Portable low-cost Kinect sensor was used to analyze standing balance ability of the elderly. Eighty subjects who can walk alone and have a normal cognitive level participated in this experiment. Based on Berg Balance scale (BBS) test with 52 points, subjects were divided into Healthy older (HO: 46 p...
Portable low-cost Kinect sensor was used to analyze standing balance ability of the elderly. Eighty subjects who can walk alone and have a normal cognitive level participated in this experiment. Based on Berg Balance scale (BBS) test with 52 points, subjects were divided into Healthy older (HO: 46 persons, BBS: $53.80{\pm}1.19$) and Impaired older (IO: 34 persons, BBS: $49.06{\pm}2.03$) group. Each subject performed 30 seconds four different standing balance tests (EO: Eyes Open, EC: Eyes Close, EOf: Eyes Open on foam, ECf: Eyes Close on foam). Five variables (Mean distance, Range of distance, Root mean square, Mean velocity, 95% ellipse area) were calculated from the hip joint center movement of Kinect sensor. Results showed that there were significant differences between groups for four different standing tests. Calculated variables from kinect sensor showed significant correlation with BBS score. Especially, mediolateral mean distance, mediolateral root mean square, mediolateral range of distance and 95% ellipse area showed discriminative ability for all tests. Mean values of variables of IO were higher than those of HO, which means the decreased balance ability in IO compared with HO. Therefore, it was possible to estimate simple balance assessment of the elderly using portable low-cost Kinect sensor.
Portable low-cost Kinect sensor was used to analyze standing balance ability of the elderly. Eighty subjects who can walk alone and have a normal cognitive level participated in this experiment. Based on Berg Balance scale (BBS) test with 52 points, subjects were divided into Healthy older (HO: 46 persons, BBS: $53.80{\pm}1.19$) and Impaired older (IO: 34 persons, BBS: $49.06{\pm}2.03$) group. Each subject performed 30 seconds four different standing balance tests (EO: Eyes Open, EC: Eyes Close, EOf: Eyes Open on foam, ECf: Eyes Close on foam). Five variables (Mean distance, Range of distance, Root mean square, Mean velocity, 95% ellipse area) were calculated from the hip joint center movement of Kinect sensor. Results showed that there were significant differences between groups for four different standing tests. Calculated variables from kinect sensor showed significant correlation with BBS score. Especially, mediolateral mean distance, mediolateral root mean square, mediolateral range of distance and 95% ellipse area showed discriminative ability for all tests. Mean values of variables of IO were higher than those of HO, which means the decreased balance ability in IO compared with HO. Therefore, it was possible to estimate simple balance assessment of the elderly using portable low-cost Kinect sensor.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
본 연구는 고령자를 대상으로 키넥트 센서를 적용하여 선자세의 정량적인 측정을 통해 균형능력 차이에 따른 그룹 간의 분별력을 살펴보았다. 그 결과 키넥트 센서를 통해 도출된 평가변인들은 4가지 선자세의 상태에 따라 두 그룹간의 통계적 차이를 나타냈다.
이에 본 연구에서는 실제 고령자를 대상으로 키넥트 센서를 적용하여 선자세를 측정하고 그에 따른 정량적인 변인들을 도출하여 균형능력의 기능저하에 따른 분별력을 살펴보고, 기존의 균형능력 평가도구인 BBS 점수와 키넥트 센서로부터 도출된 변인들과 상관성을 확인하고자 하였다. 키넥트 센서를 이용한 임상적인 균형능력을 평가하기 위한 기초연구로써, 본 연구는 일상생활에 가장 기본이 되는 선자세 기반의 기능적 평가도구를 적용하였다.
이에 본 연구에서는 실제 고령자를 대상으로 키넥트 센서를 적용하여 선자세를 측정하고 그에 따른 정량적인 변인들을 도출하여 균형능력의 기능저하에 따른 분별력을 살펴보고, 기존의 균형능력 평가도구인 BBS 점수와 키넥트 센서로부터 도출된 변인들과 상관성을 확인하고자 하였다. 키넥트 센서를 이용한 임상적인 균형능력을 평가하기 위한 기초연구로써, 본 연구는 일상생활에 가장 기본이 되는 선자세 기반의 기능적 평가도구를 적용하였다.
