핵심 가설 근거 — 최신 논문 업데이트

연구 내용: 80세 이상 요양시설 노인 132명에게 IMU 센서를 부착하고 10m 보행을 측정. 보폭 시간(stride time), 보폭 길이(stride length), 보행 속도 등을 로지스틱 회귀 모델에 넣어 낙상 위험을 예측.
핵심 결과: AUC 0.878, 민감도 93.5%, 특이도 72.6%. stride time이 독립적 낙상 예측인자로 확인 (OR=0.992).
대체 목적: 기존 Hausdorff(2001)는 "보행 변동성이 높으면 위험하다"를 처음 제시한 논문이지만 23년 전 연구. 이 논문은 같은 결론을 AUC 0.878이라는 정량 수치로 재확인했고, 2024년 최신 데이터이므로 슬라이드 근거로 더 강력함.

연구 내용: 지역사회 거주 노인 303명을 대상으로 평상시 보행과 20% 빠르게 걷기를 비교. 보행 변동성 CV(걸음 시간, 걸음 폭 등)를 낙상 위험군/비위험군에서 비교 분석.
핵심 결과: 낙상위험군에서 대부분의 보행 변동성 CV가 유의하게 높음. 특히 빠르게 걸을 때 step-width CV의 판별력이 극대화.
대체 목적: 보강 논문. Hausdorff가 stride-time만 봤다면, 이 논문은 step-width(좌우 흔들림)도 핵심 지표임을 303명 대규모로 보여줌. 우리 시스템의 mmWave 좌우 흔들림 측정 근거로 활용 가능.

연구 내용: 다수의 웨어러블 센서 낙상 예측 연구를 체계적으로 분석. 가속도계, 자이로, 압력 센서 등 다양한 센서의 낙상 판별력을 비교.
핵심 결과: 모든 센서 중 보행 속도와 보행 변동성(gait variability)만이 낙상 위험 판별에 일관되게 유의미한 결과를 보임.
대체 목적: 보강 논문. "보행 변동성이 핵심"이라는 결론이 개별 연구가 아닌 체계적 리뷰 수준에서 합의되었음을 보여줌. 우리 시스템이 보행 변동성에 집중하는 것이 학술적으로 올바른 방향임을 뒷받침.

연구 내용: van Schooten(2014)의 원래 모델을 같은 연구팀이 직접 263명 새로운 집단으로 외부 검증. 1주일 동안 체간 가속도계 착용 + 설문지 병행, 6개월 추적.
핵심 결과: 원래 계수 적용 시 AUC 0.50~0.68이었으나, 재보정 후 설문+가속도 결합 모델 AUC 0.82로 크게 개선.
대체 목적: 기존 van Schooten(2014)의 AUC 0.67은 자체 데이터 검증. 이 논문은 외부 데이터에서도 검증 성공 + AUC 0.82로 상향. 같은 저자가 10년 후 직접 업데이트했으므로 가장 강력한 교체 후보.

연구 내용: 301명 노인을 12개월 추적. 보행 중 걸음(step) 기반 파라미터만으로 낙상을 예측할 수 있는지 검증. 센서 부착 위치에 무관하게 작동하는 모델 개발.
핵심 결과: 교차검증 AUC 0.67 (SD 0.05). 원본과 동등 수준이나 센서 위치 자유도를 확보.
대체 목적: 보강 논문. "센서가 어디에 있든 보행 파라미터로 예측 가능하다"는 것은 우리처럼 비접촉(천장 레이더)에서도 작동할 수 있다는 간접 근거.

연구 내용: 입원 노인 37명(평균 79.7세)의 보행을 아침과 낮 시간대에 각각 측정. 보행 개시(첫 몇 걸음) 단계와 정상 보행(steady-state) 단계를 구분하여 변동계수(CV)를 비교.
핵심 결과: 아침 보행 개시 CV가 낮 시간대보다 유의하게 높음 (p<0.01). 정상 보행에서는 시간대 차이 없음. 즉, 아침 "첫 걸음"만이 시간대에 민감하게 반응.
대체 목적: Lindemann(2005)은 "첫 보행이 기능 저하를 반영한다"는 개념만 제시. 이 논문은 "아침 첫 보행이 낮보다 불안정하다"를 실증. 우리 시스템이 "아침 첫 기상 시 보행"을 핵심 측정 시점으로 잡은 것의 직접적 근거.

연구 내용: 65세 이상 노인 61명을 Fried 허약 기준(비허약/전허약/허약)으로 분류. 보행 개시 시 소요 시간, 첫 발걸음 길이, 발 최대 높이 등 생체역학 분석.
핵심 결과: 허약 노인은 비허약 대비 보행 개시 시간이 유의하게 길고, 첫 발걸음이 짧음. 낙상 공포와 발 최대 높이 간 부적 상관 (r=-0.31).
대체 목적: 보강 논문. Lindemann이 "첫 보행 불안정"을 관찰적으로 제시했다면, 이 논문은 허약 수준별로 보행 개시가 얼마나 달라지는지를 정량화. 우리 시스템의 "기상 패턴 분석"이 허약도를 반영할 수 있다는 근거.

연구 내용: 장기요양시설 거주자 183명의 실제 낙상 306건을 비디오로 촬영/분석. 앉았다 일어서기(STS) 전환 중 어느 단계에서 넘어지는지 분류.
핵심 결과: STS 낙상의 64%가 "일어서는 단계"에서 발생 (36%는 안정화 단계). 일어서기 낙상은 뒤로, 안정화 낙상은 옆으로 넘어짐.
대체 목적: 보강 논문. "기립-보행 전환 구간이 가장 위험하다"를 306건 실제 낙상 영상으로 입증. 우리 시스템의 ToF 자세 감지(눕다→앉다→서다)가 이 위험 구간을 정확히 포착하는 것의 근거.

연구 내용: 일상 활동 중 HRV 데이터를 수집하고, K-means 클러스터링으로 3가지 자율신경 상태(정상/중간/위험)를 식별한 뒤 Gradient Boosting으로 낙상 위험 분류.
핵심 결과: accuracy 95.45%, precision 93.10%, recall 85.71%. Castaldo(2017)의 68%를 크게 상회.
대체 목적: Castaldo(2017)와 Melillo(2015)는 "HRV로 낙상 예측 가능"의 원조 논문이므로 유지하되, 이 논문으로 "최신 ML로 정확도가 95%까지 올라간다"를 보강. 비접촉 HRV(CSI)와 결합하면 더 높은 성능이 기대된다는 논리에 활용.

연구 내용: 2020~2024년 발표된 31개 웨어러블 센서 낙상 예측 논문을 체계적으로 분석. 보행 파라미터 단독 vs 생리신호(HRV 등) 결합 모델의 성능 비교.
핵심 결과: 최고 성능 모델 accuracy 90.5~94.4%. HRV를 포함한 생리신호를 보행 데이터와 결합하면 예측력이 향상됨을 확인.
대체 목적: 보강 논문. "보행 + HRV를 합치면 더 좋다"는 것이 31개 논문 리뷰에서 합의됨. 우리 시스템이 mmWave(보행) + CSI(HRV)를 결합하는 것의 학술적 정당성.