KR101152841B1 - 근육 진동 신호를 이용한 팔 굽힘 힘 추정장치 및 방법 - Google Patents

근육 진동 신호를 이용한 팔 굽힘 힘 추정장치 및 방법 Download PDF

Info

Publication number
KR101152841B1
KR101152841B1 KR1020090092326A KR20090092326A KR101152841B1 KR 101152841 B1 KR101152841 B1 KR 101152841B1 KR 1020090092326 A KR1020090092326 A KR 1020090092326A KR 20090092326 A KR20090092326 A KR 20090092326A KR 101152841 B1 KR101152841 B1 KR 101152841B1
Authority
KR
South Korea
Prior art keywords
signal
muscle
muscle vibration
force
vibration signal
Prior art date
Application number
KR1020090092326A
Other languages
English (en)
Other versions
KR20110034863A (ko
Inventor
김정
윤원근
Original Assignee
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 한국과학기술원 filed Critical 한국과학기술원
Priority to KR1020090092326A priority Critical patent/KR101152841B1/ko
Publication of KR20110034863A publication Critical patent/KR20110034863A/ko
Application granted granted Critical
Publication of KR101152841B1 publication Critical patent/KR101152841B1/ko

Links

Images

Classifications

    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/22—Ergometry; Measuring muscular strength or the force of a muscular blow
    • A61B5/224—Measuring muscular strength
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/45—For evaluating or diagnosing the musculoskeletal system or teeth
    • A61B5/4519—Muscles
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/68—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient
    • A61B5/6801—Arrangements of detecting, measuring or recording means, e.g. sensors, in relation to patient specially adapted to be attached to or worn on the body surface
    • A61B5/6813—Specially adapted to be attached to a specific body part
    • A61B5/6824—Arm or wrist
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/72—Signal processing specially adapted for physiological signals or for diagnostic purposes
    • A61B5/7235—Details of waveform analysis
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B18/00—Surgical instruments, devices or methods for transferring non-mechanical forms of energy to or from the body
    • A61B2018/00636—Sensing and controlling the application of energy
    • A61B2018/00773—Sensed parameters
    • A61B2018/0088—Vibration

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Public Health (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • General Health & Medical Sciences (AREA)
  • Veterinary Medicine (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Biophysics (AREA)
  • Physics & Mathematics (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Physiology (AREA)
  • Orthopedic Medicine & Surgery (AREA)
  • Rheumatology (AREA)
  • Dentistry (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Data Mining & Analysis (AREA)
  • Databases & Information Systems (AREA)
  • Epidemiology (AREA)
  • Primary Health Care (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Measuring And Recording Apparatus For Diagnosis (AREA)

Abstract

본 발명은 근육 진동 신호를 이용한 팔 굽힘 힘 추정장치 및 방법에 관한 것으로, 해결하고자 하는 기술적 과제는 근전도의 단점을 극복할 수 있는 새로운 생체 신호인 근육 진동 신호를 통하여 팔 굽힘 힘을 추정할 수 있는 장치 및 방법을 제공하는데 있다.
이를 위해 본 발명에 따른 근육 진동 신호를 이용한 팔 굽힘 힘 추정장치는, 피측정인의 상지부 근육 표면에 부착되어 상기 피측정인의 팔꿈치 굽힘을 관장하는 다수개의 근육 진동 신호를 획득하는 근육 진동 센서부와, 획득된 근육 진동 신호 중에서 필요없는 특정 주파수 대역의 신호를 제거하는 신호 처리부와, 획득된 근육 진동 신호 각각에 대한 절대 평균값을 산출하는 특징 추출부와, 상기 특징 추출부에서 산출된 절대 평균값을 인공 신경망 알고리즘에 의해 힘 신호로 추정하는 힘 신호 추정부 및 상기 힘 신호 추정부에서 추정된 힘 신호를 피측정인에게 표시해주는 표시부를 포함한다.
근육 진동 신호, 인공 신경 회로망, 힘 예측, 팔 굽힘 힘

