기술 요약: ReactEMG Stroke

문제 정의

표면 근전도(sEMG)는 뇌졸중 재활을 위한 보조 손 오소시스(orthoses)를 제어하는 데 있어 유망한 비침습적 신호를 제공하며, 환자의 자발적 의도에 반응하는 "필요한 만큼의 보조(assist-as-needed)" 시스템을 가능하게 합니다. 그러나 뇌졸중 생존자를 위한 sEMG 기반 의도 탐지 배포에는 결정적인 병목 현상이 존재합니다: 사용자 맞춤형 캘리브레이션 과정이 너무 길고, 많은 데이터를 요구하며, 취약하다는 점입니다.

마비된(affected) 근육에서 발생하는 신호는 건강한 사용자와 근본적으로 다르며, 이는 근력 약화, 자발적 구동 감소, 경직(spasticity), 그리고 비정상적인 시너지(예: 공동 수축) 때문입니다. 결과적으로, 뇌졸중 데이터로 학습된 모델은 사용 가능한 수준이 되기 위해 방대한 양의 레이블된 데이터를 필요로 하는 반면, 자세 변화, 센서 재배치, 세션 내 신호 드리프트와 같은 실제 환경의 변동성에는 매우 취약합니다. 기존의 퓨샷(few-shot) 또는 적응형 전략들은 뇌졸중 데이터만을 사용하여 모델을 처음부터 초기화하거나, 단순히 설정을 조정하기 위해 건강한 데이터를 사용하는 데 그쳐, 대규모 건강한 사용자 sEMG 데이터셋에서 발견되는 풍부하고 재사용 가능한 표현(representations)을 활용하지 못하고 있습니다.

방법론

저자들은 **건강한 상태에서 뇌졸중 상태로의 퓨샷 적응(healthy-to-stroke few-shot adaptation)**을 위한 프레임워크인 ReactEMG Stroke를 제안합니다. 이 연구의 핵심 전제는 대규모 건강한 사용자 sEMG 데이터로 사전 학습된 모델을 사용하여 인텐트 디텍터(intent detector)를 초기화한 다음, 최소한의 피험자별 레이블된 데이터를 사용하여 개별 뇌졸중 참여자에게 미세 조정(fine-tuning)하는 것입니다.

1. 베이스 모델 및 데이터

• 베이스 모델: 저자들은 650명 이상의 건강한 참여자를 포함하는 5개의 공개 데이터셋으로 사전 학습된 인코더 전용 트랜스포머인 ReactEMG를 활용합니다. ReactEMG는 멀티모달 마스크드 모델링(multimodal masked modeling) 목적 함수를 사용하여 EMG 신호와 정렬된 의도 레이블을 모두 재구성하는 법을 학습함으로써, 견고한 EMG 표현을 포착합니다.
• 뇌졸중 데이터셋: 만성 뇌졸중 환자 3명으로부터 새로운 데이터셋을 수집했습니다. 참여자들은 마비된 전완부에 Myo 암드밴드를 착용하고 MyHand 오소시스를 착용했습니다. 프로토콜은 의도적인 손 열기, 닫기, 그리고 이완 동작의 시간 제한 시퀀스로 구성되었습니다.
• 평가 프로토콜: 모델의 견고성을 테스트하기 위해, 현실적인 분포 변화(distribution shifts)를 포함하는 홀드아웃(held-out) 테스트 세트에서 모델을 평가했습니다:
  • 세션 내 드리프트(Within-session drift): 세션 중간과 세션 종료 시점에 수집된 신호.
  • 보이지 않는 자세(Unseen posture): 팔을 테이블 위로 들어 올린 상태(호버링 자세).
  • 센서 배치(Sensor placement): 암드밴드가 약 15° 회전된 상태.
  • 장치 구동 모션(Device-driven motion): 환자가 손을 닫으려고 시도하는 동안 오소시스가 능동적으로 손을 여는 상황.

2. 적응 전략 (Adaptation Strategies)

연구는 동일한 데이터 예산 하에서 세 가지 미세 조정 전략을 두 가지 베이스라인과 비교합니다:

• 베이스라인:
  • Healthy Zero-shot: 사전 학습된 모델을 뇌졸중 데이터에 직접 적용한 경우.
  • Stroke-only Training: 소규모 뇌졸중 데이터만을 사용하여 처음부터 학습된 모델(무작위 초기화).
• 적응 전략:
  • Head-only Tuning: 사전 학습된 백본(backbone)을 고정하고 분류 헤드(classification head)만 업데이트함.
  • LoRA (Low-Rank Adaptation): 사전 학습된 가중치를 고정하고 선형 레이어를 위한 저차원 업데이트 행렬을 학습하여, 적은 파라미터로 내부 특징을 조정함.
  • Full Fine-tuning: 모든 모델 파라미터를 업데이트함.

