Skeleton-Based Posture Classification to Promote Safer Walker-Assisted Gait in Older Adults

기술 요약: 보행 보조기 지원 보행의 안전성을 위한 골격 기반 자세 분류

문제 제기
고령화되는 전 세계 인구는 균형, 근육량, 이동성의 저하를 포함한 중대한 건강 문제에 직면해 있으며, 이는 낙상 위험을 극적으로 증가시킵니다. 보행 보조기 (Walker) 와 같은 보조 장치는 이러한 위험을 완화하는 데 표준적으로 사용되지만, 잘못된 자세나 부적절한 사용과 같은 오용은 역설적으로 낙상을 초래할 수 있습니다. 현재 자세 분류 솔루션들은 종종 상당한 처리 능력을 요구하거나 웨어러블 마커에 의존하는 전신 데이터셋에 의존하는데, 이는 침습적일 수 있고 비용이 많이 들며 노년층이 유지하기 어렵습니다. 따라서 사용자에게 추가 센서를 착용하게 하지 않고도 보조 장치에 탑재된 카메라를 사용하여 사용자 자세를 실시간으로 모니터링하고 위험한 자세를 감지하여 낙상을 예방할 수 있는 비침습적 실시간 시스템이 필요합니다.

방법론
본 연구는 골격 기반 데이터를 사용하여 보행 보조기 사용 여부, 초기 위치 (앉음 vs 서 있음), 그리고 특정 자세를 분류하기 위한 다섯 가지 서로 다른 모델링 접근법을 제안하고 비교합니다. 이 시스템은 USB 카메라, LiDAR, 힘 감지 저항기 (FSR), 그리고 관성 측정 장치 (IMU) 가 장착된 사회적 보조 보행기 (SAW) 를 활용합니다.

1. 데이터 수집 및 전처리:

   • 데이터 수집: 통제된 조건 하에서 정의된 운동 (팔 들기, 몸통 구부리기, 앉기, 서기) 을 수행한 21 명의 건강한 참가자 (연령 21~48 세) 로부터 데이터를 수집했습니다.
   • 자세 랜드마크 감지: 실시간으로 33 개의 3 차원 신체 랜드마크를 추출하기 위해 Google MediaPipe 의 Pose Detection 프레임워크 (BlazePose) 를 사용했습니다. 이 접근법은 원시 이미지 처리의 필요성을 제거하고 효율성을 위해 텍스트 기반 좌표만 전송합니다.
   • 특징 추출: 원시 랜드마크 좌표를 전처리하여 관절 간의 거리와 각도를 포함한 48 개의 기하학적 특징을 추출했습니다.

2. 모델 아키텍처:

   • 합성곱 신경망 (CNN): 두 가지 아키텍처를 테스트했습니다: 4 층 CNN (원시 랜드마크와 공학적 특징 모두로 테스트) 과 6 층 CNN (원시 랜드마크만 사용). 이러한 모델들은 합성곱, 배치 정규화, 최대 풀링, 드롭아웃 레이어를 활용합니다.
   • 인코더 - 디코더 CNN (EDCNN): 차원 축소와 재구성을 위해 설계된 아키텍처로, 세 개의 합성곱 레이어를 가진 인코더와 전치 합성곱 레이어를 가진 디코더를 특징으로 하며, 분류를 위해 공동으로 훈련됩니다.
   • 서포트 벡터 머신 (SVM): 클래스를 분리하는 최적의 초평면을 식별하는 데 사용되는 지도 학습 알고리즘입니다.
   • Extreme Gradient Boosting (XGBoost): 결정 트리를 사용하는 앙상블 학습 방법으로, MultiOutputClassifier 와 결합되어 여러 변수를 동시에 예측합니다.
   • 기하학적 접근: 기준 자세를 설정하고 유클리드 거리와 경험적으로 결정된 임계값을 사용하여 편차를 분류하는 규칙 기반의 비학습 방법으로, 손 들기 감지를 위해 FSR 데이터가 보완되었습니다.

3. 분류 작업:
   모델들은 세 가지 출력을 예측하도록 훈련되었습니다:

   • 보행 보조기 선택: 이진 분류 (보행 보조기 사용 vs 미사용).
   • 초기 위치: 이진 분류 (앉음 vs 서 있음).
   • 자세 분류: 다중 클래스 분류 (지도 학습 모델의 경우 17 가지 특정 자세; 기하학적 접근법의 경우 8 가지 자세).

주요 결과
본 연구는 훈련/검증 세트와 보이지 않는 테스트 데이터 모두에서 정확도, 정밀도, F1 점수, 민감도, 특이도를 사용하여 성능을 평가했습니다.

