선택한 단어 수는 입니다.
최소 단어 이상 선택하여야 합니다.
최소 단어 이상 선택하여야 합니다.
선택한 단어 수는 30입니다.
최대 10 단어까지만 선택 가능합니다.
최대 10 단어까지만 선택 가능합니다.
문제 정의
- 본 연구에서는 실시간으로 등척성(isometric) 손가락 힘을 근전도로부터 추정한 연구를 수행하였다. 사람이 손으로 물건을 잡는 형태 중 가장 섬세하고 많이 쓰이는 형태를 선정하였으며, 이는 엄지와 검지를 이용하여 손끝으로 물건을 잡는 형태로써 pinch 라 불린다.
- 근전도 신호를 얻는데 있어서 특정근육의 활성도를 계측하기 위해 표면전극의 부착 위치를 결정하는데 상당한 시간이 소요된다는 점을 고려하면 pinch 힘을 추정하는데 필요한 최소의 표면 전극 개수를 알아내는 것은 중요한 일이 될 것이다. 이를 위해 각 채널에서 측정된 근전도 신호들을 개별적으로 사용했을 때와 4 개 이하의 조합으로 사용했을 때, 인공신경망이 pinch 힘을 얼만큼 추정할 수 있는지 정량적으로 분석하는 연구를 진행하고자 한다.
제안 방법
- 총 5 번의 실험을 통해 얻은 데이터군 중 한 개의 데이터군은 신경망을 학습 (backpropagation) 시키는데 사용하였고, 나머지 4개의 데이터군은 힘 추정을 검증하기 위해 사용되었다. 1~20 개의 뉴런들에 의한 인공신경망의 성능은 두 기준에 의해 평가되었으며 각 뉴런에 대해 10 번씩 반복 평가하였다. 평가에 사용한 두 기준은 추정된 힘과 측정한 힘 사이 의 normalized root mean squared error(NRMSE)와 correlation(CORR)이다.
- 3.3 절에서 설명한 실험 데이터 중 힘을 추정하는데 가장 유용하다고 판단된 4 번에서 7 번까지의 4 개 채널 신호를 입력신호로 하고, 이때 획득된 힘 신호를 출력신호로 하여 신경망을 학습시켰다. 총 5 번의 실험을 통해 얻은 데이터군 중 한 개의 데이터군은 신경망을 학습 (backpropagation) 시키는데 사용하였고, 나머지 4개의 데이터군은 힘 추정을 검증하기 위해 사용되었다.
- 7 개의 표면전극으로부터 측정된 신호에서 RMS 값을 이용하여 식 (1)의 기준함수에 적용하였으며, 클래스 1 을 pinch 힘이 0 N 일 때, 클래스 2 를 pinch 힘 이 8 N 일 때로 분류하여 테스트하였다. 근전도 신호는 근육 힘에 비례적인 특징을 보임으로 pinch 힘이 작을 때와 클 때의 신호들이 잘 분류 가능한 채널들은 0~8 N 사이의 연속적인 힘을 추정하는데 역시 효과적인 정보를 제공할 것이라 생각하였다.
- 하지만 15개의 모든 근육 중 일부는 피부 표면 깊숙이 위치해 있기 때문에 몇몇 근육들의 활성도는 표면 전극을 이용하여 측정할 수 없다. ADAM Interactive Anatomy(A.D.A.M. Inc., USA) 소프트웨어를 사용하여 이 근육들 중 오직 7 개만이 피부 표면 가까이 위치하고 있다는 것을 알아냈으며 , 이 근육들은 ED, APL, FDS, DI, APB, FPB, AP 이다. 한 명의 피실험자를 대표로 아래팔에 선정 근육의 근전도를 획득하기 위하여 7 개의 표면전극을 부착하였고, pinch 힘을 발생하는 동시에 근전도 신호를 총 5회에 걸쳐 획득하였다.
- 사람이 손으로 물건을 잡는 형태 중 가장 섬세하고 많이 쓰이는 형태를 선정하였으며, 이는 엄지와 검지를 이용하여 손끝으로 물건을 잡는 형태로써 pinch 라 불린다. Pinch 힘을 근전도 신호로부터 추정하기 위하여 엄지와 검지 움직임을 관장하는 근육을 선정하고 표면전극으로 관찰할 수 있는 7 개의 근육으로부터 신호를 얻어냈다. 이 중 Fisher linear discriminant analysis 를 통하여 힘을 주정하는데 가장 효율적인 4가지 전극을 선정하였고, 인공 신경망을 사용하여 손가락 힘을 추정하였다.
