동력의족은 하지 절단 환자나 다리근력이 부족한 사람들의 보행 보조를 위해 사용된다. 동력의족의 자연스러운 구동을 위해 선 보행단계가 잘 분류되어야 한다. 물리센서를 이용하여 보행단계를 분류하는 기존 연구는 동력의족이 사전에 훈련된 보행속도로만 재현되는 단점이 있다. 따라서 본 논문에서는 물리센서를 사용하지 않고, 근전도 신호만을 이용하여 오르막, 내리막 계단보행을 각각 4단계로 분류하는 방법을 제안한다. 근전도 신호를 RMS, VAR, MAV, SSC, ZC, WAMP 특징으로 산출하여 LDA(Linear Discriminant Analysis) 분류기를 통해 보행단계를 인식한다. 훈련 단계에서는 AHRS센서를 이용하여 무릎각도 변화에 따른 보행단계 범위를 생성한다. 실험 결과, 선행 연구의 경우 오르막 보행에서 평균 58.5%, 내리막 보행에서 35.3%의 정확도를 보인다. 반면, 제안하는 방법은 오르막 보행에서 평균 85.6%, 내리막 보행에서 69.5%의 인식률을 보인다. 또한, 본 연구를 통해 개별 근육 별 보행단계 평균 인식률을 분석하였다.
동력의족은 하지 절단 환자나 다리근력이 부족한 사람들의 보행 보조를 위해 사용된다. 동력의족의 자연스러운 구동을 위해 선 보행단계가 잘 분류되어야 한다. 물리센서를 이용하여 보행단계를 분류하는 기존 연구는 동력의족이 사전에 훈련된 보행속도로만 재현되는 단점이 있다. 따라서 본 논문에서는 물리센서를 사용하지 않고, 근전도 신호만을 이용하여 오르막, 내리막 계단보행을 각각 4단계로 분류하는 방법을 제안한다. 근전도 신호를 RMS, VAR, MAV, SSC, ZC, WAMP 특징으로 산출하여 LDA(Linear Discriminant Analysis) 분류기를 통해 보행단계를 인식한다. 훈련 단계에서는 AHRS센서를 이용하여 무릎각도 변화에 따른 보행단계 범위를 생성한다. 실험 결과, 선행 연구의 경우 오르막 보행에서 평균 58.5%, 내리막 보행에서 35.3%의 정확도를 보인다. 반면, 제안하는 방법은 오르막 보행에서 평균 85.6%, 내리막 보행에서 69.5%의 인식률을 보인다. 또한, 본 연구를 통해 개별 근육 별 보행단계 평균 인식률을 분석하였다.
Powered prosthesis is used to assist walking of people with an amputated lower limb and/or weak leg strength. The accurate gait phase classification is indispensable in smooth movement control of the powered prosthesis. In previous gait phase classification using physical sensors, there is limitatio...
Powered prosthesis is used to assist walking of people with an amputated lower limb and/or weak leg strength. The accurate gait phase classification is indispensable in smooth movement control of the powered prosthesis. In previous gait phase classification using physical sensors, there is limitation that powered prosthesis should be simulated as same as the speed of training process. Therefore, we propose EMG signal based gait phase recognition method to classify stairs ascending and stairs descending into four steps without using physical sensors, respectively. RMS, VAR, MAV, SSC, ZC, WAMP features are extracted from EMG signal data and LDA(Linear Discriminant Analysis) classifier is used. In the training process, the AHRS sensor produces various ranges of walking steps according to the change of knee angles. The experimental results show that the average accuracies of the proposed method are about 85.6% in stairs ascending and 69.5% in stairs descending whereas those of preliminary studies are about 58.5% in stairs ascending and 35.3% in stairs descending. In addition, we can analyze the average recognition ratio of each gait step with respect to the individual muscle.
