Validation, characterization, and utility of markerless motion capture in a large cohort of pediatric patients with complex gait patterns

본 연구는 202 명의 소아 환자 코호트를 대상으로 한 무마커 모션 캡처의 유효성 검증을 통해, 이 기술이 관상면 및 횡단면의 정밀한 분석에는 한계가 있으나 관상면 편차 분석에는 임상적으로 유용함을 확인했습니다.

핵심

🎬 1. 연구의 배경: "마커"가 없는 무대

과거에 의사가 아이들의 걸음걸이를 분석할 때는, 아이의 몸 (무릎, 엉덩이, 발목 등) 에 **반사 스티커 (마커)**를 수십 개 붙여야 했습니다. 이를 '마커 기반 시스템'이라고 합니다.

• 비유: 마치 아이를 반짝이는 반짝이 옷을 입힌 뒤, 카메라로 찍는 것과 같습니다. 정확하지만, 붙이고 떼는 시간이 오래 걸리고 아이들에게는 불편할 수 있습니다.

최근에는 **카메라와 AI(인공지능)**만으로도 사람의 움직임을 알아내는 **'마커 없는 시스템'**이 등장했습니다.

• 비유: 이제 아이에게 스티커를 붙일 필요 없이, 카메라가 아이의 몸짓을 보고 "아, 저기 무릎이 구부러졌구나!"라고 알아내는 것입니다. 빠르고 편하지만, 정말 정확한지 의심이 들었습니다.

🔍 2. 연구 내용: 두 시스템의 대결

연구진은 202 명의 소아 환자 (뇌성마비 등 다양한 질환을 가진 아이들) 를 대상으로, 동시에 두 가지 시스템을 가동했습니다.

1. 전통적인 방식: 반사 스티커를 붙인 정밀 카메라 (골드 스탠다드).
2. 새로운 방식: 스티커 없이 AI 가 분석하는 카메라.

그리고 두 시스템이 분석한 데이터가 얼마나 일치하는지, 특히 어떤 부분에서 차이가 나는지 꼼꼼히 비교했습니다.

📊 3. 주요 발견: "앞뒤는 잘하지만, 옆과 회전은 약하다"

연구 결과는 마치 새로운 카메라가 "앞뒤 운동"은 잘하지만 "옆으로 흔들림"과 "회전"은 조금 어설프다는 것을 보여줍니다.

✅ 잘하는 부분: 앞뒤 움직임 (Sagittal Plane)

• 상황: 아이가 걸을 때 무릎을 굽히고 펴는 동작, 발을 들어 올리는 동작 등 앞뒤로 움직이는 것입니다.
• 결과: 두 시스템의 결과가 매우 비슷했습니다. 오차가 거의 없었습니다.
• 비유: 새로운 AI 카메라는 "앞으로 걷고 뒤로 걷는 것"을 아주 잘 봅니다. 의사가 수술을 결정할 때 가장 중요한 앞뒤 걷기 패턴을 분석하는 데는 충분히 쓸 수 있습니다.

❌ 약한 부분: 옆 움직임과 회전 (Frontal & Transverse Planes)

• 상황: 무릎이 안으로 모이거나 바깥으로 벌어지는 것, 혹은 엉덩이와 다리가 비틀어지는 (회전하는) 동작입니다.
• 결과: 새로운 시스템은 이 회전 움직임을 실제보다 훨씬 작게 측정하거나, 아예 못 잡아내는 경우가 많았습니다.
• 비유:
  • 실제 상황: 아이가 엉덩이를 크게 비틀며 걷고 있는데,
  • AI 카메라: "아, 그냥 약간 비틀었네?"라고 과소평가했습니다.
  • 특히: 몸무게가 많이 나가는 아이 (비만) 나, 보행기 (지팡이) 를 사용하는 아이일수록 오차가 더 커졌습니다. 마치 AI 가 무거운 짐을 멘 아이의 복잡한 움직임을 따라가기 힘들어하는 것과 같습니다.

🧩 4. 재미있는 발견: "회전"을 못 보는 이유

연구진은 AI 가 회전 운동을 못 잡아내는 이유를 분석했습니다.

