근전도 센서 의수 - geunjeondo senseo uisu

혹시 재학/재직 중이신가요? 소속기관의 DBpia 구독 여부를 확인해 보세요.

• DBpia와 구독 계약을 맺고 있는 학교, 공공기관, 기업 소속이시면 기관인증을 통해 논문을 이용하실 수 있습니다. 기관인증 후 DBpia 로그인하시면 90일간 인증 상태가 유지됩니다.

정확한 소속 기관명을 클릭해 주세요

ex) 한국대학교, 한국고등학교, 시립도서관, (주)누리자동차 등

소속기관이 없습니다.

소속기관이 없으시면 DBpia를 구독 중인 주변 공공도서관을 찾아보세요

- DBpia 구독 중 입니다

• 소속 회원 / 학생 / 교직원 인증

  기관(도서관) 홈페이지를 이용하는 경우 인증 가능합니다

• 대표 계정 인증

  초·중·고, 기업 등의 기관 담당자에게 부여됩니다.
  해당 계정은 행정실, 수서실 등에 문의하세요

• 내부 방문시 자동 기관인증 가능합니다

  기관 내부 PC, 와이파이로 접속해보세요!
  단, 장소에 따라 이용이 제한될 수 있습니다

자주묻는 질문 - 내부 방문시 자동 기관인증

• 도서관 내부에서 이용하는데도, 기관인증이 안되고 있어요

  

  도서관 인터넷 망이 아닌 핫스팟 및 에그 등을 사용하고 계신건 아니신가요?
  도서관 내부에서 이용하실 경우, 도서관 PC 혹은 와이파이를 이용해야 합니다.

  또한 이용가능 구역이 제한될 수 있습니다. (ex. 전자자료실에서만 이용 가능 등)
  도서관 담당자에게 해당 구역에서 이용 가능한 지 문의하여 확인 후 이용바랍니다.

• 기관외부에서 이용하고 싶어요

  

  기관인증된 상태에서 화면 상단의 [로그인]을 클릭하여 DBpia에 로그인 하실 경우
  해당 계정에 기관인증 상태가 90일간 유지되게 됩니다.

  따라서 기관 외부 어디서든 DBpia 개인계정 로그인 하시면
  90일간 해당 기관의 구독 자료를 바로 이용 가능합니다.

  단, 기관에 따라 내부에서만 이용가능할 수 있습니다

- DBpia를 구독하지 않는 기관입니다.

도서관 홈페이지를 통해서만 이용 가능합니다

• 1도서관 홈페이지 로그인도서관 바로가기
• 2전자저널, 학술 DB 등의 카테고리로 이동
• 3DBpia(누리미디어) 클릭하여 DBpia 홈페이지 이동

도서관 홈페이지 계정 인증

대학교의 경우, 포털 계정 인증이 안된다면 도서관 홈페이지 계정을 이용해주세요

자주묻는 질문 - 소속 회원 / 학생 / 교직원 인증

• 매번 도서관 홈페이지를 통해 들어오기 번거로워요

  

  기관인증된 상태에서 화면 상단의 [로그인]을 클릭하여 DBpia에 로그인 하실 경우
  해당 계정에 기관인증 상태가 90일간 유지되게 됩니다.

  따라서 기관 외부 어디서든 DBpia 개인계정 로그인 하시면
  90일간 해당 기관의 구독 자료를 바로 이용 가능합니다.

  단, 기관에 따라 내부에서만 이용가능할 수 있습니다.

• SNS 로그인을 사용할 수 있는 방법은 없나요?

  

  도서관 사이트에서 기관인증하여 DBpia 사이트로 이동하신 경우에는
  NAVER(네이버) · Google(구글) · Kakao(카카오)의 정책으로 인하여 SNS로그인이 불가합니다. 이에 DBpia 회원가입 후 이용하셔야합니다.

  SNS 로그인과 기관 인증을 함께 이용하고 싶으신 경우에는 기관 내부에서 이용 부탁드립니다.

자주묻는 질문 - 소속 회원 / 학생 / 교직원 인증

• 도서관 계정 인증 시, 아이디 비밀번호가 틀리시나요?

