KR101098012B1 - 표면 근전도 신호를 이용한 동작 추론 방법 및 시스템 - Google Patents

표면 근전도 신호를 이용한 동작 추론 방법 및 시스템 Download PDF

Info

Publication number
KR101098012B1
KR101098012B1 KR1020090111492A KR20090111492A KR101098012B1 KR 101098012 B1 KR101098012 B1 KR 101098012B1 KR 1020090111492 A KR1020090111492 A KR 1020090111492A KR 20090111492 A KR20090111492 A KR 20090111492A KR 101098012 B1 KR101098012 B1 KR 101098012B1
Authority
KR
South Korea
Prior art keywords
information entropy
channel
signal
motion
probability
Prior art date
Application number
KR1020090111492A
Other languages
English (en)
Other versions
KR20110054733A (ko
Inventor
신현출
유경진
Original Assignee
숭실대학교산학협력단
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 숭실대학교산학협력단 filed Critical 숭실대학교산학협력단
Priority to KR1020090111492A priority Critical patent/KR101098012B1/ko
Publication of KR20110054733A publication Critical patent/KR20110054733A/ko
Application granted granted Critical
Publication of KR101098012B1 publication Critical patent/KR101098012B1/ko

Links

Images

Classifications

    • 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
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2203/00—Indexing scheme relating to G06F3/00 - G06F3/048
    • G06F2203/01—Indexing scheme relating to G06F3/01
    • G06F2203/011—Emotion or mood input determined on the basis of sensed human body parameters such as pulse, heart rate or beat, temperature of skin, facial expressions, iris, voice pitch, brain activity patterns

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Human Computer Interaction (AREA)
  • Neurosurgery (AREA)
  • Evolutionary Biology (AREA)
  • Neurology (AREA)
  • General Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Dermatology (AREA)
  • Algebra (AREA)
  • Biomedical Technology (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Image Analysis (AREA)

Abstract

표면 근전도 신호를 이용한 동작 추론 방법 및 시스템이 제공된다. 본 발명에 의한 표면 근전도 신호를 이용한 동작 추론 방법은 판별 대상 동작 및 채널 별로 측정된 근전도 신호를 신호의 세기 구간 별 신호 출현 확률을 반영한 정보 엔트로피 값으로 변환하고, 상기 동작 별로 트레이닝을 반복하여 상기 정보 엔트로피 값을 축적하며, 상기 축적된 정보 엔트로피 값의 동작 및 채널 별 히스토그램을 이용해 상기 정보 엔트로피 값의 평균 및 분산을 산출함으로써, 정규 분포의 각 동작 별 확률 모델을 생성하는 트레이닝 단계 및 동작 수행 시 발생한 근전도 신호의 상기 정보 엔트로피 값을 각 채널 별로 산출하고, 상기 정보 엔트로피 값을 상기 확률 모델에 대입하여 각 채널에서의 확률 밀도 함수 값이 가장 높은 동작을 상기 수행된 동작으로 판정하는 동작 판정 단계를 포함한다.
정보 엔트로피, ML, MLE, 최우추정법, 동작 인식, 근전도

