저작자표시-비영리-변경금지 2.

0 대한민국

이용자는 아래의 조건을 따르는 경우에 한하여 자유롭게

l 이 저작물을 복제, 배포, 전송, 전시, 공연 및 방송할 수 있습니다.

다음과 같은 조건을 따라야 합니다:

저작자표시. 귀하는 원저작자를 표시하여야 합니다.

비영리. 귀하는 이 저작물을 영리 목적으로 이용할 수 없습니다.

변경금지. 귀하는 이 저작물을 개작, 변형 또는 가공할 수 없습니다.

l 귀하는, 이 저작물의 재이용이나 배포의 경우, 이 저작물에 적용된 이용허락조건

을 명확하게 나타내어야 합니다.
l 저작권자로부터 별도의 허가를 받으면 이러한 조건들은 적용되지 않습니다.

저작권법에 따른 이용자의 권리는 위의 내용에 의하여 영향을 받지 않습니다.

이것은 이용허락규약(Legal Code)을 이해하기 쉽게 요약한 것입니다.

Disclaimer
 碩 士 學 位 論 文

IoT 기반 라이프스타일 모니터링

시스템 및 보안

高麗大學校 大學院

컴퓨터 學科

金 智 惠

2016 年 1 月
 金 孝 坤 敎授指導
碩 士 學 位 論 文

IoT 기반 라이프스타일 모니터링

시스템 및 보안

이 論文을 工學 碩士學位 論文으로 提出함.

2016 年 1 月

高麗大學校 大學院

컴퓨터 學科

金 智 惠

2
金 智 惠의 工學 碩士學位論文 審査를 完了함

2015 年 12 月 11日

3
 Contents

Contents ..................................................................................... i

List of Figures .......................................................................... ii

국문 요약 .................................................................................. iii

1. Introduction ................................................................... 1

2. Related Work ................................................................. 4

3. Lifestyle Monitoring System......................................... 5

3.1 시스템 아키텍처............................................................................. 5

3.2 요소 기술 1: 스펙트로그램 ........................................................... 7

3.3 요소 기술 2: Perceptual Hash 알고리즘 ...................................... 8

4. Evaluation .................................................................... 10

4.1 실험 환경 ..................................................................................... 10

4.2 비 실시간 실험 ............................................................................ 10

4.2.1 TV 시청 행동 구별 ........................................................... 10

4.2.2 이외 다른 생활 소음 구별 ................................................ 13

4.3 실시간 실험 ................................................................................. 16

4.3.1 라디오 청취 행동 구별 ...................................................... 16

5. Conclusion ................................................................... 17

6. Reference .................................................................... 18

i
 List of Figures

그림 1. 고령자 가구 추이[1] ..................................................... 1

그림 2. 시스템 블록 다이어그램 ................................................ 6
그림 3. 2012년 1월~2015년 8월 스마트폰 사용률 추이[14] ... 7
그림 4. 스펙트로그램 예 (사이렌 소리) ..................................... 8
그림 5. 스펙트로그램 1 (TV 채널 1, 20초) ............................. 11
그림 6. 스펙트로그램 2 (TV 채널 2, 20초) ............................. 11
그림 7. 모니터링 시스템을 이용하여 다른 소리에 대한 유사도
를 검출한 결과.......................................................................... 11
그림 8. 스펙트로그램 3 (TV 채널 1, 20초, Original Data) ..... 12
그림 9. 스펙트로그램 4 (TV 채널 1+목소리, 20초, Recorded
Data) ......................................................................................... 12
그림 10. 모니터링 시스템을 이용하여 비슷한 소리에 대한 유사
도를 검출한 결과 ...................................................................... 12
그림 11. 스펙트로그램 5 (물 내리는 소리 1, Recorded Data) 14
그림 12. 스펙트로그램 6 (물 내리는 소리 2, Recorded Data) 14
그림 13. 모니터링 시스템을 이용하여 비슷한 소리에 대한 유사
도를 검출한 결과 ...................................................................... 14
그림 14. 유사한 오디오 스트리밍 데이터에 대한 Hamming
Distance 값 .............................................................................. 15
그림 15. 다른 오디오 스트리밍 데이터에 대한 Hamming
Distance 값 .............................................................................. 15