Powered prosthesis is used to assist walking of people with an amputated lower limb and/or weak leg strength. The accurate gait phase classification is indispensable in smooth movement control of the powered prosthesis. In previous gait phase classification using physical sensors, there is limitation that powered prosthesis should be simulated as same as the speed of training process. Therefore, we propose EMG signal based gait phase recognition method to classify stairs ascending and stairs descending into four steps without using physical sensors, respectively. RMS, VAR, MAV, SSC, ZC, WAMP features are extracted from EMG signal data and LDA(Linear Discriminant Analysis) classifier is used. In the training process, the AHRS sensor produces various ranges of walking steps according to the change of knee angles. The experimental results show that the average accuracies of the proposed method are about 85.6% in stairs ascending and 69.5% in stairs descending whereas those of preliminary studies are about 58.5% in stairs ascending and 35.3% in stairs descending. In addition, we can analyze the average recognition ratio of each gait step with respect to the individual muscle.
* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.
문제 정의
[9] 이 연구에서는 발바닥의 앞/뒷꿈치를 기준으로 계단 내려가기, 오르기, 평지보행, 장애물 보행 등 총 7개의 보행모드를 분류하였다. 또한, 분류기 종류와 윈도우 사이즈가 분류 정확도에 미치는 영향에 대해 연구하였다. 그러나 근전도 신호를 이용하여 계단보행단계를 인식하는 연구는 미미한 실정이다.
본 논문에서는 근전도 신호만으로 오르막과 내리막 계단보행을 각각 4단계로 분류하는 방법을 제안하였다. 결과적으로 개별 근육 별 보행단계의 평균 인식률을 분석함으로써 각 보행단계에 도움이 되는 근육과 그렇지 않은 근육을 확인할 수 있었다.
본 논문에서는 근전도 신호만을 이용하여 계단보행 4단계를 분류하고 이에 따른 개별 근육 별 보행단계 인식률을 산출한다. 보행단계는 동력의족 제어에 유용하도록 계단보행에서 핵심이 되는 보행 4단계로 분류되어지며, 오르막 보행은 Weight acceptance, Pull-up, Forward continuance, Foot clearance으로 정의한다.
본 논문에서는 이러한 문제를 해결하기 위하여 근전도 신호만으로 오르막과 내리막 계단보행단계를 분류하는 방법에 대해 제안한다. 먼저, 정상인의 계단보행 관찰을 통해 무릎 각도 변화가 일정한 패턴을 보이며, 이를 통해 각 보행단계 범위를 분류할 수 있다는 점을 발견하였다.
제안 방법
이는 시간영역 특징추출 기법들 중 근전도 신호에 대해 비슷한 정보를 가진 특징 기법끼리 조합함으로써 특징 공간의 차이를 줄이며 더 많은 양의 클래스 정보를 얻을 수 있다.[13] 특징은 RMS+VAR, MAV+SSC, WAMP+ZC으로 조합하여 실험하였다.
근육은 보행에서 흔히 사용되는 허벅지 근육과 계단보행에서 자주 사용되는 종아리 근육을 사용한다. 각 보행마다 발생되는 근전도 신호를 활용하기 위해 보행단계 별로 근육의 수축과 이완이 교차되는 근육들을 선정하였다.[11] 오르막일 때 허벅지의 내측광근(Vastus Medialis), 외측광근(Vastus lateralis), 대퇴직근(Rectus femoris), 종아리의 비복근(Gastrocnemius)을 사용하고, 내리막보행일 때는 허벅지의 내측광근, 반건양근(Semitendinous), 외측광근, 종아리의 비복근을 사용한다.
훈련데이터 생성 범위는 선행 연구에서 오르막 보행을 입각기 2단계, 유각기 2단계로 분류하였고, 본 논문에서는 입각기 3단계, 유각기 1단계로 분류하였다. 내리막 보행은 선행 연구에서 Weight acceptance와 Forward continuance를 한 단계로 축소하고, 본 논문에서는 Forward continuance와 Controlled lowering을 축소하여 4단계로 분류하였다.
따라서 훈련단계에서 AHRS센서를 이용하여 무릎각도 변화에 따른 보행단계 범위를 생성하며, 근전도 신호만을 이용하여 상·하향 계단보행을 각각 4단계로 분류하는 방법에 대해 제안한다.
