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 논문에서는 손목 움직임을 추정하기 위해 비교적 간단하고 처리속도가 빠른 k-NN, QDA, LDA와 비교되는 GMM 기반의 동작분류 알고리즘을 제안하였다. 또한 본 논문에서는 동작 분류의 필수적인 요소인 특징점으로는 근전도 신호의 진폭 특성을 고려한 DAMV, DASDV, IAV, RMS를 사용했으며, 대표적으로 DAMV를 특징점으로 사용하였을 경우, k-NN, QDA, LDA의 동작 분류 성능 결과로 각 84.
- 본 논문에서는 손목의 상, 하, 좌, 우, 휴식 동작을 분류하기 위해서 그림 1과 같은 표면 근전도 패턴 분류 알고리즘을 제안한다. 제안하는 알고리즘은 근전도 신호를 측정하고 측정된 신호를 증폭 및 대역 통과 필터 등의 전처리 과정을 거친 후 time-window의 길이를 결정한다.
- 이에 본 논문에서는 손목 움직임을 추정하기 위해 입력과 각 노드와의 가중치값을 임의적으로 초기화하고 학습률의 크기에 따라 가중치를 변화시키면서 분류를 하는 신경회로망에 비해 계산과정이 비교적 간단하고 처리속도가 빠른 가우시안 혼합 모델(GMM : Gaussian Mixture Model)기반의 표면 근전도 패턴 분류 알고리즘을 제안한다. GMM은 관찰된 데이터를 이용하여 가우시안 분포의 파라미터(평균과 공분산)을 추정하는 모델로써 계산량이 기존에 많이 쓰인 신경회로망보다 적다.
제안 방법
- 제안하는 알고리즘은 근전도 신호를 측정하고 측정된 신호를 증폭 및 대역 통과 필터 등의 전처리 과정을 거친 후 time-window의 길이를 결정한다. 결정된 time-window내의 데이터를 사용하여 근전도 신호의 진폭 특성을 고려한 특징점(IAV, DAMV, DASDV, RMS)을 추출하고, 이 특징점들을 적용하여 GMM 기반의 동작 분류를 실행한다. 제안한 GMM 기반의 표면 근전도 패턴 분류 알고리즘의 평가를 위하여 기존 연구에서 평가된 k-NN, QDA, LDA 알고리즘의 성능[14]과 비교한다.
- 그림 6은 본 논문에서 제시한 특징점들을 사용하여 5가지의 동작을 분류하기 위해 GMM을 이용하여 up, down, left, right, rest신호를 사용하여 패턴 분류를 학습 시키고 학습에 참여하지 않은 test-up, test-down, test-left, test right, test-rest신호를 학습 시킨 결과에 입력함으로써 제안한 GMM 기반 표면 근전도 패턴 분류의 결과를 나타냈다. k-NN, QDA, LDA 기반의 동작 분류 방법을 비교 평가한 연구[14]의 경우 DAMV와 DASDV를 특징점으로 사용한 결과가 IAV와 RMS를 특징점으로 사용한 결과보다 상대적으로 높은 정확도를 나타냈다.
- 그리고 사용가능한 근전도 신호는 0~500 Hz에 분포하고 있으며 50~150 Hz에 에너지가 집중되어 있다[21]. 따라서 본 논문에서는 BIOPAC사의 MP150WSW와 BN-EMG2 앰프를 이용하여 근전도 신호의 이득값을 2000으로 조정하고 10~500 Hz대역으로 필터링하여 인체에서 나오는 근전도에 가장 근접한 신호를 획득한다. 획득한 근전도 신호는 1 kHz로 샘플링하고, 근전 신호의 특징점 추출을 위한 time-window 길이는 166 ms로 설정한다.
- 본 논문에서는 k-NN, QDA, LDA와 GMM의 표면 근전도 패턴 분류 성능을 비교하기 위해 하나의 특징점을 이용한 채널별 분류를 수행하였고, 패턴 분류에 사용된 특징점은 신호의 진폭 특성을 고려하는 IAV, DAMV, DASDV, RMS를 사용하였다.
- 본 논문에서는 그림 2와 같이 전완에서 자주 사용되는 손목의 상, 하, 좌, 우의 네 가지 동작과 휴식 동작을 포함하는 다섯 가지 동작을 인식한다. 손의 움직임은 손을 관장하는 근육의 변화로 나타나므로 근육의 움직임을 분석함으로서 손가락과 손의 움직임을 파악할 수 있게 된다[20].
