Interpretable Multiclass Parkinson’s Disease Classification from Single-Camera Video Using Kinematic and Nonlinear Dynamic Features

기술 요약: 단일 카메라 영상을 이용한 해석 가능한 다중 클래스 파킨슨병 분류

문제 정의
파킨슨병(PD)은 보행 장애, 서동(bradykinesia), 경직과 같은 운동 증상을 특징으로 하는 진행성 신경계 질환이다. UPDRS와 같은 임상 척도가 표준 평가법이지만, 이는 주관적이며 미세한 보행 변화를 포착하는 데 민적이지 못한 경우가 많다. 모션 캡처나 지면 반력기(force plates)와 같은 기존의 객관적 방법들은 정확하지만 비용이 많이 들고 일상적인 사용에는 비실용적이다. 비전 기반 접근 방식은 비접촉식 대안을 제공하지만, 현재의 문헌은 세 가지 지속적인 공백에 직면해 있다:

1. 대부분의 연구가 PD 탐지를 이진 분류(PD vs. 건강한 대조군)로 프레임화하여, 임상적으로 중요한 중증도 단계 구분(예: 경증 vs. 중등도 PD 구분)을 간과한다.
2. 비선형 동역학 지표(예: 프랙탈 차원, 엔트로피)가 민감한 바이오마커로 검증되었음에도 불구하고, 이를 해석 가능한 다중 클래스 분류 파이프라인에 통합하는 연구는 아직 미개척 분야로 남아 있다.
3. 공개된 PD 보행 데이터셋은 일반적으로 규모가 작고 불균형하며 다양성이 부족하여, 평가 프로토콜이 데이터 누수(data leakage)를 방지하도록 엄격하게 설계되지 않을 경우 낙관적인 성능 추정치를 낼 위험이 높다.

방법론
저자들은 비디오 기반 포즈 추정으로부터 운동학적 및 비선형 동역학적 특징을 추출하여 보행을 세 가지 범주, 즉 건강함(NM), 경증 PD(PD_ML), 중등도 PD(PD_MD)로 분류하는 단일 카메라 마커리스 프레임워크를 제안한다.

• 데이터 수집 및 전처리: 본 연구는 78개의 사용 가능한 비디오 샘플(NM 57개, PD_ML 10개, PD_MD 11개)을 포함하는 공개 데이터셋(Kour et al., 2020, 2022)을 활용한다. 비디오는 고정된 RGB 카메라를 사용하여 25 fps로 녹화되었다. 포즈 추정에는 MediaPipe Holistic을 사용하여 상·하지 관절에 집중한 33개의 해부학적 랜드마크를 추출하였다.
• 특징 추출:
  • 운동학적 특징(Kinematic Features): 보폭 시간, 스윙 시간, 스탠스 시간, 보폭 길이, 보행 속도를 포함한 6가지 스트라이드 수준 기술자.
  • 비선형 동역학(NLD) 특징: 2D 관절 좌표 시계열로부터 계산된 허스트 지수(H), 렘펠-지브 복잡도(LZC), 결정적 변동 분석(DFA), 박스 카운팅 차원(D) 등 4가지 지표.
  • 이를 통해 초기 46차원 특징 공간(NLD 40개 + 운동학적 특징 6개)이 생성되었다.
• 특징 선택: 작은 샘플 크기에 대응하고 과적합을 방hi하기 위해 저자들은 엄격한 중첩 교차 검증(nested cross-validation) 파이프라인을 채택하였다. 특징 선택은 일시적으로 재코딩된 이진 타겟(NM vs. PD)에 대해 OLS 기준(Mallows' Cp, AIC, BIC, Adjusted R²)을 사용하여 최적의 부분 집합을 식별하였다. 이를 통해 세 가지 고정 특징 세트가 도출되었다:
  • 케이스 1: 7개 특징 (Cp/BIC)
  • 케이스 2: 9개 특징 (AIC)
  • 케이스 3: 19개 특징 (Adjusted R²)
• 모델 학습 및 평가: 세 가지 머신러닝 모델(Random Forest(RF), RBF 커널을 사용한 Support Vector Machine(SVM), 피드포워드 신경망(NN))을 평가하였다.
  • 검증 프로토콜: 반복 층화 5-겹 교차 검증(10회 반복)이 사용되었다. 결정적으로, 데이터 누수를 방지하기 위해 모든 전처리 단계(스케일링, 클래스 균형을 위한 SMOTE)는 오직 훈련 폴드 내에서만 수행되었다.
  • 해석 가능성: 특징 중요도는 순열 중요도(Permutation Importance, RF용) 및 SHAP 값(SVM 및 NN용)을 사용하여 분석되었다.
  • 절제 연구(Ablation Study): 모델은 운동학적 특징 전용, NLD 전용, 그리고 결합된 특징 세트에 대해 테스트되었다.

