[논문]노면 적응형 대퇴 의족개발을 위한 발목 관절 부하 가변형 하퇴 의족 적용에 대한 연구

엄수홍; 나선종; 류중현; 박세훈; 이응혁

doi:10.7471/ikeee.2019.23.3.883

노면 적응형 대퇴 의족개발을 위한 발목 관절 부하 가변형 하퇴 의족 적용에 대한 연구
The Study on Applying Ankle Joint Load Variable Lower-Knee Prosthesis to Development of Terrain-Adaptive Above-Knee Prosthesis 원문보기

전기전자학회논문지 = Journal of IKEEE, v.23 no.3, 2019년, pp.883 - 892

엄수홍 (Dept. of Electronics Engineering, Korea Polytechnic University) , 나선종 (Dept. of Electronics Engineering, Korea Polytechnic University) , 류중현 (Dept. of Electronics Engineering, Korea Polytechnic University) , 박세훈 (Korea Orthopedics & Rehabilitation Engineering Center) , 이응혁 (Dept. of Electronics Engineering, Korea Polytechnic University)

초록
AI-Helper

본 연구에서는 지능형 대퇴 의족의 노면 적응 기술 구현시 보행 환경이 변화하는 구간 및 약 경사로 보행에서의 보행 불평형 문제를 해결하기 위한 방법으로 발목 관절 운동을 제어 가능한 하퇴 의족을 적용하였다. 제안한 태퇴 의족의 개발을 위해서는 보행의 단계 구분이 필수적이다. 이러한 보행의 입각기의 단계별 구분과 유각기의 판단을 위하여 대퇴의족의 슬관절 데이터와 관성센서 데이터를 바탕으로 의사 결정 나무 학습법과 랜덤포레스트 기법을 융합한 머신러닝 기술을 제안 및 적용하였다. 이러한 방법으로 발목의 운동 상태를 제어 하였으며 보행 평형이 문제가 해소 되는지를 butterfly diagram을 측정하여 평가 하였다.

Abstract ▼ AI-Helper

This study is the method which is adapted to control ankle joint movement for resolving the problem of gait imbalance in intervals where gait environments are changed and slope walking, as applying terrain-adaptive technique to intelligent above-knee prosthesis. In this development of above-knee prosthesis, to classify the gait modes is essential. For distinguishing the stance phases and the swing phase depending on roads, a machine learning which combines decision tree and random forest from knee angle data and inertial sensor data, is proposed and adapted. By using this method, the ankle movement state of the prosthesis is controlled. This study verifies whether the problem is resolved through butterfly diagram.

주제어

표/그림 (13)

그림 Fig. 1. The trajectory of a gait cycle of the prosthesis and normal. 그림 1. 의족 및 정상다리의 보행 한주기 궤적
그림 Fig. 2. Random Forest Block Diagram. 그림 2. 랜덤포레스트 블럭도
그림 Fig. 3. The block diagram of transfemoral prosthesis based on the ankle joint variable. 그림 3. 발목 관절 가변 기반의 대퇴의족의 제어 블록도
그림 Fig. 4. The flatfrom of transfemoral prosthesis for adapting proposed algorithm. 그림 4. 보행단계 훈련을 위한 데이터 취득 플랫폼
그림 Fig. 5. the result of decision tree. 그림 5. 학습한 의사결정나무 결과
그림 Fig. 6. the graph of a gait cycle in machine learning. 그림 6. 머신러닝 학습을 위한 보행의 한주기 그래프
표 Table. 1. boundary values obtained in the learning according to gait phases. 표 1. 보행단계에 따른 학습 결과 Threshold
표 Table. 2. Changes in the training, cross validation, and OOB error according to the number of bootstrap samples. 표 2. 부트스트랩 샘플의 개수에 따른 훈련, 교차 검증, OOB error값의 변화
그림 Fig. 7. The flatform of above-knee prosthesis for adapting proposed algorithm. 그림 7. 제안한 알고리즘 적용을 위한 대퇴 의족 플랫폼
그림 Fig. 8. The block diagram of a contorller of proposed Above-Knee prosthesis. 그림 8. 제안한 대퇴 의족의 제어기 블록도
그림 Fig. 9. Gait trajectory of Helthy Ankle, Variable (Non-Powered) Ankle and Fixed Ankle. 그림 9. 정상 발목, 제안한 방법으로 구현된 대퇴 의족 플랫폼의 발목, 보편적인 수동 의족 발목의 보행 궤적
그림 Fig. 10. The ground reaction difference and the contact point of foot in ground depending on ankle variable control. 그림 10. 발목 가변 제어에 따른 지면반발력 차이 및 발의 지면 접촉 시점 그래프
그림 Fig. 11. Butterfly diagram of Existing prosthesis and Prosthesis with proposed techniques. 그림 11. 제안한 방법을 적용한 대퇴 의족과 일반적인 대퇴 의족의 보행 평형 평가를 위한 버터 플라이 다이어그램

