자연 환경에서 보행 적응 의도 탐지

본 논문은 보행 재활 분야에서 환자의 의도적 보행 적응을 실시간으로 감지하고, 이를 로봇 보조 시스템에 반영하기 위한 새로운 방법론을 제시한다. 기존 연구들은 주로 트레드밀, 압력 센서, 혹은 다중 카메라와 같은 전용 장비에 의존해 실험실 환경에서만 검증되었으며, 실제 일상 생활에서의 적용 가능성은 제한적이었다. 저자들은 이러한 한계를 극복하고자, 단일 RGB 카메라와 무선 EEG 시스템만을 이용해 자연스러운 실내 환경에서 보행 적응 의도를 탐지하는 프레임워크를 구축하였다. **실험 설계** 6명의 건강한 성인(평균 연령 27.5 ± 7.6세)을 대상으로, 60개의 적응 이벤트(느린, 보통, 빠른 속도 각각 20회)를 무작위 순서로 제시하였다. 피험자는 1.75 Hz(보통) 리듬 톤에 맞춰 보행했으며, 느린 속도는 절반, 빠른 속도는 1.5배로 조절되었다. 각 속도 구간은 약 24 ± 6보행(좌·우 발)으로 구성되었으며, 전체 실험 시간은 약 16분이었다. 영상은 60 fps로 촬영했으며, EEG는 32채널, 250 Hz로 무선 수집하였다. 영상 프레임과 EEG 데이터는 TCP/IP를 통해 동기화되었고, 각 프레임마다 이벤트 신호가 전송되어 정확한 타임스탬프를 확보하였다. **영상 기반 보행 이벤트 추출** OpenPose를 이용해 실시간으로 2D 관절 좌표를 추출하고, 양쪽 발목의 Y축 거리 변화를 분석해 heel‑strike 시점을 검출하였다. 영상 신호는 Singular Spectrum Analysis(SSA)로 노이즈를 제거하고, 피크 검출을 통해 좌·우 발 착지를 정확히 구분하였다. 동시에, EEG 시스템에 내장된 3축 가속도계 데이터를 PCA로 차원 축소해 보행 신호를 추출하고, SSA와 피크 검출을 적용해 보조적인 heel‑strike 정보를 얻었다. 이중 영상과 가속도 기반 이벤트를 결합해 최종 보행 타임라인을 구성하였다. **EEG 전처리** EEG 신호는 3–45 Hz 대역 FIR 필터링 후, Infomax ICA를 적용해 움직임에 기인한 독립 성분을 수동으로 식별·제거하였다. ICA 기반 아티팩트 제거는 보행 중 발생하는 근전도·관절 움직임 잡음을 최소화하여, 뇌파의 순수성을 확보한다. 전처리된 EEG는 각 heel‑strike 시점을 기준으로 epoch을 나누어 분석에 사용하였다. **특징 추출 및 분류** 1) **RCSP(Regularised Common Spatial Patterns)**: 전통적인 CSP는 공분산 행렬을 직접 사용해 두 클래스 간 분산을 최대화하지만, 샘플 수가 적을 경우 과적합 위험이 있다. 저자들은 Ledoit‑Wolf shrinkage 기법을 도입해 공분산 행렬을 아이덴티티 행렬과 선형 결합(ρ 파라미터 자동 추정)함으로써 정규화된 CSP(RCSP)를 구현하였다. 이는 특히 32채널 대비 epoch 수가 적은 상황에서 안정적인 공간 필터를 제공한다. 2) **주파수 특징 통합**: 힐버트 변환을 통해 각 채널의 순간 위상과 순간 주파수를 계산하고, 동일한 RCSP 프레임워크에 적용해 주파수 기반 공간 필터를 도출하였다. 진폭(Amplitude)과 주파수(Frequency) 특징을 결합한 복합 특징 벡터는 단일 진폭 특징보다 분류 성능이 현저히 향상됨을 실험적으로 확인하였다. 3) **다중 클래스 확장**: 기본 CSP는 2‑class 문제에 최적화되어 있으나, 본 연구는 “속도 상승 적응”, “속도 하강 적응”, “비적응”의 3‑class 문제를 다루었다. 이를 위해 각 클래스 쌍마다 별도의 RCSP 필터 세트를 학습하고, 최종적으로 RBF 커널 SVM에 입력하였다. **분류 실험 및 결과** - **좌·우 보행 사이클 구분**: RCSP 기반 특징을 사용했을 때, 90 samples(≈0.36 s) 윈도우에서 평균 정확도 94 % 이상을 달성하였다. - **적응 vs 비적응**: 적응 단계는 리듬 톤 변화 후 최초 3보행, 비적응 단계는 각 트라이얼 중간부에서 3보행을 추출하였다. RCSP+주파수 복합 특징을 적용한 2‑class 분류에서 테스트 정확도 90 % 이상, 10‑fold 교차 검증 일반화 손실 0.06을 기록하였다. 이는 기존 CSP만 사용했을 때보다 약 5 % 높은 성능이다. - **속도 상승·하강 3‑class**: 복합 특징을 이용한 3‑class 분류에서도 평균 정확도 78 %를 넘었으며, 특히 속도 상승과 하강을 구분하는 데 주파수 특징이 큰 기여를 함을 확인하였다. **논의** 본 연구는 최소한의 장비(단일 RGB 카메라와 무선 EEG)만으로도 보행 적응 의도를 높은 정확도로 탐지할 수 있음을 입증한다. 정규화된 CSP와 힐버트 기반 주파수 특징의 결합은 잡음에 강인하면서도 뇌파의 미세한 변화를 포착한다. 또한, 영상 기반 heel‑strike 검출과 가속도 기반 보조 신호를 융합함으로써, 전통적인 압력 센서 없이도 정확한 보행 이벤트 타이밍을 확보하였다. **한계 및 향후 연구** - **피험자 규모와 대상**: 현재는 건강한 성인 6명만을 대상으로 하였으며, 파킨슨·뇌졸중 환자와 같은 보행 장애군에 대한 검증이 필요하다. - **환경 제약**: 카메라는 수직으로 고정된 위치에 배치되었으며, 조명 변화나 복잡한 배경에 대한 견고성이 아직 검증되지 않았다. 실외 및 다중 카메라 기반 3D 포즈 추정으로 확장할 여지가 있다. - **실시간 피드백**: 현재는 오프라인 분석 중심이므로, 실시간으로 로봇 보조 장치에 의도 신호를 전달하고 피드백 루프를 형성하는 시스템 통합 연구가 필요하다. 결론적으로, 이 논문은 저비용·비침습적인 센서 구성으로 보행 적응 의도를 고정밀로 탐지할 수 있는 실용적인 BCI 파이프라인을 제시했으며, 향후 재활 로봇 및 보조 외골격 시스템에 직접 적용될 가능성을 열어준다.