ii
 국문 요약

고령화 사회로 접어들어감에 따라 독거노인이 급격하게 많아지고 있으며,

이로 인한 외로움으로 심한 우울증과 극단적 자살까지 이르는 경우도 빈번히

발생하고 있다. 이를 해결하기 위해 실버 산업에 대한 관심과 연구가 증가하

고 있으나 노인관련시설 및 정책부족 그리고 사회 복지사 등의 부족으로 인

하여 독거노인에 대한 체계적인 관리가 어려운 실정이다. 이러한 문제점을

해결하기 위해서 노인들의 활동 상황을 주기적으로 모니터링하는 서비스가

요구된다.

본 논문에서는 접근성이 높고 부족한 노인 복지 인력을 보완할 수 있는

IoT 기기를 활용하여 독거노인의 라이프스타일을 모니터링 하는 시스템을 제

안한다. 보통의 모니터링 시스템은 비디오나 모션 센서를 사용하는 것이 일

반적이지만, 본 논문에서는 오디오 기반이라는 새로운 방식의 모니터링 시스

템을 연구하였다. 특히, 독거노인들은 대부분의 시간을 실내에서 보내고 있기

때문에 TV 소리나 인기척 등 생활 소음을 중심으로 모니터링 하고자 하였다.

또한, 이러한 모니터링 과정에서 수집된 데이터에 대한 프라이버시 침해

를 미연에 방지하기 위하여 해시 알고리즘을 포함하여 시스템을 구현하였다.

iii
 1. Introduction

오늘날 현대사회는 의학기술의 발달과 저출산의 문제로 인해 점차 고령화

사회로 진행되고 있다. 이처럼 고령자는 증가하는 동시에 핵가족화 영향 및

배우자의 사망과 같은 이유로 어느 누구하고도 함께 거주하지 않는 독거

노인의 비율 또한 증가하고 있다.[1][2]

그림 1. 고령자 가구 추이[1]

독거 노인은 고독, 빈곤, 발병의 문제나 가사 서비스 원조 및 재가보호의

필요에 대응할 수 있는 인적자원을 세대 속에 포함하지 못하고 있고, 가족의

경제적 지원이나 신체 지변에 대한 보호나 간호, 정서적인 유대감 형성 등

부양 기능을 제대로 제공받지 못하여 가장 취약한 상태에 놓여있다. 이와

1
같이 사회적 관계가 단절된 독거노인은 고독사, 우울증과 자살 위험이

높다.[3][4]

이를 해결하기 위해 그 동안 ‘독거노인 생활 관리사’[5] 도입을 통해

안부확인 돌봄 서비스를 제공해 왔으나 한계가 있다. 생활 관리사 1명이

노인 25명을 돌봐야 하는 실정으로 체계적 관리가 어려워 실질적인 도움이

되지 못하고 있다. 또한 정부는 2008년부터 독거노인을 대상으로 U-Care

시스템[6]을 구축하여 현재까지 운영 중에 있으나, 예산 현황을 보면 연간

35억 7천만원 정도(2012년 기준)로 많은 비용을 투자하고 있다.[7] 이처럼

모니터링 시스템을 구축하고 운영하기 위해서는 많은 시간과 비용의 투자가

불가피하다. 본 논문에서는 부족한 인력을 대체하고 예산을 적게 사용하는

대책으로 IT 기술을 활용하여 문제를 해결하고자 하였고, 다음 세 가지

Contribution에 중점을 두었다.