Description

표면 근전도 신호를 이용한 동작 추론 방법 및 시스템{System and method for movement reasoning based on surface electromyogram signals}
본 발명은 근전도 신호를 이용한 동작 추론 방법 및 시스템에 관한 것이다. 더욱더 자세하게는, 특정 동작을 취할 때, 관련 근육 주변에 부착된 한 개 이상의 표면 근전도 신호 센서를 이용하여 표면 근전도 신호를 취득하고, 상기 취득된 표면 근전도 신호의 패턴에 대한 확률 모델을 생성한 후, 동작 시 발생하는 표면 근전도 신호의 패턴을 상기 확률 모델과 비교하여 동작을 추론하는 방법 및 시스템에 관한 것이다.
표면 근전도 신호(surface electromyogram; surface EMG)는 동작 인식 기술에 널리 활용되는 생체 신호이다. 상기 동작 인식 기술은 인간-컴퓨터 인터페이스(Human Computer Interface; HCI) 및 장애인을 위한 보조 공학 등에 이용된다.
동작 인식 기술에서 가장 중요한 것은, 인식 성공률을 높일 수 있는 정확한 측정 수단 및 추론 모델이다. 종래에는 인식 성공률을 높이기 위하여 추론 동작 관련 근육의 위치에 정확히 센서를 부착하는 것을 필요로 했다. 특히, 다양한 조합이 있을 수 있는 동작인 경우에는, 관련 근육 모두에 센서를 부착해야 하므로 다수의 센서를 부착해야 하는 문제가 있었다.
본 발명이 해결하고자 하는 기술적 과제는 최소한의 표면 근전도 신호 센서를 이용하여 다양한 조합의 동작을 추론 할 수 있는 동작 추론 방법 및 시스템을 제공하는 것이다.
본 발명이 해결하고자 하는 다른 기술적 과제는 추론하고자 하는 각 동작에 대하여 미리 취득한 표면 근전도 신호의 패턴을 반영하는 확률 모델을 생성하고, 실제 동작이 이뤄지는 경우, 취득된 표면 근전도 신호의 패턴을 상기 확률 모델과 비교하여 동작을 추론하는 동작 추론 방법 및 시스템을 제공하는 것이다.
본 발명의 기술적 과제들은 이상에서 언급한 기술적 과제들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제들은 아래의 기재로부터 당업자에게 명확하게 이해 될 수 있을 것이다.
상기 기술적 과제를 달성하기 위한 본 발명의 일 태양에 따른 표면 근전도 신호를 이용한 동작 추론 방법은 판별 대상 동작 및 채널 별로 측정된 근전도 신호를 신호의 세기 구간 별 신호 출현 확률을 반영한 정보 엔트로피 값으로 변환하고, 상기 동작 별로 트레이닝을 반복하여 상기 정보 엔트로피 값을 축적하며, 상기 축적된 정보 엔트로피 값의 동작 및 채널 별 히스토그램을 이용해 상기 정보 엔트로피 값의 평균 및 분산을 산출함으로써, 정규 분포의 각 동작 별 확률 모델을 생성하는 트레이닝 단계 및 동작 수행 시 발생한 근전도 신호의 상기 정보 엔트로피 값 을 각 채널 별로 산출하고, 상기 정보 엔트로피 값을 상기 확률 모델에 대입하여 각 채널에서의 확률 밀도 함수 값이 가장 큰 동작을 상기 수행된 동작으로 판정하는 동작 판정 단계를 포함한다.
상기 기술적 과제를 달성하기 위한 본 발명의 다른 태양에 따른 동작 추론 시스템은 판별 대상 동작 및 채널 별로 측정된 근전도 신호를 신호의 세기 구간 별 신호 출현 확률을 반영한 정보 엔트로피 값으로 변환하는 정보 엔트로피 생성 모듈, 상기 동작 별로 트레이닝을 반복하여 상기 정보 엔트로피 값을 축적하며, 상기 축적된 정보 엔트로피 값의 동작 및 채널 별 히스토그램을 이용하여 상기 정보 엔트로피 값의 평균 및 분산을 산출함으로써, 정규 분포의 각 동작 별 확률 모델을 생성하는 확률 모델 업데이트 모듈 및 동작 수행 시 발생한 근전도 신호의 상기 정보 엔트로피 값을 각 채널 별로 산출하고, 상기 정보 엔트로피 값을 상기 확률 모델에 대입하여 각 채널에서의 확률 밀도 함수 값이 가장 큰 동작을 상기 수행된 동작으로 판정하는 ML 추정 모듈을 포함한다.
상기와 같은 본 발명에 따르면, 자유도가 높은 동작, 즉 여러 개의 동작이 일어 날 수 있는 신체 부위에 대하여 최소한의 표면 근전도 신호 센서를 부착하는 것 만으로도 발생한 동작의 종류를 높은 정확도로 판별할 수 있는 효과가 있다.
또한, 확률 모델을 통해 동작을 판별하고, 상기 확률 모델은 각 대상자 별로 복수회의 테스트를 통해 생성될 수 있으므로, 개인별 근전도 신호 패턴의 차이에도 불구하고 동작의 종류를 높은 정확도로 판별할 수 있는 효과가 있다.
또한, 센서의 부착 위치가 조금씩 달라지더라도, 트레이닝 과정을 통해, 그 위치에 따른 통계학적 신호 패턴을 모델링하고, 그 모델에 기반하여 동작의 종류를 판별할 수 있으므로, 센서 부착 위치에 크게 제약을 받지 않는 효과가 있다.
본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시 예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 게시되는 실시 예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시 예들은 본 발명의 게시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
이하, 표면 근전도 신호를 이용한 동작 추론 방법 및 시스템을 설명하기 위한 블록도 또는 처리 흐름도에 대한 도면들을 참고하여 본 발명에 대해 설명하도록 한다. 이 때, 처리 흐름도 도면들의 각 블록과 흐름도 도면들의 조합들은 컴퓨터 프로그램 인스트럭션들에 의해 수행될 수 있음을 이해할 수 있을 것이다. 이들 컴퓨터 프로그램 인스트럭션들은 범용 컴퓨터, 특수용 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서에 탑재될 수 있으므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비의 프로세서를 통해 수행되는 그 인스트럭션들이 흐름도 블록(들)에서 설명된 기능들을 수행하는 수단을 생성하게 된다. 이들 컴퓨터 프로그램 인스트럭션들은 특정 방식으로 기능을 구현하기 위해 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 지향할 수 있는 컴퓨터 이용 가능 또는 컴퓨터 판독 가능 메모리에 저장되는 것도 가능하므로, 그 컴퓨터 이용가능 또는 컴퓨터 판독 가능 메모리에 저장된 인스트럭션들은 흐름도 블록(들)에서 설명 된 기능을 수행하는 인스트럭션 수단을 내포하는 제조 품목을 생산하는 것도 가능하다. 컴퓨터 프로그램 인스트럭션들은 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에 탑재 되는 것도 가능하므로, 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비 상에서 일련의 동작 단계들이 수행되어 컴퓨터로 실행되는 프로세스를 생성해서 컴퓨터 또는 기타 프로그램 가능한 데이터 프로세싱 장비를 수행하는 인스트럭션들은 흐름도 블록(들)에서 설명된 기능들을 실행하기 위한 단계들을 제공하는 것도 가능하다.
