PDF DOWNLOAD Export Citation

Archives of Orthopedic and Sports Physical Therapy Vol.20 No.1 pp.1-10
DOI : https://doi.org/10.24332/aospt.2024.20.1.01

Cervical Range of Motion Estimation Using Smartphone Camera Data and Artificial Intelligence^*

Da-Hoon Park¹, Young-KI Hong²**

¹Cheongju University, Department of Sports Rehabilitation, Researcher
²Cheongju University, Department of Sports Rehabilitation, Professor

* 이 성과는 정부(과학기술정보통신부)의 재원으로 한국연구재단의 지원을 받아 수행된 연구임 (2020R1F1A1077139, RS-2023-00250818).

^** 교신저자: 홍영기 E-mail: spinehong@gmail.com

Submitted May 31, 2024 Revised June 24, 2024 Accept June 26, 2024

Abstract

Purpose:

We aimed to propose and validate a novel method for measuring and analyzing cervical spine range of motion (ROM) using built-in smartphone cameras and artificial intelligence technology.

Methods:

The participants were 15 healthy men (average age: 22.40±1.30 y, height: 175.60±4.17 cm, weight: 74.07±8.05 kg). Cervical spine ROM during extension, flexion, lateral bending, and rotation was collected using a three-dimensional (3D) motion analysis system. An application with the Pose Detection feature of the Google ML Kit was used to capture and record body segment positions. ROM was calculated using Visual 3D software, and multivariate linear regression analysis was performed on the collected data.

Results:

Lateral flexion (left) had the highest determination coefficient (Adjusted R2=0.851), showing the most consistent biomechanical pattern, while extension had a lower determination coefficient (Adjusted R2=0.747). ROM estimates that regression models had a root mean square error between 4.43° and 5.85° and a normalized root mean square error between 9.90% and 18.03%.

Conclusion:

This study presents a data-driven approach to understanding cervical motions using smartphones, providing foundational data for clinical evaluation.

Key Words : Range of motion estimation application , Artificial intelligence , Cervical spine range of motion estimation , Motion analysis , Multivariate linear regression analysis

인공지능을 활용한 스마트폰 카메라 영상 기반 경부 관절 가동범위 추정 연구^*

박다훈¹, 홍영기²**

¹청주대학교 스포츠재활학과 연구원
²청주대학교 스포츠재활학과 교수

초록

키워드 :

This article has been cited by 0 article in crossref

Cited-By

Funding:

Ⅰ. 서 론

척추 질환자는 수술 후에도 관절 가동성 제한, 근력 감 소, 통증이 상당 부분 유지될 수 있으며(Hakkinen et al., 2003), 척추의 관절 가동성 제한과 각도의 변이는 척추통 증의 구조적 원인이 될 수 있다(Hagen et al., 1997;Sullivan et al., 2000). 따라서, 수술 후 재활 과정에서 관절 기능 평가를 진행해 문제점을 파악하는 것은 매우 중요하다(Hancock et al., 2018;Wylde et al., 2012). 이 러한 이유로, 현재 임상에서는 관절 기능 평가를 위하여 각도 측정을 통한 관절 가동성 검사를 진행하고 있다 (Parati et al., 2023;Wylde et al., 2012).

그러나, 척추의 경우 사지와 달리 뼈의 형태가 짧고 불 규칙하여 관절 가동범위 측정을 시행하는 데에 있어 몇 가지 제한점이 존재한다. 먼저, 임상에서는 X-ray를 이 용한 척추 관절 가동범위 측정을 시행하고 있으나, 장비 구축과 운영에 많은 비용이 소모되고, 과도한 방사선 노 출은 환자의 건강에 악영향을 끼칠 수 있으며(Wall et al., 2011), 동적 촬영에 제한이 있어 실시간으로 미세한 관절 의 변위를 측정하기 어려운 단점이 있다. 보다 간단한 방 법으로 각도계(Goniometer)를 이용할 수 있으나 측정의 기준 위치가 명확하지 않아 측정치의 측정자 간 가변성이 높은 편이며, 측정 과정에서 전문 인력 투입과 많은 시간 이 소요되는 단점이 있다(Bharadwaj et al., 2021;Chen, Yi-Tai et al., 2021).

최근 이러한 문제점을 해결하기 위한 새로운 평가 방법 을 모색하고 있다. 그 중, 스마트폰에 내장된 카메라를 활 용한 관절 가동범위 측정 기술 개발이 진행되고 있다 (Argent et al., 2019;Bharadwaj et al., 2021;Ienaga et al., 2020;Keogh et al., 2019;Longoni et al., 2019;Mourcou et al., 2015;Parati et al., 2023) 이 기술은 환 자 스스로 언제든지 본인의 관절 가동범위를 측정할 수 있어 관절 기능 평가의 편리함과 접근성을 크게 향상시키 는 장점이 있다(Keogh et al., 2019;Mourcou et al., 2015). 이러한 장점을 지닌 스마트폰 기반 척추 관절 가동 범위 측정 기술은 환자들이 의료 서비스를 받는 과정에서 재정적 부담을 낮출 것으로 기대하고 있다(Gentili et al., 2022). 현재 관절 가동범위가 높은 상지와 하지의 가동범 위 측정에 관한 다양한 연구는 진행되고 있으나, 경부 관 절 가동범위에 관한 연구는 아직 부족한 실정이다. 이에 더하여, 본 연구에서는 정면 촬영을 통해 인체의 3가지 면에서 일어나는 모든 움직임 추정을 시도하였다. 이는 다양한 각도에서 일어나는 경부의 움직임 평가를 보다 편 리하게 분석하는 것을 가능하게 한다.

본 연구는 다중 선형 회귀 분석을 활용하여 스마트폰 카메라에서 포착한 신체 주요 분절 위치 데이터로부터 경 부 관절 가동범위를 추정하는 회귀식을 개발하고 이를 검 증하는 것을 목적으로 한다. 본 연구에서는 경부 가동범 위 추정을 위해 컴퓨터 비전 기술을 적용하였다. 인공지 능 알고리즘을 사용하여 스마트폰 내장 카메라(RGB 센 서)로 신체 주요 분절의 위치 데이터를 수집하였으며, 3D 동작분석 시스템의 각도 데이터를 활용하여 다중 선형 회 귀 분석으로 가동범위 추정 회귀식을 계산하였다. 최종적 으로 구축된 동작별 관절 가동범위 추정 회귀식의 검증을 위해 회귀분석 결정계수를 계산하고, 각 동작 별로 실제 관절 가동범위와 회귀식을 통해 추정한 관절 가동범위 차 이를 제곱근 평균 제곱 오차(root mean square error, RMSE), 정규화된 제곱근 평균 제곱오차(normalized root mean square error, NRMSE)를 사용해 비교하였다. 본 연구에서는 인공지능 알고리즘이 스마트폰 카메라 영상 으로부터 안정적으로 신체 주요 분절 위치를 감지할 수 있다면 다중회귀식을 통해 모든 경부 동작의 관절 가동범 위를 정확하게 예측할 수 있을 것으로 가정하였다.

Ⅱ. 연구방법

1. 연구대상자

본 연구는 척추 관절 질환을 진단받지 않은 건강한 성 인 남성을 대상으로 진행하였다. 연구 시작 전 대상자의 건강 상태를 평가하였으며, 최근 3개월 이내 근골격계 질 환을 진단받은 경우 연구에서 제외하였다. 본 연구는 총 15명(나이 22.40±1.30; 신장(cm) 175.60±4.17; 몸무게 (kg) 74.07±8.05)의 성인 남성을 대상으로 하였다. 본 연 구의 모든 연구 절차는 연구기관 생명윤리 위원회의 승인 을 받아 진행하였다(1041107-202110-HR-052-01). 모든 대상자는 연구의 목적, 절차, 개인 정보 보호에 관한 설명 을 들은 후 연구 참여 동의서에 서명하였다.