AI 본문요약
AI-Helper

* AI 자동 식별 결과로 적합하지 않은 문장이 있을 수 있으니, 이용에 유의하시기 바랍니다.

문제 정의

따라서 본 논문에서는 데이터 전 처리 과정이 필요 없고 학습과 결과 값이 간단한 의사결정나무와 의사결정트리를 응용한 앙상블 기법인 랜덤 포레스트기법을 융합한 보행 단계 판별 모델을 제안한다.
그러나 기계식 관절을 갖는 의족의 보행은 해당 보행 주기 에서 유의미한 특징을 찾기가 쉽지 않다. 따라서 본 논문에서는 머신러닝 기법을 활용한 방법을 제안하고자 한다.
따라서 본 논문에서는 모호한 보행 환경에서 빠른 보행 단계 구분을 위하여 머신러닝 기반의 보행 단계 분류 모델을 제안한다. 현재 머신러닝을 활용한 보행 단계 분류의 유사 연구로는 H.
또한 부트스트랩 샘플의 개수가 100개 이후는 학습시간과 학습에 소모하는 메모리에 비하여 정확도의 상승폭이 눈에 띄게 줄어드는 것을 확인할 수 있었다. 따라서 본 논문에서는 부트스트랩의 개수가 50개인 랜덤포레스트 기반의 보행 단계 판별 모델을 이용하여 이후의 실험을 진행하고자 한다.
따라서 본 논문에서는 불필요하게 성장된 자식 마디를 제거하여 의사결정나무를 단순화시키는 가지치기 기법을 통하여 과대적합을 예방하고자 한다.
따라서 본 논문은 이러한 문제점을 해결하기 위하여 발목 관절에 가변 유압 실린더를 이용한 하퇴 의족을 적용하여 즉각적인 보행 모드 변화가 이루 어지지 못하여 발생되는 부분을 발목관절의 변화로 보행 불평형을 보상 하고자 한다.
본 논문에서는 Passive 의족의 보행에서 관성 센서를 활용한 보행 단계 판별을 하기 위하여 의사 결정 나무 학습법을 제안하였다. 따라서 학습을 위한 훈련 데이터 취득을 위하여 그림 4와 같이 정상인이 착용할 수 있는 소켓에 ottobock사의 3R60의 족을 부착하고 관절의 변화를 절대적으로 확인하기 위하여 정밀 소형 엔코더를 부착하여 관성센서 데이터와 함께 취득 하였다.
본 논문에서는 국내 재활공학연구소에서 개발한 발목 관절의 운동 부하 조절 하퇴의족을 활용하여 대퇴의족에 적용시 기존의 의족 시스템에서 보행 환경이 변화 되는 구간 및 약 경사에서 발생되는 보행 불평형을 해소를 위한 연구를 수행하였다. 연구는 발목 관절의 가변 구간 시점 도출을 위하여 머신러닝 기술을 적용하였다.
또한 데이터의 스케일 전환 없이 데이터를 그대로 사용해도 된다는 장점이 있다. 의사결정나무는 가지 생성 방법에 따라 여러 의사결정나무 방법론으로 나뉘며, 본 논문에서는 가장 보편적으로 사용되는 CART(Classification And Regression Tree)기법을 사용하고자 한다[20].

