웨어러블 압력 센서를 이용한 발 압력중심 예측: 데이터 전처리와 증강이 머신러닝 모델에 미치는 영향
Center of Pressure(COP) Prediction Using Wearable Pressure Sensors: Impact of Data Preprocessing and Augmentation on Machine Learning Models
2
조회
0
다운로드
0
인용
0
참고문헌
키워드
초록
본 연구는 적은 수의 압력센서를 활용하여 보행 시 압력중심(COP, Center of Pressure) 궤적을 예측하고, 데이터 전처리 및 증 강 기법이 예측 성능에 미치는 영향을 분석하였다. 상용 압력 깔창에서 9개의 FSR센서를 선정하여 데이터를 수집하였고, 이를 바탕으로 COPanterio-posterior(COPap)와 COPmedial-lateral(COPml)의 궤적을 예측하였다. 머신러닝 모델(Neural Network(NN), Random Forest(RF), Support Vector Machine Regression(SVMR), k-Nearest Neighbors Regression(KNNR))을 통해 변수 선택 및 데 이터 증강 기법의 효과를 평가하였다. COPap 예측에서는 KNNR 모델의 Model III가 RMSE 11.6 mm, R2 0.97로 모든 모델 중 가 장 우수한 성능을 기록하였다. 데이터 증강과 변수 선택이 성능 향상에 효과적으로 기여한 것으로 나타났다. 반면, COPml 예측 에서는 KNNR 모델의 Model III가 RMSE 7.4 mm로 낮은 값을 기록하였으나, R2는 0.4으로 제한적인 성능을 보였다. 이는 COPml 데이터의 복잡성과 비선형적 특성으로 인해 FSR 센서만으로는 충분한 설명력이 부족했음을 시사한다. 본 연구는 제한된 수의 센서로도 COP 예측이 가능함을 입증하며, 데이터 증강과 변수 선택기 기법의 실효성을 제시하였다. 향후 연구에서는 다양한 보행 환경에서의 데이터 수집 및 FSR 센서 데이터의 활용도를 높이기 위한 비선형 모델링 접근을 포함한 추가 연구를 통해 예 측 성능을 개선하고 실시간 보행 분석 시스템으로 확장할 필요가 있다.
Abstract
This study aims to predict the trajectory of the Center of Pressure (COP) during walking using a small number of pressure sensors and the impact of data preprocessing and augmentation techniques on prediction performance. Data were collected from nineFSR sensors selected from a commercially available pressure insole, and the trajectories of COPanterio-posterior (COPap) andCOPmedial-lateral (COPml) were predicted. The effects of variable selection and data augmentation techniques were evaluatedusing machine learning models, including Neural Network, Random Forest, Support Vector Machine Regression, and k-Nearest Neighbors Regression. For COPap prediction, the KNNR model’s Model III achieved the best performance with an RMSE of11.6 mm and an R² of 0.97, demonstrating the significant contribution of data augmentation and variable selection to performanceimprovement. In contrast, for COPml prediction, the KNNR model’s Model III recorded the lowest RMSE of 7.4 mm but showeda limited R² of 0.40. This suggests that the complexity and nonlinearity of COPml data were not sufficiently addressed using onlyFSR sensors. This study demonstrates the feasibility of COP prediction with a limited number of sensors and highlights the effectiveness of data augmentation and variable selection techniques. Future research should focus on collecting data in diverse walkingenvironments and improving prediction performance through nonlinear modeling approaches, ultimately aiming to expand towardreal-time gait analysis systems.