Description

근육 진동 신호를 이용한 팔 굽힘 힘 추정장치 및 방법{DEVICE FOR PREDICTING ELBOW FLEXION FORCE USING MECHANOMYOGRAPHY AND METHOD THEREOF}
본 발명은 근육 진동 신호를 이용한 팔 굽힘 힘 추정장치 및 방법에 관한 것이다.
생체역학과 관련된 많은 연구들은 사람이 내는 힘과 생체 신호와의 관계를 구하기 위해 수행되어 왔다. 생체 신호 중에서도 가장 많이 사용되는 근전도(筋電圖, electromyogram)는 근육의 수축 정도를 측정할 수 있는 전기 생리학적 신호로써 의수 로봇(Robotic Prosthesis), 외골격 로봇(Exoskeleton Robot), 원격조종(Telemanipulation)과 같은 인간-기계 상호작용(Human-Machine Interaction, HMI) 분야에서 인간의 움직임 의도를 추출하기 위해 많이 응용되고 있다.
한편, 근전도를 이용하는 방법은 근육 표면에서 비침습적으로 근전도를 취득할 수 있어 다른 신경신호(Electroneurogram, Cortical Signal)에 비해 사용이 비교적 간편하며, 실제 신체의 힘/움직임이 일어나기 이전에 신호가 선행하여 발생하 므로 힘 센서를 이용하여 사용자의 힘을 예측하는 것보다 앞서 힘을 해석할 수 있다는 장점이 있다.
또한, 신체의 일부가 절단된 장애인 같은 경우 남아있는 근육에서 얻은 근전도를 통해 힘을 예측할 수 있기 때문에 근전도를 이용하여 팔꿈치, 손가락의 힘/토크를 예측하는데 널리 사용되고 있는 실정이다.
다만, 상기와 같은 장점들에 불구하고, 근전도 신호를 실생활에 적용하기에는 많은 단점이 존재하는 것이 사실이다.
첫째, 근전도 신호는 센서의 작은 위치 변화에 신호가 변질되는 특성을 가지고 있으므로 사용자가 목표 근육에 센서를 정확히 위치시키는데 오랜 시간이 걸리며, 근육에 관한 깊은 해부학적인 지식을 필요로 한다는 문제점이 있다.
둘째, 근전도는 전기적인 신호이기 때문에 땀에 의한 피부 저항의 변화로 신호가 변질될 가능성이 높으며, 오랜 시간 신호를 수집하게 되는 경우 피부 저항 변화를 줄이기 위해 알코올 등으로 피부를 닦아주는 부가적인 과정이 필요하다는 문제점이 있다.
본 발명은 상기한 바와 같은 과제를 해결하기 위해 발명된 것으로, 근전도의 단점을 극복할 수 있는 새로운 생체 신호인 근육 진동 신호 및 신경망 알고리즘을 통하여 팔 굽힘 힘을 추정할 수 있는 장치 및 방법을 제공하는데 그 목적이 있다.
상기한 바와 같은 목적을 달성하기 위해 본 발명에 따른 근육 진동 신호를 이용한 팔 굽힘 힘 추정장치는 피측정인의 상지부 근육 표면에 부착되어 상기 피측정인의 팔꿈치 굽힘을 관장하는 다수개의 근육 진동 신호를 획득하는 근육 진동 센서부와, 획득된 근육 진동 신호 중에서 필요없는 특정 주파수 대역의 신호를 제거하는 신호 처리부와, 획득된 근육 진동 신호 각각에 대한 절대 평균값을 산출하는 특징 추출부와, 상기 특징 추출부에서 산출된 절대 평균값을 인공 신경망 알고리즘에 의해 힘 신호로 추정하는 힘 신호 추정부 및 상기 힘 신호 추정부에서 추정된 힘 신호를 피측정인에게 표시해주는 표시부를 포함한다.
상기 근육 진동 센서부는 피측정인의 팔꿈치 굽힘을 관장하는 3개 근육의 근육 진동 신호를 획득하기 위하여 3개의 채널을 구비하고, 상기 3개의 채널은 상완 이두근의 근육 진동 신호를 획득하는 채널1과, 상완근의 근육 진동 신호를 획득하는 채널2와 상완 요골근의 근육 진동 신호를 획득하는 채널3을 포함한다.
상기 3개의 채널은 피측정인의 상지부 근육 표면에 밀착되어 피측정인의 팔꿈치 굽힘을 관장하는 3개의 근육의 근육 진동 신호를 획득하기 위한 가속도 센서를 포함한다.
상기 특징 추출부는 획득된 3개의 근육 진동 신호를 절대 평균값 알고리즘에 의하여 변환된 타임 윈도우 내의 근육 진동 신호 각각에 대한 절대 평균값을 산출하고 이를 상기 근육 진동 신호의 특징으로 추출한다.
상기 절대 평균값은 하기의 수학식 1에 의하여 산출될 수 있다.
Figure 112011099519133-pat00001

(
Figure 112011099519133-pat00037
: 절대 평균값,
Figure 112011099519133-pat00038
: 근육 진동 신호,
Figure 112011099519133-pat00039
: 타임 윈도우,
Figure 112011099519133-pat00040
: 데이터 인덱스, I = Fs(샘플링 주파수,Hz)/타임 윈도우 이동(ms))
상기 힘 신호 추정부는 근육 진동 신호와 힘과의 비선형적인 함수관계를 구하기 위하여 인공 신경망 알고리즘에 의해 힘 신호를 추정하고, 상기 인공 신경망 알고리즘은 근육 진동 신호의 절대 평균값에 대응되는 힘 신호를 미리 설정하고, 미리 설정된 힘 신호를 변환된 타임 윈도우 내의 근육 진동 신호 각각에 대한 절대 평균값에 해당하는 힘 신호로 추정한다.
상기 표시부는 CRT, LCD, PDP, LED 및 OLED 중 선택되는 어느 하나의 디스플레이 장치일 수 있다.
또한, 상기한 바와 같은 목적을 달성하기 위해 본 발명에 따른 근육 진동 신호를 이용한 팔 굽힘 힘 추정방법은 피측정인의 상지부 근육 표면에 부착되어 상기 피측정인의 팔꿈치 굽힘을 관장하는 다수개의 근육 진동 신호를 획득하는 제 1단계와, 획득된 근육 진동 신호 중에서 필요없는 특정 주파수 대역의 신호를 제거하는 제 2단계와, 타이밍 윈도우 내의 근육 진동 신호 각각에 대한 절대 평균 값을 산출하여 이를 상기 근육 진동 신호의 특징으로 추출하는 제 3단계와, 상기 제 3단계에서 산출된 상기 근육 진동 신호의 절대 평균값을 인공 신경망 알고리즘에 의해 힘 신호로 추정하는 제 4단계 및 상기 제 4단계에서 추정된 힘 신호를 피측정인에게 표시해주는 제 5단계를 포함한다.
상기 제 1단계는 피측정인의 팔꿈치 굽힘을 관장하는 상완 이두근, 상완근 및 상완 요골근 각각의 근육 진동 신호를 획득한다.
상기 제 1단계는 가속도 센서를 피측정인의 상지부 근육 표면에 밀착하여 피측정인의 팔꿈치 굽힘을 관장하는 3개의 근육의 근육 진동 신호를 획득한다.
상기 제 3단계는 타밍 윈도우 내의 근육 진동 신호 각각에 대한 절대 평균 값을 산출하여 이를 상기 근육 진동 신호의 특징으로 추출하고, 상기 절대 평균값은 하기의 수학식 1에 의하여 산출될 수 있다.
[수학식 1]
Figure 112011099519133-pat00002

