$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

근전도 신호기반 손목 움직임의 추정을 위한 다중 특징점 추출 기법 알고리즘
Improvements of Multi-features Extraction for EMG for Estimating Wrist Movements 원문보기

전기학회논문지 = The Transactions of the Korean Institute of Electrical Engineers, v.61 no.5, 2012년, pp.757 - 762  

김서준 (인하대 공대 전자과) ,  정의철 (인하대 공대 전자과) ,  이상민 (인하대 공대 전자과) ,  송영록 (인하대 정보전자공동연구소)

Abstract AI-Helper 아이콘AI-Helper

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...

주제어

AI 본문요약
AI-Helper 아이콘 AI-Helper

* 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.
본문요약 정보가 도움이 되었나요?

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.
질의응답 정보가 도움이 되었나요?

참고문헌 (17)

  1. 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. 

  2. 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. 

  3. S. Thusneyapan, G. I. Zahalak "A Practical Electrode-Array Myoprocessor for Surface Electromyography," IEEE Trans. Biomed Eng., vol. 36, no. 2. February. 1989. 

  4. 엄현우, 최한순,남윤수, "EMG 센서를 이용한 재활 목적을 지닌 보행 보조 기구의 실시간 제어," 한국정밀공학회논문지, 추계학술대회 논문집, pp. 49-50, October, 2009. 

  5. Adaptive fuzzy k-NN classifier for EMG signal decomposition vol 28, no 7, pp. 694-709, September, 2006. 

  6. 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. 

  7. 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. 

  8. Alok S, Kuldip K. Paliwala, Godfrey C. Onwubolub, "Class-dependent PCA,MDCand LDA:Acombined classifier for pattern classification," Pattern Recognition, vol. 39, no. 7, pp.1215-1229, July 2006. 

  9. 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. 

  10. D. Michie, D.J. Spiegelhalter, C.C. Taylor, "Mach. Learn, Neural and Statistical Classification," February 17, 1994. 

  11. 한학용, 패턴인식 개론, 한빛미디어(주), pp. 163-539, 2005. 

  12. BV. Dasarathy, Nearest Neighbor (NN) Norms: NN Pattern Classification, Ieee Computer Society, December 1990. 

  13. K. Fukunaga, Introduction to Statistical Pattern Recognition, 2nd ed., Academic Press, Boston, October 12, 1990. 

  14. N. Cristianini, J. Shave-Taylor, An Introduction to Support Vector Machine (and Other Kernel-Based Learning Methods), Cambridge Univ. Press, Cambridge, UK, 2000. 

  15. M. Pontil, A. Verri, "Properties of support vector machines, Neural Comput," Neural Computation, vol. 10, no. 4, pp. 955-974, May, 1998. 

  16. 송영록, 김서준, 정의철, 이상민, "Gaussian Mixture Model 기반 전완 근전도 패턴 분류 알고리즘," 재활복지공학회논문지, 5권 1호, pp. 95-101, 2011. 

  17. 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. 

LOADING...

관련 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로