- 다층인식신경망의 구조는 입력/출력 신호간의 복잡성 정도에 따라 결정 되야 하지만. 근전도와 근육 힘의 정량적 인 복잡도를 결정하기 힘들기 때문에, 은닉노드(hidden neuron) 의개수를 다양하게 하여 시뮬레이션을 수행하였다.
- 대체적으로 은닉노드의 개수가 작을 때는 under-fitting 문제를 발생했으며, 은닉 노드의 개수가 많아짐에 따라 NRMSE 값이 작아지고 CORR 값이 상승하며 좋은 추정 결과를 보여주지만 대략 10 개정도의 은닉노드 이상에서는 동일한 추정 결과를 보여줌을 발견하였다. 따라서 본 연구에서는 10 개의 은닉뉴런을 사용하여 근전도 신호로부터 pinch 힘 을 추정 하도록 하였다.
- 그림 3은 5 회에 걸쳐 획득된 신호를이 용하여 Fisher discriminant analysis 를 한 결과이 며 , 채널 4~7 번의 신호들이 pinch 힘을 추정하는데 가장 효과적인 정보를 제공하고 있음을 알 수 있다. 따라서 본 연구에서는 4~7 번 채널의 전극만 사용하여 피실험자로부터 실시간 pinch 힘 측정을 시도하였다.
- 인공신경망 학습을 위해 정적인 pinch 힘과 동적인 pinch 힘을 화면에 표시함으로써 사용자가 이를 따라서 힘을 발생하게 하였는데, 이 학습법의 단점으로는 인공신경망이 오직 학습에 사용된 힘 경향만 추정하는데 최적화 될 수 있다는 것이다. 따라서 힘 추정이 학습에 사용된 힘 경향에 어느 정도로 편중되는지 알아보기 위해 PART 1 실험과 PART 2 실험을 나누어서 실험하였으며, PART 1 은 학습 데이터와 동일한 경향의 근전도 신호를 입력하기 때문에 인공신경망이 이를 추정하는데 용이하리라 예상했다. 반면에 PART 2는 힘 추정 경향이 PART 1에 비하여 정 형 화되어 있지 않고 복잡성이 크기 때문에, 인공신경망이 pinch 힘을 추정하는데 상대적으로 어려웠을 것으로 예상했다.
- 5mm 까지 5mm 간격으로 즉정한 것이 된다. 본 논문에서는 편의를 위해 엄지와 검지 사이길이를 소수점 이하 첫째 자리에서 반올림한 값을 사용하였으며, 각 길이는 30, 35, 40, 45, 50 mm 로표현하였다. 실험 중 힘 센서로부터 측정된 pinch 힘은 모니터를 통하여 시각적으로 실시간 확인할 수 있으며, 각 피실험자는 pinch 힘을 발생시키는 실험을 엄지와 검지 사이의 길이(3。, 35, 40, 45, 50 mm)별로 각 5회씩 수행하였다.
- 본 논문에서는 표면전극을 사용해 계측한 pinch 힘에 작용하는 7 개의 근육의 활성도 중 Fisher disciminant analysis 를 이용해 근전도 신호로부터 pinch 힘을 추정하는데 가장 유용한 4개의 위치를 찾아냈다. 선정된 4 곳의 위치에서 측정된 신호를 인공신경망을 사용하여 pinch 힘을 추정하는데 성공하였고, 본 연구결과로 생기는 궁금증은 pinch 힘을 추정하는데 적절한 최소의 전극 개수이다.
- 본 실험은, pinch 힘을 가하는데 있어서 근전도 신호로부터 힘을 추정하는데 있어서 근육의 길이 영향이 얼마나 크게 미치는지를 알아보기 위해, 엄지와 검지 사이의 길이를 달리하며 수행하였다. 일반적으로 자세에 따라 변하는 근육의 길이에 따라 사람이 의지로 발생할 수 있는 힘의 크기는 달라지는 것으로 알려져 있다까 이처럼 근전도 신호와 pinch 힘 크기의 관계도 근육의 길이에 따라 달라질 수 있다는 생각으로 그림 7 과 같은 오프라인 해석 시뮬레이션을 수행하였다.
