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 논문은 2장 방법, 3장 결과, 4장 결론으로 구성되며, 2장에선 원리 및 알고리즘에 대해 설명하며, 3장에선 학습에 필요한 실험환경과 학습과정, 실험결과에 대해 서술하였다. 또한, 모의 의수 실험을 통해 사용자의 의도가 로봇에 얼마나 잘 반영되는지를 확인해 보았다. 4장에선 실험 결과의 의의와 앞으로의 연구방향에 대해 기술하였다.
- 본 논문은 이러한 문제점을 해결하며 전완의 EMG로부터 손목의 힘(2자유도) 및 악력(1자유도)를 추정하기 위한 새로운 방법을 제안한다. 근전도 신호와 힘을 대응시키기 위해 기계학습 방법 중 하나인 다층 퍼셉트론(Multilayer Perceptron)을 사용하였고, 손목을 움직이기 위한 근육과 손가락을 움직이기 위한 근육이 독립적으로 존재한다는 전완의 해부학적 특성을 이용하였다.
- 앞으로의 연구는 근전도 신호 분석에 많이 사용되는 12 bit 이상의 분해능과 1 kHz이상의 샘플링 속도를 갖은 근전도 측정 장치를 이용하여 손목의 회전에 해당하는 회내-회외(Pronation-Supination) 동작을 추가하여 연구하는 것이 목표이다. 뿐만 아니라, 다수의 정상인과 장애인들을 대상으로 실험하여 더 많은 데이터 베이스를 바탕으로 한 연구결과 보여줄 것이다.
제안 방법
- 1의 근전도 측정부위에 8채널 근전도 측정장치(Myo, Thalmic Labs)를 부착한 후, Fig. 2(a), (b)와 같이 손목에 의한 움직임과(c)와 같은 손가락의 움직임(주먹 쥠)에 의한 각각의 근전도 신호의 합이(d), (e)와 같이 두 동작을 동시에 행함으로써 얻어지는 근전도 신호의 패턴과 얼마나 유사한 지를 비교하였다. 근전도 신호는 0과 1사이의 값으로 정규화된 Mean Absolute Value (MAV)된 값을 사용하였으며, 손목의 근전도 신호는 근육이 수축하지 않는 휴식 상태에서 최대 근수축까지 약 10초간 왕복 운동하여 습득하였다.
- 위와 같은 과정은 사용자마다 개별적으로 수행되어야 하며 사람마다 전완에서 측정되는 근전도 신호의 세기나 파형이 조금씩 다르기 때문에 학습데이터를 일반화 시켜 사용할 수 없다. MLP의 입력층은 MYO armband의 채널 수에 맞게 8개의 노드를 갖도록 구성하였으며, 5개의 노드를 가진 1개의 은닉층을 사용하였다. 학습은 0.
- 2(a), (b)와 같이 손목에 의한 움직임과(c)와 같은 손가락의 움직임(주먹 쥠)에 의한 각각의 근전도 신호의 합이(d), (e)와 같이 두 동작을 동시에 행함으로써 얻어지는 근전도 신호의 패턴과 얼마나 유사한 지를 비교하였다. 근전도 신호는 0과 1사이의 값으로 정규화된 Mean Absolute Value (MAV)된 값을 사용하였으며, 손목의 근전도 신호는 근육이 수축하지 않는 휴식 상태에서 최대 근수축까지 약 10초간 왕복 운동하여 습득하였다. 또한, (c)의 운동에 따른 근전도 신호는 약 10초간 최대 근수축을 유지하여 측정하였다.
- 이 같은 방법은 기존 손목의 힘추정을 위한 학습데이터에 새롭게 추가한 1자유도 동작만 추가함으로써, 3자 유도를 추정하기위한 학습데이터 생성과정을 간소화 하였다. 또한, 손목 힘과 악력을 회귀적인 방법으로 동시에 추정함으로써 손목의 움직임을 이용한 물체 접근 뿐 아니라, 악력을 이용해 물체조작까지 가능하도록 하였다. 본 논문은 2장 방법, 3장 결과, 4장 결론으로 구성되며, 2장에선 원리 및 알고리즘에 대해 설명하며, 3장에선 학습에 필요한 실험환경과 학습과정, 실험결과에 대해 서술하였다.
