909
Key Finding
보행 + 근전도 융합이 단일 모달리티 대비 월등. 증상 발현 전 무증상 뇌소혈관질환 환자의 낙상 위험 조기 식별 가능. AUC 0.986으로 매우 높은 예측력.
Limitations
인지평가(MMSE/MoCA) 미포함, 심리/환경 요인 배제, 외골격 장비의 환자 순응도 문제, 비선형 sEMG 지표 미탐색
06
Deep Learning to Predict Falls in Older Adults Based on Daily-Life Trunk Accelerometry
Nait Aicha, Englebienne, van Schooten et al. | Sensors, 2018
Type B: 장기예측 Accelerometer (Trunk) CNN / LSTM / ConvLSTM 2018
▼
Problem - 해결하려 한 것
기존 연구는 실험실 짧은 보행 데이터 의존. 일상생활 보행 데이터에서 딥러닝이 수작업 특징 추출을 대체할 수 있는가?
Solved - 해결한 것
296명 대규모 일상 데이터에서 ConvLSTM 적용 성공. Multi-task learning(성별/나이 보조)이 AUC 0.75까지 개선. 자동 특징 학습 가능성 확인.
Unsolved - 못한 것
AUC 0.75는 전통 바이오메카닉스 방법과 거의 차이 없음. 딥러닝의 명확한 우위 미입증. 일상 데이터 노이즈가 학습을 방해. "더 많은 데이터가 답인가, 모델이 답인가" 미해결.
Sensor & Data
체간 착용형 3축 가속도계
일상생활 중 수집 (anteroposterior, mediolateral, vertical)
296명 노인 참가자
Key Gait Features
일상생활 보행 중 체간 가속도 패턴
회전 활동 포함
보행 샘플 변동 자동 학습 (딥러닝)
Performance
AUC
0.75
Multi-task learning (성별/나이 보조 태스크) 적용 시 최적
Key Finding
일상생활 보행 데이터에서 딥러닝으로 자동 특징 추출 가능. Multi-task learning이 단일 태스크 대비 개선. 그러나 전통적 바이오메카닉스 방법과 비교 시 단일 태스크에서는 큰 차이 없음.
Limitations
딥러닝이 전통 방법 대비 marginal improvement만 달성, 임상 번역을 위한 추가 개선 필요, AUC 0.75로 다른 연구 대비 낮음
07
A Novel Hybrid Deep Neural Network to Predict Pre-impact Fall for Older People
Yu, Qiu, Xiong | Frontiers in Bioengineering, 2020
Type A: 즉시예측 IMU (Acc+Gyro) ConvLSTM (Hybrid) 2020
▼
Problem - 해결하려 한 것
기존 낙상 감지는 바닥 충돌 후 알림 → 부상 방지 불가. 충돌 전(pre-impact)을 감지하여 에어백 등 보호 조치 시간 확보 가능한가?
Solved - 해결한 것
3단계 분류 성공. Pre-impact 민감도 93.8%. ConvLSTM이 단독 모델 대비 +2~5% 향상. Jetson Nano에서 1.06ms 지연으로 실시간 가능.
Unsolved - 못한 것
시뮬레이션 낙상만(실제 아님). 측면 낙상 pre-impact 구간 극히 짧음. 실제 노인 미검증. 착용형 센서 필요.
Sensor & Data
3축 가속도계 + 3축 자이로스코프, 200Hz
SisFall 공개 데이터셋
15종 낙상 + 19종 ADL, 38명 (15명 노인 포함)
Key Approach
3단계 분류: Non-fall / Pre-impact / Fall
CNN: 단기 공간적 특징 추출 (4개 블록)
LSTM: 장기 시간적 관계 학습 (2개 셀)
지면 충돌 전 낙상 예측
Performance
Pre-impact Sens.
93.8%
Pre-impact Spec.
94.5%
Fall Accuracy
98.7%
Latency: 1.06ms (Jetson Nano)
Key Finding
낙상 충돌 전(pre-impact) 단계에서 93.8% 민감도로 예측 성공. ConvLSTM이 단일 CNN/LSTM 대비 약 2-5% 향상. 마이크로컨트롤러에서 1.06ms 지연으로 실시간 구현 가능.
Limitations
시뮬레이션 낙상 데이터, 비디오 참조 부재로 라벨 불일치 가능, 측면 낙상의 짧은 pre-impact 구간, 실제 환경 검증 필요
08
Wearable Sensor Gait Analysis of Fall Detection using Attention Network
Yhdego, Li, Paolini, Audette | IEEE BIBM, 2021
Type A: 즉시예측 IMU (Acc+Gyro) Transformer Attention 2021
▼
Problem - 해결하려 한 것
CNN-LSTM은 시계열에서 어느 시점이 핵심인지 구분 못함. Transformer Attention이 낙상 직전 핵심 시점을 더 정확히 포착할 수 있는가?
Solved - 해결한 것
Transformer가 CNN-LSTM 대비 +5% 정확도 향상 (98% vs 93%). 피크 신호 기반 윈도우 + Attention이 핵심 시점 포착에 효과적임 입증.
Unsolved - 못한 것
참가자 20-50세(고령자 아님). 단일 데이터셋만. 실제 노인 보행 패턴에서의 성능 미검증. 다양한 센서 위치 테스트 필요.
Sensor & Data
3축 가속도계 + 3축 자이로스코프, 200Hz
30명 (20-50세), 538,000 데이터 행
낙상 435,000 + 근접낙상 103,000
Key Approach
Transformer Encoder (BERT 유사 구조)
Time2Vec 위치 인코딩
3개 어텐션 블록 + 2개 FC 레이어
피크 가속도 기반 윈도우 추출
Performance
Accuracy
98.0%
Sensitivity
97.0%
Specificity
98.0%
vs CNN-LSTM baseline: 93%
Key Finding