(
Figure 112011099519133-pat00041
: 절대 평균값,
Figure 112011099519133-pat00042
: 근육 진동 신호,
Figure 112011099519133-pat00043
: 타임 윈도우,
Figure 112011099519133-pat00044
: 데이터 인덱스, I = Fs(샘플링 주파수,Hz)/타임 윈도우 이동(ms))
상기 제 4단계는 근육 진동 신호와 힘과의 비선형적인 함수관계를 구하기 위하여 인공 신경망 알고리즘에 의해 힘 신호를 추정하고, 상기 인공 신경망 알고리즘은 근육 진동 신호의 절대 평균값에 대응되는 힘 신호를 미리 설정하고, 미리 설정된 힘 신호를 변환된 타임 윈도우 내의 근육 진동 신호 각각에 대한 절대 평균값에 해당하는 힘 신호로 추정한다.
상기한 바와 같이 본 발명에 따른 근육 진동 신호를 이용한 팔 굽힘 힘 추정장치 및 방법에 의하면, 근전도의 단점을 극복할 수 있는 새로운 생체 신호인 근육 진동 신호 및 신경망 알고리즘을 통하여 짧은 학습시간 하에서도 손쉽게 팔 굽힘 힘을 추정할 수 있는 효과가 있다.
또한, 근육 진동 신호는 근육의 위치에 민감하지 않으므로 사용자가 근육 진동 센서를 손쉽게 붙일 수 있는 효과가 있다.
또한, 근육 진동 신호를 기계적인 신호이기 때문에 사용자의 땀에 의한 피부저항 변화에 신호가 변질될 가능성이 없고 오랜 시간 사용할 수 있는 효과가 있다.
상기와 같은 효과에 의해 인체의 일부가 절단된 사람들이 의수를 사용하는데 있어서 기존의 근전도가 가지고 있는 한계점을 극복하고 다양한 편의성을 가져다 줄 수 있는 효과가 있다.
이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세히 설명한다. 우선, 도면들 중 동일한 구성요소 또는 부품들은 가능한 한 동일한 참조부호를 나타내고 있음에 유의해야 한다. 본 발명을 설명함에 있어서 관련된 공지기능 혹은 구성에 대한 구체적인 설명은 본 발명의 요지를 모호하게 하지 않기 위해 생략한다.
도 1은 본 발명에 따른 근육 진동 신호를 이용한 팔 굽힘 힘 추정장치의 블록도이다. 도 1에 도시된 바와 같이 본 발명에 따른 근육 진동 신호를 이용한 팔 굽힘 힘 추정장치(100)는 근육 진동 센서부(110), 신호 처리부(120), 특징 추출부(130), 힘 신호 추정부(140) 및 표시부(150)를 포함한다.
상기 근육 진동 센서부(110)는 피측정인의 상지부(上肢部) 근육 표면에 부착되어 피측정인의 팔꿈치 굽힘(elobow flexion)을 관장하는 다수개의 근육 진동 신호(Mechanomyogram, MMG)를 획득한다. 여기서, 팔꿈치 굽힘을 관장하는 근육은 3개를 들 수 있는데, 이는 'ADAM Interactive Anatomy (A.D.A.M Inc., USA) 소프트웨어를 사용하여 확인할 수 있다. 선정된 3개의 근육은 각각 상완 이두근(biceps brachii, BB), 상완근 (brachialis, BRA) 및 상완 요골근(brachioradialis, BRD)이며, 이러한 근육들은 가속도계로 측정된 근육 진동을 통하여 근수축을 확인할 수 있다. 도 2에는 근육 진동 신호가 획득될 상기 3개의 근육의 위치를 도시한 해부도가 도시되어 있다.
이를 위해 상기 근육 진동 센서부(110)는 가속도 센서가 포함된 3개의 채널 즉, 채널1(CH1), 채널2(CH2), 채널3(CH3)을 구비하며, 상기 채널1은 상완 이두근, 채널2는 상완근, 채널3은 상완 요골근의 근육 진동 신호를 각각 획득한다.
상기 신호 처리부(120)는 획득된 근육 진동 신호 중에서 필요없는 특정 주파수 대역의 신호를 제거한다. 근육 진동 신호(MMG)는 주로 5 내지 100 Hz 사이의 주파수를 가지기 때문에 상기 신호 처리부(120)는 대역 통과 필터(Band Pass Filer, BPF)를 사용하여 상기 범위의 신호만 통과시키고 나머지는 제거하는 기능을 한다.
상기 특징 추출부(130)는 획득된 3개의 근육 진동 신호를 절대 평균값 알고 리즘에 의하여 변환된 타임 윈도우 내의 근육 진동 신호 각각에 대한 절대 평균값(Mean Average Value, MAV)을 산출하고, 이를 상기 근육 진동 신호의 특징으로 추출한다.
도 3을 참조하면 채널1에서 획득한 근육진동 신호를 볼 수 있는데, 도 3에 도시된 바와 같이 근육 진동 신호의 특성상 신호가 너무 노이지(noisy)하기 대문에 타임 윈도우(window)를 사용하여 신호를 부드럽게 만들어줄 필요성이 있다.