- 6와 같이 각 자유도의 개수에 맞게 MLP를 사용한다. 본 논문의 경우 3자유도의 손목 힘 및 악력을 추정하므로 3개의 MLP를 사용한다. 각 MLP의 입력 값은 전완에서 측정된 근전도 신호이며, 각 자유도에 해당하는 3개의 학습데이터를 통해 적절한 가중치를 갖도록 훈련된다.
- 손목의 2자유도 힘과 1자유도 악력을 동시에 추정하기 위해 Fig. 6와 같이 각 자유도의 개수에 맞게 MLP를 사용한다. 본 논문의 경우 3자유도의 손목 힘 및 악력을 추정하므로 3개의 MLP를 사용한다.
- 8채널 밴드형 EMG 습득장치를 이용하여 얻은 EMG 데이터는 특징점 추출 및 정규화 과정을 통해 기계학습에 용이한 데이터로 수정된다. 수정된 데이터는 손목의 힘을 추정하기 위한 학습데이터와 악력을 추정하기 위한 학습데이터로 각각 생성된 뒤, 본 논문에서 제시하는 알고리즘을 통해 새로운 학습데이터로 재생성 된다. 재생성된 학습데이터는 MLP에 적용되 적절한 가중치를 얻어내는 순서이다.
- 손의 악력에 해당하는 주먹동작은 최대 악력을 가했을 때 로봇이 주먹을 말아 쥐도록 설정하였다. 실험은 16자유도를 갖는 KITECH-Hand[21,22]와 KITECH Humanoid upper body robot (Fig. 10) 이용하였고, 약 150초 동안 임의의 동작을 취하여 로봇이 사용자의 의도대로 움직이는지를 확인하였으며, 실험의 정확한 이해를 돕기 위해 실험 영상을 YOUTUBE에 업로드 하였다[23].
- 75의 값을 얻었다. 이 같은 방법은 기존 손목의 힘추정을 위한 학습데이터에 새롭게 추가한 1자유도 동작만 추가함으로써, 3자 유도를 추정하기위한 학습데이터 생성과정을 간소화 하였다. 또한, 손목 힘과 악력을 회귀적인 방법으로 동시에 추정함으로써 손목의 움직임을 이용한 물체 접근 뿐 아니라, 악력을 이용해 물체조작까지 가능하도록 하였다.
- 특징점 추출은 앞서 2장에 언급한 MAV를 사용 하였고, 200 ms의윈도우 크기를 적용하였다. 이후, 근전도 신호와 손목의 힘을 측정한 F/T센서(최대 20 N)값, 악력을 측정한 로드셀(최대 50 N) 값은 정규화 과정을 통해 0과 1사이의 값으로 변환하였다. 실험은 신체에 이상이 없는 성인 남성을 대상으로 진행되었으며, 피실험자에게 Table 1, Table 2에 제시된 동작을 순차적으로 수행하도록 지시하였다.
- 전완에서 취득한 EMG를 이용하여 손의 3자유도 추정 방법에 대해 다루어 보았다. 이는 전완을 이루는 근육의 해부학적 특성을 이용하였으며 이를 통해 손목의 2자유도 힘 뿐 아니라 악력까지 동시에 추정 가능한 학습데이터의 생성이 가능하였다.
- 6축 힘/토크 센서의 출력 값은 하드웨어의 구조를 고려하여 3축 토크 값을 근전도 신호와 매칭하는데 사용하였다. 전완의 근전도 측정은 8개의 셀로 구성되어 있고, 8bit분해능과 200Hz 샘플링 속도를 갖는 MYO armband 사용하였다. 또한, 매 실험마다 Fig.
- 9와 같은 순서를 따른다. 특징점 추출은 앞서 2장에 언급한 MAV를 사용 하였고, 200 ms의윈도우 크기를 적용하였다. 이후, 근전도 신호와 손목의 힘을 측정한 F/T센서(최대 20 N)값, 악력을 측정한 로드셀(최대 50 N) 값은 정규화 과정을 통해 0과 1사이의 값으로 변환하였다.
- MLP의 입력층은 MYO armband의 채널 수에 맞게 8개의 노드를 갖도록 구성하였으며, 5개의 노드를 가진 1개의 은닉층을 사용하였다. 학습은 0.0001의 Learning rate로 설정한 후, 4-겹 교차학습을 통해 Overfitting이 발생하기 전까지 학습하였다. 학습 후엔 Fig.