제안 방법

실험은 분류기에서 비롯된 제어 트리거 신호를 바탕으로 발목의 변화를 3차원 동작 분석기로 확인 하였다. 3차원 동작 분석시스템(Cortex 6.02, Motion Analysis Corp., USA)을 활용하여 확인 하였다. 해당 시스템은 12 대의 적외선 카메라로 구성 되어 있으며 120Hz의 샘플링을 갖고 지름 12.
그러나 보행 진행 방향의 각속도인 Gyro X값은 취득된 데이터 중 큰 변화량이 없기 때문에 의사 결정 나무에서 분류를 위해 사용한 요소인 knee angle, hip angle, Gyro Z간의 연관관계를 중점으로 랜덤포레스트를 이용하여 학습 하였다. 학습 결과는 표 2와 같다.
그렇기 때문에 본 논문에서는 부하 반응기부터 중간 입각기를 구분하기 위하여 머신 러닝의 기법중 ‘IF～THEN’형식의 의사결정트리와 독립된 여러 의사결정트리의 집합인 랜덤포레스트를 융합한 머신러닝 기법을 제안 한다.
두 번째 실험은 발목의 가변 제어가 보행시 어떻게 보행 불평형을 해소 가능한지의 실험을 하였다. 실험은 의족에서 보행시 발생되는 지면 반발력을 의족에 탑재된 로드셀의 Low Data가 1000값을 기준으로 발지 지면에서 닿고 떨어짐으로 설정하고 발목을 처음부터 고정한 상태, 유각기부터 중간 입각기까지는 가변상태를 두고 중간 입각기 이후는 고정한 상태, 모든 보행 주기간 가변상태를 유지한 상태 3가지 상황으로 지변 반발력의 차이 실험 하였다.
프로세서는 슬관절 모터 및 하퇴의족의 관절 움직임 부하 조절용 모터 드라이브의 제어, 의족구동 알고리즘 및 본 논문에서 제안한 보행단계 판별 알고리즘의 연산을 각각 수행하도록 2개를 탑재되었다. 두 프로세스간의 데이터 통신은 TTL 레벨의 UART 통신을 하며, 관성센서 데이터의 취득은 블루투스로 수신 하였다.
마지막으로 실제 건측과 환측의 보행 평형 확인을 확인하기 위하여 Dynamic foot pressure examination 을 확인 하였다. 평가는 Zebris사의 Gait analysis 트레드밀을 이용하여 평가 하였다 보행 속도는 1.
슬관절의 동력은 BLDC모터로 100W출력을 갖는 maxon 사 EC 60 플랫 모터를 적용되었다. 모터의 감속 및 토크 증가를 위하여 하모닉 드라이드를 적용하였으며 기어비는 50:1 이다. 하퇴의족의 경우 유압 노즐을 제어를 위한 모터만 있고 Powered Assist 기능을 위한 모터는 없다.
본 논문에서 목표로 하는 보행 단계 구분은 의족의 슬관절 변화에 따른 데이터를 바탕으로 보행단계를 분류를 수행하여야 한다. 이는 입력데이터를 기반으로 이에 대한 출력의 상태를 도출하는 형태로 머신러닝 기법 중 지도학습에 의한 학습이 가장 적절하다고 판단된다.
본 논문에서 제안하는 발목관절의 움직임 변화는 보행의 주기에서 초기 접지기부터 중간 입각기 까지만 이루어 져야 하며 말기 입각기 부터는 고정이 되어 지면을 딛고 유각기에 진입하기 위한 보행 추진력을 만들 수 있도록 해야 한다. 따라서 발목이 고정되는 시점을 명확하게 구분해야 하는 전제조건이 따른다.