결과적으로 개별 근육 별 보행단계의 평균 인식률을 분석함으로써 각 보행단계에 도움이 되는 근육과 그렇지 않은 근육을 확인할 수 있었다. 또한, 계단보행에서 사용하는 근육과 보행단계 범위를 다르게 함으로써 인식률을 비교하였다. 마지막으로 특징조합을 사용하여 단일 특징기법보다 오르막 보행에서 약 9%, 내리막 보행에서 약 8% 인식률이 증가한 것을 확인할 수 있었다.
보행단계 인식률을 관찰한 결과, 전체적으로 제안하는 방법이 선행연구의 보행단계 인식률보다 앞선 것을 확인할 수 있었다. 또한, 계단에서 사용되는 근육과 적합한 훈련데이터 생성 범위를 분석할 수 있었다. 그러나 오르막 Gait 2는 선행연구가 제안하는 방법보다 보행단계 인식률이 약 1.
보행단계 범위를 학습하기 위해 훈련단계에서 압력센서와 AHRS센서를 사용한다. 먼저, 학습된 4채널의 근전도 신호는 RMS(Root mean square), VAR(Variance), WAMP(Willison amplitude), MAV (Mean absolute), SSC(Slope sign change), ZC(Zero crossing)을 사용하여 특징 값을 산출한다.[10] 앞서, 4개의 근육과 6개의 특징 추출 알고리즘으로 한 걸음 당 24개의 값을 갖는 훈련 데이터 그룹을 생성된다.
이외에도 다양한 물리센서를 이용하여 계단보행단계를 분류할 수 있다. 모션 카메라를 통해 보행단계를 분류하는 연구에서는 8대의 적외선 카메라와 반사마커를 사용하여 관절토크 패턴, 관절각의 굽힘 방향과 파워 변화율 등을 통해 보행단계를 구분한다.[7] 또한, 발목 관절 각도를 이용하여 계단보행을 분류하기도 한다.
물리센서를 사용하여 보행단계만을 나눈 기존연구와는 달리, 선행연구와 본 논문에서는 훈련단계에서 센서를 이용하여 보행범위를 생성하고, 인식단계에서 근전도 신호만을 이용하여 보행단계의 인식률을 산출한다.
[10] 앞서, 4개의 근육과 6개의 특징 추출 알고리즘으로 한 걸음 당 24개의 값을 갖는 훈련 데이터 그룹을 생성된다. 새로 입력하는 근전도 신호는 훈련과정과 동일한 방법으로 특징 값을 산출하고 이전에 훈련된 분류기 그룹에 입력한 뒤 LDA(Linear Discriminant Analysis)를 이용하여 보행단계를 인식한다.
선행연구와 본 연구를 통해 계단에서 사용되는 근육과 적합한 훈련데이터 생성 범위를 고찰하기 위해 두 방법의 보행단계 인식률을 확인하였다. 먼저, 선행 연구는 허벅지 근육 4채널을 사용하였다.
실험에는 특징추출 알고리즘을 모두(단일특징)를 사용한 경우와 정확도가 높은 2개의 특징추출알고리즘(복수의 특징)을 사용한 경우로 비교하였다. 복수의 특징은 LDA 분류기를 사용하여 보행단계를 인식할 때, 2개의 특징 값들을 사용하여 분류하는 방식이다.
[12] 본 논문에서는 허벅지 3채널과 종아리 1채널을 사용하였다. 훈련데이터 생성 범위는 선행 연구에서 오르막 보행을 입각기 2단계, 유각기 2단계로 분류하였고, 본 논문에서는 입각기 3단계, 유각기 1단계로 분류하였다. 내리막 보행은 선행 연구에서 Weight acceptance와 Forward continuance를 한 단계로 축소하고, 본 논문에서는 Forward continuance와 Controlled lowering을 축소하여 4단계로 분류하였다.
대상 데이터
먼저, 선행 연구는 허벅지 근육 4채널을 사용하였다.[12] 본 논문에서는 허벅지 3채널과 종아리 1채널을 사용하였다. 훈련데이터 생성 범위는 선행 연구에서 오르막 보행을 입각기 2단계, 유각기 2단계로 분류하였고, 본 논문에서는 입각기 3단계, 유각기 1단계로 분류하였다.
