SVM 이용한 다중 생체신호기반 온열질환 감지 스마트 안전모 개발

2.1. 스마트 안전모 시스템 설계

온열 질환 환자는 혈압 110 mmHg 이하, 심박수 100이상, 체온 38도 이상, 호흡수 22회 이상 등 일 때 의심환자로 분류된다[8]. 온열 질환과 밀접한 생체 신호 중 헬멧에 적용이 가능한 생체 신호로 체온과 심박수를 선정하였다. 또한, 땀의 과다 발생에 따른 탈수현상 및 이온 불균형은 온열질환 사망과 밀접한 관련이 있다[13].

Fig. 1 은 스마트 안전모 시스템 및 플랫폼 전반에 대한 구조이다. 스마트 안전모는 센서 모듈, 마이크로컨트롤러 (MCU) 모듈, 전원 모듈로 구성되었다. 센서 모듈에는 체온 센서, 심박 센서, GSR(Galvanic SkinResponse) 센서를 장착하여 착용자의 이마에 직접 접촉하는 방식으로 체온, 심박수, 피부 전기 신호를 수집할 수 있다. MCU모듈에는 외부 온도, 습도 센서와 자이로 센서를 사용하여 외부 환경정보(온도, 습도)와 착용자의 동작 상태 정보를 측정하고 센서 모듈로부터 수집된 착용자의 생체신호 정보와 함께 MCU에서 수집하고 처리한다. 그리고 처리한 데이터는 블루투스 모듈을 통해 착용자의 스마트폰 어플리케이션으로 송신한다. 마지막으로 전원 모듈에는 배터리가 내장되어 있어 장비 전체에 전원을 공급할 수 있다.

Fig. 1.

The architecture of the smart helmet for heat stroke detection.

스마트폰 어플리케이션에서는 블루투스 기능을 통해 데이터를 수신하여 수집하고, 상태 이상 판단 알고리즘에 따라 개별적인 센서로부터 이상신호를 판별하고 경보를 줄 수 있다. 예를 들어, 외부 온도, 습도 센서를 통해 폭염주의보 (33도 이상), 폭염경보 (35도 이상) 등 외부환경을 판단할 수 있고, 체온이 38 ^oC이거나 과도한 심박수 이상 등을 판별할 수 있다. 개별적인 생체신호로부터 착용자의 위험 상황으로 판단하여 관제 시스템과 상호 소통이 가능할 수 있다.

관제 시스템에서는 어플리케이션으로부터 받은 다양한 개별 데이터를 저장하고 관리한다. 착용자의 생체신호 데이터로부터 인공지능 머신러닝으로 온열질환 위험상태를 판별하여 폭염 환경에서 온열질환 사고를 대비 및 조치를 취할 수 있다. 상태 이상 알림을 받을 경우에는 안전관리 책임자가 근로자에게 경보를 주어 휴식을 명령하거나 직접적인 안전조치를 취하는 등 작업현장의 안전을 관리할 수 있는 플랫폼 구조로 확대될 수 있다.

2.2. 스마트 안전모 제작

Fig. 2 는 MCU 모듈로 제작된 회로 이미지이다. 회로에는 외부 온도, 습도 센서와 자이로 센서 그리고 블루투스 칩이 회로 전후 면에 부착되어 제작되었다. 체온, 심박, GSR센서는 케이블을 통해 MCU모듈 회로로 연결되었다. Table 1 은 스마트 안전모의 각 부분에 사용되는 센서와 부품들의 상품명, 제조사 및 부품 사양을 나타낸 것이다. 모듈 전체에 전원을 공급하기 위해 용량 650 mAh의 리튬 폴리머(Li-Po) 배터리인 제조사 더한의 TW–52438을 전원 모듈에 장착했다. 외부 습도를 0~100% 범위에서 ±1.5%의 정확도로 측정 가능하고, 외부 온도를 -40 ^oC~105 ^oC 범위에서 ±0.1 ^oC의 정확도로 측정 가능한 Sensirion사의 온도, 습도 센서 SHT85를 장착하였다. 착용자의 동작 상태를 측정하기 위해 InvenSense사의 자이로 센서 MPU-9250을 장착하였다.

Fig. 2.

Circuit design of MCU module in smart helmet

Table 1.

