Generating Personalized Lower-Limb Kinematics Across Walking Speeds Using Subject-Conditioned Diffusion

기술 요약: 피험자 조건부 확산 모델을 이용한 보행 속도에 따른 개인화된 하지 운동학 생성

문제 정의
외골격 보조를 개인화하기 위해서는 다양한 보행 과업, 특히 변화하는 보행 속도에 대한 사용자 특유의 보행 데이터가 필요하다. 그러나 이러한 데이터를 획득하는 과정은 일반적으로 반복적이고 비용이 많이 들며 시간이 오래 걸리는 모션 캡처 세션을 요구하며, 이는 특히 뇌졸중 생존자와 같은 임상군에게 큰 부담이 된다. 기존의 생성 모델들은 사용자 특유의 보행 특성을 포착하기보다는 인구 집단 수준의 보행 표현에 집중하거나, 서로 다른 보행 맥락 간에 피험자 특유의 보행 패턴을 효과적으로 전이하는 데 실패하는 경우가 많다. 본 연구가 다루는 핵심 과제는 단 하나의 관찰된 속도만을 사용하여, 사용자의 고유한 보행 정체성을 유지하면서 보이지 않는 목표 보행 속도에서의 개인화된 하지 운동학을 생성하는 것이다.

방법론
저자들은 알려진 속도($v_{src}$)에서의 소스 보행 시퀀스($x_{src}$)가 주어졌을 때, 타겟 속도($v_{tgt}$)를 위한 보행 궤적을 합성하도록 설계된 **피험자 조건부 잔차 확산 프레임워크(subject-conditioned residual diffusion framework)**를 제안한다.

• 잔차 정식화 (Residual Formulation): 모델은 원시 운동학 시퀀스를 처음부터 생성하는 대신, 소스 궤적을 타겟 궤적으로 변환하는 데 필요한 잔차 변화량($\hat{r}$)을 학습한다: $\hat{r}(x_{src}, x_{tgt}) = x_{tgt} - x_{src}$. 최종 타겟 시퀀스는 $\hat{x}_{tgt} = x_{src} + \hat{r}$로 재구성된다. 이 접근 방식은 피험자 특유의 보행 시그니처를 보존하는 동시에 미세한 속도 의존적 변화를 모델링하는 것을 목표로 한다.
• 모델 아키텍처: 프레임워크는 세 가지 입력에 의해 조건화되는 트랜스포머 기반 디노이저(Transformer-based denoiser)(GaitDynamics 백본 기반)를 활용한다:
  1. 피험자 보행: 소스 보행 시퀀스($x_{src}$)는 양방향 LSTM을 통해 피험자 임베딩($z_s$)으로 인코딩된다.
  2. 속도 파라미터: 소스 속도, 타겟 속도, 그 차이 및 비율을 포함하는 벡터가 MLP를 통해 처리되어 속도 임베딩($z_{speed}$)을 생성한다.
  3. 조건화 메커니즘: 피-험자 및 속도 임베딩은 결합되어 **특징별 선형 변조(FiLM, Feature-wise Linear Modulation)**를 통해 트랜스포머의 은닉 상태를 조절한다. 이를 통해 모델은 이들을 직접적인 입력 채널으로 추가하지 않고도 특정 피험자와 속도 전이에 따라 내부 표현을 형성할 수 있다.
• 학습 목적 함수: 모델은 분산 보존 확산 목적 함수(variance-preserving diffusion objective)를 사용하여 건강한 성인 데이터를 학습한다. 손실 함수는 다음 네 가지 항을 결합한다:
  1. 가중치 적용된 노이즈 예측 손실 (무릎 관절에 힙/발목보다 두 배 더 높은 가중치 부여).
  2. 잔차 재구성 손실.
  3. 정체성 보존 손실 (동일한 속도에서 잔차가 0에 가깝도록 유도).
  4. 피험자 보존 손실 (생성된 시퀀스가 소스 피험자의 임베딩과 구별되는 고유한 특성을 유지하도록 하는 대조 학습).
• 데이터셋: 모델은 건강한 성인 데이터셋(22명, 0.5–1.85 m/s)으로 학습되었으며, 뇌졸중 특화 미세 조정 없이 홀드아웃(held-out) 건강한 성인 대상 및 분포 외(out-of-distribution) 뇌졸중 데이터셋(19명, 0.3–1.2 m/s)으로 평가되었다.

주요 기여

1. 피험자 조건부 파이프라인: 피험자의 소스 속도 보행과 원하는 타겟 속도를 결합하여 정체성 보존형 생성을 가능하게 하는 새로운 피험자 조건부 확산 모델 아키텍처를 제시하였다.
2. 잔차 생성 정식화: 원시 데이터를 생성하는 대신 궤적의 변화를 합성하는 전략을 통해, 피험자 정체성을 유지하면서 속도 의존적 변화를 모델링하는 능력을 향상시켰다.
3. 정체성 보전의 평가: 모델이 단일 소스 샘플로부터 여러 속도에 걸친 생체 역학적으로 타당한 보행을 합성할 수 있음을 입증하며, 결정론적 베이스라인 모델보다 우수한 성능을 보였다.

결과

• 정확도: 홀드아웃된 건강한 성인 피험자에 대해, 모델은 **3.4°**의 평균 절대 오차(MAE)를 달형성하였으며(Pearson's $r=0.95$), 분포 외 뇌졸중 피험자에 대해서는 미세 조정 없이 **6.0°**의 MAE($r=0.86$)를 달성하였다.
• 개인화: 평균 개인화 순위(순위 1은 생성된 보행이 모든 다른 피험자보다 실제 피험자와 가장 가깝음을 의미)는 건강한 성인의 경우 3.3, 뇌졸중 환자의 경우 2.8로 나타나, 개별 보행 정체성이 강력하게 보존됨을 보여주었다.
• 베이스라인 비교: 제안된 확산 모델은 지도 학습 기반의 피드포워드 베이스라인(MLP 및 TCN) 대비 MAE를 70% 이상 감소시켰다(MLP 12.25°, TCN 11.43°).
• 데이터 효율성: 단 하나의 소스 속도만을 사용했을 때의 정확도가 네 개의 소스 속도를 사용했을 때와 0.4° 이내의 차이를 보였는데, 이는 고정밀 생성을 위해 반드시 여러 속도에 걸친 광범위한 데이터 수집이 필수적이지 않음을 시사한다.
• 임상적 일반화: 모델은 뇌졸중 보행 패턴에도 일반화되었으며, 마비 측과 비마비 측 모두에서 피험자 정체성을 보존함과 동시에 낮은 케이던스 오차(평균 백분율 오차 약 6–7%)를 유지하였다.

의의 및 주장
본 논문은 **피험자 조건부 잔차 확산(subject-conditioned residual diffusion)**이 최소한의 데이터(단 하나의 관찰된 속도)만으로도 개인화된 보행을 합성할 수 있다고 주장한다. 이러한 능력은 다운스트림 외골격 개인화 워크플로우에 내재된 데이터 수집 부담을 크게 줄여준다. 사용자의 특정 데이터를 반복적인 모션 캡처 세션 없이도 생성할 수 있게 함으로써, 본 프레임워크는 효과적이고 개인화된 웨어러블 로봇 중재를 배치하는 데 있어 주요 병목 현상을 해결한다. 본 연구는 생성 모델이 속도 의존적 보행 변화와 피험자 특유의 정체성을 동시에 포착할 수 있음을 입증하며, 이는 인구 집단 평균 모델에 대한 실질적인 대안으로서 외골격 제어를 위한 유망한 방안을 제시한다.