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 이러한 문제를 해결하기 위하여 적응적으로 특징 및 채널을 선택하는 sEMG 신호기반 분류기를 이용한 보행단계 인식 기법을 제안한다. 먼저 관찰을 통해 피험자의 보행 습관에 따라 근육 발달도가 다르며, 그에 따라 특징 추출 알고리즘별 정확도가 차이난다는 것을 발견하였다.
- 최근 sEMG 신호기반의 2개의 분류기와 분류 매트릭스를 이용한 4단계 보행단계 분석 기법이 개발되었다[9-10]. 이 연구에서는 앞꿈치와 뒷꿈치를 이용한 sEMG 신호기반 보행단계 인식기법을 통해 인식 알고리즘을 간소화 시키면서 처리 속도와 정확도가 향상된 실험결과를 발표하였다. 따라서 물리적인 센서를 사용하지 않더라도 sEMG 신호만을 이용한 보행단계 분석이 가능함을 확인하였다.
- 먼저 관찰을 통해 피험자의 보행 습관에 따라 근육 발달도가 다르며, 그에 따라 특징 추출 알고리즘별 정확도가 차이난다는 것을 발견하였다. 이에 따라 피험자의 보행단계에 따라 사용 빈도가 높은 근육과 특징을 선택하는 알고리즘을 제안한다. 보행 단계 인식 기법은 먼저 훈련과정을 통해 각각의 피험자에 대해 보행단계별로 근육과 특징 추출 알고리즘의 모든 경우의 수만큼 분류기를 생성한다.
제안 방법
- 대표적으로 VAR(variance of EMG), wAMP(Willision amplitude), RMS(root mean square), MAV(mean absolutue), ZC(zero crossing), SSC(sign slope change) 등을 이용한 특징 추출 알고리즘이 있다. 각각 분산, 진폭의 평균, 실효치, 절대값의 평균, 반복횟수, 진폭의 기울기를 이용하여 특징 값으로 변환한다. 자세한 내용은[14]을 통해 확인할 수 있다.
- 보행 인식 과정에서는 선택된 근육과 특징 추출 알고리즘을 이용하여 입력된 EMG 신호를 특징 값으로 변환한다. 그 후 Toe와 Heel분류기를 이용하여 분류 결과를 얻고 Classification Matrix를 이용하여 보행 단계를 인식한다. 그림 2은 제안하는 보행단계 인식 알고리즘의 블록도이다.
- 채널 및 특징 추출 알고리즘 선택 과정에서는 생성된 분류기 그룹과 그에 이용하여 각각 새로운 데이터에 대한 인식 정확도를 계산한다. 그 후 보행단계별로 가장 높은 정확도를 보인 분류기 그룹과 그에 사용된 근육 및 특징을 선택한다. 보행 인식 과정에서는 선택된 근육과 특징 추출 알고리즘을 이용하여 입력된 EMG 신호를 특징 값으로 변환한다.
- 네 번째는 특징 값으로 변환된 EMG신호를 LDA를 이용하여 각각의 보행단계에 따라 Heel분류기, Toe분류기를 생성한다.
- 다음은 가장 높은 정확도를 보인 근육에 특징 추출 알고리즘을 각각 적용하여 정확도를 비교하였다. 표 2는 피험자의 보행단계별 가장 높은 정확도를 보인 특징 추출 알고리즘을 정리하였다.
- 채널 및 선택 과정의 첫 번째는 보행단계에 따라 훈련과정에서 사용된 보행주기와 동일한 주기의 EMG 신호를 입력받는다. 두 번째는 새로 입력된 EMG 신호를 훈련과정과 동일한 특징 추출 알고리즘을 사용하여 특징 값으로 변환한다. 네 번째는 새로 입력된 데이터를 보행단계별로 분류기 그룹에 입력한 뒤 정확도를 계산한다.
- 보행 인식과정의 첫 번째는 훈련과정 중 선택된 보행동작에 따라 채널과 특징추출 알고리즘을 이용하여 특징 값으로 변환한다. 두 번째는 채널 및 특징 추출 알고리즘 선택과정에서 선택된 분류기 그룹(Heel분류기와 Toe 분류기)를 이용하여 분류 결과를 얻는다. 마지막 세 번째는 분류기 그룹인 Heel 분류기와 Toe 분류기를 통해 얻은 결과를 Classification Matrix를 이용하여 4단계로 분류한다.