분류된 Stance Phase의 보행 단계를 바탕으로 발목을 가변 제어 하였을 때의 보행 평형 평가를 위하여 우선 적으로 발목의 가변 제어가 적절하게 이뤄지는지를 실험 하였다. 실험은 분류기에서 비롯된 제어 트리거 신호를 바탕으로 발목의 변화를 3차원 동작 분석기로 확인 하였다.
분류된 Stance Phase의 보행 단계를 바탕으로 발목을 가변 제어 하였을 때의 보행 평형 평가를 위하여 우선 적으로 발목의 가변 제어가 적절하게 이뤄지는지를 실험 하였다. 실험은 분류기에서 비롯된 제어 트리거 신호를 바탕으로 발목의 변화를 3차원 동작 분석기로 확인 하였다. 3차원 동작 분석시스템(Cortex 6.
두 번째 실험은 발목의 가변 제어가 보행시 어떻게 보행 불평형을 해소 가능한지의 실험을 하였다. 실험은 의족에서 보행시 발생되는 지면 반발력을 의족에 탑재된 로드셀의 Low Data가 1000값을 기준으로 발지 지면에서 닿고 떨어짐으로 설정하고 발목을 처음부터 고정한 상태, 유각기부터 중간 입각기까지는 가변상태를 두고 중간 입각기 이후는 고정한 상태, 모든 보행 주기간 가변상태를 유지한 상태 3가지 상황으로 지변 반발력의 차이 실험 하였다. 실험 결과는 그림 10와 같다.
그러나 Microprocessor-Knee도 슬관절을 움직이는 구조가 기계식이기 때문에 인간의 관절과 같이 자유로운 각도 변화에는 한계가 있다. 이러한 단점을 개선하기 위하여 Powered-Knee는 슬관절의 운동을 전기모터를 사용하여 해결하고자 한다.
이러한 제안방법으로 보행의 단계 판별이 명확하게 수행되는 지에 대한 평가는 학습하고자 하는 데이터를 5개로 나누어 4개의 fold로 훈련 후, 1개의 fold를 이용하여 검증하며 교대로 역할을 바꿔 5개의 검증 정확도의 평균을 사용하여 기존의 검증 방법보다 정확한 5-fold 교차 검증 기법을 활용하여 평가하며, 발목 관절의 운동을 조절하여 보행환경 변화 시작 구간 및 약 경사에서 적응형 보행이 달성 되어 보행 불평형 현상이 해소 되는 지에 대한 평가는 평지와 경사로에서의 발목 운동 변화시점을 발목관절 변화를 측정 하여 평가하고 이와 더불어 건측과 환측간의 butterfly diagram을 측정하여 평가 한다.
연구는 발목 관절의 가변 구간 시점 도출을 위하여 머신러닝 기술을 적용하였다. 적용 기술은 의사결정트리와 랜덤포레스트 기법을 융합한 방법을 사용하였으며 목표하는 발목의 제어 시점을 적절하게 검출 하였다. 그리고 제안한 방법을 실제 대퇴 의족에 적용하여 발목의 가변 제어가 보행 평형을 보임을 확인 하였다.
5cm의 반사마커를 사용한다. 평가를 위한 실험은 정상적인 다리의 발목, 제안한 의족 시스템의 발목, 일반적인 수동 의족의 발목에 마커를 부착하여 발목의 변화를 측정 하여 발목의 변화인 plantar flexion과 dorsiflexion의 각도 변화를 관찰 하였다. 측정된 그래프는 그림 9과 같으며 발목의 적절한 변화만으로도 기존의 수동형 의족 보다 실제 건강한 발목의 보행에서 보여주는 궤적을 유사하게 나타남을 확인 하였다.

