LSTM-TCN 하이브리드모델을 활용한 낙상 예측 모델 개발
LSTM–TCN Hybrid Modeling for Fall Prediction
0
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 연구는 FIR(Fall Image Recognition) 적외선 열화상 데이터와 IMU(Inertial Measurement Unit) 센서 데이터를 기반으로 실시간 낙상 예측을 위한 LSTM-TCN 하이브리드 모델을 제안한다. LSTM은 장기적인 자세 변화를, TCN은 단기적인 가속도 패턴을 학습함으로써 낙상 발생 전의 미세한 변화를 정확하게 예측하였다. 데이터 불균형 문제를 보완하기 위해 Focal Loss와 Cross-Validation을 적용하였으며, Attention Mechanism과 Cosine Annealing을 통해 학습 효율을 향상시켰다. 실험 결과, 제안된 모델은 정확도 99.81%, AUC 0.9995, F1-score 0.994를 달성하였으며, 평균 응답 시간은 0.12초로 실시간 예측이 가능하였다. 본 연구의 하이브리드 모델은 의료 및 안전 분야에서 낙상 사고를 사전에 예방하는 실질적 도구로 활용될 수 있음을 보여준다.
Abstract
This study proposes an LSTM–TCN hybrid model for real-time fall prediction using FIR (Fall Image Recognition) thermal imaging data and IMU (Inertial Measurement Unit) sensor signals. The LSTM component models long-term postural dynamics, while the TCN learns short-term acceleration patterns, enabling accurate prediction of subtle pre-fall changes. To address class imbalance and enhance generalization, Focal Loss and cross-validation were applied, and training efficiency was further improved through an attention mechanism and cosine annealing. Experimental results show that the proposed model achieves 99.81% accuracy, 0.9995 AUC, and a 0.994 F1-score, with an average response time of 0.12 s—satisfying real-time processing requirements. These findings demonstrate that the proposed hybrid model can serve as a practical tool for proactively preventing fall incidents in healthcare and safety settings.