Transformer Attention이 CNN-LSTM 대비 +5% 정확도 향상. 피크 신호 기반 윈도우 + 어텐션이 보행 패턴의 핵심 시점을 효과적으로 포착.
Limitations
참가자 연령 20-50세(고령자 아님), 단일 데이터셋만 테스트, 다양한 센서 배치 검증 필요
09
Walking Step Monitoring with mmWave Radar for Disease and Fall Prevention
Zeng et al. | Sensors (MDPI), 2022
측정 기술 mmWave FMCW (77GHz) FFT + STFT + Envelope 2022
▼
Problem - 해결하려 한 것
웨어러블의 착용 부담, 카메라의 프라이버시 문제. mmWave만으로 step time을 웨어러블 수준으로 정확히 측정할 수 있는가?
Solved - 해결한 것
Step time 측정 정확도 96%, ICC 0.93 (Xsens 웨어러블 대비). 오차 4.28%. 절뚝거림 패턴도 감지 가능. 비접촉 측정의 임상급 신뢰도 입증.
Unsolved - 못한 것
3명 젊은 피험자만(고령자 미검증). Step time만 측정(속도/보폭 미추출). 예측 모델 미구현(측정만 함). 단일 보행자만.
Sensor & Data
TI AWR1642BOOST mmWave (77GHz, 4GHz BW)
2TX + 4RX, 바닥 8cm 설치
3명 건강 피험자 (20-40세)
체육관(4m) + 복도(6m), Xsens DOT 모션센서 GT
Key Gait Features
Step time (주요 측정 대상)
Step time variability (STV)
Micro-Doppler 시그니처
CVD (Cadence Velocity Diagram)
Performance
Step Time Acc.
96.0%
ICC = 0.93 (레이더 vs Xsens)
평균 오차 4.28%, 중앙값 3.62%
절뚝거림 패턴도 감지 가능
Key Finding
mmWave로 비접촉 보행 스텝 시간 정량 측정 가능 증명 (ICC 0.93, 웨어러블 수준 신뢰도). 인지장애 질환 예측 + 낙상 예방 목적 명시. 절뚝거림 등 비정상 보행 감지 가능.
Limitations
3명 젊은 피험자만(고령자 미검증), 스텝 시간만 측정(속도/보폭 미추출), 예측 모델 미구현(측정만), 단일 보행자만
10
Automatic Radar-Based Step Length Measurement in the Home for Older Adults Living with Frailty
Siva, Wong, Hewston et al. | Sensors, 2024
측정 기술 mmWave FMCW (60-64GHz) Point Cloud + Doppler 2024
▼
Problem - 해결하려 한 것
기존 레이더 연구는 실험실 + 젊은 피험자만. 실제 허약 노인의 비통제 가정 환경에서도 레이더로 step length를 안정적으로 측정할 수 있는가?
Solved - 해결한 것
실제 허약 노인 35명 임상 검증 + 21명 가정 2주 모니터링 성공. 가정 ICC 0.91 (우수). 오차 4.5cm/8.3%. Aging-in-place 모니터링 실현 가능성 입증.
Unsolved - 못한 것
가정 트랙 중 17%만 측정 가능(레이아웃 제약). 10FPS로 빠른 보행 감지 제한. 직선 경로만 측정 가능. 예측 모델은 미구현.
Sensor & Data
TI IWR6843AOP FMCW (60-64GHz)
실제 허약 노인 대상:
임상: 35명, 625회 보행
가정: 21명, 2주 모니터링
Gold standard: Zeno Walkway
Key Gait Features
Step length (주요 측정)
Gait speed (부가 측정)
Radar point cloud 기반 추적
Doppler speed profiling
Performance
Clinical: 평균 오차 4.5cm (8.3%)
Intra-session ICC(2,k) = 0.83
Home: Week-over-week ICC(2,k) = 0.91
Home-Clinic ICC(3,k) = 0.81
Key Finding
실제 허약 노인 가정에서 레이더 기반 step length 측정의 높은 신뢰도(ICC 0.91) 최초 입증. 비통제 가정 환경에서도 임상 수준의 일관성. Aging-in-place 모니터링 가능성 입증.
Limitations
가정 트랙 중 17%만 측정 가능(레이아웃 제약), 가정 측정이 임상보다 일관되게 낮음, 10FPS로 빠른 보행 감지 제한, 레이더 방향 정렬된 직선 경로 필요
11
Overview of Radar-Based Gait Parameter Estimation Techniques for Fall Risk Assessment
Gurbuz, Rahman, Bassiri, Martelli | IEEE OJEMB, 2024
리뷰 Multiple Radar Types Survey / CNN+LSTM 2024
▼
Problem - 해결하려 한 것
레이더로 보행 파라미터 추정 가능하지만, 낙상 예측 핵심인 변동성(variability)을 충분히 정확히 측정 가능한가? Micro-Doppler vs Skeleton 비교.
Solved - 해결한 것
Step time: 우수 (오차 <3.3%). Step length: Skeleton 1-2% 오차. 레이더 유형별(5.8~77GHz) 체계적 비교. 기본 보행 파라미터는 레이더로 측정 가능 확인.
Unsolved - 못한 것
변동성 측정: 52-113% 과대추정 → 핵심 과제 미해결. 10Hz 저 샘플링, 고각 해상도 부족. 대부분 Gold standard 대비 검증 부족.
Radar Types Covered
5.8GHz Pulsed Doppler
10GHz UWB Impulse
2.4GHz CW
77GHz FMCW
TI IWR2243 Cascade (77-81GHz, 12Tx/16Rx)
Gait Parameters Estimated
Step/Stride time, Step/Stride length
Walking speed, Cadence
