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
- 따라서 본 연구 목적은 인간과 로봇 사이의 인터페이싱 장치로서 전도성 섬유를 이용한 센서 내장형 니트 데이터 글러브를 개발하는 것이다. 개발된 니트 데이터 글러브는 손가락의 움직임에 대한 각도 변화에 따라 저항 값이 바뀌도록 전도성원사를 이용하여 측정 가능하도록 제작하였으며, 손의 크기에 상관없이 착용 가능하게 편직(knitting)하였다.
- 개발된 니트 데이터 글러브는 손가락의 움직임에 대한 각도 변화에 따라 저항 값이 바뀌도록 전도성원사를 이용하여 측정 가능하도록 제작하였으며, 손의 크기에 상관없이 착용 가능하게 편직(knitting)하였다. 개발된 글러브의 성능평가를 위해, 전도성 원사에 따른 성능 비교, 그리고 손가락 동작에 대한 패턴 인식 분석을 실시함으로써 니트 데이터 글러브에 대한 실용성 및 상용화 가능성을 살펴보는 것이다.
- 본 연구는 로봇 의수 제어 및 재활 훈련용 니트 데이터 글러브를 개발하는 것에 목표를 두었다. 니트 데이터 글러브는 전도성 섬유를 이용하여 손가락 관절 부위를 지나가도록 제작하였으며, 봉제가 필요 없는 홀가먼트 평기를 이용하여 공정을 최소화 하였다.
제안 방법
- 따라서 본 연구 목적은 인간과 로봇 사이의 인터페이싱 장치로서 전도성 섬유를 이용한 센서 내장형 니트 데이터 글러브를 개발하는 것이다. 개발된 니트 데이터 글러브는 손가락의 움직임에 대한 각도 변화에 따라 저항 값이 바뀌도록 전도성원사를 이용하여 측정 가능하도록 제작하였으며, 손의 크기에 상관없이 착용 가능하게 편직(knitting)하였다. 개발된 글러브의 성능평가를 위해, 전도성 원사에 따른 성능 비교, 그리고 손가락 동작에 대한 패턴 인식 분석을 실시함으로써 니트 데이터 글러브에 대한 실용성 및 상용화 가능성을 살펴보는 것이다.
- 손가락의 굽힘(flexion) 각도 값을 측정하는 센서 영역은 전도성 원사로 편성하였으며, 비전도성 영역은 나일론 원사를 사용하였다. 또한, 손의 크기와 상관없이 데이터 글러브는 손에 밀착되고 손가락 움직임 변화에 따라 늘어나거나 다시 원래로 회복할 수 있도록 신축성이 우수한 스판덱스(spandex)를 전체적으로 사용하였다.
- 2(a)]. 둘째, 니트 데이터 글러브에 적합한 원사를 선정한 후, 패턴 인식을 위한 센서 설계를 진행하였으며, 전도성 원사의 양을 늘려 저항 변화를 많이 유도하기 위하여[Fig. 2(b)]와 같이 설계하였다.
- 2(b)]와 같이 설계하였다. 본 연구의 신호 획득 방법으로서 전압 분배 회로를 이용하였으며, 다음 식과 같다.
- 연구 대상은 건강한 성인 남녀 5명을 선정하였고, 실험 방법 및 절차에 대하여 피험자에게 충분한 설명을 제공한 후 동의 하에 진행하였다. 피험자는 앉은 상태에서 오른손에 니트 데이터 글러브를 착용하였으며 연구자의 지시에 따라 진행하였다.
- 본 실험은 전도성 원사 종류에 따른 성능 평가와 패턴 인식 분류로 나누어 진행하였다. 첫째, 니트 데이터 글러 브에 대하여 대표적인 전도성 섬유인 은과 스테인리스 원사에 대한 비교 평가를 실시하였다.
- 본 실험은 전도성 원사 종류에 따른 성능 평가와 패턴 인식 분류로 나누어 진행하였다. 첫째, 니트 데이터 글러 브에 대하여 대표적인 전도성 섬유인 은과 스테인리스 원사에 대한 비교 평가를 실시하였다. 측정 위치 및 동작은 손가락에 대하여 DIP (Distal Interphalange)관절과 PIP (Proximal Interphalange)관절의 굴곡(flexion)과 신전(extension) 동작에 대하여 [Fig.
