본 연구에서는, 팔의 4가지 운동을 구별할 수 있는 계측 시스템과, 구별된 팔의 운동 위치를 추정할 수 있는 제어 알고리즘에 관하여 기술한다. 먼저 4가지(굽히기와 펴기, 내전과 외전) 운동을 구별하기 위해 굽혀진 정도를 측정할 수 있는 전기 저항 형태의 굽힘 센서를 사용한다. 이 센서를 왼팔의 상완 이두근과 오구완근에 1개씩 부착한다. 부착된 두 개의 센서로부터 출력되는 신호는 증폭기와 필터 등으로 구성된 계측 시스템을 통과한다. 이 시스템에서는 상완이두근에 부착된 센서 신호는 굽히기와 펴기 운동 중에서만 On/OFF 작동을 하도록 하고, 오구완근에 부착된 센서 신호는 모든 운동에 작동하도록 설계하였다. 이렇게 출력된 신호들로부터 4가지 운동은 구별하여 출력하고, 출력된 신호들로부터 팔의 운동 위치를 측정한다. 마지막으로, 제안된 알고리즘의 효용성을 입증하기 위해 RC 서보 모터와 포텐션미터로 구성된 2자유도의 인공팔을 제작하여 실험한다. 실험을 통해 인공 팔의 위치는 모터의 회전 관성, 센서의 노이즈 등으로 실제 팔의 위치와 차이가 발생하였다 이 오차를 감소하기 위해 오차값과 오차의 변화값에 근거한 퍼지PID 제어기를 사용하였고, 이로써 오차가 5도 이내로 감소되었다.
본 연구에서는, 팔의 4가지 운동을 구별할 수 있는 계측 시스템과, 구별된 팔의 운동 위치를 추정할 수 있는 제어 알고리즘에 관하여 기술한다. 먼저 4가지(굽히기와 펴기, 내전과 외전) 운동을 구별하기 위해 굽혀진 정도를 측정할 수 있는 전기 저항 형태의 굽힘 센서를 사용한다. 이 센서를 왼팔의 상완 이두근과 오구완근에 1개씩 부착한다. 부착된 두 개의 센서로부터 출력되는 신호는 증폭기와 필터 등으로 구성된 계측 시스템을 통과한다. 이 시스템에서는 상완이두근에 부착된 센서 신호는 굽히기와 펴기 운동 중에서만 On/OFF 작동을 하도록 하고, 오구완근에 부착된 센서 신호는 모든 운동에 작동하도록 설계하였다. 이렇게 출력된 신호들로부터 4가지 운동은 구별하여 출력하고, 출력된 신호들로부터 팔의 운동 위치를 측정한다. 마지막으로, 제안된 알고리즘의 효용성을 입증하기 위해 RC 서보 모터와 포텐션미터로 구성된 2자유도의 인공팔을 제작하여 실험한다. 실험을 통해 인공 팔의 위치는 모터의 회전 관성, 센서의 노이즈 등으로 실제 팔의 위치와 차이가 발생하였다 이 오차를 감소하기 위해 오차값과 오차의 변화값에 근거한 퍼지 PID 제어기를 사용하였고, 이로써 오차가 5도 이내로 감소되었다.
In this paper, an algorithm to classify the 4 motions of arm and a control system to position control the prosthesis are studied. To classify the 4 motions, we use flex sensors which is electrical resistance type sensor that can measure warp of muscle. The flex sensors are attached to the biceps brc...
In this paper, an algorithm to classify the 4 motions of arm and a control system to position control the prosthesis are studied. To classify the 4 motions, we use flex sensors which is electrical resistance type sensor that can measure warp of muscle. The flex sensors are attached to the biceps brchii muscle and coracobrachialis muscle and the sensor signals are passed the sensing system. 4 motion of the forearm - flexion and extension, the pronation and supination are classified from this. Also position of forearm is measured from the classified signals. Finally, A two D.O.F prosthesis arm with RC servo-motor is designed to verify the validity of the algorithm. At this time, fuzzy controller is used to reduce the position error by rotary inertia and noise. From the experiment, the position error had occurred within about 5 degree.
