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
- 근력 토크를 추정하기는 힘들다. 따라서 본연구에서는 인공신경망 이론을 적용하여 근전도 신호만으로 관절 토크를 정량적으로 추정하기 위한 연구를 수행하였다.
- 본 연구의 목표는 신경망이론(Neural network) 중 역전파 (Back Propagation)을 이용하여 최소한의 근전도 신호를 이용하여 정확한 관절 토크를 추정할 수 있도록 하는데 있다. 다양한 팔꿈치 동작 시 관절 각도, 관절 토크 및 주동근 및 길항근의근전도 신호 등 다양한 운동정보를 이용하여 역전파 신경망 이론을 이용하여 훈련 후 근전도 신호만으로 정확한 관절 토크를 추정하고, 이를 실제 관절 토크값과 비교하였다.
제안 방법
- KINCOM 의 경우, 일정 각도에서 등척성(Isometric) 운동이 가능하며, 동작 범위 및 관절 토크제한, 등장성 운동이 모두 가능하다. KINCOM 에서 측정 가능한 범위에서 3 가지의 측정동작을 기반으로 실험 프로토콜을 임의 정의하였으며, 측정 시 이두근(Biceps brachii muscle)과 삼두근(Triceps brachii muscle)의 근전도를 동시에 측정하여 Motion 과 Time Domain 을 일 치 화 하였다.
- 근전도의 신호처리 방법은 많은 연구가 이루어져 왔으며, 본 연구에서는 버터워스 필터(Butterworth filter), 베셀필터(Bessel filter), 이동평균필터(Moving average filter)를 이용하여 신호처리 하였다.
- 수 있도록 하는데 있다. 다양한 팔꿈치 동작 시 관절 각도, 관절 토크 및 주동근 및 길항근의근전도 신호 등 다양한 운동정보를 이용하여 역전파 신경망 이론을 이용하여 훈련 후 근전도 신호만으로 정확한 관절 토크를 추정하고, 이를 실제 관절 토크값과 비교하였다.
- 두번째는 이두근과 삼두근의 Concentric GontrEicm 의 반복 동작으로 0~60(deg)사이률 신전/굴곡 운동을 피험자가 임의의 근력 토크를 발생하여 동작할 수 있도록 하였디J 마지막으로 두 근육의 Concentric/Eccentric contraction 복합적 으로 수행하였으며, 이때 등장성 운동이 가능하도록 동작을 위한 관절토크와 동작 속도를 25N, 30deg/sec 로제한하여 측정하였다.
- 본 연구에서는 상지 동작별 관절 토크 값을 근전도 센서를 통해 측정된 근육활성도 데이터를 이용하여 학습하고, 역전파 학습알고리즘을 이용하여 학습된 가중치를 이용하여 근육활성도 데이터만을 이용하여 상지 동작에 대한 관절 토크를 추정하는 방법을 적용하였다. 이를 위해서는 근전도 신호를 신경망의 입력으로 사용하며 관절 토크 값을 신경망의 목표 값에 대해 비교 및 훈련한다.
- 본 연구에서는 정확한 관절토크의 레퍼런스 값을 측정하기 위해 각 관절 별 등속성(isokinetic)/등척성 (isometric)/등장성 (isotonic) 운동 및 이에 따른 정확한 속도 및 관절토크를 모니터링 할 수 있는 KINCOM 장비를 사용하였다.
- Caurin(1994)은 보행로봇의 다리에 장착된 다축 힘 센서를 기반으로 접촉되는 물리적 특징을 분석, 보행패턴에 반영하는 시스템을 연구하였다. 본연구에서는 상지 거동 시 발생되는 각도 별 근력 토크와 근전도를 동시에 측정하고, 이를 이용하여 역전파 신경망 학습방법에 적용하여, 학습 후 근전도 신호만으로 정확한 근력토크를 추정함을 증명하였다.