• 비유: AI 가 훈련받은 데이터가 주로 "정상적인 아이들"이거나 "회전하지 않는 상황"이었다면, 비틀어지는 이상한 걸음걸이를 처음 보면 "아, 그냥 그냥 걷는 거겠지?"라고 착각할 수 있습니다.
• 실제로 회전 각도가 큰 아이들을 분석했을 때, 기존 시스템은 "와, 엄청나게 비틀고 있네!"라고 정확히 잡아냈지만, 새로운 AI 는 "별로 비틀지 않았네"라고 오판했습니다.

💡 5. 결론: 언제 쓸 수 있을까?

이 연구는 **"새로운 기술이 완전히 완벽하지는 않지만, 유용하게 쓸 수 있는 곳이 있다"**고 결론 내립니다.

• 🟢 쓸모 있는 곳: 아이의 앞뒤 걷기 패턴을 분석할 때. (예: 무릎이 너무 구부러져 있나? 발이 땅에 잘 닿나?)
  • 이 경우 스티커를 붙이는 번거로움을 덜고, 아이에게 더 편안하게 분석할 수 있습니다.
• 🔴 조심해야 할 곳: 엉덩이나 다리의 회전, 옆으로의 움직임을 정밀하게 분석할 때.
  • 이 부분은 아직 기존 방식 (스티커) 이 더 정확합니다. 수술을 결정할 때 회전 각도가 핵심이라면 아직은 신중해야 합니다.

🚀 요약

이 논문은 **"AI 카메라가 아이들의 걸음걸이를 분석하는 데 큰 혁신을 가져왔지만, 아직 '회전'하는 동작을 볼 때는 안경을 좀 더 잘 맞춰야 한다"**는 메시지를 전달합니다. 앞으로는 AI 가 더 많은 데이터를 학습하여, 비틀어지는 걸음걸이까지 완벽하게 볼 수 있게 될 것이라고 기대합니다.

기술 요약

논문 기술 요약: 소아 복잡한 보행 패턴을 위한 마커리스 모션 캡처의 검증 및 특성 분석

1. 연구 배경 및 문제 제기 (Problem)

• 배경: 마커리스 모션 캡처 시스템은 컴퓨터 비전과 딥러닝을 활용하여 물리적 마커 없이 인체 움직임을 추정합니다. 비용 절감, 빠른 세팅 시간, 환자 편의성 증대, 확장성 등의 장점이 있어 스포츠 및 연구 분야에서 급격히 도입되고 있습니다.
• 문제점: 그러나 임상 현장, 특히 뇌성마비 (CP) 등 복잡한 보행 패턴을 가진 소아 환자군에서 마커리스 시스템의 정확도와 신뢰성이 마커 기반 (Gold Standard) 시스템과 비교하여 충분히 검증되지 않았습니다. 기존 연구들은 주로 성인이나 소규모 소아 코호트에 국한되었으며, 비정상적인 보행 패턴을 가진 환자군에서의 성능은 불확실합니다.
• 목표: 대규모 소아 환자 코호트 (n=202) 를 대상으로 동시 수집된 마커 기반 및 마커리스 데이터를 비교하여, 임상적 의사결정에 활용 가능한지 (특히 sagittal plane 기준) 를 검증하는 것입니다.

2. 연구 방법론 (Methodology)

• 대상 환자: 다양한 진단 (뇌성마비, 선천성 발내반 등 포함) 을 가진 202 명의 소아 환자 (평균 연령 12.1 ± 3.9 세).
• 데이터 수집:
  • 동시 측정: 환자가 맨발로 보조기구 (필요 시) 를 착용하고 걷는 동안, 12 대의 적외선 카메라 (Vicon, 마커 기반) 와 8 대의 FLIR 카메라 (마커리스용) 를 동시에 사용하여 데이터를 수집했습니다.
  • 프로토콜: 정적 자세 측정 및 동적 보행 측정 (최소 3 회 시행) 을 수행했습니다.
• 데이터 처리:
  • 마커 기반: Shriners Children's Gait Model (SCGM) 을 사용하여 관절 각도를 계산했습니다.
  • 마커리스: Theia3D (Apollo v2024) 소프트웨어를 사용하여 2D 비디오를 3D 모션으로 변환하고, 마커 기반과 동일한 Cardan 순서를 적용하여 관절 각도를 산출했습니다.
• 분석 지표:
  • 통계적 파라메트릭 매핑 (SPM): 보행 주기 전체에 걸친 파형 차이를 통계적으로 검정.
  • 평균 제곱근 오차 (RMSE): 시스템 간 오차 크기 정량화.
  • 효과 크기 (Cohen's d): 임상적 유의성 평가.
  • 보행 패턴 분류: Rodda 와 Graham 의 척도 (Plantarflexor–Knee Extension Index) 를 기반으로 한 알고리즘적 분류 일치도 (Cohen's kappa) 평가.
  • 회귀 분석: BMI, 성별, 보조기구 사용 여부 등이 오차에 미치는 영향 분석.

