본 연구에서는 손목 움직임의 추정을 위한 근전도 신호 기반 동작 분류 알고리즘을 제안한다. 근전도의 특징점을 추출하기 위하여 절대차분표준편차(DASDV)과 제곱평균제곱근(RMS)을 사용하며, 측정 된 근전도 신호를 이용하여 동작 마다 30개의 특징점(RMS, DASDV)을 추출한다. 근전도 신호를 특정한 패턴으로 나타내어 적용시키기 위하여 평균값을 기준으로 집단을 두 부분으로 나누고, 패턴분류 방법인 k-NN으로 패턴을 학습시킨 후, 집단을 나누지 않은 방법을 사용한 기존의 연구와 비교하여 제안한 알고리즘의 성능을 검증한다. 실험결과 제안한 알고리즘은 92.59%의 인식률을 보였으며, 이전 연구 결과보다 0.84% 포인트의 성능 개선을 보였다.
본 연구에서는 손목 움직임의 추정을 위한 근전도 신호 기반 동작 분류 알고리즘을 제안한다. 근전도의 특징점을 추출하기 위하여 절대차분표준편차(DASDV)과 제곱평균제곱근(RMS)을 사용하며, 측정 된 근전도 신호를 이용하여 동작 마다 30개의 특징점(RMS, DASDV)을 추출한다. 근전도 신호를 특정한 패턴으로 나타내어 적용시키기 위하여 평균값을 기준으로 집단을 두 부분으로 나누고, 패턴분류 방법인 k-NN으로 패턴을 학습시킨 후, 집단을 나누지 않은 방법을 사용한 기존의 연구와 비교하여 제안한 알고리즘의 성능을 검증한다. 실험결과 제안한 알고리즘은 92.59%의 인식률을 보였으며, 이전 연구 결과보다 0.84% 포인트의 성능 개선을 보였다.
In this paper, we propose the pattern classification algorithm of recognizing wrist movements based on electromyogram(EMG) to raise the recognition rate. We consider 30 characteristics of EMG signals wirh the root mean square(RMS) and the difference absolute standard deviation value(DASDV) for the e...
In this paper, we propose the pattern classification algorithm of recognizing wrist movements based on electromyogram(EMG) to raise the recognition rate. We consider 30 characteristics of EMG signals wirh the root mean square(RMS) and the difference absolute standard deviation value(DASDV) for the extraction of precise features from EMG signals. To get the groups of each wrist movement, we estimated 2-dimension features. On this basis, we divide each group into two parts with mean to compare and promote the recognition rate of pattern classification effectively. For the motion classification based on EMG, the k-nearest neighbor(k-NN) is used. In this paper, the recognition rate is 92.59% and 0.84% higher than the study before.
In this paper, we propose the pattern classification algorithm of recognizing wrist movements based on electromyogram(EMG) to raise the recognition rate. We consider 30 characteristics of EMG signals wirh the root mean square(RMS) and the difference absolute standard deviation value(DASDV) for the extraction of precise features from EMG signals. To get the groups of each wrist movement, we estimated 2-dimension features. On this basis, we divide each group into two parts with mean to compare and promote the recognition rate of pattern classification effectively. For the motion classification based on EMG, the k-nearest neighbor(k-NN) is used. In this paper, the recognition rate is 92.59% and 0.84% higher than the study before.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
그러나 이전 연구에서는 분산이 고르지 못 하는 경우, 패턴인식 단계에서 오차가 발생 할 수 있었다. 따라서 본 논문에서는 이전 연구의 성능을 개선하기 위하여 집단을 두 부분으로 나누어 분류하는 알고리즘을 제안한다. 2장에서는 연구 배경에 대해 설명하고 기존 연구의 문제점을 도출하며 3장에서는 문제 해결을 위한 알고리즘을 서술하였다.
본 논문에서는 효과적인 손목 움직임의 추정을 위해서 집단을 두 부분으로 나누어 분류하는 알고리즘을 제안하였다.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 추정하기 위해 비교적 간단하고 처리속도가 빠른 k-NN을 분류 방법으로 사용하였다.
제안 방법
기존의 패턴 분류 알고리즘의 성능 개선을 위하여 건강한 20∼30대 남성 23명을 대상으로 실험을 진행하였다. 그림 3과 같이 전완의 중요한 움직임이라고 판단되는 다섯 동작을 위쪽 방향, 아래쪽 방향, 왼쪽 방향, 오른쪽 방향, 휴식으로 구분하고 그림 4와 같이 손목 동작에 관여하는 근육인 척측수근굴근과 척측수근신근에 Ag/AgCl 표면전극을 부착하여 각 동작의 EMG 신호를 측정한다.
