본 논문은 전완에서 측정되는 근전도 신호의 특성을 분석하고 이를 이용하여 손목 힘 및 악력을 동시에 추정할 수 있는 로봇 의수를 제안한다. 제안한 로봇 의수는 전완의 근전도 신호를 이용하여 2자유도 손목 힘(굴곡-신전, 내전-외전)과 1자유도 악력을 동시에 추정 할 수 있다. 따라서 손목을 이용하여 물체에 접근 하는 것 뿐 아니라, 손가락을 움켜쥐어 물체를 파지하는 것도 가능하다. 또한, 각 ...
본 논문은 전완에서 측정되는 근전도 신호의 특성을 분석하고 이를 이용하여 손목 힘 및 악력을 동시에 추정할 수 있는 로봇 의수를 제안한다. 제안한 로봇 의수는 전완의 근전도 신호를 이용하여 2자유도 손목 힘(굴곡-신전, 내전-외전)과 1자유도 악력을 동시에 추정 할 수 있다. 따라서 손목을 이용하여 물체에 접근 하는 것 뿐 아니라, 손가락을 움켜쥐어 물체를 파지하는 것도 가능하다. 또한, 각 자유도에 해당하는 움직임은 패턴분류 방식이 아닌 회귀분석의 방식으로써 연속적이고 자연스러운 움직임을 제공한다. 제안한 학습데이터 생성 방법은 전완의 근전도 특성을 이용하였다. 이는 손목의 움직임을 추정하기 위한 학습데이터와 손가락의 움직임을 추정하기 위한 학습데이터를 조합하여 두 동작이 동시에 수행되었을 때의 움직임을 포함한 학습데이터를 구성하는 방법이다. 이와 같은 방법은 학습데이터를 생성하기 위한 기존 수행 표의 리스트를 크게 줄여주어 환자에 맞는 로봇 의수 제작을 용이하게 하였다. 제안한 로봇 의수는 결정계수(), 평균 제곱근 오차()를 이용하여 유효성을 평가하였으며, 모의 의수 실험을 통해 사용자의 의도가 로봇에 얼마나 잘 반영되는지를 확인하였다. 실험 결과 회귀식을 설명하는 결정계수의 경우 손목의 2자유도 힘에 대해 0.71(신전-굴곡), 0.81(내전-외전)의 결과를 보였고, 1자유도 악력은 0.75의 값을 얻었다. 평균 제곱근 오차는 같은 순서로 0.12, 0.17, 0.13의 결과를 얻었다. 사용자의 의도가 로봇에 얼마나 잘 반영되는지를 평가해보는 모의 의수 실험에서는 3자유도의 추정 값을 이용해 Pick-and-Place 작업을 성공하였다.
본 논문은 전완에서 측정되는 근전도 신호의 특성을 분석하고 이를 이용하여 손목 힘 및 악력을 동시에 추정할 수 있는 로봇 의수를 제안한다. 제안한 로봇 의수는 전완의 근전도 신호를 이용하여 2자유도 손목 힘(굴곡-신전, 내전-외전)과 1자유도 악력을 동시에 추정 할 수 있다. 따라서 손목을 이용하여 물체에 접근 하는 것 뿐 아니라, 손가락을 움켜쥐어 물체를 파지하는 것도 가능하다. 또한, 각 자유도에 해당하는 움직임은 패턴분류 방식이 아닌 회귀분석의 방식으로써 연속적이고 자연스러운 움직임을 제공한다. 제안한 학습데이터 생성 방법은 전완의 근전도 특성을 이용하였다. 이는 손목의 움직임을 추정하기 위한 학습데이터와 손가락의 움직임을 추정하기 위한 학습데이터를 조합하여 두 동작이 동시에 수행되었을 때의 움직임을 포함한 학습데이터를 구성하는 방법이다. 이와 같은 방법은 학습데이터를 생성하기 위한 기존 수행 표의 리스트를 크게 줄여주어 환자에 맞는 로봇 의수 제작을 용이하게 하였다. 제안한 로봇 의수는 결정계수(), 평균 제곱근 오차()를 이용하여 유효성을 평가하였으며, 모의 의수 실험을 통해 사용자의 의도가 로봇에 얼마나 잘 반영되는지를 확인하였다. 실험 결과 회귀식을 설명하는 결정계수의 경우 손목의 2자유도 힘에 대해 0.71(신전-굴곡), 0.81(내전-외전)의 결과를 보였고, 1자유도 악력은 0.75의 값을 얻었다. 평균 제곱근 오차는 같은 순서로 0.12, 0.17, 0.13의 결과를 얻었다. 사용자의 의도가 로봇에 얼마나 잘 반영되는지를 평가해보는 모의 의수 실험에서는 3자유도의 추정 값을 이용해 Pick-and-Place 작업을 성공하였다.