Stance/Swing phase
Step/Stride variability
Gait asymmetry, Max foot/ankle/knee velocity
Performance Summary
Step Time: Excellent (|MD|<0.007s, |MPD+LOA|<3.3%)
Step Length: Good-Excellent (Skeleton: 1-2% error, uD: ~13% underest.)
Variability: Poor-Moderate (52-113% overestimation)
Key Finding
레이더로 step time/length는 정확하나, 변동성(variability) 측정은 아직 부정확 (52-113% 과대추정). 낙상 위험 평가에 가장 중요한 변동성/복잡성 지표의 레이더 측정 정확도 개선이 핵심 과제.
Limitations
저 샘플링(10Hz vs 광학 100Hz), 고각 해상도 부족, 대부분 Kinect/OpenPose 대비 검증(Gold standard 아님), 낙상 고위험군 대상 테스트 부족, 다중 사용자 분리 어려움
12
Radar-Based Fall Detection: A Survey (74 studies)
Hu, Cao, Toosizadeh et al. | IEEE R&A Magazine, 2024
리뷰 FMCW/UWB/CW/mmWave Survey (CNN/RNN) 2024
▼
Problem - 해결하려 한 것
레이더 기반 낙상 연구가 급증하지만 기술/방법론이 파편화. 74편을 체계적으로 정리하여 어떤 조합이 최적인지, 탐지 vs 예측 어디까지 왔는지 파악.
Solved - 해결한 것
FMCW+딥러닝 조합이 최고 성능 확인. 탐지 성능 91-100% 달성. 기술 발전 로드맵(threshold → ML → DL → MIMO) 정리. 레이더 유형별 장단점 명확화.
Unsolved - 못한 것
대부분 탐지(detection)만, 사전 예측(prediction) 연구 극소. 실험실-실환경 격차 미해결. 실제 낙상 데이터셋 부족. 평가 지표 비표준화.
Scope
74개 논문 체계적 검토 (2000년 이후)
FMCW, UWB, CW, mmWave, SFCW 레이더
Micro-Doppler, Range-Doppler, Point Cloud 기법
Performance Ranges
Micro-Doppler: Precision 88-100%, Recall 82-100%
Range-Doppler: Accuracy 91.9-99.6%
Range-Doppler-Angles: Precision 91.9-97.5%
딥러닝(CNN/RNN)이 전통 방법 상회
Key Finding
레이더 기반 낙상 탐지는 높은 성능(91-100%) 달성. 그러나 대부분 탐지(detection)에 집중, 사전 예측(prediction) 연구는 극히 부족. 실험실-실환경 격차, 실제 낙상 데이터셋 부족, 평가지표 비표준화가 주요 과제.
13
GR-Fall: Fall Detection with Gait Recognition for Indoor Environments Using SISO mmWave Radar
ACM IMWUT, 2025
Type A: 즉시감지 mmWave SISO Radar Joint Gait+Fall DL 2025
▼
Problem - 해결하려 한 것
기존 낙상 감지는 "누가" 넘어졌는지 모름. 단일 SISO 레이더로 개인별 보행 인식 + 낙상 감지를 동시에 수행할 수 있는가?
Solved - 해결한 것
보행 인식 + 낙상 감지 결합 성공. Precision 98.1%, Recall 98.7%. 새 환경/참가자에서도 동일 성능 → 일반화 능력 입증.
Unsolved - 못한 것
실시간 탐지만(장기 예측 아님). 다중 사용자 미검증. 고령자 실제 낙상 데이터 부족.
Sensor & Approach
Single-Input Single-Output mmWave 레이더
보행 인식 + 낙상 감지 결합 시스템
데이터 증강 알고리즘 포함
관절 낙상-보행 감지 기반 알람
Performance
Precision
98.1%
Recall
98.7%
새로운 환경 + 새로운 참가자에서도 동일 성능
Key Finding
보행 인식과 낙상 감지를 결합한 최초 시스템. 단일 SISO 레이더만으로 개인별 보행 패턴 인식 + 낙상 감지 동시 수행. 새로운 환경/참가자에 대한 일반화 성능 입증.
14
A Systematic Review of Wearable Sensor-Based Technologies for Fall Risk Assessment in Older Adults
Chen, Wang, Yu et al. | Sensors, 2022
리뷰 Multiple Wearables Systematic Review (25 studies) 2022
▼
Problem - 해결하려 한 것
웨어러블 낙상 연구가 다양하지만 센서 위치/유형/알고리즘 최적 조합에 합의 없음. 25개 연구를 비교하여 최적 구성 도출.
Solved - 해결한 것
하부 등 + 양측 하지가 최적 센서 위치. SVM/LR이 가장 효과적. 성능 범위 정리: Accuracy 57-90%, Sensitivity 43-93%.
Unsolved - 못한 것
표준화 프레임워크 여전히 부재. 개인 이질성(연령/질환) 영향 불명확. 상용 도구 검증 제한. 최적 샘플링 주파수 합의 없음.
Scope
25개 연구 체계적 검토 (2017-2022)
PubMed, Scopus, Web of Science
센서: IMU, 압력 인솔, 3축 가속도계, EMG, 3D 모션센서
Key Gait Parameters
Gait speed, Step/stride length, Cadence
Stride time variability
Angular velocity, Sit-to-stand duration
Turn dynamics, Trunk stability
Performance Range
Accuracy: 57-90%
Sensitivity: 43-93%
Specificity: 54.5-100%