일반적으로 근육 진동 신호가 라플라시안 분포(Laplacian Process)를 따른다고 알려져 있으므로 타임 윈도우 내의 근육 진동 신호의 절대 평균값(MAV)을 계산하여 이를 신호 특징으로 사용한다. 이를 통하여 도 3에 도시된 바와 같이 노이지한 원(raw) 근육 진동 신호로부터 부드러운 신호를 얻을 수 있다.
한편, 절대 평균값(MAV)를 구하는 방법은 하기의 수학식 1과 같다.
Figure 112009059837140-pat00003
여기서
Figure 112011099519133-pat00004
는 절대 평균값이고,
Figure 112011099519133-pat00005
는 얻어진 근육 진동 신호이며,
Figure 112011099519133-pat00006
은 시간이고,
Figure 112011099519133-pat00007
는 수집된 데이터의 인덱스, I = Fs(샘플링 주파수,Hz)/타임 윈도우 이동(ms))
절대 평균값에서는 N=200(타임 윈도우의 길이)이다. 근육 진동 신호는 1kHz로 획득되고, 타임 윈도우는 매 20msec마다 이동하게 된다. 즉, 힘을 추정하는 프 로세스는 매 20msec마다 불려지게 된다는 의미이다.
도 4에는 신호의 특징을 추출하기 위해 이동 윈도우를 사용하여 절대 평균값을 산출하는 과정을 도시한 그래프를 도시하였다. 본 발명에서는 신호의 특징을 추출하기 위하여 이동 윈도우(Moving Window)를 사용하여 신호의 절대 평균값(MAV)을 산출하였으며, 이동 윈도우의 길이(Window Length)는 도 4에 도시된 바와 같이 200 msec로 하였고, 윈도의의 이동 증가분(Windwow Increment)는 20msec로 설정하였다.
여기서, 윈도우의 길이는 200msec이지만 20msec으로 윈도우를 움직이면서 상기 윈도우 안에서 절대 평균값(MAV)을 사용하여 특징을 추출한다. 특징을 추출한다는 것은 원 신호가 너무 불규칙적이고 다양한 주파수의 노이즈를 포함하기 때문에 필터링으로 원하는 특징으로 추출할 수 없기 때문에 절대 평균값(MAV)을 사용하여 원도우 구간내의 신호의 대표되는 특징을 추출하는 것이다. 즉, 평균값을 사용하여 근육이 얼마나 활성화 되어 있는지에 대한 특징을 추출하는 것이다.
이 때, 상기 절대 평균값(MAV)은 신호의 절대값을 취하는 것이기 때문에 신호가 전부 양수로 바뀌게 되고 그 이후에 평균값을 취하게 된다. 최종적으로 구한 절대 평균값(MAV)은 피측정인이 최대로 힘을 내었을 때 절대 평균값(MAV)로 정규화된다. 즉, 근육 활성화 정도(절대 평균값_MAV) = MAV_current(현재값) / MAV_max(최대 힘을 내었을 때 값)으로 표현될 수 있고, 최종적으로 상기 절대 평균값(MAV)은 0에서 1 사이의 값을 가지게 되며, 이는 1에 가까울 수록 근육이 더 많이 활성화되었음(근육이 더 많은 힘을 내고 있음)을 의미한다.
다만, 사람마다 절대 평균값(MAV)이 다르기 때문에 상술한 바와 같은 정규화 과정을 수행하여 그 차이를 줄이고, 똑같이 0 부터 1 사이의 값으로 나타내어야 한다. 예를 들어 다시 설명하면, A라는 사람이 최대로 낼 수 있는 MAV_max 값이 100이고, B라는 사람이 최대로 낼 수 있는 MAV_max 값이 200인 경우, A는 힘 10N을 내는데 MAV가 10이 필요하고, B는 20이 필요하다면 이 값 자체로는 비교가 불가능하기 때문에 최대값으로 나누게 되며, 이 경우 둘다 0.1의 값을 가지기 때문에 사람들 간의 차이를 줄이고 데이터가 객관화될 수 있게 된다.
상기 힘 신호 추정부(140)는 상기 특징 추출부(130)에서 산출된 절대 평균값을 인공 신경망 알고리즘에 의해 힘 신호로 추정한다. 즉, 상기 힘 신호 추정부(140)는 근육 진동 신호와 힘과의 비선형적인 함수관계를 구하기 위하여 인공 신경망 알고리즘에 의해 힘 신호를 추정한다. 인공 신경망 알고리즘은 근육 진동 신호의 절대 평균값에 대응되는 힘 신호를 미리 설정(Training Phase)하고, 미리 설정된 힘 신호를 변환된 타임 윈도우 내의 근육 진동 신호 각각에 대한 절대 평균값에 해당하는 힘 신호로 추정(Test Phase)한다.
도 5 및 도 6은 인공신경망 알고리즘을 사용하여 힘 신호를 추정하는 과정을 도시한 개념도이다. 도 5에 도시된 바와 같이 인공신경망의 명확한 구조에 대하여 히든 레이어(Hidden Layer)의 뉴트론(Neutron) 개수는 10개로 정하여 설명하기로 한다. 여기서, 블랙 박스 모델을 만들기 위해서는 트레이닝 단계(Training Phase) 가 필요하며, 이 단계는 근육 진동 신호와 힘 신호를 미리 구해두고 근육 진동 신호를 입력하면 자동적으로 추정된 힘이 계산되도록 함수를 모델링(Modeling)하는 과정이다. 이렇게 트레이닝이 적절하게 끝나게 되면 하나의 함수처럼 실시간으로 근육 진동 신호를 획득하여 인공신경망 알고리즘을 거치게 되면 인공 신경망이 추정한 힘 값이 출력될 수 있다.
