⚡ electrical engineering

Deep Learning-Based Estimation of Ground Reaction Forces in Parkinsonian Gait Using an Optimized Set of IMU Data

본 연구는 파킨슨병 환자의 양측 수직 지면 반력을 정확하게 추정하기 위해 하이브리드 CNN-BiLSTM 모델과 최적화된 4개 센서 IMU 구성을 사용하는 새로운 딥러닝 프레임워크를 도입하며, 이는 웨어러블 보행 분석 및 원격 모니터링을 위한 실용적이고 확장 가능한 솔루션을 제공한다.

원저자: Run Lin, Yingtian Tang, Jiawen Xu, Dongfei Huo, Lefan Wang, Helen Dawes, Dominic J. Farris, Dong Wang, Xijin Hua

게시일 2026-08-04

📖 4 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Run Lin, Yingtian Tang, Jiawen Xu, Dongfei Huo, Lefan Wang, Helen Dawes, Dominic J. Farris, Dong Wang, Xijin Hua

원본 논문은 CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ✨ 이것은 아래 논문에 대한 AI 생성 설명입니다. 저자가 작성하거나 승인한 것이 아닙니다. 기술적 정확성을 위해서는 원본 논문을 참조하세요. 전체 면책 조항 읽기

자동차 엔진이 어떻게 작동하는지 이해하기 위해, 마치 울퉁불퉁한 도로를 달릴 때 나는 소리만 듣고 파악하려는 상황을 상상해 보세요. 이것이 과학자들이 사람의 보행을 연구할 때 하는 일과 본질적으로 같습니다. 수십 년 동안, 우리 발이 지면을 얼마나 강하게 치는지(지면 반력, GRF라고 불림)를 측정하는 '골드 스탠다드'는 고가의 거대한 압력 매트였으며, 이는 오직 첨단 실험실에서만 발견됩니다. 이것은 마치 매우 정확한 과속 단속기가 있지만, 오직 특정 장소에서만 사용할 수 있는 것과 같습니다. 이 때문에 사람들이 자신의 집이나 공원에서, 혹은 버스를 잡기 위해 서둘러 뛰어갈 때 어떻게 걷는지 관찰하는 것은 불가능했습니다.

여기 평범하지만 강력한 IMU(관성 측정 장치)가 있습니다. 이 장치들은 여러분의 스마트폰이나 스마트워치 안에 들어 있는 작고 똑똑한 가속도계라고 생각하면 됩니다. 이들은 언제 어디서든 움직임과 기울기를 측정할 수 있습니다. 과학자들이 던져온 큰 질문은 이것입니다. "이 작은 센서들을 '딥 러닝'이라는 강력한 컴퓨터 두뇌와 결합했을 때, 사람이 낯설거나 불안정한 방식으로 걷더라도 그 발이 지면을 얼마나 세게 치는지 정확히 추측할 수 있을까?" 특히 파킨슨병 환자들에게 이 문제는 매우 까다로운데, 그들의 보행 패턴은 갑작스러운 멈춤, 발을 끄는 동작, 비틀거림 등으로 가득 차 있어 마치 예측 불가능한 재즈 솔로처럼 변화무쌍하기 때문입니다. 만약 우리가 이 암호를 풀 수 있다면, 의사들이 환자의 거실에서 건강 상태를 모니터링하고, 위험한 낙상 사고가 발생하기 전에 문제를 포착할 수 있는 방법을 제공할 수 있습니다.

논문의 핵심 아이디어: 컴퓨터에게 '걷는 느낌'을 가르치기

이 연구는 조사관들이 미세한 동작 센서를 사용하여 파킨슨병 환자의 보행에서 발생하는 보이지 않는 힘을 추측하는 최선의 방법을 찾아내려는 탐정 이야기와 같습니다. 연구진은 두 부분이 협력하여 작동하는 하이브리드 뇌인 특수한 컴퓨터 모델을 구축했습니다. 한 부분인 CNN은 센서로부터 얻은 가공되지 않은 데이터를 살펴 국부적인 단서를 찾는 '패턴 포착기'와 같습니다. 다른 부분인 BiLSTM은 움직임의 순서를 기억하는 '시간 여행 스토리텔러'로, 보행의 전체 이야기를 이해하기 위해 앞뒤 방향 모두를 살핍니다. 그들은 61명의 파킨슨병 환자와 65명의 건강한 노인을 대상으로, 이마부터 발끝까지 온몸에 부착된 13개의 센서 세트를 사용하여 이 모델을 훈련시켰습니다.

