📄 bioengineering

Edge-First Ground Reaction Force Estimation with Consumer Smartwatches

이 논문은 소비자용 스마트워치와 소형 시간 합성곱 신경망을 사용하여 수직 지면 반력을 국부적으로 추정함으로써, 특히 주기적 보행에서 실험실 측정값과 높은 상관관계를 달성하는 엣지 우선 웨어러블 시스템을 제시한다.

원저자: Ghaffarzadeh, P., Chakraborty, D., Aslansefat, K., Dostan, A., Papadopoulos, Y.

게시일 2026-07-21

📖 4 분 읽기☕ 가벼운 읽기

원저자: Ghaffarzadeh, P., Chakraborty, D., Aslansefat, K., Dostan, A., Papadopoulos, Y.

원본 논문은 CC BY 4.0 (https://creativecommons.org/licenses/by/4.0/) 라이선스로 제공됩니다. ⚕️ 이것은 동료 심사를 거치지 않은 프리프린트의 AI 생성 설명입니다. 의학적 조언이 아닙니다. 이 내용을 바탕으로 건강 관련 결정을 내리지 마세요. 전체 면책 조항 읽기

발을 내디딜 때마다 발이 지면을 얼마나 세게 치는지 이해하려고 노력해 보세요. 과학자들은 이를 "지면 반력(Ground Reaction Force, GRF)"이라고 부릅니다. 이것은 당신의 몸과 지구 사이의 비밀스러운 악수와 같아서, 당신이 얼마나 많은 무게를 가하는지, 그리고 직립 자세를 유지하기 위해 근육이 어떻게 작동하고 있는지를 정확히 알려줍니다. 보통 이를 측정하려면 고가의 첨단 실험실을 방문하여 거대한 압력 감지 바닥 타일 위를 걸어야 합니다. 매우 정확하지만, 마치 집에 가져갈 수 없는 박물관 전시물처럼 한곳에 고정되어 있다는 단점이 있습니다.

이제 당신의 스마트워치가 똑같은 일을 할 수 있다면 어떨지 상상해 보세요. 그것이 바로 이 논문이 다루는 핵심 질문입니다. 연구진은 일반적인 소비자용 시계 안에 있는 작은 센서들을 휴대용 힘 측정기로 바꿀 수 있는지 묻고 있습니다. 그들은 이 기술이 실험실을 완전히 대체하려는 것이 아닙니다. 대신, 클라우드로 데이터를 보내거나 슈퍼컴퓨터를 기다릴 필요 없이, 손목이나 허리에서 바로 "충분히 괜찮은" 수치를 얻을 수 있는지 확인하고 싶어 합니다. 이는 복잡한 물리학 문제를 아주 작게 축소하여 당신의 주머니 속에 넣으면서도, 개인의 움직임 데이터를 자신의 휴대전화에 안전하게 보관하는 것에 관한 이야기입니다.

"엣지 우선(Edge-First)" 탐정 팀

논문의 저자들은 "엣지 우선(Edge-First)"이라고 불리는 시스템을 구축했습니다. 이는 멋진 표현으로, 인터넷의 도움을 받지 않고 스마트워치와 휴대전화가 스스로 모든 무거운 작업을 처리하도록 만들었다는 뜻입니다. 이것은 마치 두 대의 애플 워치가 단서를 수집하는 스파이 역할을 하고, 아이폰이 모든 문제를 해결하는 탐정 사무소 역할을 하는 탐정단과 같습니다.

팀의 작동 방식은 다음과 같습니다. 당신은 두 대의 애플 워치 시리즈 6를 착용합니다—하나는 손목에, 다른 하나는 허리에 착용합니다. 당신이 걷거나, 조깅하거나, 달릴 때, 이 시계들은 초당 100장의 사진을 찍는 고속 카메라처럼 작동합니다. 이들은 단순히 사진을 찍는 것이 아니라, 당신의 움직임이 3차원적으로 어떻게 흔들리고 회전하는지를 기록합니다. 그런 다음 이 시계들은 단거리 무선 링크를 통해 아이폰에 이 데이터를 속삭이듯 전달합니다. 아이폰은 두뇌 역할을 하여 데이터를 정리하고, 노이즈를 제거하며, GRFNet-MultiScale이라는 특별한 AI 모델을 실행하여 지면 반력이 어떤 모습일지 추측합니다. 가장 좋은 점은 무엇일까요? 이 모든 과정은 바로 당신의 휴대전화에서 일어납니다. 와이파이도, 클라우드 서버도 없이, 오직 당신과 당신의 기기만 존재할 뿐입니다.

