In this paper, the multi feature extraction algorithm for estimation of wrist movements based on Electromyogram(EMG) is proposed. For the extraction of precise features from the EMG signals, the difference absolute mean value(DAMV), the mean absolute value(MAV), the root mean square(RMS) and the dif...
In this paper, the multi feature extraction algorithm for estimation of wrist movements based on Electromyogram(EMG) is proposed. For the extraction of precise features from the EMG signals, the difference absolute mean value(DAMV), the mean absolute value(MAV), the root mean square(RMS) and the difference absolute standard deviation value(DASDV) to consider amplitude characteristic of EMG signals are used. We figure out a more accurate feature-set by combination of two features out of these, because of multi feature extraction algorithm is more precise than single feature method. Also, for the motion classification based on EMG, the linear discriminant analysis(LDA), the quadratic discriminant analysis(QDA) and k-nearest neighbor(k-NN) are used. We implemented a test targeting twenty adult male to identify the accuracy of EMG pattern classification of wrist movements such as up, down, right, left and rest. As a result of our study, the LDA, QDA and k-NN classification method using feature-set with MAV and DASDV showed respectively 87.59%, 89.06%, 91.75% accuracy.
In this paper, the multi feature extraction algorithm for estimation of wrist movements based on Electromyogram(EMG) is proposed. For the extraction of precise features from the EMG signals, the difference absolute mean value(DAMV), the mean absolute value(MAV), the root mean square(RMS) and the difference absolute standard deviation value(DASDV) to consider amplitude characteristic of EMG signals are used. We figure out a more accurate feature-set by combination of two features out of these, because of multi feature extraction algorithm is more precise than single feature method. Also, for the motion classification based on EMG, the linear discriminant analysis(LDA), the quadratic discriminant analysis(QDA) and k-nearest neighbor(k-NN) are used. We implemented a test targeting twenty adult male to identify the accuracy of EMG pattern classification of wrist movements such as up, down, right, left and rest. As a result of our study, the LDA, QDA and k-NN classification method using feature-set with MAV and DASDV showed respectively 87.59%, 89.06%, 91.75% accuracy.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
패턴 분류의 방법은 이미 많은 일반화가 된 방법론들이 발표 되어 있어 특징점 추출 부분을 어떻게 설계 하느냐에 따라서 시스템의 성능이 크게 달라진다. 본 논문에서는 단일 특징점 추출로 패턴을 분류하는 알고리즘의 동작 분류 정확도를 개선하기 위하여 그림 1과 같이 근전도 신호를 측정하고 측정된 신호를 증폭 및 대역 통과 필터 등의 전처리 과정을 거친 후 주요 특징점 추출 기법인 DAMV, MAV, RMS, DASDV로 추출한다. 추출된 단일 특징점들을 보다 정확한 분류를 위해 2가지씩 서로 다른 조합으로 구성하여 2차원의 성질을 가지는 다중 특징점으로 구성한다.
이에 본 논문에서는 의수 환자의 의수 제어를 위하여 근전도 신호기반 손목 움직임의 추정을 위한 다중 특징점 추출 기법 알고리즘을 제안한다. 근전도 신호의 특징점 추출 기법은 앞에서 언급한 근전도 신호의 진폭 특성을 판단하는 DAMV, MAV, RMS, DASDV를 이용하고, 이들 중 2개의 특징점을 다양한 조합으로 구성하여 가장 성능이 좋은 특징점 추출 기법 조합을 찾는다.
제안 방법
근전도 신호를 특정한 패턴으로 나타내어 패턴 인식 방법론에 적용시키기 위한 특징점 추출을 표 1과 같이 2가지의 다양한 조합의 특징점으로 구성하여, 2차원의 성질을 가지는 다중 특징점 중 가장 성능이 좋은 조합을 찾고, 패턴 분류의 일반적 방법인 LDA, QDA, k-NN으로 패턴을 학습시킨 후 단일 특징 추출 데이터만으로 구성된 알고리즘과 비교하여 성능을 검증한다. 여기서 CH1은 척측 수근 굴근에 전극을 부착하여 얻은 근전도 신호이며, CH2는 척측 수근 신근에 전극을 부착하여 얻은 근전도 신호를 나타낸다.
