KR102619981B1 - 근전도 신호를 이용한 동작 분류 방법 및 장치 - Google Patents

근전도 신호를 이용한 동작 분류 방법 및 장치 Download PDF

Info

Publication number
KR102619981B1
KR102619981B1 KR1020160012914A KR20160012914A KR102619981B1 KR 102619981 B1 KR102619981 B1 KR 102619981B1 KR 1020160012914 A KR1020160012914 A KR 1020160012914A KR 20160012914 A KR20160012914 A KR 20160012914A KR 102619981 B1 KR102619981 B1 KR 102619981B1
Authority
KR
South Korea
Prior art keywords
emg
neural network
artificial neural
motion
data
Prior art date
Application number
KR1020160012914A
Other languages
English (en)
Other versions
KR20170091963A (ko
Inventor
배치성
신진우
진귀혁
권의근
Original Assignee
삼성전자주식회사
한국과학기술원
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전자주식회사, 한국과학기술원 filed Critical 삼성전자주식회사
Priority to KR1020160012914A priority Critical patent/KR102619981B1/ko
Priority to US15/264,999 priority patent/US10866637B2/en
Publication of KR20170091963A publication Critical patent/KR20170091963A/ko
Application granted granted Critical
Publication of KR102619981B1 publication Critical patent/KR102619981B1/ko

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G—PHYSICS
    • G04—HOROLOGY
    • G04G—ELECTRONIC TIME-PIECES
    • G04G21/00—Input or output devices integrated in time-pieces
    • G—PHYSICS
    • G04—HOROLOGY
    • G04G—ELECTRONIC TIME-PIECES
    • G04G21/00—Input or output devices integrated in time-pieces
    • G04G21/02—Detectors of external physical values, e.g. temperature
    • G04G21/025—Detectors of external physical values, e.g. temperature for measuring physiological data
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F1/00—Details not covered by groups G06F3/00 - G06F13/00 and G06F21/00
    • G06F1/16—Constructional details or arrangements
    • G06F1/1613—Constructional details or arrangements for portable computers
    • G06F1/163—Wearable computers, e.g. on a belt
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G06F18/24133—Distances to prototypes
    • G06F18/24137—Distances to cluster centroïds
    • G06F18/2414—Smoothing the distance, e.g. radial basis function networks [RBFN]
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/011—Arrangements for interaction with the human body, e.g. for user immersion in virtual reality
    • G06F3/015—Input arrangements based on nervous system activity detection, e.g. brain waves [EEG] detection, electromyograms [EMG] detection, electrodermal response detection
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F3/00—Input arrangements for transferring data to be processed into a form capable of being handled by the computer; Output arrangements for transferring data from processing unit to output unit, e.g. interface arrangements
    • G06F3/01—Input arrangements or combined input and output arrangements for interaction between user and computer
    • G06F3/017—Gesture based interaction, e.g. based on a set of recognized hand gestures
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/20—Movements or behaviour, e.g. gesture recognition
    • G06V40/28—Recognition of hand or arm movements, e.g. recognition of deaf sign language
    • G—PHYSICS
    • G04—HOROLOGY
    • G04G—ELECTRONIC TIME-PIECES
    • G04G21/00—Input or output devices integrated in time-pieces
    • G04G21/08—Touch switches specially adapted for time-pieces
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Human Computer Interaction (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Biomedical Technology (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Computer Hardware Design (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Neurosurgery (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Dermatology (AREA)
  • Neurology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Multimedia (AREA)
  • Psychiatry (AREA)
  • Social Psychology (AREA)
  • User Interface Of Digital Computer (AREA)
  • Physiology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

근전도 신호를 이용한 동작 분류 장치 및 방법이 개시된다. 일실시예에 따른 동작 분류 장치는 복수개의 채널을 포함하는 근전도 신호 센서로부터 획득된 근전도 데이터 그룹을 이용하여 복수개의 특성(feature)을 추출하는 특성 추출부, 상기 복수개의 특성에 대응하는 근전도 데이터 그룹이 입력되는 입력층, 상기 특성에 대응하는 미리 정해진 동작을 출력하는 출력층을 포함하는 인공 신경망(neural network) 및 상기 인공 신경망을 이용하여, 상기 추출된 복수개의 특성에 대응하는 사용자의 동작을 인식하는 동작 인식부를 포함한다.