또한, 각 블록은 특정된 논리적 기능(들)을 실행하기 위한 하나 이상의 실행 가능한 인스트럭션들을 포함하는 모듈, 세그먼트 또는 코드의 일부를 나타낼 수 있다. 또, 몇 가지 대체 실행 예들에서는 블록들에서 언급된 기능들이 순서를 벗어나서 발생하는 것도 가능함을 주목해야 한다. 예컨대, 잇달아 도시되어 있는 두 개의 블록들은 사실 실질적으로 동시에 수행되는 것도 가능하고 또는 그 블록들이 때때로 해당하는 기능에 따라 역순으로 수행되는 것도 가능하다.
이하, 본 발명의 일 실시예에 따른 표면 근전도 신호를 이용한 동작 추론 방법에 대하여 도 1을 참조하여 설명하기로 한다. 도 1은 본 실시예의 동작을 나타낸 순서도이다.
본 실시예에 따른 동작 추론 방법은 트레이닝 모드 및 동작 판별 모드, 둘 중의 하나의 모드를 선택함에 따라 다르게 수행될 수 있다(S100). 트레이닝 모드에서는 동작을 판별하기 위한 기초 데이터를 축적하는 일련의 동작이 수행되고, 동작 판별 모드는 상기 축적된 기초 데이터와 측정된 근전도 신호 데이터를 비교하여 동 작을 판별하는 일련의 동작이 수행된다.
먼저, 트레이닝 모드에 따른 일련의 동작에 대하여 설명하기로 한다.
대상자는 판별하고자 하는 동작을 수행하고, 대상자에 부착된 근전도 센서로부터 상기 수행된 동작에 따른 근전도 신호가 측정된다(S101). 상기 동작은 근전도 신호가 발생할 수 있는 부위에서 이루어지는 것이면 그 제한이 없다. 예를 들어, 손가락의 움직임일 수 있다. 도 2는 판별하고자 하는 손가락 동작의 정의가 도시된 것이다. 도 2에 도시된 바와 같이, 손가락 동작을 8가지로 나누어 판별하고자 하는 경우, 상기 대상자는 하나의 동작을 정해진 횟수만큼 반복하여 수행하거나, 각각의 동작을 번갈아 가면서 정해진 횟수만큼 반복하여 수행할 수 있다. 도 3은 트레이닝 모드에 따른 동작 수행이 어떤 환경에서 어떠한 방식으로 이뤄질 수 있는지 도시한 것이다. 도 3에 도시된 바와 같이, 동작 수행 및 수행이 일정한 시간 간격으로 수행 될 수 있다.
근전도 센서는 판별하고자 하는 동작과 관련된 근육의 주변 부위에 부착하면 된다. 예를 들어, 손가락의 움직임을 판별하고자 하는 경우, 손목에 부착될 수 있을 것이다. 종래에는 판별하고자 하는 동작과 관련된 근육의 정확한 위치에 센서를 부착해야 했으나, 본 실시예에 따른 동작 판별 방법에서는 동작이 수행되는 경우, 근육의 움직임에 의한 근전도 신호가 측정 되는 부위에만 센서를 부착하면 된다. 각각의 동작이 발생하는 경우, 자극을 받아 수축이 일어나는 근육은 정해져 있고, 종래 기술의 경우, 각각의 근육이 수축되는지 여부를 판정하기 위한 용도로 센서를 부착했으나, 본 실시예에 따른 동작 판별 방법에서는 트레이닝 과정을 통해 각각의 센서가 하나 이상의 근육으로부터 발생한 근전도 신호를 측정하여, 각각의 채널 별 근전도 신호의 통계학적 패턴을 모델링 하는 방식으로 동작한다. 따라서, 센서의 부착 위치가 조금씩 달라지더라도, 트레이닝 과정을 통해, 그 위치에 따른 통계학적 신호 패턴을 모델링하고, 그 모델에 기반하여 동작의 종류를 판별할 수 있으므로, 센서 부착 위치에 크게 제약을 받지 않는 효과가 있다.
도 4는 손가락의 움직임을 판별하는 경우, 4개의 채널로 구성된 근전도 센서를 손목에 부착한 모습을 도시한 것이다. 채널의 수는 제한이 없다. 다만, 채널의 수가 적으면 기초 데이터가 부족하여 인식 성공률이 떨어질 수 있으므로, 일반적으로 판별하고자 하는 동작의 수가 많아질수록 채널의 수 역시 증가 시키는 것이 바람직하다.
도 5는 손가락의 움직임을 판별하는 경우, 4개의 채널로 구성된 근전도 센서를 암밴드에 고정시켜, 암밴드를 착용하는 것 만으로 센서 부착의 효과를 얻을 수 있는 형태의 센서 부착 방식을 도시한 것이다. 센서 부착 위치가 다른 부위라도, 센서를 밴드 등의 고정 수단을 이용하여 부착시킬 수 있을 것이다.
다음으로, 측정된 근전도 신호로부터 정보 엔트로피(Information Entropy, Shannon Entropy)를 생성한다(S102). 정보 엔트로피는 클로드 섀넌(Claude Elwood Shannon)이 제안한 개념으로 신호나 사건에 있는 정보의 양을 엔트로피의 개념을 빌려 설명한 것이다. 사건 x의 엔트로피는 x의 모든 가능한 결과값 i에 대해 i의 발생확률 값인 p(i)와 그 확률의 역수의 로그 값의 곱의 합이 된다. 이하, 근전도 신호에 대한 정보 엔트로피를 생성하는 과정을 도 6 및 도 7을 참조하여 보다 자세 하게 설명하도록 한다. 이하, 설명의 편의를 위해 도 2에 도시된 8가지의 손가락 동작을 판정하기 위해, 도 4에 도시된 바와 같이 4개의 채널로부터 근전도 신호를 수신하는 경우를 예로 들어 설명하기로 한다. 또한, 도 2에 도시된 8가지의 손가락 동작을 각각 F1 내지 F8로 표시하기로 한다. 또한, FK 동작 시 c 번째 채널에서 취득된 원신호를 rc k[n]으로 표시 하기로 한다.
상기 수신된 원 신호에는 전력선의 잡음(noise)를 제거하기 위해 60Hz 및 120Hz의 대역 제한 필터가 사용될 수 있다. 또한, 신호의 전처리 과정으로 도 6에 도시된 바와 같이, 원신호 rc k[n]에 절대치를 취한 xc k[n]을 사용할 수 있다.
생성된 xc k[n]의 일 예가 도 7에 도시되어 있다. xc k[n]에 대한 정보 엔트로피 값 H(X)가 이 표 1에 표시된 수식에 의해 생성된다.
