기존 연구 대부분은 넘어진 후 알림을 보냅니다. 치매 환자에게는 이미 늦습니다.
치매 환자는 넘어진 후 도움을 요청할 수 없습니다 — 인지장애 환자가 낙상 후 1시간 이상 바닥에 누워있을 확률은 일반 노인의 8.1배이며, 알람이 있어도 97%가 작동시키지 못합니다 (Fleming & Brayne 2008, BMJ). "넘어진 걸 빨리 발견"이 아니라 "넘어지기 전에 위험한 날을 미리 파악"하는 것이 유일하게 실질적인 해결책입니다.
mmWave와 CSI는 서로 다른 물리적 원리로 서로 다른 정보를 추출합니다. 한 센서의 약점을 다른 센서가 보완합니다.
| 측정 항목 | 주 담당 | 측정 원리 | 정밀도 | 근거 |
|---|---|---|---|---|
| 보행 속도 | mmWave | Torso centroid Doppler 평균 | 96% 정확도 | Zeng 2022 |
| 보폭 / STV | mmWave | Foot cluster heel-strike timing | cm 단위 | Zeng 2022 |
| 좌우 흔들림 | mmWave | Centroid lateral deviation | mm 단위 | — |
| 기상 패턴 | mmWave | Point cloud 수직 분포 변화 | 시도 횟수/시간 | — |
| 자세 (서/앉/누움) | mmWave | Point cloud 종횡비 클러스터링 | 3-class | Yu 2025 |
| 호흡률 | CSI | Amplitude FFT 0.2~0.4Hz | ±1 bpm (정적) | PMC9375645 |
| 심박수 | CSI | Phase 분석 0.8~2Hz | 정적 시만 유효 | PMC9375645 |
| 보행 리듬 (cadence) | CSI | Amplitude 주기성 검출 | 오차 11.9ms | Wang 2016 |
| 재실 / 각성 | CSI | Amplitude variance 임계값 | 24시간 연속 | — |
mmWave는 정밀하지만 보폭·STV 등 세밀한 보행 파라미터 추출은 ~3m 이내에서 최적이고, 호흡/심박 같은 미세 생체신호 추출에 불리합니다. CSI는 방 전체를 연속 감시하지만, 센서 위치에 따라 호흡 감지 정확도가 크게 달라집니다 (최적 위치 98.8% vs 비최적 위치 61.5%, PMC9375645). 서로의 약점을 보완하면서 교차검증으로 오탐을 제거하는 것이 듀얼 센서의 핵심 가치입니다.
논문 근거: 치매 환자의 보행 패턴 변화는 낙상 발생 수 시간~수일 전부터 관측됩니다.
| 전조 패턴 | mmWave가 감지 | CSI가 감지 | 왜 위험한가 |
|---|---|---|---|
| 야간 배회 (Sundowning) |
침대 Zone → 바닥 Zone 전이, 이동 궤적·속도 | 재실→이동 상태 변화, 호흡률 각성 패턴 전환 | 개인 방 낙상의 64.6%가 야간 (Bayen 2021). Sundowning 유병률 2.4~66% (Khachiyants 2011). |
| 비정상 침대 이탈 | 포인트 클라우드 비정상 궤적 (몸통부터 넘어가는 패턴) | 급격한 amplitude 변화 (정상 기상과 다른 에너지 패턴) | 정상 기상과 완전히 다른 패턴. |
| 인지 상태 변동 (cognitive fluctuation) |
보행 속도·보폭·STV·흔들림 일일 변동 추적 | 보행 리듬 규칙성, 야간 호흡 패턴 변동 | 시설 치매 환자에서 인지 변동이 과잉 장애(excess disability) 유발 (Mainland 2017). |
| 약물 영향 | 투약 후 보행 속도·흔들림 변화 추적 | 투약 후 호흡률·심박 변화, 수면 깊이 변화 | 진정제 새 처방 24시간 내 낙상 OR 3.79 (Berry 2015). 수면제 낙상 위험 OR 1.47 (Woolcott 2009). |
기존 연구에서 보행 변동성이 낙상을 예측하고, 허약 노인의 첫 보행이 기능 상태를 반영하며, 연속 센서 모니터링으로 낙상 위험 평가가 가능함이 각각 입증되었습니다. 본 연구는 이 세 가지를 결합하여 "아침 첫 기상·보행 패턴으로 당일 낙상 위험도를 조기 판단한다"는 새로운 가설을 제안합니다.