그들이 발견한 것: 센서의 '스위트 스팟(최적 지점)'

결과는 놀라울 정도로 좋았습니다. 컴퓨터 모델이 이미 '만나본' 사람들(훈련에 사용된 동일 인물들)을 대상으로 테스트했을 때, 지면의 힘을 믿기 힘들 정도로 정확하게 맞혔으며 98%의 정확도를 보였습니다. 하지만 진짜 시험대는 모델이 한 번도 본 적 없는 '새로운' 사람의 보행을 추측할 수 있는지였습니다. 그럼에도 불구하고 모델은 강력한 성능을 보였는데, 파킨슨병 환자의 경우 약 91%, 건강한 사람의 경우 93%의 정확도를 기록했습니다.

그러나 가장 흥도되는 발견은 단순히 모델이 작동한다는 사실이 아니라, '어떻게' 가장 잘 작동하는가 하는 점이었습니다. 연구진은 훌륭한 답을 얻기 위해 모든 신체 부위에 센서를 부착할 필요는 없다는 것을 깨달았습니다. 실제로 그들은 '최적의' 센서 위치가 건강한 사람과 파킨슨병 환자에게 서로 다르다는 것을 발견했습니다. 건강한 그룹의 경우 발에 부착된 센서가 가장 효과적이었습니다. 하지만 파킨슨병 그룹의 경우, 발의 센서도 훌륭했지만 이마와 허리에 센서를 추가했을 때 큰 차이가 나타났습니다.

마법의 숫자: 2개 대 4개

여기 재미있는 부분이 있습니다. 연구진은 "얼마나 적은 수의 센서를 사용할 수 있을까?"라는 게임을 진행했습니다. 그들은 1개부터 10개까지 가능한 모든 센서 조합을 테스트했습니다.

1개 센서의 함정: 파킨슨병 환자에게 센서를 단 하나만 사용하는 것은 나쁜 아이디어라는 것을 발견했습니다. 정확도가 급격히 떨어졌는데, 이는 마치 영화 전체의 줄거리를 단 하나의 프레임으로 추측하려는 것과 같았습니다.
4개 센서의 챔피언: 가장 높은 정확도를 구현한 최고의 설정은 4개의 센서를 사용하는 것이었습니다. 즉, 왼쪽 발, 오른쪽 정강이, 오른쪽 허벅지, 그리고 이마에 각각 하나씩 배치하는 것입니다. 이 설정은 모델에 0.93이라는 '점수'를 부여했습니다 (1.0이 완벽함).
2개 센서의 영웅: 하지만 여기 멋진 반전이 있습니다. 연구진은 왼쪽 발과 이마에 각각 하나씩, 총 2개의 센서만 사용하는 설정이 4개 센서 설정과 거의 비슷하다는 것을 발견했습니다. 이 설정은 여전히 0nd 0.91의 정확도 점수를 기록했습니다.

이것이 의미하는 바

이 논문은 파킨슨병의 보행을 효과적으로 모니터링하기 위해 전신 센서 슈트를 입을 필요는 없다고 시사합니다. 단 2개의 센서만 사용하는 간단하고 가벼운 설정만으로도 의사에게 환자의 보행에 대한 신뢰할 수 있는 그림을 제공할 수 있습니다. 이는 기술이 환자들이 매일 착용하기에 훨씬 더 편안하고 실용적일 수 있음을 의미하기에 매우 중요한 대목입니다. 또한 이 연구는 동일한 센서 설정이 모두에게 적용된다는 생각에 명시적으로 반론을 제기합니다. 즉, 건강한 사람에게 효과적인 방식이 파킨슨병 환자에게는 다를 수 있으며, 컴퓨터 모델은 해당 질환에 맞춰 조정되어야 한다는 것입니다.