- 본 연구는 근전도 신호로부터 엄지와 검지에 의한 pinch 힘을 추정하는 알고리즘을 구현하고, 3 명의 피실험자를 이용하여 예측결과를 실시간으로 검증하였다. 현재까지 근육 신호로부터 힘을 예측하려는 시도가 있었지만, 현재까지의 연구들은 손가락 부위가 아닌 주로 팔과 다리의 힘을 추정하려는 연구였다는 점과 실시간 힘 예측 알고리즘이 아니라는 사실은 본 연구가 의수/외골격 로봇 인터페이스 분야에 시사하는 바가 크다고 할 수 있다.
- 일반적으로 자세에 따라 변하는 근육의 길이에 따라 사람이 의지로 발생할 수 있는 힘의 크기는 달라지는 것으로 알려져 있다까 이처럼 근전도 신호와 pinch 힘 크기의 관계도 근육의 길이에 따라 달라질 수 있다는 생각으로 그림 7 과 같은 오프라인 해석 시뮬레이션을 수행하였다. 상기에 설계된 동일한 인공신경망을 사용하여 근전도 신호로부터 pinch 힘을 추정하되, 30mm 에서 측정된 근전도 신호와 pinch 힘 신호를 신경망 훈련에 사용하고 pinch 길이가 다른 상태에서 측정된 근전도 신호로 pinch 힘을 추정하게 하여 근육의 길이 변화가 인공신경망 성능에 얼마나 영향을 주는지 알아보았다.
- 상기에서 제안한 알고리즘을 이용하여 피실험자 세 명(평균 28 세)의 피시험자를 대상으로 pinch 힘을 측정하고, 이 힘을 다층인식신경망을 통해 추정하는 실시간 실험을 수행하였다. 피실험자들은 그림 4와 같이 Fisher discriminant analysis 를 통해 선별된 손바닥과 손등에 4개의 근전도 센서를 부착하였고, 힘 센서가 부착된 계측장비의 말단부를 엄지와 검지를 이용하여 쥐고 pinch 힘을 가하여 그림 5 와 같이 근전도와 힘 신호를 계측했다.
- 개발된 계측장비는 손잡이 부가 스크류와 연결되어 엄지 와 검지 사이의 거 리를 다양하게 변화시킬 수 있으며, 이는 손가락 사이의 거리에 따른 근육의 활성도를 측정하는데 유용하다. 스크류부에 장착된 손잡이 부의 말단에는 힘 센서를 장착할 수 있으며 사용자가 pinch 모션을 취할 때 자연스럽게 엄지로 힘 센서를 누를 수 있도록 설계되었다. 힘 센서는 Nano 17(ATI Industrial Automation, U.
- 본 논문에서는 편의를 위해 엄지와 검지 사이길이를 소수점 이하 첫째 자리에서 반올림한 값을 사용하였으며, 각 길이는 30, 35, 40, 45, 50 mm 로표현하였다. 실험 중 힘 센서로부터 측정된 pinch 힘은 모니터를 통하여 시각적으로 실시간 확인할 수 있으며, 각 피실험자는 pinch 힘을 발생시키는 실험을 엄지와 검지 사이의 길이(3。, 35, 40, 45, 50 mm)별로 각 5회씩 수행하였다.
- Pinch 힘을 근전도 신호로부터 추정하기 위하여 엄지와 검지 움직임을 관장하는 근육을 선정하고 표면전극으로 관찰할 수 있는 7 개의 근육으로부터 신호를 얻어냈다. 이 중 Fisher linear discriminant analysis 를 통하여 힘을 주정하는데 가장 효율적인 4가지 전극을 선정하였고, 인공 신경망을 사용하여 손가락 힘을 추정하였다.
- 수행하였다. 일반적으로 자세에 따라 변하는 근육의 길이에 따라 사람이 의지로 발생할 수 있는 힘의 크기는 달라지는 것으로 알려져 있다까 이처럼 근전도 신호와 pinch 힘 크기의 관계도 근육의 길이에 따라 달라질 수 있다는 생각으로 그림 7 과 같은 오프라인 해석 시뮬레이션을 수행하였다. 상기에 설계된 동일한 인공신경망을 사용하여 근전도 신호로부터 pinch 힘을 추정하되, 30mm 에서 측정된 근전도 신호와 pinch 힘 신호를 신경망 훈련에 사용하고 pinch 길이가 다른 상태에서 측정된 근전도 신호로 pinch 힘을 추정하게 하여 근육의 길이 변화가 인공신경망 성능에 얼마나 영향을 주는지 알아보았다.
