병리학적 보행 합성을 위한 조건부 GAN PGcGAN

초록

PGcGAN은 3D 관절 키포인트 시퀀스를 입력으로 받아, 병리 라벨을 원-핫 인코딩하여 조건부 생성·판별 네트워크에 전달함으로써 여섯 종류의 병리 보행을 자유롭게 합성한다. 생성기는 자동인코더 구조와 L2 재구성 손실을, 판별기는 시간‑합성곱과 스펙트럼 정규화를 결합한 adversarial 손실을 사용한다. 실험에서는 PCA·t‑SNE 시각화, kinematic 검증, 그리고 합성 데이터를 활용한 GRU·LSTM·CNN 분류 성능 향상을 통해 합성 보행의 현실성과 데이터 증강 효과를 입증하였다.

상세 분석

본 논문은 제한된 임상 보행 데이터의 부족을 극복하고자, 병리학적 라벨을 명시적으로 조건으로 삽입한 GAN 프레임워크인 PGcGAN을 제안한다. 핵심 아이디어는 생성기와 판별기 모두에 병리 라벨을 결합함으로써, 특정 질환에 해당하는 보행 패턴을 제어 가능한 형태로 생성하는 것이다. 생성기는 Gaussian 노이즈를 인코더를 통해 잠재 벡터 z 로 변환하고, 이를 원‑핫 라벨 y 와 연결한 뒤 디코더에 입력한다. 이때 인코더·디코더는 1‑D Temporal Convolutional Network(TCN) 블록을 사용해 시간적 연속성을 보존하고, ReLU 활성화로 비선형성을 확보한다. 재구성 손실(L2)은 생성된 시퀀스 ˆX 가 원본 X 와 가능한 한 근접하도록 강제해, 관절 간 기하학적 일관성을 유지한다. 판별기는 입력 시퀀스와 동일한 라벨을 결합해