Description

근전도 신호를 이용한 동작 분류 방법 및 장치{GESTURE CLASSIFICATION APPARATUS AND METHOD USING ELECTROMYOGRAM SIGNALS}
아래의 설명은 신경망을 이용한 근전도 신호 기반의 동작 특성 분류 기술에 관한 것이다.
안경, 시계 및 의복 등과 같이 착용 가능한 형태로 구현된 웨어러블 디바이스(wearable device)의 상용화가 확산되고 있다. 사용자들은 웨어러블 디바이스에 접촉하여 원하는 정보를 획득하고, 웨어러블 디바이스들 역시 사용자로부터 뇌파, 근전도 신호와 같은 생체 신호를 획득한다.
손바닥 크기의 웨어러블 디바이스를 통해서 사용자 환경이 나날이 개선되고 있다. 하지만, 여전히 웨어러블 디바이스를 동작 시킬 때에는 장비의 착용 위치와 상관없이 손가락을 이용하여 동작을 시켜야 한다는 문제가 있다. 따라서 모바일 시대에 어울리는 좀 더 편리한 소프트웨어의 동작 방법의 필요성이 대두되고 있다.
종래의 근전도 기반 동작 추론 방법에는 2014년 11월 18일에 출원되고, 2015년 11월 16일에 공개된 공개특허공보 제10-2014-0161200호(발명의 명칭: 근전도 센서를 이용한 동작 추론 방법과 시스템)가 있다.
일 실시예에 따른 동작 분류 장치는 복수개의 채널을 포함하는 근전도 신호 센서로부터 획득된 근전도 데이터 그룹을 이용하여 복수개의 특성(feature)을 추출하는 특성 추출부, 상기 복수개의 특성에 대응하는 근전도 데이터 그룹이 입력되는 입력층, 상기 특성에 대응하는 미리 정해진 동작을 출력하는 출력층을 포함하는 인공 신경망(neural network) 및 상기 인공 신경망을 이용하여, 상기 추출된 복수개의 특성에 대응하는 사용자의 동작을 인식하는 동작 인식부를 포함할 수 있다.
동작 분류 장치는 상기 근전도 신호 센서에서 획득된 데이터의 잡음을 제거하고, 정규화하는 전처리부를 더 포함할 수 있다.
이때, 전처리부는, 각 채널에서의 최소 값을 상기 각 채널에서 획득된 데이터에서 추가적으로 제거할 수 있다.
전처리부는, 복수의 채널 중 가장 큰 값을 갖는 채널의 위치를 기준으로 근전도 데이터 그룹을 추출할 수 있다.
특성 추출부는, 상기 채널의 개수에 대응하는 차원의 근전도 데이터 맵을 생성하고, 동작 별 내부 클러스터 분산 값(within cluster variance)과 다른 동작과의 클러스터 분산 값(between cluster variance)의 비율을 기준으로 성능을 계산하여, 미리 정해진 개수의 특성을 추출할 수 있다.
인공 신경망은, 입력층과 출력층 사이에 위치하는 제1 은닉층을 포함하고, 상기 제1 은닉층은 상기 근전도 데이터 그룹 내에서 상기 입력층과 완전 연결될 수 있다.
인공 신경망은, 상기 제1 은닉층과 상기 출력층 사이에 위치하는 제2 은닉층을 포함하고, 상기 제2 은닉층에 포함된 노드의 개수는 상기 출력층에 포함된 노드의 개수보다 많고, 상기 제1 은닉층에 포함된 노드의 개수보다 적을 수 있다.
인공 신경망은, 복수의 사용자들의 동작을 감지한 근전도 신호 센서로부터 획득한 근전도 데이터 그룹에 기반한 일반 학습(general learning)을 통해 학습되고, 해당 사용자의 동작을 감지한 근전도 신호 센서로부터 획득한 근전도 데이터 그룹에 기반한 적응적 학습(adaptation learning)을 통해 학습될 수 있다.
복수개의 특성은, 상기 근전도 신호 센서로부터 출력된 근전도 신호에 대해 미리 정해진 크기의 윈도우를 시간 축으로 이동시킴에 따라 추출될 수 있다.
일 실시예에 따른 동작 분류 방법은, 복수개의 채널에 대한 근전도 데이터 그룹을 획득하는 단계, 근전도 데이터 그룹을 이용하여 복수개의 특성(feature)을 추출하는 단계, 및 인공 신경망을 이용하여, 상기 추출된 복수개의 특성에 대응하는 사용자의 동작을 인식하는 단계를 포함할 수 있다.
특성(feature)을 추출하는 단계는, 상기 채널의 개수에 대응하는 차원의 근전도 데이터 맵을 생성하는 단계, 동작 별 내부 클러스터 분산 값(within cluster variance)과 다른 동작과의 클러스터 분산 값(between cluster variance)의 비율을 기준으로 성능을 계산하는 단계 및 상기 성능에 기초하여 미리 정해진 개수의 특성을 추출하는 단계를 포함할 수 있다.
인공 신경망은, 상기 복수개의 특성에 대응하는 근전도 데이터 그룹이 입력되는 입력층, 상기 특성에 대응하는 미리 정해진 동작을 출력하는 출력층을 포함할 수 있다.
인공 신경망은, 상기 입력층과 상기 출력층 사이에 위치하는 제1 은닉층을 포함하고, 상기 제1 은닉층은 상기 근전도 데이터 그룹 내에서 상기 입력층과 완전 연결될 수 있다.
인공 신경망은, 상기 제1 은닉층과 상기 출력층 사이에 위치하는 제2 은닉층을 포함하고, 상기 제2 은닉층에 포함된 노드의 개수는 상기 출력층에 포함된 노드의 개수보다 많고, 상기 제1 은닉층에 포함된 노드의 개수보다 적을 수 있다.
인공 신경망은, 복수의 사용자들의 동작을 감지한 근전도 신호 센서로부터 획득된 근전도 데이터 그룹에 기반한 일반 학습(general learning)을 통해 학습되고, 해당 사용자의 동작을 감지한 근전도 신호 센서로부터 획득한 근전도 데이터 그룹에 기반한 적응적 학습(adaptation learning)을 통해 학습될 수 있다.
일 실시예에 따른 웨어러블 디바이스는 접촉된 사용자의 신체로부터 복수개의 채널을 통해 입력 근전도 신호를 획득하는 센싱부 및 상기 입력 근전도 신호에 대해 미리 정해진 크기의 윈도우를 시간 축으로 이동시킴으로써 복수개의 특성을 추출하고, 인공 신경망을 이용하여 상기 복수개의 특성에 대응하는 사용자의 동작을 인식하여 상기 동작에 대응하는 명령을 수행하는 프로세서를 포함할 수 있다.
프로세서는, 상기 인공 신경망을 통해 미리 학습된 복수의 사용자들의 기준 근전도 신호를 상기 사용자로부터 획득된 상기 입력 근전도 신호를 이용하여 사용자 특성에 따라 조정할 수 있다.
인공 신경망은 복수개의 특성에 대응하는 근전도 데이터 그룹이 입력되는 입력층, 상기 특성에 대응하는 미리 정해진 동작을 출력하는 출력층을 포함할 수 있다.
도 1은 일 실시예에 따른 웨어러블 디바이스의 구성을 설명하기 위한 도면이다.
도 2는 일 실시예에 따른 웨어러블 디바이스의 센싱부를 구체적으로 설명하기 위한 도면이다.
도 3은 일 실시예에 따른 복수개의 채널을 통해 센싱된 근전도 신호를 설명하기 위한 도면이다.
도 4는 일 실시예에 따른 복수개의 근전도 데이터 그룹에서 전처리를 수행하는 방법을 설명하기 위한 도면이다.
도 5는 일 실시예에 따른 복수개의 근전도 데이터 그룹에서 노이즈를 제거하는 방법을 설명하기 위한 도면이다.
도 6은 일 실시예에 따른 복수개의 근전도 데이터 그룹에서 특징점을 추출하는 방법을 설명하기 위한 도면이다.
도 7은 일 실시예에 따른 근전도 데이터 맵을 설명하기 위한 도면이다.
도 8은 일 실시예에 따른 인공 신경망을 설명하기 위한 도면이다.
도 9는 일 실시예에 따른 동작 분류 방법을 설명하기 위한 흐름도이다.
도 10은 일 실시예에 따른 동작 분류 장치를 설명하기 위한 블록도이다.
실시예들에 대한 특정한 구조적 또는 기능적 설명들은 단지 예시를 위한 목적으로 개시된 것으로서, 다양한 형태로 변경되어 실시될 수 있다. 따라서, 실시예들은 특정한 개시형태로 한정되는 것이 아니며, 본 명세서의 범위는 기술적 사상에 포함되는 변경, 균등물, 또는 대체물을 포함한다.
제1 또는 제2 등의 용어를 다양한 구성요소들을 설명하는데 사용될 수 있지만, 이런 용어들은 하나의 구성요소를 다른 구성요소로부터 구별하는 목적으로만 해석되어야 한다. 예를 들어, 제1 구성요소는 제2 구성요소로 명명될 수 있고, 유사하게 제2 구성요소는 제1 구성요소로도 명명될 수 있다.
어떤 구성요소가 다른 구성요소에 "연결되어" 있다고 언급된 때에는, 그 다른 구성요소에 직접적으로 연결되어 있거나 또는 접속되어 있을 수도 있지만, 중간에 다른 구성요소가 존재할 수도 있다고 이해되어야 할 것이다.
단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 설시된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함으로 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 해당 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미를 가진다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미를 갖는 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
