데이터퓨전 기반의 위험 상황인지 메커니즘 개발

2-1 동작 구분 기법 동향

일반적으로 동작 구분을 위해 가속도, 각속도 등 움직임을 측정할 수 있는 센서를 부착하거나 해당 센서가 내장된 휴대폰 등을 활용하여 움직임 데이터를 수집한다. 수집된 움직임 정보는 x, y, z축 성분으로 구성되어 있으나 이는 센서의 부착 위치나 각도, 휴대폰의 휴대 자세에 따라 기준이 바뀐다. 따라서 축의 기준에 상관없이 크기 값을 나타내는 SVM (Signal Vector Magnitude) 방식이 주로 활용되며 다음 식을 통해 계산된다.

Yang 등[5]은 스마트폰에 내장되어있는 3축 가속도 센서를 이용하여 실시간 동작 인식 기법을 제안하였다. 이는 인식 목표 동작을 동적 동작(걷기, 뛰기)과 정적 동작(앉기, 서기)으로 구분하여 정의하였으며 제안하는 시스템은 가속도 센서에서 추출된 값의 SVM을 계산하고 이를 통해 속도를 계산한다. 속도와 SVM을 통해 일차적으로 움직임의 정적/동적 특성을 구분한다. 이차적으로 수집된 데이터를 FFT 변환하여 주파수 영역의 분석을 통해 걷기, 뛰기를 구분한다. Yang 등[5]은 가속도의 SVM과 FFT 변환한 진폭값을 활용하여 구분하기 어려운 걷기와 뛰기 동작의 인식률을 80% 이상으로 끌어올렸다.

Lee 등[6]은 스마트폰과 웨어러블 장치에 장착된 가속도 센서를 활용하여 SVM 계산하고 이를 기반으로 서기, 앉기, 눕기, 걷기, 자전거타기 등의 상황을 인지하였다. 실험을 통해 각 동작의 고유 반복 패턴과 크기를 분석하였으며 보다 정확한 인지를 위해 스마트폰과 웨어러블의 데이터를 동시에 활용하였다. 결과적으로 교통수단 탑승을 인지하는 (자전거타기) 선행 연구 기법에 비해 향상된 92.49%의 정확도를 보였으나 눕기, 앉기와 같은 기본적인 동작에서는 상대적으로 낮은 정확도를 보였다.

Nam 등[7]은 이미지 센서와 가속도 센서를 센서 퓨전한 멀티센서를 활용하여 동작을 구분하는 방법을 제안하였다. 먼저 이미지 센서에서 입력된 영상의 픽셀 변화를 통해 이동 방향을 분석하였다. 취득한 이미지는 Burt-Adelson의 가우시안 피라미드(Gaussian Pyramid)[8]가 적용된 Lucas-Kanade 옵티컬 플로우(Optical flow)[9]를 활용하여 특징 점을 추출하는 Feature Point Extraction을 수행한다. 앞으로 걷기와 뒤로 걷기의 경우 그리드 레벨로 영상을 분할하여 각 영역마다 벡터의 방향과 크기를 분석하였으며, 오른쪽 돌기와 왼쪽 돌기는 입력된 전체 영상에서 추출된 특징 점을 평균화하여 벡터의 방향과 크기를 계산하여 동작을 구분한다.

또한 가속도 센서로 동작 데이터를 수집한 뒤 FFT로 변환 하여 특징 데이터를 추출하였다. 가속도의 각 축 데이터를 FFT 변환하여 주파수 단위 별로 에너지 값과 축과 축 사이의 상관관계 데이터를 Support Vector Machine 입력 값으로 활용하였다.

Nam 등[7]의 기법은 앞으로 걷기 동작의 경우 이미지와 가속도 센서 각각 사용했을 때도 93%이상의 높은 인식률을 보였지만 계단 내려가기/올라가기 동작의 경우에 이미지센서만 활용했을 시 5%의 매우 낮은 인식결과를 보였다. 하지만 이미지, 가속도 센서를 동시에 활용한 결과 해당 동작의 인식률이 95%이상으로 매우 향상됨을 보였다. 결과적으로 다양한 정보를 활용하면 인식률 향상에 매우 도움이 된다는 사실을 입증하였다.

