📄 health informatics

Supervised Contrastive Learning-based Digital Biomarker Discovery for Wearable IMU Gait Signals

본 연구는 원시 웨어러블 IMU 신호로부터 강건한 32차원 잠재 표현을 추출하기 위해 소형 합성곱 신경망을 활용하는 지도 학습 기반 대조 학습 프레임워크인 임베딩 거리 보행 바이오마커(Embedding-Distance Gait Biomarker, EDGB)를 소개하며, 이는 건강한 보행, 신경학적 보행, 그리고 정형외과적 보행 패턴을 구별하는 데 있어 높은 정확도를 달est성함과 동시에 강력한 신뢰성과 유의미한 집단 간 차별성을 입증한다.

원저자: Mohtavipour, S. M.

게시일 2026-07-04

📖 3 분 읽기☕ 가벼운 읽기

CC BY 4.0

원저자: Mohtavipour, S. M.

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

당신이 세 가지 유형의 보행자, 즉 건강한 사람, 신경계 질환(파킨슨병 등)이 있는 사람, 그리고 정형외과적 문제(무릎 부상 등)가 있는 사람을 구별하려고 한다고 상상해 보십시오.

전통적으로 의사들은 당신이 걷는 모습을 관찰하며 추측하거나, 스톱워치를 사용하여 걸음 수를 세거나 몸을 돌리는 데 걸리는 시간을 측정했을 것입니다. 문제는 이러한 "스톱워치" 측정 방식이 피아노의 단일 음표처럼 한 번에 한두 가지 요소만을 본다는 점입니다. 이는 전체 곡을 놓칠 수 있습니다. 그들은 우리 몸이 움직이는 방식의 미묘하고 복잡한 양상을 놓치곤 합니다.

이 논문은 EDGB(Embedding-Distance Gait Biomarker, 임베딩 거리 보행 바이오마커)라고 불리는 새로운 "디지털 바이오마커"를 소개합니다. 이것을 스톱워치가 아니라, 당신의 보행 스타일을 위한 고성적 GPS라고 생각하십시오.

작동 원리는 다음과 같습니다.

1. 센서: 몸에 붙인 "귀"

연구진은 머리, 허리, 그리고 양발 등 네 곳에 작은 웨어러블 센서(IMU)를 부착했습니다. 이 센서들은 초정밀 귀처럼 당신의 몸이 어떻게 움직이는지 "듣습니다". 이 센서들은 단순히 당신이 '어디에 있는지'만 듣는 것이 아니라 다음을 듣습니다:

속도: 얼마나 빠르게 움직이는가 (가속도).
회전: 얼마나 회전하는가 (각속도).
변화: 얼마나 빠르게 속도를 높이거나 줄이는지, 혹은 비틀거리는지 (이를 "저크(jerk)" 및 "각가속도"라고 부릅니다).

2. 두뇌: "번역기"

센서에서 나오는 가공되지 않은 데이터는 무질서하고 읽기 어렵습니다. 연구진은 이 데이터를 번역할 수 있는 작고 똑똑한 컴퓨터 프로그램(신경망)을 구축했습니다.

학습: 이 프로그램에 건강한 사람, 신경계 환자, 정형외과 환자의 수천 가지 보행 사례를 보여주었습니다.
교훈: "지도 학습 기반 대조 학습(Supervised Contrastive Learning)"이라는 기술을 사용하여, 프로그램은 매우 구체적인 규칙을 배웠습니다. "건강한 보행자는 방의 한쪽 구석에 모으고, 신경계 보행자는 다른 구석에, 정형외과적 보행자는 또 다른 구석에 모아라."
결과: 프로그램은 복잡한 19초간의 보행 데이터를 그 사람의 본질을 완벽하게 포착하는 아주 작은 32개의 숫자 "지문"(임베딩)으로 압축하는 법을 배웠습니다.

3. 바이오마커: "거리 점수"

프로그램 학습이 완료되면, 시스템은 세 개의 중심점(프로토타입)이 있는 "지도"를 만듭니다. 하나는 평균적인 건강한 보행자, 하나는 평균적인 신경계 보행자, 그리고 하나는 평균적인 정형외과적 보행자를 나타냅니다.

