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 걷기 와 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 측정 함으로써 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 데이터 를 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 (iW...