- 첫째, 니트 데이터 글러 브에 대하여 대표적인 전도성 섬유인 은과 스테인리스 원사에 대한 비교 평가를 실시하였다. 측정 위치 및 동작은 손가락에 대하여 DIP (Distal Interphalange)관절과 PIP (Proximal Interphalange)관절의 굴곡(flexion)과 신전(extension) 동작에 대하여 [Fig. 4]와 같이 10 mm, 30 mm, 50 mm 간격을 두고 저항 값의 변화를 측정하였다.
- 둘째, 은사와 스테인리스 원사 사이의 비교 평가결과를 기반으로 데이터 글러브로 사용하기에 적당한 전도성 원사를 선택하고 다섯 손가락에 센서를 삽입하여 제작한 후에 손 동작에 대한 분류 실험을 진행하였다. 사람이 일상생활을 하기 위해 필요한 움직임이라고 판단되는 동작인 주먹(grasp), 포인트(point), 핀치(pinch)와 휴식(rest)을 포함한 4가지 동작을 [Fig.
- 둘째, 은사와 스테인리스 원사 사이의 비교 평가결과를 기반으로 데이터 글러브로 사용하기에 적당한 전도성 원사를 선택하고 다섯 손가락에 센서를 삽입하여 제작한 후에 손 동작에 대한 분류 실험을 진행하였다. 사람이 일상생활을 하기 위해 필요한 움직임이라고 판단되는 동작인 주먹(grasp), 포인트(point), 핀치(pinch)와 휴식(rest)을 포함한 4가지 동작을 [Fig. 5]와 같이 선정하였다. 피험자는 오른쪽 손에 니트 데이터 글러브를 착용한 후, 연구자의 신호에 따라 4가지 동작에 대하여 10초 동안 각각 3회씩 반복 측정하였다.
- 4가지 동작들 간의 차이를 알아보기 위해 각각 3번씩 반복 측정한 자료에 대하여 분산분석(ANOVA)을 실시하였다. 니트 데이터 글러브의 다섯 손가락에서 측정된 데이터는 저주파통과필터(low-pass filter)를 적용하여 노이즈를 상당 부분 제거하였다. 측정된 저항 값 R의 범위와 얻고자 하는 손가락 각도에 대하여 최댓값과 최솟값을 지정하여 각 손가락마다 측정 저항 값 R에 매핑되는 추정 각도 θ를 다음 식을 이용하여 구한다.
- 니트 데이터 글러브의 실용성을 알아보기 위해, 패턴 인식 평가를 실시하였다. 본 연구에 사용된 기계학습 방법은 다층 퍼셉트론(MLP, Multi-layer perceptron)이며, 입력 층(input layer)은 다섯 손가락에서 측정된 저항 값이다.
- 본 연구에 사용된 기계학습 방법은 다층 퍼셉트론(MLP, Multi-layer perceptron)이며, 입력 층(input layer)은 다섯 손가락에서 측정된 저항 값이다. 또한, 출력 층의 노드는 4가지 동작으로 선정하였으며, 활성 함수는 ReLU와 Softmax를 사용하였다. 니트 데이터 글러브에서 측정된 신호처리 및 분석은 MATLAB R2018a (Mathworks, Natick, MA, USA), IBM SPSS Statistics version 21 (IBM Corp.
- 니트 데이터 글러브의 센서에 대한 성능을 평가하기 위하여, 대표 전도성 원사인 스테인리스 원사와 은사를 이용하여 측정 거리에 대한 저항 값을 측정하였다. 피험자는 오른쪽 손에 니트 데이터 글러브를 착용하였고 주먹 동작을 실시하였다.
- 니트 데이터 글러브의 센서에 대한 성능을 평가하기 위하여, 대표 전도성 원사인 스테인리스 원사와 은사를 이용하여 측정 거리에 대한 저항 값을 측정하였다. 피험자는 오른쪽 손에 니트 데이터 글러브를 착용하였고 주먹 동작을 실시하였다. [Fig.
- 따라서 니트 데이터 글러브 제작을 위해 측정 거리에 영향을 많이 받지 않는 은사에 대하여 추가 실험을 실시하였다. [Fig.
- 6]은 은사 니트 데이터 글러브를 이용하고 식 (2)와 (3)을 활용하여 저항 값을 추정 각도로 매핑한 결과이다. 또한, 손동작에 따른 사용자 의도를 파악하기 위하여 손가락 각도와 손동작에 대한 추가 실험을 실시하였다. 손가락의 각도에 대한 저항 변화를 알아보기 위하여, 중지에 대하여 굴곡(flexion)의 정도에 따른 저항을 측정하였다.
- 또한, 손동작에 따른 사용자 의도를 파악하기 위하여 손가락 각도와 손동작에 대한 추가 실험을 실시하였다. 손가락의 각도에 대한 저항 변화를 알아보기 위하여, 중지에 대하여 굴곡(flexion)의 정도에 따른 저항을 측정하였다. 굴곡의 각도가 커짐에 따라 저항이 낮게 측정되었으며 그 결과는 [Fig.
- 니트 데이터 글러브의 실용성을 검증하기 위해 [Fig. 5]에서 제시된 4가지 동작에 대하여 패턴 인식 평가를 실시하였다. [Fig.
- 마지막으로, 전체 피험자의 60,000개(=12,000×5명) 데이터를 통합하여 동작 패턴 분류 실험을 수행하였다.
- 더 나아가 5명의 피험자에 대하여 분류 정확도 검증을 실시하였다. 피험자는 오른쪽 손에 글러브를 착용한 후, 4가지 동작에 대하여 10초 동안 각각 3회 반복 측정 하였으며 이를 통해 12,000개의 데이터 세트를 얻었다.
- 피험자는 오른쪽 손에 글러브를 착용한 후, 4가지 동작에 대하여 10초 동안 각각 3회 반복 측정 하였으며 이를 통해 12,000개의 데이터 세트를 얻었다. 다섯손가락에서 측정된 저항 값을 기계 학습에 사용할 수 있도록 데이터를 가공하였고, 다층 퍼셉트론 알고리즘을 적용하여 학습과정을 수행하였다. [Table 1]은 5명의 피험자에 대한 패턴 분류 학습을 실시한 결과이다.
- 본 연구는 로봇 의수 제어 및 재활 훈련용 니트 데이터 글러브를 개발하는 것에 목표를 두었다. 니트 데이터 글러브는 전도성 섬유를 이용하여 손가락 관절 부위를 지나가도록 제작하였으며, 봉제가 필요 없는 홀가먼트 평기를 이용하여 공정을 최소화 하였다. 기존의 복잡한 공정과 센서를 삽입해야 하는 형태의 데이터 글러브와는 다르게 접착, 후가공, 봉제 등이 필요하지 않다.
- 이렇게 개발된 데이터 글러브에 대한 성능 평가를 위해, 원사의 종류에 따른 성능평가 및 동작 패턴인식 평가를 실시하였다. 먼저, 대표적인 전도성 원사인 스테인리스 원사와 은사에 대하여 성능 평가를 실시하였으며, 측정 길이가 멀어짐에 따라 은사로 제작한 데이터 글러브가 노이즈에 대하여 안정적인 저항 값을 보였다.
- 먼저, 대표적인 전도성 원사인 스테인리스 원사와 은사에 대하여 성능 평가를 실시하였으며, 측정 길이가 멀어짐에 따라 은사로 제작한 데이터 글러브가 노이즈에 대하여 안정적인 저항 값을 보였다. 또한, 우수한 성능의 은사로 제작된 데이터 글러브를 이용하여 4가지 손 동작에 대한 다섯 손가락의 저항 값 비교를 수행하였다. 모든 동작에 대하여 다섯 손가락의 저항 값이 확연히 다르게 나타났으며, 눈으로도 쉽게 구별이 가능하였다.
- 본 연구는 원사에 따른 성능 평가를 확인하기 위해, 니트 데이터 글러브의 센서 디자인을 두가지 형식(type)으로 진행하였다. 첫째, 검지, 중지, 약지의 PIP (Proximal interphalangeal joints)와 MCP (Metacarpophalangeal joints)를 지나가도록 편직하였다 [Fig.
- 5]와 같이 선정하였다. 피험자는 오른쪽 손에 니트 데이터 글러브를 착용한 후, 연구자의 신호에 따라 4가지 동작에 대하여 10초 동안 각각 3회씩 반복 측정하였다. 4가지 동작들 간의 차이를 알아보기 위해 각각 3번씩 반복 측정한 자료에 대하여 분산분석(ANOVA)을 실시하였다.
대상 데이터
- 니트 데이터 글러브는 신체 재활 훈련 및 전동 의수 제어를 위한 입력장치로서 가볍고 유연한 형태로 제작하였다. 니트 데이터 글러브는 대표적인 전도성 재료에 대한 성능을 평가하기 위하여, 은(silver)과 스테인리스(stainless) 원사로 각각 제작하였다. 손가락의 굽힘(flexion) 각도 값을 측정하는 센서 영역은 전도성 원사로 편성하였으며, 비전도성 영역은 나일론 원사를 사용하였다.
- 니트 데이터 글러브는 대표적인 전도성 재료에 대한 성능을 평가하기 위하여, 은(silver)과 스테인리스(stainless) 원사로 각각 제작하였다. 손가락의 굽힘(flexion) 각도 값을 측정하는 센서 영역은 전도성 원사로 편성하였으며, 비전도성 영역은 나일론 원사를 사용하였다. 또한, 손의 크기와 상관없이 데이터 글러브는 손에 밀착되고 손가락 움직임 변화에 따라 늘어나거나 다시 원래로 회복할 수 있도록 신축성이 우수한 스판덱스(spandex)를 전체적으로 사용하였다.
- 본 연구는 한양대학교 기관 생명윤리위원회(the Institutional Review Board: IRB)에서 2019년 7월(HYI-16-05508) 최종 승인을 받은 후에 진행하였다. 연구 대상은 건강한 성인 남녀 5명을 선정하였고, 실험 방법 및 절차에 대하여 피험자에게 충분한 설명을 제공한 후 동의 하에 진행하였다. 피험자는 앉은 상태에서 오른손에 니트 데이터 글러브를 착용하였으며 연구자의 지시에 따라 진행하였다.
- 더 나아가 5명의 피험자에 대하여 분류 정확도 검증을 실시하였다. 피험자는 오른쪽 손에 글러브를 착용한 후, 4가지 동작에 대하여 10초 동안 각각 3회 반복 측정 하였으며 이를 통해 12,000개의 데이터 세트를 얻었다. 다섯손가락에서 측정된 저항 값을 기계 학습에 사용할 수 있도록 데이터를 가공하였고, 다층 퍼셉트론 알고리즘을 적용하여 학습과정을 수행하였다.
데이터처리
- 피험자는 오른쪽 손에 니트 데이터 글러브를 착용한 후, 연구자의 신호에 따라 4가지 동작에 대하여 10초 동안 각각 3회씩 반복 측정하였다. 4가지 동작들 간의 차이를 알아보기 위해 각각 3번씩 반복 측정한 자료에 대하여 분산분석(ANOVA)을 실시하였다. 니트 데이터 글러브의 다섯 손가락에서 측정된 데이터는 저주파통과필터(low-pass filter)를 적용하여 노이즈를 상당 부분 제거하였다.
- 또한, 출력 층의 노드는 4가지 동작으로 선정하였으며, 활성 함수는 ReLU와 Softmax를 사용하였다. 니트 데이터 글러브에서 측정된 신호처리 및 분석은 MATLAB R2018a (Mathworks, Natick, MA, USA), IBM SPSS Statistics version 21 (IBM Corp., Chicago, IL, USA), PyCharm Edu 2018.3을 사용하였다.
- 이러한 결과에 대하여, 니트 데이터 글러브의 동작들 간의 신호 차이를 확인하기 위하여 반복 측정 분산분석을 실시하였고, 4가지 동작 간에 유의한 차이가 있음을 알 수 있었다(p < 0.001).
이론/모형
- 접촉 저항을 결정하는 요인은 Holm의 접촉 이론(Holm’s contact theory)을 사용하여 계산되었으며[19], 다음 식과 같다.
- 개발된 데이터 글러브 제작은 SDS one apex apparel CAD(Shima seiki) 소프트웨어를 사용하였으며, 편안한 착용감을 위하여 봉제선 없이 제작하는 홀가먼트(wholegarment) 기술을 적용하였다. 또한 노이즈 감소를 위해 센서 영역에만 전도성 원사를 편직하도록 인타샤(intarsia) 니팅 기법을 이용하였다.
- 개발된 데이터 글러브 제작은 SDS one apex apparel CAD(Shima seiki) 소프트웨어를 사용하였으며, 편안한 착용감을 위하여 봉제선 없이 제작하는 홀가먼트(wholegarment) 기술을 적용하였다. 또한 노이즈 감소를 위해 센서 영역에만 전도성 원사를 편직하도록 인타샤(intarsia) 니팅 기법을 이용하였다. 니트는 실을 고리를 형성하여 짜는 방식으로 신축성 있는 구조이다.
- 측정은 아두이노 우노(UNO)를 사용하였으며, 입력전압 Vin = 5V, Vout = 0∼5V, R1 = 1000Ω을 식 (1)에 대입하면 R2를 구할 수 있다.
- 니트 데이터 글러브의 실용성을 알아보기 위해, 패턴 인식 평가를 실시하였다. 본 연구에 사용된 기계학습 방법은 다층 퍼셉트론(MLP, Multi-layer perceptron)이며, 입력 층(input layer)은 다섯 손가락에서 측정된 저항 값이다. 또한, 출력 층의 노드는 4가지 동작으로 선정하였으며, 활성 함수는 ReLU와 Softmax를 사용하였다.
성능/효과
- 본 연구는 원사에 따른 성능 평가를 확인하기 위해, 니트 데이터 글러브의 센서 디자인을 두가지 형식(type)으로 진행하였다. 첫째, 검지, 중지, 약지의 PIP (Proximal interphalangeal joints)와 MCP (Metacarpophalangeal joints)를 지나가도록 편직하였다 [Fig. 2(a)].
- 4]는 측정 거리 10 mm, 30 mm, 50 mm일 때 검지의 굴곡 후 신전 운동시에 측정되는 저항 값이다. 두 원사 모두 측정 거리가 멀어질수록 저항 값이 증가하였으며, 동작 시 저항 값이 감소하는 것을 확인하였다. 스테인리스 원사로 제작된 데이터 글러브는 [Fig.
- 상대적으로 은사는 측정거리에 따른 노이즈 영향이 크지 않았다. 따라서 손가락 또는 손목 등 관절을 지나도록 제작해야 하는 니트 데이터 글러브에는 은사로 제작된 데이터 글러브가 보다 적합할 수 있음을 확인하였다.
- 주먹 동작에선 모든 손가락의 저항이 낮게 측정되었다. 또한, 포인트 동작은 검지를 제외한 나머지 손가락에서 낮게 측정되었으며, 검지의 저항은 증가하였다. 이는 검지를 제외한 손가락이 굽힘 동작일 때, 검지는 포인트 동작을 유지해야하기에 신전(extension) 움직임이 있어 전도성 원사의 접촉점의 수가 줄어들어 접촉압력이 낮아지며 저항 값이 증가한다.
- [Table 1]은 5명의 피험자에 대한 패턴 분류 학습을 실시한 결과이다. 모든 피험자는 90% 이상의 높은 인식률로 전체 평균 92.3%이다. 4가지 동작에 대해서, 휴지기는 99.
- 3%이다. 4가지 동작에 대해서, 휴지기는 99.8%로 가장 높은 인식률을 나타냈으며, 핀치(pinch) 동작이 81.2%로 가장 낮게 확인되었다. 핀치 동작을 제외한 나머지 3가지 동작에서는 90% 이상의 높은 인식률이 나타났다.
- 마지막으로, 전체 피험자의 60,000개(=12,000×5명) 데이터를 통합하여 동작 패턴 분류 실험을 수행하였다. 그 결과, 전체 인식률은 98.5%로 높게 나타났으며, 포인트 동작(94%)을 제외한 4가지 동작은 100%로 높은 인식 성능을 보였다[Fig.10]. 전체 피험자에 대한 인식률은 개별 인식률과 크게 차이가 나지 않고 비슷한 성능으로 확인되었다.
- 이렇게 개발된 데이터 글러브에 대한 성능 평가를 위해, 원사의 종류에 따른 성능평가 및 동작 패턴인식 평가를 실시하였다. 먼저, 대표적인 전도성 원사인 스테인리스 원사와 은사에 대하여 성능 평가를 실시하였으며, 측정 길이가 멀어짐에 따라 은사로 제작한 데이터 글러브가 노이즈에 대하여 안정적인 저항 값을 보였다. 또한, 우수한 성능의 은사로 제작된 데이터 글러브를 이용하여 4가지 손 동작에 대한 다섯 손가락의 저항 값 비교를 수행하였다.
- 또한, 우수한 성능의 은사로 제작된 데이터 글러브를 이용하여 4가지 손 동작에 대한 다섯 손가락의 저항 값 비교를 수행하였다. 모든 동작에 대하여 다섯 손가락의 저항 값이 확연히 다르게 나타났으며, 눈으로도 쉽게 구별이 가능하였다. 또한, 획득된 데이터에 대한 동작 패턴인식 평가 결과로 높은 인식 성능을 확인하였다.
- 모든 동작에 대하여 다섯 손가락의 저항 값이 확연히 다르게 나타났으며, 눈으로도 쉽게 구별이 가능하였다. 또한, 획득된 데이터에 대한 동작 패턴인식 평가 결과로 높은 인식 성능을 확인하였다.
후속연구
- 이러한 결과를 통해 가볍고 저비용 제작이 가능한 니트 데이터 글러브가 다양한 로봇분야에서 적용될 수 있을 것으로 기대된다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.