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
- 사람의 손목은 전완부 회전을 제외한 굴절(wrist flexion) 및 신전(wrist extension)과 요측편향(radial deviation) 및 척측편향(ulnar deviation)으로 2 자유도를 가진다. 굴절 및 신전의 관절 가동범위가 요측 및 척측 편향 운동보다 크다는 점을 감안하여 본 논문에서는 굴절 및 신전의 광범위한 관절 가동범위를 지닌 1자유도 손목을 의수 개발에 적용하는 것을 목표로 한다.
- 따라서 본 연구는 다 자유도를 지닌 손과 손목, 절단 부위에 착용할 수 있는 소켓 및 근전도 신호로부터 사용자의 동작 의도를 파악하여 다양한 구동을 할 수 있는 시스템 설계 및 개발을 목적으로 한다. 본 논문은 2장에서 전완 의수 설계 및 제작, 3장에서 실험 방법 및 결과, 그리고 4장 결론으로 구성된다.
- 본 연구는 일상생활 활동을 위한 전완 절단자용 다자유도 의수 및 근전도 인식/분류 시스템을 개발하는 것이다. 9자유도의 손과 1자유도 손목을 결합하여 로봇의수를 설계하였으며, 이를 절단 부위와 연결해 주는 착용감을 고려한 소켓을 제작하였다.
- 패턴 인식 및 분류 실험은 근전도 신호를 MLP에 적용하여, 사용자의 의도에 따라 다자유도 의수를 위한 피험자들의 동작들을 분류할 수 있는지 알아보기 위해 실시하였다. 피험자들은 [Fig.
제안 방법
- 9자유도 손, 1자유도 손목 그리고 소켓을 포함하는 다자유도 (multi-DoFs) 전완 의수를 이용하여 일상생활 활동(activity of daily living)에 필요한 동작을 실시하였다. [Fig.
- 본 연구는 일상생활 활동을 위한 전완 절단자용 다자유도 의수 및 근전도 인식/분류 시스템을 개발하는 것이다. 9자유도의 손과 1자유도 손목을 결합하여 로봇의수를 설계하였으며, 이를 절단 부위와 연결해 주는 착용감을 고려한 소켓을 제작하였다. 더 나아가 로봇의수 제어를 위해 표면 근전도를 기계학습에 적용하여 사용자의 의도에 따라 구동할 수 있는 시스템을 설계하였다.
- 9자유도 손, 1자유도 손목 그리고 소켓을 포함하는 다자유도 (multi-DoFs) 전완 의수를 이용하여 일상생활 활동(activity of daily living)에 필요한 동작을 실시하였다. [Fig. 10]과 같이 물체의 고정력을 위한 강한 파지(power grasping) 동작과 작고 얇은 물체를 정밀하게 잡을 수 있는 정밀 파지(precision grasping) 동작으로 분류하였다.
- 추가로 전완 절단자를 대상으로 일상생활 활동에서 필요한 동작인 ‘운동화 끈 묶기’를 실시하였다. [Fig. 11]과 같이 절단 부위에 소켓을 착용한 후 의수의 엄지와 검지의 굴절과 신전을 반복하여 운동화 끈 묶기 동작을 구현하였다.
- 모든 피험자들에게 연구 목적 및 실험 절차에 대한 충분한 설명을 제공한 후 동의를 얻어 실시하였다. 개발된 전완 의수에 대한 실용성을 확인하기 위해 전완 다자유도 의수 동작 생성과 sEMG 패턴 인식 분류 실험을 실시하였다.
- 더 나아가 로봇의수 제어를 위해 표면 근전도를 기계학습에 적용하여 사용자의 의도에 따라 구동할 수 있는 시스템을 설계하였다. 개발된 전완 의수와 인식 시스템에 대한 성능 평가를 위하여, 전완 의수 적용과 sEMG 패턴 인식/분류 실험을 실시하였다. 첫 번째로, 일상생활에서의 파지 동작 실험을 수행하였다.