Figure 112009070812865-pat00001
각각의 근전도 센서로부터 취득 가능한 근전도 신호의 범위는 0≤xc k[n]≤xmax로, 상기 xmax 값은 근전도 센서의 신호 수신 장치에서 설정될 수 있다. 저장 구간 Im(1≤m≤M)은 상기 취득 가능한 근전도 신호의 범위를 M개의 구간으로 균등하게 나눈 것이다.
P(Im)은 미리 정의된 구간 Im에서 x[n]이 발견될 확률을 의미한다. 도 7에 도시된 예시에 의하면 I1에서는 근전도 신호가 거의 모든 시간 샘플에 대해 관찰되고 있으므로 p(I1)의 값이 가장 높을 것이다.
즉, 상기 정보 엔트로피 값은 상기 측정된 근전도 신호에 절대 값을 취한 신호에 대하여, 신호의 세기 구간 별 신호 출현 확률을 반영한 정보 엔트로피 값인 것으로 이해 될 수 있을 것이다.
표 1에는 지수를 2로 하는 로그(log)를 이용하여 엔트로피 H(X)를 계산하고 있으나, 지수는 1보다 큰 실수 중 어느 하나를 사용할 수 있음을 유의해야 한다.
xc k[n]에 대한 정보 엔트로피 값 H(X)의 생성을 각 채널 c, 각 동작 Fk에 대하여 미리 정해진 횟수만큼 반복(S106)함으로써 데이터를 축적(S104)하여, 축적된 데이터에 의해 확률 모델을 업데이트 한다(S108).
상기 확률 모델은 도 8에 도시된 것과 같은 각 동작의 채널별 엔트로피 히스토그램 데이터를 가우시안 분포를 이용하여 확률 밀도 함수로 변환함으로써 생성된다.
도 8에 도시된 엔트로피 히스토그램 데이터가 가우시안 분포와 유사한 형상을 가지는 점에 착안하여, 동작 k, 채널 c의 엔트로피 값인 tc k의 평균 값 μ 및 분산 σ2을 이용하여 확률 밀도 함수(p.d.f.)를 표 2와 같이 생성할 수 있다.
Figure 112009070812865-pat00002
동작 F5에 대한 각각의 엔트로피 값의 확률 밀도 함수 모델 생성 결과가 도 9에 도시되어 있다.
트레이닝이 반복되고, 엔트로피 값의 히스토그램 데이터가 축적됨에 따라, 확률 모델 데이터(109)는 지속적으로 업데이트 된다(S108). 확률 모델 데이터(109)가 업데이트 될수록, 동작 판별 성공률은 개선될 수 있다.
다음으로, 동작 판별 모드에 따른 일련의 동작에 대하여 설명하기로 한다.
대상자가 동작을 수행하고, 그에 따른 근전도 신호가 입력 되면(S110), 각 채널 별 정보 엔트로피 값을 생성한다(S112). 상기 정보 엔트로피 값의 생성은 트레이닝 모드에서 설명한 것과 동일한 방식으로 이뤄질 수 있다. 상기 예시한 바 있는 4개의 채널을 이용하여 8가지의 손가락 동작을 판별하는 경우, 8가지 중의 한가지의 손가락 동작이 이뤄졌다면 각 채널별로 4개의 정보 엔트로피 값이 생성될 것이다.
상기 생성된 정보 엔트로피 값에 확률 적으로 가장 유사한 확률 모델 데이터(109)를 Maximum Likelihood 방식으로 추정한다(S114). Maximum Likelihood 추정법은 모집단의 확률밀도함수(likelihood 함수)를 극대화하는 인수(parameter)를 찾아내는 방법으로, 본 실시예에 따르면, 상기 확률밀도함수는 각 동작 별 확률 모델 데이터이고, 상기 인수는 동작을 식별하는 k 값일 수 있다. 동작 k에 대한 각 채널 별 확률 밀도 함수가 가장 큰 값을 가지는 k를 얻어내는 것으로 이해 될 수 있다. 또한, 상기 얻어진 k가 확률적으로 대상자가 취했을 가능성이 가장 높은 동작임이 이해될 수 있을 것이다.
Maximum Likelihood 방식의 동작 추정은 다음 동작에 의해 이뤄질 수 있다. 이하, 각 채널에서의 확률밀도함수는 통계적으로 독립(statistical independent)되어 있다고 가정한다.
각 동작 k별로 표 3에 도시된 L(k) 값을 구한다.
Figure 112009070812865-pat00003
상기 'tc k|Fk'는 대상자의 동작에 의해 채널 c를 통해 측정된 근전도 신호의 정보 엔트로피 값으로 해석될 수 있을 것이다. 즉, 상기 L(k)함수는, 생성된 엔트로피 값을 상기 확률 밀도 함수에 대입하여 산출된 값을 각 채널 별로 곱한 값으로 해석될 수 있을 것이다.
만약 특정 채널에 대한 확률 밀도 함수에 해당 채널에 대한 엔트로피 값을 입력한 결과, 0이 나왔다면, 그 채널의 근전도 신호는 해당 동작에 대한 것일 확률이 거의 0이라는 말이 된다. 상기 L(k) 값은 각 채널의 확률 밀도 함수 값을 곱한 것이므로, 하나의 채널에서라도 확률 밀도 함수 값이 0이 나오면 해당 동작의 L(k) 값은 0이 됨을 이해할 수 있을 것이다.
L(k) 값을 판별하고자 하는 모든 동작의 k 값에 대하여 구한다. 예를 들어, 8가지의 손가락 동작을 판별하는 경우 L(1), L(2), L(3), L(4), L(5), L(6), L(7), L(8) 값을 구해야 한다. 상기 L(1) 내지 L(8)을 가장 크게 하는 k 값이 판별된 동작의 번호가 된다(S116).
도 10을 참조하여, 동작을 판별하는 동작을 설명하기로 한다. 도 10은 8개의 동작(F1 내지 F8)에 대하여 4개의 채널(Ch. 1 내지 Ch. 4)에서 측정된 엔트로피 값의 확률 밀도 함수 값의 그래프이다.
각 채널에 대하여 세로 방향으로 그려진 직선이 대상자의 동작에 의해 각 채널별로 측정된 엔트로피 값이다. 즉, 상기 세로 방향의 직선이 각 그래프와 교차하는 지점의 y축 값이 각 채널 및 동작에 대한 확률 밀도 함수 값이다. 이미 설명한 바와 같이, 특정 동작 k에 대하여 하나의 채널이라도 상기 확률 밀도 함수 값이 0이라면, 대상자의 동작이 동작 k일 확률은 0에 가깝다. 도 10에 도시된 바에 의하면 Ch. 1 신호의 경우, F1, F2, F3, F5의 값이 0이므로, F1, F2, F3, F5일 확률은 거의 없다는 것을 알 수 있다. 또한, F6, F7, F8의 값 또한 Ch. 3 신호의 확률 밀도 함수가 0이므로 해당 동작일 확률은 거의 없다. 결국, 각 채널의 확률 밀도 함수의 곱이 가장 큰 F4가 대상자의 동작이라고 판별할 수 있을 것이다.