제안 방법
5 cm의 크기를 가진다. 각 피험자는 4 가지 선자세 검사를 각각 1분 동안 수행하였으며, 검사 사이에는 충분한 시간을 주어 자세 변경 후 안정화하도록 하였다. 기존 평가도구의 결과는 각 테스트의 선자세 유지 시간을 측정하여 합산하는 방식이지만, 본 연구에서는 테스트 수행 시에 키넥트 센서를 통해 측정된 정량적인 관절중심 데이터를 이용하여 보다 다양한 평가변인들을 도출하였다.
각 피험자는 4 가지 선자세 검사를 각각 1분 동안 수행하였으며, 검사 사이에는 충분한 시간을 주어 자세 변경 후 안정화하도록 하였다. 기존 평가도구의 결과는 각 테스트의 선자세 유지 시간을 측정하여 합산하는 방식이지만, 본 연구에서는 테스트 수행 시에 키넥트 센서를 통해 측정된 정량적인 관절중심 데이터를 이용하여 보다 다양한 평가변인들을 도출하였다.
하지만 키넥트 센서에서 제공하는 스켈레톤 데이터는 신체 분절은 끝부분으로 갈수록 정확도가 떨어지며 특히 발인 경우 지면과 경계가 뚜렷하지 않아 정확도가 많이 떨어진다고 하고 있다[17]. 따라서 본 연구에서는 오차를 줄일 뿐만 아니라 평가결과를 제시하는데 있어 더욱 쉽고 빠른 연산을 위하여 선행연구와 달리 정확도가 높고, COM과 유사한 위치를 나타내는 고관절 중심만을 이용하였다.
또한 키넥트 센서에서 제공하는 스켈레톤 데이터는 깊이 센서의 정보를 통하여 산출되기 때문에 피험자의 체형 차이에 따른 변동성(Variability)이 나타날 수 있다. 따라서 체형에 따른 변동성을 줄이기 위하여 전체 스켈레톤 데이터를 이용하여 COM을 산출하지 않고 고관절 중심의 궤적만을 사용하였다. 선행연구에서도 키넥트 센서를 통해 측정된 고관절 중심의 데이터는 3차원 동작분석기와 비교하여 높은 상관성(r>0.
모든 변인들은 내외측(ML: Medial-Lateral) 방향, 전후(AP: Anterior- Posterior) 방향으로 도출하였으며, AP와 ML의 2차원에서의 타원면적(AREA: 95% Ellipse Area)을 계산하였다[20].
본 연구에서는 BBS의 평가결과를 이용하여 선행연구와 동일하게 독립적인 일상생활이 가능하고 정상적인 균형능력을 의미하는 그룹(HO: Healthy Older, BBS≥52)과 균형능력이 저하된 그룹(IO: Impaired Older, BBS<52)으로 분류하였다[2].
5meter는 가장 합리적인 측정범위라고 제시하고 있다. 본 연구에서는 MS에서 제시한 키넥트 센서의 측정범위와 피험자의 신장을 고려하여 그림 1과 같이 피험자의 전두면 방향으로 2.5meter 떨어진 곳에 키넥트 센서를 위치하여 측정하였다.
본 연구에서는 고령자를 대상으로 키넥트 센서를 적용하여 선자세의 정량적인 측정을 통해 균형능력 차이에 따른 그룹 간의 분별력을 확인하였다. 키넥트 센서에서 제공하는 고관절 중심의 움직임으로부터 산출된 ML방향의 MDIST, RMS, ROD 변인들과 AREA 변인을 이용하여 균형능력에 차이에 대한 분별력의 유효함을 확인할 수 있었다.
또한 선자세를 하는데 있어 바른 선자세가 가능하며 체형은 보통 체형(Normal body)인 고령자를 선별하였다[18]. 선별된 피험자들은 임상적 평가도구인 BBS를 이용하여 균형능력의 손상 여부를 평가하였다. BBS는 균형능력을 임상적으로 평가하는 척도로써, 앉기, 서기, 자세 변화 등의 3개 영역으로 구성되어있다.
이러한 제한점을 고려하여, 본 연구에서는 선자세 수행 시에 키넥트 센서로 부터 획득된 스켈레톤 데이터 중에 고관절 중심 데이터만을 사용하였고 정확한 스켈레톤 데이터 습득을 위하여 모든 피험자는 체형이 드러나는 옷을 입고 실시하였다. 고령자는 젊은 성인과는 다르게 고관절의 움직임으로 선자세를 유지하려는 특성을 나타내며, 이러한 움직임은 COM움직임과 매우 유사하게 나타낸다[19].