- 12]와 같이 오른쪽 전완 부위에 착용한 후, 실험 진행자의 지시에 따라 진행되었다. 근전도 신호 획득은 각 동작에 대하여 최대 자발적 수축(MVC, maximum voluntary contraction)을 약 20초간 수행하였다. 패턴 인식을 위한 동작으로 [Fig.
- 이렇게 학습을 마친 MLP를 검증하기 위해 TCP/IP를 통해 획득한 실시간 근전도 신호를 테스트 데이터(test dataset)로 생성하여 MLP에 적용하여 전완 의수를 제어하기 위한 패턴을 출력하였다.근전도 신호의 특징점 추출은 Mean Absolute Value MAV), Root Mean Square RMS), Zero Crossing ZC) 등 시간 영역에서 근전도 신호를 처리하는 여러 방법들이 존재하지만[17], 본 연구에서는 연산이 간단하고 비교적 우수한 성능을 보이는 RMS를 사용하였으며, 다음과 같다.
- 넓은 범위의 관절 가동범위를 가지도록 설계하기 위하여 구름(rolling contact joint) 운동 방식의 관절을 채택하였다. 구름관절은 위성(planetary) 기어와 선(sun) 기어의 관계와 같이, 하나의 원판이 다른 원판 주위로 구르면서 회전한다.
- 9자유도의 손과 1자유도 손목을 결합하여 로봇의수를 설계하였으며, 이를 절단 부위와 연결해 주는 착용감을 고려한 소켓을 제작하였다. 더 나아가 로봇의수 제어를 위해 표면 근전도를 기계학습에 적용하여 사용자의 의도에 따라 구동할 수 있는 시스템을 설계하였다. 개발된 전완 의수와 인식 시스템에 대한 성능 평가를 위하여, 전완 의수 적용과 sEMG 패턴 인식/분류 실험을 실시하였다.
- 또한, 사고로 인해 오른쪽 전완부가 절단된 피험자를 대상으로 의수 착용 시연을 실시하였으며, 양 손을 사용해야 하는 ‘운동화 끈묶기’ 동작을 다자유도 의수를 사용하여 구현할 수 있었다. 두 번째로는 근전도 패턴 인식/분류를 이용한 의수 구동 성능 평가를 실시하였다. 일상생활에 필요하다고 판단되는 5가지 동작에 대한 패턴 인식 및 분류에 대하여 전완에서 표면 근전도를 취득하여 MLP에 적용하였으며, 그 결과 높은 인식성능을 보였다.
- 또한 구동 와이어가 말단부(moving plate)에 설치된 1단 움직도르래(tackle)을 경유하여 기저부(base plate)의 고정 도르래(block)에 고정함으로써 모터의 당김 힘이 반감되는 원리를 적용하였다. 이는 공간의 제약이 많은 의수 개발에 있어서 단일 구동기 및 소형 용량 모터 선정이 가능하다는 이점을 지닌다.
- 제안된 손가락의 MCP는 4절 링크 메커니즘을 이용하였으며 서로 같은 길이로 설계하여 평행사변형(parallelogram) 메커니즘으로 구동된다. 또한, [Fig. 2]에서 제시 되었듯이 동력 전달을 위해 비틀림(torsional) 스프링을 이용하여 손바닥보다 큰 물체를 잡을 때 MCP가 뒤로 밀리도록 설계하였으며, DIP를 이용하여 물체를 잡을 수 있도록 적응형 쥠 동작을 구현하였다.
- 사용된 MLP의 입력층의 노드는 16채널에서 출력되는 근전도 신호이며 출력층의 노드는 실험에 사용된 5가지의 손 동작으로 구성하였다. 또한, [Fig. 8]과 같이 은닉층에 200개의 노드를 배치하고, 활성 함수로 ReLU 함수와 Softmax 함수를 사용하여 추정 값을 출력하였다.
- 또한, 사고로 인해 오른쪽 전완부가 절단된 피험자를 대상으로 의수 착용 시연을 실시하였으며, 양 손을 사용해야 하는 ‘운동화 끈묶기’ 동작을 다자유도 의수를 사용하여 구현할 수 있었다.
