sEMG 기반 Random Forest 보행 상태 분류 모델의 최신 연구와 실용적 응용
sEMG 기반 Random Forest 보행 상태 분류 모델의 최신 연구와 실용적 응용
고령화 사회의 도래는 낙상 예방, 보행 재활, 근감소증 진단 등 다양한 의학 및 공학적 과제를 낳고 있습니다. 이 가운데 표면 근전도(sEMG) 신호를 이용하여 인공지능(Random Forest) 기반으로 보행 상태를 정밀하게 분류하려는 시도가 학계와 산업계에서 주목받고 있습니다.
doi:10.9718/JBER.2025.46.1.62
1. 서론: 왜 sEMG와 AI 기반 보행 분석이 중요한가?
전 세계적으로 고령 인구가 증가하면서 근감소증(Sarcopenia), 낙상, 보행 장애가 사회적 문제로 부각되고 있습니다. 특히 계단 오르기, 내려오기, 평지 걷기와 같은 일상적인 활동에서 발생하는 미세한 보행 이상은 삶의 질에 직결되는 요소입니다. 따라서 고정밀, 비침습, 실시간 분석이 가능한 보행 상태 모니터링 시스템의 수요가 급증하고 있습니다.
표면 근전도(sEMG)는 피부 위에 부착된 전극을 통해 근육의 전기적 활동을 측정함으로써 운동 기능을 정량화할 수 있는 매우 유용한 생체신호입니다. 본 연구에서는 이러한 sEMG 데이터를 활용하여 Random Forest(RF) 알고리즘 기반의 고정밀 보행 상태 분류 모델을 개발하였습니다.
2. 연구 개요 및 실험 구성
본 연구는 20대 성인 남녀의 sEMG 신호 데이터를 수집하여, 다음의 3가지 동작 상태를 분류하는 모델을 개발하였습니다.
-
보행(Walking)
-
계단 오르기(Stair Ascent)
-
계단 내려오기(Stair Descent)
모델은 RF(Random Forest) 알고리즘을 기반으로 하였으며, RMS(Root Mean Square)와 같은 시간 영역 특징을 추출하여 학습 데이터로 사용하였습니다. 각 클래스의 정밀도(Precision), 재현율(Recall), F1-Score 등을 종합적으로 분석하여 성능을 평가했습니다.
 |
| 그림 1: sEMG 측정 장비 (iWorx사의 IX-BIO8 모델) |
 |
| 그림 2: 센서 부착 위치 (대퇴직근, 외측광근, 전경골근 등) |
 |
| 그림 3: Random Forest 알고리즘의 구조 |
 |
| 그림 4: 데이터 전처리 전후 비교 |
 |
| 그림 5. (a): 정규화된 혼동 행렬, (b): 클래스별 F1 Score, Precision, Recall 막대 그래프 |
3. 모델 구현 환경 및 데이터 처리
개발 환경
-
Python 3.12.5, Scikit-learn, NumPy, Matplotlib, Seaborn, Imbalanced-learn(SMOTE) 등으로 구현
-
CPU: Intel i5-6600, RAM: 16GB, GPU: GTX 750 Ti
데이터 전처리
-
Low-pass filter (50Hz)
-
Notch filter (60Hz 간섭 제거)
-
Band-pass filter (20–500Hz)
-
Z-Score 정규화
-
RMS 계산
-
SMOTE 기법으로 데이터 불균형 보정
이와 같은 전처리 절차를 거쳐 모델의 정확도와 일반화 성능을 극대화하였습니다.
4. 모델 성능 평가 및 결과 해석
분류 정확도 (Test Data 기준)
-
정확도(Accuracy): 96.64%
-
정밀도(Precision): 96.64%
-
재현율(Recall): 96.60%
-
F1 Score:
-
보행: 0.9930
-
계단 오르기: 0.9560
-
계단 내려오기: 0.9496
-
이는 RF모델이 3가지 보행 상태를 안정적으로 분류할 수 있음을 입증합니다. 특히 보행 상태에서는 거의 완벽에 가까운 성능을 보였습니다.
5. 논의 및 한계점
장점
-
RF는 비선형 변수 간 상호작용을 효과적으로 반영
-
과적합 방지, 변수 중요도 해석 가능
-
sEMG 신호 기반의 실시간 분석에 적합
한계점
-
계단 오르기와 내려오기는 유사한 패턴으로 인해 분류가 어려움
-
향후에는 주파수 기반 특징(예: 평균 주파수, 스펙트럼) 및 비선형 지표(예: 엔트로피) 추가 필요
-
**IMU 센서(가속도계, 자이로스코프)**와의 다중 모달 융합 필요
6. 향후 응용 가능성 및 전망
본 연구의 모델은 다음과 같은 분야에서 실질적으로 활용될 수 있습니다.
재활 의료
-
근감소증, 뇌졸중, 척수손상 환자의 보행 재활 모니터링
고령자 낙상 예방
-
고위험 환자의 실시간 보행 상태 감지 및 알림 시스템
스포츠 의학
-
선수의 훈련 상태 분석, 피로도 및 근육 균형 평가
7. 결론
본 연구는 sEMG와 RF 알고리즘을 융합하여 고정밀 보행 상태 분류 시스템을 성공적으로 구현하였으며, 이는 의료, 재활, 스포츠 공학 분야에서 다양하게 응용 가능합니다. 향후 근감소증 환자 데이터 기반의 학습, LSTM과 같은 딥러닝 기반 모델과의 비교, 다중 센서 융합 등 추가 연구가 병행된다면, 더 강력하고 실용적인 시스템으로 발전할 수 있을 것입니다.
참고문헌
[1] M. C. Kim et al., "Analysis of the correlation between sarcopenia and locomotive syndrome in the elderly in Korea," J Korean Soc Integr Med, vol. 10, no. 2, pp. 1–11, 2022.
[2] S. W. Park, "Sarcopenia of the Old Age," Endocrinol Metab, vol. 22, no. 1, pp. 1–7, 2007.
[3] N. Lovecchio et al., "Gait analysis in the rehabilitation process," in Rehabilitation After Limb Salvage Surgery, Springer, 2021, pp. 109–118.
[4] R. Merletti and P. J. Parker, Electromyography: physiology, engineering, and non-invasive applications, Hoboken: John Wiley & Sons, 2004.
[5] B. Krishnan et al., "Age-sensitive high-density surface EMG indices for detecting muscle fatigue," Biomed Signal Process Control, vol. 81, p. 104446, 2023.
[6] L. Breiman, "Random forests," Mach Learn, vol. 45, pp. 5–32, 2001.
[7] N. V. Chawla et al., "SMOTE: Synthetic minority over-sampling technique," J Artif Intell Res, vol. 16, pp. 321–357, 2002.
댓글
댓글 쓰기