2-2 걸음 수 검출 기법 동향

걸음 수 검출은 동작이나 상황인지에 매우 중요한 정보로써 활용될 수 있기 때문에 다양한 검출 기법이 연구되고 있다.

Han [10]은 스마트폰에 내장된 가속도, 중력 센서를 활용하여 걸음 수를 측정한다. 이를 위해 가속도 SVM을 계산하고 걸음수 검출을 위한 High_Th, Low_Th 임계값을 설정한다. High_Th는 걸음 패턴 중 가장 높은 값인 정점을 구하기 위해 사용되며, Low_Th는 패턴 중 가장 낮은 값인 골을 구하기 위해 사용된다. High_Th보다 높은 곳에 정점이 존재하고 Low_Th보다 낮은 곳에 골이 존재하면 올바른 걸음으로 인지하였다. 한번 걸음이 검출 될 때마다 High_Th와 Low_Th는 재계산된다.

메커니즘의 성능 분석을 위해 10명의 실험자가 15m 구간에서 움직임 데이터를 측정하였으며 제안하는 방식과 스마트폰 App에서 제공하는 걸음수와 비교를 수행하였다. 제안하는 알고리즘은 99.1%, App은 98.5%의 성능을 보였다.

Jung 등[11]은 웨어러블 기기에 부착된 가속도 센서를 통해 걷는 동작과 뛰는 동작에서의 걸음 수를 측정하였다. 이 역시 가속도 SVM를 활용하여 회전 성분을 고려하지 않고 신호의 크기만을 활용하였으며 잡음을 제거하기 위해 중심 이동 평균 필터링을 사용하였다. 필터링 된 신호는 한 번에 받을 수 있는 window 구간 내에서 평균을 구하고 기울기의 증감을 통한 window peak detection을 활용하여 걸음수를 검출하였다. 부호가 변할 때를 peak라 할 때 양에서 음으로 가면 max peak, 음에서 양으로 변할 때 min peak라 하며 이 전체 합을 2로 나눈 값이 걸음 수로 인식된다. 제안한 방식은 3~6%의 오류를 보였다.

Hur 등[12]은 스마트폰의 가속도 센서와 근접 센서를 이용하여 다양한 스마트폰 소지 위치에 따라 적용 가능한 보행 수 측정 기법을 제안하였다. 발바닥이 지면에 닿는 순간인 접점에서 가속도는 최댓값이 된다. 따라서 기준점이 되는 임계값을 설정하고 접점에서 급격하게 커진 가속도 값이 임계값을 넘어서면 한 걸음이 이루어졌다고 판단하였으며 이러한 방법을 피크탐지법이라 한다. 스마트폰의 소지위치를 정면주시, 손파지, 통화 중, 상의 주머니, 하의 옆 주머니, 하의 뒷주머니로 분류하고 이를 인지하기 위해 3초 주기로 150개 가속도의 SVM을 계산하였다. 제안한 기법은 삼성 S 헬스 어플에서 제공하는 걸음 수와 정확도를 비교하였으며 7~10% 향상됨을 보였다.

2-3 보행속도 측정 기법 동향

보행 속도 또한 동작이나 상황인지에 매우 중요한 정보로 활용되고 있으며 보행속도를 측정하기 위해 보폭을 계산하는 연구가 활발하게 진행되고 있다.

