보행 분석 DTW 최적 경로로 성별 분류 및 차이 분석

 

 

보행 분석은 개인의 건강 상태를 파악하는 중요한 지표입니다. 동적 시간 워핑(Dynamic Time Warping, DTW) 알고리즘을 이용하여 보행 패턴의 성별 차이를 분석하고 분류하는 혁신적인 방법을 소개합니다. 본 연구에서는 DTW 최적 경로와 RMSE를 활용 하여 성별 간 보행 패턴 차이를 정확하게 규명하고, 효과적인 성별 분류 모델을 제시합니다. 고관절, 무릎 관절, 발목 관절 데이터를 기반으로 DTW 분석 및 머신러닝 기법을 적용하여 성별 분류의 정확도를 높이는 방법을 알아보세요!

DTW를 활용한 혁신적인 보행 분석

보행 분석은 질병의 조기 진단, 재활 치료, 선수 트레이닝 등 다양한 분야에서 활용되는 중요한 연구 분야입니다. 하지만 개인차와 개인 내 변동성이 크다는 점 때문에 정확한 보행 패턴 분석은 쉽지 않습니다. 기존의 보행 패턴 분석 방법들은 데이터 길이, 진폭, 시간 이동 등의 요소를 정확하게 반영하지 못하는 한계가 있었습니다. 이러한 한계를 극복하기 위해 등장한 것이 바로 동적 시간 워핑(DTW) 알고리즘 입니다! DTW는 서로 다른 길이의 시계열 데이터와 비선형 패턴 유사성을 효과적으로 평가할 수 있어, 보행 분석에 적합한 도구로 주목받고 있습니다. 본 연구는 DTW 최적 경로를 활용 하여 성별 간 보행 패턴의 미묘한 차이까지 정밀하게 분석하고, 나아가 성별 분류의 정확도를 높이는 것을 목표로 합니다.

DTW 최적 경로와 RMSE의 활용

본 연구에서는 DTW 최적 경로뿐만 아니라, 최적 경로와 대각선 간의 수직 거리로 표현되는 RMSE(Root Mean Square Error) 를 활용하여 분석의 정확성을 높였습니다. 기존의 정규화 방식은 단순히 글로벌 비용을 두 시퀀스 길이의 합으로 나누는 방식을 사용했기 때문에, 서로 다른 척도나 관절가동범위(ROM)를 가진 변수들을 비교하기 어려웠습니다. 하지만 RMSE를 활용하면 서로 다른 척도와 ROM을 가진 변수들을 직접 비교할 수 있다는 장점 이 있습니다! 이는 보행 분석의 정확도를 한 단계 끌어올리는 핵심 요소입니다.

연구 설계 및 분석 방법: 3차원 동작 분석과 DTW, 그리고 머신러닝의 시너지

본 연구는 20대 건강한 성인 남녀 각 12명(총 24명)을 대상으로 3차원 동작 분석 실험을 진행했습니다. 참가자들은 6개월간 보행 관련 질환이나 부상 이력이 없는 건강한 개인으로, 자발적인 참여와 동의를 얻어 연구를 진행했습니다. (IRB 승인 번호: KUIRB-2021-0250-02, 고려대학교). 참가자들은 10m 보행 경로를 자연스러운 속도로 걸었고, 120Hz 샘플링 주파수로 10대의 적외선 카메라를 사용하여 3차원 동작 데이터를 수집했습니다. 41개의 반사 마커를 몸에 부착하고, Cortex 및 OrthTrak 소프트웨어를 사용하여 고관절, 슬관절, 족관절의 각도를 정밀하게 계산했습니다.

DTW 프로그램 개발 및 검증

RMSE 계산 및 통계 분석을 위해 R 언어로 DTW 프로그램을 직접 개발했습니다. 개발한 DTW 프로그램의 정확성 검증을 위해, 사인파에서 추출한 데이터를 사용하여 수동 계산 결과 및 Giorgino(2009)의 DTW 패키지 결과와 비교 분석했습니다. 그 결과, 본 연구에서 개발한 DTW 프로그램이 정확하게 작동함을 확인했습니다. 이를 통해 연구 결과의 신뢰성을 확보할 수 있었습니다.

데이터 분석 및 정규화

오른쪽 다리 고관절, 슬관절, 족관절의 굴곡 각도 데이터를 사용하여 남녀 각각에 대해 DTW를 수행하고, 최적 경로의 글로벌 비용과 RMSE를 계산했습니다. 총 132회(남성 66회, 여성 66회)의 DTW를 수행하여 충분한 데이터를 확보했습니다. 정규화 방법으로는 글로벌 비용을 두 시퀀스 길이의 합으로 나누는 방법과 비용 행렬의 대각선 길이로 나누는 방법을 모두 사용하여 결과를 비교 분석했습니다. 두 시퀀스 길이의 합이 같더라도 각 시퀀스의 길이가 다를 경우 비용 행렬의 대각선 길이가 달라질 수 있기 때문입니다. 이러한 섬세한 정규화 과정을 통해 더욱 정확한 분석 결과를 도출했습니다.

연구 결과: 성별에 따른 보행 패턴 차이 규명

고관절과 슬관절에서는 성별 간 통계적으로 유의미한 차이가 발견되었습니다 (p < 0.05). 놀랍게도, 족관절에서는 RMSE를 사용했을 때 유의미한 차이가 나타나지 않았습니다. 이 결과는 고관절과 슬관절의 움직임이 성별 보행 패턴 차이를 구분하는 데 중요한 역할을 한다는 것을 시사합니다. 또한, 족관절의 경우 다른 요인들이 성별 차이를 가릴 수 있음을 암시합니다. 추가 연구를 통해 이러한 가능성을 면밀히 검토할 필요가 있습니다.

머신러닝 기반 성별 분류

성별 분류 성능을 평가하기 위해 AUROC(Area Under the Receiver Operating Characteristic Curve)와 F1 점수 를 사용했습니다. 다양한 머신러닝 모델(신경망, 서포트 벡터 머신, 로지스틱 회귀)을 비교 분석한 결과, 로지스틱 회귀 모델이 글로벌 비용과 RMSE 모두에서 가장 높은 성능을 보였습니다 . 이는 DTW 최적 경로와 RMSE가 효과적인 성별 분류에 활용될 수 있음을 보여주는 중요한 결과입니다.

결론 및 향후 연구 방향

본 연구는 DTW 최적 경로와 RMSE를 활용하여 성별 간 보행 패턴 차이를 분석하고 분류하는 새로운 방법론을 제시했습니다. 특히, RMSE는 서로 다른 척도나 ROM을 가진 변수들을 비교할 수 있게 해주는 강력한 도구임을 확인했습니다. 향후 연구에서는 더욱 다양한 보행 변수(보폭, 보행 속도, 지면 반력 등)와 딥러닝과 같은 고급 머신러닝 기법을 적용하여 성별 분류 성능을 더욱 향상시킬 계획입니다. 또한, 연령, 질병 유무, 신체 활동 수준 등 다양한 요인에 따른 보행 패턴 차이 분석 연구를 수행하여 DTW 기반 보행 분석의 활용 범위를 넓힐 예정입니다. 궁극적으로는 개인 맞춤형 재활 프로그램 개발, 질병 조기 진단 시스템 구축 등 실제 의료 현장에 적용 가능한 기술 개발을 목표로 합니다. 본 연구 결과가 보행 분석 분야의 발전에 기여하고, 더 나아가 인류의 건강 증진에 도움이 되기를 기대합니다.