즉, 상기 트레이닝 단계는 인풋(Input)과 아웃풋(Output) 사이의 관계를 구하는 과정이라고 말할 수 있다. 즉, 에러(E)를 최소화 하는 방향으로 가중치 값이 결정되는 과정인데, 상기 에러(E)는 하기의 수학식 2에 의해 계산된다.
Figure 112009059837140-pat00008
보다 자세하게 설명하면, 하기의 수학식 3의 두 식을 이용하여 가중치 값을 결정한다. y값은 히든 노드(Hidden Node)값이고, x값은 인풋(Input) 값이며, z값은 최종 아웃풋(Output) 값이고, W와 B는 각각 가중치와 바이어스(bias) 값이다. 상기와 같이 에러(E)를 줄이는 방향으로 되풀이하여 가중치 W 값과 B 값을 구하게 된다. 이렇게 트레이닝 단계(Training Phase) 동안에 구해진 W값과 B값 들은 함수(Relationship Function) 처럼 사용되어 입력(Input)에 대한 힘(Force, N)을 실시간으로 예측할 수 있게 된다.
Figure 112009059837140-pat00009
이하에서는 상기 방법으로 수행한 실험결과에 대하여 설명한다. 각 한 세트는 두 가지 파트(트레이닝 파트, 테스트 파트)로 나뉘며 상기 트레이닝 파트는 다층 신경망에 근육 진동 신호를 입력하였을 때 팔꿈치 힘을 적절히 추정할 수 있도록 하는 일종의 학습과정을 위해 수행하는 것으로 표시부(150)에 도 7과 같은 그래프를 출력하여 피측정인이 상기 그래프에 가이드되어 동적인 힘을 따라 가할 수 있도록 한다. 상기 트레이닝 파트에서 수집된 힘과 근육 진동 신호들은 백 프로퍼게이션(backpropagation) 알고리즘을 사용하여 다층 신경망을 학습된다.
도 8에는 실험결과를 나타낸 그래프를 도시하였으며, 도 8에서 힘 센서로부터 측정된 실제 힘과 다층 신경망을 통해 추정된 팔굽힘 힘을 비교한 그래프를 확인할 수 있다. 이러한 결과를 정량적으로 분석하기 위해 하기의 수학식 4 및 수학 식 5를 사용하였다.
Figure 112009059837140-pat00010
Figure 112009059837140-pat00011
여기서, NRMSE(Normalized Root Mean Square) 및 CORR(Correlation) 값은 얼마나 힘이 잘 예측되었나 하는 정량적인 기준을 위하여 사용된 값이다.
상기 NRMSE 값은 최대 몇 퍼센트의 오차를 보이는지를 나타내는 값이다. 예를 들어 값이 0.1이라면 실제 힘 센서로부터 측정한 힘과 본 발명에 따른 방법으로 예측한 힘의 오차의 퍼센트가 10%라는 의미가 된다.
상기 CORR 값은 신호의 위상(Phase)이 얼마나 유사한 가를 나타내는 값이다. 도 9를 참조하여 설명하면, 예를 들어 신호의 크기가 다르다고 할지라도 위상(Phase)이 똑같은 경우에는 CORR 값이 1인 것을 확인할 수 있고, 위상(Phase)이 90도 뒤쳐져 있는 두 번째와 같은 경우에는 CORR 값이 -1인 것을 확인할 수 있다. 여기서 CORR의 범위는 -1 ～ 1 사이가 된다.
아래의 표 1은 피측정자의 실험결과를 나타낸 표의 예시이다.
Figure 112009059837140-pat00012
도 10은 각 채널을 통하여 획득된 근육 진동 신호들과 팔굽힘 힘을 비교한 그래프이고, 도 11은 각 채널을 통하여 획득된 근육 진동 신호들의 절대 평균값들과 팔굽힘 힘을 비교한 그래프이다. 상술한 바와 같이 절대 평균값을 사용한 것과 원래 신호와의 비교를 도 10 및 도 11에 예시하였다.
상기 표시부(150)는 상기 힘 신호 추정부(140)에서 추정된 힘 신호를 피측정인에게 표시한다. 이러한 표시부(150)는 CRT, LCD, PDP, LED 및 OLED 등의 디스플레이 장치가 사용될 수 있으나 본 발명에서는 피측정인에게 결과를 표시해불 수 있는 것이면 어떠한 것이라도 상관없으며, 여기서 상기 디스플레이의 종류를 한정하는 것은 아니다.
도 12는 본 발명에 따른 근육 진동 신호를 이용한 팔 굽힘 힘 추정방법의 순서도이다. 도 12에 도시된 바와 같이 본 발명에 따른 근육 진동 신호를 이용한 팔 굽힘 힘 추정방법은 제 1단계 내지 제 5단계로 이루어지는 5단계를 포함한다.
상기 제 1단계(S10)는 피측정인의 상지부 근육 표면에 부착되어 상기 피측정인의 팔꿈치 굽힘을 관장하는 다수개의 근육 진동 신호를 획득하는 단계이다. 여기서, 상기 제 1단계(S10)는 피측정인의 팔꿈치 굽힘을 관장하는 상완 이두근, 상완근 및 상완 요골근 각각의 근육 진동 신호를 획득한다. 이를 위해서 가속도 센서를 피측정인의 상지부 근육 표면에 밀착하여 상기 3개 근육의 근육의 근육 진동 신호를 획득한다.