Park 등[13]은 10대부터 60대 이상 각각 10명씩 대상으로 연령별 보행 속도 및 보폭을 비교하여 관찰하였으며 이는 체중, 신장, 정강뼈, 넙다리뼈, 엉덩뼈 등의 특성과 밀접한 관계가 있음을 보였다. 또한 10~60대 까지 연령별 남/녀 10명을 연구대상으로 선정하고 보폭 및 걸음 속도 데이터를 분석하였다. 분석 결과 30대까지 보행속도가 증가하고 4-50대에 감소하였으며 60대에 소폭 증가함을 보였다. 또한 보행속도가 증가할수록 보폭이 증가하는 결과를 보였다.

사람에 따라 다양한 특성(보행 속력, 골격근의 차이, 성격, 성별, 신장 등)으로 인해 다양한 보행형태가 존재한다[14]. Lim 등[15]은 32명의 실험 대상자의 보행특성을 분석하였다. 이와 같은 분석을 바탕으로 스마트폰의 3축 가속도 센서를 이용하여 개인의 특성을 고려한 보폭측정 알고리즘[16]을 제안하였다. Lee[16]의 메커니즘은 보폭의 최소/최대 임계치를 측정하고 측정된 움직임 데이터의 SVM의 주기적인 패턴을 활용하여 설계된 보폭 주기 측정 상태도를 기반으로 보폭주기를 측정한다. 실험결과 87%의 분류 정확도를 얻었으며 보폭과 보폭 주기를 활용하여 대상의 보행속도를 계산할 수 있다.

3-1 위험 상황인지 메커니즘 개요

본 절에서는 제안 메커니즘이 인지할 대상의 위험 상황을 정의하고 위험 상황인지 모델을 정의한다.

그림 1은 위험 상황인지 모델의 개요를 보여준다. 고령자나 신체 허약자의 경우 건강한 대상에 비해 시각과 균형감각 등의 능력이 떨어지거나 기존의 지병으로 인해 운동능력이 저하될 수 있다. 이에 보행 중 장애물을 발견하지 못하거나 보행 면의 요철이 심할 경우 낙상이 발생하는 확률이 증가한다. 또한, 열사병이나 지병으로 인해 낙상하는 경우도 있다. 낙상이 발생한 경우 보통 자발적으로 일어나서 일상적인 움직임이 가능한 경우 크게 문제 될 것이 없지만 낙상이 발생한 후 정신을 잃거나 낙상으로 발생한 상해로 인해 정상적인 움직임이 불가능한 경우 매우 위험할 수 있다. 이럴 때 주변 혹은 보호자나 의료인의 적극적이고 즉각적인 대응이 필요하다.

Fig. 1.

Dangerous situation aware model

따라서 본 논문은 대상의 위험 상황을 낙상 후 움직임이 저하된 경우로 정의하고 이를 인지하기 위해 데이터 퓨전을 통해 사용자의 다양한 움직임 정보(가속도, 걸음 수, 속도) 및 낙상이 발생한 시점의 전/후 상황 정보를 처리한다. 인지된 결과가 보호자, 주변 사람, 의료인 등에게 적절하게 제공된다면 정확하고 신속한 대응을 할 수 있을 것으로 판단된다. 이를 위해서 다음과 같은 동작 인식 상황을 정의하였다.

- 앉기 : 의자나 바닥면에 앉아서 일상적인 업무를 보거나 휴식을 취하는 행위
- 쪼그려 앉기 : 쪼그려 앉아 가끔 이동을 하면서 바닥면에 존재하는 대상의 작업을 하는 경우. 예를 들어 밭이나 논, 화훼 작업 등, 쪼그려 앉아 수행하는 작업을 수행하는 행위
- 느리게 걷기 : 천천히 가볍게 산책하는 상태. 속도 기준으로 1m/sec, 보폭은 분당 65회 정도로 걷는 행위
- 보통 걷기 : 일상적인 걸음걸이로 숨이 차지 않을 정도로 편안하게 걷는 상태. 속도 기준 1.5m/sec, 보폭은 분당 90회 정도로 걷는 행위
- 빠르게 걷기 : 경보와 같이 빠르게 걷는 상태로 숨이 찰 수 있는 정도의 상태. 속도 기준 2m/sec 보폭 기준 분당 120회 정도로 걷는 행위
- 운전 : 차량에 탑승하여 이동하는 행위
- 낙상 : 갑작스럽게 쓰러져 바닥면에 충돌하는 행위
- 위험상황 : 낙상이 발생한 후 일정 시간 동안 움직임이 발생하지 않는 상태. 대상이 쓰러진 후 정신을 잃었거나 정상적인 움직임이 가능하지 않은 상황

