PM-EKF: A Physiological Model-Based Extended Kalman Filter for Daily-Life Physical Activity Energy Expenditure Estimation

다음은 논문 "PM-EKF: A Physiological Model-Based Extended Kalman Filter for Daily-Life Physical Activity Energy Expenditure Estimation"에 대한 상세한 기술 요약입니다.

1. 문제 제기

일상생활에서의 신체 활동 에너지 소비량 (PAEE) 모니터링은 대사 건강 및 질병 위험 평가에 필수적입니다. 간접 열량계 (가스 분석) 가 금표준 (gold standard) 이지만, 지속적인 자유 생활 모니터링에는 실용적이지 않습니다. 따라서 관성 측정 장치 (IMU) 와 심박수 (HR) 와 같은 웨어러블 센서가 널리 사용됩니다.

그러나 기존 방법들은 다음과 같은 중대한 한계에 직면해 있습니다:

• 생리학적 해석 가능성 부재: 대부분의 현재 접근법은 순수하게 데이터 기반 (예: 선형 회귀, 신경망) 입니다. 이들은 가스 교환, 대사 등 근본적인 생리학적 메커니즘을 모델링하지 않고 센서 신호를 PAEE 로 통계적으로 매핑합니다.
• 블랙박스 성향: 이러한 모델들은 고유한 해석 가능성을 결여하고 있어, 추정치가 왜 산출되었는지 설명하거나 생리학적 일관성 (예: 음의 에너지 소비 값 방지) 을 보장하기 어렵습니다.
• 일반화 문제: 데이터 기반 모델들은 종종 분포 변화 (다른 개인 또는 활동 유형) 에 직면하여 생리학적적으로 불가능한 결과를 산출할 수 있습니다.

2. 방법론: PM-EKF 프레임워크

저자들은 **생리학적 모델 기반 확장 칼만 필터 (PM-EKF)**를 제안합니다. 이 접근법은 인간의 생리학에 대한 단순화된 기계적 모델과 EKF 를 통합하여 센서 데이터를 융합합니다. 이 프레임워크는 세 가지 수준에서 작동합니다:

A. 신호 수준 (전처리 및 대리 변수)

• 입력: ECG 의 심박수 (HR) 와 골반, 왼쪽 허벅지, 오른쪽 허벅지의 세 개 IMU 로부터의 신체 가속도.
• IMU 유래 대사 대리 변수: 시스템은 IMU 적분에서 유도된 속도를 기반으로 신체 부위를 이동시키는 데 필요한 기계적 운동 에너지 ($E(t)$) 를 계산합니다.
  • 이 기계적 에너지는 lumped 효율 계수 ($\mu$) 와 변환 계수 (19.6 KJ/L $O_2$) 를 사용하여 추정 산소 소비율 ($R_{MO2}$) 및 이산화탄소 생성율 ($R_{MCO2}$) 로 변환됩니다.
  • 참고: 이 대리 변수는 필터의 "관측치"로 작용하며, 운동 관련 대사 수요를 나타냅니다.

B. 모델링 수준 (생리학적 상태 공간)

핵심 혁신은 호흡 제어 루프와 가스 교환을 나타내는 **3 구획 생리학적 모델 (폐, 순환계, 근육 조직)**입니다.

• 상태 벡터 ($x$): 모델은 다섯 가지 잠재 생리학적 상태를 추적합니다:
  1. 폐포 $O_2$ 분압 ($P_{A,O2}$)
  2. 폐포 $CO_2$ 분압 ($P_{A,CO2}$)
  3. 정맥 $O_2$ 농도 ($C_{v,O2}$)
  4. 정맥 $CO_2$ 농도 ($C_{v,CO2}$)
  5. 폐포 환기량 ($V_{TA}$)
• 과정 모델: 구획 간 $O_2$ 및 $CO_2$에 대한 질량 균형을 설명하는 일련의 비선형 미분 방정식입니다. HR 은 심박출량 ($Q$) 을 구동하는 외부 입력으로 사용되며, 이는 가스 수송에 영향을 미칩니다.
• 측정 모델: IMU 유래 대사 대리 변수 ($R_{MO2}, R_{MCO2}$) 는 생리학적 모델이 예측하는 실제 가스 교환 플럭스의 노이즈가 포함된 관측치로 간주됩니다.

C. 추론 수준 (확장 칼만 필터)

• EKF 는 잠재 생리학적 상태를 재귀적으로 추정합니다.
• 예측 단계: HR 에 의해 구동되는 생리학적 역학을 기반으로 상태를 전진시킵니다.
• 보정 단계: 모델 불확실성과 측정 노이즈를 보정하기 위해 IMU 유래 대사 대리 변수를 사용하여 상태 추정을 업데이트합니다.
• 출력: 추론된 잠재 상태는 $O_2$ 소비량과 $CO_2$ 생성량을 에너지 소비량과 연관시키는 Weir 공식을 사용하여 최종 PAEE 를 계산하는 데 활용됩니다.