마법의 모델: 멀티 스케일 타임 머신

비결은 바로 AI 모델인 GRFNet-MultiScale입니다. 노래를 이해하려고 노력한다고 상상해 보세요. 당신은 빠른 드럼 소리(발뒤꿈치가 땅에 닿는 순간)와 나머지 단계의 길고 흐르는 듯한 멜로디를 모두 들어야 합니다. 단순한 모델은 드럼 소리만 듣거나 멜로디만 들을 수 있지만, 이 모델은 드럼과 멜로디를 동시에 듣는 '슈퍼 리스너'와 같습니다.

연구진은 이 모델이 다양한 "시간 척도(time scales)"에서 데이터를 살펴보도록 설계했습니다. 이 모델에는 아주 짧은 순간의 충격을 확대해서 보는 특수한 레이어와, 전체적인 걸음의 큰 그림을 보기 위해 줌 아웃하는 레이어가 있습니다. 이러한 관점들을 결 combination 함으로써, 모델은 팔과 허리의 흔들림만으로 힘의 곡선(발이 지면을 밀어내는 힘의 이야기)을 재구성할 수 있습니다.

연구 결과: 손목의 놀라운 활약

연구팀이 10명의 건강한 사람을 대상으로 이 시스템을 테스트했을 때, 결과는 꽤 유망했지만 몇 가지 명확한 한계도 있었습니다.

이중 센서의 힘: 손목과 허리에 모두 시계를 사용했을 때, 시스템은 힘을 예측하는 데 꽤 능숙했습니다. 이 시스템은 실제 실험실 측정값과 0.798의 상관관계(1.0이 완벽한 일치)를 보였으며, 오차 범위는 257 N(뉴턴, 힘의 단위)이었습니다.
손목 단독 사용의 놀라움: 여기서 재미있는 반전이 있습니다. 설령 당신이 허리에 찬 시계를 잊어버리고 손목에만 시계를 차고 있더라도, 시스템은 여전히 작동합니다! 이 시스템은 두 개의 시계를 사용했을 때 정확도의 **82.5%**를 유지했습니다. 이는 당신의 팔 흔들림이 비록 발과는 멀리 떨어져 있음에도 불구하고, 걷기의 "발자국" 정보를 많이 담고 있다는 것을 시사합니다.
활동의 격차: 이 시스템은 걷기, 조깅, 달리기와 같은 리드미컬한 활동에서 챔피언입니다. 그 부분에서 최고의 점수를 받았습니다. 하지만 갑작스럽고 거친 움직임에는 어려움을 겪었습니다. 만약 당신이 "힐 드롭(Heel drop, 발가락 끝으로 뛰어올랐다가 세게 착지하는 동작)"을 한다면, 시스템은 혼란에 빠집니다. 마치 모델이 일정한 드럼 비트는 잘 이해하지만, 음악이 갑자기 멈추고 쾅 하는 소리와 함께 시작될 때 길을 잃는 것과 같습니다.

왜 중요한가: 기계를 신뢰하는 이유

연구진이 수행한 가장 멋진 일 중 하나는 AI에게 "이것을 어떻게 알고 있니?"라고 물어본 것입니다. 보통 AI는 "블랙박스"와 같습니다. 답은 주지만 왜 그런 답을 냈는지는 알 수 없습니다. 저자들은 블랙박스 내부를 들여다보기 위해 "시간적 귀속(Temporal Attribution)"이라는 기술을 사용했습니다. 그들은 모델이 발이 땅에 닿는 초기 단계(발뒤꿈치가 지면에 닿는 시점)의 손목 가속도를 보고 힘을 추측한다는 것을 발견했습니다.

더욱 좋은 점은 이것이 우연이 아니라는 것입니다. 어떤 사람을 테스트하든, 데이터를 어떻게 나누든, AI는 항상 동일한 지점을 지목했습니다: 발이 땅에 닿을 때 손목이 움직이는 지점입니다. 이러한 일관성은 이 시스템을 단순히 무작위로 추측하는 것이 아니라, 항상 동일한 단서를 찾아내는 탐정처럼 훨씬 더 신뢰할 수 있게 만듭니다.

결론

이 논문은 당신의 애플 워치가 수백만 달러짜리 실험실 장비를 완벽하게 대체할 수 있다고 주장하는 것이 아닙니다. 현재의 설정으로는 갑작스럽고 폭발적인 점프를 측정하기에는 아직 준비가 되지 않았다고 명시적으로 밝히고 있습니다. 하지만 걷기, 조깅, 달리기와 같은 일상적인 활동에 대해서는, 우리가 이미 착용하고 있는 기기를 통해 우리 몸에 가해지는 부하를 개인정보가 보호되는 방식으로 추정할 수 있음을 보여줍니다.