3-2 데이터 수집 환경 및 전처리 방법

본 절에서는 위험상황 인지를 위해 대상으로부터 데이터를 수집하는 환경과 인지 메커니즘을 위한 전처리 방법을 설명한다. 본 논문은 안드로이드 스마트폰을 기반으로 대상의 가속도, 걸음 수, 이동속도를 수집한다. 이를 위해 Samsung Galaxy S8 과 HUAWEI Mate 10 pro 두 가지 스마트폰을 활용하였다.

본 논문에서는 각도, 가속도, 속도 등의 다양한 움직임 데이터를 동작 인식 행동에 따라 수집하여 시간에 따른 패턴 분석, FFT 분석, SVM 분석 등 다양한 방법으로 분석을 시도하였으나 모든 목표 움직임 데이터는 특별한 패턴이나 영역을 보이지 않았다. 또한 각도나 가속도는 x, y, z 축으로 수집되는데 이는 측정 자세에 따라서 기준이 되는 축이 변동되는 문제점이 있다. 따라서 본 논문에서는 특정 축을 구분하지 않고 움직임의 크기를 나타내는 SVM을 활용한 LMV 기반 메커니즘을 제안한다.

SVM는 2장 1절에서 소개한 식 (1)과 같이 계산된다. 이와 같은 SVM 은 크기만을 나타내므로 센서의 착용 자세에 영향을 받지 않는다. 스마트 폰의 경우 사용자가 스마트폰을 들고 있는 자세에 따라서 축의 변화가 발생하므로 SVM 값을 활용하여 이와 같은 문제를 해결한다. 하지만 수집된 동작의 SVM 값은 그림 2와 같이 데이터 영역이 서로 겹치고 혼재되어 있다. 이 경우 특정 움직임 데이터를 추출하기란 매우 어렵다.

Fig. 2.

LMV extracted from SVM data

이와 같은 문제를 해결하기 위해 본 논문에서는 LMV를 활용한다. LMV는 데이터가 증가하다가 감소하는 패턴중 가장 큰 값을 의미한다. 그림 2는 움직임 데이터에서 추출된 LMV를 점으로 표현하였다. LMV는 해당 움직임 데이터가 분포되는 패턴에서 최대값을 추출한 것으로 움직임마다 서로 다른 범위에 LMV가 나타난다. 그림 2를 살펴보면 빠른 걸음은 보통걸음에 비해 높은 영역에 LMV가 분포하며 느린 걸음의 경우 매우 낮은 영역에 LMV가 분포함을 알 수 있다. 결과적으로 제안하는 메커니즘은 위험상황 인지를 위해 수집된 가속도 데이터를 기반으로 SVM를 계산하고 이를 활용하여 LMV를 추출한다.

3-2 위험 상황인지 메커니즘

그림 3은 본 논문에서 제안하는 위험 상황 인지 메커니즘의 개요를 보여준다. 이는 센서 데이터 수집, 기준값(Threshold) 생성, 상황인지, 데이터 저장소 등으로 구성된다. 각 구성별 상세 기능은 아래와 같다.

Fig. 3.