1. TV 시청 행동 구별

2. 생활 소리 구별

3. 사생활 보호

통계청 자료[1]에 따르면, 65세 이상 고령자는 수입 노동과 관련된 시간이

줄어들면서 수면이나 TV시청 시간이 증가하였다. 특히, 연령대가 높아질수록

TV 시청 시간도 늘어났다. 이러한 자료를 바탕으로 먼저 우리는 노인이

TV를 보고 있는지 아닌지 구별하고자 하였다.

또한, 오디오를 이용함으로써 영상과 모션 센서를 이용한 모니터링

시스템처럼 제한된 상황이 아니라 주변 환경과 같은 폭넓은 상황을 인식할

2
수 있다. 이러한 점을 이용하여 TV 소리 이외에 다른 생활 소음도 구별할

수 있다.

마지막으로 개인의 생활을 관찰하는 시스템의 특성상 모니터링 과정에서

대두될 수 있는 사생활 침해 문제를 필히 해결해야 한다. 개인정보 유출을

방지하고 사생활을 보호하기 위해 본 논문에서는 해시 알고리즘을 사용하여

정보 보안의 수준을 높였다.

본 논문의 구성은 다음과 같다. 2장에서는 본 논문과 관련 있는 연구에

대해 설명하고, 3장에서는 제안하는 시스템에 대해 그리고 4장에서는 실험

평가와 그 결과를 보인다. 마지막으로 5장에서는 결론 및 향후 연구 과제로

끝맺고자 한다.

3
 2. Related Work

일반적인 모니터링 시스템 연구는 크게 센서를 이용한 것과 영상을 이용한

것이 있다. Hwang[8]은 가속도계, 자이로스코프, 기울기 센서를 몸에

부착하여 노인의 넘어짐을 감지하는 모니터링 시스템을 연구하였고,

Suryadevara[9]는 다양한 무선 센서를 집안 곳곳에 설치하여 노인의 활동을

모니터링하는 시스템을 연구하였다. 하지만 센서를 활용한 모니터링은

어딘가에 부착해야 한다는 번거로움이 있을 뿐만 아니라 추가적인 인프라

구축 비용이 발생한다. 본 논문에서는 보급률이 높은 스마트폰을 이용하기

때문에 앞서 언급한 연구들과 달리 추가적인 회선 및 센서의 설치가 없어

인프라 구축 비용이 훨씬 적게 발생할 것이다.

또한 카메라를 이용해 영상 데이터를 얻어 노인을 모니터링하는 연구로는

[10][11][12]이 있지만, 영상을 이용한 모니터링은 수집 및 분석 과정에서

정보 유출과 사생활 침해의 위험이 높을 뿐만 아니라 누군가 지켜보고

있다는 불편함이 있기 마련이다. 본 논문에서는 이러한 문제를 피하기 위해

해싱 처리를 한 오디오 데이터를 이용하여 모니터링하는 새로운 방식의

시스템을 구현하였다.

4
 3. Lifestyle Monitoring System

대표적 IoT 기기인 스마트폰 사용자는 매년 증가하는 추세로 일상생활에 필

수적인 매체로 자리 잡아 가고 있다.[13] 특히, 60세 이상의 스마트폰 사용

률은 2015년 8월 기준 약 50%로써 2명 중 1명이 스마트폰을 사용하고 있

다(그림 3.). 우리는 이러한 스마트폰의 높은 보급률 장점을 이용하여 추가적

인 인프라 구축 없이 노인이 어떤 행동을 하고 있는지 분석하고자 한다.

3.1 시스템 아키텍처

Lifestyle Monitoring System은 안드로이드 환경의 스마트폰인

클라이언트와 JAVA 환경의 서버로 나뉜다. 그림 2.는 이에 해당하는 시스템

블록 다이어그램을 나타낸 것이다.

클라이언트 쪽에서 모니터링 기능이 있는 앱을 실행하면, 해당 앱은

백그라운드 형태로 돌아가게 된다. 클라이언트 앱이 켜짐과 동시에 서버와

소켓 연결을 수립하고 이 링크를 통해 추후 데이터를 송수신하게 된다.