- 피실험자들은 그림 4와 같이 Fisher discriminant analysis 를 통해 선별된 손바닥과 손등에 4개의 근전도 센서를 부착하였고, 힘 센서가 부착된 계측장비의 말단부를 엄지와 검지를 이용하여 쥐고 pinch 힘을 가하여 그림 5 와 같이 근전도와 힘 신호를 계측했다. 두 말단부 사이의 거리는 5mm 의 간격으로 15mm 부터 35mm 까지 이동시키며 pinch 힘을 측정하였고, 힘센서의 길이가 14.
- , USA) 소프트웨어를 사용하여 이 근육들 중 오직 7 개만이 피부 표면 가까이 위치하고 있다는 것을 알아냈으며 , 이 근육들은 ED, APL, FDS, DI, APB, FPB, AP 이다. 한 명의 피실험자를 대표로 아래팔에 선정 근육의 근전도를 획득하기 위하여 7 개의 표면전극을 부착하였고, pinch 힘을 발생하는 동시에 근전도 신호를 총 5회에 걸쳐 획득하였다.
대상 데이터
- 5mN 의 분해능(resolution)을 갖고 있다. pinch 모션을 위해 활성화 되는 근육의 활성도를 측정하기 위해 표면 전극 (DE-2.1, Delsys, U.S.A.)을 사용했고 1000 배로 증폭되었으며, 데이터 획득 보드 (PCI 6034e, National Instrument™, U.S.A.)를 사용하여 1kHz 로 데이터를 수집하였다. 수집된 원 근전도 신호(raw EMG signal)은 200msec 의 RMS 방법 23 을 사용하여 필터 링 되었다.
- 3 절에서 설명한 실험 데이터 중 힘을 추정하는데 가장 유용하다고 판단된 4 번에서 7 번까지의 4 개 채널 신호를 입력신호로 하고, 이때 획득된 힘 신호를 출력신호로 하여 신경망을 학습시켰다. 총 5 번의 실험을 통해 얻은 데이터군 중 한 개의 데이터군은 신경망을 학습 (backpropagation) 시키는데 사용하였고, 나머지 4개의 데이터군은 힘 추정을 검증하기 위해 사용되었다. 1~20 개의 뉴런들에 의한 인공신경망의 성능은 두 기준에 의해 평가되었으며 각 뉴런에 대해 10 번씩 반복 평가하였다.
데이터처리
- 1~20 개의 뉴런들에 의한 인공신경망의 성능은 두 기준에 의해 평가되었으며 각 뉴런에 대해 10 번씩 반복 평가하였다. 평가에 사용한 두 기준은 추정된 힘과 측정한 힘 사이 의 normalized root mean squared error(NRMSE)와 correlation(CORR)이다. 대체적으로 은닉노드의 개수가 작을 때는 under-fitting 문제를 발생했으며, 은닉 노드의 개수가 많아짐에 따라 NRMSE 값이 작아지고 CORR 값이 상승하며 좋은 추정 결과를 보여주지만 대략 10 개정도의 은닉노드 이상에서는 동일한 추정 결과를 보여줌을 발견하였다.
이론/모형
- Pinch 힘을 추정하는데 7 개의 측정된 신호 중 가장 효과적인 정보를 가지고 있는 채널들을 선별하기 위해 Fisher discriminant analysis를 사용하였다. 이는 식 (1)과 같은 기준함수를 사용하여 평가를하게 된다.
- )를 사용하여 1kHz 로 데이터를 수집하였다. 수집된 원 근전도 신호(raw EMG signal)은 200msec 의 RMS 방법 23 을 사용하여 필터 링 되었다.
- wave)을 발생시키게끔 하였다. 훈련 중에 수집된 pinch 힘과 근전도 신호는 backpropagation 알고리즘을 사용하여 인공신경망을 학습시켰다. 훈련의 과정이 끝난 뒤, 피실험자들은 훈련 때와 같은 패턴을 따라 pinch 힘을 발생시키고(PART 1), 자유롭게 pinch 힘을 가흐}였다(PART2).
