$\require{mediawiki-texvc}$

연합인증

연합인증 가입 기관의 연구자들은 소속기관의 인증정보(ID와 암호)를 이용해 다른 대학, 연구기관, 서비스 공급자의 다양한 온라인 자원과 연구 데이터를 이용할 수 있습니다.

이는 여행자가 자국에서 발행 받은 여권으로 세계 각국을 자유롭게 여행할 수 있는 것과 같습니다.

연합인증으로 이용이 가능한 서비스는 NTIS, DataON, Edison, Kafe, Webinar 등이 있습니다.

한번의 인증절차만으로 연합인증 가입 서비스에 추가 로그인 없이 이용이 가능합니다.

다만, 연합인증을 위해서는 최초 1회만 인증 절차가 필요합니다. (회원이 아닐 경우 회원 가입이 필요합니다.)

연합인증 절차는 다음과 같습니다.

최초이용시에는
ScienceON에 로그인 → 연합인증 서비스 접속 → 로그인 (본인 확인 또는 회원가입) → 서비스 이용

그 이후에는
ScienceON 로그인 → 연합인증 서비스 접속 → 서비스 이용

연합인증을 활용하시면 KISTI가 제공하는 다양한 서비스를 편리하게 이용하실 수 있습니다.

[국내논문] 대퇴의족의 자동 보행 모드 변경을 위한 랜덤 포레스트 기반 추정 모델 개발에 관한 연구
A Study on Random Forest-based Estimation Model for Changing the Automatic Walking Mode of Above Knee Prosthesis 원문보기

전기전자학회논문지 = Journal of IKEEE, v.24 no.1, 2020년, pp.9 - 18  

나선종 (Dept. of Electronics Engineering, Korea Polytechnic University) ,  신진우 (Dept. of Electronics Engineering, Korea Polytechnic University) ,  엄수홍 (Dept. of Electronics Engineering, Korea Polytechnic University) ,  이응혁 (Dept. of Electronics Engineering, Korea Polytechnic University)

초록
AI-Helper 아이콘AI-Helper

의족의 자동 보행 모드 변경 알고리즘 개발에는 주로 사용되는 패턴 인식 또는 퍼지 추론 기법을 이용하지만 즉각적인 보행 환경 변화에는 대응하기 어렵다는 단점을 가진다. 이러한 한계점을 해결하고자 본 논문에서는 한 보행 주기 내 특정 보행단계에서의 보행 환경 추정을 통해 다음 걸음의 보행 모드를 자동으로 변환하는 알고리즘을 개발하였다. 제안하는 알고리즘은 마이크로 컨트롤러 내에 이식되어 운용되어야 하므로 계산량과 추정 소요 시간을 고려하여 랜덤포레스트 기반을 사용하여 개발하였다. 개발된 랜덤포레스트 기반의 보행 단계 및 환경 추정 모델은 마이크로 컨트롤러 내에 이식되어 유효성 평가를 진행하였다.

Abstract AI-Helper 아이콘AI-Helper

The pattern recognition or fuzzy inference, which is mainly used for the development of the automatic walking mode change of the above knee prosthesis, has a disadvantage in that it is difficult to estimate with the immediate change of the walking environment. In order to solve a disadvantage, this ...

Keyword

표/그림 (10)