| 입증된 사실 | 논문 | 핵심 수치 |
|---|---|---|
| 보행 변동성이 높으면 낙상 위험이 높다 | Hausdorff et al. (2001) — Arch Phys Med Rehabil. 1년 전향적 연구. | stride-time CV가 낙상군에서 유의하게 높음 |
| 일상 보행의 질적 변동을 연속 측정하면 낙상을 예측할 수 있다 | van Schooten et al. (2014) — J Gerontol A. 7일간 가속도계 착용. | 일상 보행 양+질 → 6개월 낙상 예측 AUC 0.67 |
| 허약 노인의 첫 보행은 안정 상태 도달까지 더 오래 걸린다 | Lindemann et al. (2005) — Gait & Posture. | 첫 보행 특성이 기능 저하 지표 |
| 기립(sit-to-stand) 수행력이 낙상 위험과 관련된다 | Najafi et al. (2002) — IEEE Trans Biomed Eng. | STS 전환 시간으로 낙상 위험군 구별 가능 |
| 인지 저하가 보행 변동성 증가 → 낙상 위험 증가 경로 | Allali et al. (2017) — JAMDA. GOOD Initiative. | 인지 저하 → 보행 변동성 ↑ → 낙상 ↑ |
CSI가 각성 감지 → mmWave가 기상 동작 분석 → 첫 보행 듀얼 측정
→ 06:30에 "오늘은 위험한 날"로 판단
→ 하루 종일 강화 모니터링 + 간호 인력 재배치
| 지표 | 센서 | 30일 평균 | 오늘 | z-score |
|---|---|---|---|---|
| 보행 속도 | mmWave | 0.78 m/s | 0.49 m/s | -2.9 |
| 보폭 | mmWave | 52 cm | 38 cm | -2.8 |
| STV | mmWave | 4.2% | 9.8% | +4.0 |
| 좌우 흔들림 | mmWave | 2.1 cm | 4.2 cm | +5.3 |
| 보행 리듬 (cadence) | CSI | 0.85 Hz | 0.62 Hz | -3.3 |
| 호흡률 (보행 중) | CSI | 18 /min | 24 /min | +3.0 |
개인 베이스라인 대비 이상도를 z-score로 산출. mmWave 지표(주축)와 CSI 지표(보조축)를 가중 합산합니다.
| 지표 | 센서 | 가중치 | 측정 방법 | 근거 |
|---|---|---|---|---|
| 기상 패턴 이상 | mmWave | 0.20 | Point cloud 수직 분포. 기립 시도 횟수, 소요 시간. | 비정상 기상 = 그날 근력·균형의 가장 직접적 지표 |
| 보행 속도 감소 | mmWave | 0.15 | Torso centroid Doppler 평균. 96% 정확도. | SMD=-1.21 유아현 2025 |
| STV 증가 | mmWave | 0.15 | Heel-strike 간격의 CV (변동계수). | 낙상 핵심 예측 Zeng 2022 |
| 좌우 흔들림 | mmWave | 0.10 | Centroid lateral deviation. | 균형 저하 r=-0.20 홍선영 2017 |
| 보폭 감소 | mmWave | 0.10 | Foot cluster 간 거리. | 근력·자신감 저하 반영 |
| 보행 리듬 변화 | CSI | 0.10 | Amplitude 주기성 검출. 오차 11.9ms. | Wang 2016 |
| 호흡 변동 | CSI | 0.10 | 야간 호흡률 CV. FFT 0.2~0.4Hz. | 수면 질 → 주간 컨디션 반영 |
| 심박 변화 | CSI | 0.05 | Phase 분석 0.8~2Hz (정적 시). | 자율신경계 각성 상태 |
| 수면 질 | CSI | 0.05 | 야간 amplitude 에너지 + 호흡 안정도. | 수면 질 저하 → 주간 낙상 위험 증가 |
개인 맞춤형: 각 환자의 "평소"가 기준이므로 사람마다 다른 baseline에 자동 적응. 해석 가능: "보폭이 평소보다 2.8σ 줄었습니다"를 간호사에게 설명 가능. 학습 데이터 불필요: 치매 환자 낙상 데이터셋 없이도 동작. 엣지 실행: 연산량 거의 없음.