새로운 사람이 걸으면, 시스템은 그 사람의 지문을 생성한 뒤 다음과 같이 묻습니다: "이 사람은 건강한 중심점에서 얼마나 멀리 떨어져 있는가? 신경계 중심점에서는 얼마나 먼가? 정형외과적 중심점에서는 얼마나 먼가?"

EDGB는 단순히 이 거리들로부터 계산된 하나의 숫자입니다.

숫자가 낮으면, 그 사람은 건강한 사람처럼 걷는 것입니다.
숫자가 높으면, 그 사람은 정형외과적 문제를 가진 사람처럼 걷는 것입니다.
숫자가 중간이거나 음수라면, 신경계 질환이 있는 사람처럼 걸을 수 있습니다.

왜 기존 방식보다 더 나은가요?

연구진은 이 새로운 "GPS"를 기존의 "스톱워치" 방식(보폭 시간이나 회전 속도 측정 등)과 비교 테스트했습니다.

스톱워치: 건강한 사람과 아픈 사람을 구분하는 데는 괜찮았지만, 신경계 환자와 정형외과 환자를 구별할 때는 매우 혼란스러워했습니다. 이는 마치 소리의 크기만 듣고 바이올린과 첼로를 구별하려는 것과 같았습니다.
GPS (EDGB): 놀라울 정도로 예리했습니다. 신경계 보행자와 정형외과 보행자를 99.5%의 정확도로 구별해 냈습니다. 이는 오케스트라 전체의 소리를 듣고 어떤 악기가 연주되고 있는지 즉각적으로 알아내는 것과 같았습니다.

"비법"

논문에 따르면 가장 중요한 정보는 발에서 왔으며, 움직임 그 자체보다는 움직임이 얼마나 빠르게 변하는지(저크)를 측정하는 것에서 왔습니다. 이는 무용수를 이해하기 위해 단순히 발이 어디에 착지하는지를 보는 것이 아니라, 발을 얼마나 빠르게 들어 올리고 내리는지를 관찰하는 것과 같습니다.

일관되게 작동하나요?

네. 연구진은 동일한 사람이 걸을 때마다 점수가 변하는지 확인했습니다. 그 결과 점수는 매우 안정적(82%의 일관성)이라는 것을 발견했습니다. 이는 이 숫자가 단순히 그날의 운이나 무작위적인 흔들림을 나타내는 것이 아니라, 그 사람의 실제 보행 스타일을 반영한다는 것을 의미합니다.

요약

이 논문은 새로운 약이나 수술법을 발명한 것이 아닙니다. 대신, 보행을 측정하는 더 똑똑한 방법을 발명했습니다. 단순히 걸음 수를 세는 것이 아니라, 똑똑한 컴퓨터를 이용해 사람의 보행이라는 전체 "곡" (속도, 회전, 급격한 변화 포함)을 듣게 함으로써, 건강한 보행, 신경계 보행, 그리고 정형외과적 보행을 정확하고 객관적으로 구별할 수 있는 하나의 숫자를 만들어낸 것입니다.

기술 요약: 웨어러블 IMU 보행 신호를 위한 지도 대조 학습 기반 디지털 바이오마커 발견

문제 정의
웨어러블 관성 측정 장치(IMU)는 보행 평가를 위한 실용적인 방법을 제공하지만, 수작업으로 추출된 특징(예: 보폭 시간, 케이던스)에 의존하는 전통적인 방식은 병리적 보행 패턴의 다차원적 특성을 온전히 포착하지 못하는 경우가 많다. 딥러닝 모델은 원시 신호로부터 복잡한 패턴을 학습할 수 있지만, 해석력이 제한적인 "블랙박스"로 기능하는 경우가 많으며, 평가 프로토콜이 피험자 단위 분할(subject-wise split) 대신 시행 단위 분할(trial-wise split)을 사용할 경우 정보 누출(information leakage)이 발생할 수 있다. 또한, 기존 방법들은 건강한 그룹, 신경계 질환 그룹, 정형외과적 질환 그룹을 객관적으로 구별하면서도 임상적 관련성을 유지할 수 있는 통합되고 압축된 디지털 바이오마커가 부족한 경우가 많다.