상기 제 2단계(S20)는 획득된 근육 진동 신호 중에서 필요없는 특정 주파수 대역의 신호를 제거한다.
상기 제 3단계(S30)는 타이밍 윈도우 내의 근육 진동 신호 각각에 대한 절대 평균값을 산출하여 이를 상기 근육 진동 신호의 특징으로 추출한다. 상기 절대 평균값은 상술한 수학식 1에 의해 산출된다.
상기 제 4단계(S40)는 상기 제 3단계(S30)에서 산출된 근육 진동 신호의 절대 평균값을 인공 신경망 알고리즘에 의해 힘 신호로 추정한다. 즉, 상기 제 4단계(S40)는 근육 진동 신호와 힘과의 비선형적인 함수관계를 구하기 위하여 인공 신경망 알고리즘에 의해 힘 신호를 추정하고, 상기 인공 신경망 알고리즘은 근육 진동 신호의 절대 평균값에 대응되는 힘 신호를 미리 설정하고, 미리 설정된 힘 신호를 변환된 타임 윈도우 내의 근육 진동 신호 각각에 대한 절대 평균값에 해당하는 힘 신호로 추정한다.
상기 제 5단계(S50)에서는 상기 제 4단계(S40)에서 추정된 힘 신호를 피측정인에게 표시해주는 단계이다. 이는 CRT, LCD, PDP, LED 및 OLED 와 같은 디스플레이 장치에 의해 이루어질 수 있다.
한편, 상술한 바와 같은 제 1단계(S10) 내지 제5단계(S50)에 관한 자세한 설명은 본 발명에 따른 팔 굽힘 힘 추정장치에 대한 설명에서 이미 한 바 있으므로 여기서는 생략하기로 한다.
도 13은 본 발명에 따른 팔 굽힘 힘 추정장치를 이용하여 피측정인의 근육 진동 신호를 획득하는 일실시예를 도시한 개념도이다. 도 13에 도시된 바와 같이 피측정인의 팔과 손목은 팔 고정기(arm brace, 미도시)와 손목 고정기(wrist brace, 미도시)를 사용하여 고정된다. 피측정인은 힘 센서(2, 도 13)를 잡고 팔 굽힘 힘(Elbow Flexion Force)를 가한다. 근육 진동 신호는 가속도계를 포함하는 채널1(111), 채널2(112) 및 채널3(113)을 통하여 측정되고, 신호수집장치(PCI 6034e, National InstrumentsTM, USA, 미도시)와 연결되어 본 발명에 따른 팔 굽힘 힘 추정장치(100)에 1kHz로 신호를 전송할 수 있다. 여기서 가속도계는 'ADXL202JE, ANALOG DEVICE, USA' 제품을 사용할 수 있으나, 본 발명에서 가속도계의 종류를 한정하는 것은 아니다.
이상과 같이 본 발명에 따른 근육 진동 신호를 이용한 팔 굽힘 힘 추정장치 및 방법을 예시한 도면을 참조로 하여 설명하였으나, 본 명세서에 개시된 실시예와 도면에 의해 본 발명이 한정되는 것은 아니며, 본 발명의 기술사상 범위내에서 당업자에 의해 다양한 변형이 이루어질 수 있음은 물론이다.
도 1은 본 발명에 따른 근육 진동 신호를 이용한 팔 굽힘 힘 추정장치의 블록도이다.
도 2는 근육 진동 신호가 획득될 근육의 위치를 도시한 해부도이다.
도 3은 채널1에서 획득한 원 근육 진동 신호와 절대 평균값을 비교한 그래프이다.
도 4은 신호의 특징을 추출하기 위해 이동 윈도우를 사용하여 절대 평균값을 산출하는 과정을 도시한 그래프이다.
도 5 및 도 6은 인공신경망 알고리즘을 사용하여 힘 신호를 추정하는 과정을 도시한 개념도이다.
도 7은 표시부를 통하여 피측정인에게 출력되어 피측정인이 가해야하는 힘을 가이드 하기 위한 그래프이다.
도 8은 근육 진동 센서부를 통하여 측정된 팔 굽힘 힘과 인공 신경망 알고리즘을 사용하여 추정된 팔 굽힘 힘을 비교한 그래프이다.
도 9는 상관관계(CORR, Correlation)를 설명하기 위한 도이다.
도 10은 각 채널을 통하여 획득된 근육 진동 신호들과 팔굽힘 힘을 비교한 그래프이고, 도 11은 각 채널을 통하여 획득된 근육 진동 신호들의 절대 평균값들과 팔굽힘 힘을 비교한 그래프이다.
도 12는 본 발명에 따른 근육 진동 신호를 이용한 팔 굽힘 힘 추정방법의 순서도이다.
도 13은 본 발명에 따른 근육 진동 신호를 이용한 팔 굽힘 힘 추정장치를 이용하여 피측정인의 근육 진동 신호를 획득하는 일실시예를 도시한 개념도이다.
< 도면의 주요 부분에 대한 부호의 설명 >
100: 근육 진동 신호를 이용한 팔 굽힘 힘 추정장치
110: 근육 진동 센서부 111: 채널1
112: 채널2 113: 채널3
120: 신호 처리부 130: 특징 추출부
140: 힘 신호 추정부 150: 표시부
S10: 근육 진동 신호 획득 단계
S20: 신호 처리 단계
S30: 특징 추출 단계
S40: 힘 신호 추정 단계
S50: 결과 표시 단계

