Locomotion Mode Transitions: Tackling System- and User-Specific Variability in Lower-Limb Exoskeletons

1. 연구 배경 및 문제 정의 (Problem)

• 핵심 문제: 하체 외골격 (Lower-limb exoskeletons) 은 걷기, 계단 오르기/내리기, 앉기 등 다양한 보행 모드 간의 전환 (Transition) 을 정확하게 실시간으로 감지해야만 효과적으로 사용자를 보조할 수 있습니다.
• 현재의 한계:
  • 기존 분류 모델은 사용자별 보행 패턴의 차이 (User-specific variability) 와 외골격의 기계적 설계 차이 (System-specific variability, 예: 자유도 DOF 차이) 로 인해 발생하는 데이터 변이성을 처리하는 데 어려움을 겪습니다.
  • 고정된 임계값 (Non-adaptive threshold) 을 사용하는 방식은 특정 사용자나 시스템에 최적화되지 않아 전환 감지 정확도가 떨어지거나 지연 (Latency) 이 발생할 수 있습니다.
  • 딥러닝 기반 접근법은 높은 계산 자원과 대량의 레이블 데이터를 요구하며, 임베디드 시스템에 적용하기 어렵고 해석 가능성이 낮습니다.

2. 연구 방법론 (Methodology)

이 연구는 기계 학습 (ML) 을 통해 학습된 임계값 기반 (ML-trained Threshold-based) 분류기를 기반으로 하여, 시스템 및 사용자별 변이성을 해결하기 위한 두 가지 적응형 최적화 방법을 제안했습니다.

A. 데이터 및 특징 추출 (Data & Features)

• 데이터셋: 걷기, 앉기, 계단 오르기/내리기의 4 가지 보행 모드와 그 사이의 6 가지 전환 (W-S, S-W, W-SA, SA-W, W-SD, SD-W) 을 포함하는 데이터 사용.
• 특징 (ICFs): 대퇴각 ($\theta_{th}$) 과 각속도 ($\dot{\theta}_{th}$) 를 기반으로 한 3 가지 순간 특징 (Instantaneous Characteristic Features) 을 사용:
  1. 최대 고관절 굴곡 (MHF) 시의 각도.
  2. 발뒤꿈치 착지 (HS) 와 MHF 사이의 각도 차이.
  3. 특정 각도 범위 내에서의 각속도.
• 하드웨어: EPFL 에서 개발한 두 가지 외골격 사용:
  • eWalk: 경량, 고관절 1 자유도 (Active DOF).
  • autonomyo: 고관절 및 무릎 3 자유도 (Active DOF) 로 더 복잡한 설계.

B. 인간 - 외골격 관절 정렬 보정 (Joint Misalignment Correction)

• 외골격과 인간의 관절 중심 불일치로 인한 데이터 왜곡을 해결하기 위해 회귀 기반 매핑 알고리즘을 도입했습니다.
• 문헌 데이터 (Ground Truth) 와 외골계 센서 데이터를 비교하여, 위치, 속도, 가속도의 선형 및 비선형 조합을 사용하여 관절 각도를 보정하는 함수를 학습했습니다.

C. 개인화 최적화 방법 (Personalization Methods)

기존의 ML-학습 임계값을 개인 및 시스템에 맞게 조정하는 두 가지 방법을 제안했습니다.

1. 통계 기반 접근법 (Statistics-Based Approach, SBA):
   • 학습 데이터와 대상 사용자의 데이터 간 통계적 차이 (평균, 표준편차) 를 분석하여 임계값을 스케일링 (Scaling) 하는 방식.
   • 간단한 공식 ($TH_{new} = TH_{tr} \cdot \frac{mean_{new} \pm std_{new}}{mean_{tr} \pm std_{tr}}$) 을 사용하여 초기 튜닝 수행.
2. 베이지안 최적화 (Bayesian Optimization, BO):
   • 성능 함수 ($J$) 의 명시적 형식이 불분명하거나 노이즈가 있는 경우, 최소 실험 횟수로 최적의 임계값을 찾는 방법.
   • 가우스 프로세스 (Gaussian Processes) 를 사용하여 목적 함수를 추정하고, 획득 함수 (Acquisition Function) 를 통해 탐색 (Exploration) 과 활용 (Exploitation) 을 균형 있게 수행.
   • 이산 그리드 서치 (Grid Search) 대비 계산 효율성이 뛰어남.

