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.

ChatGPT의 출현 이후, 대규모 언어 모델(LLM)에 대한 연구는 다양한 분야에서 활발히 진전되어 왔다. 방대한 텍스트 데이터셋에 대해 사전 학습된 LLM은 자연어 이해 및 계획 수립 과제를 수행하는 데 있어 뛰어난 능력을 보여 주었다. 이러한 LLM의 능력은 로보틱스 분야에 유망한 가능성을 시사한다. 일반적으로 전통적인 지도학습 기반 로봇 지능 시스템은 역동적으로 변화하는 환경에 대한 적응성이 크게 부족하다. 그러나 LLM은 로봇 지능 시스템이 역동적이고 복잡한 현실 환경에서 일반화 능력을 향상하는 데 도움을 준다. 실제로 진행 중인 로보틱스 연구 결과에 따르면, LLM은 로봇의 행동 계획 및 실행 역량을 유의미하게 향상시킬 수 있다. 또한, 비전-언어 모델(VLM)은 시각 질의 응답(vision question answering, VQA) 문제를 위해 광범위한 시각 및 언어 데이터로 학습되었으며, 컴퓨터 비전과 자연어 처리의 통합을 잘 수행한다. VLM은 시각적 맥락을 이해하고 자연어를 통해 행동을 수행할 수 있다. 아울러 자연어로 장면을 설명하는 기능도 제공한다. 여러 연구에서 VLM에 의한 물체 인식 및 설명뿐 아니라, 시각 정보를 통합한 언어 기반 명령의 실행 등을 포함하여, 멀티모달 데이터를 활용한 로봇 지능의 향상을 탐구해 왔다. 본 리뷰 논문은 LLM 및 VLM과 같은 파운데이션 모델이 로봇 지능을 향상하는 데 어떻게 활용되어 왔는지를 체계적으로 고찰한다. 명확성을 위해 연구 영역을 강화학습에서의 보상 설계, 저수준 제어, 고수준 계획, 조작, 장면 이해의 다섯 가지 주제로 범주화하였다. 또한 본 리뷰는, 강화학습에서 보상 함수 설계를 자동화하기 위한 Eureka 모델, 비전 데이터·언어·로봇 행동을 통합하는 비전-언어-행동 모델에서의 RT-2, LLM을 통해 실행 가능한 과제를 생성하고 로봇 행동 정책을 수행하는 AutoRT와 같은 파운데이션 모델이 로봇 지능을 어떻게 향상했는지를 보여 주는 연구들을 요약한다.

본 논문은 팔 심장박동(ballistocardiogram, BCG)의 신호 품질을 분류하는 방법을 기술한다. 이 방법은 비침습적이며 연속적인 혈압 측정에 대한 잠재력을 지닌다. 웨어러블 기기에서 BCG 신호의 장점은 가속도계(accelerometer)를 사용하여 비교적 쉽게 측정할 수 있다는 점이다. 그러나 BCG 신호는 움직임 인공물로 인한 잡음에도 취약하다. 이러한 신호 왜곡은 혈압 추정의 오류를 초래하여, BCG 기반 혈압 측정의 성능을 저하시킨다. 본 연구에서는 이러한 성능 저하를 방지하기 위해, 고품질 BCG 신호와 저품질 BCG 신호를 구분하는 이진 분류 모델을 구축하였다. 가장 정확한 모델을 추정하기 위해, 각 심장박동과 관련된 시간적 BCG 신호를 448 × 448 픽셀 이미지로 변환하기 위한 4가지 시계열 영상화 방법(재귀 플롯, Gramain 각도 합계 필드, Gramain 각도 차이 필드, 마르코프 전이 필드)을 연구하였고, 해당 이미지는 ResNet, SqueezeNet, DenseNet, LeNet과 같은 CNN 모델로 분류하였다. 학습, 검증, 테스트에는 총 9626개의 BCG 박동을 사용하였다. 실험 결과, Gramain 각도 차이 필드 방법을 적용한 ResNet 및 SqueezeNet 모델이 이진 분류 정확도 최대 87.5%를 달성하였다.

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.