2. 실험 절차

측정 기술의 타당성 검증을 위하여 3D 동작분석 시스템 으로 측정한 경부 관절 가동범위와 스마트폰 카메라로 수 집한 신체 주요 분절 위치 데이터를 비교 분석하였다. 스 마트폰 카메라를 통한 영상 데이터 수집은 자체적으로 개 발한 안드로이드 기반 어플리케이션으로 진행하였다. 어 플리케이션은 카메라 영상에서 신체 주요 분절을 포착하 고 위치 데이터를 기록하는 데 사용하였다.

먼저, 대상자는 동작분석 진행을 위하여 신체에 광학 마커를 부착하였다. 마커는 척추 관절의 움직임을 세부적 으로 평가할 수 있도록 Figure 1 A와 같이 부착하였다 (Christe et al., 2016;Lee et al., 2014). 동작분석 시스템 은 14대의 적외선 카메라(Prime 13, Optitrack, USA)를 사용하였으며, 동작분석 카메라의 샘플링 레이트는 100Hz로 설정하였다. 대상자들은 선 자세에서 경부 신전, 굴곡, 측굴, 회전 동작을 각 10회 수행하였다. 대상자의 피로도와 편안함을 고려하여 동작 사이에 1분간 휴식을 제공하였다.

Figure 1

Landmark locations by analysis system

(A): 3D Motion analysis system (B): Application system

동작분석 촬영을 진행하는 동안 동시에 어플리케이션 을 사용하여 신체 주요 분절 위치 정보 기록을 진행하였 다. 해당 어플리케이션은 Google ML Kit의 Open API인 Pose detection을 활용하여 제작하였다(김형민 et al., 2022;정준현 & 김남호, 2021). 어플리케이션은 신체 주 요 분절 위치를 포착 후 위치 정보를 정량적으로 기록하는 기능을 갖추었으며, 데이터 수집을 위한 샘플링 레이트는 6Hz였다. 본 연구에서 어플리케이션을 사용하여 포착한 신체 주요 분절 위치는 Figure 1 B와 같다. 어플리케이션 을 사용한 데이터 수집은 대상자로부터 2미터 떨어진 지 점에서 진행하였으며 (Finkbiner et al., 2017;Parks et al., 2019), 대상자 정면에서 촬영하였다.

3. 자료처리

본 연구에서는 동작분석 시스템 데이터를 6Hz 로우 패스, 4차 Butterworth 필터링 처리하고(박다훈 et al., 2021;전유호 et al., 2020), 이를 Visual 3D (C-Motion, Inc., USA)를 사용하여 경부 각도 계산을 진행하였다. 경 부 관절은 7번 경추(C7), 두정(parietal)과 후두(occipital) 의 광학마커를 활용하여 정의하였다(Lee et al., 2014). 분 석을 위해 Visual 3D 소프트웨어에서 모델링 된 모습 및 경부관절의 축은 Figure 2와 같이 형성되었다. 이후 어플 리케이션에서 분석한 각도 데이터의 분석 타당성을 검증 하기 위해 시간 동기화 과정을 거쳐 각 데이터의 시작점이 동일하도록 조정하고, 데이터를 보간(spline)하여, 두 데이 터의 길이를 정규화하였다(Box et al., 2015;김유신, 2019). 본 연구에서는 분석 타당성 검증 과정에서 다중 선 형 회귀식을 활용하였다. 다중 선형 회귀식 학습은 어플리 케이션으로 기록한 신체 주요 분절의 X, Y 좌표를 독립변 수로 하고, 3D 동작분석 시스템을 통해 계산된 각 경부 동작 별(신전, 굴곡, 측굴, 회전) 관절 가동범위를 종속변 수로 설정하여 진행하였다. 다중 선형 회귀식 학습 시 각 동작 별 데이터 세트의 80%를 학습에 활용하였고, 나머지 20%는 평가에 활용하였다. 다중 선형 회귀식 구축은 ‘scikit-learn’ 라이브러리의 ‘LinearRegression’ 클래스를 활용하였다(Hackeling, 2017;James et al., 2013). 다중 선형 회귀식 구축 후에는 20%의 평가용 데이터 세트를 활용하여 가동범위를 추정하고, 실제 동작분석으로 측정 한 가동범위 데이터와 비교를 진행하였다.

Figure 2

Visual 3D modeling for cervical spine joint angle analysis. The red arrows represent the X-axis, the green arrows represent the Y-axis, and the blue arrows represent the Z-axis of cervical spine.

4. 통계분석

회귀식의 전체적인 유의성은 ‘statsmodels’ 라이브러리 의 ‘OLS’(Ordinary Least Squares) 클래스를 사용하여 검 증하였다(Burton, 2021;Hastie et al., 2009). 모델의 적 합성을 평가하기 위해 조정결정계수(Adjusted R²), F-검 정 결과를 확인하였다. 또한, 생성된 모델 내 각 독립변수 의 회귀 계수의 유의성을 검토를 위하여 t-검정을 수행하 였으며, 통계적 유의성은 p<0.05로 설정하였다. 측정 성 능 평가를 위하여, 각 동작 별로 실제 관절 가동범위와 회귀식을 통해 추정한 관절 가동범위 차이를 RMSE와 NRMSE를 사용해 비교하였다. 모든 분석은 Python 3.7.6 에서 진행하였다.

Ⅲ. 결 과

1. 경부 동작 별 회귀 분석 결과

회귀 분석 결과, 다중 선형 회귀식으로 추정된 경부 각 동작의 가동범위 데이터는 3D 동작 분석 시스템을 통해 측정된 데이터와 비교하여 통계적으로 유의한 수준으로 유사한 것으로 나타났다(p <0.01).

신전 동작 회귀식의 adjusted R² = 0. 747 이었다. 굴곡 동작 회귀식의 adjusted R2 =0.777이었다. 좌측 측굴 동 작 회귀식의 adjusted R² = 0.851었으며, 우측 측굴 동작 회귀식은 adjusted R2 =0.809였다. 좌측 회전 동작 회귀 식의 adjusted R² = 0.769였으며, 우측 회전 동작 회귀식 의 adjusted R² = 0.762였다. 각 동작 별 회귀식에 관한 세부 결과는 Table 1에 요약하였다.

