실시간 착용형 센서와 머신러닝을 활용한 하체 관절 동역학 예측

초록

본 연구는 무선 IMU와 압력 센서가 내장된 인솔을 이용해 보행 중 하체 관절 각도, 관절 모멘트, 수직 지면 반력(GRF)을 실시간(1 kHz, 지연 23 ms)으로 추정하는 프레임워크를 제시한다. 관절 각도와 GRF는 랜덤 포레스트(Random Forest) 모델로, 관절 모멘트는 1‑D ResNet‑16 기반 딥러닝 모델로 예측한다. intra‑subject와 inter‑subject 교차 검증에서 각각 평균 NRMSE 5 % 이하(각도)와 4–8 %(GRF·모멘트)를 달성했으며, 실시간 시연에서도 오프라인 평균 곡선과 높은 상관계수(r > 0.9)를 보였다.

상세 분석

이 논문은 기존 광학 기반 모션 캡처와 힘판 시스템이 갖는 고비용·실험실 의존성 문제를 극복하고자, 완전 착용형 센서와 머신러닝을 결합한 실시간 하체 동역학 측정 시스템을 설계하였다. 센서 구성은 양쪽 정강이와 발에 9축 IMU(가속도·자이로·자력계) 2개씩, 각 발에 8개의 FSR 기반 압력 센서(FMG)를 포함한 인솔이다. 데이터는 25 Hz로 수집되었지만, 실시간 처리와 모델 입력을 위해 1 kHz로 선형 보간 후 0.2–10 Hz(가속도·자이로)와 0.2–3 Hz(FSR) 버터워스 필터링을 적용하였다.

각도와 GRF 예측에 랜덤 포레스트를 선택한 이유는 작은 데이터셋에서도 과적합 위험이 낮고, 학습·추론 속도가 빠르며, 변수 중요도 해석이 가능하기 때문이다. 입력 피처는 각 IMU의 9채널 데이터와 보행 주기 비율(GC%) 및 앞발 플래그(lead/lag)이다. GC%를 시간 축 대신 피처로 사용함으로써 보행 속도에 대한 의존성을 최소화하고, 실시간으로 힐 스트라이크를 감지해 GC%를 즉시 제공한다. 랜덤 포레스트는 200개의 트리와 제한 없는 깊이로 설정했으며, intra‑subject 교차 검증(k‑fold)과 LOSOCV 두 가지 검증 방식을 모두 적용해 일반화 성능을 평가했다.

관절 모멘트 추정은 각도와 수직 GRF를 입력으로 하는 1‑D ResNet‑16 모델을 사용한다. ResNet 구조는 1‑D 컨볼루션 레이어와 배치 정규화, ReLU 활성화, 4개의 residual block, 전역 평균 풀링, 완전 연결층으로 구성된다. 입력 윈도우는 10 ms(10 samples)이며, Adam 옵티마이저와 MSE 손실로 500 epoch 학습하고, 조기 종료(patience = 10)로 최적 모델을 선택한다. 모델은 intra‑subject와 inter‑subject 모두에서 NRMSE 4–8 % 수준을 기록했으며, 특히 힙 회전 모멘트는 1.6 % 이하의 오차와 r = 0.99 이상의 상관을 보였다.

실시간 구현은 13세대 Intel i7‑13700 CPU에서 파이썬 기반으로 수행되었으며, 데이터 수집·시간 보정·업샘플링·필터링·예측 파이프라인을 20 s 버퍼에 대해 순차적으로 실행한다. 각 단계의 처리 지연은 GRF 5 ms, 각도 14 ms, 모멘트 23 ms로, 전체 지연 23 ms 이하를 달성해 바이오피드백에 충분히 활용 가능하다. 실시간 결과는 오프라인 평균 곡선과 거의 일치했으며, Pearson r과 결정계수(R²) 모두 0.90 이상을 기록했다.

이 시스템의 주요 강점은 (1) 전적으로 착용형 센서만 사용해 실험실 장비를 대체, (2) 5개의 주요 하체 관절(힙 굴곡·외전·회전, 무릎 굴곡, 발목 굴곡)을 모두 추정, (3) 높은 샘플 레이트와 낮은 지연으로 실시간 피드백이 가능하다는 점이다. 한계점으로는 IMU 데이터가 25 Hz로 제한되어 보행 속도가 빠른 경우 고주파 정보를 손실할 수 있고, 현재는 수직 GRF만 추정해 전후·측면 힘을 다루지 못한다는 점이다. 또한, 실험 대상이 건강한 청년 8명에 국한돼 있어 임상 환자군이나 노인, 장애인에 대한 일반화 검증이 필요하다. 향후 연구에서는 센서 배치를 최적화해 100 Hz 이상의 원시 IMU 데이터를 활용하고, 다축 GRF와 근전도(EMG) 통합을 통해 보다 정밀한 역학 모델링과 실시간 보조 장치 제어에 적용할 수 있을 것이다.