- 둘째, 피험자의 근육 발달 정도에 따라 채널과 특징을 선택함으로써 사용자에 따라 최적화된 보행단계 인식 기법을 제안했다. 기존 방법인 모든 근육과 특징을 이용한 방법의 경우 50%의 정확도를 보이면서 보행단계 인식 기법으로는 적합하지 않음을 확인했다.
- 두 번째는 채널 및 특징 추출 알고리즘 선택과정에서 선택된 분류기 그룹(Heel분류기와 Toe 분류기)를 이용하여 분류 결과를 얻는다. 마지막 세 번째는 분류기 그룹인 Heel 분류기와 Toe 분류기를 통해 얻은 결과를 Classification Matrix를 이용하여 4단계로 분류한다. Classification Matrix는 Heel분류기와 Toe분류기를 이용해 각각 지면과 닿았을 경우와 닿지 않았을 경우에 대한 경우의 수를 이용하여 보행을 인식한다.
- 물리적인 센서가 아닌 EMG만을 이용하여 보행 단계 인식을 위한 적응적 특징 및 채널 선택을 이용한 sEMG 신호기반 보행단계 분류 방법을 제안하였다. 본 논문의 중요한 내용을 정리하면 다음과 같다.
- 자세한 내용은[14]을 통해 확인할 수 있다. 본 논문에서는 VAR, MAV, VAR, WAMP, ZC, SSC 총 6개의 특징 추출 알고리즘을 사용하여 특징 값으로 변환한다.
- Swing은 관절각과 이 순간 속력에 따라 Pre Swing, Initial Swing, Mid Swing 및 Terminal Swing로 구분 된다. 본 논문에서는 보행 단계의 핵심이 되는 Stance 3단계인 Initial Contact, Mid Stnace 및 Terminal Stance으로 Swing은 1단계로 총 4단계를 구분한다.
- 즉 뒷꿈치가 지면과 닿고 앞꿈치가 지면과 떨어져 있는 상태를 Initial Contact, 뒷꿈치와 앞꿈치 모두 지면과 닿은 상태를 Mid Stance, 뒷꿈치가 지면과 떨어지고 앞꿈치가 지면과 닿은 상태를 Terminal Stance, 앞꿈치와 뒷꿈치가 모두 지면과 떨어진 상태를 Swing으로 분류한다. 세 번째는 보행단계에 따라 각각 특징 추출 알고리즘을 적용하여 4채널의 EMG 신호를 특징 값으로 변환한다. 이때 사용되는 특징 추출알고리즘은 VAR(variance), WL(waveform length), RMS(root mean square), MAV(mean absolutue), ZC(zero crossing), SSC(Slope Sign Changes) 총 6개가 사용됐다.
- 실험 4.2를 이용하여 얻게 된 근육별 정확도와 특징별 정확도를 이용하여 보행단계를 구분했다. 이 실험에서는 근육별 정확도와 특징별 정확도를 순위에 따라 적응적으로 채널과 특징을 조합한 분류기별 정확도를 측정하였다.
- 실험은 보행단계별로 근육에 따라 정확도를 각각 계산하였다. 표 1은 식 (1)을 이용하여 계산된 피험자의 보행단계에 따른 근육별 정확도에 대하여 가장 높은 정확도를 보인 근육을 정리하였다.
- 2를 이용하여 얻게 된 근육별 정확도와 특징별 정확도를 이용하여 보행단계를 구분했다. 이 실험에서는 근육별 정확도와 특징별 정확도를 순위에 따라 적응적으로 채널과 특징을 조합한 분류기별 정확도를 측정하였다.
- 두 번째는 앞꿈치와 뒷꿈치에 설치한 압력센서를 이용하여 보행단계를 인식한다. 즉 뒷꿈치가 지면과 닿고 앞꿈치가 지면과 떨어져 있는 상태를 Initial Contact, 뒷꿈치와 앞꿈치 모두 지면과 닿은 상태를 Mid Stance, 뒷꿈치가 지면과 떨어지고 앞꿈치가 지면과 닿은 상태를 Terminal Stance, 앞꿈치와 뒷꿈치가 모두 지면과 떨어진 상태를 Swing으로 분류한다. 세 번째는 보행단계에 따라 각각 특징 추출 알고리즘을 적용하여 4채널의 EMG 신호를 특징 값으로 변환한다.