Table 1

Details of multiple regression analysis results for each motion

Variable	Extension			Flexion			Lateral Flexion (Left)			Lateral Flexion (Right)			Rotation (Left)			Rotation (Right)
Variable	Coef	t	p	Coef	t	p	Coef	t	p	Coef	t	p	Coef	t	p	Coef	t	p
Const	141.59	42.23	<0.01^**	9.06	2.20	0.028^*	-112.05	-34.49	<0.01^**	-72.87	-16.10	<0.01^**	51.45	7.42	<0.01^**	6.37	1.31	0.189
NOSE_X	0.25	10.12	<0.01^**	0.42	17.12	<0.01^**	0.05	3.62	<0.01^**	0.14	6.57	<0.01^**	-0.35	-21.22	<0.01^**	0.12	7.49	<0.01^**
NOSE_Y	0.04	1.36	0.174	0.32	14.81	<0.01^**	0.03	1.35	0.177	-0.21	-7.08	<0.01^**	0.05	1.48	0.14	-0.06	-1.77	0.077
LEFT_EAR_X	-0.05	-1.75	0.081	-0.79	-34.57	<0.01^**	-0.08	-5.65	<0.01^**	0.08	3.90	<0.01^**	0.08	3.32	<0.01^**	-0.01	-0.29	0.773
LEFT_EAR_Y	0.17	3.31	<0.01^**	0.10	2.64	<0.01^**	0.01	0.67	0.501	0.41	12.40	<0.01^**	-0.09	-1.62	0.106	0.10	1.89	0.059
RIGHT_EAR_X	-0.06	-1.89	0.059	-0.06	-2.48	0.013^*	0.17	10.98	<0.01^**	-0.35	-13.44	<0.01^**	0.43	14.12	<0.01^**	-0.51	-20.02	<0.01^**
RIGHT_EAR_Y	-0.26	-4.48	<0.01^**	-0.65	-17.59	<0.01^**	-0.12	-4.75	<0.01^**	0.02	0.56	0.574	0.08	1.29	0.198	0.25	4.99	<0.01^**
LEFT_SHOULDER_X	0.33	17.17	<0.01^**	0.03	1.56	0.12	-0.03	-2.24	0.025^*	0.29	15.18	<0.01^**	-0.73	-15.79	<0.01^**	-0.25	-9.39	<0.01^**
LEFT_SHOULDER_Y	-0.29	-6.68	<0.01^**	0.16	4.53	<0.01^**	0.15	5.51	<0.01^**	-0.31	-8.49	<0.01^**	-0.48	-8.61	<0.01^**	-0.21	-4.52	<0.01^**
RIGHT_SHOULDER_X	0.21	11.82	<0.01^**	0.12	8.40	<0.01^**	0.11	11.15	<0.01^**	0.56	36.23	<0.01^**	0.60	12.09	<0.01^**	0.22	11.30	<0.01^**
RIGHT_SHOULDER_Y	0.21	5.21	<0.01^**	0.18	5.19	<0.01^**	0.12	4.56	<0.01^**	-0.08	-2.35	0.019^*	-0.34	-6.66	<0.01^**	-0.54	-12.14	<0.01^**
LEFT_ELBOW_X	-0.88	-32.55	<0.01^**	0.28	14.61	<0.01^**	-0.11	-7.06	<0.01^**	0.32	12.53	<0.01^**	-0.16	-4.21	<0.01^**	-0.34	-9.41	<0.01^**
LEFT_ELBOW_Y	0.36	8.56	<0.01^**	-1.00	-29.91	<0.01^**	-0.97	-37.70	<0.01^**	-1.63	-43.48	<0.01^**	-0.10	-2.07	0.039^*	-0.18	-3.83	<0.01^**
RIGHT_ELBOW_X	-0.14	-7.04	<0.01^**	0.45	30.94	<0.01^**	0.02	1.63	0.102	0.46	27.94	<0.01^**	0.05	1.24	0.216	0.60	24.73	<0.01^**
RIGHT_ELBOW_Y	-0.12	-2.81	<0.01^**	-0.48	-15.78	<0.01^**	-0.23	-9.74	<0.01^**	0.12	3.16	<0.01^**	0.12	2.99	<0.01^**	0.04	0.97	0.334
LEFT_WRIST_X	0.41	25.11	<0.01^**	-0.07	-5.72	<0.01^**	0.03	2.99	<0.01^**	-0.34	-20.49	<0.01^**	-0.14	-6.67	<0.01^**	0.39	19.23	<0.01^**
LEFT_WRIST_Y	-0.46	-19.60	<0.01^**	0.71	40.82	<0.01^**	0.15	9.74	<0.01^**	1.20	58.44	<0.01^**	-0.02	-0.81	0.417	0.47	19.07	<0.01^**
RIGHT_WRIST_X	-0.24	-19.07	<0.01^**	-0.17	-16.02	<0.01^**	-0.13	-18.13	<0.01^**	-0.76	-67.49	<0.01^**	-0.78	-32.47	<0.01^**	-0.57	-29.80	<0.01^**
RIGHT_WRIST_Y	0.64	29.70	<0.01^**	0.33	21.70	<0.01^**	0.43	35.29	<0.01^**	0.40	20.95	<0.01^**	0.62	24.43	<0.01^**	0.59	27.10	<0.01^**
LEFT_HIP_X	0.40	12.88	<0.01^**	0.17	7.18	<0.01^**	0.27	14.34	<0.01^**	-0.21	-7.96	<0.01^**	0.25	5.52	<0.01^**	0.14	4.10	<0.01^**
LEFT_HIP_Y	-0.03	-0.74	0.458	0.27	7.30	<0.01^**	0.49	17.37	<0.01^**	0.49	12.61	<0.01^**	0.40	7.79	<0.01^**	0.33	6.88	<0.01^**
RIGHT_HIP_X	0.07	2.41	0.016^*	-0.13	-5.75	<0.01^**	-0.14	-8.39	<0.01^**	0.16	5.54	<0.01^**	-0.18	-3.88	<0.01^**	-0.54	-14.75	<0.01^**
RIGHT_HIP_Y	-0.03	-0.67	0.503	0.80	20.43	<0.01^**	-0.04	-1.25	0.21	0.21	4.96	<0.01^**	0.94	17.01	<0.01^**	-0.53	-10.25	<0.01^**
LEFT_KNEE_X	-0.90	-36.95	<0.01^**	0.34	17.02	<0.01^**	-0.18	-12.29	<0.01^**	0.07	2.62	<0.01^**	1.46	39.37	<0.01^**	0.99	31.79	<0.01^**
LEFT_KNEE_Y	-0.01	-0.35	0.724	-0.73	-33.57	<0.01^**	0.15	8.53	<0.01^**	0.14	6.82	<0.01^**	0.52	15.98	<0.01^**	0.88	32.52	<0.01^**
RIGHT_KNEE_X	-0.13	-6.63	<0.01^**	-0.83	-54.72	<0.01^**	0.41	34.28	<0.01^**	0.04	2.06	0.039^*	1.05	47.48	<0.01^**	0.76	35.93	<0.01^**
RIGHT_KNEE_Y	-0.04	-1.55	0.12	0.26	11.34	<0.01^**	-0.18	-10.74	<0.01^**	-0.37	-14.04	<0.01^**	-1.55	-51.59	<0.01^**	-0.45	-15.48	<0.01^**
LEFT_ANKLE_X	0.39	23.32	<0.01^**	-0.20	-17.73	<0.01^**	0.27	30.53	<0.01^**	-0.32	-20.47	<0.01^**	-0.55	-31.17	<0.01^**	-0.30	-18.96	<0.01^**
LEFT_ANKLE_Y	0.20	13.47	<0.01^**	0.17	12.29	<0.01^**	0.37	37.50	<0.01^**	-0.49	-40.71	<0.01^**	-0.46	-30.12	<0.01^**	-1.11	-76.58	<0.01^**
RIGHT_ANKLE_X	0.11	7.86	<0.01^**	0.52	52.23	<0.01^**	-0.25	-32.34	<0.01^**	-0.30	-26.47	<0.01^**	-0.82	-61.22	<0.01^**	-0.57	-44.96	<0.01^**
RIGHT_ANKLE_Y	-0.42	-33.53	<0.01^**	-0.44	-42.54	<0.01^**	-0.38	-40.64	<0.01^**	0.34	26.53	<0.01^**	0.28	21.90	<0.01^**	0.46	31.78	<0.01^**

Note: Coef= Coefficient.

^*: p< 0.05 ^**: p<0.01

2. 경부 동작 별 실제 관절 가동범위와 회귀식을 통 해 추정한 관절 가동범위 비교

경부 동작 별 관절 가동범위 추정 결과는 Table 2에 하였다. 각 동작 별로 측정 방법에 따른 관절 가동범위 추정치를 비교한 결과, RMSE는 최저 4.43°에서 최대 5.85° 였으며, NRSME는 최저 9.90%에서 최대 18.03% 였다.