  

  도서관 홈페이지의 계정을 바탕으로 인증을 도와드리고 있습니다.

  이에 도서관 홈페이지를 한번이라도 이용한 경험이 있는지
  해당 계정이 유효한 지 확인해주세요
  (기관에 따라 휴학생 및 졸업생의 이용이 제한될 수 있습니다)

  계속해서 틀리면, 아래 "기관인증을 편리한 방법으로 하고 싶어요"를 통해 인증해주세요

• 기관인증을 편리한 방법으로 하고 싶어요

  

  1. 도서관 홈페이지 로그인
  2. 전자저널, 학술 DB등의 카테고리로 이동
  3. DBpia(누리미디어) 클릭하여 DBpia 홈페이지 이동

  기관인증된 상태에서 화면 상단의 [로그인]을 클릭하여 DBpia에 로그인 하실 경우
  해당 계정에 기관인증 상태가 90일간 유지되게 됩니다.

대표 계정 인증

구독 계약시 기관 담당자에게 부여되는 계정입니다

자주묻는 질문 - 대표 계정 인증

• 대표 계정 부여 기준이 궁금해요

  

  구독 계약시 계약 담당자에게 부여되는 계정입니다.

  해당 계정은 대표 계정으로
  수서실무 담당자, 사서 선생님, 학교 주임 선생님 등 계약을 담당하신 분께만 안내됩니다

  대표 계정으로 인증하고 싶으실 경우, 소속 기관의 담당자 분께 문의해주세요

• 기관 밖에서도 이용하고 싶어요

  

  기관인증된 상태에서 화면 상단의 [로그인]을 클릭하여 DBpia에 로그인 하실 경우
  해당 계정에 기관인증 상태가 90일간 유지되게 됩니다.

  따라서 기관 외부 어디서든 DBpia 개인계정 로그인만 하시면
  90일간 해당 기관의 구독 자료를 무료로 이용 가능합니다.

RNN을 이용한 근전도 신호 손가락 자세 추정

1. 서론
사고로 인해 신체 부위를 상실한 환자들은 로봇 의수를 통해 그 기능을 보완할 수 있다. 사람의 동작 의도를 정확히 로봇 의수에 전달하기 위해 여러 방법이 적용되는데, 그 중에 각광 받는 분야는 생체신호를 활용한 센서 시스템이다. 생체 신호는 근전도, 뇌전도, 안전도 등 여러 가지 인체에서 수집 가능한 전기적 신호를 지칭하며, 그 중에 근전도 신호(Electromyogram, EMG)는 신체의 움직임에 따라 근육에서 발생되는 전기적 신호로, 표면 전극을 통해 사람 피부에서 측정이 가능하여 타 생체 신호에 비해 취득하기 쉽고, 착용자의 실제 움직임보다 30ms정도 선행되어 나온다는 장점이 있다. 최근 근전도 신호를 활용하여 사람의 동작 의도를 파악하고, 이를 재활 로봇, 로봇 의수 및 착용형 로봇에 적용하는 사례들이 많이 연구되고 있다[그림1].

[그림 1] 근전도 신호를 활용한 로봇 의수 제어의 예시 (존스 홉킨스 대학)

하지만, 근전도 신호가 장점만 존재하는 것은 아니다. 사람마다 근육 특성이 다르기 때문에 신호의 크기가 다르다는 점과, 장시간 근육을 수축할 시 근육 피로도가 쌓여 신호의 비선형성이 강해진다는 단점이 존재한다. 이러한 이유 때문에 해당 연구는 수학적 모델링에 큰 어려움이 있고, 기존의 근전도를 활용한 로봇 의수 연구들은 근전도 신호를 패턴 인식을 통한 이산적인 동작을 분류 수행하는 것에 초점이 맞춰져 있다.

본 연구는 근전도 신호를 통한 사용자의 손가락 자세를 추정하기 위해 딥러닝 알고리즘인 Recurrent Neural Network를 사용하였고, 근전도 센서와 Flex 센서에서 나오는 모션 데이터를 사용하여 네트워크를 학습시켜 근전도 신호만으로 손가락 자세를 추정할 수 있는 방법에 대해 파일럿 테스트 연구를 진행하였다.