연구진은 실제 센서 데이터와 추가 테스트를 위한 일부 컴퓨터 생성 '가상' 센서를 혼합하여 사용했지만, 결과는 딥 러닝 접근 방식이 단순한 움직임 데이터를 이해와 도움을 위한 강력한 도구로 바꾸는 견고한 방법임을 강력하게 시사합니다. 이는 첨단 의료 모니터링을 스마트한 신발을 신는 것만큼 쉽고 눈에 띄지 않게 만드는 단계로 향하는 길입니다.

기술 요약: 딥러닝 기반 파킨슨병 보행의 지면 반력 추정

문제 정의
파킨슨병(PD)에서 정확한 보행 분석은 진단, 치료 계획 수립 및 모니터링에 매우 중요하지만, 전통적인 방식은 실험실 기반의 힘 판(force plates)에 의존하며 이는 지속적이고 실제적인 환경에서의 사용에는 부적합하다. 관성 측정 장치(IMU)는 휴대 가능한 대안을 제공하지만, 병리적 보행에서의 지면 반력(GRF) 추정은 높은 변동성, 비대칭성 및 파킨슨병 보행의 복잡성으로 인해 여전히 어렵다. 기존의 접근 방식은 물리 기반 모델(예: 역역학, 근골격계 모델링)에 의존하는 경우가 많으나, 이는 파킨슨병 보행의 비주기적이고 비대칭적인 특성을 처리하는 데 어려움을 겪으며, 데이터 기반 방식 또한 주로 건강한 집단만을 대상으로 검증되었다는 한계가 있다. 더욱이, 파킨슨병 환자를 위한 최적의 IMU 개수와 배치 방식은 아직 불분명하며, 현재의 많은 설정은 여러 개의 센서를 요구하여 환자의 순응도를 저하시킨다.

연구 방법론
본 연구는 웨어러블 IMU 데이터를 활용하여 양측 수직 지면 반력(vGRF)을 추정하기 위한 하이브리드 CNN-BiLSTM(Convolutional Neural Network–Bidirectional Long Short-Term Memory) 구조의 딥러닝 프레임워크를 제안한다.

데이터셋: 주요 데이터셋은 다양한 보행 과제(자율 속도, 서두른 속도, Timed Up and Go)를 수행하는 126명의 참가자(파킨슨병 환자 61명, 건강한 대조군 65명)가 13개의 IMU를 착용한 데이터를 포함한다. 외부 독립 데이터셋인 26명의 파킨슨병 환자 데이터를 교차 데이터셋 검증에 사용하였으며, 이때 모션 캡처 데이터로부터 가상 IMU 신호를 생성하였다.
모델 아키텍처: 제안된 CNN-BiLSTM 모델은 3축 가속도 및 각속도 신호를 처리한다. CNN 모듈은 IMU 데이터에서 공간적 특징을 추출하고, BiLSTM 모듈은 양방향으로 시간적 의존성을 포착한다. 출력값은 추정된 좌우 vGRF 시퀀스이다.
실험 설계:
- 평가 프로토콜: 성능은 피험자 내(intra-subject, 피험자 특정 훈련/테스트) 및 피험자 간(inter-subject, 일부 피험자로 훈련 후 미지의 피험자 테스트) 설정 하에서 평가되었다.
- 베이스라인 비교: 제안된 모델은 MLP, TCN, Transformer 및 절제된 변형 모델(CNN 전용, BiLSTM 전용)과 비교되었다.
- 절제 및 구성 연구: 센서 설정을 결정하기 위해, 저성능 단일 센서를 필터링한 후 1개부터 10개까지의 IMU 조합(총 1,023가지 고유 조합)을 체계적으로 평가하였다. 여기에는 센서 개수와 특정 해부학적 배치 위치가 추정 정확도에 미치는 영향에 대한 분석이 포함되었다.