하기에서 설명될 실시예들은 사용자의 근전도 신호를 이용하여 사용자의 동작을 인식(recognize)하는데 사용될 수 있다. 예를 들어, 설명될 실시예들은 사용자의 신체로부터 근전도 신호를 획득하는 센서와 사용자의 동작 인식 결과를 출력하는 디스플레이를 포함하는 웨어러블 디바이스 형태로 구현될 수 있다.
이하, 실시예들을 첨부된 도면들을 참조하여 상세하게 설명한다. 첨부 도면을 참조하여 설명함에 있어, 도면 부호에 관계없이 동일한 구성 요소는 동일한 참조 부호를 부여하고, 이에 대한 중복되는 설명은 생략하기로 한다.
도 1은 일 실시예에 따른 웨어러블 디바이스의 구성을 설명하기 위한 도면이다.
도 1을 참조하면, 일 실시예에 따른 웨어러블 디바이스(100)는 센싱부(110), 프로세서(120) 및 출력부(130)를 포함할 수 있다. 도면에서는 웨어러블 디바이스(100)가 손목시계 형태로 도시되어 있으나, 웨어러블 디바이스는 사용자 몸에 부착할 수 있는 모든 형태의 디바이스를 포함할 수 있다.
일 실시예에 따른 센싱부(110)는 접촉된 사용자의 신체로부터 복수개의 채널을 통해 입력 근전도 신호를 획득할 수 있다.
센싱부(110)에 대한 보다 구체적인 설명은 도 2에서 하도록 한다.
일 실시예에 따른 프로세서(120)는 인공 신경망을 통해 입력 근전도 신호를 학습하고, 학습 결과를 바탕으로 접촉된 사용자의 동작을 인식하여 동작에 대응하는 명령을 수행할 수 있다.
인공 신경망을 통해 미리 학습된 복수의 사용자들의 기준 근전도 신호를 상기 사용자로부터 획득된 상기 입력 근전도 신호를 이용하여 사용자 특성에 따라 조정할 수 있다.
인공 신경망은 복수개의 특성에 대응하는 근전도 데이터 그룹이 입력되는 입력층, 상기 특성에 대응하는 미리 정해진 동작을 출력하는 출력층을 포함할 수 있다.
일 실시예에 따른 프로세서(120)는 획득한 근전도 신호에 대해 웨이블릿 변환(Wavelet Transform)을 수행할 수 있다. 웨이블릿 변환은 비 정상 상태 신호인 근 전도 신호에 가장 적합한 주파수 변환 방식으로 주파수 변환을 통해 다른 시각에서 근 전도 신호를 관측하는 것을 말한다.
프로세서(120)는 변환된 근전도 신호를 재건(Reconstruction)할 수 있다. 이는 주파수 변환을 통해 얻은 데이터를 통해 다시 시간 영역의 근전도 신호를 얻어내는 과정을 말한다.
프로세서(120)는 전처리된 근전도 신호에서 수학적인 특성들을 추출할 수 있다. 이때, 추출한 여러 특성들 중 성능 측정 기준에 맞추어 측정 후 값이 높은 특성 선택할 수 있다.
프로세서(120)는 최종적으로 얻어낸 여러 근 전도 신호의 특성들을 토대로 기계 학습 알고리즘을 적용해 동작을 분류할 수 있다. 기계 학습 알고리즘에 대해서는 도 8에서 보다 상세하게 설명하도록 한다.
일 실시예에 따른 출력부(130)는 인공 신경망을 통해 학습된 결과 또는 인공 신경망을 통해 인식된 동작에 대응하는 명령을 디스플레이할 수 있다.
도 2는 일 실시예에 따른 웨어러블 디바이스의 센싱부를 구체적으로 설명하기 위한 도면이다.
도 2를 참조하면 웨어러블 디바이스(200)의 복수 개의 채널(210, 220, 230)을 구비한 센싱부를 확인할 수 있다. 이때, 일 실시예에 따르면, 센싱부는 손목 시계 형태의 웨어러블 디바이스의 디스플레이 뒷면이 될 수 있다. 다른 일 실시예에 따르면, 센싱부는 손목 시계 형태의 웨어러블 디바이스의 손목 스트랩(strap) 부분에 위치할 수 있다.
이때, 센싱부는 복수개의 채널(210, 220, 230)을 포함할 수 있다. 도 2에서는 3개의 채널로 표시되어 있으나, 채널의 수는 적어도 2개의 채널을 포함할 수 있다. 하나의 채널에는 양극(211), 음극(212) 및 그라운드(213)가 포함될 수 있다.
따라서, 웨어러블 디바이스(200)는 하나의 동작에서 채널의 개수만큼의 근전도 데이터 그룹을 획득할 수 있다.
도 3은 일 실시예에 따른 복수개의 채널을 통해 센싱된 근전도 신호를 설명하기 위한 도면이다.
도 3을 참조하면, 복수 개의 채널을 통해 센싱된 근전도 신호를 확인할 수 있다. 이때, 채널 1에서의 근전도 신호의 세기가 가장 크고, 채널 2에서의 근전도 신호는 약간 존재하며, 채널 3에서의 근전도 신호는 거의 없는 것을 확인할 수 있다.
도 4는 일 실시예에 따른 근전도 데이터에서 윈도우를 이용해서 특성을 추출하는 방법을 설명하기 위한 도면이다.
도 4를 참조하면, 어느 시점에서 동작이 있었는지를 알기 위해서, 근전도 센서를 통해 근전도 데이터를 획득할 수 있다. 이때, 전체 데이터를 쓰는 것이 아니라, 특성이 나타난 부분의 근전도 데이터만을 추출해서 사용할 수 있다. 도 4의 실시예에서는 작은 크기의 특성 윈도우(410)를 이용하여 시간에 대해서 윈도우를 옆으로 슬라이딩 시키면서 특성이 나타난 부분을 추출할 수 있다.
즉, 동작 분류 장치는 센싱된 근전도 데이터에 작은 크기의 윈도우를 이용하여 옆으로 이동(moving) 시키면서 특성 값을 추출할 수 있다. 이렇게 작은 윈도우를 이용하면 하나의 근전도 데이터에서 특성 하나에 대하여 여러 개의 특성 값을 추출해 낼 수 있는다. 이때, 특성 값이란, 이동 평균(Moving Average), 평균 제곱근 오차(RMSE), 진폭(amplitude), 부호 변화점(Zero-crossing) 및 미분값 변화 중 적어도 하나를 포함할 수 있다.
예를 들면, 동작 분류 장치는 부착된 센서를 이용하여 사용자가 동작을 취할 때 마다 발생하는 근전도 신호를 획득할 수 있다. 웨어러블 디바이스는 근전도 신호의 최대 값을 기준으로 얻어낸 하나의 근전도 신호를 잡음 제거와 정규화 과정을 거쳐 신호를 전처리 할 수 있다. 이렇게 정제된 신호를 이산 웨이블렛 변환(Discrete Wavelet Transform)과 재건(Reconstruction) 과정을 통하여 여러 관점에서의 근전도 데이터를 습득할 수 있다.
동작 분류 장치는 추출된 모든 특성값들을 전부 사용하지 않고 미리 정한 기준에 의하여 값을 취하게 된다. 이런 방식을 취함으로써 동작 분류 장치는 좀 더 정밀한 근전 도 신호의 특성 값들을 추출해 낼 수 있게 된다.
도 5는 일 실시예에 따른 복수개의 근전도 데이터 그룹에서 노이즈를 제거하는 방법을 설명하기 위한 도면이다.
도 5를 참조하면, 제1 채널에서 획득된 근전도 데이터(510), 제2 채널에서 획득된 근전도 데이터(520), 제3 채널에서 획득된 근전도 데이터(530)를 확인할 수 있다. 이때, 실시예에서는 3개의 채널을 가정하고 있으나, 채널의 개수는 이에 한정되지 아니하고, 2개 이상의 채널이 될 수 있다.
이때, 동작 분류 장치는 각 근전도 데이터에서 추가적인 잡음 제거를 위해서 각 센서에서 얻어진 최소 값(540)을 구할 수 있다. 이후, 동작 분류 장치는 각 채널 별로 최소 값들을 빼서 근전도 데이터에서 추가적인 노이즈 제거를 수행할 수 있다.
도 6은 일 실시예에 따른 복수개의 근전도 데이터 그룹에서 특성을 추출하는 방법을 설명하기 위한 도면이다.
도 6을 참조하면, 동작 분류 장치는 3 개의 근전도 데이터를 포함하는 근전도 데이터 그룹에서 가장 큰 값을 가지는 위치(610)를 기준으로 근전도 데이터 그룹을 추출할 수 있다. 이때, 제2 채널과 제3 채널에서 획득된 근전도 데이터는 값이 상대적으로 매우 작지만, 실시예에 따른 동작 분류 장치는 근전도 데이터 그룹 전체로써 미리 정해진 동작에 대한 상관 관계가 있는 것으로 보고 하나의 그룹으로 추출할 수 있다.
도 7은 일 실시예에 따른 근전도 데이터 맵을 설명하기 위한 도면이다.
도7을 참조하면, 채널의 개수에 대응하는 수의 차원에 대한 근전도 데이터 맵을 확인할 수 있다. 도 7(a) 및 도 7(b)는 동작 별 특성의 분포를 나타내는 근전도 데이터 맵이다. 이때, 동일한 모양의 값들이 동일한 동작을 나타내는 것이다. 이때, 같은 동작들을 원으로 묶어 보았을 때, 도 7(a)에서는 동작 별로 특성들이 명확하게 구분되어 있는 것을 확인할 수 있다. 하지만, 도 7(b)에서는 동작 별로 특성들이 명확하게 구분되어 있지 않은 것을 확인할 수 있다. 따라서, 도 7(a)는 특성의 성능이 좋은 것이고, 도 7(b)는 특성의 성능이 좋지 않은 것으로 볼 수 있다. 따라서, 도 7(a)에서 사용된 특성들을 선택하면 동작의 분류를 보다 정확하게 할 수 있다.