본 논문에서는 근육의 수축정도를 정량적으로 측정하는 방법과 더불어 근육 수축의 개시 시간을 분석할 수 있고, 근육의 장애를 진단하거나 동작을 분석하여 예측하는 방법인 EMG를 사용하여 상지절단 환자의 근전의수를 사용하기 위한 손목 움직임을 보다 정밀하게 추정하기 위해 비교적 간단하고 처리속도가 빠른 LDA, QDA, k-NN을 분류 방법으로 적용하였다. 또한 본 논문에서는 동작 분류의 필수적인 요소인 특징점으로 실시간 처리를 위하여 알고리즘이 비교적 간단해 처리속도가 빠르며 근전도 신호의 진폭 특성까지 고려한 DAMV, DASDV, MAV, RMS를 사용했으며 이를 단일, 2가지 특징 데이터로 구성하여 성능을 평가 하였다. 이중 가장 성능이 높았던 k-NN 분류 알고리즘을 적용한 MAV, DASDV의 동작 분류에서는 91.
근전도 신호의 특징점 추출 기법은 앞에서 언급한 근전도 신호의 진폭 특성을 판단하는 DAMV, MAV, RMS, DASDV를 이용하고, 이들 중 2개의 특징점을 다양한 조합으로 구성하여 가장 성능이 좋은 특징점 추출 기법 조합을 찾는다. 또한 제안한 다중 특징점 추출 기법 기반 알고리즘의 성능을 검증하기 위하여 DAMV를 적용하여 LDA, QDA, k-NN 패턴 인식 알고리즘의 성능을 비교 평가한 Kim Kang Soo 등의 연구[8]와 동일한 실험인 손목의 움직임을 상, 하, 좌, 우, 휴식으로 나눠 이 다섯 동작에 대한 근전도를 측정하여 알고리즘에 학습시킨 후, 학습에 참여하지 않은 다섯 동작에 대한 근전도 신호를 입력하여 동작 추정의 정확한 분류여부를 판단하고 기존 연구와 비교한다.
k-NN은 식 (9)로 정의되며 주어진 데이터가 어떤 클래스에 속하는지를 판단하는 방법으로 분류하고자 하는 데이터 x와 데이터 집합에 속한 모든 데이터들과의 거리를 계산하여, 가장 가까운 k개의 이웃 데이터를 결정하고 k개의 이웃 데이터들이 각각 어떤 클래스에 속하는지를 판단하여 분류하는 방법이다. 본 논문에서는 k를 1로 하여 분류를 시행하였다.
본 논문에서는 건강한 20~30대 남성 20명을 대상으로 그림 2와 같이 전완의 중요한 움직임이라고 판단되는 다섯 동작을 상, 하, 좌, 우, 휴식으로 구분하여 손목 동작에 관여하는 근육인 척측 수근 굴근과 척측 수근 신근에 4개의 표면 전극을 부착하여 2채널로 근전도를 측정한다. 척측 수근 굴근은 손의 관절을 손바닥 쪽으로 굴곡 시키는 역할을 하며, 척측 수근 신근은 손목에서 손을 신전시키고 내전 시키는 역할을 한다.
본 논문에서는 근육의 수축정도를 정량적으로 측정하는 방법과 더불어 근육 수축의 개시 시간을 분석할 수 있고, 근육의 장애를 진단하거나 동작을 분석하여 예측하는 방법인 EMG를 사용하여 상지절단 환자의 근전의수를 사용하기 위한 손목 움직임을 보다 정밀하게 추정하기 위해 비교적 간단하고 처리속도가 빠른 LDA, QDA, k-NN을 분류 방법으로 적용하였다. 또한 본 논문에서는 동작 분류의 필수적인 요소인 특징점으로 실시간 처리를 위하여 알고리즘이 비교적 간단해 처리속도가 빠르며 근전도 신호의 진폭 특성까지 고려한 DAMV, DASDV, MAV, RMS를 사용했으며 이를 단일, 2가지 특징 데이터로 구성하여 성능을 평가 하였다.
본 논문에서는 단일 특징 추출 기법의 분류 방법과 성능을 비교하기 위하여 기존의 연구[8]에서 제안한 방법과 동일한 실험으로 각 피 실험자는 손목 동작에 관여하는 근육인 척측 수근 굴근과 척측 수근 신근에 4개의 Ag/AgCl 표면전극을 부착하여 전완의 중요한 움직임이라고 판단되는 다섯 동작인 상, 하, 좌, 우, 휴식 동작의 EMG 신호를 측정한다. 측정된 근전도 신호는 그림 3과 같으며, 각 동작별 획득한 EMG 신호에 166ms의 time-window를 적용하고 동작 마다 30개의 특징점(DAMV, MAV, RMS, DASDV)을 추출하여, 이를 패턴 분류 알고리즘(LDA, QDA, k-NN)의 학습 데이터로 사용한다.
