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.
제안 방법
- 또한 윈도우 이동증가분은 10 msec(100 points)로 설정한다. IAV와 Zero-Crossing에서 통해 얻어진 근전신호의 에너지 임계치를 적용하여 연속신호 내의 근전신호를 검출한다.
- 각 채널마다 입력으로 들어오는 근전신호를 분석하고, 채널 별로 특징들을 분석한 후 HMM 기법을 이용해 각 패턴에 대한 HMM을 구성한다. 한 동작에 대해 1쌍의 HMMs이 구성되며, 모두 6쌍(12 HMMs)의 모델이 구성된다.
- 본 논문은 근전신호의 시간적 변화와 잡음에도 높은 인식률을 보증하면서 동적인 의수제어를 위해 LPCC 특징 추출 기법보다 상대적으로 잡음에 강한 MFCC(MelFrequency Cepstral Coefficients) 특징 추출 기법을 적용한다. 그리고 HMM, GMM(Gaussian Mixture Models) 방식의 패턴인식 시스템 구성을 제안한다.
- 한 동작에 대해 1쌍의 HMMs이 구성되며, 모두 6쌍(12 HMMs)의 모델이 구성된다. 그리고 이들 각 HMM마다 4상태(left-to-right model)로 구성하고[3], GMM 기법을 기반으로 하여 각 상태(State)들 마다 다양한 특징 벡터수를 구성해서 테스트 한다(그림 3).
- 기존의 근전도 패턴 인식을 위한 특징벡터로는 LPCC, 영교차율, 절대적분치(IAV), AR 등이 사용되고 있으며, 이들 신호를 분류하기 위한 분류기로 인공신경회로망인 MLP(Multilayer Perceptron), SOFM(Self-Organizing Feature Map), 통계적 확률분포에 기인하는 HMM(Hidden Markov Models) 등을 단일 또는 혼합(Hybrid)하여 패턴 인식시스템 구성을 제안 했었다.
대상 데이터
- EMG 신호 샘플링률은 10000 samples/s로 설정하였다. 팔과 손동작의 6가지 패턴에 대해서 데이터를 분석하여, 동작마다 각각 30개의 데이터를 반복해서 획득하였다. 이들 기본동작들은 IN(굴곡 운동), OUT(신장 운동), WI(내전 운동), WO(외전 운동), G(폐수 운동), S(개수 운동)으로 구성한다.
이론/모형
- 본 논문은 근전신호의 시간적 변화와 잡음에도 높은 인식률을 보증하면서 동적인 의수제어를 위해 LPCC 특징 추출 기법보다 상대적으로 잡음에 강한 MFCC(MelFrequency Cepstral Coefficients) 특징 추출 기법을 적용한다. 그리고 HMM, GMM(Gaussian Mixture Models) 방식의 패턴인식 시스템 구성을 제안한다.
※ AI-Helper는 부적절한 답변을 할 수 있습니다.