Overview of dangerous-situation aware mechanism

- 센서 데이터 수집 : 상황인지를 위해 수집되는 데이터는 가속도 x, y, z 값과 걸음 수, 속도를 포함하고 있다. 가속도 값은 100ms마다 한 번씩 수집하며, 걸음 수는 1초에 한 번씩 수집한다. 속도의 경우 GPS 신호가 잡혀 있어야 측정 가능하므로 실외에서만 수집되며 100ms마다 한 번씩 수집한다.
- 기준값 생성 : 사람마다 걷는 속도나 움직임의 크기가 다르므로 수집되는 데이터는 각자 다른 영역에 분포하고 있다. 따라서 대상의 특성을 적용하기 위해 5가지 구분 목표 동작 (앉기, 쪼그려 앉기, 느리게 걷기, 보통 걷기, 빠르게 걷기) 별로 기준값 생성을 위한 데이터를 수집한다. 이를 위해 동작마다 30초 분량의 센서 데이터를 수집하고 이를 이용하여 움직임 기준값을 계산한다. 기준값은 가속도 SVM를 통해 추출된 LMV의 평균으로 계산된다.
- 상황인지 : 기준값이 추출되면 실시간 동작 구분이 가능하다. 상황인지 모듈은 100ms마다 센서 데이터를 수집하고 이를 활용하여 SVM 값을 계산한다. 또한, 계산된 SVM를 통해 LMV 값을 추출하고 이를 기반으로 데이터 퓨전 기반의 상태 분류를 수행한다. 상태 분류는 수집된 가속도, 걸음 수, 속도 데이터에 이전 상태 정보를 결합하여 현재 상태가 운전, 활동, 낙상, 위험 인지 여부를 구분한다. 이는 그림 5의 상태 전환모델과 그림 6의 활동 구분 메커니즘을 이용하여 구분된다.
- 저장소 : 데이터 퓨전을 위해 수집된 센서 데이터와 상태 및 활동 정보를 저장한다.

그림 4는 활동 구분을 위한 데이터 분포 범위를 계산하는 방법이다. 기준 움직임 데이터에서 추출된 기준값은 그 종류에 따라 SitTH(앉아 있는 동작), SqurtTH(쪼그려 앉기 동작), SlowTH(느리게 걷기 동작), NormalTH(보통 걷기 동작), FastTH(빠르게 걷기 동작) 5가지 값이 존재한다. 이 값은 각 동작의 LMV 평균을 통해 계산된 것으로 특정 동작의 LMV가 기준값을 중심으로 위아래 영역에 분포된 것을 의미한다. 따라서 각 동작의 데이터 분포 범위는 아래와 같이 계산될 수 있다. 보통 걸음을 기준으로 설명해 보면 NornalTH를 중심으로 LMV가 분포되어 있으므로 위로는 FastTH와 NormalTH의 중간 지점, 아래로는 NormalTH와 SlowTH의 중간 지점까지 분포한다고 정의할 수 있다. 따라서 동작별 데이터 분포 범위는 그림 4와 같이 (상위 움직임 기준값 – 해당 기준값)을 상위 범위로, (해당 기준값 – 하위 움직임의 기준값)을 하위 범위로 계산한다. 이를 통해 LMV가 어떤 동작인지 구분할 수 있다.

Fig.4.

data range calculation for detailed activity classification

표 1은 인식 목표 상황의 움직임 데이터를 분석하여 범위를 정의한 것이다. 상황인지를 위해 LMV, 속도, 걸음 수를 분석하였으며 1~6까지 단계로 정의하였다. 다만 LMV LV1의 경우 낙상을 판단하기 위해 LMV가 아닌 SVM 값을 활용하였다. 낙상 데이터는 아주 짧은 시간에 발생하기 때문에 LMV가 추출되지 않는 경우가 있기 때문이다. 따라서 낙상은 특별히 SVM 값을 활용하여 100ms마다 낙상 여부를 판단한다. 낙상은 순간적으로 물체가 자유 낙하 하는 것과 같은 특성을 나타내며, 데이터 분석 결과 기본적으로 측정되는 중력 가속도 9.8m/sec² 보다

Table 1.