곱셈은 상기 설명한 바와 같이 하나의 채널에 대한 확률 밀도 함수 값이라도 0이라면 다른 채널의 확률 밀도 함수 값이 아무리 높더라도 무조건 전체 L(k) 값을 0으로 만드는 효과가 있다. 따라서, 각 채널의 확률 모델 함수 값을 각각 더한 값이 가장 큰 k 값을 대상자가 취한 동작의 동작 번호로 판별할 수도 있다. 또한, 상기 L(k) 함수에 로그를 취한 log(L(k)) 값을 최대로 만드는 k를 구하는 것으로 대상자의 동작을 판별할 수도 있다. 이는, 곱셈에 로그를 취하면 덧셈으로 변환되는 수학적 지식을 활용한 것이다. 도 10에 도시 된 예시에 대하여, 상기 로그를 취한 L(k)를 이용한 식은 표 4에 표시되어 있다.
Figure 112009070812865-pat00004
구하고자 하는 동작의 식별 번호 k는 log(L(k)) 값의 합을 최대로 만드는 값으로 이해될 수 있을 것이다.
요컨대, 상기 동작 판정은 각 채널에서의 확률 밀도 함수 값의 곱이 가장 크게 하는 k(1≤k≤판별 대상 동작의 수)를 대상자가 취한 동작의 식별 번호로 판별하거나, 각 채널에서의 확률 밀도 함수 값의 합이 가장 크게 하는 k(1≤k≤판별 대상 동작의 수)를 대상자가 취한 동작의 식별 번호로 판별하거나, 각 채널에서의 확률 밀도 함수 값에 로그를 취한 값의 합이 가장 크게 하는 k(1≤k≤판별 대상 동작의 수)를 대상자가 취한 동작의 식별 번호로 판별하는 것일 수 있다.
구해진 동작의 식별 번호에 따른 동작 판별 결과는 출력부를 통해 게시될 수 있으며, 상기 동작 판별은 사용자의 종료 입력이 있을 때까지(S118) 반복 될 수 있다.
이하, 본 발명의 다른 실시예에 따른 표면 근전도 신호를 이용한 동작 추론 시스템의 구성 및 동작에 대하여 도 11을 참조하여 설명하기로 한다. 본 실시예에 따른 동작 추론 시스템은 상기 다른 실시예에 따른 동작 추론 방법에 적용된 기술적 특징이 적용 될 수 있으며, 그러한 경우, 설명은 생략하기로 한다.
도 11은 본 실시예에 따른 표면 근전도 신호를 이용한 동작 추론 시스템의 블록구성도이다. 도 11에 도시된 바와 같이, 본 실시예에 따른 동작 추론 시스템은 근전도 신호 센서(200) 정보 엔트로피 측정모듈(222), 확률 모델 업데이트모듈(224) 및 ML 추정 모듈(228)을 포함한다. 또한, 정보 엔트로피 측정모듈(222), 확률 모델 업데이트모듈(224), ML 추정 모듈(228)은 연산장치(220) 내부에 구비될 수 있다. 또한, 확률 모델 저장부(226)도 연산장치(220) 내부에 구비될 수 있다. 다만, 확률 모델 저장부(226)는 데이터 전송용 케이블 또는 네트워크를 통하여 연산장치(220) 외부에 구비될 수도 있음을 유의해야 한다. 또한, 다른 실시예에 따르면 사용자 인터페이스부(240) 및 출력부(260)가 더 구비될 수도 있다.
사용자 인터페이스부(240)는 사용자에게 트레이닝 모드 및 동작 판별 모드 중 하나의 값을 가질 수 있는 동작 모드를 지정할 수 있도록 하고, 트레이닝 모드 하에서 입력되는 동작의 종류 및 동작 반복 횟수를 지정 할 수 있도록 하며, 동작 판별 모드 하에서 동작 판별 동작의 반복 여부를 지정 할 수 있도록 하는 사용자 인터페이스를 제공한다.
이 때, '모듈'이라는 용어는 소프트웨어 또는 FPGA(Field Programmable Gate Array) 또는 ASIC(Application Specific Integrated Circuit)과 같은 하드웨어 구성요소를 의미하며, 모듈은 어떤 역할들을 수행한다. 그렇지만 모듈은 소프트웨어 또는 하드웨어에 한정되는 의미는 아니다. 모듈은 어드레싱 할 수 있는 저장 매체에 있도록 구성될 수도 있고 하나 또는 그 이상의 프로세서들을 재생시키도록 구성될 수도 있다. 따라서, 일 예로서 모듈은 소프트웨어 구성요소들, 객체지향 소프트웨어 구성요소들, 클래스 구성요소들 및 태스크 구성요소들과 같은 구성요소 들과, 프로세스들, 함수들, 속성들, 프로시저들, 서브루틴들, 프로그램 코드의 세그먼트들, 드라이버들, 펌웨어, 마이크로코드, 회로, 데이터, 데이터베이스, 데이터 구조들, 테이블들, 어레이들, 및 변수들을 포함한다. 구성요소들과 모듈들 안에서 제공되는 기능은 더 작은 수의 구성요소들 및 모듈들로 결합되거나 추가적인 구성요소들과 모듈들로 더 분리될 수 있다. 뿐만 아니라, 구성요소들 및 모듈들은 디바이스 또는 보안 멀티미디어카드 내의 하나 또는 그 이상의 CPU들을 재생시키도록 구현될 수도 있다.
확률 모델 저장부(226)는 캐쉬(Cache), 롬(Read Only Memory; ROM), 피롬(Programable ROM; PROM), 이피롬(Erasable Programmable ROM; EPROM), 이이피롬(Electrically Erasable Programmable ROM; EEPROM) 및 플래쉬 메모리(Flash memory)와 같은 비휘발성 메모리 소자, 램(Random Access Memory; RAM)과 같은 휘발성 메모리 소자, 및 하드디스크 드라이브(Hard disk drive)와 같은 저장매체 중 적어도 하나로 구현될 수 있으나 이에 한정되지는 않는다.
근전도 신호 센서(200)는 채널의 수만큼 구비되며, 대상자에 부착되어 대상자의 판별 대상 동작에 대한 근전도 신호를 추출한 후, 정보 엔트로피 측정모듈(222)에 제공한다. 근전도 신호 센서(200)는 예를 들어, Ag-AgCl의 쌍극 전극(Noraxon dual electrode)으로 구성된 것을 사용할 수 있으며, 밴드 형태의 접착 수단에 고정되어 상기 대상자에 부착될 수 있다.
정보 엔트로피 측정모듈(222)은 근전도 신호 센서(200)로부터 제공된 근전도 신호로부터 정보 엔트로피 값을 생성하여 동작 모드가 트레이닝 모드인 경우에는 확률 모델 업데이트모듈(224)에 제공하고, 상기 동작 모드가 동작 판별 모드인 경우에는 ML 추정 모듈(228)에 제공한다. 정보 엔트로피 측정모듈(222)은 상기 정보 엔트로피 값의 생성 전에 근전도 신호 센서(200)로부터 제공된 근전도 신호를 잡음 제거 필터에 통과 시키고, 절대 값을 취하는 전처리 절차를 더 거칠 수 있다.
상기 정보 엔트로피 값은 표 1에 표시된 수식에 의해 연산 될 수 있다.