- 사람의 MCP와 DIP 가동 범위는 110°와 90°이며[12], 제안된 손가락은 구동에 간섭을 받지 않는 범위에서 각각 96°와 80°로 선정하였다. 또한, 자연스러운 파지 동작이 가능하도록 베벨기어와 스퍼기어를 조합하였으며, MCP와 DIP 마디의 기어비를 다르게 조정함으로써 손가락 끝 힘(fingertip force)을 조절할 수 있다. 설계 시 사용했던 감속비는 모터 256:1, 베벨기어 감속 2:1, MCP 감속 8:5, 그리고 DIP 가속 6:7으로 설계하였으며 손가락 끝힘은 8N이다.
- 형상이 약간씩 변할 때마다 소켓을 새롭게 제작해야 하는 번거로움을 없애고자 사이즈조절이 가능하도록 소켓을 제작하였다. 또한, 전완 의수용 소켓은 절단부위의 전체를 감싸는 기존 소켓과는 달리 한쪽 면을 제거하여 이전 연구[7]에서 제작한 [Fig. 7]과 같은sEMG 니트(knit) 밴드 센서와의 결합이 용이하도록 설계하였다.
- 부드러운 곡선 형태의 공이나 물병을 집는 동작을 수행할 경우, 모든 손가락이 굴절하여 물체를 강하게 고정하였으며, 종이와 같이 얇은 경우, 엄지가 굴절하면서 검지를 사용하여 물체를 고정하였다. 정밀 파지 동작의 경우, 엄지, 검지, 그리고 중지를 이용하여 고정하였다.
- 사람의 MCP와 DIP 가동 범위는 110°와 90°이며[12], 제안된 손가락은 구동에 간섭을 받지 않는 범위에서 각각 96°와 80°로 선정하였다.
- 취득한 근전도 데이터는 신호 처리와 특징점 추출 과정을 거쳐 학습 데이터로 생성되어 MLP에 적용시킨 후, 적절한 가중치를 얻어내어 패턴 분류를 수행하였다. 이렇게 학습을 마친 MLP를 검증하기 위해 TCP/IP를 통해 획득한 실시간 근전도 신호를 테스트 데이터(test dataset)로 생성하여 MLP에 적용하여 전완 의수를 제어하기 위한 패턴을 출력하였다.근전도 신호의 특징점 추출은 Mean Absolute Value MAV), Root Mean Square RMS), Zero Crossing ZC) 등 시간 영역에서 근전도 신호를 처리하는 여러 방법들이 존재하지만[17], 본 연구에서는 연산이 간단하고 비교적 우수한 성능을 보이는 RMS를 사용하였으며, 다음과 같다.
- 이와 동일한 방법으로 소형 손목 메커니즘을 [Fig. 4]와 같이 –90°~90°의 관절 가동범위를 지니도록 설계하였다.
- 부드러운 곡선 형태의 공이나 물병을 집는 동작을 수행할 경우, 모든 손가락이 굴절하여 물체를 강하게 고정하였으며, 종이와 같이 얇은 경우, 엄지가 굴절하면서 검지를 사용하여 물체를 고정하였다. 정밀 파지 동작의 경우, 엄지, 검지, 그리고 중지를 이용하여 고정하였다. 다양한 물체를 파지하기 위해서 작은 물체일수록 엄지의 역할이 중요하였고 검지, 중지로 고정할 수 있었다.
- 전완용 소켓은 의수 사용자들이 일상생활에서 편리하게 착용할 수 있고, 개인 맞춤형 사이즈 조절이 가능하도록 제작하였다. 제안된 소켓은 관련 선행 조사 및 아이디어 스케치와 렌더링 작업((주)오트수행)을 거쳐 제작하였다. 전체 소켓의 무게는 약 255 g으로 기존 소켓들 보다 가벼우며, 소켓에 사용된 재료는 강한 내구성을 위해 ABS (acrylonitrile butadiene styrene copolymer)수지를 사용하였다.
