스마트폰으로 반려견 보행을 분석할 수 있을까? 408마리 연구

Editor.J / Michell J | Pet Tech Lab + One Paper, One Question

스마트폰 카메라 한 대만으로 반려견의 보행을 정량적으로 분석할 수 있을까요? 수의학적 보행 평가는 오랫동안 육안 관찰, 포스 플레이트, 압력 보행판, 광학식 모션캡처 같은 장비에 의존해 왔습니다. 정밀하지만 비용과 공간, 준비시간이 필요한 방법들입니다.

2026년 American Journal of Veterinary Research에 발표된 전향적 관찰연구는 일반 스마트폰의 측면 영상을 이용한 딥러닝 기반 markerless gait analysis가 개의 해부학적 랜드마크를 얼마나 정확하게 찾을 수 있는지 2차원 마커 기반 기준과 비교했습니다. 연구 결과는 기술적 가능성을 분명히 보여주지만, “스마트폰 영상만으로 정형외과 질환을 진단할 수 있다”는 의미는 아닙니다.

핵심 질문: 스마트폰 영상에서 개의 관절 위치를 얼마나 정확히 찾을 수 있을까?

연구에는 30개가 넘는 품종의 반려견 408마리가 참여했습니다. 개들은 3.3m 직선 보행로에서 걷거나 뛰었고, 측면에 놓인 스마트폰 카메라가 1080p, 초당 30프레임으로 영상을 기록했습니다.

이 가운데 374마리에서 얻은 20,000장의 이미지가 canine-specific pose model 학습에 사용됐습니다. 별도의 34마리는 실제 해부학적 랜드마크에 물리적 마커를 부착해 검증과 시험에 사용됐습니다. 즉, AI가 추정한 점을 단순히 사람의 육안 판단과만 비교한 것이 아니라, 수의사가 부착한 2차원 물리적 마커 위치를 ground truth로 삼았습니다.

96.6%라는 숫자는 무엇을 뜻하나

연구에서 ViTPose-L 기반 모델은 COCO 방식 mean average precision(mAP) 96.6%, normalized keypoint error 2.29, PCK@0.05 92.62%를 기록했습니다. 이 수치는 개의 몸에서 정의한 주요 해부학적 랜드마크 위치를 영상에서 찾는 성능을 평가한 것입니다.

중요한 점은 이 96.6%가 “파행 진단 정확도 96.6%”가 아니라는 것입니다. 연구의 직접 검증 대상은 질병 분류가 아니라 landmark localization입니다. 보행 이상을 임상적으로 판단하려면 랜드마크 좌표를 시간축으로 연결해 관절각, 보폭, 지지시간, 좌우 비대칭 같은 kinematic 또는 spatiotemporal 변수로 변환하고, 다시 임상 상태와 연결하는 추가 검증이 필요합니다.

왜 markerless 방식이 의미가 있을까

기존 광학식 모션캡처는 높은 정밀도를 제공하지만 여러 대의 카메라와 전용 공간, 마커 부착, 보정 과정이 필요할 수 있습니다. IMU 역시 유용하지만 센서를 몸에 부착해야 하고 위치와 고정 상태에 따라 신호가 달라질 수 있습니다.

반면 단일 RGB 카메라 기반 markerless 방식은 촬영 준비를 줄이고, 장기적으로는 동물병원이나 가정에서 반복 측정을 쉽게 만들 가능성이 있습니다. 특히 같은 개를 시간에 따라 반복 촬영할 수 있다면 “정상 기준선에서 얼마나 변했는가”를 보는 longitudinal monitoring에 활용할 여지가 있습니다.

다만 편리함이 곧 임상 정확도를 의미하지는 않습니다. 카메라 각도, 조명, 배경, 털 길이, 체형, 보행 속도, 가림, 품종 차이가 모두 모델 성능에 영향을 줄 수 있습니다.

이 연구의 강점: 다양한 품종과 실제 반려견을 사용했다

408마리, 30개 이상 품종이라는 구성은 소수의 실험견만 사용한 연구보다 일반화 가능성을 검토하는 데 유리합니다. 검증·시험 집단에도 여러 크기와 체형의 품종이 포함됐습니다.

