상태 전이 기반 조건부 변분 오토인코더를 활용한 장애 분류 데이터 증강 연구

State Transition-Oriented Conditional Variational Autoencoder for Disability Classification Augmentation

연구 내용

골격 기반 자세 시계열에서 동작 패턴을 학습해 장애 분류의 클래스 불균형을 완화하는 STO-CVAE 데이터 증강 연구

골격 기반 자세 추정으로부터 반복 동작의 시간 정보를 추출하여 동작 상태 전이 구조를 학습하는 STO-CVAE(state transition-oriented conditional variational autoencoder) 기반 데이터 증강을 수행합니다. 희귀 장애 클래스의 학습 샘플을 생성해 분류 정확도를 높이고, Random forest, SVM, gradient boosting 계열 및 TabNet 등 다양한 분류기에 일관되게 적용 가능하도록 파이프라인을 설계합니다. 이를 통해 재활 운동 데이터에서 발생하는 클래스 불균형 문제를 완화하는 임상 적용형 방법론을 제시합니다.

관련 프로젝트

0건

연구 흐름

초기에는 재활 운동에서 수집되는 골격 시계열 데이터의 클래스 불균형과 동작 표현의 불충분성을 분석하고, 반복 수행되는 동작의 상태 전이 정보를 반영하는 생성 모델 구조를 구성했습니다. 이후 골격 기반 자세 추정 결과를 조건으로 삼아 minority disability class에 해당하는 샘플을 증강하도록 학습 전략을 조정했습니다. 최근에는 증강 전후를 비교하여 다양한 분류기에서 정확도 향상과 성능 안정성을 확인하고, 개인 맞춤형 재활 운동 프로그램 설계를 위한 분류 모델 고도화를 수행하고 있습니다.

활용 가능성

활용 가능성은 알앤디써클 특화 AI 에이전트가 생성한 내용으로, 실제 연구 가능 여부는 연구실과의 논의가 필요합니다.

장애 등급 분류 모델 고도화
재활 운동 강도 산정 자동화
희귀 클래스 학습 데이터 보강
개인 맞춤 운동 처방 보조
모니터링 기반 치료 피드백
골격 시계열 기반 동작 라벨링
임상 데이터 품질 개선
다기관 데이터 표준화
웨어러블/카메라 기반 분석
재활 센터 운영 효율화