클라이언트 앱은 설정된 주기에 따라 녹음 기능이 호출되는데, 양쪽 오디오

데이터의 시간 동기화를 위해 녹음을 시작하기에 앞서 서버에게 녹음이

시작될 것이라는 알림 메시지를 보낸다. 클라이언트 앱은 이 메시지를 보낸

후 주위 환경을 녹음하여 서버로 보내게 된다. 서버는 녹음 시작 알림

메시지를 받은 직후에 방송국 스트리밍을 가져온다. 이렇게 오디오 데이터를

얻은 클라이언트와 서버는 각자의 오디오 신호에서 스펙트로그램을 추출한다.

5
그런 다음, 데이터 보안을 위해 해당 스펙트로그램을 해싱 처리하여 해시

문자열 값을 얻는다. 클라이언트 앱은 도출된 해시 문자열을 소켓 링크를

통해 서버로 보내고, 서버는 클라이언트 앱으로부터 받은 해시 값과 자체

해시 값을 비교하여 유사도 결과를 도출한다.

만약 수집 대상이 TV 소리가 아닌 생활 소리에 관한 데이터라면, 서버에서

는 미리 저장되어 있는 생활 소리에 대한 스펙트로그램을 사용할 것이다.

그림 2. 시스템 블록 다이어그램

6
 그림 3. 2012년 1월~2015년 8월 스마트폰 사용률 추이[14]

3.2 요소 기술 1: 스펙트로그램
모니터링 시스템은 기본적으로 대상이 어떤 행동을 취하고 있는지 구별할

7
수 있어야 한다. 오디오 데이터를 이용하여 행동을 구별하기 위해서는

음향을 인식하고 식별하는 기능이 필요하다. 본 논문에서는 이를 위해

스펙트로그램을 이용하였다.

스펙트로그램은 소리나 파동을 시각화하여 파악하기 위한 도구로서, 시간

축과 주파수 축의 변화에 따라 진폭의 차이를 명암 또는 표시 색상의 차이로

나타낸다(그림 4.). 스펙트로그램은 1차원 신호를 주파수와 시간 즉,

2차원으로 분석할 수 있기 때문에 오디오 데이터의 특징을 한 눈에 확인할

수 있다. 이는 사람의 지문처럼 소리마다 다른 특징으로 정체성을 확립하기

때문에 잡음이 포함된 오디오 데이터라 할지라도 주요 특징을 살핌으로써

어떤 소리인지 구별할 수 있다.

그림 4. 스펙트로그램 예 (사이렌 소리)

3.3 요소 기술 2: Perceptual Hash 알고리즘

만약 소리를 원본 그대로 서버에 보내게 되면 불법적인 해킹에 의해

정보가 유출될 수 있을 뿐만 아니라 수집하는 과정에서 또한 사생활이

공개될 수 있다. 이를 방지하면서 오디오에 대한 특징을 잡아내기 위해

8
스펙트로그램을 사용하였지만 스펙트로그램 역시 정보(주파수, 시간, 진폭의

크기)가 담겨 있기 때문에 백트랙킹이 될 수 있다.[15] 이러한 문제를

피하기 위해 이미지를 해싱 처리해야 하였고, 이미지 유사도 검출에 특화된

Perceptual Hash 알고리즘[16]을 사용하였다.

Perceptual Hash 알고리즘의 동작 원리는 다음과 같다. 먼저, 이미지는

명암이 의미 있는 역할을 하기 때문에 입력된 이미지를 gray scale로

변환한다. 다음은 Mean Filter를 적용하여 Convolution 이미지를 생성한다.

그 후, 계산을 단순화하기 위해 이미지를 32X32 pixel로 줄인 다음 주파수

영역으로 이미지를 분리하는 과정인 DCT를 계산하고, 8X8 pixel의 낮은

주파수 성분만을 유지시킨다. 유지된 DCT 영역에서 평균 값을 계산하여

평균보다 높거나 같은 DCT 값을 가지면 1, 평균보다 작으면 0으로 표시한다.

