배경: 노화 과정은 신경운동 조절, 기억, 집행기능, 운동 능력에 영향을 미치는 인지 및 신체 기능 저하와 연관된다. 선행 연구에서는 보행(gait)을 노인에서 인지 및 신체 건강의 지표로 활용하는 등 복합적 요인을 이용하여 바이오마커를 찾고자 하는 노력이 이루어졌다. 그러나 보행은 주의(attention)와 감각 입력의 통합, 인지 관련 운동 계획 및 실행, 근골격계 등 다양한 복합 요인을 포함한다. 여러 요인을 동시에 고려하는 바이오마커에 관한 연구는 드문 실정이다. 본 연구의 목적은 세 가지 속도에 기반하여 단계적 회귀(stepwise regression)를 통해 보행 특성(gait features)을 추출하고, 선택된 특성을 바탕으로 기계학습(ML) 모델의 정확도를 평가함으로써 인지기능 저하(Cog)와 신체기능 저하(PF), 및 Cog와 근력(MS) 저하로 인해 발생하는 분류 문제를 해결하는 데 있다. 방법: 인지 평가, 5회 의자에서 일어서기(five times sit-to-stand), 악력(handgrip strength)을 65세 이상 여성 198명을 대상으로 시행하여 Cog, PF, MS를 평가하였다. 보행 평가는 모든 참여자가 19미터 직선 경로를 세 가지 속도[선호 보행속도(preferred walking speed, PWS), 느린 보행속도(slower walking speed, SWS), 빠른 보행속도(faster walking speed, FWS)]로 걷도록 하였다. 세 가지 속도에서 추출한 보행 특성은 단계적 회귀로 선택하였다. 결과: ML 모델의 정확도는 다음과 같이 나타났다. Cog+PF+ 및 Cog-PF- 분류에서 모든 보행 특성을 사용한 랜덤 포레스트(random forest) 모델의 정확도는 91.2%, 세 가지 특성(걷기 속도와 FWS에서 좌측 이중지지기(left double support phase)의 변동계수, SWS에서 우측 이중지지기(right double support phase)의 변동계수)을 사용한 경우 91.9%였다. 또한 지지벡터머신(support vector machine)은 모든 보행 특성을 사용했을 때 93.6%의 정확도로 Cog+MS+ 및 Cog-MS- 분류 문제를 보였으며, 두 가지 선택 특성( PWS에서의 좌측 보행 소요시간(left step time)과 SWS에서의 보행 비대칭성(gait asymmetry))을 사용한 경우에도 93.6%로 나타났다. 결론: 본 연구는 세 가지 보행 속도와 선택된 보행 특성을 활용한 ML 분석을 바탕으로 Cog, PF, MS가 저하된 노년 여성의 보행 특성에 대한 통찰을 제공하며, 노년 여성에서 Cog, PF, MS 저하에 따른 객관적 분류 및 평가를 개선하는 데 도움이 될 수 있다.

파킨슨병(PD)의 이질성은 특히 증상이 매우 미묘할 수 있는 초기 질환 단계에서 정확한 진단에 상당한 어려움을 초래한다. 본 연구는 웨어러블 센서를 통해 측정한 6분 보행검사(6MWT) 기반의 합성곱 신경망(CNN) 기법의 정확도를 평가하여, 초기 단계 파킨슨병 환자(n = 78)와 건강 대조군(n = 50)을 구별하고자 하였다. 참가자들은 6개의 센서를 착용하고 6MWT를 수행하였다. 시계열 데이터는 새로운 이미지로 변환되었다. 그 결과 요추(lumbar spine)의 자이로스코프 수직 성분이 83.5%로 가장 높은 분류 정확도를 보였고, 그다음이 흉추(thoracic spine)(83.1%), 우측 허벅지(right thigh) 분절(79.5%)이었다. 이러한 결과는 6MWT와 CNN 모델이 파킨슨병 증상의 조기 진단 및 모니터링을 촉진할 수 있으며, 정상 보행 패턴에서 병적 보행 패턴으로 전환되는 중요한 시기에 임상의가 적시에 치료를 제공할 수 있게 함을 시사한다.