1. 서 론

보행 분석은 근골격계 또는 신경계 질환의 운동 장애로 인한 균형 상실, 보행 속도, 보폭 등의 보행 특성 변화를 감지하기 위해 임상 정밀검사에서 필수적인 요소로 사용된다^(1,2). 특히, 보행 특성 중 보폭 정보는 파킨슨병의 진행을 평가하는 데 사용되며⁽³⁾, 보폭 감소로 인한 응력 골절 확률 감소⁽⁴⁾ 등을 확인하는 데 사용된다. 또한, 보폭은 개인 건강관리 모니터링 시스템^(5,6), 보행자 추측 방법⁽⁷⁾ 등의 분야에서도 활용되고 있다. 이러한 보폭 정보의 정확한 정보를 도출할 수 있다면, 이동 거리와 평균 보행 속도에 대한 명확한 정보를 기반한 에너지 소모량 도출로 스포츠 훈련 및 일상생활 건강관리 분야의 활용이 가능하다⁽⁶⁾.

보폭을 분석하는 일반적인 방법으로는 상용 압력 매트⁽⁸⁾, 트레드밀⁽⁹⁾, 모션 캡쳐 시스템⁽¹⁰⁾ 등과 같은 상용 장비를 활용하여 보폭을 정의하고 평가하였다. 하지만, 이러한 시스템은 고가이며 제한된 공간 내에서 측정이 이루어지기 때문에 일상생활에서는 측정 및 활용이 어려운 단점이 있다. 이러한 이유로, 최근에는 보폭을 추정하는 방법으로 IMU 센서 기반의 연구^(11-18)와 족저압 데이터를 활용하여 보폭을 추정하는 연구^(19-22)들이 진행되고 있다.

IMU 센서를 이용한 보폭 추정 연구는 일반적으로 사용자의 이동 거리와 이동궤적을 추적하기 위한 Pedestrian Dead Reckoning (PDR) 연구로 활용된다. 반면, 족저압은 시간적, 공간적 특성을 측정하여 보행 과정 중 보폭을 추정할 수 있으며⁽¹⁹⁾, 개인의 건강을 관리하기 위한 정보를 제공하기 위해 보폭 정보를 도출한다. 관련 연구로 Okuno의 연구⁽²⁰⁾에서는 압력 센서를 기반으로 파킨슨병 환자와 건강한 대조군 간의 보폭 특성을 추출하고 두 특성의 차이를 분석하였다. 해당 연구는 파킨슨병 환자와 건강한 대조군의 차이가 보폭에 따라 구별될 수 있음을 보였다. Drerup의 연구⁽²¹⁾는 피험자로부터 족저압 정보를 수집하여 보폭, 보행 속도 및 발바닥 압력 간 관계를 분석하였다. Allet의 연구 ⁽²²⁾에서는 족저압과 보폭 간 상관성을 평가하여 보폭 변화로 인한 족저압의 변화가 유의미한 관계가 있음을 검증하였다. 해당 연구에서 짧은 보폭의 정보는 일반적으로 더 낮은 족저압 값으로 이뤄지고 최대 압력은 발뒤꿈치, 중족부 및 발가락 아래에서 유의한 영향을 미쳤다고 보고하였다⁽²²⁾. 하지만, 족저압 데이터를 기반하여 정확한 보폭을 추정하는 연구는 여전히 부족하여 추가적인 족저압 기반의 보폭 추정 연구가 필요하다.

한편, 보폭을 추정하기 위한 분석 연구로는 최근 인공지능 기술의 점진적인 발달로 인해 딥 러닝 학습 모델을 적용하는 연구들이 진행되었다. 특히, 족저압 데이터는 1차원 시계열 데이터의 특성을 고려한 분석 방법으로 RNN, LSTM⁽¹⁴⁾, 1D-CNN^(19,23), CNN-LSTM⁽²⁴⁾의 학습 모델을 사용하여 보폭을 추정하였다.