Table 2

Joint range of motion measurement results by each motion (Unit: °)

Motions	Motion analysis	Estimates using regression model	RMSE	NRMSE

Extension	35.07±7.92	35.63±7.07	4.83	13.77%
Flexion	24.59±8.02	25.83±6.76	4.43	18.03%
Lateral Flexion (Left)	34.40±7.81	33.41±6.06	4.44	12.89%
Lateral Flexion (Right)	32.39±8.13	33.15±6.45	5.14	15.89%
Rotation (Left)	58.61±10.69	57.34±8.12	5.85	9.97%
Rotation (Right)	56.92±9.59	57.70±8.42	5.64	9.90%

Mean±Standard Deviation

Note: RMSE= Root Mean Square Error; NRMSE= Normalized Root Mean Square Error; RMSE and NRMSE were calculated based on Motion analysis values and estimates using regression model values.

각 동작 별 NRMSE가 가장 높은 동작은 신전 동작이었 으며, 실제 가동범위와 추정 가동범위 간 차이는 0.55± 4.80°였다. 다음으로 NRMSE가 높았던 동작은 우측 측굴 동작이며, 실제 가동범위와 추정 가동범위 간의 차이가 0.76±5.09°였다. 좌측 측굴 동작에서는 -0.99±4.33°의 차이가 있었으며, 굴곡 동작에서는 실제 가동범위와 추 정 가동범위 간의 차이가 1.25±4.26°였다. 좌측 회전 동 작에서 실제 가동범위와 추정 가동범위 간의 차이가 -1.27±5.71°였고, 우측 회전 동작에서는 실제 가동범위 와 추정 가동범위 간의 차이가 0.78±5.58°였으며, NRMSE가 가장 낮았다. 대상자별로 두 방법 간의 관절 가동범위 차이를 비교한 세부 결과는 Table 3과 같았다.

Table 3

Differences in range of motion between motion analysis and estimates using regression models by each subject (Unit: °)

Subject	Extension			Flexion			Lateral Flexion (Left)			Lateral Flexion (Right)			Rotation (Left)			Rotation (Right)
Subject	Diff.	RMSE	NRMSE	Diff.	RMSE	NRMSE	Diff.	RMSE	NRMSE	Diff.	RMSE	NRMSE	Diff.	RMSE	NRMSE	Diff.	RMSE	NRMSE
1	1.31±2.29	2.86	7.29%	2.10±4.94	3.76	21.85%	-0.57±2.93	3.5	8.44%	-3.43±6.19	4.56	11.10%	-1.42±4.31	5.75	9.12%	-0.16±3.34	2.77	4.47%
2	1.58±1.64	2.39	8.43%	4.77±2.63	5.39	20.12%	-6.58±2.95	7.13	17.63%	0.42±3.14	2.28	7.00%	1.40±3.59	4.61	8.59%	1.82±2.98	3.22	6.25%
3	1.13±4.12	4.46	11.49%	-0.90±5.02	2.96	9.02%	-1.76±1.78	2.52	6.52%	0.19±3.35	1.7	4.43%	-1.98±5.35	3.66	5.88%	4.86±6.79	9.22	15.41%
4	0.27±2.78	1.46	6.01%	2.88±2.46	3.99	27.95%	0.55±2.99	2.52	10.96%	2.17±4.24	5.85	22.69%	2.41±2.38	3.45	9.24%	3.72±6.72	5.42	11.44%
5	-0.39±6.34	5.05	13.22%	-0.58±3.58	3.08	12.68%	-5.61±5.96	7.22	17.49%	0.69±3.64	3.49	9.03%	-1.51±3.55	4.2	6.49%	-0.46±3.86	4.69	7.19%
6	-1.75±3.07	2.61	7.08%	2.57±3.80	3.85	21.67%	-0.92±2.11	2.47	8.23%	-1.02±1.50	1.98	7.22%	-1.87±3.37	3.42	7.65%	0.65±4.21	4.03	9.58%
7	-4.91±6.23	8.38	21.82%	-3.90±3.11	5.34	13.81%	-0.19±3.40	2.8	7.35%	-2.64±2.96	3.92	10.91%	-8.26±5.02	9.54	13.30%	-4.18±3.09	5.33	7.98%
8	-1.19±4.01	5.47	16.46%	2.54±6.23	6.57	38.14%	-5.67±3.96	6.28	14.68%	-0.44±5.42	6.75	17.57%	-7.59±11.00	10.18	13.84%	-0.91±3.32	3.05	4.64%
9	3.18±4.11	5.18	17.83%	-0.10±2.50	2.65	10.30%	0.88±3.31	3.43	11.12%	1.13±5.61	5.57	19.22%	2.57±2.93	4.3	8.33%	3.96±6.21	7.35	16.24%
10	0.72±1.99	1.91	5.51%	2.93±3.89	4.26	23.45%	-0.59±4.40	1.93	5.25%	-0.82±3.65	2.97	7.99%	-2.93±2.69	4.03	6.03%	-3.07±3.57	3.95	5.27%
11	1.47±3.93	3.77	10.48%	-1.32±1.83	2.23	6.11%	-0.46±2.76	2.8	8.35%	-1.22±4.57	4.65	13.51%	-0.71±9.55	6.06	11.20%	-0.89±8.05	3.96	7.30%
12	3.09±4.57	6.33	15.32%	1.26±3.72	4.36	12.94%	-2.69±5.40	3.26	8.49%	-0.07±3.84	3.14	7.75%	0.15±3.62	3.82	6.45%	3.49±8.14	9.17	15.61%
13	-1.26±5.87	3.59	6.75%	3.02±3.70	4.8	19.94%	3.47±4.43	4.11	13.28%	4.73±2.54	5.24	19.43%	0.66±2.75	3.22	5.88%	4.71±5.95	6.69	12.48%
14	3.80±5.79	7.82	27.72%	3.17±7.11	6.25	30.32%	0.06±6.55	2.26	6.49%	3.23±4.79	5.35	18.57%	-1.28±9.20	7.88	12.65%	-2.42±6.60	6.16	12.00%
15	1.23±5.01	4.78	18.14%	0.26±4.97	4.43	21.13%	5.27±4.91	7.61	50.29%	8.53±6.64	11.38	105.62%	1.35±12.56	7.11	11.95%	0.55±4.02	3.99	7.20%

Mean±Standard Deviation

Note: Diff.= Difference; RMSE= Root Mean Square Error; NRMSE= Normalized Root Mean Square Error; Diff., RMSE and NRMSE were calculated based on Motion analysis values and estimates using regression model values.

Ⅳ. 논 의

본 연구의 목적은 스마트폰 카메라와 인공지능을 활용 하여 경부 가동범위를 추정하는 회귀식을 구축하고, 이를 검증하는 것이다. 이를 위하여, 스마트폰 카메라를 활용 해 경부 신전, 굴곡, 좌우 측굴, 좌우 회전 같은 다양한 동작을 수행하는 동안 신체 주요 분절의 위치를 포착하고 이를 정량적으로 기록하였다. 그 후, 정량화된 신체 주요 분절 위치 데이터와 동작분석을 통해 측정한 가동범위 데 이터를 기반으로 다중 선형 회귀 분석을 실시하였다. 본 연구 결과에서는 조정 결정 계수를 사용하여 각 동작에 대한 회귀식의 설명력을 평가하고, 각 동작 별로 실제 관 절 가동범위와 회귀식을 통해 추정한 관절 가동범위 차이 를 비교하였다.