이를 수학적으로 생각해보면, 동작 분류 장치는 동작 별 내부 클러스터 분산 값(within cluster variance)과 다른 동작과의 클러스터 분산 값(between cluster variance)의 비율을 기준으로 성능을 계산할 수 있다.
일 실시예에 따르면, 동작 분류 장치는 여러 특성들로 얻어낸 값들을 전부 사용하지 않고 데이터 간의 클러스터를 이용한 성능측정 방식을 통해 계산된 특성들 중 미리 정해진 개수의 특성만 선택하여 사용할 수 있다.
다음으로 이렇게 선택된 상위 ‘n’개의 특성 들을 분류 알고리즘에 사용할 수 있다.
도 8은 일 실시예에 따른 인공 신경망을 설명하기 위한 도면이다.
도 8을 참조하면, 인공 신경망은 복수개의 특성에 대응하는 근전도 데이터 그룹이 입력되는 입력층(810, 820, 830, ..., 8n0) 및 특성에 대응하는 미리 정해진 동작을 출력하는 출력층(861, 862, 863, 864)을 포함할 수 있다.
이때, 일 실시예에 따르면, 인공 신경망의 입력층은 채널 별 데이터가 모두 독립적으로 동작하지 않고, 특성에 종속적으로 동작하게 된다. 즉, 제1 특성(810)은 3개의 채널 값(811, 812, 813)을 가질 수 있다. 인공 신경망은 입력층과 출력층 사이에 위치하는 제1 은닉층(841, 842, 843, 844)을 포함할 수 있다. 이때, 제1 특성의 각 채널 값은 모든 제1 은닉층에 연결되지 않고, 제1 특성에 대응하는 제1 은닉층(841)에만 연결이 되게 된다.
또, 제2 특성(820)은 3개의 채널 값(821, 822, 823)을 가질 수 있다. 이때, 제2 특성의 각 채널 값은 모든 제1 은닉층에 연결되지 않고, 제2 특성에 대응하는 제1 은닉층(842)에만 연결이 되게 된다.
제3 특성(830)은 3개의 채널 값(831, 832, 833)을 가질 수 있다. 이때, 제3 특성의 각 채널 값은 모든 제1 은닉층에 연결되지 않고, 제3 특성에 대응하는 제1 은닉층(843)에만 연결이 되게 된다.
마찬가지로, 제n 특성(8n0)은 3개의 채널 값(8n1, 8n2, 8n3)을 가질 수 있다. 이때, 제n 특성의 각 채널 값은 모든 제1 은닉층에 연결되지 않고, 제n 특성에 대응하는 제1 은닉층(84n)에만 연결이 되게 된다.
즉, 각각의 특성에서 얻어진 값 들을 먼저 제1 은닉층에서 지역적으로 완전 연결된 구조를 만들어 각 특성 에서 먼저 선별적인 정보를 얻어내는 과정을 거친 후 하나의 큰 인공 신경망의 입력으로 완전 연결하여 동작을 분류할 수 있다.
제1 은닉층의 지역적 네트워크의 노드는 정보를 압축시키기 위하여 노드의 개수를 작게 할 수도 있고 정보를 확장 시키기 위하여 더 크게 설정 할 수 도 있다.
여기서는 센서의 개수를 3개의 채널로 보고 각 특성에 3개의 근전도 데이터를 포함하고 있으나, 채널의 개수는 센서의 개수에 종속하므로 2개 이상의 어느 값이나 될 수 있다.
예를 들면, 사용자가 미리 정해진 동작을 취하면, 동작 분류 장치는 'k'개의 센서로 근전도 신호를 측정하고, 특성 추출 과정을 통해 'k'차원의 데이터를 얻을 수 있다. 동작 분류 장치는 동작을 취했을 시 얻어지는 'k'차원의 데이터가 상관관계가 있다고 가정하여 모든 채널에서 얻어지는 특성 데이터를 한 묶음으로 하여 성능을 측정할 수 있다.
즉, 일 실시예에 따른 동작 분류 장치는 하나의 특성으로부터 추출된 값 들이 서로 상관관계를 가지고 있다고 가정하여 알고리즘을 설계할 수 있다. 사용자가 동작을 취할 때 센서의 개수만큼 신호가 들어오게 되는데 이 신호들로부터 평균 제곱근 값을 추출하면 센서의 개수(k)만큼의 값들을 얻을 수 있다. 특성 하나로부터 얻어진 값들 간에는 상관 관계가 존재하기 때문에 기계학습 알고리즘 내에서 이러한 부분을 반영하여 동작을 더 잘 분류할 수 있다. 이를 통해서 기존의 기계학습 알고리즘 보다 향상된 동작 분류율을 얻을 수 있다.
일 실시예에 따르면, 인공 신경망은 제1 은닉층(841, 842, 843, ..., 84n)과 출력층(861, 862, 863, 864) 사이에 위치하는 제2 은닉층(851, 852, 853, 854, ..., 85x)을 포함할 수 있다.
이때, 제2 은닉층에 포함된 노드의 개수(x)는 출력층에 포함된 노드의 개수보다 많고, 제1 은닉층에 포함된 노드의 개수보다 적은 값이 될 수 있다. 실험에 의하면, 총 특성의 개수가 13개인 경우, 제1 은닉층 노드의 개수가 13개, 제2 은닉층 노드의 개수가 7개일 때, 가장 정확한 결과를 나타낼 수 있다.
이때, 인공 신경망(Neural Network)은 입력 데이터를 이용하여 기계 학습을 수행하는 컴퓨팅 장치를 나타낼 수 있다. 예시적으로, 입력 데이터는 웨어러블 디바이스를 통해 획득된 사용자의 생체 신호일 수 있다. 보다 구체적으로, 생체 신호는 근전도(EMG: electromyogram) 신호일 수 있다. 인공 신경망은 동작 분류 장치에 포함될 수 있다. 또한, 각 노드(node)들은 인공 신경망 내에 포함되는 인공 뉴런(artificial neuron)을 나타낼 수 있다.
더하여, 기계 학습에 따라 동작 분류 장치는 독립된 인공 신경망 각각의 입력층 노드의 개수, 은닉층의 수, 은닉층의 노드의 개수 및 노드들의 연결 관계를 결정할 수 있다. 또한, 인공 신경망 내에서 입력층 노드와 출력층 노드를 연결하는 은닉층 노드의 개수가 감소될 수 있다.
도 9는 일 실시예에 따른 동작 분류 방법을 설명하기 위한 흐름도이다.
도 9를 참조하면, 단계(910)에서, 동작 분류 장치는 복수의 채널에 대한 근전도 데이터 그룹을 획득할 수 있다. 여기서 복수의 채널은 센서의 개수에 대응하는 수의 채널로, 하나의 동작을 복수의 센서를 이용해서 획득하는 것을 의미한다. 근전도 데이터 그룹은 채널 별로 근전도 데이터를 관리하는 것이 아니라 하나의 동작에 대응하여 복수의 센서를 통해 획득한 근전도 데이터를 그룹핑하여 하나의 특성으로 보고 관리하는 것을 말한다.
예를 들면, 동작 분류 장치는 3개의 센서를 포함하는 근전도 측정 장치로부터 근전도 데이터 그룹을 획득할 수 있다.
이때, 동작 분류 장치는 획득한 근전도 데이터 그룹에 대한 전처리를 수행할 수 있다. 즉, 습득한 근전도 데이터 그룹에서 잡음을 제거하고 정규화를 통해 불규칙성을 억제할 수 있다.
단계(920)에서, 동작 분류 장치는 근전도 데이터 그룹에 대한 특성을 추출할 수 있다.
여기서, 특성을 추출하는 단계는, 채널의 개수에 대응하는 차원의 근전도 데이터 맵을 생성하는 단계, 동작 별 내부 클러스터 분산 값(within cluster variance)과 다른 동작과의 클러스터 분산 값(between cluster variance)의 비율을 기준으로 성능을 계산하는 단계 및 성능에 기초하여 미리 정해진 개수의 특성을 추출하는 단계를 포함할 수 있다.
단계(930)에서, 동작 분류 장치는 인공 신경망을 이용하여 추출된 복수개의 특성에 대응하는 사용자의 동작을 인식할 수 있다.
여기서, 인공 신경망은, 복수개의 특성에 대응하는 근전도 데이터 그룹이 입력되는 입력층, 특성에 대응하는 미리 정해진 동작을 출력하는 출력층을 포함할 수 있다.
인공 신경망은, 입력층과 출력층 사이에 위치하는 제1 은닉층을 포함할 수 있다. 이때, 제1 은닉층은 근전도 데이터 그룹 내에서 입력층과 완전 연결될 수 있다.
또, 인공 신경망은, 제1 은닉층과 출력층 사이에 위치하는 제2 은닉층을 포함할 수 있다. 이때, 제2 은닉층에 포함된 노드의 개수는 출력층에 포함된 노드의 개수보다 많고, 제1 은닉층에 포함된 노드의 개수보다 적다.
인공 신경망은, 복수의 사용자들의 동작을 감지한 근전도 신호 센서로부터 획득된 근전도 데이터 그룹에 기반한 일반 학습(general learning)을 통해 학습되고, 해당 사용자의 동작을 감지한 근전도 신호 센서로부터 획득한 근전도 데이터 그룹에 기반한 적응적 학습(adaptation learning)을 통해 학습될 수 있다.
도 10은 일 실시예에 따른 동작 분류 장치를 설명하기 위한 블록도이다.
도 10을 참조하면, 동작 분류 장치(1000)는 전처리부(1010), 특성 추출부(1020), 인공 신경망(1030) 및 동작 인식부(1040)를 포함할 수 있다.
일 실시예에 따른 동작 분류 장치(1000)는 근전도 신호 센서(1050)로부터 근전도 데이터를 수신할 수 있다.