In this paper, we analyze the characteristics of EMG signals measured in the forearm, and propose the robots hand prosthesis that can estimate wrist force and grasping force at the same time. The proposed robots can simultaneously estimate the 2-degree- of–freedom wrist force (flexion-extension,...
In this paper, we analyze the characteristics of EMG signals measured in the forearm, and propose the robots hand prosthesis that can estimate wrist force and grasping force at the same time. The proposed robots can simultaneously estimate the 2-degree- of–freedom wrist force (flexion-extension, adduction-abduction) and 1-degree-of-freedom grasping force using EMG signals of the forearms. Therefore, it is possible not only to approach the object by using the wrist, but also to grasp the object by grasping the finger. In addition, the motion corresponding to each degree of freedom provides a free and natural movement as a regression analysis method, not a pattern classification method. The proposed learning data generation method uses EMG characteristics of the forearm. This is a method of constructing learning data including movement when two operations are simultaneously performed by combining learning data for estimating the motion of the wrist and learning data for estimating movement of the finger. This method greatly reduces the time and effort of the learning data generation process by greatly reducing the list of existing performance tables for generating learning data. The validity of the proposed algorithm was evaluated by using the coefficient of determination (), mean square root error (), and it was confirmed how well the user's intention was reflected to the robot through the simulation test. The experimental results showed that the coefficient of determination of the regression equation was 0.71 (extension-flexion) and 0.81 (adduction -abduction) with respect to the 2 degrees of freedom of the wrist, while the grasping force was 0.75. The mean square root error was 0.12, 0.17, and 0.13 in the same order. In the simulated experiment, which evaluates how well the user's intention is reflected to the robot, the Pick and Place work was successfully performed using the estimated value of 3 degrees of freedom.
In this paper, we analyze the characteristics of EMG signals measured in the forearm, and propose the robots hand prosthesis that can estimate wrist force and grasping force at the same time. The proposed robots can simultaneously estimate the 2-degree- of–freedom wrist force (flexion-extension, adduction-abduction) and 1-degree-of-freedom grasping force using EMG signals of the forearms. Therefore, it is possible not only to approach the object by using the wrist, but also to grasp the object by grasping the finger. In addition, the motion corresponding to each degree of freedom provides a free and natural movement as a regression analysis method, not a pattern classification method. The proposed learning data generation method uses EMG characteristics of the forearm. This is a method of constructing learning data including movement when two operations are simultaneously performed by combining learning data for estimating the motion of the wrist and learning data for estimating movement of the finger. This method greatly reduces the time and effort of the learning data generation process by greatly reducing the list of existing performance tables for generating learning data. The validity of the proposed algorithm was evaluated by using the coefficient of determination (), mean square root error (), and it was confirmed how well the user's intention was reflected to the robot through the simulation test. The experimental results showed that the coefficient of determination of the regression equation was 0.71 (extension-flexion) and 0.81 (adduction -abduction) with respect to the 2 degrees of freedom of the wrist, while the grasping force was 0.75. The mean square root error was 0.12, 0.17, and 0.13 in the same order. In the simulated experiment, which evaluates how well the user's intention is reflected to the robot, the Pick and Place work was successfully performed using the estimated value of 3 degrees of freedom.
AI-Helper
※ AI-Helper는 부적절한 답변을 할 수 있습니다.