- 위의 역전파 알고리즘을 적용하여 근전도, 관절 토크, 각도 등의 레퍼런스 데이터를 이용하여 역전파 신경망 알고리즘 훈련을 수행하며, 훈련된알고리 즘은 EMG 신호만으로 관절토크를 추정 한다.
- 방법을 적용하였다. 이를 위해서는 근전도 신호를 신경망의 입력으로 사용하며 관절 토크 값을 신경망의 목표 값에 대해 비교 및 훈련한다. 신경망에 대한 각 층의 입출력은 Fig.
- 총 3 가지의 실험을 통해 위의 5 가지 동작에 따른 관절 토크를 측정하였으며, 이와 동시에 이두근(biceps brachii muscle)과 삼두근(Triceps brachii muscle)의 근전도를 동시에 측정하여 각 동작 시관절 각도(joint angle), 근전도(EMG Electromyogram), 관절 토크을 동시에 얻을 수 있다. 동작은 ① Biceps isometric contraction 동작/② 활성 화 된 근육의 길이가 짧아지는 Concentric 상태의 팔꿈치 신전/굴곡(elbow extension/flexion)동작/ ③각 근육의 Concentric 과 Eccentric contraction 이 섞여 있.
- 피험자가 0-60de형 사이에서 Biceps Concentric Contraction 과 Triceps Concentric Contraction 을 반복적으로 동작하며, 동작 속도 및 힘은 피험자의 의지대로 움직일 수 있도록 하였다.
- 피험자가 일정각도(llOdeg)에서 엄의로 관절 토크를 변화시키며 이두근/삼두근의 근전도 신호와 KINCOM 에서 측정되는 관절 토크와 각도를 동시 측정하였다.
대상 데이터
- 팔꿈치 동작 시 정확한 근력 토크 값, 관절 각도 등을 측정하기 위해 KINCOM 장비를 사용 및 훈련을 위한 레퍼런스 데이터를 수집하였다. KINCOM 의 경우, 일정 각도에서 등척성(Isometric) 운동이 가능하며, 동작 범위 및 관절 토크제한, 등장성 운동이 모두 가능하다.
- 근전도의 원데이터(raw data)의 경우, 관절 토크 발생 방향과 관계없이 그 크기에 비례한 경향의 진폭으로 oscillation 되지만, 이동평균 필터와 베셀필터를 함께 사용하였을 때, 한번의 굴곡/신전 운동을 할 경우, 신호의 진동이 가장 작고, 관절 토크 발생방향이 같은 주기 동안 신호의 변곡점이 가장 적게 나타났다. 필터링 된 근전도 데이터를 역전파 신경망 알고리즘의 훈련데이터 및 관절 토크 추정을 위한 레퍼런스 데이터로 사용하였다.
성능/효과
- Fig. 1, 2와 같이 여 러가지 필터를 적용한 근전도 신호처리 결과, 베셀필터(Bessel filter)와 이동평균 필터(Moving average filter)를 함께 적용하였을 때 근전도 신호의 oscillation 신호특성을 없애며 가장 좋은 응답을 얻을 수 있었다. 근전도의 원데이터(raw data)의 경우, 관절 토크 발생 방향과 관계없이 그 크기에 비례한 경향의 진폭으로 oscillation 되지만, 이동평균 필터와 베셀필터를 함께 사용하였을 때, 한번의 굴곡/신전 운동을 할 경우, 신호의 진동이 가장 작고, 관절 토크 발생방향이 같은 주기 동안 신호의 변곡점이 가장 적게 나타났다.
- 1, 2와 같이 여 러가지 필터를 적용한 근전도 신호처리 결과, 베셀필터(Bessel filter)와 이동평균 필터(Moving average filter)를 함께 적용하였을 때 근전도 신호의 oscillation 신호특성을 없애며 가장 좋은 응답을 얻을 수 있었다. 근전도의 원데이터(raw data)의 경우, 관절 토크 발생 방향과 관계없이 그 크기에 비례한 경향의 진폭으로 oscillation 되지만, 이동평균 필터와 베셀필터를 함께 사용하였을 때, 한번의 굴곡/신전 운동을 할 경우, 신호의 진동이 가장 작고, 관절 토크 발생방향이 같은 주기 동안 신호의 변곡점이 가장 적게 나타났다. 필터링 된 근전도 데이터를 역전파 신경망 알고리즘의 훈련데이터 및 관절 토크 추정을 위한 레퍼런스 데이터로 사용하였다.