주요 기여

파킨슨병 vGRF를 위한 최초의 딥러닝 적용: 본 연구는 파킨슨병 보행의 양측 vGRF를 추정하기 위해 딥러닝 프레임워크를 조사하고 적용한 첫 번째 연구이며, 이는 건강한 인구 또는 물리 기반 모델에 치중되어 있던 기존 문헌의 공백을 메운다.
최적화된 센서 구성: 본 연구는 최적의 센서 배치가 파킨슨병 환자와 건강한 대조군 사이에서 유의미하게 다름을 확인하였다. 또한 센서 개수에 대한 체계적인 평가를 통해, 4개의 IMU가 가장 높은 정확도를 제공하지만, 최소 2-IMU 구성이 실용적인 절충안이 될 수 있음을 입증하였다.
강력한 피험자 간 일반화 능력: 본 프레임워크는 미지의 피험자 및 외부 데이터셋에 대해 강력한 일반화 능력을 보여주며, 광범적인 피험자별 보정 없이도 실제 현장 배포가 가능함을 검증하였다.

결과

정확도: CNN-BiLSTM 모델은 높은 피험자 내 정확도( $R^2 = 0.98$ )와 강력한 피험자 간 일반화 성능( $R^2 = 0.93$ 건강한 대조군, $R^2 = 0.91$ 파킨슨병 환자)을 달ato했다.
모델 비교: 제안된 하이브리드 CNN-BiLSTM 아키텍처는 모든 베이스라인 모델(MLP, TCN, Transformer) 및 절제된 변형 모델보다 우수한 성능을 보였으며, 이는 이 과업을 위해 공간적 특징 추출과 양방향 시간적 모델링을 결합하는 것의 필요성을 확인시켜 준다.
센서 배치: 단일 IMU 분석 결과, 파킨슨병 환자에게는 왼쪽 발등(Left Dorsum, LD)이 가장 효과적인 단일 센서로 나타난 반면, 건강한 대조군은 양측 발등 센서에서 가장 좋은 성능을 보였다. 특히, 파킨스병 환자는 대조군에 비해 센서 배치와 측면 비대칭성에 더 민감하게 반응하였다.
센서 개수: 추정 정확도는 IMU 개수가 1개에서 4개로 증가함에 따라 향상되었으며, 그 이후에는 정체되었다.
- 최적 구성: 왼쪽 발등(LD), 오른쪽 발목(RA), 오른쪽 정강이(RS), 이마(FH)에 배치된 4개의 IMU가 가장 높은 성능을 달성하였다.
- 최소 구성: 2-IMU 구성(LD 및 FH)은 4-센서 구성과 유사한 정확도( $R^2 = 0.91 \pm 0.09$ )를 달성하여 효율적인 솔루션을 제공하였다.
외부 검증: 12개의 가상 IMU를 사용한 외부 파킨슨병 데이터셋에 대한 교차 데이터셋 검증 결과, 기본 데이터셋과 일치하는 결과( $R^2 = 0.86$ )를 얻었으며, 이는 모델의 일반화 가능성을 뒷받침한다.

의의 및 주장
본 논문은 제안된 접근 방식이 파킨슨병의 vGRF 기반 보행 분석을 위한 실용적이고 확장 가능한 솔루션을 제공한다고 주장한다. 견고한 추정 정확도를 유지하면서 최소한의 2-센서 구성을 식별함으로써, 본 연구는 측정 정밀도와 환자의 순응도 사이의 중요한 균형 문제를 해결하였다. 저자들은 이 프레임워크가 신경계 질환군을 위한 접근 가능한 임상 평가, 원격 모니터링 및 개인 맞춤형 재활 시스템 개발을 지원한다고 주장한다. 본 연구는 건강한 개인에게 효과적인 센서 전략이 병리적 보행에 직접적으로 적용되지 않을 수 있음을 강조하며, 질환 특이적 검증이 필수적임을 밝히고 있다. 궁극적으로, 이 연구는 파킨슨병 특유의 생체 역학적 특성에 맞춘 지능형 웨어러블 보행 분석 시스템 구축을 위한 토대를 마련한다.

기술 요약: 딥러닝 기반 파킨슨병 보행의 지면 반력 추정

유사한 논문