근전도 신호를 특정한 패턴으로 나타내어 적용시키기 위하여 time–window 내의 특징점들의 평균값과 중간값을 기준으로 하여 집단을 각 각 두 부분으로 나누고, 패턴분류 방법인 k-NN을 사용하여 제안한 알고리즘과 기존의 알고리즘을 정확도를 비교하여 제안한 알고리즘의 성능을 검증한다.
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 추정하기 위해 비교적 간단하고 처리속도가 빠른 k-NN을 분류 방법으로 사용하였다. 또한 동작 분류의 필수적인 요소인 특징점으로 실시간 처리를 위하여 RMS, DASDV를 사용하였다. 실험 결과 mean을 이용하여 집단을 두 부분으로 나눈 결과 인식률은 92.
각 구간별 동작 마다 30개의 특징점(RMS, DASDV)을 추출하고, 평균값을 기준으로 집단을 두 부분으로 나눈 뒤, 이를 패턴 분류 알고리즘(k-NN) 의 학습 데이터로 사용한다. 또한 비교 실험을 위하여 중간값(median)을 기준으로 동일한 절차로 실험을 진행 하였다. 제안한 알고리즘의 인식률과 이전 연구에서 제안한 알고리즘의 인식률을 비교하여 제안한 알고리즘의 성능을 검증 하였다.
그림 2는 동작 분류 알고리즘의 절차도를 나타낸다. 먼저 근전도 신호를 측정하고 측정된 신호를 증폭 및 대역 통과 필터 등의 전처리 과정을 거친 후 주요 특징점 추출 기법인 DAMV과 RMS로 동작별 근전도의 특징을 추출한다.
오차가 수렴하는 데이터의 경우에는 학습으로 분류된 영역 이외의 것은 오차로 분류 하였으며, 이를 바탕으로 인식률을 계산하였다. 표 1과 같이 피 실험자 23명에 대하여 기존의 방법과 제안한 방법인 mean값과 median값을 기준으로 각 동작별 특징점의 그룹을 2개로 분리하여 패턴인식을 진행한 결과, 그림 6과 같이 mean을 기준으로 그룹을 2개로 나누는 경우에서는 92.
이전 연구의 문제를 해결하기 위해서 식 (5), 식 (6)과 같이 mean이나 median을 중심으로 그룹을 추가적으로 나누어 분류 할 수 있는 알고리즘을 제안한다.
신호의 취득과 전처리 과정을 위하여 각 근육 표면에 전극을 부착한 뒤 근전도 측정을 위하여 Biopac사의 MP150 시스템을 사용하였으며 무선 근전도 측정 증폭기인 Bionomadix BN-EMG2를 사용 하여 신호를 획득한다. 획득한 근전도 신호를 1kHz 로 샘플링하고, 전처리를 통한 잡음제거를 시행한 후 패턴인식을 수행하기 위한 time-window 길이를 166ms로 설정하여 구간을 나눈다.
대상 데이터
각 구간별 동작 마다 30개의 특징점(RMS, DASDV)을 추출하고, 평균값을 기준으로 집단을 두 부분으로 나눈 뒤, 이를 패턴 분류 알고리즘(k-NN) 의 학습 데이터로 사용한다. 또한 비교 실험을 위하여 중간값(median)을 기준으로 동일한 절차로 실험을 진행 하였다.
기존의 패턴 분류 알고리즘의 성능 개선을 위하여 건강한 20∼30대 남성 23명을 대상으로 실험을 진행하였다.
신호의 취득과 전처리 과정을 위하여 각 근육 표면에 전극을 부착한 뒤 근전도 측정을 위하여 Biopac사의 MP150 시스템을 사용하였으며 무선 근전도 측정 증폭기인 Bionomadix BN-EMG2를 사용 하여 신호를 획득한다. 획득한 근전도 신호를 1kHz 로 샘플링하고, 전처리를 통한 잡음제거를 시행한 후 패턴인식을 수행하기 위한 time-window 길이를 166ms로 설정하여 구간을 나눈다.
데이터처리
또한 비교 실험을 위하여 중간값(median)을 기준으로 동일한 절차로 실험을 진행 하였다. 제안한 알고리즘의 인식률과 이전 연구에서 제안한 알고리즘의 인식률을 비교하여 제안한 알고리즘의 성능을 검증 하였다.