성능/효과
- 같은 어려움이 존재한다. 1) 39 개의 많은 근육들이 손가락 힘을 발생하는데 기여하며, 대부분의 외근(extrinsic muscle)은 팔 깊숙이 위치해 있어 표면 전극으로 근전도 신호 획득이 불가능하다. 그리고 대부분의 내근(intrinsic muscle)은 관측하기에 크기가 너무 작다.
- 그리고 대부분의 내근(intrinsic muscle)은 관측하기에 크기가 너무 작다. 2) 손가락 움직임을 관장하는 근육들은 하지, 어깨 근육에 비해 부피가 작아 상대적으로 crosstalk 문제가 심각하게 발생한다?5 3) 사람의 신경시스템은 손가락 힘을 발생하는데 있어서 각각의 근육들을 개별적으로 제어하는 것이 아니라 여러 개의 근육을 여러 개의 그룹으로 묶어서 제어하며 힘을 발생시키는데 다양한 패턴들이 존재한다는 연구결과가 있었지만 정확한 메커니즘에 관해서는 아직 밝혀진 바 없다. 재활, 운동생리학 분야에서 근전도로부터 힘을 추정한 연구들이 있지만 이들은 off-line 해석으로 수행한 연구 결과들이거나 바늘 전극을 사용하여 침습적인 방법으로 수행한 것으로 HMI 에 적용하기에는 적절하지 않다”"
- 그리고 대부분의 내근(intrinsic muscle)은 관측하기에 크기가 너무 작다. 2) 손가락 움직임을 관장하는 근육들은 하지, 어깨 근육에 비해 부피가 작아 상대적으로 crosstalk 문제가 심각하게 발생한다?5 3) 사람의 신경시스템은 손가락 힘을 발생하는데 있어서 각각의 근육들을 개별적으로 제어하는 것이 아니라 여러 개의 근육을 여러 개의 그룹으로 묶어서 제어하며 힘을 발생시키는데 다양한 패턴들이 존재한다는 연구결과가 있었지만 정확한 메커니즘에 관해서는 아직 밝혀진 바 없다. 재활, 운동생리학 분야에서 근전도로부터 힘을 추정한 연구들이 있지만 이들은 off-line 해석으로 수행한 연구 결과들이거나 바늘 전극을 사용하여 침습적인 방법으로 수행한 것으로 HMI 에 적용하기에는 적절하지 않다”"
- 반면에 PART 2는 힘 추정 경향이 PART 1에 비하여 정 형 화되어 있지 않고 복잡성이 크기 때문에, 인공신경망이 pinch 힘을 추정하는데 상대적으로 어려웠을 것으로 예상했다. PART 1 과 PART 2의 NRMSE 와 CORR 평균 값을 비교해 보면, 전반적으로 PART 2 에서의 추정 결과보다 PART 1 에서의 결과가 우수함을 확인함으로써 예상한 결과와 일치함을 확인할 수 있었다.
- 개발된 계측장비는 손잡이 부가 스크류와 연결되어 엄지 와 검지 사이의 거 리를 다양하게 변화시킬 수 있으며, 이는 손가락 사이의 거리에 따른 근육의 활성도를 측정하는데 유용하다. 스크류부에 장착된 손잡이 부의 말단에는 힘 센서를 장착할 수 있으며 사용자가 pinch 모션을 취할 때 자연스럽게 엄지로 힘 센서를 누를 수 있도록 설계되었다.
- 평가에 사용한 두 기준은 추정된 힘과 측정한 힘 사이 의 normalized root mean squared error(NRMSE)와 correlation(CORR)이다. 대체적으로 은닉노드의 개수가 작을 때는 under-fitting 문제를 발생했으며, 은닉 노드의 개수가 많아짐에 따라 NRMSE 값이 작아지고 CORR 값이 상승하며 좋은 추정 결과를 보여주지만 대략 10 개정도의 은닉노드 이상에서는 동일한 추정 결과를 보여줌을 발견하였다. 따라서 본 연구에서는 10 개의 은닉뉴런을 사용하여 근전도 신호로부터 pinch 힘 을 추정 하도록 하였다.
- 기준함수에서 분자는 클래스간의 특징신호 차이가 클수록 커지게 되며, 분모는 각 클래스간의 특징신호 편차가 작을수록 작아져서 전반적으로 클래스간의 분리도가 크게 되면 기준함수의 결과가 크게 된다. 따라서 k 번째 기준함수 결과가 가장 크게 나왔다면 k 번째 채널에서 측정된 신호는 pinch 힘을 추정하는데 가장 효과적인 정보를 제공한다고 생각할 수 있다.
