실시간 병리 보행 예측을 위한 IMU 기반 Few‑Shot 및 생성 학습 프레임워크

초록

GaitMotion은 착용형 IMU 센서를 이용해 수집한 다중 과제 데이터셋에 Few‑Shot 학습과 생성형 데이터 증강을 결합한 실시간 병리 보행 분석 시스템이다. ZUPT 대비 보행 길이 추정 정확도가 65 % 향상되었으며, 합성 데이터를 활용해 희귀·비정형 보행 패턴을 보완한다. 전이 학습을 통해 제한된 환자 라벨만으로도 높은 예측 성능을 유지한다.

상세 분석

본 논문은 기존 착용형 보행 분석이 직면한 세 가지 핵심 문제—라벨이 부족한 데이터베이스, 개인정보 보호로 인한 환자 데이터 수집 제약, 그리고 병리 보행에 취약한 Zero‑Velocity Update(ZUPT) 기법—를 동시에 해결하고자 한다. 이를 위해 제안된 GaitMotion 프레임워크는 크게 네 가지 기술적 축을 갖는다. 첫째, 다중 과제(Multi‑Task) 데이터셋 구축이다. 저자들은 10명의 건강 성인에게 정상 보행, 파킨슨‑유사 보행(Shuffle), 뇌졸중‑유사 보행(비대칭) 세 가지 패턴을 각각 6회씩 수행하게 하여 IMU(가속도·자이로)와 GaitRite 카펫 기반의 정밀 라벨을 동기화하였다. 데이터는 가속도·자이로 시계열, 단계 구분 라벨, 보행 주기·보행 길이·보행 시간 등 7가지 파라미터를 포함한다. 둘째, Few‑Shot 학습 적용이다. 저자는 제한된 라벨 데이터에도 불구하고 모델이 새로운 보행 유형을 빠르게 적응하도록 메타‑러닝 기반의 프로토콜을 설계했으며, 이는 기존 대규모 데이터에 의존하는 딥러닝 대비 라벨 효율성을 크게 향상시킨다. 셋째, 생성형 데이터 증강이다. 공개된 Time‑Series GAN(Temporal GAN)을 사전 학습시켜 비정형 보행(비대칭 스윙, 발 떨어짐, Toe‑off 지연 등)을 모방한 50개의 합성 시퀀스를 생성하고, 이를 원본 데이터와 혼합해 학습에 투입하였다. 합성 데이터는 특히 희귀 병리 패턴의 분포를 보강해 모델의 일반화 능력을 강화한다. 넷째, 모델 아키텍처는 3계층 1‑D ConvNet에 Leaky‑ReLU와 배치 정규화를 결합하고, 최종 Fully‑Connected 레이어 뒤에 Softplus를 사용해 연속적인 보행 길이 값을 회귀한다. 학습률 5e‑5, 배치 64로 NVIDIA RTX 4060에서 30 epoch 이상 훈련하였다. 실험 결과, GaitMotion은 ZUPT 대비 보행 길이 추정 RMSE를 0.159 m에서 0.056 m 수준으로 낮추어 65 % 정확도 향상을 달성했다. 또한, eGait(고령 환자 101명) 데이터에 전이 학습을 적용했을 때 최소 라벨만으로도 유사한 성능을 유지함을 보였다. 윤리적 측면에서는 UBC IRB 승인(H21‑02052) 하에 참가자 동의와 데이터 익명화를 철저히 수행했으며, 센서 착용 안전성도 검증하였다. 한계점으로는 건강인 대상 모방 보행이 실제 환자와 완전 일치하지 않을 가능성, 합성 데이터의 바이아스(생성 모델의 학습 편향) 문제, 그리고 10명이라는 소규모 원본 데이터셋이 모델의 스케일업에 제약을 줄 수 있다는 점을 지적한다. 향후 연구에서는 실제 환자 데이터를 확보한 후 도메인 적응 기법을 도입하고, 보다 복잡한 시계열 생성 모델(VAE‑GAN, Diffusion)으로 합성 데이터 품질을 향상시키는 방향을 제시한다. 전반적으로 GaitMotion은 실시간, 저전력 착용형 디바이스에 적용 가능한 병리 보행 예측 파이프라인을 제시하며, 데이터 효율성과 합성 데이터 활용이라는 두 축을 통해 디지털 헬스케어의 개인 맞춤형 서비스 구현에 기여한다.