Core Concepts
웨어러블 센서로 측정한 보행 주기 데이터를 활용하여 CNN, GRU, GNN 기반의 통합 딥러닝 모델을 통해 파킨슨병 환자와 건강한 사람을 정확하게 구분할 수 있다.
Abstract
이 연구는 파킨슨병 조기 진단을 위해 웨어러블 센서로 측정한 보행 주기 데이터를 활용하는 통합 딥러닝 프레임워크를 제안한다. 제안 모델은 1D-CNN, GRU, GNN 레이어를 활용하여 데이터의 시간적 동적 특성과 센서 간 공간적 관계를 효과적으로 학습한다.
구체적으로 각 발의 16개 센서를 그래프의 노드로 모델링하고, 센서 간 인접성을 엣지로 표현하였다. GNN 레이어를 통해 센서 간 관계를 학습하고, GRU와 CNN 레이어로 시간적, 공간적 특성을 추출하였다. 이를 통해 파킨슨병 환자와 건강한 사람을 99.51%의 정확도로 구분할 수 있었다.
또한 GNN 레이어의 주의 메커니즘을 활용하여 보행 주기 분석 시 중요한 센서를 식별할 수 있었다. 연구 결과, 파킨슨병 환자일수록 발 뒤꿈치 부분의 센서가 더 중요한 것으로 나타났다.
Stats
파킨슨병 환자의 보행 주기에서 발 뒤꿈치 부분의 센서가 더 중요한 역할을 한다.
건강한 사람의 보행 주기에서는 발가락 부분의 센서가 더 중요한 역할을 한다.
Quotes
"파킨슨병 환자일수록 발 뒤꿈치 부분의 센서가 더 중요한 것으로 나타났다."
"건강한 사람의 보행 주기에서는 발가락 부분의 센서가 더 중요한 역할을 한다."