정보 엔트로피 생성모듈(222)은 각 채널 별로 상기 정보 엔트로피 값을 생성하고, 특히, 상기 동작 모드가 트레이닝 모드인 경우, 판별 대상인 모든 동작에 대하여 상기 근전도 신호를 제공 받고, 그에 대한 각 채널 별 상기 정보 엔트로피 값을 생성하여 확률 모델 업데이트 모듈(224)에 제공할 수 있다. 각 동작의 트레이닝, 즉, 동작의 수행은 미리 정해진 횟수만큼 반복될 수 있다. 상기 정보 엔트로피 값은 상기 측정된 근전도 신호에 절대 값을 취한 신호에 대하여, 신호의 세기 구간 별 신호 출현 확률을 반영한 정보 엔트로피 값일 수 있다.
상기 정보 엔트로피 값은 표 1에 표시된 식에 의해 연산 되며, Im(1≤m≤M)은 상기 취득 가능한 근전도 신호의 범위를 M개의 구간으로 균등하게 나눈 것이고, P(Im)은 상기 구간 Im에서 신호가 발견될 확률을 의미하는 것일 수 있다.
확률 모델 업데이트 모듈(224)은 상기 동작 모드가 트레이닝 모드인 경우, 정보 엔트로피 생성모듈(222)로부터 제공 받은 각 동작의 각 채널별 정보 엔트로피 값이 제공 되는 대로, 상기 정보 엔트로피 값을 축적하여 각 채널 및 동작 별 상기 정보 엔트로피 값의 히스토그램 데이터를 생성한다.
상기 히스토그램 데이터는, 각 채널 및 동작 별 상기 정보 엔트로피 값이 각각 몇 회만큼 발생했는지, 발생의 빈도를 나타내는 데이터로 이해될 수 있으며, 예를 들어, x축이 해당 채널 및 동작의 정보 엔트로피 값이며, y축은 각 정보 엔트로피 값의 발생 횟수를 나타내는 데이터로 구성될 수 있다.
확률 모델 업데이트 모듈(224)은 상기 히스토그램 데이터를 통해, 정보 엔트로피 값의 평균 및 분산을 구함으로써, 가우시안 분포(정규 분포)에 따른 확률 밀도 함수를 생성한다. 즉, 확률 모델 데이터는 각 채널 및 동작 별 정보 엔트로피 값의 평균 및 분산의 순서쌍 형태로 구성 될 수 있으며, 상기 확률 모델 데이터는 확률 모델 저장부(226)에 저장될 수 있다.
확률 모델 업데이트 모듈(224)은 확률 모델 저장부(226)에 저장된 상기 확률 모델 데이터에 트레이닝 결과 생성된 각 채널 및 동작 별 정보 엔트로피 값을 추가하여 히스토그램 데이터를 업데이트 함으로써 상기 확률 밀도 함수를 업데이트 할 수 있다. 즉, 확률 모델 저장부(226)는 상기 확률 모델 업데이트 모듈에 의해 축적된 정보 엔트로피 값의 동작 및 채널 별 히스토그램 데이터 및 상기 확률 모델 업데이트 모듈에 의해 생성된 각 채널 및 동작 별 정보 엔트로피 값의 평균 및 분산의 순서쌍 형태로 구성 되는 확률 모델 데이터를 저장할 수 있고, 확률 모델 업데이트 모듈(224)은 상기 확률 모델 저장부에 저장된 상기 히스토그램 데이터에 트레이닝 결과 생성된 각 채널 및 동작 별 정보 엔트로피 값을 추가하여 업데이트 된 히스토그램 데이터를 기반으로 상기 확률 모델 데이터를 업데이트할 수 있다.
상기 확률 밀도 함수는 표 2에 표시된 수식에 의해 연산 될 수 있다.
ML 추정 모듈(228)은 상기 동작 모드가 동작 판별 모드인 경우, 정보 엔트로피 생성모듈(222)로부터 각 채널 별 정보 엔트로피 값을 제공 받은 후, 제공 받은 상기 정보 엔트로피 값을 확률 모델 저장부(226)에 저장된 각 동작 별 확률 모델 데이터를 통해 구성되는 확률 모델 함수에 대입하여 확률 모델 함수 값을 각각의 동작 및 각각의 채널에 대하여 연산한다.
ML 추정 모듈(228)은 각 동작에 대하여 상기 확률 모델 함수 값을 비교하여, 상기 확률 모델 함수 값이 가장 큰 동작이 대상자가 취한 동작인 것으로 판별할 수 있다.
예를 들어, 표 3에 기재된 바와 같이, 각 채널의 확률 모델 함수 값을 각각 곱한 L(k) 값을 가장 크게 하는 k 값을 대상자가 취한 동작의 동작 번호로 판별할 수 있다.
또는, ML 추정 모듈(228)은 각 채널의 확률 모델 함수 값을 각각 더한 값이 가장 큰 k 값을 대상자가 취한 동작의 동작 번호로 판별할 수도 있다.
ML 추정 모듈(228)은 표 4에 기재된 바와 같이, 상기 L(k)에 log를 취하여 각 채널의 log(L(k)) 값의 합이 가장 큰 k 값을 대상자가 취한 동작의 동작 번호로 판별할 수도 있다.
ML 추정 모듈(228)이 추정한 동작의 종류는 출력부(260)를 통해 이미지, 텍스트, 동영상 및 음향 중 적어도 하나의 형태로 게시될 수 있다. 출력부(260)는 디스플레이 수단, 프린트 수단 및 스피커 중 적어도 하나의 장치로 구성될 수 있다.
이상 첨부된 도면을 참조하여 본 발명의 실시 예들을 설명하였지만, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자는 본 발명이 그 기술적 사상이나 필수적인 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다. 그러므로 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적이 아닌 것으로 이해해야만 한다.
도 1은 본 발명의 일 실시 예에 따른 표면 근전도 신호를 이용한 동작 추론 방법의 순서도이다.
도 2는 본 발명의 일 실시 예에 따른 판별하고자 하는 손가락 동작의 정의가 도시된 도면이다.
도 3은 본 발명의 일 실시 예에 따른 트레이닝 모드에 따른 동작 수행이 어떤 환경에서 어떠한 방식으로 이뤄질 수 있는지 도시한 도면이다.
도 4는 본 발명의 일 실시 예에 따른 손가락의 움직임을 판별하는 경우, 4개의 채널로 구성된 근전도 센서를 손목에 부착한 모습을 도시한 도면이다.
도 5는 본 발명의 일 실시 예에 따른 근전도 센서를 고정 시킨 밴드 형태의 센서 부착 방식을 도시한 도면이다.
도 6은 본 발명의 일 실시 예에 따른 원 근전도 신호에 절대치를 취한 결과를 도시한 도면이다.
도 7은 본 발명의 일 실시 예에 따른 근전도 신호의 구간 별 신호 출현 확률의 이해를 돕기 위한 개념도이다.
도 8은 본 발명의 일 실시 예에 따른 각 동작의 채널별 엔트로피 히스토그램 데이터를 나타낸 도면이다.
도 9는 본 발명의 일 실시 예에 따른 특정 동작에 대한 각각의 엔트로피 값의 확률 밀도 함수 모델 생성 결과를 나타낸 도면이다.
도 10은 본 발명의 일 실시 예에 따른 동작 판별 동작의 이해를 돕기 위한 개념도이다.
도 11은 본 발명의 일 실시 예에 따른 표면 근전도 신호를 이용한 동작 추론 시스템의 블록 구성도이다.