- 3에서 하도록 하겠다. 즉 훈련단계에서 보행단계별로 생성된 24개의 분류기 그룹에 대하여 정확도를 계산한다. 마지막 다섯 번째는 보행단계에 따라 정확도가 가장 높게 나오는 분류기 그룹을 보행인식 단계에 사용하도록 선택하고, 선택된 분류기 그룹에서 사용된 채널과 특징 추출 알고리즘을 보행단계 인식 기법에서 사용한다.
- 피험자별 보행 습관에 따라 근육별 사용 빈도가 차이가 나는 것을 확인하기 위하여 보행단계에 따른 근육별 정확도를 측정하였다. 정확도는 식 (1)을 이용하여 계산하였다.
대상 데이터
- EMG 신호 측정 장비에는 BIOPAC사의 BM-EMG2 (2Ch) 2대를 사용하여 총 4채널을 취득하였다. 근육 부착 위치는 참고문헌을 통하여 보행시 근육 활성도가 높게 나오는 부위 4곳(Rectus femoris, Vastus lateralis, Vastus medialis, Semitendinosus)을 사용하였다[6,10,12-13].
- EMG 신호 측정 장비에는 BIOPAC사의 BM-EMG2 (2Ch) 2대를 사용하여 총 4채널을 취득하였다. 근육 부착 위치는 참고문헌을 통하여 보행시 근육 활성도가 높게 나오는 부위 4곳(Rectus femoris, Vastus lateralis, Vastus medialis, Semitendinosus)을 사용하였다[6,10,12-13]. 훈련 단계에서는 EMG 신호와 함께 보행 단계를 구분하기 위하여 앞꿈치와 뒷꿈치에 설치한 압력센서 2채널을 동시에 취득하였다.
- 실험에는 총 5명의 피험자가 참여했고 피험자 당 120걸음을 사용하였으며 훈련단계에는 피험자당 40 걸음에 대한 데이터를 이용하였고, 채널 및 특징 선택단계에서 40걸음에 대한 데이터를 추가로 사용했다.
데이터처리
- 다음은 마지막으로 피험자 5명의 실험결과에 대해 평균을 계산하였다.
이론/모형
- 이때 압력 센서로부터 입력되는 데이터는 5Kg을 초과할 시 1로 변환하여 최종적으로 1과 0으로 취득하였다. 개발 프로그램은 Matlab 2013을 이용하였다. 실험에는 총 5명의 피험자가 참여했고 피험자 당 120걸음을 사용하였으며 훈련단계에는 피험자당 40 걸음에 대한 데이터를 이용하였고, 채널 및 특징 선택단계에서 40걸음에 대한 데이터를 추가로 사용했다.
- 즉 훈련단계에서 보행단계별로 생성된 24개의 분류기 그룹에 대하여 정확도를 계산한다. 마지막 다섯 번째는 보행단계에 따라 정확도가 가장 높게 나오는 분류기 그룹을 보행인식 단계에 사용하도록 선택하고, 선택된 분류기 그룹에서 사용된 채널과 특징 추출 알고리즘을 보행단계 인식 기법에서 사용한다.
- 세 번째는 보행단계에 따라 각각 특징 추출 알고리즘을 적용하여 4채널의 EMG 신호를 특징 값으로 변환한다. 이때 사용되는 특징 추출알고리즘은 VAR(variance), WL(waveform length), RMS(root mean square), MAV(mean absolutue), ZC(zero crossing), SSC(Slope Sign Changes) 총 6개가 사용됐다. 네 번째는 특징 값으로 변환된 EMG신호를 LDA를 이용하여 각각의 보행단계에 따라 Heel분류기, Toe분류기를 생성한다.