본 논문에서는 신호의 취득과 전처리 과정을 위하여 명시된 각 근육 표면에 전극을 부착한 뒤 근전도 측정을 위하여 Biopac사의 MP150을 사용하였으며 기존 유선 근전도 측정장비보다 실험의 자유도가 높고 근전도 동작 분석 실험에 최적화된 무선 근전도 측정 장비인 Bionomadix BN-EMG2를 사용한다. 획득한 근전도 신호를 1㎑로 샘플링 전처리를 시행한 후, 패턴인식을 수행하기 위한 time - window 길이는 166㎳로 설정한다.
본 논문에서는 패턴 분류 기법 중 LDA, QDA, k-NN에 데이터로 적용 될 2가지 특징점 추출 기법을 표 2과 같이 다양한 조합으로 구성하였다. 평균적으로 DASDV를 사용한 조합이 정확도가 높았으며 이중 가장 정확도가 높은 조합은 보다 성능이 개선 됨을 보였다.
그림 5에서 배경 부분은 각 동작 마다 30개의 특징점(MAV,DASDV)을 각 패턴 분류 알고리즘에 학습 시킨 뒤 동작 분류를 위한 공간을 도시화 한 것이며, 학습에 참여하지 않은 동작별 테스트 근전도 신호를 도형으로 표시 하였다. 오차가 수렴하는 데이터의 경우에는 학습으로 분류된 영역 이외의 것은 오차로 분류 하였으며 이를 바탕으로 정확도를 계산하였다. k-NN의 경우 가장 명확하게 동작 구분을 위한 공간을 구분함을 보였으며 정확도 분석 결과 91.
측정된 근전도 신호는 그림 3과 같으며, 각 동작별 획득한 EMG 신호에 166ms의 time-window를 적용하고 동작 마다 30개의 특징점(DAMV, MAV, RMS, DASDV)을 추출하여, 이를 패턴 분류 알고리즘(LDA, QDA, k-NN)의 학습 데이터로 사용한다. 이후 근피로에 의한 영향을 최소화하기 위하여 하루 뒤 동일한 실험을 시행하여 이를 테스트 데이터로 사용한다. 제안한 알고리즘의 성능 검증을 위하여 단일 특징점 추출 기법으로 학습시킨 결과와 2개의 특징점 추출 기법으로 학습시킨 결과를 비교하여 정확도 개선을 판단하였다.
본 논문에서는 단일 특징점 추출로 패턴을 분류하는 알고리즘의 동작 분류 정확도를 개선하기 위하여 그림 1과 같이 근전도 신호를 측정하고 측정된 신호를 증폭 및 대역 통과 필터 등의 전처리 과정을 거친 후 주요 특징점 추출 기법인 DAMV, MAV, RMS, DASDV로 추출한다. 추출된 단일 특징점들을 보다 정확한 분류를 위해 2가지씩 서로 다른 조합으로 구성하여 2차원의 성질을 가지는 다중 특징점으로 구성한다.
대상 데이터
본 논문에서는 단일 특징 추출 기법의 분류 방법과 성능을 비교하기 위하여 기존의 연구[8]에서 제안한 방법과 동일한 실험으로 각 피 실험자는 손목 동작에 관여하는 근육인 척측 수근 굴근과 척측 수근 신근에 4개의 Ag/AgCl 표면전극을 부착하여 전완의 중요한 움직임이라고 판단되는 다섯 동작인 상, 하, 좌, 우, 휴식 동작의 EMG 신호를 측정한다. 측정된 근전도 신호는 그림 3과 같으며, 각 동작별 획득한 EMG 신호에 166ms의 time-window를 적용하고 동작 마다 30개의 특징점(DAMV, MAV, RMS, DASDV)을 추출하여, 이를 패턴 분류 알고리즘(LDA, QDA, k-NN)의 학습 데이터로 사용한다. 이후 근피로에 의한 영향을 최소화하기 위하여 하루 뒤 동일한 실험을 시행하여 이를 테스트 데이터로 사용한다.
성능/효과
오차가 수렴하는 데이터의 경우에는 학습으로 분류된 영역 이외의 것은 오차로 분류 하였으며 이를 바탕으로 정확도를 계산하였다. k-NN의 경우 가장 명확하게 동작 구분을 위한 공간을 구분함을 보였으며 정확도 분석 결과 91.75%로 가장 높은 성능을 보였다.