회귀 분석 결과, 구축된 각 동작 별 관절 가동범위 추정 회귀식이 동작 분석 시스템을 통해 측정된 실제 가동범위 데이터와 통계적으로 유의미하게 유사하다는 결과를 보 여주었다. 구축된 회귀식의 조정 결정 계수 범위는 최저 0.747에서 최대 0.851로, 각 동작에 대해 상당한 설명력을 보여주며 구축 회귀식의 타당성을 입증하였다. 또한, 경 부 동작 별로 추정치와 실제 측정치 간의 RMSE 및 NRMSE 값을 분석한 결과, RMSE는 최저 4.43°에서 최대 5.85°의 범위를 보였으며, NRMSE는 9.90%에서 18.03% 사이의 범위를 보였다.

2D 비디오 이미지를 기반으로 견관절 가동범위를 분석 한 선행 연구에서는 3D 동작분석 시스템인 Vicon을 이용 한 측정값과 Microsoft Kinect를 이용한 측정값의 차이가 4°에서 8°였다고 보고하였다(Chen, Yung-Chih et al., 2015). 해당 연구에서는 평균적으로 관상면에서의 외전은 4.43°, 시상면에서 굴곡은 4.36°, 수평 내전은 5.38°, 수평 외전은 5.62°, 팔꿈치를 굽힌 상태에서의 외회전은 6.57°, 팔꿈치를 굽힌 상태에서의 내회전은 6.50°로 나타났다고 보고하였다. 마찬가지로 2D 비디오 이미지 기반 슬관절 가동범위 분석을 진행한 선행 연구에서는 3D 동작분석 시 스템인 Qulisys를 이용한 측정값과 Kinect를 이용한 측정 값의 차이가 3.3°에서 7.0°로 나타났다고 보고하였다 (Pantzar-Castilla et al., 2018). 해당 연구는 시상면에서 의 슬관절 가동범위만을 비교하였으며, 2D 비디오 이미지 를 기반으로 분석한 굴곡 가동범위가 더 크게 측정되는 경향이 있다고 하였다. 이러한 연구 기존 연구결과들과 비교하였을 때, 본 연구 결과는 4.43°에서 5.85°의 RMSE 범위를 보여, 스마트폰 카메라를 활용한 다중선형회귀분 석 기반 방식이 신뢰성 있는 경부 관절 가동범위 추정치를 제공할 수 있음을 시사한다.

각 동작 별 회귀식의 결정 계수 차이는 각 동작의 복잡 성과 개별 대상자의 동작 수행 방식에 따른 변이성에 관한 정보를 제공한다(Burton, 2021;Hastie et al., 2009). 예 를 들어, 경부 좌측 측굴 동작의 높은 결정 계수는 해당 동작이 다른 동작들에 비해 더 일관된 생체역학적 패턴을 나타낸다는 것을 시사한다. 반면, 경부 신전 동작의 상대 적으로 낮은 결정 계수는 해당 동작이 더 다양한 생체역학 적 요인들의 영향을 받을 수 있음을 시사한다. 따라서, 분 석 결과를 통한 각 동작의 특성 파악은 임상 평가 진단 정확도를 높이고, 효과적 치료 전략을 수립하는 데 기여 할 수 있을 것으로 기대한다.

임상 환경에서 경부 관절 가동범위를 정확하게 측정하 는 것은 환자의 진단과 치료 계획 수립에 있어 매우 중요 하다 (Hancock et al., 2018;Wylde et al., 2012). 일반적 으로, 임상 환경의 전문가들은 각도계와 같은 전통적인 도구를 사용하거나 고가의 동작분석 장비를 사용하여 경 부의 가동범위를 측정한다 (Bharadwaj et al., 2021;Chen, Yung-Chih et al., 2015;Hancock et al., 2018;Wylde et al., 2012). 그러나 이러한 방법은 시간이 오래 걸리며, 때로는 정확한 측정이 어려울 수도 있다. 이러한 문제점을 해결하기 위해, 본 연구에서 사용된 스마트폰 내장 카메라를 통한 경부 가동범위 추정 방법은 고도의 전문 지식과 비용이 많이 드는 장비에 의존하는 기존 방법 들의 대안이 될 수 있을 것이다(Argent et al., 2019;Chen, Yi-Tai et al., 2021;Keogh et al., 2019;Longoni et al., 2019;Mourcou et al., 2015).

또한, 스마트폰 어플리케이션을 활용한 접근은 재활 과 정에서 환자의 자가 관리 능력을 향상시킬 것으로 기대된 다. 스마트폰을 활용한 접근방식은 비용 효율적이며, 임 상 현장 또는 일상생활 적용이 쉽다는 장점이 있어 재활 의료 서비스의 접근성과 편의성을 크게 향상시킬 수 있 다. 자가 관리 능력의 향상은 재활 기간을 단축하고, 전반 적인 치료 효과 개선에 기여할 것으로 기대된다.

본 연구는 데이터 기반 접근을 통해 경부 동작의 다양 한 패턴을 분석하고 이해하는 기초자료를 제공하였으나, 몇 가지 제한점을 가지고 있다. 첫 번째, 연구 참여자가 20대 성인 남성으로 한정되어 있어 결과의 일반화에 제한 을 줄 수 있다. 연구의 일반화 가능성을 높이기 위해 보다 다양한 인구 집단을 포함하여 연구를 진행하는 것은 중요 한 요소이다. 두 번째, 신체적 특징에 따른 참여자 분류를 고려하지 않았다. 신체적 특성은 생체역학 분석 시 중요 한 영향을 미칠 수 있다. 세 번째, 일반화를 위해 더 많은 학습 데이터가 필요하다. 학습 데이터 부족은 회귀식의 성능에 직접적인 영향을 미친다. 따라서, 향후 연구에서 는 연구 참여자의 다양성 확보, 신체적 특성을 고려한 참 여자 분류, 학습 데이터 수 확보를 통하여 경부 관절 가동 범위 추정 회귀식의 예측력과 일반화 능력을 개선할 필요 가 있다. 또한, 본 연구에서 다른 동작에 비하여 굴곡 동작 은 오차범위가 높고, 신전 및 좌우 회전 동작은 다중선형 회귀 모델의 설명력이 낮은 것으로 나타났다. 이는 생체 역학적 패턴의 일관성이 낮기 때문일 수도 있으나, 정면 에서 스마트폰 카메라를 이용한 촬영을 진행했을 때 인체 의 3차원적인 움직임을 추정하는 데 한계가 있음을 시사 한다. 이러한 이유로, 오차 범위가 낮고 설명력이 높은 동 작은 좌우 측굴 동작은 임상에서 활용을 권고할 만하며, 오차 범위가 크고, 설명력이 다소 낮은 신전 및 좌우 회전 동작은 추가적인 개선을 위한 연구가 필요함을 제언한다.

Ⅴ. 결 론

본 연구는 스마트폰 카메라와 인공지능 기술을 활용하 여 경부 동작에 대한 다중 선형 회귀 분석을 통해 경부 관절 가동범위를 추정하는 회귀식을 구축하고 이를 검증 하였다. 연구 결과, 구축된 회귀식은 3D 동작 분석 시스템 을 통해 측정된 실제 가동범위 데이터와 통계적으로 유의 미하게 유사한 것으로 나타났다. 회귀식의 결정계수는 모 든 동작에서 0.747에서 0.851 범위로 나타났으며, 이는 제 안된 방법이 각 동작의 경부 관절 가동범위를 예측하는 데 있어 높은 신뢰성을 지님을 시사한다. 좌측 측굴 동작 회귀식이 가장 높은 결정계수를 보였으며, 이어서 우측 측굴, 굴곡, 우측 회전, 좌측 회전, 신전 순으로 높은 결정 계수를 보였다. 각 동작별 실제 관절 가동범위와 회귀식 을 사용한 추정치를 비교한 결과, 제곱근 평균 제곱 오차 는 최저 4.43°에서 최대 5.85°의 범위를 보였다.