Commercial sensor parts

스마트폰 어플리케이션과의 데이터 송수신을 위해 제조사 칩센의 최대 10 m까지 통신 가능한 블루투스 버전 4.2의 블루투스 모듈 BoT-nLE522D 제품을 사용하였고 측정한 모든 신호 데이터를 수집하고 처리할 수 있는 프로그램 메모리 128 kB, RAM 메모리 4 kB인 Microchip사의 마이크로 컨트롤러(MCU) ATMEGA128A-MU 제품을 사용했다. 그리고 센서 모듈에서 착용자의 생체신호를 측정하기 위해 -40 ^oC~125 ^oC 범위에서 ±0.5 ^oC의 정확도로 측정 가능한 체온 센서인 DFROBOT사의 적외선 온도 센서 MLX90614를 사용했고, 심박수 측정을 위해 직경 15.8 mm의 심박 센서 SparkFun사의 SEN-11574를 사용했으며, 땀의 측정을 위해 GSR 센서로 가변저항에 의해 민감도를 조정할 수 있고, 접촉 부위에 니켈 금속을 사용한Seeed사의 Grove GSR Sensor를 사용했다.

스마트 안전모는 Fig. 3(a)와 같이 안전 성능 기준을 만족하는 일반 안전모와 센서 모듈, MCU모듈, 전원 모듈이 일체화된 장치를 결합하여 제작하였다. Fig. 3(b)는 제작된 스마트 안전모의 착용 이미지이다. 센서 모듈부가 착용자의 이마 안쪽에 잘 부착되는 것을 확인 할 수 있었으며, MCU 모듈과 전원 모듈은 안전모 좌우에 부착되어 있다. 개발된 스마트 안전모는 착용 시 불편함이 없이 일반 안전모 착용감과 동일하다. Fig. 3(c)에서 보듯이 센서 모듈의 센서 구성으로 착용자의 체온, 심박 센서, 땀의 양을 측정하기 위한 GSR 센서로 구성되어 있다. 센서 모듈 내 체온, 심박, GSR 전극 센서가 이마와 접하도록 제작되었다.

Fig. 3.

Prototype of smart helmet ; (a) assembly of helmet and sensor modules, (b) wearing of the smart helmet, (c) sensors in the module, (d) smartphone application linkage

센서 모듈에 있는 비접촉식 온도 센서와 심박 센서는 착용 시 이마와 간격이 일정하며, GSR 센서 전극은 안전모 후면에 착용자의 사이즈 조절 레버를 통해 이마와 유격 없이 밀착되는 것을 확인할 수 있었다. Fig. 3(d)는 내장된 블루투스 모듈을 이용하여 착용자의 스마트폰 어플리케이션과 실시간으로 데이터를 수집하도록 연동된 사진이다. 실시간 데이터가 실행화면에서 그래프로 출력되며, 데이터를 저장할 수 있다.

2.3. 스마트 안전모 성능 평가 실험방법

스마트 안전모 내 생체신호 센서의 성능은 각 생체신호를 측정하는 상용장비와 성능 비교실험을 수행하였다. 심박의 경우 측정범위 25 bpm~250 bpm, 정확도 ±2 bpm의 JUMPER사의 심박 측정기 JPD-500F, 체온의 경우 측정범위 32.2 ^oC~43.3 ^oC, 정확도 ±0.2 ^oC, 측정거리 3 m~5 m의 polygreen사의 비접촉식 체온 측정기 KI-8280, 외부 온도는 측정범위 -10 ^oC~70 ^oC, 정확도±0.5 ^oC의 testo사의 온도 측정기 608-H2, GSR 신호는 같은 전극과 400.0 kΩ 범위에서 해상도 0.1 kΩ, 정확도 0.5%±2자리의 상용 멀티미터인 fluke사의 101모델을 이용하여 평가하였다.

4명의 피실험자가 각각 스마트 안전모를 착용한 뒤 러닝 머신을 이용하여, 참고문헌을 바탕으로 걷기 5분, 빠르게 걷기 5분, 뛰기 10분, 휴식 5분의 4단계로 가속화 실험을 반복 실시하였다[14,15]. 가속화 실험 시 땀 발생 양을 플라스틱 용기의 전후 무게를 계산하는 방법으로 산출하였다.