- 본 연구에서는 엄지와 검지손가락 사이의 거리에 따라 힘을 측정할 수 있는 장비를 제작하였고, 3 명의 피실험자부터 오프라인 해석을 한 결과 근육이 길이가 달라지는 환경에서는 인공신경망을 이용하여 근전도 신호로부터 힘을 예측하는데 한계를 보임을 발견하였다. 인공신경망과 같은 기계학습 방법은 생체 역학적 요소가 고려되지 않고 아무런 물리적 의미를 딤.
- 표 1은 엄지손가락과 검지손가락 사이 거리에 따른 실험 데이터를 NRMSE 와 CORR 을 사용하여 정량적으로 분석한 결과이다. 상기 실험에서의 훈련파트와 테스트파트가 각각 PART 1과 PART 2 에 해딩되며, PART 1 에서는 NRMSE = 0.076 ±0.020, CORR = 0.966 ±0.018, 그리고 PART 2 에서는 NRMSE = 0.093 ± 0.026, CORR = 0.940 ±0.028 의 추정 결과를 얻을 수 있었다. 힘 센서로부터 측정된 신호와 인공신경망으로 추정된 신호는 crosscorrelation 을 통해 약 35msec 의 시간 차이가 발생하는 것을 확인했다.
- 찾아냈다. 선정된 4 곳의 위치에서 측정된 신호를 인공신경망을 사용하여 pinch 힘을 추정하는데 성공하였고, 본 연구결과로 생기는 궁금증은 pinch 힘을 추정하는데 적절한 최소의 전극 개수이다. 근전도 신호를 얻는데 있어서 특정근육의 활성도를 계측하기 위해 표면전극의 부착 위치를 결정하는데 상당한 시간이 소요된다는 점을 고려하면 pinch 힘을 추정하는데 필요한 최소의 표면 전극 개수를 알아내는 것은 중요한 일이 될 것이다.
- 그래프에서 검정색 바는 인공신경망을 훈련시키기위해 사용된 데이터 훈련된 인공신경망을 테스트하기 위해 사용된 데이터의 조건이 같은 경우를 나타내며(비록 조건이 같지만 그림 7 에서와 보는 바와 같이 훈련과 테스트를 위해 완전히 동일한 데이터를 사용하지는 않았다), 회색 바는 인공신경망을 훈련시키기 위해 사용된 데이터, 훈련된 인공신경망을 테스트하기 위해 사용된 데이터의 조건이 다른 경우를 나타낸다. 세 명의 피실험자의 모든 데이터로부터 얻은 결과를 해석해 보면, 훈련된 인공신경망은 pinch 길이가 동일한 조건일 때만 적절한 힘 추정결과를 가짐을 알 수 있다.
- 028 의 추정 결과를 얻을 수 있었다. 힘 센서로부터 측정된 신호와 인공신경망으로 추정된 신호는 crosscorrelation 을 통해 약 35msec 의 시간 차이가 발생하는 것을 확인했다. 35msec 은 사람이 인지하는데 매우 짧은 시간으로써 본 논문에서 제안한 힘 추정 방법을 HMI 에 적용한다면 시간지연이 미미한 자연스러운 상호작용이 가능하리라 예상된다.
후속연구
- 힘 센서로부터 측정된 신호와 인공신경망으로 추정된 신호는 crosscorrelation 을 통해 약 35msec 의 시간 차이가 발생하는 것을 확인했다. 35msec 은 사람이 인지하는데 매우 짧은 시간으로써 본 논문에서 제안한 힘 추정 방법을 HMI 에 적용한다면 시간지연이 미미한 자연스러운 상호작용이 가능하리라 예상된다.
- 지 못한 채 단순히 입력과 출력 사이의 데이터를 연결하는 기능을 한다. 따라서 앞으로는 생체 역학적으로 근육 움직임을 해석할 수 있는 Hill' s model25 과 같은 모델을 이용하여 근전도 신호로부터 힘을 예측하고자 하며, 이를 통해 근육 길이가 변하는 상황에서 힘 예측성능이 저하되는 본 연구의 한계점을 극복할 수 있을 것으로 생각한다
※ AI-Helper는 부적절한 답변을 할 수 있습니다.