본 연구는 스마트폰을 활용해 경부 동작의 특성을 이해 하기 위한 데이터 기반 접근 방법을 제시하였다. 특히 정 면 촬영을 통해 모든 동작을 3가지 면에서 추정할 수 있다 는 점에서, 다양한 각도에서 일어나는 경부의 움직임을 보다 편리하고 정확하게 평가할 수 있음을 보여주었다. 이는 고가의 장비나 전문 인력이 필요한 기존의 측정 방법 에 비해 비용 효율적이고 접근성이 높은 대안이 될 수 있 음을 시사한다. 스마트폰 기반 접근법은 환자들의 자가 관리 능력을 향상시키고, 재활 의료 서비스의 접근성과 편의성을 크게 향상시킬 수 있다. 본 연구 결과는, 임상 평가를 위한 기초 자료로 활용될 수 있을 뿐만 아니라, 효과적인 치료 전략 수립에도 기여할 것으로 기대된다.

Figure

Figure 1.

Landmark locations by analysis system

(A): 3D Motion analysis system (B): Application system

Figure 2.

Visual 3D modeling for cervical spine joint angle analysis. The red arrows represent the X-axis, the green arrows represent the Y-axis, and the blue arrows represent the Z-axis of cervical spine.

Table

Table 1.

Details of multiple regression analysis results for each motion

Note: Coef= Coefficient.

*: p< 0.05 **: p<0.01

Variable	Extension			Flexion			Lateral Flexion (Left)			Lateral Flexion (Right)			Rotation (Left)			Rotation (Right)
Variable	Coef	t	p	Coef	t	p	Coef	t	p	Coef	t	p	Coef	t	p	Coef	t	p
Const	141.59	42.23	<0.01**	9.06	2.20	0.028*	-112.05	-34.49	<0.01**	-72.87	-16.10	<0.01**	51.45	7.42	<0.01**	6.37	1.31	0.189
NOSE_X	0.25	10.12	<0.01**	0.42	17.12	<0.01**	0.05	3.62	<0.01**	0.14	6.57	<0.01**	-0.35	-21.22	<0.01**	0.12	7.49	<0.01**
NOSE_Y	0.04	1.36	0.174	0.32	14.81	<0.01**	0.03	1.35	0.177	-0.21	-7.08	<0.01**	0.05	1.48	0.14	-0.06	-1.77	0.077
LEFT_EAR_X	-0.05	-1.75	0.081	-0.79	-34.57	<0.01**	-0.08	-5.65	<0.01**	0.08	3.90	<0.01**	0.08	3.32	<0.01**	-0.01	-0.29	0.773
LEFT_EAR_Y	0.17	3.31	<0.01**	0.10	2.64	<0.01**	0.01	0.67	0.501	0.41	12.40	<0.01**	-0.09	-1.62	0.106	0.10	1.89	0.059
RIGHT_EAR_X	-0.06	-1.89	0.059	-0.06	-2.48	0.013*	0.17	10.98	<0.01**	-0.35	-13.44	<0.01**	0.43	14.12	<0.01**	-0.51	-20.02	<0.01**
RIGHT_EAR_Y	-0.26	-4.48	<0.01**	-0.65	-17.59	<0.01**	-0.12	-4.75	<0.01**	0.02	0.56	0.574	0.08	1.29	0.198	0.25	4.99	<0.01**
LEFT_SHOULDER_X	0.33	17.17	<0.01**	0.03	1.56	0.12	-0.03	-2.24	0.025*	0.29	15.18	<0.01**	-0.73	-15.79	<0.01**	-0.25	-9.39	<0.01**
LEFT_SHOULDER_Y	-0.29	-6.68	<0.01**	0.16	4.53	<0.01**	0.15	5.51	<0.01**	-0.31	-8.49	<0.01**	-0.48	-8.61	<0.01**	-0.21	-4.52	<0.01**
RIGHT_SHOULDER_X	0.21	11.82	<0.01**	0.12	8.40	<0.01**	0.11	11.15	<0.01**	0.56	36.23	<0.01**	0.60	12.09	<0.01**	0.22	11.30	<0.01**
RIGHT_SHOULDER_Y	0.21	5.21	<0.01**	0.18	5.19	<0.01**	0.12	4.56	<0.01**	-0.08	-2.35	0.019*	-0.34	-6.66	<0.01**	-0.54	-12.14	<0.01**
LEFT_ELBOW_X	-0.88	-32.55	<0.01**	0.28	14.61	<0.01**	-0.11	-7.06	<0.01**	0.32	12.53	<0.01**	-0.16	-4.21	<0.01**	-0.34	-9.41	<0.01**
LEFT_ELBOW_Y	0.36	8.56	<0.01**	-1.00	-29.91	<0.01**	-0.97	-37.70	<0.01**	-1.63	-43.48	<0.01**	-0.10	-2.07	0.039*	-0.18	-3.83	<0.01**
RIGHT_ELBOW_X	-0.14	-7.04	<0.01**	0.45	30.94	<0.01**	0.02	1.63	0.102	0.46	27.94	<0.01**	0.05	1.24	0.216	0.60	24.73	<0.01**
RIGHT_ELBOW_Y	-0.12	-2.81	<0.01**	-0.48	-15.78	<0.01**	-0.23	-9.74	<0.01**	0.12	3.16	<0.01**	0.12	2.99	<0.01**	0.04	0.97	0.334
LEFT_WRIST_X	0.41	25.11	<0.01**	-0.07	-5.72	<0.01**	0.03	2.99	<0.01**	-0.34	-20.49	<0.01**	-0.14	-6.67	<0.01**	0.39	19.23	<0.01**
LEFT_WRIST_Y	-0.46	-19.60	<0.01**	0.71	40.82	<0.01**	0.15	9.74	<0.01**	1.20	58.44	<0.01**	-0.02	-0.81	0.417	0.47	19.07	<0.01**
RIGHT_WRIST_X	-0.24	-19.07	<0.01**	-0.17	-16.02	<0.01**	-0.13	-18.13	<0.01**	-0.76	-67.49	<0.01**	-0.78	-32.47	<0.01**	-0.57	-29.80	<0.01**
RIGHT_WRIST_Y	0.64	29.70	<0.01**	0.33	21.70	<0.01**	0.43	35.29	<0.01**	0.40	20.95	<0.01**	0.62	24.43	<0.01**	0.59	27.10	<0.01**
LEFT_HIP_X	0.40	12.88	<0.01**	0.17	7.18	<0.01**	0.27	14.34	<0.01**	-0.21	-7.96	<0.01**	0.25	5.52	<0.01**	0.14	4.10	<0.01**
LEFT_HIP_Y	-0.03	-0.74	0.458	0.27	7.30	<0.01**	0.49	17.37	<0.01**	0.49	12.61	<0.01**	0.40	7.79	<0.01**	0.33	6.88	<0.01**
RIGHT_HIP_X	0.07	2.41	0.016*	-0.13	-5.75	<0.01**	-0.14	-8.39	<0.01**	0.16	5.54	<0.01**	-0.18	-3.88	<0.01**	-0.54	-14.75	<0.01**
RIGHT_HIP_Y	-0.03	-0.67	0.503	0.80	20.43	<0.01**	-0.04	-1.25	0.21	0.21	4.96	<0.01**	0.94	17.01	<0.01**	-0.53	-10.25	<0.01**
LEFT_KNEE_X	-0.90	-36.95	<0.01**	0.34	17.02	<0.01**	-0.18	-12.29	<0.01**	0.07	2.62	<0.01**	1.46	39.37	<0.01**	0.99	31.79	<0.01**
LEFT_KNEE_Y	-0.01	-0.35	0.724	-0.73	-33.57	<0.01**	0.15	8.53	<0.01**	0.14	6.82	<0.01**	0.52	15.98	<0.01**	0.88	32.52	<0.01**
RIGHT_KNEE_X	-0.13	-6.63	<0.01**	-0.83	-54.72	<0.01**	0.41	34.28	<0.01**	0.04	2.06	0.039*	1.05	47.48	<0.01**	0.76	35.93	<0.01**
RIGHT_KNEE_Y	-0.04	-1.55	0.12	0.26	11.34	<0.01**	-0.18	-10.74	<0.01**	-0.37	-14.04	<0.01**	-1.55	-51.59	<0.01**	-0.45	-15.48	<0.01**
LEFT_ANKLE_X	0.39	23.32	<0.01**	-0.20	-17.73	<0.01**	0.27	30.53	<0.01**	-0.32	-20.47	<0.01**	-0.55	-31.17	<0.01**	-0.30	-18.96	<0.01**
LEFT_ANKLE_Y	0.20	13.47	<0.01**	0.17	12.29	<0.01**	0.37	37.50	<0.01**	-0.49	-40.71	<0.01**	-0.46	-30.12	<0.01**	-1.11	-76.58	<0.01**
RIGHT_ANKLE_X	0.11	7.86	<0.01**	0.52	52.23	<0.01**	-0.25	-32.34	<0.01**	-0.30	-26.47	<0.01**	-0.82	-61.22	<0.01**	-0.57	-44.96	<0.01**
RIGHT_ANKLE_Y	-0.42	-33.53	<0.01**	-0.44	-42.54	<0.01**	-0.38	-40.64	<0.01**	0.34	26.53	<0.01**	0.28	21.90	<0.01**	0.46	31.78	<0.01**

