학습 데이터

1안. 노인 데이터 사용 ✅

• 장점: 시계열 충분 (10분간격으로 두달치 측정), 환경 변수 포함

• 단점: 24명 분량이 다임 → 모델 일반화가 어려움

• 이상탐지를 한다면???? → 정상 데이터로 모델 학습 시켜야되는데

  • 정상 데이터? 대체로 기저질환이 있음 → 개인 맞춤형 모델이 좀 더 유의미하고, 중요할 듯

  → 환경 Label(EM_Sensor): 수면, 기타

  → 생체 Label(SM_Sensor): 일상, 주의, 위험

  45-68.노인돌봄_데이터설명서_v1.2.hwp

  24년 활용 가이드라인_v1.3.hwp

  

  

• 2안. vitaldb 데이터 사용

전처리!!!!!

AI-Hub

독거노인 돌봄용 위험감지 데이터

AI-Hub

독거노인 돌봄용 위험감지 데이터

download.tar

데이터 세부 구성

. 환경측정 및 동작감지 데이터: 온도,습도,조도,IR기반움직임,이산화탄소,TVOC

. 생체신호 데이터: 분당 심박수, 분당 호흡수, 혈중산소농도, 피부온도변화, 수면 단계, 수면 점수, 10분당 걸음수, 스트레스 지수, 활동강도, 소모칼로리

1차. 정상 데이터 분류 (7/25)

Total_Labeling[’Estimation’] 기준 ‘위험’, ‘주의’가 아닌 데이터들 필터링 → 정상 데이터

→ 주의/위험 제외 후 슬라이딩 윈도우 → 윈도우 단위로 정상이면 유지

‘정상’ 구간이 충분히 긴 곳만 슬라이딩 윈도우로 자르고 학습 데이터로 사용

• [x] 수집 데이터 확정

• [ ] 결측치 확인

• [ ] 결측치 처리

• [ ] EDA?

데이터 수집: 10분 간격

윈도우 길이 : 6

슬라이딩 스텝: 1(10분) → 10분마다 추론

센서 데이터 수신

• JSON 형식이면 됨
• [ ] how????????????????????????????????????????

1초 마다 추론..

1. 몇초마다 한 번씩 처리 → 찾아보기
2. AI 스펙. … → 돌려봐야 알듯
3. 클라우드 확정.! ✅ (AI서버 다중화 고민)
   • 디바이스 별로 데이터 관리 / 슬라이딩 윈도우..
4. 누구한테 받아와서 누구한테 줄건지
   • MQTT → 단점? (단점?????을 찾아보기..)
   • B/E → 결합도(스프링부트 요청 처리에 따른 AI 성능 영향)

• [ ] 피부온도 변화량 → 어디서 처리가능한지 확인해야됨

모델

시계열 + 이상탐지

LSTM autoencoder

다인 오픈 데이터셋 + 개인 보정(파인튜닝)

1차: 오픈 데이터셋으로 일반적 이상/정상 패턴 모델 학습

2차: (시연할) 개인별 초반 측정 데이터로 미세 튜닝, 개인별 정상 구간 동적 보정

• 동적 보정

추론 흐름

서버

• 클라우드 기반 개인 맞춤형 AI 모델 파인튜닝 및 관리 방법

인원 수 적음

→ 모델을 서버에 미리 로드해두고 캐싱 상태로 유지

• 구조 예시 (Python + FastAPI 기준)

추론

1. 센서 데이터 수신
2. 슬라이딩 윈도우 큐 → 일정 길이(?) 쌓이면 모델에 전달
3. LSTM autoencoder → ex. mse 계산
4. 이상 탐지 (mse > threshold_mse)

이상 탐지 시 서버 전송( → MQTT?)

(보안 측면 → 바이탈 데이터는 디바이스에 남기고 오차만 전송 가능)

payload = {
    "user_id": "U123",
    "timestamp": "2025-07-21T11:45:00",
    "mse": mse
}

후처리(BE)

1. 탐지된 데이터들 기반으로 조건부 가중치 적용(기저질환 유무(DB), 환경 온습도(라즈베리파이))
2. 임계치 이상이면 온열질환 위험 탐지 경고 알림

• 임계치 기준?!

• 온디바이스 사용 안한다면? → 최대한 경량화해서 온디바이스.. .. .. .. … .. 쪽으로…

모델 경량화 → 라즈베리파이 쪽으로!

json 형태