대상 데이터

구동 클럭은 150MIPS이다. 프로세서는 슬관절 모터 및 하퇴의족의 관절 움직임 부하 조절용 모터 드라이브의 제어, 의족구동 알고리즘 및 본 논문에서 제안한 보행단계 판별 알고리즘의 연산을 각각 수행하도록 2개를 탑재되었다.
본 논문에서는 Passive 의족의 보행에서 관성 센서를 활용한 보행 단계 판별을 하기 위하여 의사 결정 나무 학습법을 제안하였다. 따라서 학습을 위한 훈련 데이터 취득을 위하여 그림 4와 같이 정상인이 착용할 수 있는 소켓에 ottobock사의 3R60의 족을 부착하고 관절의 변화를 절대적으로 확인하기 위하여 정밀 소형 엔코더를 부착하여 관성센서 데이터와 함께 취득 하였다. 소형 엔코더는 오토닉스사의 제품으로 스펙은 360 pulses/revolution 이다.
본 논문에서 발목의 운동을 제어하기 위한 시점은 그림 1과 같이 보행의 주기중 약 20%에 해당하는 구간이다. 그래프를 보면 정상인 다리의 슬관절 보행 궤적은 부하 반응기에서 신체의 체중심 변화로 인한 변곡점이 발생하는 특징이 있다.
본 논문에서 사용한 의족은 국내 00연구소와 공동 연구한 의족으로 그림 7과 같다. 슬관절 range of motion은 0°～90°를 갖으며, 족관절 range of motion of 16° of plantar flexion and 18° of dorsiflexion를 갖는다.
실험 방법은 평지 보행에서 보폭 30cm, 지속 보행 5걸음으로 총 500회씩을 취득하고, 의사결정 나무를 이용하여 훈련하였으며 그림 5와 같은 의사결정나무기반의 보행 단계 분류 모델과 표 1과 같은 Threshold를 얻을 수 있었다.
그렇기 때문에 본 논문에서는 부하 반응기부터 중간 입각기를 구분하기 위하여 머신 러닝의 기법중 ‘IF～THEN’형식의 의사결정트리와 독립된 여러 의사결정트리의 집합인 랜덤포레스트를 융합한 머신러닝 기법을 제안 한다. 제안한 머신러닝 기법에 활용되는 데이터는 대퇴의족의 슬관절 무릎각 도와 관성센서 에서 비롯되는 3축 가속도, 3축 자이로 데이터를 기반으로 수행한다.
주제어기는 그림 8과 같이 DSP 프로세서인 TI사의TMS320F28335를 적용되었다.
, USA)을 활용하여 확인 하였다. 해당 시스템은 12 대의 적외선 카메라로 구성 되어 있으며 120Hz의 샘플링을 갖고 지름 12.5cm의 반사마커를 사용한다. 평가를 위한 실험은 정상적인 다리의 발목, 제안한 의족 시스템의 발목, 일반적인 수동 의족의 발목에 마커를 부착하여 발목의 변화를 측정 하여 발목의 변화인 plantar flexion과 dorsiflexion의 각도 변화를 관찰 하였다.
훈련 데이터는 건강한 20대의 체중 70kg남자 2명, 80kg남자 3명과 체중 72kg, Stump Length 44cm 오른쪽 수동 대퇴 의족 사용자로부터 취득 하였다.

데이터처리

랜덤포레스트는 전체 데이터셋에서 제외된 36.78%의 샘플들을 모아 검증데이터로써 생성된 모델의 성능을 평가하는 OOB(Out-of-Bag) error를 사용하여 정확도를 평가한다[21].
마지막으로 실제 건측과 환측의 보행 평형 확인을 확인하기 위하여 Dynamic foot pressure examination 을 확인 하였다. 평가는 Zebris사의 Gait analysis 트레드밀을 이용하여 평가 하였다 보행 속도는 1.5km/h, 경사도는 Degree 4°이다. 평가 방법에서 평지가 아닌 약 경사인 이유는 서론에서 언급한 문제인 경사로 진입 구간에서의 보행 불 평형을 측정하기 위한 임의설정이다.

이론/모형

본 논문에서는 국내 재활공학연구소에서 개발한 발목 관절의 운동 부하 조절 하퇴의족을 활용하여 대퇴의족에 적용시 기존의 의족 시스템에서 보행 환경이 변화 되는 구간 및 약 경사에서 발생되는 보행 불평형을 해소를 위한 연구를 수행하였다. 연구는 발목 관절의 가변 구간 시점 도출을 위하여 머신러닝 기술을 적용하였다. 적용 기술은 의사결정트리와 랜덤포레스트 기법을 융합한 방법을 사용하였으며 목표하는 발목의 제어 시점을 적절하게 검출 하였다.
제안하는 머신러닝 기법의 학습기는 의사결정트리와 1차적으로 수행 후 2차적으로 랜덤포레스트 기법을 적용 한다. 다양한 머신러닝 학습 알고리즘 중 의사결정트리를 사용하는 이유는 보행의 시퀀스가 순차별 단계 발생의 명세인 상태머신의 동작으로 해석되기 때문이며, 향후 임베디드 시스템으로 적용시 이식성을 고려했기 때문이다.