대상 데이터
고령자는 젊은 성인과는 다르게 고관절의 움직임으로 선자세를 유지하려는 특성을 나타내며, 이러한 움직임은 COM움직임과 매우 유사하게 나타낸다[19]. 또한 키넥트 센서에서 제공하는 스켈레톤 데이터 중에 COM에 가장 근접하다는 점에서 고관절 중심의 궤적만을 사용하였다. 또한 키넥트 센서에서 제공하는 스켈레톤 데이터는 깊이 센서의 정보를 통하여 산출되기 때문에 피험자의 체형 차이에 따른 변동성(Variability)이 나타날 수 있다.
93)과 정확도를 나타낸다고 보고하였다[15]. 또한 키넥트 센서의 데이터는 샘플링 주파수 30Hz로 획득하였다.
본 연구는 지역사회에 거주하는 65세 이상의 고령자 80명을 연구대상자로 모집하였다. 모집된 대상자는 먼저 보행 보조도구 없이 10 meter 이상 보행이 가능하며, 시각 장애 및 하위운동 신경병변이 없는 피험자로 선별하였다. 또한 선자세를 하는데 있어 바른 선자세가 가능하며 체형은 보통 체형(Normal body)인 고령자를 선별하였다[18].
본 연구는 지역사회에 거주하는 65세 이상의 고령자 80명을 연구대상자로 모집하였다. 모집된 대상자는 먼저 보행 보조도구 없이 10 meter 이상 보행이 가능하며, 시각 장애 및 하위운동 신경병변이 없는 피험자로 선별하였다.
데이터처리
각 테스트를 통해 측정된 고관절 중심 데이터는 5Hz의 저주파통과필터(Low-pass filter)를 사용하여 고주파 성분을 제거하였으며, 전반부의 30초 데이터를 분석에 이용하여 선자세의 정량적인 평가변인들을 도출하였다. 대표적으로 선자세 평가에 사용되는 움직임 측정 관련 변인으로는 그림 3과 같이 평균 제곱근(RMS: Root Mean Square), 평균 거리(MDIST: Mean Distance) 그리고 가동범위(ROD: Range of Distance)를 적용하였고, 궤적의 평균이동속도(MVELO: Mean Velocity)도 함께 산출하였다.
각 테스트를 통해 측정된 고관절 중심 데이터는 5Hz의 저주파통과필터(Low-pass filter)를 사용하여 고주파 성분을 제거하였으며, 전반부의 30초 데이터를 분석에 이용하여 선자세의 정량적인 평가변인들을 도출하였다. 대표적으로 선자세 평가에 사용되는 움직임 측정 관련 변인으로는 그림 3과 같이 평균 제곱근(RMS: Root Mean Square), 평균 거리(MDIST: Mean Distance) 그리고 가동범위(ROD: Range of Distance)를 적용하였고, 궤적의 평균이동속도(MVELO: Mean Velocity)도 함께 산출하였다. 모든 변인들은 내외측(ML: Medial-Lateral) 방향, 전후(AP: Anterior- Posterior) 방향으로 도출하였으며, AP와 ML의 2차원에서의 타원면적(AREA: 95% Ellipse Area)을 계산하였다[20].
모든 데이터 획득 및 처리에는 MATLAB(Mathworks Inc., USA) 프로그램을 사용하였으며, 도출된 각각의 변인들은 그룹 간의 통계적 차이와 변인들과 BBS 점수와의 상관관계를 살펴보기 위해 SPSS ver. 23(SPSS inc, USA)의 독립표본 t-검정(independent t-test)과 피어슨 상관계수(Pearson’s correlation coefficient)를 사용하였다(α=0.05).
이론/모형
선자세에서의 균형능력을 평가하기 위한 방법으로 본 연구에서는 modified CTSIB(mCTSIB)를 적용하였다. mCTSIB는 감각입력을 조작하면서 정적 균형능력을 검사하는 임상적 평가방법으로 딱딱한 바닥 위에서 눈을 뜬 상태(eye-open, EO), 눈을 감은 상태(eye-closed, EC), foam 위에서 눈을 뜬 상태(eye-open on foam, EOf), 눈을 감은 상태(eye-closed on foam, ECf)의 총 4가지 테스트로 구성된다.
키넥트 센서를 이용한 선자세 측정을 위하여 공식적으로 제공하는 마이크로소프트사(MS: Microsoft, USA)의 software development kit(SDK)를 사용하였다. 키넥트 센서는 최소 0.
성능/효과
또한 ML방향의 MDIST, RMS, ROD변인들과 AREA는 두 그룹간 분별력을 나타내며, 기존의 균형능력 평가도구인 BBS 점수와 높은 상관관계를 나타내었다.