25걸음은 훈련데이터에, 25걸음은 입력데이터에 사용된다. 실험에 사용된 계단은 그림 7과 같고, 계단의 길이는 가로 145cm, 세로 27cm, 높이 16cm이다. 걸음 속도는 한 걸음 당 평균 1500ms이다.
그림 8은 구성된 실험 장비와 시스템이다. 장비로는 BIOPAC BN-EMG 2대, STM32F4 DISCOVERY 2대, FLEXIForce A201 압력센서, E2BOX EBIMU-9DOFV2 AHRS센서를 사용하였다. 먼저, BN-EMG로부터 얻은 근전도 신호는 이더넷을 통해 PC로 전송된다.
채널은 총 6개로 구성된다. 압력센서와 AHRS센서는 훈련단계에서만 사용되며, 보행단계는 근전도 신호로만 분류된다.
이론/모형
본 논문에서는 시간영역 특징추출 알고리즘인 RMS, VAR, WAMP, MAV, SSC, ZC을 사용한다. RMS는 일정한 힘과 비피로도 상태에서의 근수축과 관련이 있고, VAR은 표준편차의 제곱 평균으로 구하며 근전도 신호의 힘을 구하는데 사용된다.
성능/효과
본 논문에서는 근전도 신호만으로 오르막과 내리막 계단보행을 각각 4단계로 분류하는 방법을 제안하였다. 결과적으로 개별 근육 별 보행단계의 평균 인식률을 분석함으로써 각 보행단계에 도움이 되는 근육과 그렇지 않은 근육을 확인할 수 있었다. 또한, 계단보행에서 사용하는 근육과 보행단계 범위를 다르게 함으로써 인식률을 비교하였다.
일정 시점 R은 기준다리가 계단 지면에 힘을 싣는 때이다. 관찰 결과, R은 보행이 시작되고 무릎각도가 지면에서 수직이 되는 구간의 30% 시점에 해당되는 것으로 나타났다. Weight acceptance부터 무릎이 지면과 수직이 될때까지 구간을 Pull-up으로 정하고, 이때부터 입각기가 끝나는 시점까지를 Forward continuance로 정한다.
반면, 그림 10은 복수의 특징을 사용하여 피험자의 근육 별 오르막/내리막 보행단계 인식률을 입각기/유각기로 나타낸 그림이다. 관찰 결과, 그림 9의 단일 특징과 다르게 복수의 특징을 사용하였을 때, 보행단계 인식률이 보다 향상되었다. 또한, 모든 특징을 사용하지 않고 유사한 클래스 정보를 가진 특징 기법끼리 조합하여 사용함으로써 피험자마다 인식률의 편차가 적게 나타난 것을 확인하였다.
또한, 계단에서 사용되는 근육과 적합한 훈련데이터 생성 범위를 분석할 수 있었다. 그러나 오르막 Gait 2는 선행연구가 제안하는 방법보다 보행단계 인식률이 약 1.2% 가량 높게 나타났다. 하지만, 일원배치 분산분석(one-way ANOVA)을 사용하여 통계처리를 해본 결과, 오르막 보행에서 선행연구는 F비 44.
실험 결과, 4명의 피험자들은 근육 발달도 및 활성도가 다르기 때문에 근육마다 인식률에 차이가 나타났다. 또한, 단일 특징을 사용했을 때, 근육 별 보행단계 인식률이 피험자마다 편차가 큰 것을 확인하였다.
관찰 결과, 그림 9의 단일 특징과 다르게 복수의 특징을 사용하였을 때, 보행단계 인식률이 보다 향상되었다. 또한, 모든 특징을 사용하지 않고 유사한 클래스 정보를 가진 특징 기법끼리 조합하여 사용함으로써 피험자마다 인식률의 편차가 적게 나타난 것을 확인하였다.