스마트 안전모를 착용하고 폭염환경에서 착용자의 생체신호 수집 성능을 평가하기 위해 7월 여름 오후 2시 온도 36 ^oC, 습도 54% 이상의 폭염경보 환경과 8월 여름 오후 2시 온도 33~35 ^oC, 습도 46~50%의 폭염주의보 환경에서 6명의 피실험자가 각각 스마트 안전모를 착용한 채 야외실험을 수행하였다. 건설 작업 현장에서 일반적으로 수행되는 계단 오르내리기, 앉았다 일어서기, 평지 걷기, 방향 바꾸기, 경사로 걷기와 같이 에너지 소모량 5~10 kcal/min 수준의 네 가지 동작을 순차적으로 수행하면서 장비를 평가하였다. 또한, 현장 검증을 위해 야외 아파트 건축 환경 근로자가 개발된 스마트 안전모를 착용하고, 11월 오전 9시부터 2시간 동안 실제 다양한 근로 작업을 수행하였으며, 외부환경 및 생체신호 데이터를 수집 분석하여 스마트 안전모의 성능을 평가하였다.

3.1 스마트 안전모의 생체신호 센서 수집 성능

Fig. 4에서 보듯이 스마트 안전모의 데이터 측정 신뢰성을 확보하기 위해 장착된 생체신호 센서인 체온, 심박, GSR 센서와 외부 온도 센서의 측정값과 상용 장비의 측정값을 비교분석 하였다. Fig. 4(a)는 스마트 안전모에서 측정되는 온도와 비접촉식 체온계 에서 측정되는 온도를 각각 측정하여 비교하였다. Fig. 4(b)는 스마트 안전모에서 측정되는 심박수와 상용 심박수 측정기를 왼쪽 손가락에 착용한 후 안정된 자세에서 심박수 평균값을 측정 비교한 데이터이다. Fig. 4(c)는 동일 전극 및 거리에서 수분이 존재하는 종이에서 측정되는 수치를 비교하였다. Fig. 4(d)는 스마트 안전모에서 측정되는 외부 온도와 상용 외부 온도측정기를 이용하여 시험자 주변온도를 측정하고 수치를 비교한 데이터이다. 상용장비와 개발 제품의 정확도는 다음과 같이 산출할 수 있다.

• (n = 스마트 안전모 측정값, n₀ = 상용장비 측정값)

Fig. 4.

Various sensor data in the smart helmet ; (a) body temperature, (b) heart rate, (c) GSR, (d) environment temperature.

스마트 안전모 내 센서와 상용장비를 이용한 실험은 연속 20회 반복하고 정확도를 계산하였다. 체온, 심박수, GSR, 외부 온도는 상용센서와 비교하여 체온 센서 성능 검사에서는 평균 99.01%, 표준편차 0.85로 확인되었다. 그러나, 비접촉식 체온센서의 경우 심부체온(Core Body Temperature)과 차이가 있으며, 이는 측정되는 체온과 외부온도의 상관관계 및 측정위치의 상관계수로부터 보정할 수 있다[12]. 심박 센서 성능 검사에서는 평균 96.7%, 표준편차 1.55, GSR 센서 성능 검사에서는 평균 93.1%, 표준편차 1.77, 외부 온도 센서 성능 검사에서는 평균 98.06%, 표준편차 0.89의 정확도를 보였다. 따라서 본 연구에서 제작한 스마트 안전모의 생체신호 및 외부 온도 측정 성능은 높은 신뢰성을 갖는 것을 확인할 수 있다. 또한, 가속화 실험 시 측정되는 심박수 및 체온 변화도 유사한 측정 정확성을 확인할 수 있었다.

3.2. 스마트 안전모 내 GSR 센서와 땀과의 상관관계

GSR센서의 측정값과 땀의 발생량과의 상관관계를 확인하기 위하여 스마트 안전모를 착용한 뒤 Fig. 5(a)와 같이 가속화 실험을 실시하였다. 스마트 안전모의 센서 모듈에 부착된 GSR 센서의 측정값과 계산된 땀의 양을 실험 시간(분)으로 나누어 시간당 땀의 양(g/분) 과의 상관관계를 구하였다. Fig. 5(b)는 GSR 신호에 대한 땀의 발생속도와의 상관관계 그래프이며, 땀이 발생할수록 GSR 값이 650 kΩ에서 200 kΩ으로 낮아지는 것을 확인할 수 있다. 즉, 측정되는 GSR 센서의 수치는 1차 지수 함수의 상관관계를 보이며, R제곱(adjusted R-square)값이 99.42%으로 확인되었다. 위 실험을 통해GSR 센서 신호로부터 땀 발생 속도를 환산할 수 있으며, 이를 적분하면 착용자의 총 땀 발생량을 계산할 수 있다.

Fig. 5.

(a) Accelerated experiments, (b) GSR sensor related to sweat rate.