2. 본론
2.1 실험 측정 장비 및 방법
2.1.1 근전도 센서 및 부착 위치
손 움직임과 연관된 근전도 신호를 취득하기 위해 Delsys사의 Trigno wireless systems를 사용하였다. 총 8채널의 근전도 센서를 [그림 2,왼쪽] 과 같이 전완근 주위에 나란히 붙여 손가락 움직임에 대한 신호를 취득하였다. 2kHz로 취득한 신호는 순차적으로 Band Pass Filter(20-500Hz)와 RMS (100 Window size)를 통해 전처리 과정을 거쳤다.

2.1.2 모션 글러브 구성
모션 글러브는 Spectra Symbol사의 Flex sensor로 구성되었으며[그림2, 오른쪽], 휨의 정도에 따라 저항 값이 변화하는 특징을 가지고 있다. DAQ의 채널이 4개로 제한되어 있기 때문에 총 4개의 Flex 센서를 사용하여 새끼 손가락을 제외한 나머지 손가락의 움직임을 측정하였다. 해당 데이터는 100Hz의 샘플링 속도로 측정 및 저장하였다.

[그림 2] 실험에 사용된 근전도 센서(좌), 모션 글러브 (우)

2.2 Recurrent Neural Network (RNN)
RNN는 딥러닝 알고리즘 중에 하나로 루프를 가진 순환 신경망 구조를 가지고 있다. 이러한 구조는 이전 출력이 다음의 결과에 영향을 주는 저장형 특징을 가지고 있어, 시간열 데이터에 대해 신경망을 학습시킬 때 많이 사용된다.
본 실험에서는 MATLAB의 Neural Network toolbox를 사용하여 RNN을 구현하였다. 네트워크는 총 10개의 뉴런과 10개의 레이어로 구성하였다. 학습을 위한 입력 데이터는 8ⅹt의 근전도 신호, 출력 데이터는 4ⅹt의 모션 데이터를 사용하였으며, 네트워크의 학습은 CPU로만 진행되었기 때문에 1000번의 iterations, 총 18시간이 걸린 끝에 학습을 완료하였다.

2.3 실험 및 결과
딥러닝 알고리즘 특성상 학습 데이터가 많으면 더욱 강인한 추정 결과를 가져올 수 있지만 본 연구는 선행 연구로, 실험참가자 1인의 측정 데이터로 진행하였다. 측정된 데이터를 학습 데이터와 데이터로 나누었고, 학습 데이터로 RNN을 학습 시킨 다음, 검증 데이터의 근전도 입력 값을 네트워크에 입력하여 출력 값을 확인하였다.
 
실험 결과는 [그림 3]과 같다. 학습된 네트워크에 전처리된 근전도 신호를[그림 2(a)] 입력하였고, 이에 대한 출력으로 [그림 2(c)]와 같은 자세 추정 값이 나왔다. 실제 모션 데이터 값[그림 2(b)]와 비교했을 때 추정 값에서 미세한 진동이 존재하지만 실제와 같은 경향과 크기를 가진 값을 추정해 내었다. 보다 많은 학습 데이터와 적합한 근전도 전처리 방법을 사용하면 미세한 진동을 잡을 수 있을 것이라 전망한다. 

[그림 3] 손가락 자세 추정 실험 결과: (좌) 전처리된 근전도 신호, (중) 손가락의 실제 모션 데이터 값, (우) RNN으로 추정한 모션 데이터 출력값

3. 결론
본 연구에서는 딥러닝 알고리즘인 RNN을 사용하여 근전도 신호를 통해 사람 손가락 자세 추정하는 방법에 대해 제안하였고 선행 실험을 진행하였다. 이를 통해 근전도를 통한 자세 추정 알고리즘의 어려움을 간소화하였고, 자세 추정이 가능하다는 것을 실험 결과를 통해 확인하였다. 향후에는 자세 뿐만 아니라 손가락 각 관절의 각도 또한 추정 가능할 것으로 기대된다.






글쓴이: 김주완 (i)
소속: 지능형융합전공
관심분야: 머신러닝, 근전도 신호 처리, 웨어러블 로봇 개발