딥러닝 기반 자세 추정으로 다중 라벨 하이퍼키네틱 운동장애 인식

초록

본 연구는 임상 현장에서 촬영된 스마트폰 영상에 YOLOv8 기반 2D 자세 추정기를 적용하고, 통계·시간·스펙트럼·복잡도 특징을 추출해 8가지 하이퍼키네틱 운동장애(디스토니아, 떨림, 무전증, 무도병, 틱, 아테토시스, 볼리무스, 고정관념)를 동시에 자동 판별하는 다중 라벨 머신러닝 프레임워크를 제시한다. 10초 윈도우 단위 검출에서 F1 점수 0.81~0.96을 기록했으며, 환자 수준에서는 매크로 AUC 0.83, Hamming 정확도 0.76을 달성했다. 특징 중요도 분석은 변위 기반 지표가 주된 판단 근거임을 보여준다.

상세 분석

이 논문은 기존의 하이퍼키네틱 운동장애(HMD) 평가가 주관적이고 단일 증상에 국한된 점을 극복하고자, 비침습적 영상 데이터를 활용한 객관적 진단 도구를 개발하였다. 핵심 기술은 최신 객체 검출 모델인 YOLOv8을 이용한 2차원 자세 추정이며, 이는 17개의 관절 키포인트를 실시간으로 추출한다. 추출된 좌표 시계열은 10초 길이의 윈도우로 분할돼, 각 윈도우마다 평균·분산·속도·가속도와 같은 1차 통계량, 자기상관·엔트로피·프랙탈 차원 등 복잡도 지표, 그리고 파워 스펙트럼 기반 주파수 특성을 포함한 200여 개의 다차원 특징으로 변환된다. 이러한 풍부한 피처셋은 라벨 별로 별도 로지스틱 회귀와 랜덤 포레스트, XGBoost 등 여러 지도 학습 모델에 입력돼 다중 라벨 분류를 수행한다.

데이터는 21명의 환자(연령 17‑75세)와 4명의 건강 대조군으로 구성되었으며, 각 피험자는 휴식, 자세 유지, 목표 도달 등 다양한 과제 수행 중 10초 윈도우가 전문가에 의해 라벨링되었다. 라벨링은 두 명의 임상의가 독립적으로 평가하고, 불일치는 회의를 통해 합의된 ‘콘센서스’ 라벨을 최종 진실값으로 삼았다. 윈도우 수준 검출에서는 각 증상별 F1 점수가 0.81~0.96으로, 특히 디스토니아와 무도병에서 높은 성능을 보였다. 환자 수준에서는 윈도우 확률을 90번째 백분위수(p90)로 집계하고, 라벨 별 최적 임계값을 적용해 다중 라벨 프로파일을 생성했다. 결과적으로 매크로 AUC 0.830 ± 0.029, 매크로 AU PRC 0.821 ± 0.019, 전체 Hamming 정확도 0.764 ± 0.041을 달성했으며, 200개의 라벨 결정 중 86 %가 정확히 예측되었다.

특징 중요도 분석은 변위(위치 변화) 기반 피처가 가장 큰 기여를 함을 확인했으며, 리듬성(주파수)과 복잡도(프랙탈, 엔트로피) 피처가 특정 부위(예: 손·팔)에서 보완적으로 작용한다는 점을 제시한다. 이는 임상적으로 “움직임의 크기와 불규칙성”이 디스토니아·무도병·틱 등 각 증상의 핵심 구분 요소임을 뒷받침한다.

한계점으로는 데이터 규모가 비교적 작고, 영상 촬영 환경(조명·배경·카메라 각도) 통제가 완전하지 않아 일반화 가능성에 대한 추가 검증이 필요하다. 또한, 라벨링 과정에서 ‘불확실(2)’을 제외함으로써 실제 임상 현장의 애매함을 완전히 반영하지 못했다는 점도 언급된다. 향후 연구에서는 다기관·다문화 데이터셋 확대, 실시간 피드백 시스템 구축, 그리고 비디오 외에 웨어러블 센서와의 멀티모달 융합을 통해 정확도와 적용 범위를 넓히는 것이 기대된다.