표 3은 키넥트 센서로 부터 도출된 변인과 BBS 점수와 상관관계를 나타낸 것이다. AP방향의 5개의 변인을(MDIST의 AP방향의 EO, EC의 변인, RMS의 AP방향의 EC의 변인, ROD의 AP방향의 EC변인, MVELO의 AP방향의 EO의 변인) 제외한 모든 변인에서 변인과 BBS와 유의한 음의 상관관계를 나타내었으며, 특히 ML방향의 모든 변인과, AREA는 유의한 음의 상관관계를 나타내었다. 결과를 통해 키넥트 센서를 이용하여 도출된 정량적인 평가변인들은 균형능력 차이에 따른 그룹 간의 분별력을 나타냈으며, 균형능력이 저하된 그룹일수록 변인들의 수치가 증가되는 양상을 보였다.
그 결과 키넥트 센서를 통해 도출된 평가변인들은 4가지 선자세의 상태에 따라 두 그룹간의 통계적 차이를 나타냈다. AREA, MDIST의 ML방향, RMS의 ML방향, ROD의 ML방향의 4개 변인들은 선자세의 모든 테스트에서 공통적인 분별력을 보였다. 또한 ML방향의 모든 변인들과 AREA는 BBS 점수와 유의한 상관관계를 나타내었다.
AP방향의 5개의 변인을(MDIST의 AP방향의 EO, EC의 변인, RMS의 AP방향의 EC의 변인, ROD의 AP방향의 EC변인, MVELO의 AP방향의 EO의 변인) 제외한 모든 변인에서 변인과 BBS와 유의한 음의 상관관계를 나타내었으며, 특히 ML방향의 모든 변인과, AREA는 유의한 음의 상관관계를 나타내었다. 결과를 통해 키넥트 센서를 이용하여 도출된 정량적인 평가변인들은 균형능력 차이에 따른 그룹 간의 분별력을 나타냈으며, 균형능력이 저하된 그룹일수록 변인들의 수치가 증가되는 양상을 보였다. 또한 ML방향의 MDIST, RMS, ROD변인들과 AREA는 두 그룹간 분별력을 나타내며, 기존의 균형능력 평가도구인 BBS 점수와 높은 상관관계를 나타내었다.
Yang의 연구에서는 두발서기자세(Double limb standing)에서 키넥트 센서와 3차원 동작분석기 각각으로부터 산출한 COM을 이용하여 정확도 비교를 실시하였다. 그 결과 COM을 이용하여 산출된 RMS와 평균속도의 상관계수는 각각 0.966, 0.938로 매우 유의한 상관관계를 나타내었으며, 오차는 평균적으로 RMS는 0.36mm, 평균속도는 1.49mm/s을 나타내었다[16]. Yeung의 연구에서는 본 연구의 선자세와 동일한 방법으로 3차원 동작분석기, 지면반력기, 키넥트 센서를 이용하여 각각의 COP와 COM을 산출하여 비교하였다.
그 결과 동작을 하는데 걸린 수행시간, 타이밍에 대해서는 3차원 동작분석기와 키넥트 센서와의 매우 높은 정확도(낮은 편파성(low bias), 95% limits of agreement 0.9, Pearson’s r > 0.9)를 나타났지만 관절각도와 같은 운동학적 의미를 나타내는 변인에서는 낮은 정확도를 보였고, 이에 따라 키넥트 센서의 범위 안에서 비교적 작은 동작의 움직임을 측정하는 것이 높은 정확도를 나타낼 것이라고 제시하였다.
Maranesi의 연구에서는 낙상의 따른 3개의 그룹(비낙상자, 2회 이내 낙상 경험자, 다수의 낙상 경험자)에서 선자세의 COP를 측정을 통해 그룹 간의 차이를 나타내었다. 그 결과 산출된 변인들(MDIST, RMS, ROD, MVELO, AREA)에서 다수의 낙상 경험자와 다른 그룹들 간의 통계적 차이를 보였다[21]. 또한 Raymakers 등의 연구에서는 COP를 이용한 선자세 흔들림의 안정성(stability)를 나타내는 변인(ROD, MVELO, AREA)들에서 균형능력 저하에 따른 그룹 간의 통계적 차이를 나타낸다고 보고하였다[22].
