손목 주변의 근전도 신호로부터 인간의 구체적 운동의지인 손가락 움직임을 추론해내는 기술을 개발하였다. 손가락 움직임으로는 5종의 단일 손가락 움직임과 3종의 다중 손가락 움직임을 규정하였다. 취득한 근전도 신호의 특징정보로 절대치의 정보 엔트로피를 추출하였으며, 이의 통계적 특성을 Gaussian 분포를 이용하여 수학적으로 모델링하였다. 이후 비선형적 패턴인식 방법인 Maximum Likelihood Estimation을 사용하여 미리 규정한 5종의 단일 손가락(엄지, 검지, 중지, 약지, 소지) 움직임과 3종의 다중 손가락 움직임을 인식하였다. 신호 취득에는 피험자 5명이 참여하였으며, 피험자에 따라 연습량을 다르게 하여 제안 방법의 인식 성능 변화가 사용자의 학습량에 얼마나 의존하는지 확인하였다. 또한 팔 자세와 손가락 움직임 시의 ...
손목 주변의 근전도 신호로부터 인간의 구체적 운동의지인 손가락 움직임을 추론해내는 기술을 개발하였다. 손가락 움직임으로는 5종의 단일 손가락 움직임과 3종의 다중 손가락 움직임을 규정하였다. 취득한 근전도 신호의 특징정보로 절대치의 정보 엔트로피를 추출하였으며, 이의 통계적 특성을 Gaussian 분포를 이용하여 수학적으로 모델링하였다. 이후 비선형적 패턴인식 방법인 Maximum Likelihood Estimation을 사용하여 미리 규정한 5종의 단일 손가락(엄지, 검지, 중지, 약지, 소지) 움직임과 3종의 다중 손가락 움직임을 인식하였다. 신호 취득에는 피험자 5명이 참여하였으며, 피험자에 따라 연습량을 다르게 하여 제안 방법의 인식 성능 변화가 사용자의 학습량에 얼마나 의존하는지 확인하였다. 또한 팔 자세와 손가락 움직임 시의 근전도 특성의 상관성을 인식 성능 변화를 통하여 확인하였다. 끝으로 실시간 비동기식 추론을 가능하게 하도록 short-time 엔트로피 이용한 움직임 구간 탐지 기술을 개발하였다. 본 방법은 유사 연구 사례에 비하여 상대적으로 적은 수의 채널을 사용하며, 전극 부착 위치의 독립성이 보장되면서도 높은 추정 성능을 내는 것이 특징이다.
손목 주변의 근전도 신호로부터 인간의 구체적 운동의지인 손가락 움직임을 추론해내는 기술을 개발하였다. 손가락 움직임으로는 5종의 단일 손가락 움직임과 3종의 다중 손가락 움직임을 규정하였다. 취득한 근전도 신호의 특징정보로 절대치의 정보 엔트로피를 추출하였으며, 이의 통계적 특성을 Gaussian 분포를 이용하여 수학적으로 모델링하였다. 이후 비선형적 패턴인식 방법인 Maximum Likelihood Estimation을 사용하여 미리 규정한 5종의 단일 손가락(엄지, 검지, 중지, 약지, 소지) 움직임과 3종의 다중 손가락 움직임을 인식하였다. 신호 취득에는 피험자 5명이 참여하였으며, 피험자에 따라 연습량을 다르게 하여 제안 방법의 인식 성능 변화가 사용자의 학습량에 얼마나 의존하는지 확인하였다. 또한 팔 자세와 손가락 움직임 시의 근전도 특성의 상관성을 인식 성능 변화를 통하여 확인하였다. 끝으로 실시간 비동기식 추론을 가능하게 하도록 short-time 엔트로피 이용한 움직임 구간 탐지 기술을 개발하였다. 본 방법은 유사 연구 사례에 비하여 상대적으로 적은 수의 채널을 사용하며, 전극 부착 위치의 독립성이 보장되면서도 높은 추정 성능을 내는 것이 특징이다.
This paper provides a novel method to infer finger flexing motions using a 4-channel surface electromyogram (EMG). Surface EMG signals can be recorded from human body non-invasively and easily. Surface EMG signals in this study were obtained from four channel electrodes placed around the forearm. Th...
This paper provides a novel method to infer finger flexing motions using a 4-channel surface electromyogram (EMG). Surface EMG signals can be recorded from human body non-invasively and easily. Surface EMG signals in this study were obtained from four channel electrodes placed around the forearm. The motions consist of the flexion of 5 single fingers (thumb, index finger, middle finger, ring finger, and little finger) and 3 multi-finger motions. The information entropy and the maximum likelihood estimation was used to infer the finger motions. Samples in the experiment consisted of 5 persons. Experimental results have shown that this method can successfully infer the finger flexing motions. The average accuracy was as high as 97%.
This paper provides a novel method to infer finger flexing motions using a 4-channel surface electromyogram (EMG). Surface EMG signals can be recorded from human body non-invasively and easily. Surface EMG signals in this study were obtained from four channel electrodes placed around the forearm. The motions consist of the flexion of 5 single fingers (thumb, index finger, middle finger, ring finger, and little finger) and 3 multi-finger motions. The information entropy and the maximum likelihood estimation was used to infer the finger motions. Samples in the experiment consisted of 5 persons. Experimental results have shown that this method can successfully infer the finger flexing motions. The average accuracy was as high as 97%.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.