최적 센서 위치: 하부 등 + 양측 하지
최적 모델: SVM, Logistic Regression
Key Finding
센서 위치, 유형, 특징, 처리 기법에 따라 성능 크게 변동. 하부 등/양측 하지가 최적. 후두/경부 배치는 민감도 저하. 표준화된 프레임워크 부재가 가장 큰 과제.
Limitations
개인 이질성(연령/만성질환) 영향 불명확, 샘플링 주파수/센서 위치/모델 합의 없음, 노이즈 환경 특징 추출 어려움, 상용 도구 검증 제한적
15
Detecting Fall Risk and Frailty in Elders with Inertial Motion Sensors: A Survey of Significant Gait Parameters
Ruiz-Ruiz, Jimenez, Garcia-Villamil, Seco | Sensors, 2021
리뷰 IMU Survey Survey (22 studies) 2021
▼
Problem - 해결하려 한 것
IMU 보행 파라미터가 수십 가지인데 어떤 것이 낙상/허약과 실제로 관련 있는지 연구마다 상이. 22개 연구 비교로 가장 신뢰할 수 있는 지표 식별.
Solved - 해결한 것
Trunk stability가 낙상 위험에 가장 관련 높은 파라미터. Frailty에는 double-support time, gait speed가 유의미. 기본 시공간 파라미터보다 안정성 지표가 우수.
Unsolved - 못한 것
연구 수 제한적, 파라미터 간 비일관성 지속. 보행속도/보폭 등 기본 변수의 상반된 결과 미해결. 종합적 파라미터 세트 비교 연구 필요.
Scope
22개 연구 체계적 검토
IMU 기반 보행 파라미터 분석
센서 위치: 하부 등(L3/L5), 흉골, 발, 정강이, 허벅지
1~6개 센서 구성
Key Findings
낙상 위험: Trunk stability/movements가 가장 관련
Gait speed, stride time, stride length은 연구마다 비일관적