동작 분류 장치(1000)는 휴대용 전자 장치에 구현(또는 탑재)될 수 있다. 휴대용 전자 장치는 랩탑(laptop) 컴퓨터, 이동 전화기, 스마트 폰(smart phone), 태블릿(tablet) PC, 모바일 인터넷 디바이스(mobile internet device(MID)), PDA(personal digital assistant), EDA(enterprise digital assistant), 휴대용 게임 콘솔(handheld console), e-북(e-book), 또는 스마트 디바이스(smart device)로 구현될 수 있다. 예를 들어, 스마트 디바이스는 스마트 워치(smart watch) 또는 스마트 밴드(smart band)로 구현될 수 있다.
일 실시예에 따른 전처리부(1010)는, 근전도 신호 센서에서 획득된 데이터의 잡음을 제거하고, 정규화할 수 있다.
이때, 전처리부(1010)는, 전처리부는, 각 채널에서의 최소 값을 각 채널에서 획득된 데이터에서 추가적으로 제거할 수 있다.
전처리부(1010)는, 복수의 채널 중 가장 큰 값을 갖는 채널의 위치를 기준으로 근전도 데이터 그룹을 추출할 수 잇다.
일 실시예에 따른 특성 추출부(1020)는, 복수개의 채널을 포함하는 근전도 신호 센서로부터 획득된 근전도 데이터 그룹을 이용하여 복수개의 특성(feature)을 추출할 수 있다.
특성 추출부(1020)는, 채널의 개수에 대응하는 차원의 근전도 데이터 맵을 생성하고, 동작 별 내부 클러스터 분산 값(within cluster variance)과 다른 동작과의 클러스터 분산 값(between cluster variance)의 비율을 기준으로 성능을 계산하여, 미리 정해진 개수의 특성을 추출할 수 있다.
일 실시예에 따른 인공 신경망(1030)은, 복수개의 특성에 대응하는 근전도 데이터 그룹이 입력되는 입력층, 특성에 대응하는 미리 정해진 동작을 출력하는 출력층을 포함할 수 있다.
인공 신경망은, 입력층과 출력층 사이에 위치하는 제1 은닉층을 포함할 수 있다. 제1 은닉층은 상기 근전도 데이터 그룹 내에서 상기 입력층과 완전 연결할 수 있다.
일 실시예에 따른 동작 인식부(1040)는 근전도 데이터를 이용해서 사용자의 동작을 인식할 수 있다.
예를 들면, 손을 완전히 편 채로 손바닥이 아래로 향하게 하는 제스처를 취하면, 근전도 신호 센서의 제1 채널과 제2 채널의 신호가 강하게 수신될 수 있다. 이때, 전처리된 근전도 데이터를 통해서 동작 인식부(1040)는 사용자의 제스처가 손을 완전히 편 채로 손바닥이 아래로 향하게 하는 제스처임을 판단할 수 있다.
다른 예를 들면, 엄지 손가락을 들면, 근전도 신호 센서의 제1 채널에만 신호가 강하게 수신될 수 있다. 이때, 전처리된 근전도 데이터를 통해서 동작 인식부(1040)는 사용자의 제스처가 엄지 손가락을 드는 제스처임을 판단할 수 있다.
또 다른 예를 들면, 새끼 손가락만 피는 제스처를 취하면, 근전도 신호 센서의 제3 채널의 신호가 강하게 수신될 수 있다. 이때, 전처리된 근전도 데이터를 통해서 동작 인식부(1040)는 사용자의 제스처가 새끼 손가락만 피는 제스처임을 판단할 수 있다.
또 다른 예를 들면, 검지 손가락만 피는 제스처를 취하면, 근전도 신호 센서의 제2 채널의 신호만 강하게 수신될 수 있다. 이때, 전처리된 근전도 데이터를 통해서 동작 인식부(1040)는 사용자의 제스처가 검지 손가락만 피는 제스처임을 판단할 수 있다.
이상과 같이 비록 한정된 실시예에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다.
일 실시예에 따른 인공 신경망은, 특성 추출부(1020)에 의해 추출된 특성을 학습데이터로 하여 인공 신경망의 입력층에 입력하고, 기계 학습(machine learning)을 통해 특성과 미리 정해진 동작 간의 가중치(weight)를 학습할 수 있다.
이때, 인공 신경망은 동작 인식부에서 인식된 동작과 특성 추출부에서 추출된 특성 간의 매칭을 통해 학습될 수 있다.
이상에서 설명된 실시예들은 하드웨어 구성요소, 소프트웨어 구성요소, 및/또는 하드웨어 구성요소 및 소프트웨어 구성요소의 조합으로 구현될 수 있다. 예를 들어, 실시예들에서 설명된 장치, 방법 및 구성요소는, 예를 들어, 프로세서, 콘트롤러, ALU(arithmetic logic unit), 디지털 신호 프로세서(digital signal processor), 마이크로컴퓨터, FPGA(field programmable gate array), PLU(programmable logic unit), 마이크로프로세서, 또는 명령(instruction)을 실행하고 응답할 수 있는 다른 어떠한 장치와 같이, 하나 이상의 범용 컴퓨터 또는 특수 목적 컴퓨터를 이용하여 구현될 수 있다. 처리 장치는 운영 체제(OS) 및 상기 운영 체제 상에서 수행되는 하나 이상의 소프트웨어 애플리케이션을 수행할 수 있다. 또한, 처리 장치는 소프트웨어의 실행에 응답하여, 데이터를 접근, 저장, 조작, 처리 및 생성할 수도 있다. 이해의 편의를 위하여, 처리 장치는 하나가 사용되는 것으로 설명된 경우도 있지만, 해당 기술분야에서 통상의 지식을 가진 자는, 처리 장치가 복수 개의 처리 요소(processing element) 및/또는 복수 유형의 처리 요소를 포함할 수 있음을 알 수 있다. 예를 들어, 처리 장치는 복수 개의 프로세서 또는 하나의 프로세서 및 하나의 콘트롤러를 포함할 수 있다. 또한, 병렬 프로세서(parallel processor)와 같은, 다른 처리 구성(processing configuration)도 가능하다.
소프트웨어는 컴퓨터 프로그램(computer program), 코드(code), 명령(instruction), 또는 이들 중 하나 이상의 조합을 포함할 수 있으며, 원하는 대로 동작하도록 처리 장치를 구성하거나 독립적으로 또는 결합적으로(collectively) 처리 장치를 명령할 수 있다. 소프트웨어 및/또는 데이터는, 처리 장치에 의하여 해석되거나 처리 장치에 명령 또는 데이터를 제공하기 위하여, 어떤 유형의 기계, 구성요소(component), 물리적 장치, 가상 장치(virtual equipment), 컴퓨터 저장 매체 또는 장치, 또는 전송되는 신호 파(signal wave)에 영구적으로, 또는 일시적으로 구체화(embody)될 수 있다. 소프트웨어는 네트워크로 연결된 컴퓨터 시스템 상에 분산되어서, 분산된 방법으로 저장되거나 실행될 수도 있다. 소프트웨어 및 데이터는 하나 이상의 컴퓨터 판독 가능 기록 매체에 저장될 수 있다.
실시예에 따른 방법은 다양한 컴퓨터 수단을 통하여 수행될 수 있는 프로그램 명령 형태로 구현되어 컴퓨터 판독 가능 매체에 기록될 수 있다. 컴퓨터 판독 가능 매체는 프로그램 명령, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다. 컴퓨터 판독 가능 매체에 기록되는 프로그램 명령은 실시예를 위하여 특별히 설계되고 구성된 것들이거나 컴퓨터 소프트웨어 당업자에게 공지되어 사용 가능한 것일 수도 있다. 컴퓨터 판독 가능 기록 매체의 예에는 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체(magnetic media), CD-ROM, DVD와 같은 광기록 매체(optical media), 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 롬(ROM), 램(RAM), 플래시 메모리 등과 같은 프로그램 명령을 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다. 프로그램 명령의 예에는 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드를 포함한다. 상기된 하드웨어 장치는 실시예의 동작을 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상과 같이 실시예들이 비록 한정된 도면에 의해 설명되었으나, 해당 기술분야에서 통상의 지식을 가진 자라면 상기를 기초로 다양한 기술적 수정 및 변형을 적용할 수 있다. 예를 들어, 설명된 기술들이 설명된 방법과 다른 순서로 수행되거나, 및/또는 설명된 시스템, 구조, 장치, 회로 등의 구성요소들이 설명된 방법과 다른 형태로 결합 또는 조합되거나, 다른 구성요소 또는 균등물에 의하여 대치되거나 치환되더라도 적절한 결과가 달성될 수 있다.

