arXiv:2609.22956v1 cs.AI

발바닥 VGRF 기반 파킨슨병 분류를 위한 간결한 보폭 인덱싱 전후방 COP 표현

A Compact Stance-Indexed Anterior-Posterior COP Representation for Parkinson's Disease Classification from Plantar VGRF

Md. Sifat, Sania Akter, Akif Islam, Md. Ekramul Hamid

제출 2026-09-22

한국어 초록

파킨슨병은 보행과 양측 협응을 변화시키지만, 기계학습 성능은 연속 보행 신호를 어떻게 표현하느냐에도 달려 있다. 본 연구는 정규화된 stance 전 구간의 고정 위치에서 전후방 중심압력(anterior-posterior center-of-pressure, AP-COP) 정보를 보존하는 것이 발바닥 힘 보행 신호에 대한 간결하고 정보가 풍부한 표현을 제공하는지 조사한다. Gait in Parkinson's Disease Database의 165명 참가자로부터 기록된 양측 수직 지면 반력(vertical ground reaction force)을 반복 완전 중첩 참가자 수준 교차검증(repeated fully nested participant-level cross-validation)으로 평가했다. 우리는 다섯 개의 stance 구간에 걸친 AP-COP 위치와 양측 비대칭으로 구성된 AP-COP10을 제안한다. AP-COP10은 AUC 0.894를 달성했으며, 동일한 평가 파이프라인에서 문헌에서 도출·조화된 세 가지 COP 표현보다 우수했다. 보완적인 25개의 비-AP-COP 서술자(descriptor)만으로는 AUC 0.856을, 전체 35-특징 표현은 0.908을 달성했다. 완전한 표현에서 AP-COP10을 제거하면 통계적으로 뒷받침되는 판별력 손실이 발생했으며, AP-COP10에 보완 서술자를 추가하는 것은 작고 통계적 뒷받침이 없는 개선만을 가져왔다. 특징 경쟁(feature competition) 분석은 가장 정보가 많은 stance 인덱싱 서술자가 초기 및 초-중기 stance에 집중되어 있음을 나타냈고, 원 연구 홀드아웃(source-study holdout) 및 센서 교란(sensor-perturbation) 분석은 표현의 견고성을 뒷받침했다. 이러한 결과는 stance 인덱싱 AP-COP가 더 넓게 설계된 보행 서술자로는 쉽게 복구되지 않는 판별 정보를 유지함을 보여 주며, 병리적 보행의 기계학습 분석을 위한 간결하고 해석 가능한 표현을 지지한다.

원문 초록

Parkinson's disease alters gait and bilateral coordination, but machine-learning performance also depends on how continuous gait signals are represented. This study investigates whether preserving anterior-posterior center-of-pressure (AP-COP) information at fixed locations across normalized stance provides a compact and informative representation of plantar-force gait signals. Bilateral vertical ground reaction force recordings from 165 participants in the Gait in Parkinson's Disease Database were evaluated using repeated fully nested participant-level cross-validation. We propose AP-COP10, comprising AP-COP position and bilateral asymmetry across five stance windows. AP-COP10 achieved an AUC of 0.894 and outperformed three harmonized literature-derived COP representations under the same evaluation pipeline. The complementary 25 non-AP-COP descriptors alone achieved an AUC of 0.856, while the complete 35-feature representation achieved 0.908. Removing AP-COP10 from the complete representation produced a statistically supported loss in discrimination, whereas adding the complementary descriptors to AP-COP10 yielded only a small, unsupported improvement. Feature competition indicated that the most informative stance-indexed descriptors were concentrated in early and early-mid stance, while source-study holdout and sensor-perturbation analyses supported the robustness of the representation. These findings indicate that stance-indexed AP-COP retains discriminative information that is not readily recovered by broader engineered gait descriptors, supporting compact and interpretable representations for machine-learning analysis of pathological gait.

제출 이력

확인된 버전만 표시합니다. 전체 제출 이력은 arXiv 원문에서 확인하세요.

  1. arXiv:2609.22956v1제출 시각 미확인

함께 살펴볼 논문

공통 태그를 근거로 연결했습니다. 실제 인용 관계나 논문의 우수성을 뜻하지 않습니다.

arXiv:2609.14159v2cs.CV공통 태그 Time Series Analysis, Binary Classification, Diagnostic, gait analysis

교차 분할 통계적 안정성 분석 기반 어텐션 강화 심층 학습을 활용한 3D 보행 기반 자폐 스펙트럼 장애 분류

3D Gait-Based Autism Classification Using Attention-Enhanced Deep Learning with Cross-Fold Statistical Stability Analysis