이렇게 나온 결과 값이 64bit의 해시 문자열이 된다. 이처럼 두 파일에 대한

해시 값을 생성하고, Hamming Distance를 이용하여 두 해시 값을 비교하여

유사도를 측정할 수 있게 된다. Hamming Distance가 클수록 두 해시 값

간에 차이가 큰 것이므로 유사도가 낮은 것이고, Hamming Distance가 작을

수록 유사도가 높은 것이다.

본 논문에서는 Threshold 값을 26으로 놓았는데, 이는 오픈 소스를

개발한 사람들이 여러 이미지에 대한 테스트를 수행하여 얻은 값이다. 현재

본 논문에서도 이 값을 따르고 있지만, 스펙트로그램을 이미지화 하여

비교한다는 특성상 추후에는 본 시스템만의 Threshold 값이 필요할 것이라

생각한다.

9
 4. Evaluation

4.1 실험 환경
클라이언트는 안드로이드 4.4.2 버전이 설치된 갤럭시 S5를 이용하였고,

서버는 jdk 1.8.0_65 버전의 JAVA로 구현하였다. 실험 장소는 약 50 평방

미터의 강의실로, 조용한 환경에서 실험을 진행하였다.

실험은 실시간 실험과 비 실시간 실험으로 나뉘어서 진행하였다. 본 논문

에서는 TV를 보는 행동을 구별하는 것을 제안하였으나 실시간 TV 스트리밍

을 가져오기 위해서는 방송국 사이트 로그인과 같은 문제점이 있었기 때문에

실시간 실험은 라디오 스트리밍으로 대신하여 실험을 진행하였다. 비 실시간

실험은 미리 녹음된 TV 소리 파일을 이용하여 진행하였다. 영상을 쓰는 것

이 아니기 때문에 두 실험의 결과는 크게 다르지 않을 것이다.

실험은 TV와 라디오를 켠 채 그 옆에 스마트폰을 두고 말을 하여서 오디

오가 서로 겹치도록 하였다. 이후 처리 과정은 앞서 설명한 아키텍처에서의

순서와 같다.

4.2 비 실시간 실험
4.2.1 TV 시청 행동 구별

그림 5.와 그림 6.은 서로 다른 TV 프로그램 소리에 대한 스펙트로그램으

로서 서로 다른 이미지 패턴 경향을 보인다. 이처럼 스펙트로그램은 소리마

다 특징적인 패턴을 보이므로 두 TV 소리가 같은 채널에 대한 데이터인지,

10
다른 채널에 대한 데이터인지 구별할 수 있다. 다시 말해, 어떤 채널을 보고

있는지 식별이 가능하다. 그림 7.은 본 논문에서 제안한 시스템이 그림 5.와

그림 6.에 해당하는 소리를 입력으로 받아 유사도를 검출한 결과 화면이다.

Hamming Distance 값이 38로, 두 오디오 데이터는 시스템에 의해 유사하지

않다고 판단되었다.

그림 5. 스펙트로그램 1 (TV 채널 1, 20초)

그림 6. 스펙트로그램 2 (TV 채널 2, 20초)

그림 7. 모니터링 시스템을 이용하여

다른 소리에 대한 유사도를 검출한 결과

11
 그림 8. 스펙트로그램 3 (TV 채널 1, 20초, Original Data)

그림 9. 스펙트로그램 4 (TV 채널 1+목소리, 20초, Recorded Data)

