사람의 움직임 의도를 파악하는 연구는 최근 부각되고 있는 연구 분야로 로봇-인간 상호 작용, 고령자나 장애인 재활에 직접적으로 활용될 수 있다. 근전도신호는 해당 분야에서 가장 널리 이용되는 특징이다. 하지만 근전도신호는 팔의 자세, 전극의 배치, 근 피로에 영향을 받기 쉬우며 신호 처리를 위한 부가적인 요소가 상대적으로 많이 필요하여 비전문가의 접근이 어려운 편이다. 이에 근전도신호를 대체할 특징의 연구가 진행되었고 주로 사람 몸의 물리적 변화나 기계적 물성치 변화를 특징으로 이용한다. 하지만 이러한 특징도 반복적인 근육 운동에 의한 근육의 팽창 (잔여 근육 팽창, RMVC) 이나 팔의 자세에 영향을 받는다. 이로 인하여 초기에 설정한 센서의 ...
사람의 움직임 의도를 파악하는 연구는 최근 부각되고 있는 연구 분야로 로봇-인간 상호 작용, 고령자나 장애인 재활에 직접적으로 활용될 수 있다. 근전도신호는 해당 분야에서 가장 널리 이용되는 특징이다. 하지만 근전도신호는 팔의 자세, 전극의 배치, 근 피로에 영향을 받기 쉬우며 신호 처리를 위한 부가적인 요소가 상대적으로 많이 필요하여 비전문가의 접근이 어려운 편이다. 이에 근전도신호를 대체할 특징의 연구가 진행되었고 주로 사람 몸의 물리적 변화나 기계적 물성치 변화를 특징으로 이용한다. 하지만 이러한 특징도 반복적인 근육 운동에 의한 근육의 팽창 (잔여 근육 팽창, RMVC) 이나 팔의 자세에 영향을 받는다. 이로 인하여 초기에 설정한 센서의 영점이 시간이 지남에 따라 변화하여 강건한 측정이 어렵고 분류기의 분류 성공률 감소시킨다. 본 연구에서 진행한 것은 잔여 근육 팽창과 팔의 자세에 의한 영향을 감소시켜 분류기의 분류 성공률을 향상시키는 것 이었다. 두 가지 관점에서 실험을 진행하였는데 하나는 한 개 채널의 근전도신호를 이용하여 근육 활동이 없을 순간을 찾아서 잔여 근육 팽창을 제거하는 것 이었고, 또 다른 하나는 팔의 자세 변화에 의한 영향을 관성측정장치로 팔의 자세를 측정하여 이를 고려한 팔의 자세 분류를 진행하는 것 이었다. 첫번째 실험의 효과는 세 종류의 팔의 자세 분류와 손의 악력 분류를 진행하여 검증하였다. 이용한 분류기는 k-근접 이웃 분류기를 이용하였으며 팔의 자세 분류시 4.45%의 분류 성공률 향상을, 손의 악력 분류시 10.32%의 분류 성공률 향상을 가져다 주었다. 팔의 자세를 고려한 손의 자세 분류 실험에서는 두 가지의 손의 자세 분류를 시도하였는데 k-근접 이웃 분류기를 이용하였을때 5%의 분류 성공률 향상을 가져다 주었다.