본 연구는 고령자를 대상으로 키넥트 센서를 적용하여 선자세의 정량적인 측정을 통해 균형능력 차이에 따른 그룹 간의 분별력을 살펴보았다. 그 결과 키넥트 센서를 통해 도출된 평가변인들은 4가지 선자세의 상태에 따라 두 그룹간의 통계적 차이를 나타냈다. AREA, MDIST의 ML방향, RMS의 ML방향, ROD의 ML방향의 4개 변인들은 선자세의 모든 테스트에서 공통적인 분별력을 보였다.
그 결과, 키넥트 센서를 이용한 관절의 운동학적 변인들은 3차원 동작분석기의 결과와 높은 상관성을 보였으며(Pearson correlation coefficient ® > 0.84), 낮은 재현성의 차이를 보였다(ICC different≤0.16).
Clark의 연구에서는 외발서기(Single limb standing)를 하는데 있어 3차원 동작분석기와 키넥트 센서에서 측정된 고관절 중심궤적을 비교하였다. 그 결과로 궤적의 가동범위에 따른 상관관계가 매우 유의한 양의 상관관계(ML range: 0.99, ML SD: 0.93, AP range: 0.98, AP SD: 0.98)를 나타내었다[15]. Yang의 연구에서는 두발서기자세(Double limb standing)에서 키넥트 센서와 3차원 동작분석기 각각으로부터 산출한 COM을 이용하여 정확도 비교를 실시하였다.
AREA, MDIST의 ML방향, RMS의 ML방향, ROD의 ML방향의 4개 변인들은 선자세의 모든 테스트에서 공통적인 분별력을 보였다. 또한 ML방향의 모든 변인들과 AREA는 BBS 점수와 유의한 상관관계를 나타내었다. 이와 같은 동일한 변인들을 이용하여 기존 연구에서도 균형능력의 차이를 나타내는 그룹 간의 분별력을 보였다.
모든 테스트에서 공통적으로 그룹 간에 통계적 차이를 나타낸 변인들은 MDIST의 ML방향, RMS의 ML방향, ROD의 ML방향, AREA 총 4개의 변인들로 나타났다. 또한 그룹 간의 통계적 차이를 나타낸 모든 변인들은 평균적으로 HO 보다 IO가 증가된 양상을 보였다. 표 3은 키넥트 센서로 부터 도출된 변인과 BBS 점수와 상관관계를 나타낸 것이다.
또한 선행연구들의 결과에서는 공통적으로 균형능력이 저하된 대상에 있어 평가변인들의 수치가 평균적으로 증가되는 현상을 보였다. 이와 같은 결과를 선행연구들은 균형능력이 저하된 대상에서 나타나는 자세 제어(Postural control)의 대표적인 불안정성(Instability)의 특징으로 설명하고 있다[25].
이와 같은 평가도구는 별도의 장비가 필요하지 않으며, 적은 비용으로 짧은 시간 내에 균형능력을 측정할 수 있다는 장점이 있어 폭넓게 사용되고 있다. 또한 평가 결과에 따른 척도의 신뢰성과 재현성을 통해 평가방법의 타당성을 나타내었다. 그러나 이러한 순위척도(Ordinal Scale)를 사용하는 평가도구들은 반복 측정의 어려움을 가중 시킬 수 있고 평가자의 전문성과 경험에 따라 평가 결과가 달라질 수 있다는 단점을 가진다[6].
따라서 키넥트 센서를 이용할 경우, 다양한 기능적 평가도구에 따른 정량적인 평가변인들의 도출이 가능하다는 점에서 균형과 관련된 중요 요소(선자세, 보행, 자세변화, 반응속도, 유연성 등)에 대한 결과를 조합하여 표준화된 점수를 나타낼 수 있는 장점을 가진다. 또한 평가도구에서 나타나는 천장효과(ceiling effect)를 배제할 수 있다는 점에서 기존 방법과 비교하여 특정 대상에 대한 균형능력을 보다 정량적인 결과로 나타낼 수 있다. 하지만 키넥트 센서가 가지고 있는 제한점인 해상도를 보완하여 정확도를 더욱 향상시키기 위해 2대 이상의 키넥트 센서를 활용하거나, 키넥트 v2센서를 활용하는 방법 또한 필요할 것으로 사료되며, 키넥트 센서가 제공하는 스켈레톤 데이터를 통한 피험자의 정확한 관절 중심 데이터를 획득하기 위하여 피험자의 체형이 잘 나타나는 의복을 착용하는 것이 필요하다.