그림 10. 모니터링 시스템을 이용하여

비슷한 소리에 대한 유사도를 검출한 결과

그림 8.은 잡음이 끼지 않은 특정 TV 채널의 소리 파일에 대한

스펙트로그램이고, 그림 9.는 해당 채널을 틀어놓은 채 말하고 있는 상황을

12
스마트폰을 이용해 녹음한 소리 파일에 대한 스펙트로그램이다. 즉, 그림

9.는 기존 TV 소리에 목소리라는 잡음과 녹음 시 발생한 백색 잡음이

추가된 것이라고 생각할 수 있다. 한 쪽 데이터에 잡음이 동시에

녹음되었음에도 불구하고, 그림 8.과 그림 9.는 같은 TV 채널을 바탕으로 한

오디오 데이터이기 때문에 동그라미 표시가 된 곳에서 확인할 수 있듯이

유사한 패턴을 보이고 있다. 이러한 특징적인 패턴으로 인해 오디오

데이터에 잡음이 추가되어도 비교가 가능하여 사용자가 어떤 채널을 보고

있는지 구별할 수 있다. 그림 10.은 제안한 시스템이 그림 8.과 그림 9.에

해당하는 소리를 입력으로 받아서 결과를 도출한 화면이다. Hamming

Distance 값이 26 으로, 두 오디오 데이터는 유사하다고 판단되었다.

4.2.2 이외 다른 생활 소음 구별

앞서 확인 하였듯이, 소리를 스펙트로그램으로 나타내면 특징적인 이미지

패턴을 확인할 수 있다. 또한, 오디오를 이용함으로써 영상과 모션 센서를 이

용한 모니터링 시스템처럼 제한된 상황이 아니라 주변 환경과 같은 폭넓은

상황을 인식할 수 있다. 이러한 점을 이용하여 TV 소리 이외에 다른 생활

소음도 구별할 수 있다. 그림 11.과 그림 12.는 서로 다른 장소에 있는 화장

실의 물 내리는 소리를 스펙트로그램으로 나타낸 것이다. 역시나 동그라미

친 부분에서 확인할 수 있듯이 유사한 패턴을 보이고 있으며, 본 논문에서

제안한 시스템에서도 유사한 오디오 데이터라고 판단하였다(그림 13.). 이와

같이 스펙트로그램을 비교함으로써 독거노인의 다양한 삶의 행동을 탐지할

수 있을 것이다.

13
그림 11. 스펙트로그램 5 (물 내리는 소리 1, Recorded Data)

그림 12. 스펙트로그램 6 (물 내리는 소리 2, Recorded Data)

그림 13. 모니터링 시스템을 이용하여

비슷한 소리에 대한 유사도를 검출한 결과

14
그림 14. 유사한 오디오 스트리밍 데이터에 대한 Hamming Distance 값

( 𝐀𝐕𝐆. = 𝟐𝟏. 𝟎)

그림 15. 다른 오디오 스트리밍 데이터에 대한 Hamming Distance 값

(𝐀𝐕𝐆. = 34.2)

15
4.3 실시간 실험
4.3.1 라디오 청취 행동 구별

그림 14.와 그림 15.는 라디오를 틀어놓고 진행한 실험에 대한 결과이다.

X 축은 실험 횟수를 나타내고, Y 축은 각 실험에 대한 Hamming Distance

값을 나타낸다.

그림 14.은 시스템으로부터 얻은 서로 유사한 오디오 스트리밍 데이터에

대한 Hamming Distance 값이다. 즉, 잡음이 끼지 않은 라디오 방송

스트리밍을 사용하는 서버 쪽의 데이터와 그와 같은 라디오 방송 스트리밍에

목소리가 함께 녹음된 클라이언트 쪽의 데이터를 비교한 결과이다. 10 번

실험을 하여 얻은 Hamming Distance 값들의 평균이 21.0 으로, 유사도가

높은 편이다.

그림 15.은 시스템으로부터 얻은 서로 다른 오디오 스트리밍 데이터에

대한 Hamming Distance 값이다. 즉, 서로 다른 라디오 방송 스트리밍을

실시간으로 입력 받아 도출한 결과이다. 10 번 실험을 하여 얻은 Hamming

Distance 평균값이 34.2 로, 유사도가 낮다고 판단할 수 있다.

