초록
근골격계 모델은 동적 운동 중 작용하는 내부 힘을 결정할 수 있게 해 주며, 임상적으로 유용하지만 기존의 방법은 계산 속도가 느리고 광범위한 입력 데이터가 필요할 수 있다. 최근에는 계산 비용이 큰 과정에 대해 보조 학습(supervised learning)을 활용하여 근사 모델을 구축하려는 관심이 증가하고 있으며, 이는 속도와 유연성 측면에서 장점을 제공한다. 본 연구에서는 심층 신경망을 활용하여 운동 공간에서 근육 공간으로의 매핑을 학습한다. 보행 중 156명의 피험자로부터 수집한 운동학적, 운동역학적 및 전기근육활동(EMG) 측정 데이터 세트를 기반으로 학습된 네트워크는 근골격계 모델링을 통해 도출된 내부 힘 크기와 잘 일치하는 예측 결과를 보였다. 별도의 실험에서는 세계적으로 가장 널리 알려진 모델링 성능 평가 기준인 국제 그랜드 챌린지 경연 대회 데이터를 기반으로 학습한 결과, 여섯 개 경연 중 네 개에서 우승 팀의 제출 결과를 초과하는 예측 성능을 달성하였다. 계산 속도의 급격한 향상은 실험실 기반 시스템에 통합하여 실시간 힘 추정이 가능하게 하며, 학습된 신경망을 분석함으로써 운동학적 및 운동역학적 요인 간의 인구 수준에서의 새로운 관계를 파악할 수 있는 통찰을 제공한다.