본 땀 발생 속도는 측정부위가 이마와 머리로 한정되어 있기 때문에 평균 체표면적과 측정부위를 고려하였을 때 전신의 땀 배출 측정값의 약 13배 정도 예측된다[16]. 따라서, 최하 GSR 값으로 1시간 유지했을 때 대략 1.4 kg/h 로 계산된다. 이는 스포츠 활동 중의 땀 발생량 1~2 kg/h과 유사하며, 일반적으로 체중의 2% 수분 소모를 탈수 현상의 발생 기준으로 판단하는데, 폭염경보 환경에서 1시간동안 땀 발생량은 성인 70 kg의 2%에 해당하므로 정성적으로 위험신호로 판단될 수 있다[13-15].

3.3. 스마트 안전모의 야외 폭염환경 내 성능 실험

스마트 안전모를 착용하고 폭염환경에서 장비의 성능을 검증하기 위해 야외실험을 실시하였다. 실제 폭염경보가 발생했던 7월 여름 온도 36 ^oC, 습도 54% 이상의 환경과 실제 폭염주의보가 발생했던 8월 여름 온도 33~35 ^oC, 습도 46~50%의 환경에서 임상실험을 수행하였다. Fig. 6(a)는 실제 여름 환경에서 실내 온도와 외부 온도가 차이를 보이고 있으며, 야외 직사광선이 있는 환경에서도 외부온도가 폭염주의보 및 폭염경보로 정확히 측정되는 것을 확인하였다. 폭염환경 야외에서 건설 작업 현장에서 일반적으로 수행되는 계단 오르내리기, 앉았다 일어서기, 평지걷기, 방향 바꾸기, 경사로 걷기와 같은 동작을 수행하면서 체온, 심박, 땀센서 신호를 측정하였다. Fig. 6(b)는 여름 실내 온도에서 36.5도로 정상으로 측정되고 특정 작업을 10분동안 수행하여도 0.5 도 이내로 상승하면서 일정하게 유지되는 것을 관찰할 수 있었다. 그러나, 여름 폭염경보 시 야외 환경에서는 특정 작업을 10분동안 수행하는 동안 체온이 빠르게 상승하고 37.5도에서 38도 이내를 반복하는 특성을 보였다. 이는 높은 외부 온도로 인해 체온이 빠르게 상승하지만 땀이 발생하면 체온이 감소하는 것을 반복하는 상태이며, 땀이 발생하는 환경에서도 안정적으로 체온변화를 측정할 수 있었다. Fig. 6(c)에서 보듯이 심박수는 실내 및 야외 환경에서 특정 작업을 수행하면서 심박수가 점차 증가하는 것을 확인할 수 있었다. 야외의 경우 보다 빠르게 증가하고 작업강도 및 시간에 따라 심박수의 상승 하강을 관측할 수 있고 10분 후 100 bpm 정도를 유지하는 것을 확인할 수 있었다. Fig. 6(d)는 측정된 GSR센서 신호로부터 Fig. 5(b)의 상관관계를 보정하여 땀 발생량 속도로 환산할 수 있었으며, 야외 폭염환경에서는 실내 보다 빠르게 땀 발생량 속도가 증가하는 것을 확인할 수 있었다. 따라서, 실제 폭염환경에서도 스마트 안전모를 통해 착용자의 실시간 생체신호 변화 데이터를 수집할 수 있음을 확인하였다.

Fig. 6.

Outdoor experiments in summer ; (a) environment temperature, (b) body temperature, (c) heart rate, (d) sweat rate.

3.4. 건설환경 근로자의 스마트 안전모 적용 실험

실제 산업현장에서 근로자가 스마트 안전모를 착용하고, 건설 환경에서 다양한 작업 중 스마트 안전모의 실증 데이터를 획득하였다. 실증 실험은 11월 중 오전에 수행되었기 때문에 Fig. 7(a)와 같이 외부 기온이 낮은 상태에서 진행되었고, 비가 왔기 때문에 상대습도가 높은 것을 확인할 수 있었다. 그리고, 근로자가 아파트 건설 환경에서 외부 온습도가 변화는 것으로 외부 및 실내를 이동하며 작업하는 환경을 간접적으로 확인할 수 있었다. Fig. 7(b-d)는 스마트 안전모를 착용한 실제 근로자의 체온, 심박수, 땀 발생량 변화에 관한 그래프이다. 체온의 경우 외부기온이 낮기 때문에 35~36를 유지하다가 Fig. 7(d)에서 보듯이 땀 발생량이 늘어나고 Fig. 7(b)의 체온이 낮아 지는 것을 관찰할 수 있다. 또한 작업이 진행됨에 따라 체온이 점차 상승하는 것을 관찰할 수 있었다. 또한, 70분 작업 후 휴식을 취하면서, Fig. 7(c)의 심박수가 낮아지고, 실내로 이동하면서, Fig. 7(a)와 같이 기온이 상승하였다. 이후 작업 시 발생한 열과 땀이 추가 적으로 발생하면서 Fig. 7(b) 및 (d)에서 보듯이 체온이 상승하고, 땀이 추가적으로 발생하였다. 이처럼 스마트 안전모를 통해 작업자의 생체신호를 수집하고, 작업환경, 강도, 작업자의 상태를 분석할 수 있는 유효한 실증 데이터를 확보할 수 있었다.