Defining the range of LMV, velocity and step

매우 작은 0.5m/sec² 이하의 SVM 값이 측정되었다. 따라서 LV 1은 SVM 값이 0.5 m/sec² 이하일 경우로 정의한다. 속도는 대상의 보폭을 기준으로 범위를 정의하였다. 보폭은 일반적으로 (자신의 키 – 100)으로 간단히 계산할 수 있다 [17].

걸음 수의 경우 걸음 수가 전혀 인식되지 않는 LV 1, 초당 걸음 수가 한 걸음 인식되는 LV2, 초당 걸음 수가 두 걸음 인식되는 LV3, 그 이상 매우 빠른 걸음인 LV4를 정의하였다.

표 1에서 정의한 것처럼 인식 목표 상황은 저마다 다른 LMV, 속도, 걸음 수를 보인다. 표 2는 다음과 같이 7가지 인식 목표 동작별 움직임 데이터 분석 결과를 나타낸다.

Table 2.

Motion data analysis results by target motion

- 앉기 동작 : 가속도의 변화가 거의 없어 중력가속도 9.8 m/sec²에 매우 근접한 LV2 값이 지속적으로 측정되며 속도는 0에 가깝다. 또한 걸음 수가 증가되지 않는다.
- 쪼그려 앉기 동작 : LMV LV은 2-3 정도로 매우 적은 움직임이 측정되고 있으며 속도와 걸음수 역시 가장 낮은 LV1로 정의된다.
- 느린 걸음 : LMV는 LV4로 측정되었으며 속도와 걸음수는 사람에 따라 편차가 커서 동작 구분에 활용하기 어렵다. 따라서 느린 걸음은 걸음수와 속도를 배제하고 LMV만을 이용하여 구분한다.
- 보통 걸음 : LMV LV5로 구분 가능하며 느린 걸음과 동일하게 속도 및 걸음 수를 배제하였다.
- 빠른 걸음 : LMV LV6으로 구분 가능하며 느린, 보통 걸음과 동일하게 속도 및 걸음 수를 배제하였다.
- 운전 동작 : LMV LV이 4-6으로 매우 넓게 분포한다. 운전 상황은 차량이 주행하다가 커브 혹은 정지 신호를 만났을 시 급격하게 운동량이 줄어들거나 앉아 있는 동작과 동일하게 움직임이 거의 측정되지 않는 경우가 자주 발생한다. 이를 위해 본 논문에서는 상태전환 모델을 제안하여 운전 상황를 인식하며 운전의 가장 큰 특징은 LMV와 속도가 매우 큰 반면 걸음 수는 측정되지 않는다.
- 낙상 : SVM 값이 중력 가속도 9.8m/sec²에 비해 매우 낮은 0.5 m/sec² 이하로 측정되어 LV 1의 상태를 갖는다. 걸음 수나 속도 데이터는 인식에 영향을 미치지 않는다.

본 논문의 인식 목표 상황은 일반적인 활동 외에 운전, 낙상, 위험 상황 등 움직임 데이터만으로 구분하기 어려운 상태가 존재한다. 운전의 경우 매우 빠르게 이동할 때도 있지만 좌/우회전을 한다거나 과속방지턱 등이 존재할 경우 속도를 매우 낮추는 경우가 있으며, 신호대기 중인 경우 앉아 있는 동작과 매우 유사한 움직임 데이터가 수집된다. 또한, 위험 상황의 경우 낙상이 발생한 뒤 대상이 정상적인 움직임 데이터가 수집되지 않고 움직임이 없거나 매우 낮은 경우 실신이나 심각한 신체 손상이 있는 것으로 간주하므로 움직임 데이터 뿐 아니라 이전 상태에 따른 현 상태정보의 데이터 퓨전이 필요하다.

이를 위해 본 논문에서는 그림 5와 같은 상태전환 모델을 제안한다. 제안하는 상태 전환 모델은 정상적인 움직임을 나타내는 활동(Activity), 낙상(Fall), 운전(driving), 낙상 후 심각한 위험 상황을 나타내는 위험(Danger)으로 구성된다.