본 연구에서는 보행 중에 획득한 족저압 데이터를 기반으로 딥 러닝 학습모델을 이용한 보폭 추정 연구를 수행하고자 한다. 보폭 추정은 1D 시계열 보행 데이터에 대한 대표 모델들에 대한 성능평가를 수행하여 최적의 모델을 선정한다. 이후에, 보행 실험으로부터 도출가능한 족저압 데이터 및 보행지표를 3가지의 데이터셋으로 구성하여 비교 평가연구를 통해 성능을 확인하는 것을 목적으로 한다.

2. 본 론

2.2 보행 데이터 수집

족저압 데이터를 수집하기 위하여 상용 보행 계측 시스템인 F-scan(Tekscan, USA) 인솔 센서를 사용하여 수행하였으며, Sampling rate는 100 Hz로 설정하였다. 기존의 관련 연구⁽²⁵⁾에서 트랙에 0.1 m 간격으로 표기를 하여 보폭을 분석하였다. 본 연구에서는 피험자의 보폭 정보에 대한 해상도를 높이기 위해 0.01 m 간격으로 표기하여 제작한 트랙 위에서 보행 실험을 진행하였다⁽²⁶⁾. 각 피험자는 본인의 발 사이즈에 맞게 제작한 F-scan 인솔 센서가 내장된 스니커즈 신발을 착용한 후 6 m 거리의 보행 구간을 2번 왕복하여 24 m 거리의 보행을 수행하고, 이 과정을 3회 반복 수행하여 총 72 m 거리의 보행 데이터를 획득하였다.

족저압 데이터 측정 시 보행의 시작 지점과 끝 지점에서의 보행 데이터는 가속도와 감속도에 대한 영향으로 보행 변수에 영향을 미치게 된다⁽²⁷⁾. 그러므로 본 연구에서 해당 영향을 최소화하기 위해 보행 시작점과 끝 지점에 0.6 m의 추가 거리를 부여하여 보행 구간 거리 내에서 연속적이고 안정적인 보행 데이터를 수집하였다.

동시에, 보폭의 기준 정보를 추출하기 위한 보행 영상 데이터는 스마트폰의 카메라 센서를 사용하여 측정하였다. 보행 실험 중 거리를 표기해둔 트랙에 방향을 두고 카메라를 고정하였고 좌우로 움직이도록 설정하여 측면에서 피험자의 보행 속도에 맞춰 함께 이동하며 보행 영상 데이터를 수집하였다. 보행 실험 중 획득한 족저압 데이터 및 보행 영상에 대한 데이터 수집은 그림 1과 같이 수행하였다.

그림. 1. 보행 중 족저압 및 영상 데이터 수집

Fig. 1. Data acquisition of plantar pressure and video data during gait

2.3 데이터 전처리 및 보행 주기 지표 추출

보행 실험을 통해 확보한 족저압 데이터로부터 그림 2와 같이 보행 주기 특징점인 Heel Strike(HS), Foot flat(FF), Heel off(HO), Toe off(TO) 지점을 각각 추출하는 전처리 과정을 수행하였다^(28,29).

그림. 2. 보행 주기에 따른 보행 특징 추출

Fig. 2. Gait feature extraction according to gait cycle

이후에, 각 피험자로부터 수집한 6 m 거리의 보행 데이터에 대해 그림 2에서 추출했던 HS와 TO 지점을 활용하여 그림 3과 같이 연속되는 양 발의 1주기 보폭에 대한 족저압 정보를 각각 추출하여 총 961개의 보폭 1주기 별 족저압 데이터를 확보하였다.

보행 1주기에 대한 족저압 raw 데이터를 포함하여 보폭 추정을 위한 학습모델 입력 데이터셋을 구축하기 위해, 추가 지표로 압력중심점(COP)과 보행 주기 지표를 사용하였다.

그림. 3. 보행 데이터의 보폭 1주기 별 족저압 데이터 추출

Fig. 3. Extraction of plantar pressure data for each stride cycle of gait data

보행 주기 지표는 그림 4와 같이 보행 주기에 대한 정보를 기반으로 총 12개(Stride time, Stance time, Swing time, Stance/Swing ratio, 1st step time, 2nd step time, Double support time, Single support time, Heel strike time, Mid stance time, Toe off time)에 해당하는 지표를 도출하였으며. 압력중심점(COPx, COPy) 정보는 F-scan 시스템에서 제공하는 소프트웨어를 통하여 도출하였다.