방법론
본 연구는 지도 대조 표현 학습(supervised contrastive representation learning)으로부터 유도된 **임베딩 거리 보행 바이오마커(Embedding-Distance Gait Biomarker, EDGB)**라는 디지털 바이오마커를 제안한다. 방법론은 다음 구성 요소들을 포함한다:

데이터셋: 본 연구는 260명의 참가자(건강한 그룹 73명, 신경계 질환 그룹 143명, 정형외과적 질환 그룹 44명)로부터 수집된 1,356개의 보행 시행(trial)으로 구성된 공개 Voisard 임상 보행 데이터셋을 활용한다. 데이터는 100Hz로 가속도 및 각속도를 기록하는 4개의 동기화된 IMU(머리, 허리, 왼발, 오른발)를 사용하여 수집되었다.
입력 전처리: 네트워크는 시행당 16개의 입력 채널을 수용한다. 여기에는 모든 센서의 가속도 크기( $\|a\|$ ), 각속도( $\|\omega\|$ ), 그리고 이들의 1차 시간 미분값(저크 $\|j\|$ 및 각가속도 $\|\alpha\|$ )이 포함된다. 모든 신호는 1,900개 샘플(약 19초)의 고정된 길이로 리샘플링된다.
딥러닝 아키텍처: 컴팩트한 1D 합성곱 신경망(CNN)이 인코더로 사용된다. 이는 3개의 합성곱 계층(각각 4, 8, 16개 채널 보유)과 배치 정규화(batch normalization), ReLU 활성화 함수, 맥스 풀링(max-pooling)으로 구성된다. 출력은 256차원의 특징 벡터를 생성하기 위해 적응형 평균 및 맥스 풀링을 거친다. 이 벡터는 훈련 중에 사용되지만 추론 시에는 폐기되는 32차원 잠재 임베딩 공간( $e$ )으로 매핑되는 완전 연결 임베딩 네트워크를 통한다. 프로젝션 헤드( $z$ )는 훈련 중에 사용된다.
훈련 목적 함수: 모델은 **지도 대조 학습(Supervised Contrastive Learning, SupCL)**을 사용하여 훈련된다. 표준 분류와 달리, SupCL은 배치 내에서 동일한 임상 범주에 속하는 시행들로부터 양성 쌍(positive pairs)을 구성하고, 서로 다른 범주로부터 음성 쌍(negative pairs)을 구성한다. 손실 함수는 잠재 공간 내에서 동일한 클래스의 임베딩 간 거리는 최소화하고, 서로 다른 클래스 간의 거리는 최대화한다.
바이오마커 구축: 훈련 후, 건강한 그룹, 신경계 그룹, 정형외과적 그룹의 훈련 임베딩에 대한 정규화된 중심점으로서 클래스별 프로토입 벡터( $\mu_H, \mu_N, \mu_O$ )가 계산된다. 새로운 시행의 임베딩 $e$ 에 대해, EDGB는 이 프로토타입들과의 유클리드 거리에 기반한 스칼라 값으로 계산된다: $DBM = d_H + d_N - d_O$ . 이 공식은 분리도를 극대화하도록 설계되었으며, 낮은 값은 신경계 클러스터에 근접함을, 높은 값은 정형외과적 클로스터에 근접함을 나타낸다.
평가 프로토콜: 동일한 참가자의 반복된 시행으로부터 발생하는 데이터 누출을 방지하기 위해 엄격한 피험자 수준 분할(80% 훈련, 20% 테스트)을 사용한다.

