하체 외골격 보행 모드 전이: 시스템·사용자 맞춤 변동성 극복

초록

본 연구는 하체 외골격에서 보행·앉기·계단 오르내리기 전이를 정확히 감지하기 위해, 사용자와 기계 특성에 따른 변동성을 반영한 두 가지 개인화 기법(통계 기반 조정 및 베이지안 최적화)을 제안한다. 실험 결과, 비개인화 임계값 대비 최대 80% 향상된 전이 탐지 정확도를 달성하였다.

상세 분석

논문은 먼저 기존의 머신러닝 기반 임계값(TH) 방법을 두 종류의 외골격(eWalk, autonomyo)에 적용해 기본 성능을 평가한다. 이때 전이 탐지 정확도는 전반적으로 양호했지만, 특히 자유도가 더 많은 autonomyo에서는 사용자의 착석 패턴이 늦어지고, 달리기와 유사한 계단 오르기 등 비정형 보행에서 오탐지·미탐지가 빈번히 발생한다는 한계를 지적한다. 이러한 현상은 사용자별 보행 습관, 근육 활성도 차이, 그리고 각 외골격의 기구학적 제약(활동 자유도, 무게, 관절 정렬 오차)에서 기인한다는 점을 실험 데이터와 문헌을 통해 설득력 있게 제시한다.

두 가지 개인화 접근법은 기존 TH 임계값을 고정하는 대신, 실시간 혹은 사전 수집된 사용자·시스템 데이터를 이용해 임계값을 동적으로 조정한다.

1. **통계 기반 조정(SBA)**은 새로운 사용자의 ICF(Instantaneous Characteristic Feature) 평균·표준편차와 훈련 데이터의 통계치를 비율로 스케일링하여 임계값을 재계산한다. 이 방식은 구현이 간단하고 연산 부하가 적어 임베디드 시스템에 적합하지만, 통계적 차이가 큰 경우 최적화 정도가 제한될 수 있다.
2. **베이지안 최적화(BO)**는 임계값을 연속적인 실험 변수로 보고, 가우시안 프로세스(GP) 기반의 서러게이트 함수를 통해 최소 실험 횟수로 최적 임계값을 탐색한다. 논문은 탐색 공간을 각 전이 쌍별로 정의하고, 탐색 초기에 탐색(k=0.5)과 활용(k=0.5)을 균형 있게 조정한 뒤, 수렴 조건이 만족될 때까지 반복한다. BO는 특히 비선형 관계가 존재하거나 목표 함수(J)가 명시적으로 정의되지 않은 상황에서 강력한 성능을 보이며, 실험에서는 평균 탐지 정확도를 12~18% 상승시켰다.

또한, 인간-외골격 관절 정렬 오차를 보정하기 위해 7개의 파라미터를 갖는 회귀 기반 매핑 모델을 제안한다. 이 모델은 관절 각도, 속도, 가속도를 입력으로 하여 문헌 평균값에 맞게 보정된 각도를 출력한다. 실험에서는 RMSE가 2.3° 이하로 감소했으며, 전이 탐지 시 오차 전파를 현저히 억제했다.

전체적인 평가에서는 18명의 피험자(각 외골격 9명씩)와 4가지 보행 모드·전이 조합을 사용해 10% 테스트 셋을 별도로 유지하였다. 비개인화 TH 방법은 평균 정확도 84%였으나, SBA 적용 시 92%, BO 적용 시 95%까지 상승하였다. 특히, autonomyo 사용 시 개인화 효과가 더 크게 나타났으며, 이는 기구학적 제약이 큰 시스템일수록 개인화가 필수적임을 시사한다.

마지막으로, 저자들은 데이터셋을 오픈소스로 공개하고, 실시간 구현을 위한 코드와 파라미터 튜닝 가이드를 제공함으로써 연구 재현성과 산업 적용 가능성을 높였다.