대상 데이터
- 모의 의수 실험은 전완의 근전도 신호를 이용해 로봇의 2자유도 손목 운동 및 주먹 동작을 수행 함으로써 사용자의 의도가 로봇에 얼마나 잘 반영되는지를 알아보기 위한 실험이다. 때문에 Fig. 8과 같은 고정된 실험 장치를 사용하지 않고, 허공에서 손목 및 손가락을 움직여 발생하는 근전도 신호를 이용하였다. 이는 근육이 고정된 물체에 힘을 가할 때 수축(등척성 수축)하기도 하지만 관절을 움직이기 위해서도 수축(등장성 수축)하기 때문이다[20].
- 손목의 2자유도 힘은ATI사의 mini58과 16-bit DAQ를 사용하여 을 측정하였고, 악력(1자유도)을 측정하기 위해 KTOYO사의 247SA(50 kg 용량) 로드셀, 1000 Hz샘플링 속도를 가진 인디케이터를 사용하였다. 6축 힘/토크 센서의 출력 값은 하드웨어의 구조를 고려하여 3축 토크 값을 근전도 신호와 매칭하는데 사용하였다.
- 이후, 근전도 신호와 손목의 힘을 측정한 F/T센서(최대 20 N)값, 악력을 측정한 로드셀(최대 50 N) 값은 정규화 과정을 통해 0과 1사이의 값으로 변환하였다. 실험은 신체에 이상이 없는 성인 남성을 대상으로 진행되었으며, 피실험자에게 Table 1, Table 2에 제시된 동작을 순차적으로 수행하도록 지시하였다. Table 1, Table 2과 같은 구성은 손목의 2자유도의 혼합된 동작에 주먹을 쥐는 동작(1자유도)을 추가한 표이며, 이는 전완의 근전도 신호를 이용하여 손목의 힘을 추정하기 위한 기존의 연구들을 참고 하였다[14].
데이터처리
- 힘을 발생하여 얻은 근전도 신호는 특징점 추출 및 정규화 과정을 거쳐 MLP의 입력 값으로 사용되었다. 입력에 따른 MLP의 3자유도 추정 값은 실제 토크/힘 센서와 로드셀의 값과 비교하였고, 결정계수(R2)와 평균 제곱근 오차(RMSE)를 이용해 MLP의 성능을 평가하였다. 결정계수는 추정 값이 실제값과 얼마나 적합한지를 재는 척도로, 값이 1에 가까울수록 추정 값과 실제 값이 유사하다는 것을 의미하며, 반대로 0에 가까울수록 추정 값과 실제 값의 오차가 크다는 것을 의미한다.
이론/모형
- 본 논문은 이러한 문제점을 해결하며 전완의 EMG로부터 손목의 힘(2자유도) 및 악력(1자유도)를 추정하기 위한 새로운 방법을 제안한다. 근전도 신호와 힘을 대응시키기 위해 기계학습 방법 중 하나인 다층 퍼셉트론(Multilayer Perceptron)을 사용하였고, 손목을 움직이기 위한 근육과 손가락을 움직이기 위한 근육이 독립적으로 존재한다는 전완의 해부학적 특성을 이용하였다. 회귀식을 설명하는 결정계수(R2)을 적용해 MLP의 목표값과 추정 값의 유사도를 평가해본 결과 손목의 2자유도에 해당하는 신전-굴곡, 내전-외전은 각각 0.
- 재생성된 학습데이터는 MLP에 적용되 적절한 가중치를 얻어내는 순서이다. 근전도 신호의 특징점 추출은 Root Mean Square (RMS), Zero Crossing (ZC) 등 시간영역과 주파수 영역에서 특징점을 추출하는 많은 방법들이 있지만[17], 비교적 계산이 간단하며 EMG 신호 분석에 많이 사용되는 MAV를 사용하였다. 식은 아래와 같다.
- 비용함수의 오차 값을 최소화 시키기 위해서 오차의 기울기와 체인 룰(Chain rule)을 사용하는 역전파알고리즘[16]을 이용하여 반복적으로 학습하였다. 또한, 학습의 과적합(Overfitting) 현상을 방지하기 위하여 k-겹 교차검증 방법[19]을 이용하였다.