또한, 계단보행에서 사용하는 근육과 보행단계 범위를 다르게 함으로써 인식률을 비교하였다. 마지막으로 특징조합을 사용하여 단일 특징기법보다 오르막 보행에서 약 9%, 내리막 보행에서 약 8% 인식률이 증가한 것을 확인할 수 있었다.
본 논문에서는 이러한 문제를 해결하기 위하여 근전도 신호만으로 오르막과 내리막 계단보행단계를 분류하는 방법에 대해 제안한다. 먼저, 정상인의 계단보행 관찰을 통해 무릎 각도 변화가 일정한 패턴을 보이며, 이를 통해 각 보행단계 범위를 분류할 수 있다는 점을 발견하였다. 따라서 훈련단계에서 AHRS센서를 이용하여 무릎각도 변화에 따른 보행단계 범위를 생성하며, 근전도 신호만을 이용하여 상·하향 계단보행을 각각 4단계로 분류하는 방법에 대해 제안한다.
따라서 선행연구와 제안하는 방법 1의 결과가 통계적으로 유의하지 않았다. 반면, 제안하는 방법 2는 F비 1.635, F기각치 3.490, p-value 0.233(유의수준 0.05)로 통계적으로 유의하다는 것을 검증하였다. 내리막 보행에서는 세 방법 모두 F비가 F기각치보다 작고, p-value가 0.
보행단계 인식률을 관찰한 결과, 전체적으로 제안하는 방법이 선행연구의 보행단계 인식률보다 앞선 것을 확인할 수 있었다. 또한, 계단에서 사용되는 근육과 적합한 훈련데이터 생성 범위를 분석할 수 있었다.
그림 9는 단일특징을 사용하여 피험자(Subject)의 근육 별 오르막/내리막 보행단계 인식률을 입각기/유각기로 나타낸 그래프이다. 실험 결과, 4명의 피험자들은 근육 발달도 및 활성도가 다르기 때문에 근육마다 인식률에 차이가 나타났다. 또한, 단일 특징을 사용했을 때, 근육 별 보행단계 인식률이 피험자마다 편차가 큰 것을 확인하였다.
후속연구
향후 연구로는 인식기 및 특징추출방법에 대한 보완과 더불어, 피험자들에게 사전 보행 훈련을 실시하여 데이터의 신뢰도를 향상시킬 필요가 있다고 판단된다. 따라서 제안하는 알고리즘과 함께 근전도 신호 기반 동력의족 제어를 위해 인식률을 향상시킬 수 있는 다양한 방법에 대해 연구할 계획이다.
향후 연구로는 인식기 및 특징추출방법에 대한 보완과 더불어, 피험자들에게 사전 보행 훈련을 실시하여 데이터의 신뢰도를 향상시킬 필요가 있다고 판단된다. 따라서 제안하는 알고리즘과 함께 근전도 신호 기반 동력의족 제어를 위해 인식률을 향상시킬 수 있는 다양한 방법에 대해 연구할 계획이다.
질의응답
핵심어
질문
논문에서 추출한 답변
동력의족을 이용한 계단보행단계 분류에 대한 기존 연구는 물리적인 센서를 통해 분류하는데 이런 방법의 문제점은?
동력의족을 이용한 계단보행단계 분류에 대한 기존 연구는 물리적인 센서(압력, 가속도, 각도, 모션카메라 등)를 통해 분류하고 있다.[2-4] 이러한 방법은 센서가 항상 동력의족에 탑재되어야하기 때문에 의족 무게에 영향을 줄 수 있다. 또한, 사용자의 의도에 따른 보행이 아니라 물리센서를 이용하여 사전에 훈련된 속도로만 재현되어 사람이 동력의족에 이끌려 가는 느낌을 받을 수 있다는 단점을 지니고 있다.[5]
동력의족 사용 목적은?
동력의족은 하지 절단 환자나 다리근력이 부족한 사람들의 보행 보조를 위해 사용된다. 동력의족의 자연스러운 구동을 위해 선 보행단계가 잘 분류되어야 한다.
동력의족의 자연스러운 구동을 위해 필요한 것은?
