Accelerometry-based Energy Expenditure Estimation During Activities of Daily Living: A Comparison Among Different Accelerometer Compositions

기술 요약: 일상 활동 중 가속도계 기반 에너지 소비 추정

문제 정의
신체 활동 에너지 소비(PAEE)는 비만 조절 및 건강 모니터링에 있어 중요한 파라미터이지만, 개인 간 그리고 단일 개인 내에서도 높은 변동성을 보인다. PAEE는 간접 열량 측정법(호흡별 가스 데이터)을 통해 정확하게 측정할 수 있으나, 이 방법은 일상생활 모니터링을 위한 휴대성이 부족하다. 결과적으로, 웨어러블 센서 기반 도구, 구체적으로 가속도계를 사용하여 PAEE를 추정할 필요가 있다. 이 분야의 핵심 과제는 최적의 센서 위치를 결정하는 것이다. 일반적으로 신체의 무게 중심(COM, 하부 허리 또는 골반 근처)이 전체 신체 움직임을 포착하는 데 이론적으로 이상적이지만, 소비자용 손목 착용 기기(예: Apple Watch, Fitbit)의 보급으로 인해 손목이 인기 있는 위치가 되었다. 그러나 COM 기반 구성과 비교했을 때 손목 기반 센서의 PAEE 추정 효능은 아직 충분히 연구되지 않았으며, 특히 단일 센서로 충분한지 아니면 COM 가속도를 근사하기 위해 다중 센서 구성이 필요한지에 대한 연구가 필요하다.

연구 방법론
본 연구는 일상 활동(ADL) 중 PAEE 추정을 위해 네 가지 서로 다른 가속도계 구성을 평가하고 비교하였다:

1. COM 기반 설정:
   • Pelvis-acc: 골반에 부착된 단일 가속도계.
   • 3-acc: 하나의 골반 가속도계와 두 개의 허벅지 가속도계의 결합.
2. 손목 기반 설정:
   • l-wrist-acc: 왼쪽 손목에 부착된 단일 가속도계.
   • r-wrist-acc: 오른쪽 손목에 부착된 단일 가속도계.

데이터 수집:
10명의 참가자(여성 30%)가 앉기, 서기, 노트북 작업, 가사 노동(대걸레질, 설거지), 계단 오르기, 트레드밀/사이클링 운동을 포함한 무작위 순서의 ADL을 수행하였다. COSMED K5 시스템을 통해 수집된 호흡 데이터(VO2 및 VCO2)가 정답(ground truth) 역할을 하였다. 다섯 개의 Movella Xsens DOT 센서(30 Hz)를 사용하여 골반, 양쪽 허벅지, 양쪽 손목의 3축 가속도를 기록하였다. 데이터 전처리에는 중력 가속도 제거, 저역 통과 필터링(6 Hz), 그리고 1 Hz로의 리샘플링이 포함되었다. PAEE는 총 에너지 소비(TEE)에서 안정 시 대사율(RMR)을 차감하여 도출되었다.

모델:
두 가지 확립된 추정 방법이 데이터셋에 적용되었다:

1. 선형 회귀(LR): 입력값으로 $IAA_{tot}$(3축에 걸친 절대 가속도의 적분 합계) 특징량을 활용하였다. 3-acc 설정의 경우, 세 개의 독립적인 $IAA_{tot}$ 변수를 사용하였다.
2. CNN-LSTM: 전처리된 3축 가속도 데이터를 입력으로 받는 딥러닝 모델이다. 단일 센서의 경우, 입력 행렬은 3x30(3축, 30초 윈도우)이며, 3-acc 설정의 경우 특징 차원은 9x30으로 결합되었다.

두 모델 모두 30초 슬라이딩 윈도우를 사용하여 1초 지평선 예측(1-second horizon forecasting)을 수행하였다. 성능은 Leave-One-Subject-Out 교차 검증, 정규화된 평균 제곱근 오차(NRMSE), 그리고 R-제곱($R^2$) 값으로 평가되었다. 통계적 유의성은 반복 측정 분산 분석(repeated measures ANOVA) 및 본페로니 교정(Bonferroni correction)을 적용한 대응 표본 t-검정(paired t-tests)을 통해 평가되었다.

주요 결과

• 모델 성능: LR 및 CNN-LSTM 모델 모두 3-acc (COM 기반) 설정에서 가장 좋은 결과를 나타냈다. CNN-LSTM 모델은 가장 높은 $R^2$ 값인 0.53 (NRMSE = 0.64)을 달성하였고, LR 모델은 $R^2$ 0.41 (NRMSE = 0.72)을 달성하였다.
• COM vs. 손목: 두 가지 COM 기반 설정(3-acc 및 pelvis-acc)은 손목 기반 설정을 유의미하게 능가하였다 ($p < 0.05$). 손목 기반 설정은 예측력이 거의 없었으며, $R^2$ 값은 0에 가까웠고 (범위: -0.02 ~ 0.06), NRMSE는 높았다 (~0.95).
• 센서 구성: 단일 골반 센서(pelvis-acc)와 세 개의 센서 구성(3-acc) 사이에 유의미한 차이가 없었으며 ($R^2$에 대해 $p = 0.278$), 이는 COM 근처의 단일 센서가 이 과업을 수행하기 위한 COM 가속도를 나타내기에 충분함을 시사한다.
• 손목 대칭성: 좌우 손목 센서 간에 유의미한 차이가 발견되지 않았다 ($p = 0.329$).
• 모델 비교: NRMSE 또는 $R^2$ 측면에서 LR과 CNN-LSTM 모델 간에 유의미한 차이가 없었다 ($p > 0.05$). 이는 선형 특징량인 $IAA_{tot}$가 이 특정 데이터셋에 대해 더 복잡한 CNN-LSTM 구조와 유사한 예측력을 가짐을 나타낸다.

의의 및 주장
본 논문은 ADL 동안 정확한 PAEE 추정을 위해서는 COM 기반 모델링 접근 방식이 손목 기반 접근 방식보다 우수하다고 결론짓는다. 저자들은 손목 착용 가속도계가 단독으로 사용될 경우 COM 가속도를 효과적으로 반영하지 못해 PAEE에 대한 예측력이 미미하다는 점을 주장한다. 이는 가속도만을 사용하여 에너지 소비를 추적하는 상용 손목 착용 기기의 유용성 주장에 의문을 제기한다.

본 연구는 COM 근처에 배치된 단일 센서(예: 골반)가 필요한 움직임 역학을 포착하기에 충분하며, 허벅지 센서를 추가하는 것이 pelvis-only 설정보다 성능을 유의미하게 향상시키지 않았음을 시사한다. 저자들은 손목 기반 추정이 현재는 제한적이지만, 추가적인 센서 양상(예: 심박수)을 도입하거나 손목 가속도를 COM 가속도로 매핑하는 방법이 개발된다면 성능이 향려될 수 있음을 언급하며 신중한 입장을 유지한다. 또한 향후 연구에서 더 큰 데이터셋을 통해 이러한 결과를 검증하고, COM 가속도를 더 잘 근사할 수 있는 다른 센서 위치(예: 가슴, 상완)를 탐색할 것을 권장한다.