Frailty: Double-support time, gait speed, stride time, step time, daily steps가 유의미
Key Finding
체간 안정성(trunk stability)이 낙상 위험 평가에 가장 관련 높은 파라미터. 반면 보행 속도/보폭 등 기본 시공간 파라미터는 연구마다 결과 비일관적. 허약(frailty) 평가에는 이중 지지 시간, 보행 속도가 유의미.
16
A wireless, self-powered smart insole for gait monitoring via nonlinear synergistic pressure sensing
Science Advances, 2025
측정 기술 Smart Insole (253pts) Pressure Mapping 2025
▼
Problem - 해결하려 한 것
기존 인솔은 저해상도, 짧은 배터리, 유선으로 장기 사용 불가. 자가발전 + 253포인트 + 무선으로 3개월 연속 모니터링 가능한가?
Solved - 해결한 것
253포인트 + 자가발전 + 3개월 배터리 달성. 82Hz. 비정상 보행 ~94% 정확도. Heel/Toe 구분 성공.
Unsolved - 못한 것
착용형(비접촉 아님). 대규모 임상 검증 없음. 낙상 예측 모델 미구현(센서만 개발).
Sensor & Data
253개 압력 포인트 스마트 인솔
82Hz 샘플링 (초당 82회)
자가 발전(self-powered), 3개월 배터리
무선 데이터 전송
Key Features
고해상도 발바닥 압력 맵
Heel strike / Toe push-off 단계 구분
보행 주기 분석
비자발적 보행 변화 조기 감지
Performance
비정상 보행 감지 정확도: ~94%
3개월 연속 사용 가능
실시간 모니터링
Key Finding
253포인트 고해상도 압력 센싱으로 미세한 보행 변화 포착. 자가 발전으로 장기 모니터링 가능. 낙상 예측을 위한 일상적 보행 모니터링 플랫폼으로 활용 가능.
Limitations
착용형(비접촉 아님), 대규모 임상 검증 필요, 낙상 예측 모델 직접 구현하지 않음(모니터링 중심)
17
Minimalist wireless instrumented shoe to measure foot clearance in human gait (ToF sensor)
ScienceDirect, 2025
측정 기술 ToF (Time-of-Flight) ML Foot Clearance 2025
▼
Problem - 해결하려 한 것
낙상의 53%가 tripping이지만 기존 분석은 속도/보폭만. 발-지면 높이(MTC)를 실시간 측정하면 걸림 낙상을 직접 예측 가능한가?
Solved - 해결한 것
ToF 센서로 foot clearance 실시간 측정 성공. 소형/경량. 각도/오프셋 보정으로 정확도 향상. tripping 직접 지표 제공.
Unsolved - 못한 것
예측 모델은 미래 연구로 남김(측정만). 바이오피드백 미구현. 대규모 임상 검증 없음. 비접촉 아님.
Sensor & Data
ToF 센서 (발가락 + 뒤꿈치에 장착)
Minimum Toe Clearance (MTC) 측정
각도 및 오프셋 보정 기법 적용
Key Approach
Foot clearance = 발-지면 간 최소 높이
낙상의 53%가 tripping (낮은 MTC)으로 발생
ML로 다음 스텝의 foot clearance 예측
바이오피드백 메커니즘 계획
Key Finding
ToF 센서로 발 높이(foot clearance) 실시간 측정 가능. 낙상의 53%가 tripping에 의한 것으로, MTC 모니터링이 낙상 예측의 직접적 지표. 착용형이지만 소형/경량으로 일상 모니터링 가능.
18
Real-Time, Non-Intrusive Fall Detection via Wi-Fi CSI: CNN-LSTM, GNN, Transformer
IntechOpen, 2025
Type A: 즉시감지 WiFi CSI CNN-LSTM / GNN / Transformer 2025
▼
Problem - 해결하려 한 것
카메라/웨어러블 없이 기존 WiFi만으로 낙상 감지 가능한가? CNN-LSTM, GNN, Transformer 중 CSI에 최적인 아키텍처는?
Solved - 해결한 것
CNN-LSTM + PCA: 94.9%. Walking/FallDown 각 99% 감지율. 완전 비접촉, 추가 장비 없이 동작 확인.
Unsolved - 못한 것
탐지만(장기 예측 아님). 환경 변화 강건성 미검증. 다중 사용자, 실제 가정 테스트 부족.
Sensor & Data
상용 WiFi 장비 CSI
CNN-LSTM, GNN, Transformer 3종 비교
PCA 적용 전처리
Performance
CNN-LSTM
94.9%
Walking 감지율: 99%
FallDown 감지율: 99%
Key Finding
WiFi CSI만으로 보행 중 낙상 감지 가능. CNN-LSTM이 PCA 전처리와 결합 시 94.9% 정확도. 완전 비접촉/비침습 방식으로 프라이버시 보호.
19
Gait Biomechanical Parameters Related to Falls in the Elderly: A Systematic Review
Biomechanics (MDPI), 2024
리뷰 Multiple Systematic Review 2024
▼
Problem - 해결하려 한 것
보행 바이오메카닉스 파라미터 중 어떤 것이 낙상자/비낙상자를 가장 잘 구분하는지 체계적 합의 부재. 기존 연구를 종합하여 일관된 구분 지표 도출.
Solved - 해결한 것
Gait speed 감소, Stride length 단축, Double support time 증가가 가장 일관된 구분 지표. 변동성(CV)은 대부분 변수에서 낙상자가 더 높음 확인.
Unsolved - 못한 것
연구 간 분석 방법 이질성으로 메타분석 불가능. 역치(threshold) 값 합의 없음. "얼마나 느려야 위험한가"에 대한 정량적 기준 미도출.
Key Parameters Distinguishing Fallers vs Non-Fallers
Fallers 특징:
- Gait speed: 대다수 연구에서 낙상자가 더 느림
- Stride/Step length: 단축
- Double support phase: 증가
- Gait variability (CV): 대부분 변수에서 증가
- Step width: 변동성 증가