주요 기여

1. 다중 클래스 중증도 단계 구분: 본 연구는 PD의 단순 이진 탐지를 넘어, 건강함, 경증, 중등도 PD 단계를 구분하는 것이 가능하다는 것을 입증하였다.
2. 비선형 동역학의 통합: 본 연구는 비선형 동역학 기술자, 특히 원위부 관절(손목, 발목, 팔꿈치)에서 유도된 지표들이 선택된 특징의 대다수를 차지하며, PD의 보행 변동성을 나타내는 강력한 후보 바이오마커 역할을 한다는 것을 확인하였다.
3. 엄격한 평가 프레임워크: 저자들은 특징 선택과 리샘플링을 폴드 내로 한정하는 엄격한 중첩 교차 검증 파이프라인을 구현하여, 데이터가 부족한 환경에서도 편향되지 않은 성능 추정을 보장하였다.

결과

• 성능: 홀드아웃 테스트 세트(약 16개 샘플)에서 모든 모델이 높은 정확도를 달s성하였다.
  • 케이스 2 (9개 특징): 세 모델(RF, SVM, NN) 모두 테스트 세트에서 100% 정확도와 모든 클래스에 대한 완벽한 정밀도(precision) 및 재현율(recall)을 달성하였다.
  • 케이스 1 & 3: 모델들은 93.75%의 정확도를 기록하였으며, 오류는 주로 소수 클래스(PD_ML 또는 PD_MD)를 구분하는 과정에서 발생하였다.
  • 교차 검증: RBF 커널을 사용한 SVM이 가장 높은 평균 교차 검증 정확도(0.8366)를 기록하였으며, 신경망(NN)은 더 낮은 분산과 함께 유사한 정확도(0.8338)를 보였다.
• 특징 중요도:
  • 비선형 동역학 특징이 선택된 부분 집합을 지배하였다(사례별로 71%에서 84% 사이).
  • 주요 기여 요소로는 보폭 길이(운동학적 특징)와 허스트 지수(손목), 렘펠-지브 복잡도(발목), DFA(무릎/어깨)와 같은 NLD 지표가 포함되었다.
  • 절제 연구 결과, 작은 특징 세트에서는 운동학적 특징이 정확도를 주도했으나, 결합된 특징 세트가 일관되게 가장 안정적이고 균형 잡힌 성능(가장 높은 Macro-F1 및 AUC)을 제공함을 보여주었다.
• 계산 효율성: SVM은 가장 낮은 훈련 및 추론 시간을 보여 실시간 애플리케이션에 적합함을 입증하였다. 신경망은 현저히 높은 계산 비용이 발생했으나, 오프라인 임상 용도로는 수용 가능한 범위 내에 있었다.

의의 및 주장
본 논문은 신경 운동 건강 관리 분야에서 확장 가능한 AI 보조 보행 평가를 위한 토대를 제공한다고 주장한다. 본 연구의 주요 의의는 특수 하드웨어 없이 표준 단일 카메라 영상을 사용하여 해석 가능한 다중 클래스 분류의 파킨슨병 보행 분석이 가능하다는 것을 보여준 데 있다.

저자들은 결과가 유망하지만, 데이터셋의 작은 규모와 불균형한 특성이 일반화 주장의 강도를 제한한다는 점을 겸허히 언급하였다. 그들은 비선형 지표가 기계론적 신경 과정에 대한 메커니즘적 설명이라기보다 보행 변동성의 경험적 기술자로서 기능한다는 점을 강조하였다. 따라서 본 연구는 이러한 디지털 바이오마커를 검증하고 임상적 유용성을 정교화하기 위해 더 큰 규모의 독립적인 코호트와 인구통계학적 공변량(연령, 키)의 통합이 향후 연구 과제임을 제언한다. 본 프레임워크는 복잡한 보행 역학과 실행 가능한 임상적 통찰 사이의 간극을 메우는, 다른 보행 병리에도 확장 가능한 다목적 플랫폼으로 제시된다.