그림. 4. 보행 주기 지표 추출

Fig. 4. Gait cycle index extraction

모델의 입력값으로 사용하기 위해 위와 같은 1주기의 보행 raw 데이터와 COPx, COPy, 12개의 보행 주기 지표를 가공한 뒤, 효율적인 데이터 분석을 위하여 최소-최대 정규화 방법을 통해 정규화를 진행하였다.

획득한 1주기의 보폭 데이터는 피험자별 그리고 개인의 보폭마다 주기 길이가 다르므로 가장 긴 데이터인 133 샘플 크기를 기준값으로 설정하고 그보다 짧은 데이터들의 결측 값은 zero-padding을 통해 모두 0으로 처리해 주었다.

전처리 및 특징 추출을 통해 1주기 보폭 별로 가공된 족저압 raw 데이터(133)와 COPx(133), COPy(133), 보행 주기 지표(12)를 사용하여 3가지 형태의 입력 데이터를 구성하였으며, 족저압 raw 데이터만 사용한 데이터셋 A(133$\times$1), 족저압 raw 데이터와 COPx, COPy를 통합한 데이터셋 B(399$\times$1), raw 데이터와 COPx, COPy, 보행 주기 지표를 통합한 데이터셋 C(411$\times$1)의 형태로 구성하였다.

3. 족저압 데이터 기반 보폭 추정 모델 성능평가 결과

시계열 데이터인 족저압 데이터를 입력 값으로 각 모델에 대해 10회씩 보폭 추정 학습을 수행하여 MAE와 MARE를 구하였고, 이에 대한 평균 결과 값은 표 4와 같다. 3가지 형태의 데이터셋 A(raw), B(raw+COP), C(raw+COP+보행지표) 중에서 데이터셋 C가 모든 학습 모델의 보폭을 추정한 결과 중에서 가장 우수한 성능을 보였다. 학습 모델 중에서는 1D CNN의 MAE 값이 3.57 ± 2.64 cm로 1D CNN-LSTM, RNN, LSTM의 결과와 비교했을 때, 최소 2.09 cm에서 최대 3.51 cm의 차이를 보였으며, MARE의 결과도 2.82%로 1D CNN의 결과 값이 다른 학습모델의 결과 값과 비교했을 때 가장 좋은 결과를 보였다.

4. 고 찰

본 연구는 1차원 족저압 시계열 데이터로부터 구성한 3가지 유형의 데이터셋을 입력 값으로 딥 러닝 학습 모델을 통해 성능이 가장 좋은 데이터셋과 학습 모델을 평가하고, 보폭 정보를 추정하기 위한 가능성을 평가하였다. 결과는 표 4와 같이 1D CNN 학습모델이 가장 우수한 성능을 나타내었으며, MAE는 3.55 ± 2.60 cm의 결과를 나타내어 기존의 보폭 추정을 수행했던 연구와 비교하였을 때, 단일 CNN을 사용하여 보폭을 추정한 연구 결과⁽¹¹⁾의 보폭 MAE는 11.4 cm 의 결과를 보였고, 동일하게 CNN을 사용하여 보폭을 추정한 ⁽¹²⁾의 연구에서 HS-HS 보폭의 MAE는 4.11 ± 3.57 cm의 결과로 본 연구 결과가 더 우수한 결과를 나타내는 것으로 확인하였다. 그 외 연구들^(13,15)과 보폭 추정 결과와 비교하였을 때도 본 연구 결과의 MAE와 MARE가 더 좋은 결과를 보였다.

이전 관련 연구로 보행 매트에 0.1 m 간격으로 표기하여 보폭을 추정한 연구⁽²⁵⁾에서는 보행 측정 매트인 GAITLite의 성능과 비교 가능하다고 평가하였다. 이를 근거로 표 5의 타 연구에서 설정한 보폭의 기준값 방법 중 보행 측정 매트와 광 센서로 간격을 측정하는 방식^(11-13)은 본 연구 방법의 보폭 추정 결과와 비교 평가가 가능하다. 하지만, 정밀한 비교평가를 위해서는 기준값을 동일하게 설정한 추가연구가 필요하다.