결론: Gait speed, stride length, double support time이 가장 일관된 구분 지표
20
Leveraging feature selection for enhanced fall risk prediction in elderly using gait analysis
Medical & Biological Engineering & Computing, 2024
Type B: 장기예측 IMU/Wearable Feature Selection + ML 2024
▼
Problem - 해결하려 한 것
보행 특징이 수십~수백 개이지만 모든 특징을 다 넣는 것보다 핵심만 고르는 것이 오히려 나은가? Feature selection으로 성능과 해석 가능성 동시 개선.
Solved - 해결한 것
핵심 변수 선별이 전체 변수 사용보다 우수 입증. 보행 속도, 변동성, 체간 안정성이 핵심 선택 특징. 모델 정확도 + 일반화 성능 동시 개선.
Unsolved - 못한 것
최적 특징 세트가 데이터/인구에 따라 변동. 보편적으로 적용 가능한 표준 특징 세트 미도출. 전향적 검증 필요.
Key Finding
보행 분석에서 특징 선택(feature selection)이 낙상 예측 성능을 크게 향상. 모든 보행 변수를 사용하는 것보다 핵심 변수만 선별하는 것이 모델 정확도와 일반화 성능을 동시에 개선. 보행 속도, 변동성, 체간 안정성 관련 변수가 핵심 선택 특징.