이론/모형
본 논문에서는 효과적인 손목 움직임의 추정을 위해서 집단을 두 부분으로 나누어 분류하는 알고리즘을 제안하였다.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 추정하기 위해 비교적 간단하고 처리속도가 빠른 k-NN을 분류 방법으로 사용하였다. 또한 동작 분류의 필수적인 요소인 특징점으로 실시간 처리를 위하여 RMS, DASDV를 사용하였다.
성능/효과
또한 동작 분류의 필수적인 요소인 특징점으로 실시간 처리를 위하여 RMS, DASDV를 사용하였다. 실험 결과 mean을 이용하여 집단을 두 부분으로 나눈 결과 인식률은 92.59%이며, median을 기준집단을 두 부분으로 나눈 결과 인식률은 92.3%으로 mean을 이용한 패턴 분류 방법이 가장 좋은 성능을 보였으며, 이전 연구보다 0.84% 포인트의 성능 개선을 보여 제안한 알고리즘이 이전 연구보다 성능이 우수함을 알 수 있었다.
오차가 수렴하는 데이터의 경우에는 학습으로 분류된 영역 이외의 것은 오차로 분류 하였으며, 이를 바탕으로 인식률을 계산하였다. 표 1과 같이 피 실험자 23명에 대하여 기존의 방법과 제안한 방법인 mean값과 median값을 기준으로 각 동작별 특징점의 그룹을 2개로 분리하여 패턴인식을 진행한 결과, 그림 6과 같이 mean을 기준으로 그룹을 2개로 나누는 경우에서는 92.59%의 인식률로 기존의 방법 대비 0.84% 포인트의 성능 개선이 있었으며,median을 기준으로 그룹을 2개로 나누는 경우에 인식률은 92.3%이고, 기존의 방법 대비 0.55%의 성능 개선을 보였다.
후속연구
향후 연구에서 보다 성능이 개선 된 분류 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 근전도패턴 인식 연구의 주된 분야에는 무엇이 있는가?
이러한 인간의 동작 모방 및 추정을 위한 근전도패턴 인식 연구의 주된 두 가지 분야는 근전도의 특징점 추출(feature extraction)분야와 패턴 분류 (pattern classification) 분야이다. 일반적으로 동작 분석 방법을 위해서는 신체의 특정 부위로부터 근전도 신호를 추출한 후, 이 신호들을 특정한 패턴으로 나타내어 패턴 인식 방법론에 적용 가능한 근전도 신호의 특징점 추출이 필요하다.
효과적인 손목 움직임의 추정을 위해 집단을 두부분으로 나누어 분류하는 알고리즘 중 가장 좋은 성능을 보이는 것은?
59%이며, median을 기준집단을 두 부분으로 나눈 결과 인식률은 92.3%으로 mean을 이용한 패턴 분류 방법이 가장 좋은 성능을 보였으며, 이전 연구보다 0.84% 포인트의 성능 개선을 보여 제안한 알고리즘이 이전 연구보다 성능이 우수함을알 수 있었다.
근전도 신호의 진폭 특성을 판단하기 위한 기법에는 무엇이 사용되는가?
일반적으로 동작 분석 방법을 위해서는 신체의 특정 부위로부터 근전도 신호를 추출한 후, 이 신호들을 특정한 패턴으로 나타내어 패턴 인식 방법론에 적용 가능한 근전도 신호의 특징점 추출이 필요하다. 특징점 추출 방법은 연구자마다 다양한 기법을 사용하고 있으나, 근전도 신호의 진폭 특성을 판단하기 위한 기법으로 비교적 간단하고 실시간 처리가 가능한 절대차분평균값(difference absolute mean value: DAMV), 절대차분표준편차(difference absolute standard deviation value: DASDV), 평균절대값(Mean absolute value: MAV), 제곱평균제곱근(root mean square: RMS)등이 사용된다[3]. 또한 근전도 신호의 패턴 분류 방법은 선형판별분석(linear dis-criminant analysis: LDA), 이차판별분석(quadratic dis-criminant analysis: QDA), k-근접이웃 (k-nearest neighbor: k-NN), 가우시안 혼합 모델(Gaussian mixture model: GMM) 등이 쓰이며[4-8], 이미 많은 일반화가 된 방법론들을 이용한 연구가 발표 되고 있어 특징점 추출 기법을 어떻게 설계 하느냐에 따라 근전도 신호 기반 동작 추정의 정확도가 크게 달라지는 경향을 보인다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.