- 제안된 손 메커니즘은 물체 적응형 쥠(adaptive grasping)을 구현하며 9개의 동작 자유도를 가진다. [Fig.
- 1]에서 보여지듯이 개발된 개별 손가락으로 중수 수지 관절(Metacarpophalangeal joint, MCP)과 원위 지간 관절(Distal interphalangeal joint, DIP)의 2마디로 구성된다. 제안된 손가락의 MCP는 4절 링크 메커니즘을 이용하였으며 서로 같은 길이로 설계하여 평행사변형(parallelogram) 메커니즘으로 구동된다. 또한, [Fig.
- 개발된 전완 의수와 인식 시스템에 대한 성능 평가를 위하여, 전완 의수 적용과 sEMG 패턴 인식/분류 실험을 실시하였다. 첫 번째로, 일상생활에서의 파지 동작 실험을 수행하였다. 공, 물병, 종이, 연필 등 물체의 모양과 크기에 따라 강한 파지와 정밀 파지 동작을 구분하여 수행할 수 있었다.
- 추가로 전완 절단자를 대상으로 일상생활 활동에서 필요한 동작인 ‘운동화 끈 묶기’를 실시하였다.
- 9]와 같은 과정을 따른다. 취득한 근전도 데이터는 신호 처리와 특징점 추출 과정을 거쳐 학습 데이터로 생성되어 MLP에 적용시킨 후, 적절한 가중치를 얻어내어 패턴 분류를 수행하였다. 이렇게 학습을 마친 MLP를 검증하기 위해 TCP/IP를 통해 획득한 실시간 근전도 신호를 테스트 데이터(test dataset)로 생성하여 MLP에 적용하여 전완 의수를 제어하기 위한 패턴을 출력하였다.
- 근전도 신호 획득은 각 동작에 대하여 최대 자발적 수축(MVC, maximum voluntary contraction)을 약 20초간 수행하였다. 패턴 인식을 위한 동작으로 [Fig. 13]에 보이듯이 주먹(grasping), 굴곡(flexion), 신전(extension), 내전(adduction), 외전(abduction)으로 선정하였다.
- 4]와 동일한 관절 가동범위를 가진다는 것을 보여준다. 하단부에 구동기를 배치하였고, 또한 절단부와 연결되는 소켓과 접합되도록 설계하였으며, 상단부에 개발된 의수가 직접 연결되도록 설계하였다.
- 절단이 발생한 후 시간이 많이 지나면 절단 부위의 운동이 줄어들고, 이에 따라서 근육량이 감소하면서 전완 절단 부위의 크기 및 형상이 변한다. 형상이 약간씩 변할 때마다 소켓을 새롭게 제작해야 하는 번거로움을 없애고자 사이즈조절이 가능하도록 소켓을 제작하였다. 또한, 전완 의수용 소켓은 절단부위의 전체를 감싸는 기존 소켓과는 달리 한쪽 면을 제거하여 이전 연구[7]에서 제작한 [Fig.
- 전완을 구성하는 근육은 손과 손목의 움직임과 관련되어 있으며 5개의 동작에 따라 발생되는 16개의 근전도 신호를 초당 1000개씩 각각 채널 별로 10,000개의 RMS 데이터를 추출하였다. 획득된 근전도 신호는 INTAN RHS200 chip을 사용하여 증폭하였으며, 노이즈 제거를 위해 밴드패스필터(bandpass filter of 8~200 Hz)와 노치필터(60 Hz)를 사용하였으며, 300 ms 윈도우 크기의 제곱평균제곱근(RMS, root mean square) 연산을 적용하였다. 이러한 과정을 거쳐얻은 학습 데이터는 앞에서 언급한 알고리즘 방법에 따라 MLP의 학습 데이터로 사용하였다.