- 따라서 비 안정적인 생체신호에 푸리에변환의 적용은 적합하지 않으며, 계산 과정이 복잡하다는 단점을 가지고 있기 때문에 비교적 실시간으로 신호를 처리할 수 있는 시간 영역에서 특징점을 도출할 필요가 있다. 본 논문에서는 근전도 신호의 진폭 특성을 고려한 IAV, DAMV, DASDV, RMS 등의 기법을 적용하여 근전도 신호의 특징점을 추출한다.
- 본 논문에서는 손목 움직임에 무리가 없는 건강한 20~30대 남성 15명을 대상으로 실험을 실시하였으며 각 피실험자는 척측 수근 굴근과 척측 수근 신근에 전극을 부착하고 5초간 휴식한 후 각 동작을 5초간 실시한다. 각 동작 사이에는 5초간의 휴식을 취하고 마지막 동작이 끝나고 난 뒤 다시 5초간의 휴식을 취하여 총 45초의 신호를 획득한다.
- 표면 근전도 패턴 분류 알고리즘의 성능을 확인하기 위해 모든 피실험자는 24시간이 지난 후, 다시 위의 과정을 반복하여 실험을 실시하였다. 여기서 획득한 데이터는 앞서 학습된 동작 분류 알고리즘의 입력으로 활용하여 제안한 알고리즘의 동작 분류 성능을 확인하였다.
- GMM은 관찰된 데이터를 이용하여 가우시안 분포의 파라미터(평균과 공분산)을 추정하는 모델로써 계산량이 기존에 많이 쓰인 신경회로망보다 적다. 여러 분야에서 널리 쓰이는 매우 견고한 모델링이고 EM알고리즘으로 최적의 모델을 추정하며, Bayesian-Laplace approximation, minimum description length(MDL), minimum message length(MML) 등을 포함하여 모델링 차수를 선택한다[15]. 이는 화자 인식 및 확인 분야에서 매우 뛰어난 인식기법으로 사용되어 왔으며, 화자 인식 및 확인에서 발생되는 여러 문제들이 근전도 신호의 패턴을 분류하는 과정에서 발생하는 문제들과 매우 유사하기 때문에 손목 움직임을 추정하기 위한 표면 근전도 패턴 분류 방법으로 사용하였다[16].
- 본 논문에서는 손목의 상, 하, 좌, 우, 휴식 동작을 분류하기 위해서 그림 1과 같은 표면 근전도 패턴 분류 알고리즘을 제안한다. 제안하는 알고리즘은 근전도 신호를 측정하고 측정된 신호를 증폭 및 대역 통과 필터 등의 전처리 과정을 거친 후 time-window의 길이를 결정한다. 결정된 time-window내의 데이터를 사용하여 근전도 신호의 진폭 특성을 고려한 특징점(IAV, DAMV, DASDV, RMS)을 추출하고, 이 특징점들을 적용하여 GMM 기반의 동작 분류를 실행한다.
- 표면 근전도 패턴 분류 알고리즘의 성능을 확인하기 위해 모든 피실험자는 24시간이 지난 후, 다시 위의 과정을 반복하여 실험을 실시하였다. 여기서 획득한 데이터는 앞서 학습된 동작 분류 알고리즘의 입력으로 활용하여 제안한 알고리즘의 동작 분류 성능을 확인하였다.
대상 데이터
- 특히 척측 수근 굴근(Flexor Carpi Ulnaris Muscle)과 척측 수근 신근(Extensor Carpi Ulnaris Muscle)은 손목 동작에 관여하는 중요한 근육으로써 4개의 표면전극을 부착하여 2채널로 근전도를 측정한다. 사용된 전극은 Ag/AgCl 표면전극을 사용하였다.