이 연구는 "엣지(당신의 휴폰과 시계)"가 클라우드의 도움 없이도 복잡한 생체 역학을 처리할 수 있을 만큼 강력하다는 것을 증명합니다. 이는 우리가 단 한 번의 실험실 방문이 아니라, 이미 착용하고 있는 기기를 통해 수개월, 수년에 걸쳐 신체 건강 트렌드를 추적할 수 있는 미래를 향한 한 걸음입니다. 문은 열려 있지만, 연구진은 신중하게 말합니다. "우리는 일정한 걸음걸이에는 들어설 수 있지만, 뛰기 전에는 먼저 걷는 법부터 배워야 합니다."

기술 요약: 소비자용 스마트워치를 활용한 에지 우선(Edge-First) 지면 반력 추정

문제 정의
지면 반력(GRF)은 움직임 분석, 보행 평가 및 재활 모니터링에 있어 핵심적인 신호이다. 그러나 정확한 GRF 측정은 현재 고정되어 있고 비용이 많이 들며 일상생활에서의 장기적 모니터링에는 부적합한 실험실용 계측 포스 플레이트(force plates)에 국한되어 있다. 기존 연구들이 관성 측정 장치(IMU) 데이터를 통해 GRF를 추정할 수 있음을 입증해 왔으나, 이러한 개념 증명(proof-of-concept)을 실제 배포 가능한 웨어러블 시스템으로 전환하는 데에는 여전히 큰 격차가 존재한다. 구체적으로, 기존 문헌들은 피험자 독립적 일반화, 상세한 에지 시스템 아키텍처(통신, 버퍼링, 로컬 추론), 그리고 재현 가능한 시계열별 설명 가능성(time-resolved explainability)에 대한 엄격한 평가가 부족한 경우가 많다.

방법론
저자들은 소비자용 하드웨어와 로컬 프로세싱을 사용하는 엔드 투 엔드(end-to-end) 방식의 에지 우선 웨어러블 시스템을 제안한다:

하드웨어 아키텍처: 본 시스템은 두 대의 Apple Watch Series 6 기기(하나의 주 손목, 하나의 허리 부착)를 센서 노드로 사용하고, iPhone을 에지 노드로 활용한다. 워치는 12채널 관성 데이터(기기당 3축 가속도 및 3축 각속도)를 100Hz로 스트리밍한다.
데이터 파이프라인: 데이터는 WatchConnectivity를 통해 5초 단위 청크(500개 샘플)로 iPhone에 전송된다. iPhone은 로컬 버퍼링, 패킷 재정렬 및 전처리를 수행한다(IMU는 10Hz, 포스 플레이트는 20Hz로 저역 통과 필터링 적용, z-score 정규화, 198개 샘플의 고정 윈도우로 분할). 결정적으로, 전체 추론 경로는 클라우드 의존 없이 iPhone에서 로컬로 실행되어 개인정보를 보호하고 지연 시간 민감도를 줄인다.
모델 아키텍처 (GRFNet-MultiScale): 핵심 예측 모델은 에지 배포를 위해 설계된 컴팩트한 1D 템포럴 컨볼루션 네트워크(1D temporal convolutional network)이다. 이 모델은 다음과 같은 특징을 갖는다:
- 팽창률(dilation rates) $d \in \{1, 2, 4, 8\}$ 과 커널 크기 3을 가진 4개의 팽창 잔차 블록(dilated residual blocks)을 사용하여 127개 샘플(1.27초)의 유효 수용 영역(receptive field)을 생성한다.
- 적응형 평균 풀링(adaptive average pooling)을 사용하여 윈도우 수준의 구조를 포착하는 글로벌 컨텍스트 브랜치를 포함한다.
- 수직 GRF(vGRF)의 타임스텝별 예측을 위한 경량 디코더를 갖는다.
- 듀얼 센서 모델은 약 1.2M 개의 파라미터를 가지며, 손목 단독 모델은 약 605k 개의 파라미터를 가진다.
설명 가능성: 신뢰성을 확보하기 위해, 본 연구는 두 가지 상호 보완적인 시계열 설명 방법론을 채택한다:
- Temporal SMILE: 짧은 연속 윈도우를 섭동(perturbation)시켜 출력 변화를 측정하는 마스킹 기반 방법이다.
- TimeSHAP 스타일 분석: 샤플리 값(Shapley values)에 기반한 세그먼트 수준의 속성 할당 방법이다.
- 두 방법 모두 검증 폴드(validation folds) 전반에 걸친 안정성을 평가받는다.

