[논문 리뷰] Predictive Analysis for Detection of Human Neck Postures using a robust integration of kinetics and kinematics

Korupalli V Rajesh Kumar, Susan Elias|arXiv (Cornell University)|2020. 03. 12.

Ergonomics and Musculoskeletal Disorders참고 문헌 27인용 수 4

한 줄 요약

이 논문은 관절 운동학적 데이터를 관성측정단위(IMU)에서 취득하고 OpenSim 시뮬레이션된 골격근육모델에서의 운동역학적 데이터를 융합하여 랜덤 포레스트 기계학습을 통해 인간의 목 자세를 100% 정확도로 예측하는 스마트 목밴드 시스템을 제안한다. 이 방법은 관성 센서 데이터와 개인 맞춤형 목 골격근육모델을 융합하여 예방의료 응용을 위한 실시간 비정상 자세 탐지 기능을 제공한다.

ABSTRACT

Human neck postures and movements need to be monitored, measured, quantified and analyzed, as a preventive measure in healthcare applications. Improper neck postures are an increasing source of neck musculoskeletal disorders, requiring therapy and rehabilitation. The motivation for the research presented in this paper was the need to develop a notification mechanism for improper neck usage. Kinematic data captured by sensors have limitations in accurately classifying the neck postures. Hence, we propose an integrated use of kinematic and kinetic data to efficiently classify neck postures. Using machine learning algorithms we obtained 100% accuracy in the predictive analysis of this data. The research analysis and discussions show that the kinetic data of the Hyoid muscles can accurately detect the neck posture given the corresponding kinematic data captured by the neck-band. The proposed robust platform for the integration of kinematic and kinetic data has enabled the design of a smart neck-band for the prevention of neck musculoskeletal disorders.

연구 동기 및 목표

• 실시간으로 인간의 목 자세를 탐지하여 경추 골격근육계 장애를 예방하기 위한 견고한 시스템을 개발하기 위해.
• 운동학적 데이터만으로는 한계가 있는 점을 보완하기 위해 근육력에서 유도된 운동역학적 데이터를 통합하여 자세 분류 정확도를 향상시키기 위해.
• 비정상적인 목 사용에 대해 적시 경고를 제공하는 웨어러블 스마트 목밴드를 설계하기 위해.
• IMU에서 유도된 운동학적 데이터와 OpenSim 시뮬레이션된 운동역학적 데이터를 융합하여 자세 예측의 효과성을 검증하기 위해.
• 융합된 운동학적 및 운동역학적 데이터를 기반으로 기계학습을 활용한 고정확도 예측 분석을 달성하기 위해.

제안 방법

• 관절 운동학적 데이터(가속도, 위치, 속도)를 실시간으로 캡처하기 위해 IMU가 장착된 탄성 목밴드를 사용하여 목 움직임 작업 중인 피실험자로부터 데이터를 확보한다.
• 피실험자 맞춤형 OpenSim 골격근육모델에 대해 관절 운동학적 데이터를 관절의 주요解剖학적 랜드마크에 표시된 마커를 사용한 기능적 校정 방법을 통해 매핑한다.
• OpenSim의 역운동학(IK) 도구가 마커 데이터를 처리하여 관절 운동학을 나타내는 모션 파일(.mot)을 생성한다.
• OpenSim의 계산된 근육 제어(CMC) 도구가 .mot 파일을 사용하여 근육력, 활성도, 힘줄 힘을 계산하고, 특히 혀근육의 힘을 포함한 목 근육의 운동역학적 데이터를 생성한다.
• 운동학적 및 운동역학적 데이터(가속도, 위치, 힘줄 힘)를 추출하여 기계학습 분류의 입력 특징으로 사용한다.
• 융합된 데이터를 기반으로 랜덤 포레스트 분류기가 훈련 및 테스트되어 아홉 가지 다른 목 자세를 고정확도로 예측한다.

실험 결과

연구 질문

• RQ1 운동학적 데이터와 운동역학적 데이터의 융합이 운동학적 데이터만으로는 달성할 수 없는 수준의 인간 목 자세 분류 정확도 향상에 기여할 수 있는가?
• RQ2 웨어러블 목밴드에서 유도된 IMU 기반 운동학적 데이터가 OpenSim 골격근육모델 내에서 얼마나 효과적으로 매핑되고 시뮬레이션될 수 있는가?
• RQ3 특히 랜덤 포레스트와 같은 기계학습 모델이 융합된 운동학적 및 운동역학적 특징을 사용하여 목 자세를 얼마나 잘 분류할 수 있는가?
• RQ4 제안된 시스템은 실시간으로 비정상적인 목 자세를 신뢰성 있게 탐지하고 사용자에게 알릴 수 있는가? 이를 통해 골격근육계 장애를 예방할 수 있는가?
• RQ5 힘줄 힘 데이터를 혀근육에서의 운동역학적 입력으로 사용할 경우, 시스템의 예측 성능는 어떠한가?

주요 결과

• 랜덤 포레스트 분류기는 IMU에서 유도된 운동학적 데이터(가속도 및 위치)를 사용하여 아홉 가지 다른 목 자세를 100% 정확도로 예측하였다.
• 동일한 분류기는 OpenSim 모델에서 혀근육의 힘줄 힘에서 유도된 운동역학적 데이터를 사용하여 목 자세를 100% 정확도로 예측하였다.
• IMU 운동학적 데이터와 OpenSim 시뮬레이션된 운동역학적 데이터의 융합은 자세 분류의 신뢰성과 정밀도를 크게 향상시켰다.
• IMU 데이터를 OpenSim 모델에 기능적으로 校정함으로써 목 관절 운동학 및 근육력 역학의 정확한 재구성이 가능했다.
• 예측 분석을 통한 실시간 비정상 목 자세 탐지 잠재력이 성공적으로 입증되었으며, 예방의료 응용 분야를 뒷받침하였다.
• 결과적으로 운동학적 데이터만으로는 한계가 있는 상황에서도 혀근육에서 유도된 운동역학적 데이터가 자세 분류에 매우 구분력 있는 신호를 제공하는 것으로 확인되었다.