- GMM 기반의 표면 근전도 패턴 분류에 필수적으로 적용되는 특징점으로는 근전도 신호의 진폭특성을 고려한 절대적분치(IAV : Integrate Absolute Value)[17,19]와 절대차분평균치(DAMV : Difference Absolute Mean Value)[17], 절대차분표준편차 (DASDV : Difference Absolute Standard Deviation Value)[14], 제곱평균제곱근(RMS : Root Mean Square)[18,22]을 사용한다. 제안한 알고리즘의 성능을 검증하기 위해서, k 근접 이웃(k-NN : k-Nearest Neighbor), 이차 판별 분석(QDA : Quadratic Discriminant Analysis), 선형 판별 분석(LDA : Linear Discriminant Analysis) 기반의 동작 분류 알고리즘의 성능을 비교 평가한 연구[14]와 동일한 방법으로 손목의 상, 하, 좌, 우, 휴식 다섯 동작의 근전도를 측정하는 실험을 성인 남성 15명을 대상으로 실시하였다. 측정된 근전도 신호를 알고리즘에 학습 시킨 후, 학습에 참여하지 않은 테스트 근전도 신호를 입력하여 동작 분류에 있어 제안한 알고리즘의 분류 성능의 정확도를 판단하고, k-NN, QDA, LDA 기반의 동작 분류 알고리즘의 결과와 비교 평가 하였다.
- 따라서 본 논문에서는 BIOPAC사의 MP150WSW와 BN-EMG2 앰프를 이용하여 근전도 신호의 이득값을 2000으로 조정하고 10~500 Hz대역으로 필터링하여 인체에서 나오는 근전도에 가장 근접한 신호를 획득한다. 획득한 근전도 신호는 1 kHz로 샘플링하고, 근전 신호의 특징점 추출을 위한 time-window 길이는 166 ms로 설정한다.
- 그림 5의 위의 다섯 그림은 척측 수근 굴근에 전극을 부착한 채널 1(CH1)의 신호이고, 아래의 다섯 그림은 척측 수근 신근에 전극을 부착한 채널 2(CH2)의 신호이다. 획득한 신호에 길이가 166 ms인 time-window를 이용하여 한 동작 당 30개의 특징점 계산 결과값을 추출하고, 이를 제안한 표면 근전도 패턴 분류 알고리즘의 학습 데이터로 활용한다.
데이터처리
- 결정된 time-window내의 데이터를 사용하여 근전도 신호의 진폭 특성을 고려한 특징점(IAV, DAMV, DASDV, RMS)을 추출하고, 이 특징점들을 적용하여 GMM 기반의 동작 분류를 실행한다. 제안한 GMM 기반의 표면 근전도 패턴 분류 알고리즘의 평가를 위하여 기존 연구에서 평가된 k-NN, QDA, LDA 알고리즘의 성능[14]과 비교한다.
- 제안한 알고리즘의 성능을 검증하기 위해서, k 근접 이웃(k-NN : k-Nearest Neighbor), 이차 판별 분석(QDA : Quadratic Discriminant Analysis), 선형 판별 분석(LDA : Linear Discriminant Analysis) 기반의 동작 분류 알고리즘의 성능을 비교 평가한 연구[14]와 동일한 방법으로 손목의 상, 하, 좌, 우, 휴식 다섯 동작의 근전도를 측정하는 실험을 성인 남성 15명을 대상으로 실시하였다. 측정된 근전도 신호를 알고리즘에 학습 시킨 후, 학습에 참여하지 않은 테스트 근전도 신호를 입력하여 동작 분류에 있어 제안한 알고리즘의 분류 성능의 정확도를 판단하고, k-NN, QDA, LDA 기반의 동작 분류 알고리즘의 결과와 비교 평가 하였다.
이론/모형
- 이는 화자 인식 및 확인 분야에서 매우 뛰어난 인식기법으로 사용되어 왔으며, 화자 인식 및 확인에서 발생되는 여러 문제들이 근전도 신호의 패턴을 분류하는 과정에서 발생하는 문제들과 매우 유사하기 때문에 손목 움직임을 추정하기 위한 표면 근전도 패턴 분류 방법으로 사용하였다[16]. GMM 기반의 표면 근전도 패턴 분류에 필수적으로 적용되는 특징점으로는 근전도 신호의 진폭특성을 고려한 절대적분치(IAV : Integrate Absolute Value)[17,19]와 절대차분평균치(DAMV : Difference Absolute Mean Value)[17], 절대차분표준편차 (DASDV : Difference Absolute Standard Deviation Value)[14], 제곱평균제곱근(RMS : Root Mean Square)[18,22]을 사용한다. 제안한 알고리즘의 성능을 검증하기 위해서, k 근접 이웃(k-NN : k-Nearest Neighbor), 이차 판별 분석(QDA : Quadratic Discriminant Analysis), 선형 판별 분석(LDA : Linear Discriminant Analysis) 기반의 동작 분류 알고리즘의 성능을 비교 평가한 연구[14]와 동일한 방법으로 손목의 상, 하, 좌, 우, 휴식 다섯 동작의 근전도를 측정하는 실험을 성인 남성 15명을 대상으로 실시하였다.