가장 높은 성능을 보인 MAV, DASDV를 사용한 조합으로서 그림 4와 같이 Kang Soo Kim 등의 연구[8]인 단일 특징점으로 학습 시킨 연구보다 성능이 개선 됨을 보였다. 가장 높은 성능을 보인 MAV, DASDV 조합의 경우에 정확도가 LDA 분류 알고리즘의 경우 87.59%, QDA 분류 알고리즘의 경우 89.06%, k-NN의 알고리즘의 경우 91.75%로 분석 되었다. 이는 기존 단일 특징점인 DAMV를 사용한 알고리즘의 결과인 LDA 분류 알고리즘의 경우 81.
평균적으로 DASDV를 사용한 조합이 정확도가 높았으며 이중 가장 정확도가 높은 조합은 보다 성능이 개선 됨을 보였다. 가장 높은 성능을 보인 MAV, DASDV를 사용한 조합으로서 그림 4와 같이 Kang Soo Kim 등의 연구[8]인 단일 특징점으로 학습 시킨 연구보다 성능이 개선 됨을 보였다. 가장 높은 성능을 보인 MAV, DASDV 조합의 경우에 정확도가 LDA 분류 알고리즘의 경우 87.
75%로 분석 되었다. 이는 기존 단일 특징점인 DAMV를 사용한 알고리즘의 결과인 LDA 분류 알고리즘의 경우 81.1%, QDA 분류 알고리즘의 경우 82.4%, k-NN의 알고리즘의 경우 84.9%의 정확도에 비하여 각각 6.49%, 6.66%, 6.85%로 평균 6.67%의 성능 개선을 보였다.
또한 본 논문에서는 동작 분류의 필수적인 요소인 특징점으로 실시간 처리를 위하여 알고리즘이 비교적 간단해 처리속도가 빠르며 근전도 신호의 진폭 특성까지 고려한 DAMV, DASDV, MAV, RMS를 사용했으며 이를 단일, 2가지 특징 데이터로 구성하여 성능을 평가 하였다. 이중 가장 성능이 높았던 k-NN 분류 알고리즘을 적용한 MAV, DASDV의 동작 분류에서는 91.75%의 정확도로 근전도 신호의 5가지 동작 분류에 성공하였다.
이후 근피로에 의한 영향을 최소화하기 위하여 하루 뒤 동일한 실험을 시행하여 이를 테스트 데이터로 사용한다. 제안한 알고리즘의 성능 검증을 위하여 단일 특징점 추출 기법으로 학습시킨 결과와 2개의 특징점 추출 기법으로 학습시킨 결과를 비교하여 정확도 개선을 판단하였다.
본 논문에서는 패턴 분류 기법 중 LDA, QDA, k-NN에 데이터로 적용 될 2가지 특징점 추출 기법을 표 2과 같이 다양한 조합으로 구성하였다. 평균적으로 DASDV를 사용한 조합이 정확도가 높았으며 이중 가장 정확도가 높은 조합은 보다 성능이 개선 됨을 보였다. 가장 높은 성능을 보인 MAV, DASDV를 사용한 조합으로서 그림 4와 같이 Kang Soo Kim 등의 연구[8]인 단일 특징점으로 학습 시킨 연구보다 성능이 개선 됨을 보였다.
후속연구
향후 연구에서 보다 성능이 개선 된 특징 추출 알고리즘을 개발할 예정이며, 근전의수 사용에 있어서 사용자의 의도를 보다 정확하고 빠른 전달 특성을 가지는 알고리즘으로 개선할 예정이다.
질의응답
핵심어
질문
논문에서 추출한 답변
인간의 동작 모방 및 추정을 위한 근전도 신호 패턴 인식기반 연구의 주된 이슈는 무엇인가?
이러한 인간의 동작 모방 및 추정을 위한 근전도 신호 패턴 인식기반 연구의 주된 두 가지 이슈는 근전도의 특징점 추출(feature extraction)과 근전도 신호의 패턴 분류(pattern classification) 분야이다. 일반적으로 신체의 특정 부위로부터 근전도 신호를 추출하면, 이 신호들을 특정한 패턴으로 나타내어 패턴 인식 방법론에 적용 가능한 근전도 신호의 특징점 추출이 필요하다.
기존 연구들이 패턴 분류 알고리즘에 적용하는 특징점을 2개 이상이 아닌, 하나만 사용하는 이유는 무엇인가?