자폐 스펙트럼 장애(ASD)는 기존의 임상 평가 방식이 주관적이고 많은 시간이 소요되며 전문가 평가를 필요로 하기 때문에 조기 진단이 여전히 어려운 신경발달 질환이다. 보행은 자동화된 ASD 선별 검사를 위한 유망한 비침습적 행동 바이오마커를 제공하지만, 기존 연구들은 분할(fold) 간 안정성을 공식적으로 평가하지 않은 채 주로 단일 데이터셋 평가, 합성곱(convolutional) 아키텍처, 교차 검증(cross-validation) 성능에 대한 기술적 요약에 의존해 왔다. 본 연구는 사전에 계산된 통계적 보행 기술자(descriptor)와 원시 생체역학적 지면 반발력(ground-reaction-force) 측정값이라는 구조적으로 서로 다른 두 가지 3D 보행 특징 표현에서 평가되는 ASD 분류용 어텐션 강화 트랜스포머 프레임워크로 이러한 한계를 해결한다. 5겹 교차 검증에서 제안된 프레임워크는 공개 Kinect 기반 벤치마크에서 99.00%의 정확도, 99.02%의 정밀도, 99.00%의 재현율, 99.00%의 F1 점수, 99.00%의 특이도를 달성하여 비교 대상 최신 기법들의 성능을 능가했다. 또한 독립적인 비공개 포스 플레이트(force-plate) 데이터셋에서는 평균 95.00%의 정확도, 93.81%의 정밀도, 96.67%의 재현율, 95.13%의 F1 점수, 93.33%의 특이도를 달성했다.

arXiv:2609.27912v1cs.LG공통 태그 Time Series Analysis, Feature Engineering, Diagnostic

글로벌 트리 예측 모델은 계층적 집계 수준에서 붕괴한다: 다섯 개 패널에 대한 실패 특성 분석

Global tree forecasters collapse at the hierarchical aggregate: a five-panel failure characterization

글로벌 예측 모델(global forecasting model)은 다수의 시계열을 풀링(pooling)하여 하나의 공유 함수를 학습한다. 그래디언트 부스팅 트리(Gradient-boosted trees)가 가장 널리 쓰이는 형태이다. 본 연구는 우리가 아는 한 아직 문서화된 적 없는 이 설계의 실패를 측정한다. 계층 구조의 개별 시계열로 글로벌 트리를 학습시킨 뒤 계층적 집계값(hierarchical aggregate)에 대한 예측을 요청하면, 집계값은 모델의 학습 범위를 크게 벗어나 있어 예측이 붕괴한다. 이 모델은 실제 운영 환경에서 총합을 30~50배 과소 예측하며, 공개 M5 재구성 데이터에서는 최대 496배까지 과소 예측한다. 그 메커니즘은 이미 알려져 있다. 트리는 학습 범위를 벗어나면 상수를 예측한다. 이것이 집계 수준에서 나타나는 이유는 총합이 모든 학습 시계열을 압도하기 때문이다. 해결책 또한 새로운 것이 아니다. Montero-Manso와 Hyndman(2021)이 권장하는 전처리 단계인 시계열별 스케일링(per-series scaling)은 붕괴를 방지한다. 가중치를 부여한 집계 수준 학습 행(weighted aggregate-level training row)과 계절 차분(seasonal differencing) 역시 마찬가지이다. 본 연구의 기여는 이 현상의 특성 분석에 있다. 붕괴는 운영 중인 기업 간 거래(B2B) 마켓플레이스, 합성 계층 구조, M5, Australian Tourism, 공개 비즈니스 구매자 패널이라는 다섯 개 패널에서 재현된다. 이는 세 가지 트리 라이브러리에서 성립하고, 학습 시드(seed)에 관계없이 일정하며, 통계적으로 유의하다. 붕괴는 즉각적으로 시작되며 단순한 지지 범위(support) 한계를 따른다. 스케일 격차가 겨우 1.15배만 되어도 이미 총합의 3분의 1을 잃는다. 표준적인 설정 변경으로는 이를 막을 수 없다. 모든 계층 수준을 학습에 풀링하는 방식은 대규모에서 실패하며, 리프(leaf)에 선형 모델을 적합하는 유일한 설정 옵션은 붕괴를 완화하지만 해소하지는 못한다. 예측을 재귀적으로 앞으로 굴리는(rolling forward) 실험은 해결책들을 구분해 준다. 집계 행 방식은 다시 붕괴하고, 시계열별 스케일링은 성능이 저하되지만 낮은 수준에 머물며, 오직 계절 차분만이 1단계(one-step) 예측 정확도를 그대로 유지한다. 마지막으로 운영 중인 시스템에서 이 실패를 진단하고 예방하기 위한 3단계 절차를 제시한다.