Fig. 7.

Living lab. experiment ; (a) environment temperature, (b) body temperature, (c) heart rate, (d) sweat rate.

3.5. 인공지능 판별 알고리즘 개발

온열질환은 임상실험의 위험성으로 인해 실험으로 판별이 어렵기 때문에 참고문헌에서는 각각의 생체신호로부터 위험성의 가중치에 대한 상관계수로 표시하는 방법을 이용한다[12]. 그러나, 일반적으로 착용자의 순응도가 낮기 때문에 단순한 위험지수 정보 제공보다 명확한 판별알고리즘 구현이 요구된다. 따라서, 개발한 스마트 안전모로 측정한 착용자의 생체신호를 이용해 온열질환 위험상태를 정상 (normal)과 비정상 (abnormal)으로 분류하는 기능을 구현하기 위해 머신러닝 기법 중 주로 분류에 사용되는 SVM (Support Vector Machine) 모델을 선정하였다. SVM 모델은 이미 결과값이 주어진 훈련 데이터를 통해 분류 기준을 지도학습한 다음, 새롭게 입력되는 데이터가 어느 분류인지 판단하는 알고리즘이다[17]. 분류 알고리즘 학습을 위해 일본 도쿄 KEIO 대학병원의 선행 연구로부터 공개된 온열 질환 의심 내원 환자의 임상 데이터를 활용해 체온과 심박수, 호흡수 등 내원 시 수집한 다양한 생체신호와 입원 여부를 표기한 3,176건의 실제 환자 데이터를 확보하고, 체온, 심박, 호흡수, 나이, 입원유무 정보가 있는 500건의 환자 데이터를 추출하였다[8]. 추출된 환자의 생체신호 데이터와 내원한 환자의 입원 유무에 따라 온열질환의 경증 및 중증으로 구분하였다. 즉, 내원 환자가 입원하였을 경우 비정상 (abnormal), 입원하지 않았을 경우 정상 (normal)로 구분하는 훈련데이터로 사용했다. 학습을 완료한 인공지능 모델이 학습시키지 않은 새로운 환자 데이터에 대해서도 온열질환 위험상태를 잘 판별하는지 확인하기 위해 성능검사를 수행하였다. 임상 데이터 중 훈련데이터에 포함되지 않은 20개의 체온, 심박수 데이터를 생성한 인공지능 모델에 입력한 뒤 온열질환 위험상태를 판별하였고 체온, 심박수 2개의 인자의 지도학습과 체온, 심박수, 호흡수 3개의 인자에 의한 지도학습에 대한 정확도를 분석하기 위해 임상 데이터에서 체온과 심박수, 그리고 호흡수를 포함하여 훈련데이터로 사용한 뒤, 모델을 학습시키고 동일한 방법으로 성능 검사를 수행하였다. Table 2와 같이 체온과 심박수를 입력해 판별 결과를 환자 데이터의 실제 위험상태 값과 일치 여부를 비교한 결과 80%의 정확도로 온열질환 위험상태를 판별할 수 있었다. 환자의 나이, 혈압, 질환의 이력 등에 따라 내원 환자의 입원 여부 판단에 차이가 있기 때문에 한정된 생체 신호를 통한 인공지능 판별 정확도에 차이가 있었다. 학습인자를 증가시킨 결과 온열질환 위험상태 판별 정확도가 85%로 증가하는 것을 확인할 수 있었다. 따라서, 스마트 안전모의 경우 땀 센서를 이용하거나, 추가적인 생체신호 정보를 지속적으로 수집한다면 온열질환 위험상태 판별 정확도를 더욱 증가시킬 수 있을 것으로 예상된다.

Table 2.

The test results of AI algorithm with body temperature, heart rate, and respiration rate.