대상 데이터
- 본 연구는 한양대학교 기관 생명윤리위원회(Institutional Review Board: IRB)에서 2018년 7월(HYI-16-05505) 최종 승인을 받은 후에 진행하였다. 본 연구의 대상은 신체 건강한 성인 남녀 5명과 오른쪽 전완 절단자 1명을 대상으로 선정하였다. 모든 피험자들에게 연구 목적 및 실험 절차에 대한 충분한 설명을 제공한 후 동의를 얻어 실시하였다.
- 사용된 MLP의 입력층의 노드는 16채널에서 출력되는 근전도 신호이며 출력층의 노드는 실험에 사용된 5가지의 손 동작으로 구성하였다. 또한, [Fig.
- 또한, 자연스러운 파지 동작이 가능하도록 베벨기어와 스퍼기어를 조합하였으며, MCP와 DIP 마디의 기어비를 다르게 조정함으로써 손가락 끝 힘(fingertip force)을 조절할 수 있다. 설계 시 사용했던 감속비는 모터 256:1, 베벨기어 감속 2:1, MCP 감속 8:5, 그리고 DIP 가속 6:7으로 설계하였으며 손가락 끝힘은 8N이다. 또한, [Fig.
- 전체 소켓의 무게는 약 255 g으로 기존 소켓들 보다 가벼우며, 소켓에 사용된 재료는 강한 내구성을 위해 ABS (acrylonitrile butadiene styrene copolymer)수지를 사용하였다. 소켓은 유연한 소재인 벨크로(velcro) 스트랩을 이용하여 전체적으로 절단 부위를 감싸고, 소켓 커버로 이중 고정되도록 제작하였다[Fig. 6].
- 획득된 근전도 신호는 INTAN RHS200 chip을 사용하여 증폭하였으며, 노이즈 제거를 위해 밴드패스필터(bandpass filter of 8~200 Hz)와 노치필터(60 Hz)를 사용하였으며, 300 ms 윈도우 크기의 제곱평균제곱근(RMS, root mean square) 연산을 적용하였다. 이러한 과정을 거쳐얻은 학습 데이터는 앞에서 언급한 알고리즘 방법에 따라 MLP의 학습 데이터로 사용하였다. Learning rate는 0.
- 전완을 구성하는 근육은 손과 손목의 움직임과 관련되어 있으며 5개의 동작에 따라 발생되는 16개의 근전도 신호를 초당 1000개씩 각각 채널 별로 10,000개의 RMS 데이터를 추출하였다. 획득된 근전도 신호는 INTAN RHS200 chip을 사용하여 증폭하였으며, 노이즈 제거를 위해 밴드패스필터(bandpass filter of 8~200 Hz)와 노치필터(60 Hz)를 사용하였으며, 300 ms 윈도우 크기의 제곱평균제곱근(RMS, root mean square) 연산을 적용하였다.
- 전체 소켓의 무게는 약 255 g으로 기존 소켓들 보다 가벼우며, 소켓에 사용된 재료는 강한 내구성을 위해 ABS (acrylonitrile butadiene styrene copolymer)수지를 사용하였다.
이론/모형
- 활성 함수를 가지고 있는 노드들은 가중치를 갖고 연결되어 있으며, 가중치를 조절하여 목표값을 추정할 수 있다. 가중치는 MLP 출력과 목표값이 허용되는 오차 값보다 크면 오류 역전파 알고리즘(back-propagation)을 이용하여 반복적으로 학습된[16].
- 0001로 설정하였고, Epoch는 개별 학습과 전체학습으로 분류하여 각각 2000번과 4000번 학습시켰다. 본 연구를 위한 신호 처리 및 기계 학습은 ROS Opensource robotics funds, Willow Garage, USA)와 MATLAB R2018a (MathWorks, Natick, MA, USA)을 이용하였다.
- 는 학습 데이터의 목표값을 비교하여 오차를 최소화 시키기 위해 MLP를 반복적으로 훈련시킨다. 본 연구에 사용된 목적 함수(objective function)는 교차엔트로피 오차(cross entropy error)를 사용하였으며, 식은 다음과 같다.