Claims (19)

  1. 적어도 하나의 프로세서를 포함하고, 상기 적어도 하나의 프로세서에 의해 적어도 일시적으로 구현되는,
    복수개의 채널을 포함하는 근전도 신호 센서로부터 획득된 근전도 데이터 그룹을 이용하여 복수개의 특성(feature)을 추출하고, 상기 채널의 개수에 대응하는 차원의 근전도 데이터 맵을 생성하는 특성 추출부;
    상기 복수개의 특성에 대응하는 근전도 데이터 그룹이 입력되는 입력층, 상기 특성에 대응하는 미리 정해진 동작을 출력하는 출력층을 포함하는 인공 신경망(neural network); 및
    상기 인공 신경망을 이용하여, 상기 추출된 복수개의 특성에 대응하는 사용자의 동작을 인식하는 동작 인식부
    를 포함하고,
    상기 근전도 데이터 맵은 각 제스처에 대한 특성들의 분포를 나타내고,
    상기 복수개의 특성은 근전도 신호 센서로부터 출력되는 근전도 신호에 대해 미리 정해진 크기의 윈도우를 시간 축으로 이동시킴으로써 추출되는 동작 분류 장치.
  2. 제1항에 있어서,
    상기 근전도 신호 센서에서 획득된 데이터의 잡음을 제거하고, 정규화하는 전처리부를 더 포함하는
    동작 분류 장치.
  3. 제2항에 있어서,
    상기 전처리부는,
    각 채널에서의 최소 값을 상기 각 채널에서 획득된 데이터에서 추가적으로 제거하는
    동작 분류 장치.
  4. 제2항에 있어서,
    상기 전처리부는,
    복수의 채널 중 가장 큰 값을 갖는 채널의 위치를 기준으로 근전도 데이터 그룹을 추출하는
    동작 분류 장치.
  5. 제1항에 있어서,
    상기 특성 추출부는,
    동작 별 내부 클러스터 분산 값(within cluster variance)과 다른 동작과의 클러스터 분산 값(between cluster variance)의 비율을 기준으로 성능을 계산하여, 미리 정해진 개수의 특성을 추출하는
    동작 분류 장치.
  6. 제1항에 있어서,
    상기 인공 신경망은,
    상기 입력층과 상기 출력층 사이에 위치하는 제1 은닉층을 포함하고,
    상기 제1 은닉층은 상기 근전도 데이터 그룹 내에서 상기 입력층과 완전 연결되는
    동작 분류 장치.
  7. 제6항에 있어서,
    상기 인공 신경망은,
    상기 제1 은닉층과 상기 출력층 사이에 위치하는 제2 은닉층을 포함하고,
    상기 제2 은닉층에 포함된 노드의 개수는 상기 출력층에 포함된 노드의 개수보다 많고, 상기 제1 은닉층에 포함된 노드의 개수보다 적은
    동작 분류 장치.
  8. 제1항에 있어서,
    상기 인공 신경망은,
    복수의 사용자들의 동작을 감지한 근전도 신호 센서로부터 획득한 근전도 데이터 그룹에 기반한 일반 학습(general learning)을 통해 학습되고,
    해당 사용자의 동작을 감지한 근전도 신호 센서로부터 획득한 근전도 데이터 그룹에 기반한 적응적 학습(adaptation learning)을 통해 학습되는
    동작 분류 장치.
  9. 삭제
  10. 전자 장치에 의해 수행되는 동작 분류 방법에 있어서,
    복수개의 채널에 대한 근전도 데이터 그룹을 획득하는 단계;
    상기 채널의 개수에 대응하는 차원의 근전도 데이터 맵을 생성함으로써, 상기 근전도 데이터 그룹을 이용하여 복수개의 특성(feature)을 추출하는 단계; 및
    인공 신경망을 이용하여, 상기 추출된 복수개의 특성에 대응하는 사용자의 동작을 인식하는 단계
    를 포함하고,
    상기 근전도 데이터 맵은 각 제스처에 대한 특성들의 분포를 나타내고,
    상기 복수개의 특성은 근전도 신호 센서로부터 출력되는 근전도 신호에 대해 미리 정해진 크기의 윈도우를 시간 축으로 이동시킴으로써 추출되는 동작 분류 방법.
  11. 제10항에 있어서,
    상기 특성(feature)을 추출하는 단계는,
    동작 별 내부 클러스터 분산 값(within cluster variance)과 다른 동작과의 클러스터 분산 값(between cluster variance)의 비율을 기준으로 성능을 계산하는 단계; 및
    상기 성능에 기초하여 미리 정해진 개수의 특성을 추출하는 단계
    를 포함하는 동작 분류 방법.
  12. 제10항에 있어서,
    상기 인공 신경망은,
    상기 복수개의 특성에 대응하는 근전도 데이터 그룹이 입력되는 입력층, 상기 특성에 대응하는 미리 정해진 동작을 출력하는 출력층을 포함하는
    동작 분류 방법.
  13. 제12항에 있어서,
    상기 인공 신경망은,
    상기 입력층과 상기 출력층 사이에 위치하는 제1 은닉층을 포함하고,
    상기 제1 은닉층은 상기 근전도 데이터 그룹 내에서 상기 입력층과 완전 연결되는
    동작 분류 방법.
  14. 제13항에 있어서,
    상기 인공 신경망은,
    상기 제1 은닉층과 상기 출력층 사이에 위치하는 제2 은닉층을 포함하고,
    상기 제2 은닉층에 포함된 노드의 개수는 상기 출력층에 포함된 노드의 개수보다 많고, 상기 제1 은닉층에 포함된 노드의 개수보다 적은
    동작 분류 방법.
  15. 제10항에 있어서,
    상기 인공 신경망은,
    복수의 사용자들의 동작을 감지한 근전도 신호 센서로부터 획득된 근전도 데이터 그룹에 기반한 일반 학습(general learning)을 통해 학습되고,
    해당 사용자의 동작을 감지한 근전도 신호 센서로부터 획득한 근전도 데이터 그룹에 기반한 적응적 학습(adaptation learning)을 통해 학습되는
    를 포함하는 동작 분류 방법.
  16. 하드웨어와 결합되어 제10항 내지 제15항 중 어느 하나의 항의 방법을 실행시키기 위하여 매체에 저장된 컴퓨터 프로그램.
  17. 접촉된 사용자의 신체로부터 복수개의 채널을 통해 입력 근전도 신호를 획득하는 근전도 신호 센서;
    근전도 신호 센서로부터 출력되는 상기 입력 근전도 신호에 대해 미리 정해진 크기의 윈도우를 시간 축으로 이동시킴으로써 복수개의 특성을 추출하고, 상기 채널의 개수에 대응하는 차원의 근전도 데이터 맵을 생성하고, 인공 신경망을 이용하여 상기 복수개의 특성에 대응하는 사용자의 동작을 인식하여 상기 동작에 대응하는 명령을 수행하는 프로세서; 및
    를 포함하고,
    상기 근전도 데이터 맵은 각 제스처에 대한 특성들의 분포를 나타내는 웨어러블 디바이스.
  18. 제17항에 있어서,
    상기 프로세서는,
    상기 인공 신경망을 통해 미리 학습된 복수의 사용자들의 기준 근전도 신호를 상기 사용자로부터 획득된 상기 입력 근전도 신호를 이용하여 사용자 특성에 따라 조정하는
    웨어러블 디바이스.
  19. 제18항에 있어서,
    상기 인공 신경망은
    복수개의 특성에 대응하는 근전도 데이터 그룹이 입력되는 입력층, 상기 특성에 대응하는 미리 정해진 동작을 출력하는 출력층을 포함하는 웨어러블 디바이스.
KR1020160012914A 2016-02-02 2016-02-02 근전도 신호를 이용한 동작 분류 방법 및 장치 KR102619981B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020160012914A KR102619981B1 (ko) 2016-02-02 2016-02-02 근전도 신호를 이용한 동작 분류 방법 및 장치
US15/264,999 US10866637B2 (en) 2016-02-02 2016-09-14 Gesture classification apparatus and method using EMG signal