성능/효과
- 1Ch Mix_1F Mix가 81%로 가장 높은 정확도를 보였고, 1Ch Mix_2F Mix 79%로 다음으로 높은 정확도를 보였다. 하지만 1Ch Mix_3F Mix의 경우 73%의 정확도를 보이면서 약 6%정도 정확도가 감소된 것을 볼 수 있었다.
- 둘째, 피험자의 근육 발달 정도에 따라 채널과 특징을 선택함으로써 사용자에 따라 최적화된 보행단계 인식 기법을 제안했다. 기존 방법인 모든 근육과 특징을 이용한 방법의 경우 50%의 정확도를 보이면서 보행단계 인식 기법으로는 적합하지 않음을 확인했다. 하지만 본 논문에서 제안한 방법은 피험자의 보행 습관에 따라 보행단계별로 가장 사용도가 높은 근육을 선별하고 정확도가 높게 나오는 특징을 이용함으로 써 최대 90%의 정확도를 보였다.
- 첫째, 물리적인 센서를 사용하지 않고 EMG만을 이용하여 평균 80%가 넘는 보행 단계 인식률을 보였다. 따라서 EMG만을 이용하여 보행단계를 인식하는 것이 가능함을 확인하였다.
- 이 연구에서는 앞꿈치와 뒷꿈치를 이용한 sEMG 신호기반 보행단계 인식기법을 통해 인식 알고리즘을 간소화 시키면서 처리 속도와 정확도가 향상된 실험결과를 발표하였다. 따라서 물리적인 센서를 사용하지 않더라도 sEMG 신호만을 이용한 보행단계 분석이 가능함을 확인하였다. 그러나 동력 의족의 제어를 담당하는 휴대용 임베디드 시스템에서 다수의 채널에서 입력되는 EMG 신호를 실시간으로 처리하는 것은 상당한 오버헤드가 발생할 수 있다.
- 피험자 5명 모두 보행 단계에 따라 공통적으로 높은 정확도를 보이는 근육이 존재하지 않았다. 따라서 피험자와 보행단계에 따라 근육별 발달도가 모두 다르다는 것을 확인하였다.
- 본 논문에서는 이러한 문제를 해결하기 위하여 적응적으로 특징 및 채널을 선택하는 sEMG 신호기반 분류기를 이용한 보행단계 인식 기법을 제안한다. 먼저 관찰을 통해 피험자의 보행 습관에 따라 근육 발달도가 다르며, 그에 따라 특징 추출 알고리즘별 정확도가 차이난다는 것을 발견하였다. 이에 따라 피험자의 보행단계에 따라 사용 빈도가 높은 근육과 특징을 선택하는 알고리즘을 제안한다.
- 셋째, 적응적 채널 기법을 통하여 초당 4000개의 입력 데이터를 1000개로 감소시켰고, 적응적 특징 선택 기법을 이용하여 특징 변환 개수를 6개에서 3개 이하로 감소시켰다. 따라서 임베디드 시스템 환경에서 오버헤드를 감소시키고 처리속도를 향상시킬 수 있다.
- 특히 기존 방법인 4Ch Mix_6F Mix의 경우 50%의 정확도를 보이면서 보행단계 인식 방법으로는 부적합하다는 것을 확인하였다. 실험결과 가장 정확도가 높게나오는 1개의 채널만을 사용했을 때 정확도가 가장 높았으며, 특징의 경우 1개 또는 2개를 사용했을 때 가장 정확도가 높게 나온다는 것을 확인하였다.
- 하지만 Gait4의 경우 Subject3를 제외하고 모든 피험자에게서 MAV가 가장 높은 정확도를 보였다. 실험결과 피험자별 보행 단계에 따른 근육별 정확도와 특징별 정확도가 모두 다르다는 것을 확인하였다.
- 첫째, 물리적인 센서를 사용하지 않고 EMG만을 이용하여 평균 80%가 넘는 보행 단계 인식률을 보였다. 따라서 EMG만을 이용하여 보행단계를 인식하는 것이 가능함을 확인하였다.
- 피험자 모두에게서 1Ch Mix일 때 정확도가 가장 높았다. 특징 추출 알고리즘은 1F Mix 또는 2F Mix가 가장 높은 정확도를 보였다. 피험자 1의 경우 그림 5-I(a)에서 볼 수 있듯이 1Ch Mix_2F Mix일 때 91%였으나, 4Ch Mix_2F Mix일 때 74%였다.