3. 지표

성능은 다음을 사용하여 평가되었습니다:

• Raw Accuracy (원시 정확도): 올바른 레이블이 예측된 타임스텝의 비율.
• Transition Accuracy (전환 정확도): 실시간 제어 안정성을 반영하는 더 엄격한 지표입니다. 이는 의도 전환 시의 정확성(반응 버퍼 내에서 올바른 예측이 이루어져야 함)과 다음 전환 전까지 "플리커(flicker, 깜빡임)" 없이 새로운 클래스를 유지하는 정도를 측정합니다.

주요 기여

1. 의도 탐지를 위한 최초의 건강 상태-뇌졸중 상태 전이: 저자들은 대규모 건강한 도메인의 EMG 파운데이션 모델을 뇌졸중 의도 탐지에 맞게 적응시키는 최초의 프레임워크를 제시합니다.
2. 포괄적인 전략 비교: 통제된 데이터 예산 하에서 헤드 전용 튜닝, 파라미터 효율적인 LoRA, 그리고 전체 미세 조정을 뇌졸중 전용 학습 및 제로샷 전이와 체계적으로 비교합니다.
3. 견고성 평가: 평가는 단순한 정적 인-디스트리뷰션(in-distribution) 테스트가 아니라, 실제 임상 배치 시의 도전 과제를 모사하는 다양한 분포 변화(자세, 센서 배치, 드리프트)를 포함합니다.

결과

• 성능 향상: 건강한 상태로 사전 학습된 적응 모델은 제로샷 전이 및 뇌졸중 전용 학습보다 일관되게 우수한 성능을 보였습니다. 가장 뛰어난 적응 방법인 LoRA와 Full Fine-tuning은 뇌졸중 전용 베이스라인과 비교했을 때 평균 전환 정확도를 0.42에서 0.61로, 원시 정확도를 0.69에서 0.78로 향상시켰습니다.
• 전략 의존성: 모든 참여자에게 지배적인 단일 전략은 없었습니다.
  • LoRA와 Full Fine-tuning은 특히 장애가 더 심한 참여자(S1, S2)에게서 일반적으로 가장 높은 성능을 나타냈습니다.
  • Head-only tuning은 장애가 덜한 참여자(S3)에게서 놀라울 정도로 잘 작동했으며, 이는 장애가 덜 심할수록 덜 공격적인 표현 변화가 필요할 수 있음을 시사합니다.
• 데이터 효율성: 극도로 낮은 데이터 예산(예: N=1 또는 N=4 쌍)에서도 상당한 개선이 관찰되었습니다. 장애가 덜한 참여자의 경우, 최소한의 데이터로 얻은 성능이 전체 예산 학습 성능에 근접하거나 이를 능가했습니다. 그러나 장애가 더 심한 참여자는 더 큰 데이터 예산으로부터 지속적인 이득을 보였습니다.
• 수렴(Convergence): 건강한 상태로 초기화된 모델은 미세 조정의 첫 몇 에포크(epoch) 내에 의미 있는 이득을 달-성한 반면, 뇌졸중 전용 모델은 처음부터 학습할 때 더 점진적으로 개선되었습니다.

의의 및 주장

본 논문은 재사용 가능한 건강한 도메인의 EMG 표현을 전이함으로써 뇌졸중 재활을 위한 캘리브레이션 부담을 실질적으로 줄이는 동시에 분포 변화에 대한 견고성을 높일 수 있다고 주장합니다.

저자들은 건강한 파운데이션 모델을 확장하는 것이 안전하고 저렴하며 대규모인 건강한 사용자 데이터를 통해 가능하다는 점을 강조하는 한편, 뇌졸중 EMG 데이터는 본질적으로 희소하다는 점을 강조합니다. 따라서 건강 상태-뇌졸중 상태 미세 조정은 한정된 뇌졸중 데이터셋에 대해 더 나은 의도 탐지를 구현하기 위해 대규모 모델 용량을 전달하는 확장 가능한 경로를 제공합니다. 결과는 이러한 접근 방식이 현재 sEMG 기반 보조 장치의 실질적 배포를 가로막고 있는 데이터 병목 현상을 극복하기 위한 유효한 전략임을 시사합니다.