Claims (14)

  1. 판별 대상 동작 및 채널 별로 측정된 근전도 신호를 신호의 세기 구간 별 신호 출현 확률을 반영한 정보 엔트로피 값으로 변환하고, 상기 동작 별로 트레이닝을 반복하여 상기 정보 엔트로피 값을 축적하며, 상기 축적된 정보 엔트로피 값의 동작 및 채널 별 히스토그램을 이용해 상기 정보 엔트로피 값의 평균 및 분산을 산출함으로써, 정규 분포의 각 동작 별 확률 모델을 생성하는 트레이닝 단계; 및
    동작 수행 시 발생한 근전도 신호의 상기 정보 엔트로피 값을 각 채널 별로 산출하고, 상기 정보 엔트로피 값을 상기 확률 모델에 대입하여 각 채널에서의 확률 밀도 함수 값이 가장 큰 동작을 상기 수행된 동작으로 판정하는 동작 판정 단계를 포함하는 표면 근전도 신호를 이용한 동작 추론 방법.
  2. 제 1항에 있어서,
    상기 정보 엔트로피 값은,
    상기 측정된 근전도 신호에 절대 값을 취한 신호에 대하여, 신호의 세기 구간 별 신호 출현 확률을 반영한 정보 엔트로피 값인 표면 근전도 신호를 이용한 동작 추론 방법.
  3. 제 2항에 있어서,
    상기 정보 엔트로피 값은 아래의 식에 의해 연산되며,
    Figure 112011043458752-pat00005
    Im(1≤m≤M)은 상기 측정된 근전도 신호의 범위를 M개의 구간으로 균등하게 나눈 것이고, P(Im)은 상기 구간 Im에서 신호가 발견될 확률을 의미하는 표면 근전도 신호를 이용한 동작 추론 방법.
  4. 제 1항에 있어서,
    상기 동작 판정 단계는,
    각 채널에서의 확률 밀도 함수 값의 곱이 가장 크게 하는 k(1≤k≤판별 대상 동작의 수)를 대상자가 취한 동작의 식별 번호로 판별하는 단계를 포함하는 표면 근전도 신호를 이용한 동작 추론 방법.
  5. 제 1항에 있어서,
    상기 동작 판정 단계는,
    각 채널에서의 확률 밀도 함수 값의 합이 가장 크게 하는 k(1≤k≤판별 대상 동작의 수)를 대상자가 취한 동작의 식별 번호로 판별하는 단계를 포함하는 표면 근전도 신호를 이용한 동작 추론 방법.
  6. 제 1항에 있어서,
    상기 동작 판정 단계는,
    각 채널에서의 확률 밀도 함수 값에 로그를 취한 값의 합이 가장 크게 하는 k(1≤k≤판별 대상 동작의 수)를 대상자가 취한 동작의 식별 번호로 판별하는 단계를 포함하는 표면 근전도 신호를 이용한 동작 추론 방법.
  7. 판별 대상 동작 및 채널 별로 측정된 근전도 신호를 신호의 세기 구간 별 신호 출현 확률을 반영한 정보 엔트로피 값으로 변환하는 정보 엔트로피 생성 모듈;
    상기 동작 별로 트레이닝을 반복하여 상기 정보 엔트로피 값을 축적하며, 상기 축적된 정보 엔트로피 값의 동작 및 채널 별 히스토그램을 이용하여 상기 정보 엔트로피 값의 평균 및 분산을 산출함으로써, 정규 분포의 각 동작 별 확률 모델을 생성하는 확률 모델 업데이트 모듈; 및
    동작 수행 시 발생한 근전도 신호의 상기 정보 엔트로피 값을 각 채널 별로 산출하고, 상기 정보 엔트로피 값을 상기 확률 모델에 대입하여 각 채널에서의 확률 밀도 함수 값이 가장 큰 동작을 상기 수행된 동작으로 판정하는 ML 추정 모듈을 포함하는 표면 근전도 신호를 이용한 동작 추론 시스템.
  8. 제 7항에 있어서,
    사용자에게 트레이닝 모드 및 동작 판별 모드 중 하나의 값을 가질 수 있는 동작 모드를 지정할 수 있도록 하고, 트레이닝 모드 하에서 입력되는 동작의 종류 및 동작 반복 횟수를 지정 할 수 있도록 하며, 동작 판별 모드 하에서 동작 판별 동작의 반복 여부를 지정 할 수 있도록 하는 사용자 인터페이스부를 더 포함하는 동작 추론 시스템.
  9. 제 7항에 있어서,
    상기 정보 엔트로피 값은,
    상기 측정된 근전도 신호에 절대 값을 취한 신호에 대하여, 신호의 세기 구간 별 신호 출현 확률을 반영한 정보 엔트로피 값인 표면 근전도 신호를 이용한 동작 추론 시스템.
  10. 제 9항에 있어서,
    상기 정보 엔트로피 값은 아래의 식에 의해 연산되며,
    Figure 112011043458752-pat00006
    Im(1≤m≤M)은 상기 측정된 근전도 신호의 범위를 M개의 구간으로 균등하게 나눈 것이고, P(Im)은 상기 구간 Im에서 신호가 발견될 확률을 의미하는 표면 근전도 신호를 이용한 동작 추론 시스템.
  11. 제 7항에 있어서,
    상기 ML 추정 모듈은,
    각 채널에서의 확률 밀도 함수 값의 곱이 가장 크게 하는 k(1≤k≤판별 대상 동작의 수)를 대상자가 취한 동작의 식별 번호로 판별하는 표면 근전도 신호를 이용한 동작 추론 시스템.
  12. 제 7항에 있어서,
    상기 ML 추정 모듈은,
    각 채널에서의 확률 밀도 함수 값의 합이 가장 크게 하는 k(1≤k≤판별 대상 동작의 수)를 대상자가 취한 동작의 식별 번호로 판별하는 표면 근전도 신호를 이용한 동작 추론 시스템.
  13. 제 7항에 있어서,
    상기 ML 추정 모듈은,
    각 채널에서의 확률 밀도 함수 값에 로그를 취한 값의 합이 가장 크게 하는 k(1≤k≤판별 대상 동작의 수)를 대상자가 취한 동작의 식별 번호로 판별하는 표면 근전도 신호를 이용한 동작 추론 시스템.
  14. 제 7항에 있어서,
    상기 확률 모델 업데이트 모듈에 의해 축적된 정보 엔트로피 값의 동작 및 채널 별 히스토그램 데이터 및 상기 확률 모델 업데이트 모듈에 의해 생성된 각 채널 및 동작 별 정보 엔트로피 값의 평균 및 분산의 순서쌍 형태로 구성 되는 확률 모델 데이터를 저장하는 확률 모델 저장부를 더 포함하며,
    상기 확률 모델 업데이트 모듈은,
    상기 확률 모델 저장부에 저장된 상기 히스토그램 데이터에 트레이닝 결과 생성된 각 채널 및 동작 별 정보 엔트로피 값을 추가하여 업데이트 된 히스토그램 데이터를 기반으로 상기 확률 모델 데이터를 업데이트하는 표면 근전도 신호를 이용한 동작 추론 시스템.
KR1020090111492A 2009-11-18 2009-11-18 표면 근전도 신호를 이용한 동작 추론 방법 및 시스템 KR101098012B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020090111492A KR101098012B1 (ko) 2009-11-18 2009-11-18 표면 근전도 신호를 이용한 동작 추론 방법 및 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020090111492A KR101098012B1 (ko) 2009-11-18 2009-11-18 표면 근전도 신호를 이용한 동작 추론 방법 및 시스템