3. 주요 기여 (Key Contributions)

1. 알고리즘 평가 및 적응성 검증: ML-학습 임계값 기반 알고리즘을 두 가지 서로 다른 설계 (eWalk, autonomyo) 의 외골격에 적용하여 설계 제약 조건에 따른 적응성을 평가했습니다.
2. 개인화 최적화 방법론 제안: 통계 기반 접근법 (SBA) 과 베이지안 최적화 (BO) 를 도입하여 사용자별 보행 패턴과 시스템 특성에 맞춰 전환 감지 임계값을 개인화하는 방법을 개발했습니다. 또한 관절 정렬 오차를 보정하는 매핑 알고리즘을 개발했습니다.
3. 오픈 소스 데이터셋 공개: 18 명의 피험자가 2 가지 외골격을 사용하여 4 가지 보행 모드 및 전환 데이터를 수집한 하체 운동학 (Kinematics) 데이터셋을 공개했습니다.

4. 실험 결과 (Results)

• 관절 정렬 보정 효과: 매핑 알고리즘을 적용한 결과, 외골격 (autonomyo) 의 평균 최대 고관절 굴곡 (MHF) 값이 문헌 데이터와 더 잘 일치하도록 보정되었으며 (73.87° → 55.27°), 데이터 분산이 감소했습니다.
• 전환 감지 정확도 향상:
  • eWalk: BO 적용 후 대부분의 전환에서 정확도가 향상되었습니다. 예를 들어, S5 피험자의 W-SD 전환 감지 정확도가 20% 에서 100% 로 크게 개선되었습니다.
  • autonomyo: 복잡한 시스템에서 SBA 는 효과가 미미했으나, BO 를 적용한 결과 모든 전환에서 정확도가 향상되었습니다 (예: W-S 77.5% → 90%).
  • 비교: BO 는 그리드 서치 (GSA) 보다 약 4 배 빠른 계산 시간으로 최적의 임계값을 찾았으며, 특정 시나리오에서 비개인화 임계값 대비 최대 80% 까지 감지 정확도 향상을 보였습니다.
• 개인별 차이: 최적의 임계값은 사용자마다 크게 달랐으며, BO 는 이러한 개인별 변이성을 효과적으로 처리하여 시스템의 적응성을 입증했습니다.

5. 의의 및 결론 (Significance & Conclusion)

• 개인화의 중요성: 보조 기기의 성능을 극대화하기 위해서는 보편적인 모델보다는 사용자 및 시스템 특성에 맞는 개인화 (Personalization) 가 필수적임을 강조했습니다.
• 실시간성 및 효율성: 딥러닝의 고비용을 피하면서도 높은 정확도를 유지하기 위해, ML-학습 임계값과 베이지안 최적화를 결합한 경량화된 접근법이 임베디드 시스템에 적합함을 입증했습니다.
• 향후 과제: 현재 연구는 수동 (Zero-torque) 모드에서 수행되었으나, 향후 실제 보조 토크가 적용된 상황에서의 최적화, 양쪽 다리 데이터 통합, 그리고 다양한 장애를 가진 사용자군을 대상으로 한 실시간 최적화 연구가 필요하다고 제언했습니다.

이 연구는 하체 외골격의 제어 시스템이 다양한 사용자와 기계적 환경에 유연하게 적응할 수 있는 정밀하고 신뢰할 수 있는 전환 감지 솔루션을 제공하며, 보조 기기의 사용자 경험과 안전성을 획기적으로 개선할 잠재력을 보여줍니다.