낙상 감지는 고령자 돌봄과 지능형 감시에서 중요한 과제다. Jiangsu University, Zhenjiang, China 소속 연구진은 이를 정적인 자세 분류가 아니라 인간 지지계의 안정성 상실로 다시 보아야 한다고 제안했다. 이 논문은 arXiv v1 프리프린트로 2026년 7월 14일 게시됐으며, 원제는 ‘Real-time fall detection based on vision for low-power edge platforms’다. 연구진의 핵심 제안은 Center of Mass(CoM)와 Base of Support(BoS)를 분리한 dual-LTC 구조다. 두 하위계는 Liquid Time-Constant(LTC) 신경망으로 구현됐고, 학습 가능한 coupling module과 Stability Manifold classifier를 결합했다. counterfactual trajectory projection과 Time-to-Collision(TTC) 추정도 더했다. 전체 구조는 세 상태 예측을 염두에 두었지만, 이번 검증은 Normal과 Falling의 2-class 데이터셋에 한정됐다.
입력부에서는 YOLOv11n-pose로 각 프레임에서 COCO 형식 키포인트 17개를 추출했다. 좌표는 초기 프레임의 hip center를 원점으로 두고 initial shoulder width로 정규화했다. BoS는 6개의 하체 키포인트로 만든 support polygon에서 얻은 6D geometric feature로 표현했다. CoM 입력에는 정규화 좌표와 시간 차분에서 얻은 운동 정보가 쓰였고, 두 하위계는 hidden size 16의 LTC ODE로 동작하며 Euler method와 Δt=1/30 s를 사용했다.
안정성 판별은 잠재공간의 중심에서 얼마나 벗어났는지와 그 상태 변화가 안정 중심에서 바깥쪽을 향하는지를 함께 본다. boundary crossing은 spatial condition과 velocity condition이 동시에 충족될 때만 일어난다. counterfactual head와 TTC module은 경계 접근의 해석을 보조하지만, 학습은 메인 분류 손실만으로 이뤄졌다. 29 FPS, 1280×720 영상 데이터셋을 train/validation 8:2로 나눴고 subject overlap은 없었다. 3개 독립 시드 평균에서 full model은 Accuracy 96.63±1.26%, F1 91.02±4.02%를 기록했다.
| 구성 | 수치 | 근거 |
|---|---|---|
| 전체 모델 파라미터 | 16,088개(16.1K), float32 0.06 MB | TABLE I; Fig. 1 |
| 검증셋 성능 | Accuracy 96.63±1.26%, F1 91.02±4.02% | TABLE II |
| w/o Decoupling | Accuracy 91.92±0.00%, F1 78.47±1.48% | TABLE II |
| 추론 시간 | 프레임당 20~46 ms | Section III-C; V-A |
| 데이터셋 | 29 FPS, 1280×720, train/val 8:2, subject overlap 없음 | Section III-A |
자료: STORIUM 정리
논문은 전체 파라미터 수를 16,088개, float32 기준 메모리를 0.06 MB로 제시했다. 추론 시간은 프레임당 20~46 ms였다. 연구진은 Raspberry Pi나 ESP32-S3 같은 엣지 노드에서 원시 영상을 클라우드로 보내지 않는 구성을 적용 가능성으로 설명했다. 현장 배치 성능이 입증된 것은 아니다. 가구 뒤 낙상 같은 심한 가림과 야간의 낮은 조도에서는 YOLOv11n-pose 키포인트 품질이 떨어질 수 있다. 검증도 한 개의 Normal·Falling 이진 데이터셋에 머물렀다. Fallen 상태까지 포함한 3단계 전이, 다양한 카메라 각도와 실제 돌봄 환경에서의 외부 검증은 후속 과제로 남는다.
저작권자 © STORIUM 무단전재 및 재배포 금지
