손목 센서 기반 신체 무게 중심 동역학 추정 하이브리드 AI 프레임워크
Hybrid Physics-AI Framework of Body Center of Mass Dynamics from Wrist-Worn Sensors
arXiv손목 IMU만으로는 전체 신체 움직임 파악이 어렵다는 한계를 극복하기 위해, 본 연구는 하이브리드 AI를 활용해 몸의 무게 중심(COM) 운동을 추정하는 프레임워크를 제시했습니다.
- 제안된 HKM-NN 모델은 기존 방식 대비 성능을 크게 향상시켰으며, 특히 앉았다 일어서기(SS) 동작에서 오차율 3.9%를 달성하며 높은 정확도를 입증했습니다.
- 이 결과는 생체 역학적 지식과 데이터 학습을 결합하는 것이 웨어러블 센싱의 신뢰도를 높이는 핵심임을 보여주며, 일상 건강 모니터링에 중요한 기술적 진전을 의미합니다.
- 모델마다 노이즈 환경에 대한 강건성(Robustness) 특성이 다르므로, 실제 사용 시 측정되는 잡음 유형을 고려하여 최적의 모델을 선택하는 것이 중요합니다.
손목 착용 IMU는 일상생활 건강 모니터링에 널리 사용되지만, 몸의 무게 중심(COM)을 기준으로 하는 전신 역학을 완전히 표현하지 못하는 한계가 있습니다. 이에 본 연구는 손목 IMU 측정값만으로 COM 가속도를 추정하기 위해 단순화된 운동학 모델(KM)을 제안했습니다. 나아가 회색 상자 및 블랙박스 모델링의 장점을 결합한 세 가지 유형의 하이브리드 AI 모델인 HKM-NN 모델(ser-, sim1-, sim2-)도 함께 제시되었습니다.
제안된 모델들은 손목 IMU 측정값과 10명의 건강한 자원자로부터 얻은 실제 COM 측정값을 사용하여 학습 및 테스트되었습니다. 그 결과, KM 모델은 보행 활동에서 6.7%에서 12.5%의 오차율을 기록했으며, 앉았다 일어서기(SS) 동작에서는 5.6%의 오차율을 보였습니다. 반면, HKM-NN 모델들은 이 성능을 크게 향상시켜, 보행 활동에서 5.3%에서 9.3%의 오차를 달성했고, SS 동작에서는 가장 낮은 3.9%의 오차를 기록했습니다.
또한, HKM-NN 모델들은 노이즈 환경에서 차별화된 강건성 특성을 보여주었습니다. sim1-/sim2-는 가우시안 교란(Gaussian perturbations) 하에서 일반적으로 더 높은 강건성을 유지하는 반면, KM 모델은 소금-후추 노이즈(salt-and-pepper noise) 조건에서 비교적 강력한 강건성을 보였습니다. 이러한 결과는 웨어러블 센싱 애플리케이션에 생체역학적 구조와 데이터 기반 학습을 결합하는 것이 중요함을 보여줍니다.