하지만 기존의 연구들은 패턴 분류 알고리즘에 적용하는 특징점을 한 가지만 사용하는 단일 특징점 추출 기법 기반의 근전도 신호 패턴 분류 알고리즘을 제안하고 있으며, 2개 이상의 특징점을 이용하는 다중 특징점 추출 기법 기반의 알고리즘은 고려하지 않고 있다. 이는 다중 특징점 추출 기법 기반 알고리즘이 단일 특징점 추출 기반 알고리즘에 비하여 패턴 분류의 정확도가 증가하는 장점을 가지고 있지만, 역으로 특징점의 개수를 3차원 이상으로 지정하는 경우, 연산량이 증가하고 잡음 특징들까지 포함하게 되어 패턴 분류기에 의한 학습과 인식 속도가 느려지며, 모델링에 필요한 학습 집합의 크기가 커지는 차원의 저주(Curse of Dimensionality)에 빠지게 되기 때문이다[17].
근전도 신호의 진폭 특성을 판단할 때 비교적 간단하고 실시간 처리가 가능한 기법을 사용하게 되는데, 그 종류는 무엇인가?
일반적으로 신체의 특정 부위로부터 근전도 신호를 추출하면, 이 신호들을 특정한 패턴으로 나타내어 패턴 인식 방법론에 적용 가능한 근전도 신호의 특징점 추출이 필요하다. 연구자마다 다양한 기법을 사용하고 있으나, 근전도 신호의 진폭 특성을 판단하기 위한 기법으로, 비교적 간단하고 실시간 처리가 가능한 DAMV(Difference Absolute Mean Value), MAV（Mean Absolute Value), RMS(Root Mean Square), DASDV(Difference Absolute Standard Deviation Value)등이 사용된다.[6] 또한 근전도 신호의 패턴 분류 방법은 LDA(Linear Discriminant Analysis)[7-10], QDA(Quadratic Discriminant Analysis)[9-11], k-NN(k-Nearest Neighbor) [9][12-13], SVM(Support Vector Machine) [8][14-15], GMM(Gaussian Mixture Model)[16] 등 이미 많은 일반화가 된 방법론들을 이용한 연구가 발표 되고 있어, 특징점 추출 기법을 어떻게 설계 하느냐에 따라 근전도 신호 기반 동작 추정의 정확도가 크게 달라진다.
참고문헌 (17)
M. Ferdjallah, J. J. Wertsch, and G. F. Hams, "Effects of Surface Electrode Size on Computer Simulated Surface Motor Unit Potentials," Electromyography and Clinical Neurophysiology, vol. 39, pp. 259-265, 1990.
C. Jensen, O. Vasseljen, R. H. Westgaard, "The influence of Electrode Position on Bipolar Surface Electromyogram Recordings of the Upper Trapezius Muscle," Eur. J. Appl Physiol., vol. 67, pp. 266-273, 1993.
S. Thusneyapan, G. I. Zahalak "A Practical Electrode-Array Myoprocessor for Surface Electromyography," IEEE Trans. Biomed Eng., vol. 36, no. 2. February. 1989.
K.S Kim, H.H Choi, C.S Moon, C.W Mun, "Comparison of k-nearest neighbor, quadratic discriminant and linear discriminant analysis in classification of electromyogram signals based on the wrist-motion directions," Current Applied Physics, vol 11, no 3, pp 740-745, May 2011.
Wei-Shi Zhenga,c, J.H. Laib,c, Stan Z, "1D-LDA vs. 2D-LDA:When is vector-based linear discriminant analysis better than matrix-based?," Pattern Recognition, vol. 41, no. 7, pp. 2156-2172, 2008.
R. M. Balabin, R. Z. Safieva, E. I. Lomakina, "Gasoline classification using near infrared (NIR) spectroscopy data Comparison of multivariate techniques," Analytica Chimica Acta, vol. 671, no. 1-2, 25, pp. 27-35, June 2010.
D. Michie, D.J. Spiegelhalter, C.C. Taylor, "Mach. Learn, Neural and Statistical Classification," February 17, 1994.
한학용, 패턴인식 개론, 한빛미디어(주), pp. 163-539, 2005.
BV. Dasarathy, Nearest Neighbor (NN) Norms: NN Pattern Classification, Ieee Computer Society, December 1990.
K. Fukunaga, Introduction to Statistical Pattern Recognition, 2nd ed., Academic Press, Boston, October 12, 1990.
N. Cristianini, J. Shave-Taylor, An Introduction to Support Vector Machine (and Other Kernel-Based Learning Methods), Cambridge Univ. Press, Cambridge, UK, 2000.
M. Pontil, A. Verri, "Properties of support vector machines, Neural Comput," Neural Computation, vol. 10, no. 4, pp. 955-974, May, 1998.
Cherchi. E, Guevara C.A, "A Monte Carlo experiment to analyze the curse of dimensionality in estimating random coefficients models with a full variance-covariance matrix," Transportation Research, 2011.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.