성능/효과

평가 그래프는 그림 11과 같다. 그래프를 보면 확연하게 발목이 고정된 3R80 Passive 의족대비 본 논문에서 제안한 발목 가변 하이브리드 대퇴 의족이 보행 평형을 보임을 확인할 수 있다.
적용 기술은 의사결정트리와 랜덤포레스트 기법을 융합한 방법을 사용하였으며 목표하는 발목의 제어 시점을 적절하게 검출 하였다. 그리고 제안한 방법을 실제 대퇴 의족에 적용하여 발목의 가변 제어가 보행 평형을 보임을 확인 하였다. 이 같은 연구 결과는 Powered 하퇴 의족을 사용하지 않았음에도 불구하고 지능형 대퇴 의족에서 보행평형을 달성 하여 이러한 보행제어 방법도 대퇴 의족 사용자의 사용 편리성을 향상 시킬 수 있음을 확인 하였다.
부트스트랩 샘플의 개수가 많아짐에 따라 검증 정확도와 OOB error값이 증가하는 것을 확인할 수 있다. 또한 부트스트랩 샘플의 개수가 100개 이후는 학습시간과 학습에 소모하는 메모리에 비하여 정확도의 상승폭이 눈에 띄게 줄어드는 것을 확인할 수 있었다. 따라서 본 논문에서는 부트스트랩의 개수가 50개인 랜덤포레스트 기반의 보행 단계 판별 모델을 이용하여 이후의 실험을 진행하고자 한다.
실험 결과는 그림 10와 같다. 발목을 고정 한 상태로 보행을 할 경우 Toe off 시점이 짧아지는 경향을 보이며 반대로 발목을 유연하게 하고 보행을 할 경우 Toe off 시점이 길어지는 것을 확인 할 수 있다 따라서 적절한 Toe off 시점이 보행 평형에 도움을 줄 수 있음을 확인 하였다.
부트스트랩 샘플의 개수가 많아짐에 따라 검증 정확도와 OOB error값이 증가하는 것을 확인할 수 있다. 또한 부트스트랩 샘플의 개수가 100개 이후는 학습시간과 학습에 소모하는 메모리에 비하여 정확도의 상승폭이 눈에 띄게 줄어드는 것을 확인할 수 있었다.
이 같은 결과는 본 논문에서 달성하고자 하는 발목 가변의 제어가 기존의 대퇴의족 시스템에서 조금 더 사용자의 보행 평형에 도움을 줄 수 있음을 확인 하였다.
그리고 제안한 방법을 실제 대퇴 의족에 적용하여 발목의 가변 제어가 보행 평형을 보임을 확인 하였다. 이 같은 연구 결과는 Powered 하퇴 의족을 사용하지 않았음에도 불구하고 지능형 대퇴 의족에서 보행평형을 달성 하여 이러한 보행제어 방법도 대퇴 의족 사용자의 사용 편리성을 향상 시킬 수 있음을 확인 하였다. 그러나 아직 연구의 초기 상태로 정량적인 발목 관절의 저항력 등의 제시가 부족하고 경사도가 높은 보행 환경에서의 추가적인 실험이 필요하다.
평가를 위한 실험은 정상적인 다리의 발목, 제안한 의족 시스템의 발목, 일반적인 수동 의족의 발목에 마커를 부착하여 발목의 변화를 측정 하여 발목의 변화인 plantar flexion과 dorsiflexion의 각도 변화를 관찰 하였다. 측정된 그래프는 그림 9과 같으며 발목의 적절한 변화만으로도 기존의 수동형 의족 보다 실제 건강한 발목의 보행에서 보여주는 궤적을 유사하게 나타남을 확인 하였다.