3. 주요 결과 (Key Results)

• 평면별 정확도 차이:
  • Sagittal Plane (관상면): 마커리스 시스템이 마커 기반 시스템과 높은 일치도를 보였습니다. 무릎과 발목의 RMSE 는 5° 미만, 골반과 고관절은 8° 미만이었습니다.
  • Coronal & Transverse Planes (관상면 및 횡단면): 오차가 상대적으로 컸습니다. 특히 **횡단면 (Transverse plane)**에서 고관절, 무릎, 발목의 회전 각도 RMSE 가 10°를 초과했습니다.
• 시스템적 편향:
  • 마커리스 시스템은 골반 경사 (Pelvic tilt), 고관절 회전, 무릎 회전 등을 **체계적으로 과소평가 (Underestimate)**하는 경향이 있었습니다.
  • 변동성 감소: 마커리스 시스템은 횡단면에서 환자 간 변동성 (Between-subject variance) 을 크게 줄였습니다. 즉, 실제 임상에서 관찰되는 심한 내전/외전 회전 (Internal/External rotation) 을 감지하지 못하거나 중립에 가깝게 추정하는 경향이 있었습니다.
• 영향 요인:
  • BMI: 비만 (Obese) 및 과체중 (Overweight) 환자는 정상 체중 환자에 비해 RMSE 가 각각 38%, 22% 증가했습니다.
  • 보조기구: 보행기 (Walker) 사용 시 오차가 약 21% 증가했습니다.
  • 성별: 남성에서 오차가 약 7% 낮았습니다.
  • 연령: 연령대에 따른 유의미한 차이는 발견되지 않았습니다.
• 보행 패턴 분류 일치도:
  • 전체 보행 패턴 분류의 일치도는 **중간 수준 (κ = 0.60, 전체 일치율 67%)**이었습니다.
  • 'True Equinus'(83%), 'Jump'(77%), 'Crouch'(69%) 와 같은 명확한 편향 패턴에서는 일치도가 높았으나, 'Typical'(정상) 범주나 미세한 편향 (Ankle Crouch, Recurvatum) 을 분류할 때는 일치도가 낮았습니다.
  • 무릎과 발목의 sagittal plane z-score 상관관계는 매우 높았습니다 (R² = 0.913, 0.840).

4. 주요 기여 및 결론 (Contributions & Significance)

• 임상적 타당성 입증: 소아 복잡한 보행 패턴 환자군에서 마커리스 시스템이 Sagittal plane(관상면) 분석에 있어 임상적으로 유용한 도구임을 입증했습니다. 이는 수술 계획 수립이나 초기 스크리닝에 활용될 수 있음을 시사합니다.
• 한계점 명확화: 횡단면 (Transverse plane) 및 관상면 (Coronal plane) 의 회전 각도 추정, 특히 심한 회전 변형을 가진 환자군에서는 마커리스 시스템의 정확도가 부족함을 밝혔습니다. 이는 알고리즘의 학습 데이터 편향이나 3D 재구성 한계 때문으로 추정됩니다.
• 임상적 시사점:
  • 마커리스 시스템은 효율성과 환자 편의성으로 인해 소아 임상 워크플로우에 통합될 수 있으나, 회전 관련 (Rotational) 임상 의사결정 (예: 골반 회전 교정 수술 등) 에는 신중하게 사용해야 합니다.
  • 향후 연구에서는 횡단면 오차를 보정하기 위한 알고리즘 개선, 비정상 보행 패턴을 포함한 대규모 학습 데이터셋 구축, 그리고 다양한 진단군과 중증도에 따른 성능 평가가 필요함을 강조했습니다.

요약: 이 연구는 마커리스 모션 캡처가 소아 환자의 관상면 (Sagittal plane) 보행 분석에는 유효하지만, 회전 (Transverse plane) 및 심한 변형이 있는 경우에는 마커 기반 시스템에 비해 정확도가 떨어지고 변동성을 과소평가한다는 것을 대규모 코호트 연구를 통해 체계적으로 규명했습니다.