- d는 학습데이터의 목표 값에 해당한다. 비용함수의 오차 값을 최소화 시키기 위해서 오차의 기울기와 체인 룰(Chain rule)을 사용하는 역전파알고리즘[16]을 이용하여 반복적으로 학습하였다. 또한, 학습의 과적합(Overfitting) 현상을 방지하기 위하여 k-겹 교차검증 방법[19]을 이용하였다.
- 전완에서 측정한 근전도 신호와 손목의 힘, 악력을 매칭시키기 위해 기계학습법 중 하나인 Multilayer Perceptron (MLP)을 사용하였다. MLP는 입력층과 은닉층, 출력층으로 구성된 전방향(feed-forward) 신경망으로, 각 층은 활성화 함수를 갖고 있는 노드로 구성되 있다.
성능/효과
- 7의 고정된 실험장치에 임의적으로 힘을 발생하여 얻은 MLP의 추정 값과 센서값을 비교한 그래프이다. 각 자유도를 결정계수와 RMSE를 이용하여 평가한 결과 결정계수는 굴곡-신전 0.79, 내전-외전 0.73, 악력 0.78의 값을 얻었고, RMSE는 굴곡-신전 0.12, 내전-외전 0.17, 악력 0.13의 오차 값을 보였다.
- 이 같은 방법은 기계학습법에서 가장 번거롭고 어려운 과정 중 하나인 학습데이터를 얻는 수고를 크게 덜어줄 뿐 아니라, 로봇 의수를 사용해야하는 장애인을 대상으로 거울학습법을 적용하는데도 큰 도움이 될 것으로 예상된다. 비록, 전완의 근육은 외근과 내근으로 구성되어 있어 피부에서 측정되는 EMG 신호는 다소 독립적 특성이 부족했지만 그럼에도 불구하고, 각 자유도에 해당하는 MLP의 추정결과는 손목의 굴곡-신전에서 0.79, 내전-외전에서 0.73, 악력에서 0.78의 결정계수를 나타냈고, 평균 제곱근 오차는 각각 0.12, 0.17, 0.13의 오차를 보였다.
- i는 근전도 측정장치의 채널번호, n는 채널의 총 개수다. 손목의 신전, 굴곡, 외전, 내전 순으로 각각 95.6%, 89.3%, 94.3%, 96.3%의 유사도를 보였다. 이와 같은 a+ b와 c의 패턴의 유사성은 손목 힘 및 악력을 동시에 추정하기 위한 알고리즘의 기본 원리가 된다
- . 즉, 특정 물체에 가기 위한 사용자의 의도는 충분히 반영되지만, 타겟을 잡고, 조작하기위한 의도는 반영되지 않는 것이다. 예를 들어, Ning Jiang의 연구[15]는 전완의 EMG를 이용하여 손목의 3자유도에 대해서 정상인 뿐 아니라, 장애인들에게도 회귀적 접근으로 추정한 논문을 발표하였다.
- 근전도 신호와 힘을 대응시키기 위해 기계학습 방법 중 하나인 다층 퍼셉트론(Multilayer Perceptron)을 사용하였고, 손목을 움직이기 위한 근육과 손가락을 움직이기 위한 근육이 독립적으로 존재한다는 전완의 해부학적 특성을 이용하였다. 회귀식을 설명하는 결정계수(R2)을 적용해 MLP의 목표값과 추정 값의 유사도를 평가해본 결과 손목의 2자유도에 해당하는 신전-굴곡, 내전-외전은 각각 0.71, 0.81, 값을 얻었고, 1자유도에 해당하는 악력은 0.75의 값을 얻었다. 이 같은 방법은 기존 손목의 힘추정을 위한 학습데이터에 새롭게 추가한 1자유도 동작만 추가함으로써, 3자 유도를 추정하기위한 학습데이터 생성과정을 간소화 하였다.
후속연구
- 앞으로의 연구는 근전도 신호 분석에 많이 사용되는 12 bit 이상의 분해능과 1 kHz이상의 샘플링 속도를 갖은 근전도 측정 장치를 이용하여 손목의 회전에 해당하는 회내-회외(Pronation-Supination) 동작을 추가하여 연구하는 것이 목표이다. 뿐만 아니라, 다수의 정상인과 장애인들을 대상으로 실험하여 더 많은 데이터 베이스를 바탕으로 한 연구결과 보여줄 것이다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.