Automating Timed Up and Go Phase Segmentation and Gait Analysis via the tugturn Markerless 3D Pipeline

이 논문은 마커리스 3D 데이터를 기반으로 Timed Up and Go(TUG) 테스트의 단계 분할, 보행 이벤트 감지, 공간 - 시간 및 동적 안정성 분석을 자동화하는 오픈 소스 파이썬 파이프라인인 'tugturn.py'의 구현, 출력, 및 재현성 워크플로우를 소개합니다.

핵심

🍳 1. 문제 상황: "손으로 재는 요리사"의 한계

과거에 환자가 의자에 앉았다가 일어서서 3 미터 앞을 걷고, 돌아와 다시 앉는 'TUG 테스트'를 할 때, 의사들은 스톱워치만 들고 있었습니다.

• 한계: "총 10 초 걸렸다"는 결과만 알 수 있을 뿐, 일어설 때 얼마나 힘썼는지, 돌아설 때 몸이 얼마나 흔들렸는지, 발을 디딜 때 정확히 언제 착지했는지는 알 수 없었습니다.
• 기존 방식: 정확한 분석을 원하면 몸에 반사 마커를 붙이고 거대한 카메라 10 대를 설치해야 했는데, 이는 비싸고 번거로웠습니다.

🪄 2. 해결책: "눈이 좋은 마법사" tugturn.py

이 논문은 tugturn.py라는 소프트웨어를 개발했습니다. 이 프로그램은 마치 눈이 매우 좋고, 몸의 움직임을 완벽하게 이해하는 마법사와 같습니다.

• 마커 없는 3D 분석: 환자에게 아무것도 붙이지 않아도, 일반 카메라 영상만 있으면 환자의 뼈와 관절 위치를 3 차원으로 재구성합니다. (마치 영화 속 CGI 캐릭터를 만드는 것처럼요!)
• 자동 분할 (요리 재단하기): 이 마법사는 환자의 움직임을 5 가지 단계로 자동으로 잘라냅니다.
  1. 일어설 때 (의자에서 일어나는 순간)
  2. 앞으로 걷기 (처음 3 미터)
  3. 돌아설 때 (180 도 회전)
  4. 돌아오기 (다시 3 미터)
  5. 앉을 때 (의자에 앉는 순간)
  • 비유: 마치 긴 빵을 5 등분으로 잘라내어, 각 조각의 맛과 질감을 따로 분석하는 것과 같습니다.

🚦 3. 핵심 기능: "정교한 감지기"

이 프로그램은 단순히 걷는 시간만 재는 게 아니라, **발이 땅에 닿는 순간 (Heel Strike)**과 **발이 떨어지는 순간 (Toe-off)**을 아주 정확하게 찾아냅니다.

• 가짜 신호 제거: 환자가 돌아서는 동안에는 발이 땅에 닿는 게 아니라 몸을 돌리는 것이므로, 이 부분을 오류로 간주하고 무시합니다. (마치 길거리에서 지나가는 사람과 신호를 혼동하지 않도록 하는 것과 같습니다.)
• 균형 잡기: 환자가 넘어지지 않고 균형을 잘 유지하는지, 몸이 얼마나 흔들리는지 (XCoM 지표) 를 계산합니다.
• 동작 패턴 분석: 특히 파킨슨병 환자들은 몸을 돌릴 때 몸 전체가 딱딱하게 붙어서 돌아서는데, 이 프로그램은 그 동작의 불규칙성을 잡아내어 질병의 정도를 예측하는 데 도움을 줍니다.

📊 4. 결과물: "요리 레시피 카드"

이 프로그램은 분석이 끝나면 의사나 연구자에게 다음과 같은 결과를 줍니다.

• HTML 보고서: 웹 브라우저에서 바로 볼 수 있는 화려한 차트와 GIF 애니메이션. (어떤 단계에서 문제가 있었는지 한눈에 보입니다.)
• 데이터 파일: 엑셀로 분석할 수 있는 숫자 데이터.
• 자동화: 한 번에 수백 명의 환자 데이터를 넣으면, 마법사가 알아서 모든 것을 처리해 줍니다.

💡 5. 왜 이것이 중요한가요?

