참고문헌

2026년 한국 치매 환자 수 100만 명 추정(유병률 9.17%). 치매 환자 규모의 사회적 심각성을 보여주는 기초 통계로 발표 도입부에 활용.

35편 논문, 7,844명 대상 메타분석. 알츠하이머 환자 연간 낙상률 43.6%(일반 노인 26.5%), 연간 평균 1.30회 낙상(일반 0.21회). 재낙상률 42.08%로 한 번 넘어진 환자의 절반 가까이가 다시 넘어지는 것을 보고.

전체 손상 진료비 6.4조 원, 입원의 51.6%가 낙상. 노인 손상의 65.1%가 낙상이며 입원율은 교통사고의 4.2배. 75세 이상 낙상 후 장애율 83.3%, 치명률 61.3%를 보고.

낙상으로 인한 고관절 골절 수술비 1건당 441만 원(최대 690만), 평균 입원 22.3일. 노인 고관절 골절의 90% 이상이 낙상에서 기인한다는 의료비 부담 근거.

한국 NHIS 전수 데이터를 기반으로 2006~2022년 고관절 골절 추이를 분석. 2021년 기준 고관절 골절 1년 사망률 18.2%. 저소득층에서 발생률과 사망률이 일관되게 높았으며, 남성 사망률이 여성보다 높은 경향.

436건 낙상 사례를 분석하여 발생 장소와 시간을 정량화. 개인 병실 80.3%, 야간 64.6%, 보행 중 54.9%라는 데이터로 센서 설치 위치와 모니터링 시간대 설계의 근거 제공.

보행 중 낙상 비율과 특성을 분석한 국내 연구. 통합발표 슬라이드 4에서 낙상 발생 상황(언제, 어디서) 통계의 보조 근거로 활용.

mmWave 레이더를 활용한 보행 간격 및 걸음 수 측정. 96% 정확도로 보행 속도와 보폭을 비접촉 측정할 수 있음을 실증하여 mmWave를 주요 예측 센서로 채택하는 기술적 근거.

WiFi CSI 신호를 이용한 보행 패턴 인식. 50명 대상 실험에서 보행 리듬 측정 오차 11.9ms에 불과함을 검증하여 CSI가 정밀 보행 분석에 충분히 활용 가능하다는 근거 제공.

WiFi CSI만으로 비접촉 심박수 측정이 가능함을 입증. 96.8% 정확도를 달성하여 CSI 기반 자율신경(HRV) 모니터링이 현실적으로 구현 가능하다는 핵심 기술 근거.

배경: 요양시설 고령자의 보행 파라미터로 낙상 위험군을 판별할 수 있는지 검증.
방법: 80세 이상 요양시설 노인 132명 대상. IMU 센서로 10m 보행 측정. 보폭 시간(stride time), 보폭 길이(stride length), 보행 속도 등을 로지스틱 회귀 모델에 적용.
결과: AUC 0.878, 민감도 93.5%, 특이도 72.6%. stride time이 독립적 낙상 예측인자(OR=0.992).
의의: 보행 변동성이 낙상 위험의 핵심 지표임을 최신 데이터로 정량적 재확인.

배경: 웨어러블 IMU 센서로 보행을 측정하여 향후 낙상을 사전 예측할 수 있는지 전향적으로 검증.
방법: 171명 지역사회 거주 노인(56~90세, 평균 74.3세). 흉골 부착 IMU로 10m 보행 측정 후 6개월간 실제 낙상 발생 추적. 선형+비선형 보행 특성을 Random Forest로 분류.
결과: 정확도 81.6%, 민감도 86.7%, 특이도 80.3%. 선형 단독(75.6%)이나 비선형 단독(77.4%)보다 결합 모델이 우수.
의의: 보행 측정 후 6개월 뒤 실제 낙상을 예측한 전향적 연구. 낙상자 10명 중 약 9명을 사전에 식별.

배경: 서 있는 자세에서의 신체 흔들림으로 6개월 후 낙상을 예측할 수 있는지 검증.
방법: 153명 지역사회 거주 노인(60~89세, 평균 73.9세). 힘판으로 4가지 자세에서 압력중심(CoP) 좌우/전후 진폭과 속도 측정. 6개월간 월 1회 전화로 낙상 추적. 55명(36%) 낙상 발생.
결과: 좌우 흔들림 1cm 증가 시 낙상 위험 1.5배(OR 1.51, p=0.003). 예측 정확도 77.1%.
의의: 좌우 신체 흔들림이 낙상 예측의 핵심 지표. mmWave 도플러로 동일한 좌우 흔들림을 비접촉 측정할 수 있는 가능성 시사.

노인 낙상의 역학과 위험 요인을 종합 정리한 리뷰. 낙상의 42%가 자율신경계 이상에서 기인한다는 통계를 제공하여, 보행 분석만으로는 부족하고 HRV를 함께 봐야 한다는 3센서 접근의 이론적 근거.