3. 주요 기여

1. 기계적 해석 가능성: 블랙박스 AI 모델과 달리, PM-EKF 는 신체 운동 $\to$ 기계적 일 $\to$ 가스 교환 $\to$ 에너지 소비에 이르는 인과 관계를 명시적으로 모델링합니다. 잠재 상태 (예: 폐포 압력) 는 직접적인 생리학적 의미를 가집니다.
2. 생리학적 제약: 모델을 EKF 내에 임베딩함으로써, 추정치는 질량 균형, 이상 기체 법칙과 같은 생물학적 법칙에 의해 제약받으며, 음의 에너지 소비와 같은 생리학적적으로 불가능한 출력을 방지합니다.
3. 새로운 센서 융합: 이 방법은 IMU 데이터를 단순한 직접 예측자가 아닌, HR 에 의해 구동되는 생리학적 과정 모델을 보정하는 대사 수요의 관측치로 취급합니다.
4. 훈련 불필요: 이 모델은 첫 번째 원리 (first principles) 에 기반하며, 기계 학습의 의미에서 "훈련"을 위해 대규모 데이터셋이 필요하지 않아 개인 간 일반화 가능성이 더 높습니다.

4. 실험 결과

이 모델은 앉기, 걷기, 바닥 닦기, 자전거 타기, 계단 오르기 등 다양한 일상생활 활동 (ADL) 을 수행한 9 명의 건강한 피험자 데이터셋에서 검증되었습니다. 기준치 (Ground truth) 는 COSMED K5 호흡 분석기 (호흡 단위별) 로부터 제공되었습니다.

• 성능 지표 (중앙값 $R^2$):

  • PM-EKF (HR 포함): 0.72 (범위: 0.60–0.87)
  • CNN-LSTM (데이터 기반): 0.65
  • 선형 회귀 (데이터 기반): 0.52
  • 통계적 유의성: PM-EKF 는 LR ($p=0.012$) 과 CNN-LSTM ($p=0.039$) 모두보다 통계적으로 유의하게 우월한 성능을 보였습니다.

• 저강도 성능:

  • PM-EKF 는 저강도에서 탁월한 성능을 보였습니다 (NRMSE = 0.19). 반면 데이터 기반 모델들은 성능이 낮았으며 (NRMSE > 1.0, 평균 예측자보다 나쁨), 때로는 음의 PAEE 값을 예측하기도 했습니다.
  • PM-EKF 는 생리학적 범위 (PAEE $\ge$ 0) 에 대한 0% 위반률을 보인 반면, CNN-LSTM 은 0.53% 였습니다.

• HR 의존성:

  • 놀랍게도, PM-EKF 에서 HR 입력을 제거하고 (상수값으로 고정) 성능을 평가했을 때 성능이 유의하게 저하되지 않았습니다 ($R^2$는 약 0.76 유지).
  • 이는 테스트된 ADL 의 경우, IMU 로 포착된 기계적 작업량이 PAEE 추정의 주된 동인이었으며, HR 은 이 특정 맥락에서 중복된 정보를 제공했음을 시사합니다.

• 관찰된 한계:

  • 모델은 자전거 타기 동안 PAEE 를 체계적으로 과소평가했습니다. 이는 외부 저항 (에르고미터 부하) 을 포착하지 못하는 IMU 기반 기계적 대리 변수와 자전거 역학에 적응하지 못하는 고정 효율 계수 ($\mu$) 에 기인합니다.

5. 의의 및 결론

PM-EKF 프레임워크는 순수 데이터 기반 PAEE 추정에서 생리학 유도 추정으로의 패러다임 전환을 나타냅니다.

• 임상적 관련성: 이는 단순히 숫자를 제공하는 것을 넘어, 대사 건강의 바이오마커로 활용될 수 있는 해석 가능한 잠재 상태 (예: 가스 교환율) 를 제공합니다.
• 견고성: 데이터 기반 모델들이 실패하는 저강도 시나리오에서도 생리학적 타당성을 유지하여, 지속적인 실세계 모니터링에 적합합니다.
• 미래 전망: 현재 연구는 IMU 가 ADL 에 충분함을 보여주지만, 향후 연구는 효율 계수를 적응시켜 자전거 타기 추정을 개선하고, 대사 질환을 포함한 더 크고 다양한 인구 집단에서 모델을 검증하는 것을 목표로 합니다.

요약하자면, 이 논문은 순수 통계적 방법보다 단순화된 생리학적 모델을 칼만 필터 내에 임베딩하는 것이, 특히 저강도에서 중강도의 일상 활동에 대해 더 정확하고 해석 가능하며 견고한 PAEE 추정을 산출함을 입증합니다.