이로써 라디오를 청취 중이거나 청취 중이지 않은 상황을 탐지할 수 있다.

16
 5. Conclusion

IT 기술의 활용은 노인 복지 문제에서 부족한 인력을 충족시키고, 예산을

적게 사용하도록 한다. 본 논문에서는 스마트폰을 활용함으로써 추가적인

인프라 구축 없는 독거노인 모니터링 시스템을 제안하였다. 오디오를

활용하여 행동을 구별함으로써 노인의 라이프스타일을 모니터링 하는

시스템을 구현하였고, 스펙트로그램의 개념을 도입하여 비정형화 데이터인

생활 소리에 대해 탐지를 하였다. 또한, Perceptual Hash 알고리즘을

활용하여 정보 유출과 사생활 침해에 대한 보안 수준을 향상시킬 수 있었다.

실험을 통해 영상이나 센서 데이터를 이용하지 않고 오디오를 이용하여

상황을 구별할 수 있음을 보였다. 이는 오디오 기반이라는 새로운 방식의

독거노인 Assistance System을 제안한 것이며, 다가올 IoT 시대에는

독거노인뿐만 아니라 모든 사람을 대상으로 하는 라이프스타일 모니터링

시스템이 될 것이라 기대한다.

Future Work으로는 실시간 TV 스트리밍을 다운로드 하는 방법과

자체적인 Threshold 값을 계산하는 내용을 연구할 필요가 있다.

17
 6. Reference

[1] 통계청, 2015 고령자 통계

[2] 서호노인복지관, 독거노인의 실체와 문제점 개선방안

[3] 보건복지부, 2015년 전국 100여만명 독거노인 생활실태 조사 실시

[4] 손정남, 독거노인과 비독거노인의 자살생각 관련요인

[5] 복지로, 노인돌봄기본서비스,

http://www.bokjiro.go.kr/welInfo/retrieveGvmtWelInfo.do?welInfSno=347

[6] 대한민국 정부 포털, 독거노인 U-Care 시스템 운영

http://www.korea.go.kr/service/serviceInfoView.do?svcSeq=21770&rnum

=8&searchType=0&ctyCode=050400

[7] 국회예산정책처, 2012회계연도 결산 부처별 분석 V

http://www.nabo.go.kr/Sub/04Etc/popReport.jsp?funcSUB=view&bid=19&

arg_id=4356

[8] J.Y. Hwang et al., “Development of Novel Algorithm and Real-time

Monitoring Ambulatory System Using Bluetooth Module for Fall Detection

in the Elderly”, Engineering in Medicine and Biology Society, Vol. 1, 2004,

pp. 2204-2207

[9] Nagender Kumar Suryadevara et al., “Wireless Sensor Network Based

Home Monitoring System for Wellness Determination of Elderly”, IEEE

Sensors Journal, Vol. 12, No. 6, 2012.06

18
[10] 이상용, 김영백, “비디오 기반의 독거노인 위급 상황 탐지를 위한 행동

분석”, journal of Control, Automation and Systems Engineering, Vol. 13,

No. 6, 2007.06, pp. 537-541

[11] Nadia Zouba et al., “A computer system to monitor older adults at

home: Preliminary results”, Gerontechnology Journal, Vol. 8, No. 3,

2009.07, pp. 129-139

[12] Datong Chen et al., “Intelligent Video Monitoring to Improve Safety

of Older Persons”, Engineering in Medicine and Biology Society, 2007, pp.

3814-3817

[13] 한국인터넷진흥원, 2014년 모바일 인터넷 이용 실태 조사

[14] 한국갤럽 데일리 오피니언, 최근 4년 스마트폰 사용률 추이와 시계에

대한 조사

[15] Asperes, https://code.google.com/p/asperes/

[16] pHash, http://www.phash.org/

19