보행은 일상생활의 가장 기본적이고 중요한 동작 중 하나이다. 하지만 많은 사람들이 노화, 부상 등의 이유로 보행에서 어려움을 겪고 있다. 이러한 어려움을 돕기 위해 개발된 의도파악형 웨어러블 로봇은 보행 시 착용자의 의도를 감지하여 추가적인 보조 힘을 제공한다. 그러나 의도파악형 로봇이 낙상을 일반 보행으로 오인하여 보조 힘을 제공할 경우 더 큰 힘으로 낙상하게 되어 착용자가 더 심각한 부상을 입을 수 있다는 문제점이 있다. 따라서 로봇의 안전한 보조를 위해서 낙상을 올바르게 예측하는 방법이 필수적이다. 또한 낙상이 매우 짧은 시간에 발생하는 동작임을 고려했을 때 낙상은 실시간으로 예측할 수 있어야 한다.
본 연구에서는 일반적인 낙상 발생 시간 동안의 착용자의 운동학적 데이터를 이용하여 낙상을 예측할 수 있는 머신러닝 모델을 개발했다. 이 초기 연구에서는 여러 유형의 낙상 중 가장 일반적이고 위험한 유형의 낙상인 미끄러져 넘어지는 낙상(slip)에 초점을 맞췄다. 15명의 연구참여자들이 양 발의 벨트가 분리되어 있는 트레드밀을 걷는 동안 자극이 없는 경우를 포함하여 앞 혹은 뒤, 왼쪽 혹은 오른쪽, 크거나 작은 9종류의 가속도 자극이 무작위로 참여자에게 주어졌다. 연구참여자들은 낙상 유도 자극 발생시 안전장비에 의존하지 않고 최대한 원래의 보행을 회복하여 걷도록 지시 받았다. 실제 낙상 상황을 재현하기 위해 자극은 0.35초 후에 제거되었다.
본 연구에서는 낙상 유도 자극이 가해진 뒤 0.35초 내로 자극 시점으로부터 0.3초 이내에 얻은 하지의 운동학적 데이터를 사용하여 낙상을 예측하는 것을 목표로 했다. 따라서, 0.05초 이하의 계산시간만 허용되었다. 총 5개의 머신러닝 모델(k-NN, SVM, LR, RF, XGB)을 이용하여 낙상을 예측한 결과와 낙상 중 뒤로 미끄러지는 낙상만을 예측한 결과 모두에서 XGB 모델이 각각 82.4%와 86.4%로 가장 높은 예측 정확도를 보여주었다.
결론적으로 매우 짧은 시간 동안의 후처리가 필요하지 않은 운동학적 데이터를 사용하여 일반적인 낙상 종료시점인 0.35초 이내에 낙상을 예측하는 알고리즘을 개발하였다. 또한, 본 연구에서 개발한 낙상유도 시스템과 머신러닝 모델은 의도파악형 보행보조 로봇의 안전한 활용과 낙상방지를 위한 중재방법 개발 연구에 기여할 것으로 기대된다.