AI 본문요약
AI-Helper 아이콘 AI-Helper

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

문제 정의

  • 현재 개발된 두 방식 모두 급변하는 환경에 대해서는 추정할 수 없기 때문에 이에 대한 대응 기술이 필요하다. 따라서 본 논문에서는 머신러닝 기법을 이용하여 보행 시 특정 보행 단계에서 보행 환경을 추정하고 자동으로 다음 걸음의 보행 모드를 변경하는 기법을 제안하고자 한다. 개발된 두 방식과는 다르게 보행 한 걸음 내에서 보행 환경을 추정하고자 하며, 컴퓨터가 보행 단계 및 환경이 입력된 센서 데이터를 이용하여 학습시킨다.
  • 또한 제안하는 무릎각도와 관성센서 데이터를 이용한 머신러닝 기법의 유효성을 검증하고자 한다. 이를 위해 의족 제어에 사용되는 저가의 마이크로 컨트롤러 및 소형 임베디드 시스템에 이식하여 랜덤포레스트 기반 추정 알고리즘의 정확도를 시뮬레이션을 통해 비교한다.
  • 이를 위해 의족 제어에 사용되는 저가의 마이크로 컨트롤러 및 소형 임베디드 시스템에 이식하여 랜덤포레스트 기반 추정 알고리즘의 정확도를 시뮬레이션을 통해 비교한다. 이를 통해 학습에 사용하지 않은 데이터가 입력되어도 추정 정확도가 크게 저하되지 않는다는 결과를 도출하고자 한다.
  • 제안하는 기법은 보행 한 걸음 내 보행 정보를 이용하여 보행 단계를 추정하고 특정 보행 단계에서 보행 환경을 추정하여 다음 걸음의 보행 모드를 자동으로 변경하는 것이다. 이러한 기법을 개발하기 위해 본 논문에서는 보행 단계 및 보행 환경 추정 알고리즘을 개발하고자 한다.
  • 따라서 이러한 문제를 개선하기 위해 본 논문에서는 인간이 직접 추정하기 모호한 데이터를 컴퓨터가 입력된 레이블(label)에 따라 스스로 학습한 후 추정 모델을 생성하는 머신러닝을 이용하는 알고리즘을 개발하고자 한다.
  • 본 절에서는 기존에 개발된 보행 단계 및 보행 환경 추정 알고리즘의 한계점을 파악하고 이를 해결하기 위한 머신러닝 기반 알고리즘 개발의 필요성에 대해 설명하고자 한다.
  • 따라서 본 논문에서는 무릎각도의 변화에 따른 보행 단계를 추정하는 방법을 분석하고자 한다. 무릎각도의 변화에 따른 보행 단계 추정 방법은 보행 시 무릎각도의 최대 굴곡과 신전 궤적에서의 변곡 지점을 이용하여 보행 단계를 추정한다
  • 본 논문에서는 관성센서를 의족 소켓의 외부에 부착하는 것으로 가정하기 때문에 고관절 각도 변화 이용한 보행 환경 추정 기법에 대하여 분석하였다.
  • 따라서 무릎각도의 변화를 이용한 입각기의 세부 단계를 구분할 수 없다는 한계점과 경사로 상행과 평지에서의 데이터 유사성으로 인해 제안하는 알고리즘을 개발하는 것에 제한이 있다. 따라서 사람이 직접 추정 알고리즘을 개발의 어려움을 해결하기 위해 본 논문에서는 데이터 집합을 구축하여 컴퓨터가 스스로 데이터를 가지고 학습한 후 추정 알고리즘을 생성하는 머신러닝 기반의 보행 단계 및 환경 추정 모델을 개발하고자 한다.
  • 본 논문에서는 무릎각도와 관성센서를 이용한 보행 단계 및 환경 추정의 한계점을 개선하고자 한다. 이를 위해서는 레이블이 명시되지 않은 데이터를 이용하는 비지도 학습이나 환경에 따라 최대한 많은 보상을 받을 수 있도록 최적의 행동을 스스로 학습하는 강화학습보다는 레이블이 명시된 데이터를 사용하여 학습하고 입력 데이터에 따라 출력 데이터가 나오는 지도학습을 사용하여 추정 모델을 생성하는 것이 더 알맞다고 할 수 있다.
  • 따라서 본 논문에서는 의족 내 마이크로 컨트롤러에 이식을 고려하여 계산량과 추정 소요 시간이 비교적 짧은 의사결정나무의 응용 기법인 랜덤포레스트를 이용하여 보행 단계 및 보행 환경 추정 모델을 개발하고자 한다.
  • 본 논문에서는 보행 단계 및 보행 환경 추정 모델 생성을 위해 무릎각도의 변화와 관성센서로부터 취득되는 가속도 3축과 각속도 3축 및 이를 이용하여 산출 가능한 각도 Roll, Pitch, Yaw를 속성으로 가지는 데이터 집합을 구축하고자 한다. 추가적으로 해당하는 각각의 보행 단계 및 보행 환경을 레이블을 직접 입력하고자 한다.
  • 본 논문에서는 보행 단계 및 보행 환경 추정 모델 생성을 위해 무릎각도의 변화와 관성센서로부터 취득되는 가속도 3축과 각속도 3축 및 이를 이용하여 산출 가능한 각도 Roll, Pitch, Yaw를 속성으로 가지는 데이터 집합을 구축하고자 한다. 추가적으로 해당하는 각각의 보행 단계 및 보행 환경을 레이블을 직접 입력하고자 한다.
  • 학습 시 많은 학습 데이터를 사용할수록 일반화가 잘 된 추정 모델을 만들 수 있지만, 실제 대퇴 절단 환자를 대상으로 학습을 위한 충분한 양의 데이터를 수집하기에는 한계가 있다. 따라서 본 논문에서는 정상인이 대퇴 절단 환자의 보행 데이터를 만들 수 있도록 의족이 장착된 어댑터를 착용하여 데이터를 수집하였다.
  • 따라서 본 논문에서는 신뢰도 판단을 위해 본 논문에서 사용한 의족과 동일한 구조로 동작하는 유압형 실린더 수동형 의족(Mouch SNS knee)의 무릎각도 및 고관절 각도를 비교하였다[19].
  • 따라서 본 논문에서 생성한 데이터 집합은 측성 시 오류가 없었으며 신뢰도가 높다고 판단하고, 이를 이용하여 제안하는 추정 기법에 필요한 보행 단계 및 보행 환경 추정 모델을 생성하고자 한다.
  • 본 절에서는 랜덤포레스트 기반의 보행 단계 및 보행 환경 추정 모델을 생성하고 부트스트랩 샘플 수에 따른 정확도를 비교하고자 한다.
  • 개발된 보행 단계 및 환경 추정 모델은 의족 내의 마이크로컨트롤러에 이식되어야 하며 학습에 사용되지 않은 새로운 데이터가 입력되어도 현재 보행에 맞는 보행 단계 및 보행 환경을 추정하여야 한다. 따라서 본 절에서는 학습에 사용하지 않은 새로운 데이터를 추정 기법에 입력하였을 시의 정확도 산출 및 비교하기 위해 실험 환경을 구성하고 데이터를 취득하고자 한다.
  • 본 논문에서는 대퇴의족의 자동 보행 모드 변경을 위하여 기존 개발된 알고리즘의 추정 한계점과 패턴 인식 기법의 급변하는 보행 환경에 대해서는 추정이 어려운 한계점을 해결하고자 머신러닝 기반 자동 보행 모드 변경 기법을 개발하였다.
본문요약 정보가 도움이 되었나요?

질의응답

핵심어 질문 논문에서 추출한 답변
하지절단 환자 중 대퇴절단 환자는 어떠한 제약점이 존재하는가? 하지절단은 절단 부위에 따라서 대퇴, 슬관절 이단, 하퇴, 족부 등으로 나눌 수 있다. 그 중 대퇴절단 환자는 다른 하지 절단 부위에 비해 하지의 잔존 부위가 가장 적기 때문에 보행 시 제약이 가장 크다. 따라서 대퇴절단 환자의 보행을 지원하기 위해 사용되는 보조기기는 지금도 다양하게 연구되고 있으며, 그 중 신체 대체 기기 기술로는 대퇴의족이 있다.
2017년도 기준 지체 장애인 중 절단으로 인한 지체 유형은? 국내 등록 장애인 수는 매년 증가하고 있으며, 2017년도 기준 지체 장애인 중 절단으로 인한 지체 유형은 약 17.1%로 집계되고 있으며, 지체 장애 부위로는 46.3%로 하지절단이 가장 많다[1].
하지절단은 절단 부위에 따라서 무엇으로 나눌 수 있는가? 하지절단은 절단 부위에 따라서 대퇴, 슬관절 이단, 하퇴, 족부 등으로 나눌 수 있다. 그 중 대퇴절단 환자는 다른 하지 절단 부위에 비해 하지의 잔존 부위가 가장 적기 때문에 보행 시 제약이 가장 크다.
질의응답 정보가 도움이 되었나요?

참고문헌 (19)

  1. Korea Employment Agency for the Disabled, Panel Survey of Employment for the Disabled: Characteristics by Disability Type, 2017. http://kosis.kr/statHtml/statHtml.do?orgId383&tblIdDT_383003_P009 

  2. Chan, F. H., Yang, Y. S., Lam, F. K., Zhang, Y. T., & Parker, P. A., "Fuzzy EMG classification for prosthesis control," IEEE transactions on rehabilitation engineering, Vol.8, No.3, pp.305-311, 2000. DOI: 10.1109/86.867872 

  3. Spanias, J. A., Simon, A. M., Ingraham, K. A., & Hargrove, L. J, "Effect of additional mechanical sensor data on an EMG-based pattern recognition system for a powered leg prosthesis," 7th International IEEE/EMBS Conference on Neural Engineering (NER), pp.639-642, 2015. DOI: 10.1109/NER.2015.7146704 

  4. L. J. Hargrove, A. M. Simon, A. J. Young, R. D. Lipschutz, S. B. Finucane, D. G. Smith, T. A. Kuiken, "Robotic leg control with EMG decoding in an amputee with nerve transfers," New England Journal of Medicine, Vol.369, No.13, pp.1237-1242, 2013. DOI: 10.1056/NEJMoa1300126 

  5. Sun-Jong Na, Jin-Woo Shin, Su-Hong Eom, Eung-Hyuk Lee, "A Study on the Activation of Femoral Prostheses: Focused on the Development of a Decision Tree based Gait Phase Identification Algorithm," 16th International Conference on Informatics in Control, Automation and Robotcis (ICINCO), pp.775-780, 2019. DOI: 10.5220/0007950707750780 

  6. Shahmoradi, S., & Shouraki, S. B., "A Fuzzy sequential locomotion mode recognition system for lower limb prosthesis control," Iranian Conference on Electrical Engineering (ICEE), pp.2153-2158, 2017. DOI: 10.1109/IranianCEE.2017.7985417 

  7. H. F. Maqbool, M. A. B. Husman, M. I. Awad, A. Abouhossein, Nadeem Iqbal, A. A. Dehghani- Sanij, "A Real-Time Gait Event Detection for Lower Limb Prosthesis Control and Evaluation," IEEE Transactions on Neural Systems and Rehabilitation Engineering, Vol.25, No.9, pp.1500-1509, 2017. DOI: 10.1109/TNSRE.2016.2636367 

  8. Simon, Ann M., Emily A. Seyforth, and Levi J. Hargrove., "Across-Day Lower Limb Pattern Recognition Performance of a Powered Knee-Ankle Prosthesis," 7th IEEE International Conference on Biomedical Robotics and Biomechatronics (Biorob), pp.242-247, 2018. DOI: 10.1109/BIOROB.2018.8487836 

  9. Shahmoradi, S., & Shouraki, S. B., "A Fuzzy sequential locomotion mode recognition system for lower limb prosthesis control," Iranian Conference on Electrical Engineering (ICEE), pp.2153-2158, 2017. DOI: 10.1109/IranianCEE.2017.7985417 

  10. H. F. Maqbool, M. A. B. Husman, M. I. Awad, A. Abouhossein, Nadeem Iqbal, A. A. Dehghani-Sanij, "A Real-Time Gait Event Detection for Lower Limb Prosthesis Control and Evaluation," IEEE Transactions on Neural Systems and Rehabilitation Engineering, Vol.25, No.9, pp.1500-1509, 2017. DOI: 10.1109/TNSRE.2016.2636367 

  11. Won ho Heo, Euntai Kim, Hyun Sub Park, and Jun-Young Jung, "A Gait Phase Classifier using a Recurrent Neural Network," Journal of Institute of Control, Robotics and Systems, Vol.21, No.6, pp.518-523. 2015. DOI: 10.5302/J.ICROS.2015.15.9024 

  12. Cho, Y. S., Jang, S. H., Cho, J. S., Kim, M. J., Lee, H. D., Lee, S. Y., & Moon, S. B., "Evaluation of Validity and Reliability of Inertial Measurement Unit-Based Gait Analysis Systems," Annals of rehabilitation medicine, Vol.42, No.6, pp.872-883, 2018. DOI: 10.5535/arm.2018.42.6.872 

  13. Jacquelin Perry, Gait Analysis: Normal and Pathological Function, 2nd Edition. SLACK Incorporated, 2012. DOI: 10.1302/0301-620X.92B8.0921184a 

  14. Ledoux, E. D., "Inertial sensing for gait event detection and transfemoral prosthesis control strategy," IEEE Transactions on Biomedical Engineering, Vol.65, No.12, pp.2704-2712, 2018. DOI: 10.1109/TBME.2018.2813999 

  15. Lopez-Delis, A., Miosso, C. J., Carvalho, J. L., da Rocha, A. F., & Borges, G. A., "Continuous Estimation Prediction of Knee Joint Angles Using Fusion of Electromyographic and Inertial Sensors for Active Transfemoral Leg Prostheses," Advances in Data Science and Adaptive Analysis, Vol.10, No.2, 2018. DOI: 10.1142/S2424922X18400089 

  16. H. Wu, Q. Huang, D. Wang, and L. Gao, "A CNN-SVM combined model for pattern recognition of knee motion using mechanomyography signals," Journal of Electromyography and Kinesiology, Vol.42, pp.136-142, 2018. DOI: 10.1016/j.jelekin.2018.07.005 

  17. Ekkachai, K., & Nilkhamhang, I. "Swing phase control of semi-active prosthetic knee using neural network predictive control with particle swarm optimization," IEEE Transactions on Neural Systems and Rehabilitation Engineering, Vol.24, No.11, pp.1169-1178, 2016. DOI: 10.1109/TNSRE.2016.2521686 

  18. L. Breiman, "Random Forests," Machine Learning, Vol.45, pp.5-32, 2001. DOI: 10.1023/A:1010933404324 

  19. Segal, Ava D., et al. "Kinematic and kinetic comparisons of transfemoral amputee gait using C-Leg and Mauch SNS prosthetic knees," Journal of Rehabilitation Research & Development, Vol.43, No.7, pp.857-869, 2006. DOI: 10.1682/JRRD.2005.09.0147 

저자의 다른 논문 :

관련 콘텐츠

오픈액세스(OA) 유형

GOLD

오픈액세스 학술지에 출판된 논문

이 논문과 함께 이용한 콘텐츠

저작권 관리 안내
섹션별 컨텐츠 바로가기

AI-Helper ※ AI-Helper는 오픈소스 모델을 사용합니다.

AI-Helper 아이콘
AI-Helper
안녕하세요, AI-Helper입니다. 좌측 "선택된 텍스트"에서 텍스트를 선택하여 요약, 번역, 용어설명을 실행하세요.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.

선택된 텍스트

맨위로