- 는 근전도 데이터이며, X는 RMS 값이다. 식 (1)을 이용하여 추출된 특징점은 0이상의 값으로 최소-최대 정규화(Min-Max)방법을 이용하였다. 식은 아래와 같다.
- 표면 근전도 신호를 이용하여 패턴 인식 및 분류를 위해 기계학습 모델 중 하나인 다층 퍼셉트론(multilayer perceptron, in short MLP)을 사용하였다.
성능/효과
- 일상생활에 필요하다고 판단되는 5가지 동작에 대한 패턴 인식 및 분류에 대하여 전완에서 표면 근전도를 취득하여 MLP에 적용하였으며, 그 결과 높은 인식성능을 보였다. 굴신과 내/외전에서 주먹동작에 비해 낮은 성능을 보였지만 성능 차이는 미미한 수준으로 확인하였다. 이러한 결과는 생체 모사를 추구하는 의수에 관한 후속 연구에 적용될수 있다.
- 6%이고, 주먹과 굴곡동작에 대하여 100% 인식률로 가장 높았으며 신전, 내전, 외전 순으로 나타났다. 따라서, 5가지 동작에 대한 인식률은 모두 99% 이상으로 동작에 대한 인식 및 분류의 정확성을 확인하였다.
- 주먹동작이 99% 인식률로 가장 높았으며, 내·외전 동작의 인식률이 98%로 굴신 동작 97%보다 조금 더 높게 나타났다. 이에 따라 전체 피험자에 대한 인식률은 개인별 인식률 보다 조금 낮았으나 성능에 대한 차이는 미미한 수준으로 확인하였다.
- 두 번째로는 근전도 패턴 인식/분류를 이용한 의수 구동 성능 평가를 실시하였다. 일상생활에 필요하다고 판단되는 5가지 동작에 대한 패턴 인식 및 분류에 대하여 전완에서 표면 근전도를 취득하여 MLP에 적용하였으며, 그 결과 높은 인식성능을 보였다. 굴신과 내/외전에서 주먹동작에 비해 낮은 성능을 보였지만 성능 차이는 미미한 수준으로 확인하였다.
- [Table 1]은 5명의 피험자에 대한 동작별 패턴 인식(분류)률을 나타낸 것이다. 전체 피험자에 대한 평균은 99.6%이고, 주먹과 굴곡동작에 대하여 100% 인식률로 가장 높았으며 신전, 내전, 외전 순으로 나타났다. 따라서, 5가지 동작에 대한 인식률은 모두 99% 이상으로 동작에 대한 인식 및 분류의 정확성을 확인하였다.
- 8의 신호는 주먹 동작을 제외하고 모든 동작에서 높게 나타났다. 주먹 동작에서는 손바닥과 이어져 있는 근육인 장자근(palaris longus) 부근에 위치한 ch.2의 신호가 가장 높게 나타났다. [Table 1]은 5명의 피험자에 대한 동작별 패턴 인식(분류)률을 나타낸 것이다.
- 주먹동작이 99% 인식률로 가장 높았으며, 내·외전 동작의 인식률이 98%로 굴신 동작 97%보다 조금 더 높게 나타났다.
후속연구
- 이러한 결과는 생체 모사를 추구하는 의수에 관한 후속 연구에 적용될수 있다. 또한, 본 연구에서는 의수 제작과 근전도 패턴 인식률을 분리하여 연구하였으나, 개발한 의수와 근전도 시스템의 실시간 통합 제어에 관한 추후 연구 주제를 남겨두고 있다.
- 굴신과 내/외전에서 주먹동작에 비해 낮은 성능을 보였지만 성능 차이는 미미한 수준으로 확인하였다. 이러한 결과는 생체 모사를 추구하는 의수에 관한 후속 연구에 적용될수 있다. 또한, 본 연구에서는 의수 제작과 근전도 패턴 인식률을 분리하여 연구하였으나, 개발한 의수와 근전도 시스템의 실시간 통합 제어에 관한 추후 연구 주제를 남겨두고 있다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.