Earticle

초록

영어

This paper proposes a multi-task PPO reinforcement learning framework for shoulder rehabilitation exercise serious games, extending the authors' prior digital-twin and sEMG-validation studies. From a 7-subject cohort, synchronized video, motion-capture data, Kinvent SNS shoulder torque, and surface EMG were integrated into a 13-dimensional state and a 5-dimensional continuous exercise-prescription action (load, volume, ROM target, correction, pacing), and the policy was trained in a synthetic first-order dynamics simulator with NumPy as the sole dependency. On three held-out validation subjects (N=6 sides), the framework achieved ROM mean absolute errors of 8.5°–14.5°, compensation errors of 1.8°–4.1°, and pain-risk strict accuracy of 50.0% with 1-step ordinal accuracy of 100% against an author-defined z-score risk proxy. The trained checkpoint (best-performing saved model) can be embedded directly as an inference module for serious-game content, and is expected to enable further applications as serious-game-based digital therapeutics.

한국어

본 연구는 저자들의 디지털 트윈·sEMG 검증 선행 연구를 후속하여, 어깨 재활운동지도 및 행동 기능성 게임용 다중작업 PPO 강화학습 프레임워크를 제안한다. 7명 코호트의 영상·모션데이터·Kinvent SNS 어깨 토크·표면 근전도를 13차원 상태와 5차원 연속 운동 처방 행동(부하·볼륨·ROM 목표·교정·페이싱)으로 통합하고, 1차 동역학 합성 시뮬레이터에서 정책을 NumPy 단일 의존성으로 학습하였다. 검증 3명(N=6 측)에서 ROM 평균 절대오차 8.5°–14.5°, 보상 오차 1.8°–4.1°, 통증 위험 엄격 정확도 50.0% / 1-step Ordinal Numbers 정확도 100%(저자 정의 z-score 위험 프록시 기준)를 달성하였으며, 학습된 체크포인트(최적저장모델)는 기능성 게임 콘텐츠의 추론 모듈로 즉시 이식 가능하여 기능성 게임형 디지털 치료로 추가적인 활용이 가능할 것으로 기대된다.

목차

ABSTRACT
요약
1. 서론
2. 관련연구(본론)
3. 연구방법
3.1 데이터 획득 및 전처리
3.2 마코프 결정 과정 정의
3.3 PPO 다중작업 학습
3.4 구현 환경 및 검증 프로토콜
4. 결과
4.1 학습 진행 곡선
4.2 ROM·보상 동작 사전·사후 비교
4.3 모델 예측 정확도 및 통증 분류
4.4 논의
4.5 제한점
5. 결론
참고문헌

키워드

저자

• 장태수 [ Taesoo Jang | 서울아산병원 의공학연구센터 ]
• 유인화 [ Inhwa Yoo | 메디온 AI운동의과학연구소 ] Corresponding Author

참고문헌

발행기관

간행물

표지보기 관심저널 등록

• 간행물명

  컴퓨터게임및콘텐츠논문지(구 한국컴퓨터게임학회논문지) [Journal of Computer Games and Contents]

• 간기

  월간

• pISSN

  3091-7409

• eISSN

  3092-3638

• 수록기간

  2002~2026

• 등재여부

  KCI 등재

• 십진분류

  KDC 691 DDC 793