ChatGPT의 출현 이후, 대규모 언어 모델(LLM)에 대한 연구는 다양한 분야에서 활발히 진전되어 왔다. 방대한 텍스트 데이터셋에 대해 사전 학습된 LLM은 자연어 이해 및 계획 수립 과제를 수행하는 데 있어 뛰어난 능력을 보여 주었다. 이러한 LLM의 능력은 로보틱스 분야에 유망한 가능성을 시사한다. 일반적으로 전통적인 지도학습 기반 로봇 지능 시스템은 역동적으로 변화하는 환경에 대한 적응성이 크게 부족하다. 그러나 LLM은 로봇 지능 시스템이 역동적이고 복잡한 현실 환경에서 일반화 능력을 향상하는 데 도움을 준다. 실제로 진행 중인 로보틱스 연구 결과에 따르면, LLM은 로봇의 행동 계획 및 실행 역량을 유의미하게 향상시킬 수 있다. 또한, 비전-언어 모델(VLM)은 시각 질의 응답(vision question answering, VQA) 문제를 위해 광범위한 시각 및 언어 데이터로 학습되었으며, 컴퓨터 비전과 자연어 처리의 통합을 잘 수행한다. VLM은 시각적 맥락을 이해하고 자연어를 통해 행동을 수행할 수 있다. 아울러 자연어로 장면을 설명하는 기능도 제공한다. 여러 연구에서 VLM에 의한 물체 인식 및 설명뿐 아니라, 시각 정보를 통합한 언어 기반 명령의 실행 등을 포함하여, 멀티모달 데이터를 활용한 로봇 지능의 향상을 탐구해 왔다. 본 리뷰 논문은 LLM 및 VLM과 같은 파운데이션 모델이 로봇 지능을 향상하는 데 어떻게 활용되어 왔는지를 체계적으로 고찰한다. 명확성을 위해 연구 영역을 강화학습에서의 보상 설계, 저수준 제어, 고수준 계획, 조작, 장면 이해의 다섯 가지 주제로 범주화하였다. 또한 본 리뷰는, 강화학습에서 보상 함수 설계를 자동화하기 위한 Eureka 모델, 비전 데이터·언어·로봇 행동을 통합하는 비전-언어-행동 모델에서의 RT-2, LLM을 통해 실행 가능한 과제를 생성하고 로봇 행동 정책을 수행하는 AutoRT와 같은 파운데이션 모델이 로봇 지능을 어떻게 향상했는지를 보여 주는 연구들을 요약한다.

본 논문은 팔 심장박동(ballistocardiogram, BCG)의 신호 품질을 분류하는 방법을 기술한다. 이 방법은 비침습적이며 연속적인 혈압 측정에 대한 잠재력을 지닌다. 웨어러블 기기에서 BCG 신호의 장점은 가속도계(accelerometer)를 사용하여 비교적 쉽게 측정할 수 있다는 점이다. 그러나 BCG 신호는 움직임 인공물로 인한 잡음에도 취약하다. 이러한 신호 왜곡은 혈압 추정의 오류를 초래하여, BCG 기반 혈압 측정의 성능을 저하시킨다. 본 연구에서는 이러한 성능 저하를 방지하기 위해, 고품질 BCG 신호와 저품질 BCG 신호를 구분하는 이진 분류 모델을 구축하였다. 가장 정확한 모델을 추정하기 위해, 각 심장박동과 관련된 시간적 BCG 신호를 448 × 448 픽셀 이미지로 변환하기 위한 4가지 시계열 영상화 방법(재귀 플롯, Gramain 각도 합계 필드, Gramain 각도 차이 필드, 마르코프 전이 필드)을 연구하였고, 해당 이미지는 ResNet, SqueezeNet, DenseNet, LeNet과 같은 CNN 모델로 분류하였다. 학습, 검증, 테스트에는 총 9626개의 BCG 박동을 사용하였다. 실험 결과, Gramain 각도 차이 필드 방법을 적용한 ResNet 및 SqueezeNet 모델이 이진 분류 정확도 최대 87.5%를 달성하였다.

3개의 코호트 전반에서 대부분의 저혈압은 시간적 군집으로 발생했으며, 이러한 시간적 군집의 저혈압은 대개 동맥압(MAP) 추세의 외삽(extrapolation)만으로 예측 가능하였다.

