건강 데이터 활용 뇌졸중 sEMG 의도 검출 적응 모델

초록

본 논문은 대규모 건강인(able‑bodied) sEMG 데이터로 사전 학습된 ReactEMG 모델을 기반으로, 소수의 뇌졸중 환자 전용 데이터만으로 빠르게 적응시키는 파인‑튜닝 파이프라인을 제안한다. 헤드‑전용 튜닝, LoRA 저‑랭크 어댑터, 전 모델 파인‑튜닝 세 가지 전략을 비교하고, 자세 변화·센서 재배치·세션 내 드리프트 등 현실적인 분포 변이를 포함한 테스트에서 기존 제로‑샷 전이와 뇌졸중 전용 학습보다 일관되게 높은 정확도와 전이 정확도를 달성한다.

상세 분석

ReactEMG Stroke 논문은 두 가지 핵심 문제를 동시에 해결한다. 첫째, 뇌졸중 환자의 근전도(sEMG) 신호는 근육 약화·경련·비동시 수축 등으로 건강인과 크게 달라져, 기존 모델을 그대로 적용하면 성능이 급격히 저하된다. 둘째, 임상 현장에서 환자마다 수집 가능한 라벨 데이터는 극히 제한적이며, 긴 캘리브레이션 과정은 실제 사용을 방해한다. 이를 극복하기 위해 저자들은 대규모 건강인 데이터(650명 이상)로 사전 학습된 Transformer 기반 EMG 인코더인 ReactEMG를 ‘기초 모델’로 채택하고, 각 환자마다 몇 개(1~8쌍)의 시도만으로 모델을 적응시키는 few‑shot 파인‑튜닝 프레임워크를 설계했다.

세 가지 파인‑튜닝 전략은 각각 트레이드오프를 가진다. 헤드‑전용 튜닝은 사전 학습된 백본을 고정하고 분류 헤드만 업데이트하므로 파라미터 수가 적고 과적합 위험이 낮지만, 근본적인 특성 차이를 반영하기 어렵다. LoRA는 모든 선형 레이어에 저‑랭크 업데이트 행렬을 삽입해 파라미터 효율성을 유지하면서도 내부 표현을 어느 정도 조정한다. 전 모델 파인‑튜닝은 가장 높은 표현 자유도를 제공하지만, 데이터가 극히 적을 때는 과적합·망각 현상이 발생할 위험이 있다.

실험에서는 세 명의 만성 뇌졸중 환자를 대상으로 8채널 Myo 팔찌와 MyHand 로봇 손목 orthosis를 사용해 데이터를 수집했다. 각 피험자는 표준 자세에서 4개의 트레이닝 세트와, 자세 변화, 센서 회전, 세션 내 피로·경련에 의한 드리프트, 장치 구동 등 5가지 분포 변이를 포함한 테스트 세트를 수행하였다. 모델 선택은 4‑fold 교차 검증을 통해 최적 학습률·정규화·에폭 수를 결정했으며, 동일한 데이터 예산(1, 4, 8쌍)에서 모든 전략을 동일 조건으로 비교하였다.

결과는 두 가지 핵심 지표인 ‘Raw Accuracy’와 ‘Transition Accuracy’를 통해 제시되었다. 전반적으로 건강인 사전 학습 모델을 기반으로 한 적응은 제로‑샷 전이(전혀 적응 안 함)와 뇌졸중 전용 스크래치 학습보다 월등히 높은 성능을 보였다. 특히 전 모델 파인‑튜닝이 가장 높은 전이 정확도(0.61)와 원시 정확도(0.78)를 기록했으며, 헤드‑전용 튜닝과 LoRA도 각각 0.55·0.73, 0.58·0.75 수준으로 의미 있는 개선을 보여준다. 데이터 효율성 실험에서는 4쌍(≈8시도)만으로도 스크래치 학습 대비 10~15% 포인트의 정확도 향상을 달성했으며, 1쌍(극소량)에서도 최소 5% 이상의 이득을 확인했다.

수렴 분석에서는 파인‑튜닝이 진행될수록 초기 몇 에폭 내에 급격히 성능이 상승하고, 이후 30~40에폭 이후에 수렴하거나 소폭 감소하는 현상이 관찰되었다. 이는 적은 데이터에서도 충분히 빠른 적응이 가능함을 의미한다. 또한, 건강인 데이터에 대한 사전 학습이 EMG의 기본적인 시공간 패턴을 효과적으로 캡처하고 있어, 뇌졸중 환자의 변형된 신호에도 견고한 초기 표현을 제공한다는 점이 핵심적인 인사이트다.

이 논문은 ‘기초 모델 + 파인‑튜닝’이라는 접근이 의료용 바이오시그널 분야에서도 유효함을 실증했으며, 특히 재활 로봇 제어와 같이 실시간, 저지연, 적은 라벨 데이터가 요구되는 상황에 적합한 솔루션을 제시한다. 향후 연구에서는 더 다양한 동작 클래스, 다중 센서 융합, 그리고 메타‑러닝 기반 적응 전략을 결합해 개인 맞춤형 재활 인터페이스를 확장할 여지가 있다.