• 이진 분류 (보행 보조기 선택 및 초기 위치):

  • XGBoost가 최고의 성능을 보였으며, 훈련 정확도 (보행 보조기 선택 100%, 초기 위치 99.9%) 에서 거의 완벽한 결과를 달성하고 높은 예측 정확도 (각각 99.84% 및 99.69%) 를 유지했습니다.
  • 딥러닝 모델: 4 층 CNN, 6 층 CNN, 그리고 EDCNN 또한 이진 작업에서 강력한 성능을 보여주었으며, 훈련 정확도는 일반적으로 98% 를 초과했습니다.
  • SVM은 가변적인 성능을 보였으며, 보행 보조기 선택의 경우 97.4% 의 정확도를 달성했으나 초기 위치의 경우 더 낮은 결과 (90.3%) 를 보였습니다.

• 다중 클래스 자세 분류:

  • 도전 과제: 모든 모델은 이진 작업에 비해 17 클래스 자세 작업에서 상당한 어려움을 겪었습니다.
  • XGBoost: 99.24% 의 훈련 정확도를 달성했으나 17 클래스 작업의 경우 예측 정확도가 74.1% 로 떨어졌습니다. 단일 출력 위험 분류 (서 있음, 앉음, 또는 나쁜 자세) 로 단순화했을 때 85.0% 의 예측 정확도를 달성했습니다.
  • 딥러닝: 4 층 CNN 은 딥러닝 모델 중 17 클래스 작업에서 가장 높은 예측 정확도인 76.0% 를 달성했습니다. EDCNN 과 6 층 CNN 은 각각 66.0% 와 75.7% 로 더 낮은 예측 정확도를 보였습니다.
  • 기하학적 접근: 8 가지 자세를 대상으로 한 특정 테스트에서 이 접근법은 전체 정확도 89.87% 를 달성했습니다. 정적 자세 (서 있음: 98.15%) 와 손 들기 동작 (98% 이상) 에서는 매우 우수한 성능을 보였으나, 낙상 시뮬레이션 (예: 뒤로 넘어짐: 60.02%) 에서는 성능이 저하되었습니다.

• 비교 지표:

  • 이진 작업의 경우, XGBoost 와 기하학적 접근법이 일반적으로 가장 높은 F1 점수를 산출했습니다.
  • 딥러닝 모델은 경쟁력 있는 성능을 보였으나, 특히 아키텍처 깊이가 증가함에 따라 (예: 6 층 CNN) 다중 클래스 분류의 복잡성에 더 큰 어려움을 겪었습니다.

의의 및 주장
본 논문은 기계 학습, 특히 XGBoost 와 기하학적 접근법이 낙상 예방을 위한 스마트 보행 보조기에서의 인간 - 로봇 상호작용을 강화할 수 있는 상당한 잠재력을 가지고 있다고 주장합니다. 주요 기여점은 다음과 같습니다:

1. 온보드 처리의 실현 가능성: 원시 이미지 대신 골격 랜드마크 (텍스트 데이터) 를 사용하는 것이 효율적인 처리를 가능하게 하여 Raspberry Pi 4 와 같은 자원이 제한된 장치에서 실시간 모니터링을 실현 가능하게 한다는 것을 본 연구는 입증했습니다.
2. 이진 작업에 대한 XGBoost 의 우월성: XGBoost 는 앉기에서 서기로의 이동 중 브레이크와 같은 안전 메커니즘을 트리거하는 데 필수적인 중요한 이진 상태 (보행 보조기 사용, 앉음 vs 서 있음) 를 결정하는 데 가장 효과적인 모델로 확인되었습니다.
3. 위험 요소 감지: 다중 클래스 자세 분류는 여전히 어렵지만, 합리적인 정확도로 '나쁜 자세'또는 서 있는 상태에서의 편차 (예: 기대기, 손 들기) 를 감지할 수 있는 능력 (XGBoost 단일 출력의 경우 83% F1 점수) 은 초기 낙상 위험 감지를 위한 실현 가능한 방법을 제공합니다.
4. 개인정보 보호 및 비침습성: 보행 보조기에 장착된 마커 없는 카메라 시스템을 활용함으로써 웨어러블 센서와 관련된 개인정보 보호 문제와 사용성 장벽을 피합니다.

인정된 한계
저자들은 데이터셋이 상대적으로 작았음 (21 명 참가자) 을 지적하여 일반화에 제한이 있음을 언급했습니다. 또한, 다중 클래스 자세 분류의 정확도는 이진 작업보다 낮아 더 정교한 아키텍처가 필요함을 시사합니다. 또한 본 연구는 딥러닝의 계산 요구 사항이 단일 보드 컴퓨터에서의 배포를 방해할 수 있으며, 지연 시간과 전력 소비는 평가되지 않았음을 강조합니다. 향후 연구는 실세계 검증과 추가 센서 모달리티의 통합을 목표로 합니다.