이 도구는 병원이나 재활 센터에 큰 변화를 가져옵니다.

• 접근성: 비싼 장비 없이 일반 카메라만 있으면 됩니다.
• 정확성: 사람의 눈으로 판단하는 것보다 훨씬 정밀하게 질병의 진행 상황을 파악할 수 있습니다.
• 재현성: 같은 조건이라면 누구든 똑같은 결과를 얻을 수 있어, 연구의 신뢰도가 높아집니다.

🎯 요약

이 논문은 **"복잡한 장비 없이, 일반 카메라 영상만으로 환자의 걷기 테스트를 마법처럼 정밀하게 분석해주는 소프트웨어"**를 소개합니다. 이는 마치 수동으로 재던 스톱워치를, AI 가 달린 정밀한 3D 스캐너로 업그레이드한 것과 같습니다. 이를 통해 환자 개개인의 움직임을 더 깊이 이해하고, 더 나은 치료법을 찾아낼 수 있게 되었습니다.

기술 요약

1. 문제 정의 (Problem)

• 임상적 필요성: '타임드 업 앤 고 (Timed Up and Go, TUG)' 테스트는 임상 및 연구 분야에서 이동성과 기능적 수행 능력을 평가하는 데 널리 사용되지만, 기존의 분석은 전체 완료 시간만 기록하는 '블라인드 스톱워치' 방식에 그치는 경우가 많습니다.
• 기술적 한계:
  • 정밀한 생체역학적 분석을 위한 기존 모션 캡처 시스템은 특수 장비와 시간이 많이 소요되는 수동 처리 파이프라인에 의존합니다.
  • 마커리스 (Markerless) 기반의 컴퓨터 비전 기술이 발전했음에도 불구하고, TUG 와 같은 복잡한 과제의 구체적인 단계 (Phase) 를 자동으로 구분하고, 보행 이벤트 (Heel-strike, Toe-off) 를 정확하게 탐지할 수 있는 범용 3D 파이프라인은 부재합니다.
  • 특히 TUG 는 일어나기, 걷기, 회전, 다시 걷기, 앉기 등 다양한 단계가 혼재되어 있어, 회전 구간이나 정지 구간에서 발생하는 잘못된 이벤트 탐지 (False positives) 를 필터링하는 것이 어렵습니다.

2. 방법론 (Methodology)

이 논문은 이러한 격차를 해결하기 위해 tugturn.py 라는 Python 기반의 자동화 3D 마커리스 처리 워크플로우를 제안합니다.

• 입력 데이터: MediaPipe 등을 통해 추출된 3D 좌표 시계열 데이터 (보통 vailá 프레임워크를 통해 전처리됨).
• 핵심 알고리즘:
  1. 공간적 단계 분할 (Spatial Phase Segmentation):
     • 시간적 기준이 아닌 공간적 임계값 (Spatial Thresholds) 을 기반으로 데이터를 분할합니다.
     • 골반 (Center of Mass) 의 전후 방향 (Y 축) 이동을 추적하여 다음 5 가지 단계로 자동 구분합니다:
       • 앉음에서 일어서기 (Sit-to-Stand)
       • 첫 번째 보행 (First Gait)
       • 회전 (Turning)
       • 두 번째 보행 (Second Gait)
       • 일어서서 앉기 (Stand-to-Sit)
     • 예: 의자 구역 ($Y \le 1.125m$), 회전 구역 ($Y \approx 4.5m$) 등.
  2. 보행 이벤트 탐지 (Dynamic Zeni Algorithm):
     • 기존 Zeni 알고리즘을 TUG 의 양방향 (왕복) 특성에 맞게 개선했습니다.
     • 위상 필터링: 보행 중이 아닌 상태 (회전, 자세 전환) 에서는 이벤트 탐지를 차단합니다.
     • 동적 진행 벡터: 환자의 실제 보행 방향에 맞춰 프레임별로 방향 벡터를 계산하여 발뒤꿈치 착지 (HS) 와 발끝 들기 (TO) 를 탐지합니다.
     • 이중 검증: 탐지된 이벤트가 '첫 번째 보행' 또는 '두 번째 보행'의 공간적 경계 내에 있어야만 유효한 것으로 간주합니다.
  3. 고급 생체역학 분석:
     • Vector Coding: 몸통과 골반 간의 상호 세그먼트 조율 (Intersegmental coordination) 을 정량화하여, 파킨슨병 환자의 '동시 회전 (In-Phase)' 또는 '역위상 회전 (Anti-Phase)' 패턴을 식별합니다.
     • XCoM (Extrapolated Center of Mass): 동적 안정성 (Dynamic Stability) 지표를 계산합니다.