Performance Comparison Table

센서별/알고리즘별 성능 비교 (보행 기반 낙상 예측 논문)

# 논문 (연도) 센서 핵심 보행 지표 알고리즘 대상 Accuracy AUC Sensitivity 접촉여부
01 Lockhart et al. (2021) IMU (흉골) 엔트로피, 보행변동성, harmonic ratio Random Forest 171명 노인 (6개월) 81.6% 0.785 86.7% 착용
02 Lim et al. (2024) 카메라 (포즈) stride/step/stance time, cadence LightGBM 65명 96.0% - - 비접촉
03 Kim et al. (2025) 압력 트레드밀 Step width CV, gait speed Discriminant 303명 (65-92세) - - - 비착용
04 Jia et al. (2024) 3D 모션캡처 Stride length (OR=0.007), stride time Logistic Reg. 132명 (80+세) - 0.878 93.5% 비접촉
05 Zhou et al. (2025) 외골격 + sEMG Gait speed, stride length + EMG SVM 117명 (CSVD) 91.7% 0.986 90.9% 착용
06 Nait Aicha et al. (2018) 가속도계 (체간) 일상 보행 가속도 패턴 ConvLSTM 296명 - 0.75 - 착용
07 Yu et al. (2020) IMU (Acc+Gyro) 움직임 시퀀스 (pre-impact) ConvLSTM 38명 (SisFall) 98.7% - 93.8% 착용
08 Yhdego et al. (2021) IMU (Acc+Gyro) 피크 가속도 기반 보행 패턴 Transformer 30명 98.0% - 97.0% 착용
09 Zeng et al. (2022) mmWave (77GHz) Step time, STV STFT + Envelope 3명 96.0% - - 비접촉
10 Siva et al. (2024) mmWave (60-64GHz) Step length, gait speed Point Cloud 35명 허약노인 91.7% (ICC) - - 비접촉
13 GR-Fall (2025) mmWave SISO 보행인식 + 낙상감지 결합 Joint DL - - - 98.7% (R) 비접촉
16 Smart Insole (2025) 압력인솔 (253pt) 발바닥 압력 분포, 보행 주기 Pressure Map - ~94% - - 착용
17 ToF Shoe (2025) ToF 센서 Foot clearance (MTC) ML - - - - 착용
18 WiFi CSI (2025) WiFi CSI 보행 중 CSI 패턴 CNN-LSTM - 94.9% - 99.0% 비접촉