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160012914A KR102619981B1 (ko) 2016-02-02 2016-02-02 근전도 신호를 이용한 동작 분류 방법 및 장치

Publications (2)

Publication Number Publication Date
KR20170091963A KR20170091963A (ko) 2017-08-10
KR102619981B1 true KR102619981B1 (ko) 2024-01-02

Family

ID=59387575

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160012914A KR102619981B1 (ko) 2016-02-02 2016-02-02 근전도 신호를 이용한 동작 분류 방법 및 장치

Country Status (2)

Country Link
US (1) US10866637B2 (ko)
KR (1) KR102619981B1 (ko)

Families Citing this family (35)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US11921471B2 (en) 2013-08-16 2024-03-05 Meta Platforms Technologies, Llc Systems, articles, and methods for wearable devices having secondary power sources in links of a band for providing secondary power in addition to a primary power source
US20150124566A1 (en) 2013-10-04 2015-05-07 Thalmic Labs Inc. Systems, articles and methods for wearable electronic devices employing contact sensors
WO2015081113A1 (en) 2013-11-27 2015-06-04 Cezar Morun Systems, articles, and methods for electromyography sensors
US11635736B2 (en) 2017-10-19 2023-04-25 Meta Platforms Technologies, Llc Systems and methods for identifying biological structures associated with neuromuscular source signals
US10984315B2 (en) * 2017-04-28 2021-04-20 Microsoft Technology Licensing, Llc Learning-based noise reduction in data produced by a network of sensors, such as one incorporated into loose-fitting clothing worn by a person
KR102058789B1 (ko) * 2017-11-27 2020-01-22 숭실대학교산학협력단 표면 근전도 신호를 이용한 손 동작 변화 판단 장치 및 그 방법
US11907423B2 (en) 2019-11-25 2024-02-20 Meta Platforms Technologies, Llc Systems and methods for contextualized interactions with an environment
EP3743892A4 (en) * 2018-01-25 2021-03-24 Facebook Technologies, Inc. VISUALIZATION OF INFORMATION ON THE STATE OF A RECONSTRUCTED HAND
US11567573B2 (en) 2018-09-20 2023-01-31 Meta Platforms Technologies, Llc Neuromuscular text entry, writing and drawing in augmented reality systems
US11150730B1 (en) 2019-04-30 2021-10-19 Facebook Technologies, Llc Devices, systems, and methods for controlling computing devices via neuromuscular signals of users
US11961494B1 (en) 2019-03-29 2024-04-16 Meta Platforms Technologies, Llc Electromagnetic interference reduction in extended reality environments
US11493993B2 (en) 2019-09-04 2022-11-08 Meta Platforms Technologies, Llc Systems, methods, and interfaces for performing inputs based on neuromuscular control
US11481030B2 (en) 2019-03-29 2022-10-25 Meta Platforms Technologies, Llc Methods and apparatus for gesture detection and classification
CN108784694A (zh) * 2018-04-23 2018-11-13 京东方科技集团股份有限公司 一种信号采集电路、信号采集方法及可穿戴设备
CN109085918B (zh) * 2018-06-28 2020-05-12 天津大学 基于肌电的针灸行针手法训练方法
KR102159637B1 (ko) * 2018-06-29 2020-09-24 광운대학교 산학합력단 웨어러블 디바이스가 근전도 패턴을 이용하여 사용자가 원하는 액션을 수행하는 방법
CN109089010A (zh) * 2018-09-14 2018-12-25 深圳市友杰智新科技有限公司 一种图像传输方法及装置
CN109409276A (zh) * 2018-10-19 2019-03-01 大连理工大学 一种健壮手语特征提取方法
US11797087B2 (en) 2018-11-27 2023-10-24 Meta Platforms Technologies, Llc Methods and apparatus for autocalibration of a wearable electrode sensor system
CN110275614B (zh) * 2019-05-30 2022-09-30 福建工程学院 一种非接触式手势识别装置及其方法
KR20200144996A (ko) 2019-06-20 2020-12-30 청주대학교 산학협력단 근육시너지 라이브러리를 이용한 운동 코칭 시스템 및 근육시너지 라이브러리를 이용한 근육시너지 특성 산출방법
CN110389663B (zh) * 2019-06-24 2023-05-23 广东工业大学 一种基于小波宽度学习系统的sEMG手势识别方法
CN110399846A (zh) * 2019-07-03 2019-11-01 北京航空航天大学 一种基于多通道肌电信号相关性的手势识别方法
CN110547806B (zh) * 2019-09-11 2022-05-31 湖北工业大学 一种基于表面肌电信号的手势动作在线识别方法及系统
CN110674741B (zh) * 2019-09-24 2023-06-09 青岛海之晨工业装备有限公司 一种基于双通道特征融合的机器视觉中手势识别方法
CN111046731B (zh) * 2019-11-11 2023-07-25 中国科学院计算技术研究所 基于表面肌电信号进行手势识别的迁移学习方法和识别方法
KR102182413B1 (ko) * 2019-11-28 2020-11-25 한국전자기술연구원 가상 모션 생성을 이용한 행위 인식을 위한 장치 및 이를 위한 방법
KR20210078283A (ko) * 2019-12-18 2021-06-28 삼성전자주식회사 센서 신호로부터 사용자의 제스처를 인식하는 전자 장치 및 이를 이용한 제스처 인식 방법
CN111767964A (zh) * 2020-07-08 2020-10-13 福州大学 基于改进的DenseNet的多通道特征重标记图像分类方法
CN112123332A (zh) * 2020-08-10 2020-12-25 北京海益同展信息科技有限公司 手势分类器的构建方法、外骨骼机器人控制方法及装置
CN112861604B (zh) * 2020-12-25 2022-09-06 中国科学技术大学 一种与用户无关的肌电动作识别与控制方法
US11868531B1 (en) 2021-04-08 2024-01-09 Meta Platforms Technologies, Llc Wearable device providing for thumb-to-finger-based input gestures detected based on neuromuscular signals, and systems and methods of use thereof
KR20230096730A (ko) * 2021-12-23 2023-06-30 삼성전자주식회사 웨어러블 장치 및 그 제어 방법
US11630516B1 (en) * 2021-12-27 2023-04-18 Neuralink Corp. Brain-machine interface (BMI) with user interface (UI) aware controller
KR102584832B1 (ko) * 2023-01-20 2023-10-04 성균관대학교산학협력단 생체 신호 분석에 기초하여 가상 세계에서 아바타의 동작을 구현하기 위한 딥러닝 모델 학습 방법 및 상기 방법을 수행하는 딥러닝 모델 학습 장치