3. 주요 기여 (Key Contributions)

• tugturn.py 소프트웨어 파이프라인:
  • 명령줄 인터페이스 (CLI) 와 TOML 설정 파일을 통해 구성 가능하여 재현성 (Reproducibility) 을 보장합니다.
  • 수동 프레임 단위 처리 없이 대량 데이터 (Batch processing) 를 자동으로 처리할 수 있는 고처리량 (High-throughput) 아키텍처를 제공합니다.
• 종합적 분석 기능:
  • 단순 보행 요약뿐만 아니라, 단계별 공간적 분할, 보행 이벤트 탐지, 시공간 지표, Vector Coding, XCoM 안정성 지표를 하나의 워크플로우에서 통합 제공합니다.
• 다양한 출력물:
  • 분석 결과, CSV(시계열 데이터, 스텝 단위 데이터), JSON, 그리고 시각적 품질 보증 (QA) 을 위한 HTML 리포트 및 GIF 애니메이션을 생성합니다.

4. 결과 (Results)

• 테스트 실행: 제공된 테스트 데이터 (s26_m1_t1) 를 통해 파이프라인의 실행 가능성을 입증했습니다.
• 구체적 산출물:
  • 단계별 시간: 앉음 (1.48s), 첫 보행 (5.81s), 회전 (2.79s), 두 번째 보행 (5.76s), 앉기 (3.85s) 등 각 단계의 정확한 지속 시간을 추출했습니다.
  • 생체역학 지표: 보폭, 보행 속도 (0.347 m/s), 카덴스 (67.91 스텝/분), XCoM 편차 등을 단계별로 계산했습니다.
  • 시각화: 단계 분할의 정확성을 확인하기 위한 GIF 및 상호작용 가능한 HTML 리포트를 생성하여 임상적 해석을 용이하게 했습니다.
• 데이터 구조: 단계별 보행 이벤트 (HS/TO), 좌우 비대칭성, 스텝 시퀀스 등 상세한 메트릭을 CSV 및 JSON 형식으로 구조화하여 통계 분석에 바로 활용 가능하게 했습니다.

5. 의의 및 결론 (Significance)

• 임상 접근성 향상: 고가의 모션 캡처 장비 없이도 마커리스 3D 데이터를 통해 TUG 의 세부 생체역학적 특징 (회전 패턴, 안정성, 단계별 움직임) 을 정량화할 수 있게 되었습니다.
• 정밀한 임상 진단: 단순한 '총 소요 시간'을 넘어, 회전 단계의 조율 (Vector Coding) 이나 동적 안정성 (XCoM) 과 같은 지표는 파킨슨병 등 신경계 질환의 중증도 (Hoehn & Yahr stage) 를 예측하는 강력한 디지털 바이오마커로 작용할 수 있음을 시사합니다.
• 재현성과 확장성: 오픈소스 기반의 Python 도구로서, 연구자와 임상가가 표준화된 프로토콜로 데이터를 처리하고 결과를 비교할 수 있는 기반을 마련했습니다.
• 향후 과제: 현재는 상류 단계의 포즈 추정 (Pose Estimation) 품질에 의존하며, 실험실 기준 (Gold Standard) 장비와의 정량적 비교 검증은 향후 과제로 남겨져 있습니다.

요약하자면, 이 논문은 TUG 테스트의 복잡성을 해결하기 위해 공간적 분할과 고급 보행 이벤트 탐지 알고리즘을 결합한 자동화 소프트웨어 tugturn.py 를 제시하며, 마커리스 3D 분석을 임상 및 연구 현장에 실용적으로 적용할 수 있는 길을 열었습니다.