대상: 고혈압 환자 170명 (평균 72±8세, 여성 56명). 3개월 내 34명 낙상 발생.
측정 장비: ECG(심전도) — 가슴에 전극 부착. 오전 10:30~12:30 사이 5분×11구간(총 55분) 기록.
분석: 선형+비선형 HRV 특성 추출 → Multinomial Naive Bayes 모델.
결과: 정확도 68%, 민감도 72%, 특이도 61%.
의의: 가슴에 ECG를 붙여 5분 HRV만 측정해도 낙상 위험군을 선별할 수 있음을 최초 제시. 우리 시스템에서는 이 ECG를 WiFi CSI 비접촉 측정으로 대체.

대상: 심장질환 환자 168명 (평균 72±8세, 여성 60명). 낙상자 47명.
측정 장비: 24시간 ECG Holter — 가슴에 부착해서 하루 종일 심박 기록.
분석: HRV 특성 68개 추출 → RUSBoost + PCA 하이브리드 알고리즘.
결과: 정확도 72%, 특이도 80.2%, 민감도 51.1%. HRV가 낮은 사람은 낙상 확률 4.2배 (p<0.001). LF power 감소와 재발도 지표 3개가 낙상군에서 유의.
의의: 민감도 51%는 Rubenstein(2002)의 "낙상 42%만 자율신경 원인"과 일치. 자율신경 원인 낙상에 한해서는 거의 전수 포착. 가슴에 ECG Holter를 24시간 부착해야 한다는 한계를 우리 시스템은 CSI 비접촉으로 해결.

TI IWR6843 mmWave 레이더로 독거노인 낙상 탐지. HOG+LSTM+Self-Attention 모델로 정확도 95.3%, 민감도 98.2%. 7명 피험자, 5가지 활동(걷기/앉기/눕기/무활동/낙상) 분류. lying vs falling 혼동 문제를 직접 분석. 한국 연구진(한경대).

시스템: TI AWR1443 mmWave + Raspberry Pi + Azure 클라우드
성능: GRU 딥러닝 활동 인식 정확도 93%(학습 피험자), 88%(새 피험자). 실제 가정 환경 검증.
추출 데이터: 보행 속도, 케이던스(분당 걸음 수), 보폭(stride length)
핵심 기술 원리:
1. 레이더 FMCW 전파 송출 → 사람에게 반사 → 도플러 효과로 움직임 속도 측정
2. Range FFT → 거리별 신호 분리 → 정지물체(벽/가구) 제거
3. 시간별 FFT 반복 → JTF(Joint Time-Frequency) 스펙트로그램 생성 (2D 이미지)
4. 활동마다 JTF 패턴이 다름: 보행 = 주기적 물결, 정지 = 거의 0
5. GRU 딥러닝이 JTF 패턴으로 "지금 걷고 있는 구간" 자동 판별
6. 걷는 구간에서 도플러 주파수의 크기와 주기로 보행 속도/케이던스/보폭 계산
도플러란: 구급차가 다가오면 소리가 높아지듯, 사람이 움직이면 반사 전파의 주파수가 변함. 이 변화량 = 움직임 속도.
JTF란: Joint Time-Frequency. "시간이 흐르면서 움직임 속도가 어떻게 변했는지"를 2D 그림으로 나타낸 것. 걷기/앉기 등 활동마다 그림 모양이 달라 AI가 구별 가능.
한계: 세밀한 관절별 분석 불가(팔/다리 개별 구분 어려움), 각도 의존성, 실내 가구 간섭. 임상 진단 수준이 아닌 일상 모니터링 수준.

Two-level CFAR (대상 검출 및 노이즈 제거): 복잡한 실내 환경에서 기존 CFAR 대비 감지 감도(Sensitivity)를 46.1%에서 97.1%까지 향상시킴으로써 노이즈(Clutter) 속에서도 사람을 명확히 구분해냄.

Gait Parameter Estimation (보행 패턴 산출): 보행 속도 측정 시 실제 의료 장비와 비교하여 평균 절대 오차(MAE) 0.025 m/s (2.5 cm/s) 및 상관계수 R² > 0.94를 달성하여 정밀한 보행 분석 가능성을 입증함.

Adaptive Thresholding (이탈 감지 및 적응형 임계치): 실시간 환경 변화를 반영하는 적응형 임계치를 통해 민감도 97.4%와 특이도 96.1%를 기록함. 실제 환경에서 오보율(False Alarm Rate)을 약 3.9% 수준으로 낮게 유지함.

Kalman Filter (노이즈 감소): 칼만 필터를 적용함으로써 거리 측정 노이즈의 분산을 60% 이상 감소시켰으며, 타겟이 센서 시야각의 가장자리에 있을 때도 안정적인 추적이 가능해짐.

PCA + LSTM (행동 분류 및 데이터 압축): 고차원 CSI 데이터에서 PCA로 특징을 압축하고 LSTM으로 학습한 결과, 사람의 주요 활동에 대해 95.6% ~ 96.4%의 분류 정확도를 달성함.

STFT (호흡 및 수면 모니터링): STFT 주파수 분석을 통해 미세한 흉부 움직임을 추출하여, 호흡수 추정에서 평균 절대 오차(MAE) 0.47 bpm(분당 호흡수)의 높은 정밀도를 보여줌.

Hampel Filter (실시간 노이즈 제거 최적화): 표준 방식 대비 약 5.8배 ~ 10.2배의 연산 속도 향상을 이루었으며, 처리 지연 시간(Latency)을 1.2ms 미만으로 줄여 실시간 생체 신호 처리에 최적화됨.