표 2는 4가지 선자세 테스트에서의 키넥트 센서로 부터 도출된 각 변인들의 결과를 나타낸다. 모든 테스트에서 공통적으로 그룹 간에 통계적 차이를 나타낸 변인들은 MDIST의 ML방향, RMS의 ML방향, ROD의 ML방향, AREA 총 4개의 변인들로 나타났다. 또한 그룹 간의 통계적 차이를 나타낸 모든 변인들은 평균적으로 HO 보다 IO가 증가된 양상을 보였다.
Nguyen의 COP를 이용한 노인의 성별에 따른 선자세측정에서 BBS와의 상관관계를 확인한 연구는 MDIST, RMS, MVELO, AREA의 변인들에서 성별에 상관없이 BBS점수와 음의 상관관계를 나타내었다[23]. 본 연구 결과에서도 키넥트 센서로부터 도출된 모든 변인중 AP방향의 변인 5개(MDIST의 EO, EC, RMS의 EC, ROD의 EC, MVELO의 EO)를 제외한 모든 변인에서 BBS점수와 유의한 음의 상관 관계를 나타내었다. Kang의 IMU 센서를 이용한 고령자의 선자세 측정에서도 산출된 변인(AREA, RMS, MDIST)과 BBS의 상관관계에서도 유의한 음의 상관관계(Range: -0.
본 연구에서는 고령자를 대상으로 키넥트 센서를 적용하여 선자세의 정량적인 측정을 통해 균형능력 차이에 따른 그룹 간의 분별력을 확인하였다. 키넥트 센서에서 제공하는 고관절 중심의 움직임으로부터 산출된 ML방향의 MDIST, RMS, ROD 변인들과 AREA 변인을 이용하여 균형능력에 차이에 대한 분별력의 유효함을 확인할 수 있었다. 본 연구는 키넥트 센서를 이용한 기능적 평가도구 적용에 대한 기초연구로써, 선자세 뿐만 아니라 추후 연구를 통해 보다 다양한 평가도구를 적용하여 균형능력에 대한 정량적이고 표준화된 지표로 나타낼 수 있을 것으로 사료된다.
후속연구
하지만 키넥트 센서가 가지고 있는 제한점인 해상도를 보완하여 정확도를 더욱 향상시키기 위해 2대 이상의 키넥트 센서를 활용하거나, 키넥트 v2센서를 활용하는 방법 또한 필요할 것으로 사료되며, 키넥트 센서가 제공하는 스켈레톤 데이터를 통한 피험자의 정확한 관절 중심 데이터를 획득하기 위하여 피험자의 체형이 잘 나타나는 의복을 착용하는 것이 필요하다. 또한 본 연구에서는 키넥트 센서를 이용한 기능적 평가도구 적용에 대한 기초연구로 선자세의 mCTSIB 평가만을 적용하였으나 추후 연구에서는 더욱 다양한 평가도구를 적용하여 균형능력을 더욱 정량적이고 표준화된 지표로 나타낼 수 있을 것이다.
키넥트 센서에서 제공하는 고관절 중심의 움직임으로부터 산출된 ML방향의 MDIST, RMS, ROD 변인들과 AREA 변인을 이용하여 균형능력에 차이에 대한 분별력의 유효함을 확인할 수 있었다. 본 연구는 키넥트 센서를 이용한 기능적 평가도구 적용에 대한 기초연구로써, 선자세 뿐만 아니라 추후 연구를 통해 보다 다양한 평가도구를 적용하여 균형능력에 대한 정량적이고 표준화된 지표로 나타낼 수 있을 것으로 사료된다.
또한 평가도구에서 나타나는 천장효과(ceiling effect)를 배제할 수 있다는 점에서 기존 방법과 비교하여 특정 대상에 대한 균형능력을 보다 정량적인 결과로 나타낼 수 있다. 하지만 키넥트 센서가 가지고 있는 제한점인 해상도를 보완하여 정확도를 더욱 향상시키기 위해 2대 이상의 키넥트 센서를 활용하거나, 키넥트 v2센서를 활용하는 방법 또한 필요할 것으로 사료되며, 키넥트 센서가 제공하는 스켈레톤 데이터를 통한 피험자의 정확한 관절 중심 데이터를 획득하기 위하여 피험자의 체형이 잘 나타나는 의복을 착용하는 것이 필요하다. 또한 본 연구에서는 키넥트 센서를 이용한 기능적 평가도구 적용에 대한 기초연구로 선자세의 mCTSIB 평가만을 적용하였으나 추후 연구에서는 더욱 다양한 평가도구를 적용하여 균형능력을 더욱 정량적이고 표준화된 지표로 나타낼 수 있을 것이다.
질의응답
핵심어
질문
논문에서 추출한 답변
균형능력이란?