In this paper, an algorithm to classify the 4 motions of arm and a control system to position control the prosthesis are studied. To classify the 4 motions, we use flex sensors which is electrical resistance type sensor that can measure warp of muscle. The flex sensors are attached to the biceps brchii muscle and coracobrachialis muscle and the sensor signals are passed the sensing system. 4 motion of the forearm - flexion and extension, the pronation and supination are classified from this. Also position of forearm is measured from the classified signals. Finally, A two D.O.F prosthesis arm with RC servo-motor is designed to verify the validity of the algorithm. At this time, fuzzy controller is used to reduce the position error by rotary inertia and noise. From the experiment, the position error had occurred within about 5 degree.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
그리고 이 시스템으로부터 추출된 동작구별 신호를 이용하여 인공 팔의 위치를 제어하는 방법을 연구한다. 그리고 방법의 효용성은 실험을 통해 입증하고자 한다. 먼저 근육의 탄력성을 측정할 수 있는 센서는 구부러진 정도에 비례하여 저항값이 변하는 굽힘센서 (flex sensor)를 사용한다.
그리고 이 시스템으로부터 추출된 동작구별 신호를 이용하여 인공 팔의 위치를 제어하는 방법을 연구한다. 그리고 방법의 효용성은 실험을 통해 입증하고자 한다.
따라서 보철용 팔의 위치를 제어하기 위해 본 연구에서는 퍼지 PID 제어 방법을 적용하고자 한다.
따라서 본 연구에서는 근육의 탄력성을 이용하여 동작을 구별할 수 있는 계측시스템을 연구하였다. 그리고 이 시스템으로부터 추출된 동작구별 신호를 이용하여 인공 팔의 위치를 제어하는 방법을 연구한다.
본 연구에서는 근육의 탄력성을 이용하여 팔 동작을구별하고 위치를 능동적으로 제어하기 위한 방법을 연구하였다. 그리고 방법의 효용성을 검토하기 위해 실험을 하였으며 다음과 같은 결론을 얻었다.
가설 설정
3. 한 번의 자극으로 인해 근육이 원래의 상태로 돌아오지 않은 상태에서, 두 번째 다른 운동은 할 수 없다. 단 같은 운동이면 가능하다.
11. a) Flexion and extension of men without controller.
9. b) Pronation and supination of women without controller.
9. b) Pronation and supination of women without controller.
제안 방법
1. 근육의 탄력성을 측정하기 위해 사용된 굽힘 센서 2개를 정상인의 왼팔에 단단히 부착하여 팔의 4가지 동작을 구별하였고, 구별된 신호로부터 팔의 위치를 측정하였다.
그리고 전원 노이즈를 제거하기 위해 노치 필터를 통과하여 전완의 4가지 운동에 작용하도록 설계하였다. 이 때 옵셋조정을 위해 기준전압一2를 조정할 수 있다.
거쳐 출력된다. 그리고 출력된 신호는 슈미트 트리거 회로를 통과하여 전완이 굽혀졌을 때만 작동하고, 전압의 민감도 조정을 위해 기준전압」을 조정하도록 설계하였다.
이 센서는 팔꿈치의 굽히기 (flexion)와 펴기 (extension) 에만 관여하도톡 프리앰프를 구성하였다. 두 번째 센서는 4가지 움직임(팔꿈치의 굽힘과 펴짐, 손목의 내전 과외 전)이 가장 잘 나타나는 위치를 선택하였다. 이는 반복적인 실험을 통해 오구완근으로 선택하였다.
최대 오차는 15도까지 측정되었다. 따라서 본 연구에서 사용된 퍼지 제어기를 이용하여 발생된 최대 오차를 측정하여 비교하였고 이를 표 3에 정리하여 나타내었다.
본 연구의 실험을 위해 제작된 인공 팔은 2개의 RC 서보 모터와 위치 측정을 위한 포텐셔미터로 구성되어 있다. 따라서 실제 팔의 위치 즉 굽힘 센서와 인공 팔의 위치 즉 포텐셔미터의 신호를 비교하여 운동 위치를 측정한다.
따라서 에러를 감소하기 위해 제어기를 사용하여 재측정하였다. 이것은 Fig.
마지막으로 보철용 팔의 운동 위치를 추정하기 위해본 연구에서는 포텐셔미터를 사용하였다. 사용된 포텐셔미터는 일본 전산코팔전자 사의 JC10으로 이것은 소형이지만 고 분해능을 가지는 것이 특징이다.