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150169074A1 (en) * 2013-12-12 2015-06-18 Thalmic Labs Inc. Systems, articles, and methods for gesture identification in wearable electromyography devices

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP4078419B2 (ja) 2003-06-18 2008-04-23 独立行政法人産業技術総合研究所 ポインティングデバイス
US8437844B2 (en) 2006-08-21 2013-05-07 Holland Bloorview Kids Rehabilitation Hospital Method, system and apparatus for real-time classification of muscle signals from self-selected intentional movements
US8447704B2 (en) 2008-06-26 2013-05-21 Microsoft Corporation Recognizing gestures from forearm EMG signals
KR100994408B1 (ko) 2008-11-19 2010-11-16 한국과학기술원 손가락 힘 추정 방법 및 추정 장치, 손가락 힘 추정을 위한근육 판별 방법 및 근육 판별 장치
JP5545574B2 (ja) 2009-07-15 2014-07-09 国立大学法人 筑波大学 分類推定システムおよび分類推定プログラム
KR101152841B1 (ko) 2009-09-29 2012-07-03 한국과학기술원 근육 진동 신호를 이용한 팔 굽힘 힘 추정장치 및 방법
WO2011091399A2 (en) 2010-01-25 2011-07-28 The Board Of Governors For Higher Education, State Of Rhode Island And Providence Plantations Systems and methods for providing a neural-machine interface for artificial legs
KR101251081B1 (ko) 2011-02-17 2013-04-05 (의료)길의료재단 가중 퍼지 소속 함수 기반 신경망을 이용한 제세동기의 쇼크 신호 검출 방법
US9486332B2 (en) 2011-04-15 2016-11-08 The Johns Hopkins University Multi-modal neural interfacing for prosthetic devices
KR101910576B1 (ko) 2011-11-08 2018-12-31 삼성전자주식회사 인공신경망을 이용하여 신속하게 입력 패턴을 분류하는 방법 및 장치
KR101413853B1 (ko) 2012-06-20 2014-07-01 고려대학교 산학협력단 적외선 영상을 이용한 생체 신호 측정 방법 및 장치
US9389694B2 (en) * 2013-10-22 2016-07-12 Thalmic Labs Inc. Systems, articles, and methods for gesture identification in wearable electromyography devices

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20150169074A1 (en) * 2013-12-12 2015-06-18 Thalmic Labs Inc. Systems, articles, and methods for gesture identification in wearable electromyography devices

Also Published As

Publication number Publication date
KR20170091963A (ko) 2017-08-10
US20170220923A1 (en) 2017-08-03
US10866637B2 (en) 2020-12-15

Similar Documents

Publication Publication Date Title
KR102619981B1 (ko) 근전도 신호를 이용한 동작 분류 방법 및 장치
Shukla et al. Feature extraction and selection for emotion recognition from electrodermal activity
Seto et al. Multivariate time series classification using dynamic time warping template selection for human activity recognition
CN105411593B (zh) 用于识别步态任务的方法和设备
Kerber et al. User-independent real-time hand gesture recognition based on surface electromyography
Xu et al. Gesture recognition using dual-stream CNN based on fusion of sEMG energy kernel phase portrait and IMU amplitude image
US11179066B2 (en) Real-time spike detection and identification
Zhang et al. Recognizing hand gestures with pressure-sensor-based motion sensing
CN111046731B (zh) 基于表面肌电信号进行手势识别的迁移学习方法和识别方法
KR101293446B1 (ko) 움직임을 상상하는 뇌파 분류 방법 및 그 장치
US10198694B2 (en) Static posture based person identification
Al-Naffakh et al. Unobtrusive gait recognition using smartwatches
Fahim et al. A visual analytic in deep learning approach to eye movement for human-machine interaction based on inertia measurement
Kaya et al. Hand gesture recognition systems with the wearable myo armband
Athif et al. WaveCSP: a robust motor imagery classifier for consumer EEG devices
KR20200080419A (ko) 인공신경망 기반 손동작 인식 방법 및 장치
Antonius et al. Electromyography gesture identification using CNN-RNN neural network for controlling quadcopters
Gong et al. Adapting to unknown conditions in learning-based mobile sensing
Luo et al. Activity-based person identification using multimodal wearable sensor data
Lotfi et al. Classification of gait patterns in the time domain using accelerometer signal
Duivenvoorden et al. Sensor fusion in upper limb area networks: A survey
Agab et al. New combined DT-CWT and HOG descriptor for static and dynamic hand gesture recognition
KR102347688B1 (ko) 뇌전도 신호의 분해를 이용한 상관관계 계수 특징 기반 인지 심상 분류 장치 및 방법
CN114626405A (zh) 基于肌电信号的实时身份识别方法、装置及电子设备
Yin et al. A Systematic Review of Human Activity Recognition Based On Mobile Devices: Overview, Progress and Trends

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant