Smart Insole-Based Gait Analysis System Development and Multi-Domain Center of Pressure Feature Analysis

다국어 초록 (Multilingual Abstract)

Gait analysis provides critical insights into neuromuscular and postural control, offering valuable biomarkers for detecting and monitoring movement disorders such as Parkinson’s disease (PD). However, conventional laboratory-based systems, which use force plates or motion capture, are costly, non-portable, and unsuitable for continuous real-world monitoring. To address these limitations, this research presents the design, development, of an Internet of Medical Things (IoMT)-based smart insole system for comprehensive gait and Center of Pressure (CoP) analysis. The proposed system integrates eight force-sensitive resistors (FSRs), an inertial measurement unit (IMU), and Bluetooth Low Energy (BLE) connectivity within a cost-effective, portable framework.
Accurate identification of gait phases plays a vital role in Gait analysis. However, most existing smart insole systems depend on high-frequency data acquisition, which increases both power consumption and computational complexity. To address these challenges, this study smart insole platform capable of operating at a low sampling rate of 5 Hz. Each insole enabling synchronized acquisition of plantar pressure and motion data. Fourteen healthy participants completed five walking trials along a 10m walkway, during which synchronized insole sensor data and RGB video recordings were obtained, serving as ground truth for gait-phase annotation. A comparative evaluation of five distinct feature configurations was performed using six conventional Machine Learning classifiers under a participant-wise cross-validation scheme. Among these, pressure-only features analyzed with a Support Vector Machine (SVM) achieved the highest macro F1-score of 0.915, demonstrating that low-frequency plantar pressure signals can effectively differentiate gait phases without significant accuracy degradation. Conversely, models trained solely on IMU-derived features exhibited considerably lower performance, indicating that inertial signals provide limited discriminative information at low sampling rates. Additionally, a visual analytics framework was developed to enhance interpretability, producing spatial plantar pressure heatmaps and activation-frequency maps that distinctly represent load distribution patterns across the four gait phases.
Beyond this work, a multi-domain CoP feature analysis was conducted using the WearGait-PD dataset to distinguish PD participants from healthy controls during the Timed Up and Go (TUG) test and the 3 m walking segment. Data from 39 PD and 38 control participants were analyzed, extracting 144 positional, dynamic, frequency-domain, and stochastic features, including per-foot averages and asymmetry indices. Five classifiers were evaluated using an 80/20 participant-level split with five-fold cross-validation. In the TUG task, Logistic Regression (LR) achieved the best performance (accuracy = 0.875, ROC-AUC = 0.922) with 23 selected features, outperforming the SVM-RBF, Random Forest (RF) k-nearest neighbors (k-NN), and Gaussian naïve Bayes (NB) models.

국문 초록 (Abstract)

보행 분석은 신경근육 및 자세 제어에 대한 중요한 통찰을 제공하며, 파킨슨병(PD)과 같은 운동 장애를 감지하고 모니터링하기 위한 유용한 바이오 마커입니다. 그러나 기존의 실험실 기반 시스템(포스 플레이트나 모션 캡처 이용)은 비용이 높고, 이동성이 떨어지며, 실제 환경에서의 지속적인 모니터링에는 부적합 합니다. 이러한 한계를 해결하기 위해, 본 연구에서는 포괄적인 보행 및 압력중심(CoP) 분석을 위한 IoMT 기반 스마트 인솔 시스템의 설계 및 개발을 제안합니다. 제안된 시스템은 8개의 압력 센서(FSR), 관성 측정 장치(IMU), 그리고 저전력 블루투스(BLE) 통신 기능을 통합한 저비용·휴대형 구조를 구현하였습니다.
정확한 보행 단계의 식별은 보행 분석에서 매우 중요합니다. 그러나 대부분의 기존 스마트 인솔 시스템은 고주파 데이터 수집에 의존하고 있으며, 이는 전력 소모와 계산 복잡도를 증가시킵니다. 본 연구에서는 이러한 문제를 해결하기 위해 5 Hz의 저주파 샘플링 속도로 동작 가능한 스마트 인솔 플랫폼을 개발하였습니다. 각 인솔은 족저압과 동작 데이터를 동기화하여 수집할 수 있습니다. 14명의 건강한 참가자가 10 m 보행로를 따라 5회의 보행 실험을 수행하였으며, 동기화된 인솔 센서 데이터와 RGB 영상이 함께 수집되어 보행 단계 주석의 기준 데이터(ground truth)로 사용되었습니다.
참가자 단위 교차 검증(participant-wise cross-validation) 방식으로 여섯 가지 전통적인 머신러닝 분류기와 다섯 가지 특징 구성(feature configuration)에 대한 비교 평가를 수행하였습니다. 그 결과, 압력 데이터만을 사용하고 SVM으로 분석한 모델이 가장 높은 매크로 F1 점수(0.915)를 달성하여, 저주파 족저압 신호만으로도 보행 단계를 높은 정확도로 구분할 수 있었습니다. 반면, IMU 기반 특징만을 이용한 모델은 성능이 크게 저하되어, 낮은 샘플링 속도에서는 관성 신호의 판별력이 제한적이었습니다. 또한, 연구에서는 시각 분석 프레임워크를 개발하여, 보행 단계별 하중 분포 패턴을 명확히 보여주는 족저압 히트맵 및 활성화 빈도 맵(activation-frequency map)을 생성하였습니다.
이 연구를 의료분야에 확장하여, WearGait-PD 데이터셋을 활용한 다중 도메인 CoP 특징 분석을 수행하였습니다. 이는 파킨슨병 환자와 건강한 대조군을 구분하기 위한 것으로, ‘일어나 걷기(TUG)’ 검사 및 3 m 보행 구간 데이터를 사용하였습니다. 총 39명의 PD 환자와 38명의 대조군 데이터를 분석하였으며, 위치적, 동적, 주파수, 확률 영역을 포함한 총 144개의 CoP 특징(양발 평균 및 비대칭 지표 포함)을 추출하였습니다. 참가자 수준 80/20 분할 및 5겹 교차 검증을 통해 다섯 가지 분류기를 평가한 결과, TUG 과제에서는 로지스틱 회귀(Logistic Regression, LR)가 가장 높은 정확도(accuracy = 0.875, ROC-AUC = 0.922)를 기록하였으며, SVM-RBF, 랜덤 포레스트(RF), k-최근접 이웃(k-NN), 가우시안 나이브 베이즈(NB) 모델보다 우수한 성능을 보였습니다.