먼저 근육에 부착된 센서의 전압값은 약 50배로 증폭하여 ±5[V]의 값을 갖도록 하고, 노이즈를 제거하기 위해 20이Hz]의 차단 주파수를 가지는 1차 저역 통과 필터 (Low Pass Filter) 를 제작하였다.
본 연구에서 사용된 소속 함수(membership function) 는 삼각형 함수로서 Fig. 5와 같으며, 본 연구에서 사용한 전반부 및 후반부의 제어 변수는 오차(⑦) 및 오차의 변화 값(而에 대해 각 각 7개로 구성되어 있으며 전체적.인 제어 규칙을 표로 나타내면 표 2와 같다.
본 연구에서는 근육의 여러 특징 중 하나인 탄력성에 착안하여 탄력을 측정할 수 있는 센서를 사용하였다. 이는 미국 Abrams Gentile 사의 굽힘 센서로서 이 것은 탄성을 받아 휘어지는 만큼 저항이 변하는 형태로서 Fig.
이상의 가정을 통해 센서를 30대 남성과 여성의 왼팔에 단단히 부착하여 전완의 굴곡과 신전 그리고 회내와회외 운동을 측정하였다. Fig.
대상 데이터
2. 긴장, 마비 및 강직이 발생하지 않는 정상적인 근육이며 실험 대상자는 정상인으로 한다.
Fig. 7에서 암(arm)과 베이스(base) 부품의 재질은 알루미늄 합금강을 사용하였고, 전완(forearm)과 손 (hand)은 PVC 재질을 사용하여 팔을 제작하였다.
그리고 제작된 보철용 팔의 액추에이터는 HITEC 사의 RC 서보 모터이다. 이것은 포텐셔미터를 이용한 간단한 위치추종 기능만을 가지고 있어 크기가 작지만 출력 토크가 크다는 장점과 제어가 용이한 장점을 가지고 있다.
거친다. 본 연구에서 사용된 AD 변환기는 National Instrument 사의 PCI 6036E로서 이는 16개의 아날로그 입력 채널을 가지며, 16Bit 분해능, 최대 샘플링 비율이 200kS/s 그리고 2개의 16 Bit 아날로그 출력을 가진다.
이 신호는 매우 선형적인 특징을 갖기 때문에 별도의 가공 프로세서 없이 인공 팔에 직접 전달되어 인공 팔을 동작시킨다. 본 연구의 실험을 위해 제작된 인공 팔은 2개의 RC 서보 모터와 위치 측정을 위한 포텐셔미터로 구성되어 있다. 따라서 실제 팔의 위치 즉 굽힘 센서와 인공 팔의 위치 즉 포텐셔미터의 신호를 비교하여 운동 위치를 측정한다.
연구에서는 포텐셔미터를 사용하였다. 사용된 포텐셔미터는 일본 전산코팔전자 사의 JC10으로 이것은 소형이지만 고 분해능을 가지는 것이 특징이다.
센서의 길이는 이며 폭은 6.35[mm] 두께는 0.508[mm]이다. 센서의 저항값은 0도에서 10, 00이 Q]이며 90도에서는 35, (XX)[Q]의 값을 가진다.
제작된 인공 팔의 무게는 약 4.9[N], 최대 높이는 235[mm] 이며 HS-225MG 의 회전 각도는 120도, HS-81MG의 회전 각도는 180도 이다.
팔꿈치와 손목의 관절 운동에 사용된 액추에이터는 각 각의 토크가 0.47EN - m], 0.255[N・m] 인 HS- 225MG와 HS-81MG를 사용하였다.
성능/효과
3. 구부러짐을 측정할 수 있는 굽힘 센서를 이용한 동작 구별 방법은 모든 사용자들에게 특별한 수학적 모델링, 확률적 통계적 등의 소프트웨어적인 방법 혹은 하드웨어적인 방법 등의 별도의 가공 프로세서 없이 신호를 규칙화할 수 있을 것으로 판단된다. 이는 향후 보완된 연구를 통해 재 입증할 것이다.
4. 전완의 굽히기와 펴기 운동은 최대 120도, 내전 과외 전은 중립위치에서 ±90도만 운동한다.
a)로부터 먼저 굴곡이 발생하여 10초 이내에 운동이 완료되었다. 이 때 약 4초 동안 105도를 유지하고 있지만 센서의 값이 70도 부근에서 회전 관성이 발생하여 오차가 발생하였고 최대 15도로 측정되었다. 이 후 15초 후에 약 40도 정도의 굽히기 운동이 발생되고 2초 이내에 원위치로 복귀되고 있다.