또한 모델을 사람용 pose model을 그대로 가져다 쓰는 대신 canine-specific dataset으로 학습했다는 점도 중요합니다. 사람과 개는 사지 구조와 움직임 패턴이 다르기 때문에 동물 특화 landmark 정의와 학습 데이터가 필요합니다.

하지만 아직 ‘가정에서 찍으면 바로 진단’ 단계는 아니다

연구는 비교적 통제된 조건에서 진행됐습니다. 개는 직선 3.3m 보행로를 측면에서 촬영했고, 카메라 위치와 촬영 조건도 임의의 가정 영상보다 훨씬 규격화돼 있었습니다. 실제 집이나 산책 환경에서는 카메라 높이와 각도, 배경, 조명, 장애물, 리드줄, 보호자 가림이 훨씬 다양합니다.

또한 landmark를 정확히 찾는 것과 정형외과·신경계 질환을 진단하는 것은 서로 다른 검증 단계입니다. 실제 임상 적용을 위해서는 force plate, pressure walkway, IMU, marker-based motion capture 같은 기준 장비와의 비교뿐 아니라 정상견과 다양한 임상 환자에서의 외부검증, 반복측정 신뢰도, 품종·체형별 오차 분석이 필요합니다.

PET & HUMAN의 관점: ‘진단 AI’보다 먼저 필요한 것은 측정 AI다

반려동물 AI에서는 종종 최종 질병 분류 정확도가 가장 먼저 강조됩니다. 그러나 장기 모니터링 시스템에서 더 중요한 첫 단계는 동일한 개의 움직임을 반복해서 안정적으로 측정하는 것입니다.

영상에서 신뢰할 수 있는 landmark와 gait feature를 추출할 수 있다면, 보호자는 단일 영상의 “정상/비정상” 판정보다 시간에 따른 변화량을 기록할 수 있습니다. 이런 접근은 웨어러블의 장기 행동·호흡 데이터와도 연결됩니다. 센서나 영상은 진단을 대신하기보다 반복 가능한 관찰 데이터를 만드는 역할부터 검증하는 편이 안전합니다.

또한 AI 펫카메라가 행동을 얼마나 이해할 수 있는지를 평가할 때와 마찬가지로, false positive/negative뿐 아니라 촬영 실패, 가림, 낮은 품질의 영상에서 시스템이 언제 “판단하지 않음”을 선택해야 하는지도 중요합니다.

Evidence Check

Study/Source Type: prospective observational markerless gait-validation study
Species/Population: client-owned dogs, more than 30 breeds
Sample Size: 408 dogs total; 374 dogs for 20,000 training images; 34 dogs for marker-based validation/test
Input: lateral smartphone video, 1080p, 30 fps
Reference: 2-D physical markers placed on anatomical landmarks
Reported performance: mAP 96.6%, normalized keypoint error 2.29, PCK@0.05 92.62%
Evidence Level: moderate-to-strong technical validation for landmark localization; early-stage for clinical gait interpretation
What the evidence shows: canine-specific deep learning can localize gait landmarks with high accuracy under the study’s controlled single-camera protocol
What it does NOT show: 96.6% accuracy for diagnosing lameness, orthopedic disease or neurologic disease; equivalent performance in arbitrary home videos
Key limitations: straight walkway, lateral single-camera protocol, early-stage clinical translation, need for broader environmental and external validation
Editorial Verification: VERIFIED

출처

Pahk JH, Park SJ, Seo JH, Kim HS, Son MJ, Jin YS, Kim HJ, Kang BJ. A deep learning-based markerless gait analysis model for dogs shows promising accuracy when validated with 2-dimensional marker-based data. American Journal of Veterinary Research. 2026;87(4). DOI: 10.2460/ajvr.25.09.0337. PMID: 41490686.

Editorial Note: Editor.J / Michell J domain. 이 글은 스마트폰 영상 기반 보행 랜드마크 측정 기술을 설명하며, 영상만으로 파행이나 질환을 진단할 수 있다고 주장하지 않습니다.