사람의 움직임 의도를 파악하는 연구는 최근 부각되고 있는 연구 분야로 로봇-인간 상호 작용, 고령자나 장애인 재활에 직접적으로 활용될 수 있다. 근전도신호는 해당 분야에서 가장 널리 이용되는 특징이다. 하지만 근전도신호는 팔의 자세, 전극의 배치, 근 피로에 영향을 받기 쉬우며 신호 처리를 위한 부가적인 요소가 상대적으로 많이 필요하여 비전문가의 접근이 어려운 편이다. 이에 근전도신호를 대체할 특징의 연구가 진행되었고 주로 사람 몸의 물리적 변화나 기계적 물성치 변화를 특징으로 이용한다. 하지만 이러한 특징도 반복적인 근육 운동에 의한 근육의 팽창 (잔여 근육 팽창, RMVC) 이나 팔의 자세에 영향을 받는다. 이로 인하여 초기에 설정한 센서의 영점이 시간이 지남에 따라 변화하여 강건한 측정이 어렵고 분류기의 분류 성공률 감소시킨다. 본 연구에서 진행한 것은 잔여 근육 팽창과 팔의 자세에 의한 영향을 감소시켜 분류기의 분류 성공률을 향상시키는 것 이었다. 두 가지 관점에서 실험을 진행하였는데 하나는 한 개 채널의 근전도신호를 이용하여 근육 활동이 없을 순간을 찾아서 잔여 근육 팽창을 제거하는 것 이었고, 또 다른 하나는 팔의 자세 변화에 의한 영향을 관성측정장치로 팔의 자세를 측정하여 이를 고려한 팔의 자세 분류를 진행하는 것 이었다. 첫번째 실험의 효과는 세 종류의 팔의 자세 분류와 손의 악력 분류를 진행하여 검증하였다. 이용한 분류기는 k-근접 이웃 분류기를 이용하였으며 팔의 자세 분류시 4.45%의 분류 성공률 향상을, 손의 악력 분류시 10.32%의 분류 성공률 향상을 가져다 주었다. 팔의 자세를 고려한 손의 자세 분류 실험에서는 두 가지의 손의 자세 분류를 시도하였는데 k-근접 이웃 분류기를 이용하였을때 5%의 분류 성공률 향상을 가져다 주었다.
Prediction of human movement has been a significant issue. The main applications are interface between human and robot, and rehabilitation of the elderly or disabled. The most common feature is surface electromyography (sEMG) which is electrical potential when muscles contract. However, sEMG is easy...
Prediction of human movement has been a significant issue. The main applications are interface between human and robot, and rehabilitation of the elderly or disabled. The most common feature is surface electromyography (sEMG) which is electrical potential when muscles contract. However, sEMG is easy to be affected by arm posture, electrode location and muscle fatigue. Moreover, signal processing for sEMG is complicated that it works against inexperienced users. Some features have introduced as an alternative of sEMG. They measure physical or mechanical properties change of the human body. Robustness of sensor is important issues. However, reference point of the sensor also varies due to swelling of the muscles or arm posture. The factors lower the performance of classifier. In this thesis, two methods are proposed to minimize the effect of the factors. The first one removes residual muscle volume change (RMVC) when hand posture is relaxed posture by employing a single sEMG channel on the FDS muscle. And the second one considers the effect of arm posture by measuring an orientation of the arm using two inertial measurement units (IMU). The performance was validated by performing classification of 3 hand postures and quantified by the match rate between motion cues and classification results. The first one improves the performance by 4.45% (k-NN classifier). For grasp force classification, it improves the performance by 10.32% (k-NN classifier, quantified with the integral of squared errors (ISE)). And the second one is validated by performing two hand postures classification. The second one improves the performance up by 5% (quantified by match rate).
Prediction of human movement has been a significant issue. The main applications are interface between human and robot, and rehabilitation of the elderly or disabled. The most common feature is surface electromyography (sEMG) which is electrical potential when muscles contract. However, sEMG is easy to be affected by arm posture, electrode location and muscle fatigue. Moreover, signal processing for sEMG is complicated that it works against inexperienced users. Some features have introduced as an alternative of sEMG. They measure physical or mechanical properties change of the human body. Robustness of sensor is important issues. However, reference point of the sensor also varies due to swelling of the muscles or arm posture. The factors lower the performance of classifier. In this thesis, two methods are proposed to minimize the effect of the factors. The first one removes residual muscle volume change (RMVC) when hand posture is relaxed posture by employing a single sEMG channel on the FDS muscle. And the second one considers the effect of arm posture by measuring an orientation of the arm using two inertial measurement units (IMU). The performance was validated by performing classification of 3 hand postures and quantified by the match rate between motion cues and classification results. The first one improves the performance by 4.45% (k-NN classifier). For grasp force classification, it improves the performance by 10.32% (k-NN classifier, quantified with the integral of squared errors (ISE)). And the second one is validated by performing two hand postures classification. The second one improves the performance up by 5% (quantified by match rate).
주제어
#classification of hand posture classification of grasp force forearm perimeter sensor k-NN classifier support vector machine classifier surface electromyography
학위논문 정보
저자
최휘용
학위수여기관
건국대학교 대학원
학위구분
국내석사
학과
기계설계학과 생산및자동화
지도교수
이상윤
발행연도
2014
총페이지
57
키워드
classification of hand posture classification of grasp force forearm perimeter sensor k-NN classifier support vector machine classifier surface electromyography
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.