목차 (Table of Contents)

• 1. Introduction 1
• 1.1 Background 1
• 1.2 Motivation 5
• 1.3 Research Objectives and Contributions 6
• 2. Literature Review 8
• 2.1 Smart Insoles for Gait Analysis and Clinical Applications 8
• 2.2 Internet of Medical Things in Gait Monitoring 9
• 2.3 Gait-Phase Detection Methods 11
• 2.4 Machine Learning Approaches 13
• 2.5 CoP Feature Analysis in Gait 15
• 2.6 Gait and CoP Metrics in Parkinson’s Disease (PD) 17
• 3. Development and Validation of Iomt-Based Smart Insole 20
• 3.1 FSR Sensor Selection and Calibration 20
• 3.2 Selection of Plantar Pressure Points 23
• 3.3 Data Collection 26
• 3.4 Temporal Gait Parameter Analysis 27
• 3.5 CoP Estimation Pipeline 28
• 3.6 Foot Dynamics Estimation along with gait events 29
• 3.7 Development and Validation Results of IoMT-Based Smart Insole 30
• 3.7.1 Hardware System and Software Implementation Results 30
• 3.7.2 Plantar Pressure Heat Map Analysis Results 32
• 3.7.3 Temporal Gait Parameter Analysis Results 35
• 3.7.4 Phase-Average CoP Trajectories and Density Mapping Results 35
• 3.7.5 Foot Dynamics Analysis Results 39
• 4. Phase-Specific Gait Characterization And Plantar Load Progression 42
• 4.1 Data Collection and Dataset Preparation 42
• 4.2 Machine Learning-based Gait Classification 43
• 4.3 Gait Phase Visualization and Load Quantification 44
• 4.4 Results of Machine Learning-based Gait Classification and Gait Phase Visualization 46
• 4.4.1 Performance Comparison Across Features 46
• 4.4.2 Phase-Specific Spatial Pressure Patterns and Load Dynamics 48
• 5. Multi-Domain Cop Feature Analysis for PD Detection 51
• 5.1 Datasets and Data Availability 51
• 5.2 Insole-Based CoP Measurement and Data Processing 54
• 5.3 CoP Density Mapping and Trajectory Computation 55
• 5.4 Feature Engineering from CoP Data 56
• 5.5 Model Development and Evaluation 58
• 5.6 Results and Analysis 60
• 5.6.1 CoP Density Maps and Trajectory Maps Analysis Results 60
• 5.6.1 Machine Learning Classification Performance Results 61
• 6. Discussion 68
• 6.1 Integration of Engineering and Analytical Perspectives 68
• 6.2 Insights from Phase-Specific Gait Characterization 69
• 6.3 Clinical Translation through Multi-Domain CoP Feature Analysis 69
• 7. Conclusion 71
• 8. Publications 73
• 8.1 Statement on Prior Publications and Reuse 73
• 9. References 74