- 피험자 5의 경우 그림 5-(e)에서 볼 수 있듯이 1Ch Mix, 3F Mix 69%인 반면에, 1Ch Mix, 2F Mix와 1Ch Mix, 1F Mix모두 80%가 넘는 정확도를 보이면서 특징을 1개 또는 2개를 사용했을 때 10% 이상 정확도가 향상되었다. 특히 기존 방법인 4Ch Mix_6F Mix보다 1Ch Mix_1F Mix가 모든 피험자에게서 20% 높은 정확도를 보이면서 제안한 방법이 높은 정호가도를 보임을 확인하였다[6].
- 하지만 채널 결합의 경우 2Ch Mix_1F Mix가 74%를 2Ch Mix_2F Mix가 70%를 보이면서 채널을 1개만 사용했을 경우보다 약 10%정도 감소하였다. 특히 기존 방법인 4Ch Mix_6F Mix의 경우 50%의 정확도를 보이면서 보행단계 인식 방법으로는 부적합하다는 것을 확인하였다. 실험결과 가장 정확도가 높게나오는 1개의 채널만을 사용했을 때 정확도가 가장 높았으며, 특징의 경우 1개 또는 2개를 사용했을 때 가장 정확도가 높게 나온다는 것을 확인하였다.
- 표 2에서 볼 수 있듯이 피험자와 보행단계에 따라 가장 높은 정확도를 보인 특징추출 알고리즘이 모두 다르다는 것을 확인하였다. Subject1의 경우 Gait1은 Zc, Gait2는 Var, Gait3는 Rms 및 Gait4는 Mav인 반면에 Subject3의 경우 Gait1은 MAV, Gait2는 Zc, Gait3는 WL, Gait4는 SSC로 모두 달랐다.
- 피험자 1의 경우 그림 5-I(a)에서 볼 수 있듯이 1Ch Mix_2F Mix일 때 91%였으나, 4Ch Mix_2F Mix일 때 74%였다. 피험자 5의 경우 그림 5-(e)에서 볼 수 있듯이 1Ch Mix, 3F Mix 69%인 반면에, 1Ch Mix, 2F Mix와 1Ch Mix, 1F Mix모두 80%가 넘는 정확도를 보이면서 특징을 1개 또는 2개를 사용했을 때 10% 이상 정확도가 향상되었다. 특히 기존 방법인 4Ch Mix_6F Mix보다 1Ch Mix_1F Mix가 모든 피험자에게서 20% 높은 정확도를 보이면서 제안한 방법이 높은 정호가도를 보임을 확인하였다[6].
- 즉 2Ch Mix_2F Mix는 정확도가 1순위와 2순위를 보인 근육을 사용하고, 정확도가 1순위와 2순위를 보인 특징 추출 알고리즘을 사용하여 생성된 분류기의 결과이다. 피험자 모두에게서 1Ch Mix일 때 정확도가 가장 높았다. 특징 추출 알고리즘은 1F Mix 또는 2F Mix가 가장 높은 정확도를 보였다.
- 기존 방법인 모든 근육과 특징을 이용한 방법의 경우 50%의 정확도를 보이면서 보행단계 인식 기법으로는 적합하지 않음을 확인했다. 하지만 본 논문에서 제안한 방법은 피험자의 보행 습관에 따라 보행단계별로 가장 사용도가 높은 근육을 선별하고 정확도가 높게 나오는 특징을 이용함으로 써 최대 90%의 정확도를 보였다.
후속연구
- 향 후 연구로 동력 의족을 직접 설계 및 제작하고 본 논문에서 제안하는 알고리즘을 탑재할 예정이다. 또한 동력의족 구동 결과를 바탕으로 알고리즘을 최적화 시키고, 실제 하지 절단 환자를 대상으로 임상실험을 진행할 것이다.
- 향 후 연구로 동력 의족을 직접 설계 및 제작하고 본 논문에서 제안하는 알고리즘을 탑재할 예정이다. 또한 동력의족 구동 결과를 바탕으로 알고리즘을 최적화 시키고, 실제 하지 절단 환자를 대상으로 임상실험을 진행할 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.