이상의 실험으로부터 실제 팔의 위치와 보철용 팔의 위치에서 발생된 오차는 여러 가지 원인에 의해 발생되었고 최대 오차는 15도까지 측정되었다. 따라서 본 연구에서 사용된 퍼지 제어기를 이용하여 발생된 최대 오차를 측정하여 비교하였고 이를 표 3에 정리하여 나타내었다.
후속연구
구부러짐을 측정할 수 있는 굽힘 센서를 이용한 동작 구별 방법은 모든 사용자들에게 특별한 수학적 모델링, 확률적 통계적 등의 소프트웨어적인 방법 혹은 하드웨어적인 방법 등의 별도의 가공 프로세서 없이 신호를 규칙화할 수 있을 것으로 판단된다. 이는 향후 보완된 연구를 통해 재 입증할 것이다.
참고문헌 (17)
2004년 보건복지백서, 보건복지부
Kreifeldt, J. 'Signal versus noise characteristics of filtered EMG used as a control source,' IEEE Trans. Biomedical Engineering, Vol. BME -18, pp. 16-22, 1971
Stulen, F.B., Luca, C.J., 'Frequency parameters of the myoelectric signal as a measure of muscle conduction velocity,' IEEE Tran. Biomedical Engineering, Vol. BME - 28, pp. 515-523, 1981
Studer, R.M., 'An algorithm for sequential signal estimation and system identification for EMG signals,' IEEE Trans. Biomedical Engineering, Vol. BME-31, No.3, pp. 285-295, 1984
Markhoul, J.D., 'Linear Prediction: A tutorial review,' Proceedings IEEE, Vol. 63, pp. 561-579, 1975
Atal, B.S., 'Effectiveness of linear prcxliction characteristics of the speech wave for automatic sperker identification and verification,' JASA., Vol. 55, pp. 1304-1312, 1974
Kiryu, T., Saitoh, S., Ishioka, K., 'Inverstigation on parametric analysis of dynamic EMG signals by a musclc-sutrutured simulation model,' IEEE Trans. Biomedical Engineering, Vol. BME - 39, pp. 280-288, 1992
O'Neill. P.A., 'Myoelectric singal characteristics from muscles in residual upper limbs,' IEEE Trans. Rehabilitation Engineering, Vol. 2, No.4, 1994
Sheriff, M.H., 'Effects of load on myoelectric signals : the ARMA representation,' IEEE Trans., Vol. BME - 28, pp. 411-416, 1981
Wirta, R.W., Taylor, D.R., Finley, F.R., 'Pattern recognition arm prostheses : A historical perspective-A final report,' Bull Prothes. Research, pp. 8-35, 1978
Hannaford, B., Lehman, S., 'Short time fourier analysis of the electromyogram : Fast movements and constant constraction,' IEEE Trans. Biomedical Engineering, Vol BME - 33, No. 12, 1987
Troilo, R.J., Moskowizt, G.D., 'Theoretical development of a multichannel time-series myoprocessor for simultaneous limb function detection and muscle force estimation,' IEEE Trans, Biomedical Engineering, Vol. BME - 36, No. 10, pp. 1004-1017, 1989
Park, S., Lee, S., 'EMG Pattern Recognition based on Artificial Intelligence Techniques,' IEEE. Trans. on Rehabilitation Engineering, Vol. 6, No.4, 1998
Kelly, M.F., Parker, P.A, Scott, R.N., 'The application of neural networks to myoelectric signal analysis: A preliminary study,' IEEE Trans Biomedical Engineering, Vol. 37, No.3, pp. 221-230, 1990
Ozyilmaz, L., Yilclirim, T., Seker, H., 'EMG Signal Classification Using Conic Section Function Neural Networks,' International Joint Conference on Neural networks, Vol. 5, pp. 3601-3603, 1999
AI-Assaf, Al-Nashash, Y., 'Myoelectric signal segmentation and classification using wavelets based neural networks,' 2001. Proceedings of the 23rd Annual International Conference of the IEEE Engineering in Medicine and Biology Society, Vol. 2, pp. 1820 -1823, 2001
※ AI-Helper는 부적절한 답변을 할 수 있습니다.