후속연구

이 같은 연구 결과는 Powered 하퇴 의족을 사용하지 않았음에도 불구하고 지능형 대퇴 의족에서 보행평형을 달성 하여 이러한 보행제어 방법도 대퇴 의족 사용자의 사용 편리성을 향상 시킬 수 있음을 확인 하였다. 그러나 아직 연구의 초기 상태로 정량적인 발목 관절의 저항력 등의 제시가 부족하고 경사도가 높은 보행 환경에서의 추가적인 실험이 필요하다.

질의응답

핵심어	질문	논문에서 추출한 답변
	2018년 전체 장애인 중 지체 장애인 비율은 얼마인가?	2018년 고용노동부와 한국장애인고용공단 고용 개발원의 보고서에 따르면 국내 장애인 수는 지속 적으로 증가하고 있으며, 전체 장애인 중 지체 장애인의 수는 전체의 약 50%를 차지하고 있다[1]. 절단으로 인한 지체 장애인은 약 17.
	하지 절단은 절단 부위에 따라 무엇으로 나눌 수 있는가?	3%로 하지 절단 장애인이 가장 많다[2]. 하지 절단은 절단 부위에 따라 족부절단, 하퇴절단, 슬관절 이단, 대퇴 절단 등으로 나눌 수 있다. 그 중 대퇴절단 환자의 경우 다른 하지 절단 유형대비 하지의 잔존 영역이 적어 보행에 제약이 가장 크다 [3].
	대퇴절단 환자의 보행을 지원하기 위한 보조기기 중 신체 기능 복원을 목적으로 사용되는 것은 무엇인가?	그 중 대퇴절단 환자의 경우 다른 하지 절단 유형대비 하지의 잔존 영역이 적어 보행에 제약이 가장 크다 [3]. 대퇴 절단 환자들의 보행을 지원하기 위한 보조기기 중 신체 기능 복원을 목적으로는 대퇴의족이 있다. 1990년대 대퇴의족의 목적은 보행을 가능 하도록 하는 것으로 별도의 편의사항이 없었다.

저자의 다른 논문 :

LOADING...

표제어: PCR

동의어: Packet Collision Rate

용어 설명 출처 목록 (6)

용어 설명: PCR은 세균 특이성이 있는 primer를 이용하여 적은 수의 세균이 있을지라도 쉽게 검출할 수 있는 유용한 방법이며, 이를 이용하여 구강 내 치면세균막이나 타액에서 직접 세균을 검출할 수 있게 되었다[8].

내보내기 구분	파일저장 인쇄 메일전송
구성항목	기본정보 상세정보 관리번호, 논문명, 저널/프로시딩명, 저자 , 발행년, 권, 호, 시작페이지, 끝페이지, 발행기관 관리번호, 논문명, 대등논문명, 저자 , 저널/프로시딩명, 발행기관, 발행년, 발행언어, 권, 호, 시작페이지, 끝페이지, ISBN, ISSN, 주제분야, 키워드, 초록(한글), 초록(영문), 저자(소속기관)
저장형식	Text(ASCII format) Excel format RefWorks Direct Export RIS format (for Reference Manager, ProCite, EndNote), Scholar's Aids, Mendeley
메일정보	받는사람 (필수) @ 보내는사람 (선택) @ 제목 내용 KISTI 검색결과 이메일 서비스
안내	총 건의 자료가 검색되었습니다. 다운받으실 자료의 인덱스를 입력하세요. (1-10,000) 검색결과의 순서대로 최대 10,000건 까지 다운로드가 가능합니다. 데이타가 많을 경우 속도가 느려질 수 있습니다.(최대 2~3분 소요) 다운로드 파일은 UTF-8 형태로 저장됩니다. 파일의 내용이 제대로 보이지 않을실 때는 웹브라우저 상단의 보기 -> 인코딩 -> 자동선택 여부를 확인하십시오. ~ Text(ASCII format) Excel format

연합인증