Claims (13)

  1. 피측정인의 상지부 근육 표면에 부착되어 상기 피측정인의 팔꿈치 굽힘을 관장하는 다수개의 근육 진동 신호를 획득하는 근육 진동 센서부;
    획득된 근육 진동 신호 중에서 필요없는 특정 주파수 대역의 신호를 제거하는 신호 처리부;
    획득된 근육 진동 신호 각각에 대한 절대 평균값을 산출하는 특징 추출부;
    상기 특징 추출부에서 산출된 절대 평균값을 인공 신경망 알고리즘에 의해 힘 신호로 추정하는 힘 신호 추정부; 및
    상기 힘 신호 추정부에서 추정된 힘 신호를 피측정인에게 표시해주는 표시부
    를 포함하며,
    상기 근육 진동 센서부는
    피측정인의 팔꿈치 굽힘을 관장하는 3개 근육의 근육 진동 신호를 획득하기 위하여 3개의 채널을 구비하고, 상기 3개의 채널은 상완 이두근의 근육 진동 신호를 획득하는 채널1과, 상완근의 근육 진동 신호를 획득하는 채널2와 상완 요골근의 근육 진동 신호를 획득하는 채널3을 포함하고,
    상기 특징 추출부는
    획득된 3개의 근육 진동 신호를 절대 평균값 알고리즘에 의하여 변환된 타임 윈도우 내의 근육 진동 신호 각각에 대한 절대 평균값을 산출하고 이를 상기 근육 진동 신호의 특징으로 추출하며, 상기 절대 평균값은 하기의 수학식 1에 의하여 산출되는 것을 특징으로 하는 근육 진동 신호를 이용한 팔 굽힘 힘 추정장치.
    [수학식 1]
    Figure 112011099519133-pat00045
    (
    Figure 112011099519133-pat00046
    : 절대 평균값,
    Figure 112011099519133-pat00047
    : 근육 진동 신호,
    Figure 112011099519133-pat00048
    : 타임 윈도우,
    Figure 112011099519133-pat00049
    : 데이터 인덱스, I = Fs(샘플링 주파수,Hz)/타임 윈도우 이동(ms))
  2. 삭제
  3. 청구항 1에 있어서,
    상기 3개의 채널은 피측정인의 상지부 근육 표면에 밀착되어 피측정인의 팔꿈치 굽힘을 관장하는 3개의 근육의 근육 진동 신호를 획득하기 위한 가속도 센서를 포함하는 것을 특징으로 하는 근육 진동 신호를 이용한 팔 굽힘 힘 추정장치.
  4. 삭제
  5. 삭제
  6. 청구항 1에 있어서,
    상기 힘 신호 추정부는 근육 진동 신호와 힘과의 비선형적인 함수관계를 구하기 위하여 인공 신경망 알고리즘에 의해 힘 신호를 추정하고, 상기 인공 신경망 알고리즘은 근육 진동 신호의 절대 평균값에 대응되는 힘 신호를 미리 설정하고, 미리 설정된 힘 신호를 변환된 상기 타임 윈도우 내의 근육 진동 신호 각각에 대한 절대 평균값에 해당하는 힘 신호로 추정하는 것을 특징으로 하는 근육 진동 신호를 이용한 팔 굽힘 힘 추정장치.
  7. 청구항 7은(는) 설정등록료 납부시 포기되었습니다.
    청구항 1에 있어서,
    상기 표시부는 CRT, LCD, PDP, LED 및 OLED 중 선택되는 어느 하나의 디스플레이 장치인 것을 특징으로 하는 근육 진동 신호를 이용한 팔 굽힘 힘 추정장치.
  8. 청구항 제1항에 따른 근육 진동 신호를 이용한 팔 굽힘 힘 추정장치를 통한 팔 굽힘 힘 추정 방법은,
    가속도센서를 피측정인의 상지부 근육 표면에 부착하여 상기 피측정인의 팔꿈치 굽힘을 관장하는 다수개의 근육 진동 신호를 획득하는 제 1단계; 획득된 근육 진동 신호 중에서 필요없는 특정 주파수 대역의 신호를 제거하는 제 2단계; 타임 윈도우 내의 근육 진동 신호 각각에 대한 절대 평균 값을 산출하여 이를 상기 근육 진동 신호의 특징으로 추출하는 제 3단계; 상기 제 3단계에서 산출된 상기 근육 진동 신호의 절대 평균값을 인공 신경망 알고리즘에 의해 힘 신호로 추정하는 제 4단계; 및 상기 제 4단계에서 추정된 힘 신호를 피측정인에게 표시해주는 제 5단계;를 포함하며,
    상기 제 3단계는 상기 타임 윈도우 내의 근육 진동 신호 각각에 대한 절대 평균 값을 산출하여 이를 상기 근육 진동 신호의 특징으로 추출하고, 상기 절대 평균값은 하기의 수학식 1에 의하여 산출되는 것을 특징으로 하는 근육 진동 신호를 이용한 팔 굽힘 힘 추정방법.
    [수학식 1]
    Figure 112011099519133-pat00032
    (
    Figure 112011099519133-pat00033
    : 절대 평균값,
    Figure 112011099519133-pat00034
    : 근육 진동 신호,
    Figure 112011099519133-pat00035
    : 타임 윈도우,
    Figure 112011099519133-pat00036
    : 데이터 인덱스, I = Fs(샘플링 주파수,Hz)/타임 윈도우 이동(ms))
  9. 청구항 8에 있어서,
    상기 제 1단계는 피측정인의 팔꿈치 굽힘을 관장하는 상완 이두근, 상완근 및 상완 요골근 각각의 근육 진동 신호를 획득하는 것을 특징으로 하는 근육 진동 신호를 이용한 팔 굽힘 힘 추정 방법.
  10. 청구항 9에 있어서,
    상기 제 1단계는 가속도 센서를 피측정인의 상지부 근육 표면에 밀착하여 피측정인의 팔꿈치 굽힘을 관장하는 3개의 근육의 근육 진동 신호를 획득하는 것을 특징으로 하는 근육 진동 신호를 이용한 팔 굽힘 힘 추정방법.
  11. 삭제
  12. 청구항 8에 있어서,
    상기 제 4단계는 근육 진동 신호와 힘과의 비선형적인 함수관계를 구하기 위하여 인공 신경망 알고리즘에 의해 힘 신호를 추정하고, 상기 인공 신경망 알고리즘은 근육 진동 신호의 절대 평균값에 대응되는 힘 신호를 미리 설정하고, 미리 설정된 힘 신호를 변환된 타임 윈도우 내의 근육 진동 신호 각각에 대한 절대 평균값에 해당하는 힘 신호로 추정하는 것을 특징으로 하는 근육 진동 신호를 이용한 팔 굽힘 힘 추정방법.
  13. 청구항 13은(는) 설정등록료 납부시 포기되었습니다.
    청구항 1항 내지 4항, 6항, 7항 중 어느 하나의 근육 진동 신호를 이용한 팔 굽힘 추정장치가 내장된 일체형 스마트 체어.
KR1020090092326A 2009-09-29 2009-09-29 근육 진동 신호를 이용한 팔 굽힘 힘 추정장치 및 방법 KR101152841B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020090092326A KR101152841B1 (ko) 2009-09-29 2009-09-29 근육 진동 신호를 이용한 팔 굽힘 힘 추정장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020090092326A KR101152841B1 (ko) 2009-09-29 2009-09-29 근육 진동 신호를 이용한 팔 굽힘 힘 추정장치 및 방법