치매 환자는 인지 상태 변동(cognitive fluctuation)이 있어 날마다 컨디션이 다릅니다 (Mainland 2017). 아래는 본 연구 가설에 따라 시스템이 두 상황을 구분하는 예상 시나리오(illustrative)입니다.
mmWave
기상: 1회 시도, 9초 (z = +0.3)
보행 속도: 0.75 m/s (z = -0.3)
STV: 4.5% (z = +0.2)
흔들림: 2.3 cm (z = +0.5)
CSI
호흡 CV: 7% (평소 수준)
보행 리듬: 0.83 Hz (z = -0.2)
위험도: 0.12 → 정상
mmWave
기상: 3회 시도, 23초 (z = +5.0)
보행 속도: 0.49 m/s (z = -2.9)
STV: 9.8% (z = +4.0)
흔들림: 4.2 cm (z = +5.3)
CSI
호흡 CV: 32% (z = +4.8)
보행 리듬: 0.62 Hz (z = -3.3)
위험도: 0.87 → 위험
요양병원 1인실에 설치되는 전체 하드웨어 배치와 데이터 흐름입니다.
| 단계 | 처리 | mmWave 경로 | CSI 경로 | 지연 |
|---|---|---|---|---|
| 1 | 원시 데이터 수집 | ADC 샘플 → IF 신호 Frame rate: 10~30fps |
WiFi 패킷 수신 → CSI 추출 Sampling: ~100 pps |
실시간 |
| 2 | 신호 전처리 | Range FFT → Doppler FFT CFAR 타겟 검출 → Point Cloud |
Hampel filter → PCA Band-pass → FFT |
< 50ms |
| 3 | 상태 분류 | Point Cloud 위치 + CSI 에너지 → 수면 / 기상 / 보행 / 정지 (FSM) | < 10ms | |
| 4 | Feature 추출 | 속도, 보폭, STV, 흔들림, 기상 시도 횟수, 자세 |
호흡률, 심박, 보행 리듬, 수면 질, 각성 이벤트 |
~1초 윈도우 |
| 5 | 이상도 산출 | 각 feature → z-score → anomaly (0~1) → 가중 합산 → risk_score | < 1ms | |
| 6 | 교차검증 | mmWave ≥ 0.8 AND CSI ≥ 0.8 → 확정 / 그 외 → 관찰 | < 1ms | |
| 7 | 알림 발송 | 등급별 분기: 정상(기록) / 주의(표시) / 경고(푸시) / 위험(즉시+의사) | < 3초 | |
| 구성 요소 | 사양 | 역할 | 설치 위치 |
|---|---|---|---|
| mmWave IWR6843AOP | 60~64GHz FMCW, 3TX/4RX AoP 내장 안테나, ~$50 |
정밀 동작·보행·자세 분석 Point Cloud + Doppler |
천장 (하향 설치) 침대+바닥 전체 커버 |
| CSI WiFi AP | 802.11n/ac, 2.4/5GHz 일반 공유기 사용 가능 |
CSI 신호 송신원 (기존 인프라 활용 가능) |
벽면 상단 |
| CSI 수신기 | ESP32 (52 서브캐리어) 또는 RPi 4B + Nexmon (234 서브캐리어) |
CSI 데이터 추출·전처리 | 벽면 반대편 (AP와 대각선) |
| 엣지 프로세서 | Raspberry Pi 5 (8GB) + Hailo-8L AI HAT (13 TOPS) |
듀얼 센서 데이터 통합 실시간 추론·판정·알림 전송 |
병실 외부 또는 간호 스테이션 |
