본 논문은 관성 측정 장치(IMU)로 캡처한 동작 평가에서 심층 학습 모델의 효과를 높이기 위해 새로운 데이터 증강 기법을 제시합니다. 제한된 데이터 가용성, 클래스 불균형, 레이블 모호성과 같은 문제점을 해결하기 위해, 근골격계 시뮬레이션과 동작 궤적의 체계적인 수정을 통합하여 현실적인 IMU 데이터를 생성하는 방법을 제안합니다. 역 운동학적 매개변수와 지식 기반 평가 전략을 결합하여 생체역학적 타당성을 보장하고 자동적이고 신뢰할 수 있는 레이블링을 가능하게 합니다. 광범위한 평가를 통해 증강된 데이터가 실제 데이터와 유사하며, 신경망 모델의 분류 정확도와 일반화 능력을 크게 향상시킨다는 것을 보여줍니다. 특히 제한된 환자 특이적 훈련 예제만 사용 가능한 경우 환자 특이적 미세 조정 시나리오에서 증강 데이터의 이점을 강조합니다. 이 연구 결과는 생리 치료 운동 평가에 대한 심층 학습 응용 프로그램에서 직면하는 일반적인 과제를 극복하는 데 있어 이 증강 방법의 실용성과 효능을 강조합니다.