Table 2.

Joint range of motion measurement results by each motion (Unit: °)

Mean±Standard Deviation

Note: RMSE= Root Mean Square Error; NRMSE= Normalized Root Mean Square Error; RMSE and NRMSE were calculated based on Motion analysis values and estimates using regression model values.

Motions	Motion analysis	Estimates using regression model	RMSE	NRMSE
Extension	35.07±7.92	35.63±7.07	4.83	13.77%
Flexion	24.59±8.02	25.83±6.76	4.43	18.03%
Lateral Flexion (Left)	34.40±7.81	33.41±6.06	4.44	12.89%
Lateral Flexion (Right)	32.39±8.13	33.15±6.45	5.14	15.89%
Rotation (Left)	58.61±10.69	57.34±8.12	5.85	9.97%
Rotation (Right)	56.92±9.59	57.70±8.42	5.64	9.90%

Table 3.

Differences in range of motion between motion analysis and estimates using regression models by each subject (Unit: °)

Mean±Standard Deviation

Subject	Extension			Flexion			Lateral Flexion (Left)			Lateral Flexion (Right)			Rotation (Left)			Rotation (Right)
Subject	Diff.	RMSE	NRMSE	Diff.	RMSE	NRMSE	Diff.	RMSE	NRMSE	Diff.	RMSE	NRMSE	Diff.	RMSE	NRMSE	Diff.	RMSE	NRMSE
1	1.31±2.29	2.86	7.29%	2.10±4.94	3.76	21.85%	-0.57±2.93	3.5	8.44%	-3.43±6.19	4.56	11.10%	-1.42±4.31	5.75	9.12%	-0.16±3.34	2.77	4.47%
2	1.58±1.64	2.39	8.43%	4.77±2.63	5.39	20.12%	-6.58±2.95	7.13	17.63%	0.42±3.14	2.28	7.00%	1.40±3.59	4.61	8.59%	1.82±2.98	3.22	6.25%
3	1.13±4.12	4.46	11.49%	-0.90±5.02	2.96	9.02%	-1.76±1.78	2.52	6.52%	0.19±3.35	1.7	4.43%	-1.98±5.35	3.66	5.88%	4.86±6.79	9.22	15.41%
4	0.27±2.78	1.46	6.01%	2.88±2.46	3.99	27.95%	0.55±2.99	2.52	10.96%	2.17±4.24	5.85	22.69%	2.41±2.38	3.45	9.24%	3.72±6.72	5.42	11.44%
5	-0.39±6.34	5.05	13.22%	-0.58±3.58	3.08	12.68%	-5.61±5.96	7.22	17.49%	0.69±3.64	3.49	9.03%	-1.51±3.55	4.2	6.49%	-0.46±3.86	4.69	7.19%
6	-1.75±3.07	2.61	7.08%	2.57±3.80	3.85	21.67%	-0.92±2.11	2.47	8.23%	-1.02±1.50	1.98	7.22%	-1.87±3.37	3.42	7.65%	0.65±4.21	4.03	9.58%
7	-4.91±6.23	8.38	21.82%	-3.90±3.11	5.34	13.81%	-0.19±3.40	2.8	7.35%	-2.64±2.96	3.92	10.91%	-8.26±5.02	9.54	13.30%	-4.18±3.09	5.33	7.98%
8	-1.19±4.01	5.47	16.46%	2.54±6.23	6.57	38.14%	-5.67±3.96	6.28	14.68%	-0.44±5.42	6.75	17.57%	-7.59±11.00	10.18	13.84%	-0.91±3.32	3.05	4.64%
9	3.18±4.11	5.18	17.83%	-0.10±2.50	2.65	10.30%	0.88±3.31	3.43	11.12%	1.13±5.61	5.57	19.22%	2.57±2.93	4.3	8.33%	3.96±6.21	7.35	16.24%
10	0.72±1.99	1.91	5.51%	2.93±3.89	4.26	23.45%	-0.59±4.40	1.93	5.25%	-0.82±3.65	2.97	7.99%	-2.93±2.69	4.03	6.03%	-3.07±3.57	3.95	5.27%
11	1.47±3.93	3.77	10.48%	-1.32±1.83	2.23	6.11%	-0.46±2.76	2.8	8.35%	-1.22±4.57	4.65	13.51%	-0.71±9.55	6.06	11.20%	-0.89±8.05	3.96	7.30%
12	3.09±4.57	6.33	15.32%	1.26±3.72	4.36	12.94%	-2.69±5.40	3.26	8.49%	-0.07±3.84	3.14	7.75%	0.15±3.62	3.82	6.45%	3.49±8.14	9.17	15.61%
13	-1.26±5.87	3.59	6.75%	3.02±3.70	4.8	19.94%	3.47±4.43	4.11	13.28%	4.73±2.54	5.24	19.43%	0.66±2.75	3.22	5.88%	4.71±5.95	6.69	12.48%
14	3.80±5.79	7.82	27.72%	3.17±7.11	6.25	30.32%	0.06±6.55	2.26	6.49%	3.23±4.79	5.35	18.57%	-1.28±9.20	7.88	12.65%	-2.42±6.60	6.16	12.00%
15	1.23±5.01	4.78	18.14%	0.26±4.97	4.43	21.13%	5.27±4.91	7.61	50.29%	8.53±6.64	11.38	105.62%	1.35±12.56	7.11	11.95%	0.55±4.02	3.99	7.20%