성능/효과
- k-NN, QDA, LDA와 GMM을 사용하여 동작을 분류 하였을 경우 전반적으로 DASDV와 DAMV를 특징점으로 사용했을 때의 정확도가 IAV와 RMS를 특징점으로 사용했을 때보다 뛰어나다고 볼 수 있으며, 본 논문에서 제안한 GMM 기반의 표면 근전도 패턴 분류 알고리즘이 기존의 연구에서 사용한 동작 분류보다 향상된 성능을 보이고 있음을 확인하였다. 그림 9는 특징점에 따른 각 동작 분류 방법에 대한 결과를 그래프로 나타냈다.
- 그림 7은 본 논문에서 제안한 GMM 기반의 동작 분류 알고리즘을 각 특징점별로 분류한 결과를 그래프로 나타냈다. 가장 높은 정확도를 나타낸 특징점으로는 DASDV이며, 96.4%의 정확도로 동작을 분류할 수 있었고, DAVM를 특징점으로 사용했을 경우 96.1%의 정확도로 동작을 분류할 수 있었다. 분산분석 결과 기존의 연구와 마찬가지로 DAMV를 특징점으로 사용한 결과와 DASDV를 특징점으로 사용한 결과에서 유의한 차이를 보이지 않았으며, 기존의 연구와 비교를 위해 DAMV를 특징점으로 채택하였다.
- 본 논문에서는 손목 움직임을 추정하기 위해 비교적 간단하고 처리속도가 빠른 k-NN, QDA, LDA와 비교되는 GMM 기반의 동작분류 알고리즘을 제안하였다. 또한 본 논문에서는 동작 분류의 필수적인 요소인 특징점으로는 근전도 신호의 진폭 특성을 고려한 DAMV, DASDV, IAV, RMS를 사용했으며, 대표적으로 DAMV를 특징점으로 사용하였을 경우, k-NN, QDA, LDA의 동작 분류 성능 결과로 각 84.9%, 82.4%, 81.1%의 정확도를 보이는 반면, GMM 기반의 동작 분류에서는 96.1%의 정확도로 근전도 신호의 5가지 동작 분류에 성공하였다.
- 본 논문에서 제안한 GMM 기반의 동작분류의 경우에도 DAMV와 DASDV를 특징점으로 사용한 결과가 IAV와 RMS를 특징점으로 사용한 결과보다 높은 정확도를 나타냈다. 그림 7은 본 논문에서 제안한 GMM 기반의 동작 분류 알고리즘을 각 특징점별로 분류한 결과를 그래프로 나타냈다.
- k-NN, QDA, LDA 기반의 동작 분류 방법을 비교 평가한 연구[14]의 경우 DAMV와 DASDV를 특징점으로 사용한 결과가 IAV와 RMS를 특징점으로 사용한 결과보다 상대적으로 높은 정확도를 나타냈다. 분산분석 결과 DAMV를 특징점으로 사용한 결과와 DASDV를 특징점으로 사용한 결과에서 유의한 차이를 보이진 않았다. 기존의 연구에서는 IAV와 RMS와의 비교에서 유의한 차이를 보이고 동작 분류의 성능이 가장 좋은 DAMV를 특징점으로 선택하였으며, k-NN은 84.
- 1%의 정확도로 동작을 분류할 수 있었다. 분산분석 결과 기존의 연구와 마찬가지로 DAMV를 특징점으로 사용한 결과와 DASDV를 특징점으로 사용한 결과에서 유의한 차이를 보이지 않았으며, 기존의 연구와 비교를 위해 DAMV를 특징점으로 채택하였다. 그림 8은 DAMV를 특징점으로 하였을 경우 각 동작 분류 방법에 대한 결과를 그래프로 나타냈다.
후속연구
- 향후 연구에서 보다 다양한 동작에 따른 근전도 신호의 분류 알고리즘으로 개선할 예정이며, 상지절단 환자의 근전의수 사용에 있어 사용자의 의도를 더욱 명확히 파악하고 동작 명령 전달에 있어 사용자의 의도에 빠르게 반응 할 수 있도록 실시간, 높은 신뢰성이 있는 알고리즘으로 개선할 예정이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.