인간에 있어 균형능력(Balance Ability)은 주어진 환경 내에서 자신의 기저면(BOS: Base of Support) 위에 신체 중심을 유지하는 능력을 의미하며, 일상생활을 수행하는데 필요한 가장 기본적인 요소이다. 특히 고령자는 신체기능이 저하되어 낙상위험성의 증가에 따른 사망확률이 높아진다는 점에서[1], 임상적인 균형능력의 평가가 매우 중요하다.
임상적 균형능력 평가도구의 장점은 무엇인가?
대표적인 임상적 균형능력 평가도구로는 Berg Balance Scale(BBS), Timed Up & Go(TUG), Sit To Stand(STS), Clinical Test of Sensory Interaction in Balance(CTSIB) 등이 사용되고 있다[2, 3, 4, 5]. 이와 같은 평가도구는 별도의 장비가 필요하지 않으며, 적은 비용으로 짧은 시간 내에 균형능력을 측정할 수 있다는 장점이 있어 폭넓게 사용되고 있다. 또한 평가 결과에 따른 척도의 신뢰성과 재현성을 통해 평가방법의 타당성을 나타내었다.
대표적인 임상적 균형능력 평가도구은 무엇인가?
이러한 균형능력을 임상적으로 평가하기 위한 방법으로 다양한 기능적 평가도구들이 개발되었다. 대표적인 임상적 균형능력 평가도구로는 Berg Balance Scale(BBS), Timed Up & Go(TUG), Sit To Stand(STS), Clinical Test of Sensory Interaction in Balance(CTSIB) 등이 사용되고 있다[2, 3, 4, 5]. 이와 같은 평가도구는 별도의 장비가 필요하지 않으며, 적은 비용으로 짧은 시간 내에 균형능력을 측정할 수 있다는 장점이 있어 폭넓게 사용되고 있다.
참고문헌 (27)
C. K. Kim, S. J. Park, and D. Y. Lee, "Contribution Analysis of the Risk Factors for Fall in the Elderly," Journal of Sport and Leisure Studies, vol. 43 No. 2, pp. 609-618, February, 2011.
P. Silsupadol, A. Shumway-Cook, V. Lugade, P. van Donkelaar, L. S. Chou, U. Mayr, and M. H. Woollacott, "Effects of single-task versus dual-task training on balance performance in older adults: a double-blind, randomized controlled trial," Archives of physical medicine and rehabilitation, vol. 90, No. 3, pp. 381-387, March, 2009.
S. Vernon, K. Paterson, K. Bower, J. McGinley, K. Miller, Y. H. Pua, and R. A. Clark, "Quantifying individual components of the timed up and go using the kinect in people living with stroke," Neurorehabilitation and neural repair, vol. 29, No. 1, pp. 48-53, January, 2015.
A. Ejupi, M. Brodie, Y. J. Gschwind, S. R. Lord, W. L. Zagler, and K. Delbaere, "Kinect-based five-times-sit-to-stand test for clinical and in-home assessment of fall risk in older people," Gerontology, vol. 62, No. 1, pp. 118-124, December, 2015.
H. Cohen, C.A. Blatchly, and L.L. Gombash, "A Study of the Clinical Test of Sensory Interaction and Balance," Physical Therapy, vol. 73, No. 6, pp. 346-351, June, 1993.
S. Tyson, and L. Connell "The psychometric properties and clinical utility of measures of walking and mobility in neurological conditions: a systematic review," Clinical Rehabilitation, vol. 23, No.11, pp. 1018-1033. November, 2009.
M. O'Sullivan, C. Blake, C. Cunningham, G. Boyle, and C. Finucane, "Correlation of accelerometry with clinical balance tests in older fallers and non-fallers," Age and ageing, vol. 38, No. 3, pp. 308-313, February, 2009.
D. A. Winter, A. E. Patla, M. Ishac, and W. H. Gage, "Motor mechanisms of balance during quiet standing," Journal of Electromyography and Kinesiology, vol. 13, No. 1, pp. 49-56, February, 2003.
X. Xu, and R. W. McGorry, "The validity of the first and second generation Microsoft Kinect for identifying joint center locations during static postures," Applied ergonomics, vol. 49, pp. 47-54, July, 2015.
B. Galna, D. Jackson, G. Schofield, R. McNaney, M. Webster, G. Barry, D. Mhiripiri, M. Balaam, P. Olivier and L. Rochester, "Retraining function in people with Parkinson's disease using the Microsoft kinect: game design and pilot testing," Journal of neuroengineering and rehabilitation, vol. 11, No. 1, April, 2014.