| 간호 스테이션 | 웹 대시보드 모바일 앱 (푸시 알림) |
실시간 위험도 모니터링 환자별 리포트 열람 |
간호사실 |
| 항목 | 사양 | 수량 | 단가 (원) | 소계 |
|---|---|---|---|---|
| IWR6843AOP EVM | mmWave 센서 개발 보드 | 1 | ~100,000 | 100,000 |
| ESP32 DevKit | CSI 수신기 | 1 | ~8,000 | 8,000 |
| WiFi AP | 기존 병원 인프라 활용 | - | 0 | 0 |
| Raspberry Pi 5 | 엣지 프로세서 (8GB) | 1 | ~110,000 | 110,000 |
| Hailo-8L AI HAT | NPU 가속기 (13 TOPS) | 1 | ~100,000 | 100,000 |
| 기타 | 케이블, 마운트, SD카드, 방열판 | - | ~25,000 | 25,000 |
| 합계 | ~343,000 |
1인실당 약 34만 원으로 24시간 비접촉 AI 모니터링 구축. 카메라 대비 프라이버시 보호, 웨어러블 대비 관리 부담 제로. 기존 WiFi 인프라 활용으로 추가 네트워크 공사 불필요. Hailo-8L NPU로 향후 LSTM/Transformer 기반 시계열 예측 모델을 엣지에서 실시간 추론 가능 (13 TOPS, INT8).
시스템 구성도 위에서 실제로 데이터가 어떻게 흐르는지 시간 순서로 정리합니다.
| 시간대 | 모드 | mmWave 역할 | CSI 역할 |
|---|---|---|---|
| 21:00~06:00 | 야간 수면 | 뒤척임 빈도·강도, 침대 가장자리 접근, 이탈 시도 | 호흡률·심박 연속 측정, 수면 깊이 추정, 각성 감지 |
| 06:00~07:00 | 기상 분석 (핵심) | 기상 시도 횟수·시간, 기립 동작 패턴, 첫 보행 전체 지표 | 각성 확인, 기상 에너지 패턴 교차검증, 첫 보행 리듬 |
| 07:00~21:00 | 주간 보행 | 보행 속도·보폭·STV·흔들림·정지 횟수·자세 | 보행 리듬 연속 측정, 재실 감시, 활동량 추정 |
| 상시 | 즉시 알림 | 침대 이탈 감지, 야간 배회 궤적, 비정상 기상 | 급격한 상태 변화 감지 (amplitude 급변) |
| 거리 | 가능한 측정 | 각도 분해능 (좌우) | 비고 |
|---|---|---|---|
| 0 ~ 3m | 보폭, STV, 좌우 흔들림, 기상 패턴 foot cluster 분리 가능 |
~80cm 간격 구분 가능 (3TX×4RX, ~15°) |
최적 구간 — 정밀 보행 분석 |
| 3 ~ 5m | 보행 속도, 자세 판별, 기립 동작 몸통 centroid 추적 |
~130cm 간격 구분 가능 | 충분히 유효 — 속도·자세에는 문제 없음 |
| 5 ~ 8m | 위치 추적, 이동 궤적, 재실 감지 | 정밀도 크게 감소 | 거친 추적만 가능 |
┌──────────── 4.5m ─────────────┐
│ │
│ ┌─────────┐ │
│ │ 침 대 │ ~1.5m │ 3.5m
│ │ │ ←─────→ │
│ └─────────┘ ▲ 센서 (천장) │
│ │
│ ┌───┐ ┌───┐ │
│ │의자│ │화장│ │
│ └───┘ ~2.5m │ 실 │ │
│ ←─────────→ └───┘ │
└────────────────────────────────┘
센서에서 가장 먼 지점 (대각선): ~2.8m
→ 방 전체가 "최적 구간 (0~3m)" 안에 들어옴