주요 기여

새로운 바이오마커 정의: 학습된 클래스 프로토타입에 대한 임베딩의 거리를 통해 유도된 스칼라 디지털 바이오마커인 EDGB를 도입하여, 복잡한 보행 역학에 대한 압축된 표현을 제공한다.
지도 대조 프레임워크: 수동 특징 공학에 의존하지 않고 효과적으로 임상 범주를 클러스터링하는 차별적인 잠재 공간을 학습하기 위해 보행 IMU 데이터에 SupCL을 적용하였다.
고차 역학의 통합: 미분 신호인 저크(jerk)와 각가속도를 입력 채널로 명시적으로 포함함으로써, 움직임 역학을 포착하는 데 있어 이들의 결정적인 역할을 입증하였다.
엄격한 검증: 반복성(ICC) 및 통계적 유의성(ANOVA)에 초점을 맞추어 보지 못한 피험자(unseen subjects)에 대해 평가함으로써, 바이오마커가 시행 간 노이즈가 아닌 피험자 특이적 특성을 반영함을 보장한다.

결과

변별 성능: 홀드아웃 테스트 세트에서 EDGB는 피험자를 세 가지 임상 그룹으로 분류하는 데 있어 84%의 전체 정확도를 달달성했다.
- 건강한 그룹 vs. 신경계 그룹: AUC = 90.59%
- 건강한 그룹 vs. 정형외과적 그룹: AUC = 88.47%
- 신경계 그룹 vs. 정형외과적 그룹: AUC = 99.50% (완벽에 가까운 분리)
- EDGB의 매크로 평균 AUC는 92.85%였으며, 이는 가장 우수한 기존 수작업 특징인 U-turn 시간(매크로-AUC 76.48% 달성)을 크게 상회하는 수치이다.
통계적 유의성: ANOVA 분석 결과, 임상 범주가 EDGB의 분산 중 71%를 설명하는 것으로 나타났다 ( $\eta^2 = 0.7104$ ). 이는 기존의 어떤 보행 측정치보다 현저히 높은 효과 크기이다 (두 번째로 높은 것은 U-turn 시간으로 $\eta^2 = 0.1628$ 이었다).
신뢰도: 바이오마커는 시행 간 높은 반복성을 보여주었으며, 급내 상관계수(ICC(2,1))는 0.82로 나타났다. 이는 분산의 82%가 피험자 간 차이에 기인함을 의미한다.
해석 가능성: 상관관계 분석 결과, 기존의 타이밍 특징(예: 보폭 시간, 케이던스)과는 약한 연관성을 보였으나, 저크 관련 신호 특징(예: 최대 저크, 저크 변동성) 특히 발 부착 센서로부터의 특징과는 중간에서 강한 상관관계를 보였다. 이는 바이오마커가 단순한 시간적 지표를 넘어 역동적인 움직임 특성을 포착하고 있음을 시사한다.
절제 연구(Ablation Studies):
- 센서 중요도: 발 부착 센서(오른발 및 왼발)가 가장 차별적인 정보를 제공하였다.
- 입력 채널: 미분 신호(저크 및 각가속도)를 포함했을 때 매크로-AUC가 89.64%(원시 신호만 사용 시)에서 92.85%로 향상되었다.

의의 및 주장
본 논문은 제안된 EDGB 프레임워크가 다중 센서 IMU 기록을 압축적이고 정보가 풍부하며 객관적인 디지털 바이오마커로 성공적으로 변환한다고 주장한다. 저자들은 학습된 표현이 전통적인 수작업 기술자로는 충분히 나타낼 수 없는 신경계 및 정형외과적 질환에 특이적인 미묘하고 다차원적인 보행 특성을 포착한다고 단언한다. 본 연구는 바이오마커가 특히 서로 다른 병리적 보행 패턴(신경계 vs. 정형외과적)을 구별하는 데 효과적이며, 이는 기존의 측정 방식들이 어려움을 겪는 과업임을 강조한다. 저자들은 피험자 수준의 평가 프로토콜이 엄격히 준수된다면, 지도 대조 학습이 움직임 장애 평가를 위한 임상적으로 유용한 바이오마커를 개발하는 데 효과적인 프레임워크를 제공한다고 결론짓는다. 또한, 질병의 광범위한 범주화에 대한 한계를 인정하며, 향후 연구는 더 세분화된 질병 하위 유형 및 질병 진행의 종단적 모니터링에 집중해야 한다고 제언한다.