B. Lange, C. Y. Chang, E. Suma, B. Newman, A. B. Rizzo, and M. Bolas, "Development and evaluation of low cost game-based balance rehabilitation tool using the Microsoft Kinect sensor," In Engineering in Medicine and Biology Society, EMBC, Annual International Conference of the IEEE, pp. 1831-1834, September, 2011.
J. S. Choi, D. W. Kang, J. W. Seo, D. H. Kim, S. T. Yang, and G. R. Tack, "The development and evaluation of a program for leg-strengthening exercises and balance assessment using Kinect," Journal of physical therapy science, vol. 28 No. 1, pp. 33-37, January, 2016.
A. Ejupi, Y. J. Gschwind, T. Valenzuela, S. R. Lord, and K. Delbaere, "A Kinect and inertial sensor-based system for the self-assessment of fall risk: a home-based study in older people," Human Computer Interaction, vol. 31, pp. 261-293, August, 2015.
B. Galna, G. Barry, D. Jackson, D. Mhiripiri, P. Olivier, and L. Rochester, "Accuracy of the Microsoft Kinect sensor for measuring movement in people with Parkinson's disease," Gait & posture, vol. 39, No. 4, pp. 1062-1068, April, 2014.
R. A. Clark, Y. H. Pua, K. Fortin, C. Ritchie, K. E. Webster, L. Denehy, and A. L. Bryant, "Validity of the Microsoft Kinect for assessment of postural control," Gait & posture, vol. 36, No. 3, pp. 372-377, July, 2012.
Y. Yang, F. Pu, Y. Li, S. Li, Y. Fan, and D. Li, "Reliability and validity of Kinect RGB-D sensor for assessing standing balance," Sensors Journal, IEEE, vol. 14, No. 5, pp. 1633-1638, May, 2014.
E. Auvinet, F. Multon, C. E. Aubin, J. Meunier, and M. Raison, "Detection of gait cycles in treadmill walking using a Kinect," Gait & posture, vol. 41, No. 2, pp. 722-725, Februaty, 2015.
F. B. Horak, C. L. Shupert, and A. Mirka, "Components of postural dyscontrol in the elderly: a review," Neurobiology of aging, vol. 10, No. 6, pp. 727-738, December, 1989.
T. E. Prieto, J. B. Myklebust, R. G. Hoffmann, E. G. Lovett, and B. M. Myklebust, "Measures of postural steadiness: differences between healthy young and elderly adults," Biomedical Engineering, IEEE Transactions on, vol. 43, No. 9, pp. 956-966. September, 1996.
E. Maranesi, A. Merlo, S. Fioretti, D. D. Zemp, I. Campanini, and P. Quadri, "A statistical approach to discriminate between non-fallers, rare fallers and frequent fallers in older adults based on posturographic data," Clinical Biomechanics, vol. 32, pp. 8-13, February, 2016.
J. A. Raymakers, M. M. Samson, and H. J. J. Verhaar, "The assessment of body sway and the choice of the stability parameter(s)," Gait & posture, vol. 21, No. 1, pp. 48-58, January, 2005.
U. S. D. Nguyen, D. P. Kiel, W. Li, A. M. Galica, H. G. Kang, V. A. Casey, and M. T. Hannan, "Correlations of clinical and laboratory measures of balance in older men and women," Arthritis care & research, vol. 64, No. 12, pp. 1895-1902, November, 2012.
D. W. Kang, J. W. Seo, D. H. Kim, S. T. Yang, J. S. Choi, and G. R. Tack, "A study on balance assessment according to the levels of difficulty in postural control," Journal of Physical Therapy Science, vol. 28, No. 6, pp. 1832-1835, June, 2016.
M. L. Latash, S. S. Ferreira, S. A. Wieczorek, M. Duarte, "Movement sway: changes in postural sway during voluntary shifts of the center of pressure," Experimental Brain Research, vol. 150, No.3, pp. 314-24, January, 2003.
L. F. Yeung, K. C. Cheng, C. H. Fong, W. C. Lee, and K. Y. Tong, "Evaluation of the Microsoft Kinect as a clinical assessment tool of body sway," Gait & posture, vol. 40 No. 4, pp. 532-538, September, 2014.
U. Laessoe, H. C. Hoeck, O. Simonsen, T. Sinkjaer, and M. Voigt, "Fall risk in an active elderly population can it be assessed?," Journal of negative results in biomedicine, vol. 6, No. 1, May, 2007.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.