주요 기여

에지 우선 파이프라인: 로컬 전처리, 저장 및 추론을 포함한 엔드 투 엔드 시스템을 시연하여, 운영 중 클라우드 연결 없이도 작동함을 보여준다.
컴팩트 멀티 스케일 모델: 모바일 에지 기기의 계산 제약 조건과 예측 정확도 사이의 균형을 맞추는 GRFNet-MultiScale을 도입한다.
엄격한 일반화 평가: 피험자별 튜닝이 아닌 미지의 사용자에 대한 일반화 능력을 테스트하기 위해, 10-겹 Leave-One-Subject-Out (LOSO) 프로토콜 하에서 종합적인 평가를 수행한다.
재현 가능한 시계열 속성 할당: 단일 분할 시각화를 넘어, 시계열 속성 패턴(신호가 언제, 어디서 중요한지 식별)이 서로 다른 검증 분할 간에도 안정적으로 유지됨을 입설명한다.

결과

예측 성능: 10명의 건강한 참가자로부터 얻은 539개의 스탠스(stance) 윈도우에 대한 LOSO 검증 결과, 듀얼 센서 시스템은 평균 피어슨 상관계수( $r$ ) 0.798, 제곱평균제곱근 오차(RMSE) 257 N을 달이트했다.
센서 구성: 손목 단독 구성은 듀얼 센서 상관계수의 **82.5%**를 유지( $r=0.658$ )하여, 표준 스마트워치 전용 설정의 유용성을 입증했다.
활동 의존성: 성능은 활동에 따라 크게 달라졌다. 시스템은 주기적 보행인 조깅( $r=0.867$ )과 러닝( $r=0.829$ )에서 가장 우수한 성능을 보였으며, 그 다음으로 걷기가 뒤를 이었다. 스텝 다운(step-downs)에서는 보통 수준의 성능을, 힐 드롭(heel drops)에서는 낮은 성능( $r=0.301$ )을 보였는데, 이는 저역 통과 필터링된 100Hz 신호로부터 짧고 충격적인 임팩트를 재구성하는 어려움 때문이다.
파생 지표: 시스템은 적분된 지표들에 대해 높은 정확도를 보였다. 충격량(impulse, $r=0.983$ )과 유효 접촉 시간(effective contact duration, $r=0.982$ )은 실제 값(ground truth)과 강하게 상관되었다. 피크 vGRF( $r=0.741$ )와 로딩 레이트(loading rate, $r=0.588$ )는 상대적으로 정확도가 낮았다.
설명 가능성: Temporal SMILE과 TimeSHAP 모두 초기 스탠스 단계의 손목 가속도를 지배적이고 재현 가능한 신호로 일관되게 식별했다. 이러한 속성 할당 패턴은 45개의 모든 쌍별 LOSA 폴드 비교에서 안정적으로 유지되었다(중앙값 Spearman $\rho=0.755$ ).

의의 및 주장
본 논문은 통제된 감지 조건 하에서 소비자용 웨어러블이 수직 GRF의 의미 있는 에지 우선 추정을 지원할 수 있다고 주장하며, 이러한 주장은 측정된 역량과 일치해야 함을 명시한다. 본 시스템은 모든 환경에서 실험실용 포스 플레이트를 대체하기 위한 것이 아니라, 주기적 보행(걷기, 조깅, 러닝) 중 반복적인 장기 부하 모니터링을 위한 도구로 자리매김한다.

저자들은 전체 스택 통합(감지, 통신, 에지 실행 및 재현 가능한 설명 가능성)이 본 연구의 기여임을 강조한다. 또한 현재의 한계를 명확히 정의한다: 시스템은 주기적 과업에 가장 강력하며, 충격적인 힐 드롭 이벤트는 아직 지원하지 못하고, 완전한 배포를 위해서는 포스 플레이트 타이밍에 의존하는 대신 IMU 기반의 스탠스 탐지가 필요하며, 아직 온디바이스 에너지 소비량이나 배터리 수명에 대한 특성 분석은 이루어지지 않았다. 본 연구는 개인정보 보호, 로컬 추론, 그리고 기계적 해석 가능성을 우선시하는 웨어러블 AI의 설계 패턴을 확립한다.

유사한 논문