동력의족은 하지 절단 환자나 다리근력이 부족한 사람들의 보행 보조를 위해 사용된다. 동력의족의 자연스러운 구동을 위해 선 보행단계가 잘 분류되어야 한다. 물리센서를 이용하여 보행단계를 분류하는 기존 연구는 동력의족이 사전에 훈련된 보행속도로만 재현되는 단점이 있다.
참고문헌 (13)
H-J. Cho, K-H. Kang, H-C. Park, M-S. Kang, Y-S. Choi, T-K. Kim, S-J. Yoon, "Effect of Inclined Backward and Forward Walking Training on Muscle Strength and Electromyographic Activity", Journal of the Society of Living Environment System of Korea, Vol.16, No.2, pp186-193, April 2009.
J-Y. Jung, Y-S. Yang, Y-W. Won, J-J Kim, "Development of Wireless Ambulatory Measurement System based on Inertial Sensors for Gait Analysis and its Application for Diagnosis on Elderly People with Diabetes Mellitus", Journal of the Institute of Electronics Engineers of Korea, Vol.48, No.2, pp38-46, March 2011.
J-Y. Lee, K-J. Lee, Y-H. Kim, S-H. Lee, S-W. Park, "Development of Gait Analysis Algorithm for Hemiplegic Patients based on Accelerometry", Journal of the Institute of Electronics Engineers of Korea, Vol.41, No.4, pp.231-240, July 2004.
M-G. Chae, J-Y. Jung, C-J. Park, I-H. Jang, H-S. Park, "Gait Phases Classification using Joint angle and Ground Reaction Force: Application of Backpropagation Neural Networks", Journal of Institute of Control & Robotics and Systems, Vol.18, No.7, pp.644-649, July 2012.
J-H. Ryu, D-H. Kim, "sEMG Signal Based Gait Phase Recognition Method for Selecting Features and Channels Adaptively", Journal of The Rehabilitation Engineering and Assistive Technology Society, Vol.7, No.2, pp.19-26, December 2013.
Alison C. Novak, Samantha M. Reid, Patrick A. Costigan, Brenda Brouwer "Stair negotiation alters stability in older adults", Lower Extremity Review, October 2010
H-S. Cho, Y-H. Chang, J-C Ryu, M-S. Mun, C-B. Kim, "Analysis of Stair walking characteristics for the development of Exoskeletal walking Assist Robot", Journal of The Rehabilitation Engineering and Assistive Technology Society of Korea, Vol.6, No.2, pp.15-22, December 2012.
E-S. Kim, "Trajectory Generation Schemes for Bipedal Ascending and Descending Stairs using Genetic Algorithm(GA)", University of Dong-A, February 2010.
H.Huang, T.A. Kuiken and R.D. Lipschutz, "A Strategy for Identifying Locomotion Modes Using Surface Electromyography," The Journal of Biomedical Engineering, IEEE Transactions on, Vol. 56, No.1, pp.65-73,January 2009.
A.Phinyomark, S.Hirunviriya, C.Limsakul, P.Phukpattaranont, "Evaluation of EMG Feature Extraction for Hand Movement Recognition Based on Euclidean Distance and Standard Deviation", in Proc. of ECTI-CON Conf. on 2010 International Conference, pp.856-860, Chiang Mai, Thailand, May 2010.
Boris I. Prilutsky, Ludmila N. Petrova, Leonid M. Raitsin, "Comparison of Mechanical energy expenditure of joint moments and muscle forces during human locomotion", The Journal of Biomechanics, Vol.29, No.4, pp.405-415, April 1996.
S-H. Kim, J-H. Ryu, D-H. Kim, "Gait phase classification for Stair walking using Feature Extraction and Muscle selection based on EMG Signals", in Proc. of IEEK Conf. on Summer Conference, Vol.37, No.1, pp.1053-1056, Jeju, Korea, June 2014.
A.Phinyomark, P.Phukpattaranont, C.Limsakul, "Feature reduction and selection for EMG signal classification", The Journal of Expert Systems with Applications, Vol.39, No.8, pp.7420-7431, June 2012.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.