arXiv:2609.24223v1cs.CV공통 태그 Time Series Analysis, Diagnostic, gait analysis

DiaSeg: 해석 가능한 보행 분석을 위한 DTW 경로에서의 대각 세그먼트 추출

DiaSeg: Diagonal Segment Extraction from DTW Paths for Interpretable Gait Analysis

동적 시간 워핑(Dynamic Time Warping, DTW)은 시계열 간 유사도를 측정하는 데 지배적으로 사용되는 방법이지만, 표준적인 방식은 단일 거리 값을 계산한 후 최적 워핑 경로를 폐기함으로써 임상 진단과 가장 관련이 깊은 지역적 정렬 정보를 잃는다. 본 논문은 제어된 단절을 허용하며 DTW 경로에서 대각 세그먼트를 추출하는 프레임워크인 DiaSeg를 소개한다. DiaSeg는 각 세그먼트를 다섯 가지 기하학적 특징(유효 길이, 단절 횟수, 비용 변동, 시간적 위치, 경로 맥락)으로 특성화하며, 도메인 특화 특징 공학(feature engineering) 없이 비지도 패턴 발견을 가능하게 한다. 6가지 임상 상태(건강한 노화, 파킨슨병, 헌팅턴병, 근위축성 측삭경화증(ALS), 뇌종양, 뇌졸중)에 걸친 91명의 피험자를 대상으로 검증한 결과, 세 가지 결과가 도출되었다. 첫째, 대각 세그먼트는 생체역학적 단계 주석과 일치하는 일관된 비지도 패턴을 형성하며(실루엣 계수 0.33), 레이블 기반 검증을 통해 건강한 보행과 병리적 보행 간 거의 완벽한 분리를 확인하였다(조정 랜드 지수(ARI) 최대 0.986). 둘째, 세그먼트는 지도 학습에서 69%, 환자 수준 클러스터링에서 75%의 정확도로 병리를 구분하며, 병리는 세그먼트 길이의 분포적 변화를 통해 나타난다. 세그먼트 특징과 주기(cycle) 수준 특징을 결합하면 분류(classification) 정확도가 91.7%까지 향상된다. 셋째, 주기 기반 방법이 더 높은 정확도(91%)를 달성하지만, 대각 세그먼트는 전역적 표현으로는 얻을 수 없는 단계별 해석 가능성을 제공하여 보행 주기 내에서 협응이 무너지는 위치를 국소화할 수 있다. 이처럼 DiaSeg는 DTW를 블랙박스 거리 척도에서 신경퇴행성 질환 평가를 위한 해석 가능한 시간적 특징의 원천으로 전환한다.

arXiv:2609.24524v1cs.CV공통 태그 Time Series Analysis, Binary Classification, Diagnostic

다중 양식 초음파 및 임상 데이터 통합을 통한 간세포암 미세혈관침범 수술 전 예측: 다기관 연구

Preoperative Prediction of Microvascular Invasion in Hepatocellular Carcinoma by Integrating Multimodal Ultrasound and Clinical Data: A Multicenter Study

Background: 미세혈관침범(microvascular invasion, MVI)은 간세포암(hepatocellular carcinoma, HCC)에서 재발과 생존을 예측하지만, 진단에는 수술 후 조직병리학이 필요하다. 우리는 수술 전 MVI 예측을 위해 다중 양식 초음파와 임상 데이터를 통합한 모델을 개발하고 검증했다. Methods: 본 다기관 연구에는 8개 센터의 HCC 환자 489명이 포함되었다. 모든 환자는 B-mode 초음파(BUS), 컬러 도플러 유량 영상(color Doppler flow imaging, CDFI), 다이나믹 조영 증강 초음파(dynamic contrast-enhanced ultrasound, DCE-US), 및 임상 정보를 보유하였다. 7개 센터(n = 421) 데이터는 5-fold 교차 검증으로 모델 개발에 사용되었고, 나머지 1개 센터(n = 68) 데이터는 독립 외부 검증 코호트를 구성하였다. 제안된 다중 양식 정보 융합 네트워크는 양식별 인코더, 양방향 DCE-US 관류 변화를 위한 혈역학적 시간적 변화 모듈(hemodynamic temporal change module), 및 트랜스포머 기반 융합 전 이질적 초음파 표현을 정렬하기 위한 표현 일관성 학습 모듈(representation consistency learning module)을 사용하였다. Results: 외부 검증에서 DCE-US가 단일 양식 중 수신자 조작 특성 곡선 아래 면적(area under the receiver operating characteristic curve, AUC; 0.8545+/-0.0198)이 가장 높았으며, 임상 정보(0.6715+/-0.0156), CDFI(0.6435+/-0.0344), BUS(0.6087+/-0.0417)보다 우수하였다. 픽셀 차분 샘플링(pixel-difference sampling)과 제안된 시간적 모듈은 대안 샘플링 및 비디오 표현 방법보다 우수하였다. 전체 모델이 최고 성능을 달성하였으며, AUC 0.8953+/-0.0180, 정확도 81.18%+/-2.83%, 민감도 86.40%+/-6.69%, 특이도 78.14%+/-6.28%였다. Conclusions: 다중 양식 초음파와 임상 정보 통합은 HCC에서 유망한 수술 전 MVI 예측을 가능하게 하였다. DCE-US가 예측 정보의 주요 원천이었고, BUS, CDFI, 임상 정보는 상보적 가치를 제공하였다. 제안된 프레임워크는 수술 전 위험 계층화 및 개별화된 임상 의사결정을 지원할 수 있다.