Publications (2)

Publication Number Publication Date
KR20110034863A KR20110034863A (ko) 2011-04-06
KR101152841B1 true KR101152841B1 (ko) 2012-07-03

Family

ID=44043292

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020090092326A KR101152841B1 (ko) 2009-09-29 2009-09-29 근육 진동 신호를 이용한 팔 굽힘 힘 추정장치 및 방법

Country Status (1)

Country Link
KR (1) KR101152841B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10866637B2 (en) 2016-02-02 2020-12-15 Samsung Electronics Co. Ltd. Gesture classification apparatus and method using EMG signal

Families Citing this family (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101307046B1 (ko) * 2011-12-23 2013-09-11 인하대학교 산학협력단 근전도 신호의 패턴 분류 장치 및 방법
CN102614061A (zh) * 2012-03-01 2012-08-01 上海理工大学 基于肌音信号的人体上肢功能康复训练实现方法
US11587665B2 (en) 2015-12-28 2023-02-21 The University Of North Carolina At Chapel Hill Methods, systems, and non-transitory computer readable media for estimating maximum heart rate and maximal oxygen uptake from submaximal exercise intensities
KR101993554B1 (ko) * 2018-02-02 2019-06-26 재단법인대구경북과학기술원 신장 반사 토크를 계산하기 위한 시스템
WO2020069181A1 (en) * 2018-09-26 2020-04-02 Ctrl-Labs Corporation Neuromuscular control of physical objects in an environment
KR102534421B1 (ko) * 2021-05-07 2023-05-26 주식회사 엑소시스템즈 근감소증 진단 시스템
WO2022235129A1 (ko) * 2021-05-07 2022-11-10 주식회사 엑소시스템즈 근감소증 진단 시스템 및 근전도 신호를 사용하는 기능성 전기자극 치료 시스템

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001286451A (ja) 2000-04-07 2001-10-16 Rikogaku Shinkokai 筋電信号の正規化基準値算出方法、内的力基準値算出方法、収縮度算出方法、内的力算出方法及びこれらの装置
JP2008192004A (ja) * 2007-02-06 2008-08-21 Hiroshima Univ 入力情報処理装置、入力情報処理方法、入力情報処理プログラムおよびこれを記録したコンピュータ読み取り可能な記録媒体

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2001286451A (ja) 2000-04-07 2001-10-16 Rikogaku Shinkokai 筋電信号の正規化基準値算出方法、内的力基準値算出方法、収縮度算出方法、内的力算出方法及びこれらの装置
JP2008192004A (ja) * 2007-02-06 2008-08-21 Hiroshima Univ 入力情報処理装置、入力情報処理方法、入力情報処理プログラムおよびこれを記録したコンピュータ読み取り可能な記録媒体

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10866637B2 (en) 2016-02-02 2020-12-15 Samsung Electronics Co. Ltd. Gesture classification apparatus and method using EMG signal

Also Published As

Publication number Publication date
KR20110034863A (ko) 2011-04-06

Similar Documents

Publication Publication Date Title
KR101152841B1 (ko) 근육 진동 신호를 이용한 팔 굽힘 힘 추정장치 및 방법
Reaz et al. Techniques of EMG signal analysis: detection, processing, classification and applications
Bunderson et al. Quantification of feature space changes with experience during electromyogram pattern recognition control
KR101666399B1 (ko) 다중 채널 표면 근전도에서의 신체 관절 운동학 정보 추출 방법, 이를 수행하기 위한 기록 매체 및 장치
Pfurtscheller et al. 15 years of BCI research at Graz University of Technology: current projects
Pan et al. Continuous estimation of finger joint angles under different static wrist motions from surface EMG signals
Van Boxtel et al. Detection of EMG onset in ERP research
US6660042B1 (en) Methods of biomimetic finger control by filtering of distributed forelimib pressures
CN106420124B (zh) 一种肌电控制虚拟机器人假手仿真系统的方法
Alves et al. Uncovering patterns of forearm muscle activity using multi-channel mechanomyography
CN102499797B (zh) 假肢控制方法及系统
Phinyomark et al. Wavelet-based denoising algorithm for robust EMG pattern recognition
Ryait et al. SEMG signal analysis at acupressure points for elbow movement
Wang et al. Prediction of sEMG-based tremor joint angle using the RBF neural network
CN116312947B (zh) 基于上肢运动信号的沉浸式踝足康复训练方法及电子设备
Wang et al. Ultrasonography and electromyography based hand motion intention recognition for a trans-radial amputee: A case study
Fraiwan et al. Real time virtual prosthetic hand controlled using EMG signals
KR100994408B1 (ko) 손가락 힘 추정 방법 및 추정 장치, 손가락 힘 추정을 위한근육 판별 방법 및 근육 판별 장치
Wołczowski et al. The system for EMG and MMG singals recording for the bioprosthetic hand control
CN113288532B (zh) 一种肌电控制方法和装置
Avila et al. EMG onset detection and upper limb movements identification algorithm
Kobayashi et al. BCI-based control of electric wheelchair
Triwiyanto et al. Investigation of Electrode Location to Improve the Accuracy of Wearable Hand Exoskeleton Trainer Based on Electromyography
Talukder et al. EOG based home automation system by cursor movement using a graphical user interface (GUI)
Wang et al. Artificial elbow joint classification using upper arm based on surface-EMG signal

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: 20150429

Year of fee payment: 4

LAPS Lapse due to unpaid annual fee