Key Insights

20편의 논문에서 도출한 핵심 인사이트

1 가장 강력한 보행 예측 지표

  • Gait speed 감소 - 가장 일관된 낙상 예측 지표 (다수 리뷰 합의)
  • Step width variability - 빠른 속도에서 판별력 증가 (Kim 2025)
  • Stride length 감소 - OR=0.007로 가장 강한 보호 요인 (Jia 2024)
  • Trunk stability - 체간 안정성이 낙상위험에 가장 관련 (Ruiz-Ruiz 2021)
  • 비선형 변동성 - 다중스케일 엔트로피 등이 미묘한 변화 감지 (Lockhart 2021)

2 센서별 장단점

  • IMU/Acc: 가장 많은 검증, 다양한 보행 변수 추출 가능, 착용 필요
  • mmWave Radar: 비접촉, 프라이버시 보호, 변동성 측정 정확도 아직 부족
  • Camera: 고정밀 포즈 추출, 프라이버시 이슈, 조명/가림 영향
  • Smart Insole: 자연스러운 착용, 압력 분포 고해상도, 장기 모니터링 가능
  • WiFi CSI: 완전 비접촉, 기존 인프라 활용, 정확도 개선 필요
  • ToF: Foot clearance 직접 측정, tripping 예측에 특화

3 알고리즘 트렌드

  • 전통 ML (RF, SVM, LR): 소규모 데이터에서 안정적, 해석 가능
  • 딥러닝 (CNN-LSTM, ConvLSTM): 자동 특징 추출, 대규모 데이터 필요
  • Transformer/Attention: 최신, IMU 기반에서 98% 정확도 달성
  • Multi-task Learning: 성별/나이 보조 태스크로 성능 개선
  • Feature Selection: 핵심 변수 선별이 전체 변수 사용보다 우수

4 비접촉 보행 예측의 현재 수준

  • mmWave: Step time 96% 정확도, Step length 8.3% 오차 (실제 노인 가정 검증)
  • 한계: 보행 변동성(variability) 측정에서 52-113% 과대추정
  • 대부분 "탐지(detection)"에 집중, 사전 "예측(prediction)" 연구 극소
  • 실험실 → 실환경 격차가 가장 큰 과제
  • CSI+mmWave 융합으로 단일 센서 한계 극복 가능성

Gait Parameters Frequency Map

논문에서 언급된 보행 파라미터 빈도 및 예측력

보행 파라미터 한국어 언급 빈도 낙상 예측 관련성 비접촉 측정 가능 주요 근거 논문
Gait Speed 보행 속도 18/20 Very High Radar / CSI 다수 SR, Jia, Lockhart
Stride/Step Length 활보/걸음 길이 14/20 Very High Radar (8.3% err) Jia (OR=0.007), Siva
Step Width Variability 걸음 너비 변동성 6/20 Very High Limited Kim 2025 (가장 강력)
Cadence 분당 걸음 수 12/20 High Radar / CSI Lim, Zeng
Step/Stride Time Var. 걸음 시간 변동성 10/20 Very High Radar (52-113% err) Zeng, Gurbuz (과제)
Trunk Stability 체간 안정성 8/20 Very High Radar (partially) Ruiz-Ruiz (가장 관련)
Double Support Time 이중 지지 시간 7/20 High Limited Kim, SR 다수
Stance Phase % 입각기 비율 6/20 High Radar Kim, Zhou
Foot Clearance (MTC) 발-지면 높이 3/20 High (tripping) ToF only ToF Shoe 2025
Nonlinear Entropy 비선형 엔트로피 4/20 High (subtle) Difficult Lockhart, Nait Aicha