초록 파킨슨병(PD)의 이질성은 특히 증상이 매우 미묘할 수 있는 초기 단계 질환에서 정확한 진단에 중대한 어려움을 야기한다. 본 연구는 착용형 센서를 이용한 6분 보행검사(6MWT) 기반의 합성곱 신경망(CNN) 기법의 정확도를 평가하고자 하였다. 구체적으로, 초기 단계 PD 환자(n = 78)를 건강한 대조군(n = 50)과 구분하는 데 있어 해당 기법의 정확도를 확인하고자 했다. 6개의 센서를 착용한 참가자들은 6MWT를 수행하였고, 시계열 데이터를 새로운 이미지로 변환하였다. 주요 결과로, 요추 척추의 자이로스코프 수직 성분이 83.5%로 가장 높은 분류 정확도를 보였으며, 이어서 흉추(83.1%)와 우측 대퇴부(79.5%) 분절이 뒤를 이었다. 이러한 결과는 6MWT와 CNN 모델이 임상의가 더 이른 시기에 PD 증상을 진단하고 추적할 수 있는 길을 열어, 노화 관련 보행 패턴에서 병적 보행 패턴으로 전환되는 ‘골든 전이’ 시기에 적절한 치료를 제공하는 데 기여할 수 있음을 시사한다.

본 연구는 로봇 강화학습에서 핵심 과제인 보상 함수 생성의 성공률을 향상시키기 위한 방법을 탐구하고자, 소언어모델(Small Language Model, SLM)에 In-Context Learning(ICL) 및 Chain-of-Thought(CoT) 프롬프팅 기법을 적용하였다. 기존의 보상 함수 생성 프레임워크인 Eureka는 OpenAI의 대규모 언어모델 GPT-4를 사용하였으나, 본 연구는 에지 디바이스에 구현할 수 있는 LLaMA3 8B 모델을 사용하여 보상 함수를 생성하는 데 초점을 맞추었다. 실험 결과, CoT 기법만으로는 성능 향상에 충분하지 않았다. 그러나 ICL 기법을 적용했을 때 부분적인 개선이 관찰되었다. 특히, ICL과 CoT 프롬프팅 기법을 결합하면 cartpole 및 ball balance 두 과제 모두에서 보상 함수 생성의 성공률을 일관되게 유지하였다. 이는 두 기법의 상보적 효과로 해석될 수 있는데, ICL 기법이 보상 함수 생성과 관련된 맥락을 모델에 제공하는 한편, CoT 기법은 단계별 추론을 통해 복잡한 문제의 해결을 용이하게 하기 때문이다. 따라서 SLM 기반 보상 함수 생성의 성능 향상을 위해 다양한 프롬프팅 기법을 통합하는 것이 중요하다고 결론지었다. 향후 연구는 통계적으로 유의미한 결과를 도출하기 위해 실험 표본 수를 늘리는 것, 오류를 줄이기 위해 CoT와 함께 ICL 일반화 방법을 정교화하는 것, 그리고 최적 전략을 찾기 위해 다양한 프롬프팅 기법을 적용하는 데 초점을 맞춰야 한다.

우리는 파킨슨병(Parkinson's disease, PD) 및 보행동결(freezing of gait, FOG)을 가진 사람들에서 360° 회전 과제 동안 영향을 받은 신체 부위를 탐지하고 구분하기 위해 시계열(time-series, TS) 이미지를 기반으로 하는 순환신경망(convolutional neural network, CNN)을 활용한 딥러닝 방법을 제안하였다. 360° 회전 과제는 90명의 참가자(파킨슨병 환자 60명[동결자 30명 및 비동결자 30명]과 연령이 일치한 고령 성인 30명[대조군])가 자신의 선호 속도로 수행하였다. 위치와 가속도는 전처리를 거쳤다. 분석은 시간적 데이터에서 시각적 데이터로 확장되었으며, 이를 위해 TS 영상화(TS imaging) 방법을 사용하였다. PD 대 대조군 분류에 따르면, 영향을 덜 받은 쪽(least affected side, LAS)에서의 외측 종아리 하부 1/3 (right third of the lateral shank, RTIB)과 LAS에서의 우측 종골(right calcaneus, RHEE)이 위치 및 가속도 TS 이미지에서 가장 관련 있는 신체 분절이었다. RHEE 마커는 가속도 TS 이미지에서 가장 높은 정확도를 보였다. 동결자 vs. 비동결자 vs. 대조군의 분류를 위한 식별된 마커는 더 영향을 받은 쪽(more affected side)에서의 좌측 외측 상과(left lateral humeral epicondyle, LELB)와 좌측 후방 상장골극(left posterior superior iliac spine, LPSI)이었다. 가속도 TS 이미지에서 LPSI 마커가 가장 높은 정확도를 나타냈다. 본 접근법은 PD 중증도와 FOG를 결정하는 데 유용한 보조 도구가 될 수 있다.