arXiv:2608.00045v4cs.CL공통 태그 Feature Engineering, Binary Classification

텍스트 기술어로부터 스타트업 엑시트 예측 - 전산언어학적 프레임워크

Predicting Startup Exit from Textual Descriptors - A Computational Linguistics Framework

본 연구는 맥락, 재무 또는 인적 자본 변수에 의존하지 않고도 텍스트 기술어(textual descriptor)만으로 엑시트(Exit)로 정의되는 초기 단계 스타트업의 성공을 예측할 수 있음을 보여준다. 20년에 걸쳐 7,419개 스타트업을 포괄하는 벤처 캐피털 큐레이션 데이터셋을 활용하여, 본 연구는 텍스트 기반 프레이밍 변수를 분리하고 스타트업 내러티브 매핑을 통해 850개의 특징(feature)을 엔지니어링한다. 데이터 하위 집합과 벡터 임베딩(embedding)의 통계적 유의성을 평가한 후, 6개 모델에 걸쳐 지도 머신러닝 실험을 수행한다. 로지스틱 회귀(Logistic Regression)를 사용한 이진 엑시트 예측은 임베딩을 제외한 모든 특징을 사용했을 때 0.55의 재현율(recall)과 0.48의 F1 점수를 달성하며, 임베딩을 포함한 텍스트 기술어만을 사용했을 때는 0.59의 재현율과 0.26의 F1 점수를 달성한다. 특징 분석 결과에 따르면 형용사, 전문 용어(jargon), 유행어(buzzwords)와 같은 과장 마커(hyping marker)의 최적화된 밀도는 더 높은 엑시트 확률과 연관되어 있는 반면, 과도한 설명문이나 사명(name) 길이는 더 낮은 확률과 연관되어 있음을 나타낸다. 또한 본 연구는 벤처 심사(venture screening)에 잠재적으로 적용할 수 있는 정량화 가능한 Hyping Score를 도입한다. 이러한 결과는 정보 비대칭성이 높은 투자 환경에서 스타트업의 프레이밍이 경제적 성과의 독립적인 예측 요인으로 기능할 수 있음을 시사한다.

arXiv:2609.27222v1cs.SD공통 태그 Binary Classification, Diagnostic

장기요양 거주자 폐렴 탐지를 위한 생리학적 정보 기반 디지털 청진

Physiologically Informed Digital Auscultation for Pneumonia Detection in Long-term Care Residents

폐렴은 고령 장기요양 시설 거주자에서 진단하기 어렵다. 다중 질환과 비전형적 임상 양상이 징후를 흐리게 하여, 운영상 효율적인 객관적 검사의 필요성이 커진다. 본 연구는 방사선 전문의가 확인한 흉부 X-ray와 임상의 진단을 지도 신호로 삼아 합성곱 신경망, 다중 양식 융합, 채널 기반 변형을 학습하고, 시간 영역 Grad-CAM 해석 가능성을 함께 적용하여, 일본 거주자 185명(폐렴 73명, 증상은 있으나 폐렴 없음 112명)의 다채널 디지털 청진기 녹음을 분석했다. 모델은 반복 환자 수준 교차 검증으로 평가했으며, X-ray 지도를 사용한 모델이 임상의 지도보다 우수했다(F1 0.729, 정확도 0.783 대 F1 0.637, 정확도 0.711). 또한 3채널 선택 프로토콜은 성능을 유지했다(F1 0.736, 정확도 0.803). 중흉부 두 부위가 가장 높은 순위를 보였고, Grad-CAM 어텐션은 이상 호흡음과 겹쳤다. 이 결과는 자동화된 다채널 폐음 분석이 장기요양 환경에서 폐렴 진단을 보조할 수 있음을 시사하며, X-ray 지도가 임상 지도보다 더 신뢰할 수 있고, 채널 수를 줄여도 성능을 유지하면서 취득 시간을 단축할 수 있음을 보여준다.

토론

이 논문과 연결된 포럼 글이 아직 없습니다.