Reference

김유신 (2019). 기계학습 알고리즘을 이용한 태권도 돌려차 기의 근육 협응 패턴 분석. 한국체육과학회지, 28(6), 1097-1107.
김형민, 윤종현, 박수현, & 유윤섭 (2022). Google ML Kit 를 이용한 요가 자세 훈련 애플리케이션 구현. 한국정 보통신학회 종합학술대회 논문집, 26(2), 178-180.
박다훈, 이민지, & 김유신 (2021). 불가리안 스플릿 스쿼트 와 스쿼트의 운동형상학적 요인 비교. 한국체육과학회 지, 30(2), 987-994.
전유호, 지용석, & 김유신 (2020). 태권도 숙련도 차이에 따른 돌려차기 운동 가변성 비교 분석. 대한무도학회 지, 22(1), 141-153.
정준현, & 김남호 (2021). 머신러닝 기반 낙상 인식 알고리 즘. 한국정보통신학회 종합학술대회 논문집, 25(2), 226-228.
Argent, R. , Drummond, S. , Remus, A. , O’Reilly, M. , & Caulfield, B. (2019). Evaluating the use of machine learning in the assessment of joint angle using a single inertial sensor. Journal of Rehabilitation and Assistive Technologies Engineering, 6, 2055668 319868544.
Bharadwaj, R. , Kapoor, M. , & Player, D. (2021). Feasibility and reliability of a web-based smartphone application for joint position measurement. Journal of Rehabilitation Medicine, 53(5), 2740.
Box, G. E. , Jenkins, G. M. , Reinsel, G. C. , & Ljung, G. M. (2015). Time series analysis: forecasting and control. John Wiley & Sons.
Burton, A. L. (2021). OLS (Linear) regression. The Encyclopedia of Research Methods in Criminology and Criminal Justice, 2, 509-514.
Chen, Y. , Lee, H. J. , & Lin, K. H. (2015). Measurement of body joint angles for physical therapy based on mean shift tracking using two low cost Kinect images. Paper presented at the 2015 37^th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), 703-706.
Chen, Y. , Van Hieu, N. , Phan, T. L. , Li, T. S. , Chen, S. , & Ching, C. T. S. (2021). A Dynamic Joint Angle Measurement Device for an Active Hand Rehabilitation System. Journal of Healthcare Engineering, 2021(1), 6688345.
Christe, G. , Redhead, L. , Legrand, T. , Jolles, B. M. , & Favre, J. (2016). Multi-segment analysis of spinal kinematics during sit-to-stand in patients with chronic low back pain. Journal of Biomechanics, 49(10), 2060-2067.
Finkbiner, M. J. , Gaina, K. M. , McRandall, M. C. , Wolf, M. M. , Pardo, V. M. , Reid, K. , Adams, B. , & Galen, S. S. (2017). Video movement analysis using smartphones (ViMAS): A pilot study. JoVE (Journal of Visualized Experiments), 121, e54659.
Gentili, A. , Failla, G. , Melnyk, A. , Puleo, V. , Tanna, G. L. D. , Ricciardi, W. , & Cascini, F. (2022). The cost-effectiveness of digital health interventions: A systematic review of the literature. Frontiers in Public Health, 10, 787135.
Hackeling, G. (2017). Mastering machine learning with scikit-learn. Packt Publishing Ltd.
Hagen, K. B. , Harms-Ringdahl, K. , Enger, N. O. , Hedenstad, R. , & Morten, H. (1997). Relationship between subjective neck disorders and cervical spine mobility and motion-related pain in male machine operators. Spine, 22(13), 1501-1507.
Hakkinen, A. , Ylinen, J. , Kautiainen, H. , Airaksinen, O. , Herno, A. , Tarvainen, U. , & Kiviranta, I. (2003). Pain, trunk muscle strength, spine mobility and disability following lumbar disc surgery. Journal of Rehabilitation Medicine, 35(5), 236-240.
Hancock, G. E. , Hepworth, T. , & Wembridge, K. (2018). Accuracy and reliability of knee goniometry methods. Journal of Experimental Orthopaedics, 5(1), 1-6.
Hastie, T. , Tibshirani, R. , Friedman, J. H. , & Friedman, J. H. (2009). The elements of statistical learning: Data mining, inference, and prediction. Springer.
Ienaga, N. , Fujita, K. , Koyama, T. , Sasaki, T. , Sugiura, Y. , & Saito, H. (2020). Development and user evaluation of a smartphone-based system to assess range of motion of wrist joint. Journal of Hand Surgery Global Online, 2(6), 339-342.
James, G. , Witten, D. , Hastie, T. , & Tibshirani, R. (2013). An introduction to statistical learning. Springer.
Keogh, J. W. , Cox, A. , Anderson, S. , Liew, B. , Olsen, A. , Schram, B. , & Furness, J. (2019). Reliability and validity of clinically accessible smartphone applications to measure joint range of motion: A systematic review. PloS One, 14(5), e0215806.
Lee, J. H. , Kim, J. S. , Lee, J. H. , Chung, E. R. , Shim, C. S. , & Lee, S. (2014). Comparison of cervical kinematics between patients with cervical artificial disc replacement and anterior cervical discectomy and fusion for cervical disc herniation. The Spine Journal, 14(7), 1199-1204.
Longoni, L. , Brunati, R. , Sale, P. , Casale, R. , Ronconi, G. , & Ferriero, G. (2019). Smartphone applications validated for joint angle measurement: a systematic review. International Journal of Rehabilitation Research, 42(1), 11-19.
Mourcou, Q. , Fleury, A. , Diot, B. , Franco, C. , & Vuillerme, N. (2015). Mobile phone-based joint angle measurement for functional assessment and rehabilitation of proprioception. BioMed Research International, 2015(1), 328142.
Pantzar-Castilla, E. , Cereatti, A. , Figari, G. , Valeri, N. , Paolini, G. , Della Croce, U. , et al. (2018). Knee joint sagittal plane movement in cerebral palsy: A comparative study of 2-dimensional markerless video and 3-dimensional gait analysis. [Electronic version]. Acta Orthopaedica, 89(6), 656-661.
Parati, M. , Gallotta, M. , De Maria, B. , Pirola, A. , Morini, M. , Longoni, L. , Ambrosini, E. , Ferriero, G. , & Ferrante, S. (2023). Video-based goniometer applications for measuring knee joint angles during walking in neurological patients: A validity, reliability and usability study. Sensors, 23(4), 2232.
Parks, M. , Chien, J. H. , & Siu, K. (2019). Development of a mobile motion capture (MO2CA) system for future military application. Military Medicine, 184 (Supplement_1), 65-71.
Sullivan, M. S. , Shoaf, L. D. , & Riddle, D. L. (2000). The relationship of lumbar flexion to disability in patients with low back pain. Physical Therapy, 80(3), 240-250.
Wall, B. F. , Haylock, R. , Jansen, J. , Hillier, M. C. , Hart, D. , & Shrimpton, P. C. (2011). Radiation risks from medical X-ray examinations as a function of the age and sex of the patient. Health Protection Agency Didcot.
Wylde, V. , Blom, A. W. , Bolink, S. , Brunton, L. , Dieppe, P. , Gooberman-Hill, R. , Grimm, B. , Mann, C. , & Lenguerrand, E. (2012). Assessing function in patients undergoing joint replacement: A study protocol for a cohort study. BMC Musculoskeletal Disorders, 13(1), 1-10.

저자소개

Archives
- ALL ISSUE

Cervical Range of Motion Estimation Using Smartphone Camera Data and Artificial Intelligence*

Abstract

인공지능을 활용한 스마트폰 카메라 영상 기반 경부 관절 가동범위 추정 연구*

초록

Ⅰ. 서 론

Ⅱ. 연구방법

1. 연구대상자

2. 실험 절차

Figure 1

3. 자료처리

Figure 2

4. 통계분석

Ⅲ. 결 과

1. 경부 동작 별 회귀 분석 결과

Table 1

2. 경부 동작 별 실제 관절 가동범위와 회귀식을 통 해 추정한 관절 가동범위 비교

Table 2

Table 3

Ⅳ. 논 의

Ⅴ. 결 론

Figure

Table

Reference

저자소개

Cervical Range of Motion Estimation Using Smartphone Camera Data and Artificial Intelligence^*

인공지능을 활용한 스마트폰 카메라 영상 기반 경부 관절 가동범위 추정 연구^*