표면 근전도없이 관성측정장치 센서만으로 종아리 근육 피로를 90%이상의 정확도로 탐지할 수 있는 머신러닝 기반 시스템이 개발됐다.
인도공과대학교 마드라스 연구팀이 "Journal of Electromyography and Kinesiology"에 발표한 연구에 따르면, IMU만을 활용한 랜덤 포레스트 분류기가 이진 분류에서 오른쪽 종아리 90.53%, 왼쪽 종아리 90.19%의 정확도를 달성했다. 피드포워드 신경망을 이용한 다중 클래스 분류에서는 각각 81.42%와 84.67%의 정확도를 기록했으며, 피험자별 3분류 분석에서는 랜덤 포레스트가 92.9%와 91.96%까지 정확도를 끌어올렸다.
연구팀은 sEMG가 피로 평가의 표준으로 활용되어 왔지만 노이즈 민감성, 전극 부착 위치의 민감성, 동작 아티팩트 등의 한계로 지속적인 모니터링에는 적합하지 않다는 점에 주목했다. 이를 보완하기 위해 훈련 단계에서만 sEMG를 피로 레이블 생성에 활용하고, 실제 적용 시에는 IMU 데이터만으로 피로를 판별하는 하이브리드 접근법을 채택했다.
참여자들은 피로 유발 종아리 운동을 수행했으며,EMG 기반 지표와 비교하여 IMU 특징값의 상관성을 분석했다. 이 과정에서 EMG 거동과 가장 강하게 연계되는 IMU 특징들을 선별해 분류 모델에 적용했다.
연구팀은 이 시스템이 스포츠 퍼포먼스 모니터링, 부상 예방, 재활, 장시간 기립·반복 하지 운동이 필요한 작업 환경에서 비침습적이고 연속적인 피로 모니터링 솔루션으로 활용될 수 있다고 밝혔다.
A machine learning framework using only inertial measurement unit (IMU) sensors—without surface electromyography (sEMG) during real-world use—can detect calf muscle fatigue with over 90% accuracy, according to a new study published in the Journal of Electromyography and Kinesiology.
Researchers from the Indian Institute of Technology Madras developed the approach to overcome the practical limitations of sEMG in continuous fatigue monitoring, including its sensitivity to noise, electrode placement, and motion artifacts. Rather than relying on sEMG during deployment, the team used it exclusively in the training phase to generate accurate fatigue labels, enabling the development of IMU-only classification models.
Participants performed fatigue-inducing calf exercises, and the researchers compared EMG-derived indicators—root mean square (RMS) and median frequency—with multiple IMU features to identify those most strongly aligned with EMG behavior. These selected IMU features were then used to train a Random Forest classifier for binary classification and a feedforward neural network for multi-class analysis.
The Random Forest model achieved 90.53% accuracy for the right calf and 90.19% for the left in binary classification. The neural network achieved 81.42% and 84.67% accuracy in multi-class classification. Subject-wise three-class analysis further improved Random Forest accuracy to 92.9% and 91.96%, respectively.
The researchers conclude that IMU-based models can reliably detect calf muscle fatigue in a non-invasive, continuous manner, making them well-suited for applications in sports performance monitoring, injury prevention, clinical rehabilitation, and occupational settings involving prolonged standing or repetitive lower-limb movements.
