깊이 카메라와 샘플 엔트로피를 활용한 인간 보행 변화 탐지 및 개인 식별 연구

초록

본 논문은 Microsoft Kinect™ 깊이 카메라와 샘플 엔트로피(Sample Entropy) 분석을 결합해, 보행 보조기구 착용 여부에 따른 보행 패턴 변화를 정량화하고, 신체 조건이 유사한 사람들 간의 보행 차이를 구별한다. 10명의 대학생 데이터를 이용해 25관절 좌표를 추출하고, 두 종류의 통계(관절별 파라미터와 원시 좌표에 대한 SE)로 특징을 만들었다. K‑Nearest Neighbor 모델이 2‑클래스(정상·비정상) 분류에서 97.3%, 5‑클래스(보조기구 종류) 분류에서 98.7% 정확도를 달성하였다.

상세 분석

이 연구는 저비용 깊이 센서인 Microsoft Kinect™를 활용해 실시간 3차원 관절 좌표를 획득하고, 이를 보행 분석에 적용한 점이 가장 큰 특징이다. 먼저 25개의 관절 중 6개를 선택해 보행 파라미터(예: 척추 기울기, 골반 회전 등)를 계산하고, 각 파라미터 시계열에 샘플 엔트로피(Sample Entropy, SE)를 적용해 복잡도와 변동성을 정량화하였다. SE는 기존 평균·표준편차 기반 통계보다 비선형 동적 특성을 포착하는 데 유리하므로, 보조기구 착용에 따른 미세한 보행 변화도 감지할 수 있다.

두 번째 접근법은 원시 좌표(X, Y, Z) 15관절에 직접 SE를 계산하는 것으로, 파라미터 변환 과정을 생략해 데이터 전처리 비용을 감소시켰다. 두 방법 모두 실험 결과에서 통계적으로 유의미한 차이를 보였으며, 특히 관절별 SE 값이 보조기구 종류별로 뚜렷한 패턴을 형성함을 확인했다.

머신러닝 단계에서는 10‑fold 교차검증을 통해 K‑Nearest Neighbor(KNN), Support Vector Machine(SVM), Random Forest 등 네 가지 분류기를 비교하였다. KNN이 가장 높은 정확도(2‑클래스 97.3%, 5‑클래스 98.7%)를 기록했는데, 이는 고차원 SE 특징이 거리 기반 분류에 적합함을 시사한다. 또한, 부분적으로 트렁케이트된 데이터(특정 관절만 사용)에서도 높은 성능을 유지해, 실시간 시스템 구현 시 센서 수를 최소화할 수 있는 가능성을 제시한다.

본 논문의 한계로는 실험 대상이 10명에 불과하고, 보행 길이가 10피트(약 3 m)로 짧아 장거리 보행 분석에 대한 일반화가 어려운 점이다. 또한 Kinect™의 측정 오차와 관절 추적 실패가 발생할 수 있기에, 센서 캘리브레이션 및 오류 보정 절차가 추가로 필요하다. 향후 연구에서는 다양한 연령대·질환군을 포함하고, 다중 카메라 혹은 최신 깊이 센서(LiDAR, Azure Kinect)와 결합해 정확도를 향상시키는 것이 바람직하다.