만성통증 보호행동 자동 탐지를 위한 딥러닝 기반 다중활동 연구

초록

만성통증 재활에서 물리치료사는 환자의 보호행동을 관찰해 활동 강도를 조절한다. 본 연구는 착용형 모션 캡처와 근전도 데이터를 이용해 다양한 일상 동작 중 보호행동을 실시간으로 탐지하는 딥러닝 모델을 개발하였다. 전체 피험자를 대상으로 한 교차 검증에서 평균 F1 점수 0.82를 달성했으며, 동작별 모델링 시 0.67~0.83 사이의 성능을 보였다. 전문가 평가와 비교했을 때 ‘우수’ 수준의 일치도를 나타내어 가정 기반 개인 맞춤형 통증 관리 가능성을 시사한다.

상세 분석

본 논문은 기존 연구가 특정 활동에 한정된 보호행동 검출(PBD) 가능성을 제시한 점을 확장하여, 다중 활동 환경에서 연속적인 보호행동 인식을 목표로 한다. 데이터는 건강인과 만성통증 환자 30명을 대상으로 5가지 일상 동작(굽히기, 한쪽 다리 서기, 앉았다 일어서기, 일어서기→앉기, 앞으로 뻗기)에서 수집했으며, 각 동작은 3축 가속도·자이로스코프와 표면 근전도(EMG) 8채널을 포함한다. 라벨링은 3명의 전문가가 프레임 단위로 보호행동 여부를 주관적으로 판단한 ‘전문가 합의 라벨’과 ‘전문가 평균 라벨’ 두 종류를 사용해 라벨링 정밀도를 검증하였다.

모델링 측면에서는 1‑D Convolutional Neural Network(CNN)와 Bidirectional Long Short‑Term Memory(Bi‑LSTM)를 결합한 하이브리드 구조를 채택했다. 입력 시퀀스는 2초 길이(200 Hz 샘플링)로 슬라이딩 윈도우를 적용했으며, 각 윈도우는 정규화 후 다채널 시계열 텐서로 변환된다. CNN 레이어는 채널 간 상관관계를 추출하고, Bi‑LSTM은 시간적 의존성을 포착한다. 최종 출력은 시그모이드 활성화를 거친 이진 확률이며, 손실 함수는 클래스 불균형을 보정하기 위해 가중치가 부여된 Binary Cross‑Entropy이다.

실험 설계는 Leave‑One‑Subject‑Out(LOSO) 교차 검증을 기본으로, (1) 전체 데이터 통합 모델, (2) 동작별 별도 모델, (3) 라벨링 정밀도(전문가 합의 vs 평균) 차이에 따른 성능 변화를 비교했다. 전체 통합 모델은 평균 F1 = 0.82, 정확도 = 0.86을 기록했으며, 동작별 모델은 특히 ‘stand‑to‑sit’(F1 = 0.83)과 ‘one‑leg‑stand’(F1 = 0.81)에서 높은 성능을 보였다. 반면 ‘reach‑forward’는 동작 특성상 보호행동이 미묘하게 나타나 F1 = 0.67에 머물렀다. 라벨링 정밀도 비교에서는 전문가 합의 라벨이 평균 라벨보다 약 3%p 높은 F1를 제공했으며, 이는 라벨링 일관성이 모델 일반화에 미치는 영향을 강조한다.

또한, 모델의 해석 가능성을 위해 Grad‑CAM++ 기반 시각화와 SHAP 값을 활용해 주요 센서 채널과 시간 구간을 식별했다. 결과는 대퇴근 및 척추 주변 EMG가 보호행동 구분에 핵심적이며, 특히 동작 전환 구간(예: 착석 직전)에서 급격한 가속도 변화가 중요한 특징으로 작용함을 보여준다.

한계점으로는 피험자 수가 제한적이며, 실제 가정 환경에서 발생할 수 있는 센서 착용 오류와 잡음에 대한 내성이 충분히 검증되지 않았다는 점을 들었다. 향후 연구에서는 데이터 증강, 도메인 적응 기법, 그리고 실시간 스트리밍 구현을 통해 상용화 가능성을 높일 필요가 있다.