Fig. 5.

Status transition model for dangerous-situation aware

- 활동 : 상황인지 시작 시 기본이 되는 상태로 낙상 / 운전 등의 상태로 전환이 가능한 상태를 의미한다. 현재 상태가 활동 상태인 경우, 그림 6의 활동 구분 메커니즘이 동작하여 5가지 세부 활동을 구분한다.
- 운전 : 운전의 경우 기존 상태가 활동 상태일 때 진입 할 수 있다. 그 조건은 걸음 수가 검출되지 않음에도 불구하고 속도가 LV3 이상이면서 LMV가 LV4 이상일 경우로 정의하였다. 이를 통해 걸음 수가 측정되지 않으면서 속도와 LMV 값이 발생하는 경우 운전 상태로 전환되며 기존 상태가 운전이면서 걸음 수가 발생한 경우 운전 상태에서 활동 상태로 전환하게 한다.
- 낙상 : 낙상의 경우 운전과 마찬가지로 기존 상태가 활동 상태일 때 진입 할 수 있다. 이때, 대상의 LMV가 LV1이면 활동에서 낙상으로 전환되며 기존 상태가 낙상일 때, 정상적인 움직임인 LMV LV3 ~ 6 이 검출될 경우, 활동 상태로 전환한다. 또한, 위험 상태를 검출하기 위해 낙상 후 움직임이 거의 없는 상태를 지속적으로 확인한다.
- 위험 : 위험 상태는 낙상 후 움직임이 없을 때 전환된다. 기존 상태가 낙상인 경우, 위험 상태를 감지하기 위해 지속적으로 LMV 값을 살핀다. 이때 LMV 값이 앉아 있는 동작과 같이 LV2가 유지되는 경우 대상이 움직일 수 없는 상황이라고 간주한다. 본 연구에서는 이를 fallCNT로 정의하고 유지되는 상태가 5 이상일 경우 위험 상황으로 전환된다. 위험 상황으로 전환된 경우 사용자나 보호자가 상황인지 메커니즘을 초기화할 때까지 유지된다.

Fig. 6.

Detailed activity classification mechanism in active state

현재 상태가 활동일 때 전환 될 수 있는 상태는 낙상, 운전이며 활동 상태에서 발생할 수 있는 세부 동작은 앉기, 쪼그려 앉기, 느리게 걷기, 보통 걷기, 빠르게 걷기 5가지이다. 그림 6은 세부적 인지를 위한 활동 구분 메커니즘을 보여준다. 가속도, 걸음 수, 속도 등의 센서 데이터가 수집되면 가속도의 SVM을 계산하고 LMV를 추출한다. 추출된 LMV가 LV1이라면 SVM 값이 0.5 이하인 자유 낙하 상태이므로 낙상으로 구분된다. 만약 LMV 값이 LV2 이상이면 걸음 수를 기반으로 다시 판단한다. 이때, 측정 구간의 걸음 수가 0인 경우, 움직임이 매우 적은 앉기 동작과 움직임은 매우 크지만 걸음 수가 검출되지 않는 운전 상태, 마지막으로 움직임이 간헐적으로 존재하지만 걸음 수가 측정되지 않는 쪼그려 앉기 중 하나로 분류할 수 있다. 걸음 수가 측정되지 않고 속도가 3단계 이상이면 실외에 있는 것으로 볼 수 있으며 동시에 LMV LV4 이상이면 운전 상태로 구분된다. 걸음 수가 측정되지 않으면서 LMV LV2이면 앉아 있는 동작이며, LMV LV 3이면 쪼그려 앉기로 구분한다.

낙상이 아니면서 걸음 수가 측정되면 느리게 걷기, 보통걷기, 빠르게 걷기로 구분 할 수 있다. 이중 느리게 걷기는 LMV LV4, 보통걷기는 LMV LV5, 빠르게 걷기는 LMV LV6이다.