본 연구에서 사용한 상용 F-scan 시스템은 정적 또는 동적 보행에 있어 족저압 계측 및 분석을 정밀하게 수행하는 gold standard 장비로 사용된다⁽³³⁾. 이는, 본 연구의 보폭 추정 결과에 대한 신뢰성이 높다고 확인할 수 있고, IMU 기반의 연구들은 센서의 부착 위치와 디바이스 내 내장된 칩의 종류에 따라 성능이 달라질 수 있으므로 본 연구의 결과가 의미가 있다고 사료된다.

하지만, F-scan 장비는 고가의 장비이며, 측정 시스템 착용에 불편감이 있어 실생활 사용에 있어 제한점이 존재한다. 이러한 제한점들은 본 연구 결과를 기반으로 웨어러블 개인 맞춤형 인솔 센서에 적용하여 보폭 정보를 도출하여 해결이 가능하다고 판단된다. 이전 연구⁽³⁴⁾에서는 커패시티브 인솔 센서 개발 및 F-scan 상용 장비와의 성능 비교평가를 수행하였다. 해당 연구에서는 인솔 센서와 F-scan의 족저압 데이터 모폴로지가 동일한 형태를 보여 raw data를 대체하여 활용할 수 있으며, 보행지표 역시 본 연구에서 사용한 방법을 통해 보폭 추정 연구에 활용할 수 있다. 그러므로 일상생활에서 개인의 보폭 정보 도출이 가능하며 개인 건강관리를 위한 임상적으로 활용할 수 있어 기존의 한계점을 보완할 수 있는 가치가 있다. 또한, 웨어러블 맞춤형 인솔 센서의 보폭 추정 연구에 대한 기반 연구로 기여할 것이다.

한편, 보폭 추정을 위해 적용한 딥러닝 학습 모델 중 1D CNN 학습 모델이 가장 우수한 성능을 보여 족저압 데이터를 분석하는 데 적합하였다. 1D CNN은 이미지가 아닌 시계열 데이터나 텍스트 분석에 주로 사용되는 학습 모델로 족저압 데이터에 적용하였을 때, 좋은 성능을 보였다.

본 연구의 한계점으로는 보행 추정에 적용했던 데이터셋의 개수가 총 961개로 training, validation과 test를 6:2:2로 분류하여 사용했기 때문에 실질적으로 training 에는 577개, validation에는 192개, test에는 192개의 데이터셋으로 학습, 검증 및 테스트에 사용되어 학습모델의 신뢰성을 높이기 위한 데이터셋 개수의 보완이 필요하다. 그러므로 추가적인 실험을 통해 보폭 데이터를 확대하여 추가적인 분석이 필요하다. 그리고 전체 피험자의 보폭에 대해 학습셋과 테스트셋을 무작위로 적용하였으나 학습셋 결과가 테스트셋에 영향을 미칠 수 있다. 이에, 대상자 분리하여 학습 및 검증, 테스트하는 연구가 필요하다. 또한, 족저압 데이터의 경우 유각기에서는 족저압이 발생하지 않기 때문에 특징을 얻기 힘든 한계점이 존재하여 이를 극복하기 위한 추가적인 분석 방법이 필요하다.

5. 결 론

본 연구에서는 족저압 데이터를 기반으로 1주기의 족저압 데이터 및 압력중심점, 보행 주기 지표를 입력 값으로 딥 러닝 학습 모델을 통해 보폭에 대한 추정 가능성을 확인하였으며, 족저압 시계열 데이터를 학습하는 모델 중 1D CNN이 가장 성능이 높은 것을 확인하였다.

향후 연구에서는 추가 실험을 통해 보폭 데이터 규모를 확대하고 유각기에서 활용할 수 있는 특징들을 도출하여 보폭 추정 모델에 대한 성능을 개선하고자 한다. 또한, F-scan의 한계점을 고려하여 이전 연구의 인솔 센서를 통한 보폭 추정 연구를 수행하여 웨어러블 인솔 센서로부터 보폭 추정이 가능한지 확인할 것이다.

본 연구의 결과는 향후 임상 진단을 위한 일상생활 속 보폭 도출, 보행자 추측 방법(PDR) 및 개인 건강 모니터링 시스템, 재활 공학 등의 분야에 활용될 것으로 기대된다.