Publications (2)

Publication Number Publication Date
KR20110054733A KR20110054733A (ko) 2011-05-25
KR101098012B1 true KR101098012B1 (ko) 2011-12-22

Family

ID=44363884

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020090111492A KR101098012B1 (ko) 2009-11-18 2009-11-18 표면 근전도 신호를 이용한 동작 추론 방법 및 시스템

Country Status (1)

Country Link
KR (1) KR101098012B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220125842A (ko) 2021-03-04 2022-09-15 박동준 표면근전도 신호를 이용한 신경 근육 장애 판별 장치 및 방법

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
논문 (1997)
논문 (2009.08)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220125842A (ko) 2021-03-04 2022-09-15 박동준 표면근전도 신호를 이용한 신경 근육 장애 판별 장치 및 방법

Also Published As

Publication number Publication date
KR20110054733A (ko) 2011-05-25

Similar Documents

Publication Publication Date Title
Päivinen et al. Epileptic seizure detection: A nonlinear viewpoint
KR101232010B1 (ko) 의료 어플리케이션을 위한 디지털 엑스레이 이미지의 관심 영역에서 밝기 레벨을 계산하기 위한 방법
US9386951B2 (en) Method and apparatus for monitoring sleep apnea severity
US11317840B2 (en) Method for real time analyzing stress using deep neural network algorithm
JP4952162B2 (ja) データ処理装置，データ処理方法及びデータ処理プログラム
Kosmidou et al. Using sample entropy for automated sign language recognition on sEMG and accelerometer data
US11571169B2 (en) Probability-based detector and controller apparatus, method, computer program
KR20190128841A (ko) 심전도 신호의 클러스터링 방법 및 이를 수행하기 위한 심전도 처리 장치
CN109498001B (zh) 睡眠质量评估方法和装置
KR101098012B1 (ko) 표면 근전도 신호를 이용한 동작 추론 방법 및 시스템
KR101048479B1 (ko) 표면 근전도 센서 및 관성 센서를 이용한 게임 인터페이스 방법 및 시스템
JP2017205145A (ja) 脈拍推定装置、脈拍推定システム、脈拍推定方法および脈拍推定プログラム
KR20200143873A (ko) 뇌전도 신호 기반 멀티 주파수 대역 계수를 이용한 특징추출 및 확률모델과 기계학습에 의한 간질 발작파 자동 검출 방법 및 장치
CN115618206B (zh) 干扰数据确定方法、装置、电子设备及存储介质
CN110781781A (zh) 一种时间序列概念漂移检测方法、系统、介质及设备
US20240081670A1 (en) Apparatus for measuring heart rate and method thereof
KR101112763B1 (ko) 근전도 센서 및 관성 센서를 이용한 마우스 인터페이스 방법 및 시스템
US11429847B2 (en) Systems, methods, and media for decoding observed spike counts for spiking cells
WO2014141682A1 (ja) センサー端末および信号取得方法
CN110162547A (zh) 一种基于时态数据系统的类周期规则挖掘方法
CN115770017A (zh) 睡眠状态确定方法、系统、装置及电子设备
JP2016006478A (ja) 顕著度画像生成装置、方法、及びプログラム
Kamath ECG classification using morphological features derived from symbolic dynamics
KR101048481B1 (ko) 근전도 신호 및 영상 분석에 기반한 마우스 인터페이스 방법
CN111401393B (zh) 数据处理方法及装置、电子设备及存储介质

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20140930

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20161024

Year of fee payment: 6

FPAY Annual fee payment

Payment date: 20181022

Year of fee payment: 8

FPAY Annual fee payment

Payment date: 20191112

Year of fee payment: 9