- 12는 EMG 신호만으로 추정된 관절 토크와 실제 관절 토크 값을 비교한 것이다. 기존의 근전도 신호의 RMS 등의 신호처리를 통해 근력의 상대적 크기를 구별 가능하였지만, 본 연구결과는 근육의 길이가 변하지 않는 상태에서 임의로 변화하는 관절 토크의 경향뿐 아니라 토크의 변화 정도까지 근사하게 추정해 내는 것을 알 수 있다. 특히 ① Biceps isometric contraction 실험동작에서 고정된 각도에서 근력크기가 100N-135N-185N 으로 증가할 때[Fig.
- 5]는 각각 100N-270N-360N 으로 실제 근력 변화 정도를 유의하게 추종한다고 할 수 없으며, 역전파 신경망 알고리즘을 이용하였을 경우에는 100N-150N-175N 으로 약 90% 유사하게 추정하였다. 또한 똑같은 팔꿈치 신전/굴곡의 동작에서도 동작 의도(Concentric/ Eccentric Contraction)에 따른 주동근과 길항근에서 발생하는 근전도신호로 실제로 측정된 관절 토크와 유사한 경향을 나타냄을 알 수 있다.
- 본 연구를 통해 역전파 신경망 이론(Neural Network Back propagation)을 이용한 알고리즘 훈련을 통하여 팔꿈치 관절의 주동근/길항근 (agonist/antagonist)이 두가지의 근전도 신호만으로 팔꿈치 동작 시의 관절토크를 추정할 수 있었다. 이는 토크 발생의 경향성뿐만 아니라 활성 근육 및 관절 토크 발생방향에 따른 여러가지 동작 상태 및 그 변화 정도까지 KINCOM 장비를 통해 측정된 관절 토크값과 매우 근사하게 추정 가능함을 알 수 있었다.
- 있었다. 이는 토크 발생의 경향성뿐만 아니라 활성 근육 및 관절 토크 발생방향에 따른 여러가지 동작 상태 및 그 변화 정도까지 KINCOM 장비를 통해 측정된 관절 토크값과 매우 근사하게 추정 가능함을 알 수 있었다. 본 연구를 통해 사용된 관절 토크 추정 알고리즘의 경우, 정량적인 근력 표현이 어려운 EMG 신호의 단점을 극복 할 수 있으며, 외골격 로봇의 동작의도신호로 활용될 경우, 다양한 동작에 대한 훈련을 통하여 물리적 신호에 앞서 착용자의 동작의도를 습득하는데 효과적으로 활용될 수 있을 것이다.
후속연구
- 이는 토크 발생의 경향성뿐만 아니라 활성 근육 및 관절 토크 발생방향에 따른 여러가지 동작 상태 및 그 변화 정도까지 KINCOM 장비를 통해 측정된 관절 토크값과 매우 근사하게 추정 가능함을 알 수 있었다. 본 연구를 통해 사용된 관절 토크 추정 알고리즘의 경우, 정량적인 근력 표현이 어려운 EMG 신호의 단점을 극복 할 수 있으며, 외골격 로봇의 동작의도신호로 활용될 경우, 다양한 동작에 대한 훈련을 통하여 물리적 신호에 앞서 착용자의 동작의도를 습득하는데 효과적으로 활용될 수 있을 것이다.
- 따라서 여러 가지 방법으로 필터링 하여 사용한다. 본 연구의 경우 EMG 신호를 이용하여 근력 토크를 추정해야 하므로 그 경향성을 뚜렷하게 나타낼 줄 수 있도록 신호처리 되어야 한다.UM
※ AI-Helper는 부적절한 답변을 할 수 있습니다.