KR101307046B1 - 근전도 신호의 패턴 분류 장치 및 방법 - Google Patents

근전도 신호의 패턴 분류 장치 및 방법 Download PDF

Info

Publication number
KR101307046B1
KR101307046B1 KR1020110141162A KR20110141162A KR101307046B1 KR 101307046 B1 KR101307046 B1 KR 101307046B1 KR 1020110141162 A KR1020110141162 A KR 1020110141162A KR 20110141162 A KR20110141162 A KR 20110141162A KR 101307046 B1 KR101307046 B1 KR 101307046B1
Authority
KR
South Korea
Prior art keywords
emg signal
user
motion
feature
emg
Prior art date
Application number
KR1020110141162A
Other languages
English (en)
Other versions
KR20130073361A (ko
Inventor
이상민
송영록
김서준
정의철
Original Assignee
인하대학교 산학협력단
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 인하대학교 산학협력단 filed Critical 인하대학교 산학협력단
Priority to KR1020110141162A priority Critical patent/KR101307046B1/ko
Publication of KR20130073361A publication Critical patent/KR20130073361A/ko
Application granted granted Critical
Publication of KR101307046B1 publication Critical patent/KR101307046B1/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
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/08—Feature extraction
    • 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
    • G06V40/15—Biometric patterns based on physiological signals, e.g. heartbeat, blood flow

Landscapes

  • Engineering & Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Neurosurgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Neurology (AREA)
  • Health & Medical Sciences (AREA)
  • Dermatology (AREA)
  • Human Computer Interaction (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

본 발명은 사용자의 동작에 따른 근전도 신호의 특징을 결정하여 사용자의 동작에 대한 근전도 신호의 패턴을 명확하게 분류하는 장치 및 방법이 개시된다.
근전도 신호의 패턴 분류 장치는 사용자의 근육 중 제1 근육이 사용자의 동작에 따라 발산한 제1 근전도 신호의 특징과, 사용자의 동작에 대응하는 근전도 신호의 특징이 제1 근육과 반대인 제2 근육이 사용자의 동작에 따라 발산한 제2 근전도 신호의 특징을 추출하는 근전도 신호 특징 추출부; 및 제1 근전도 신호의 특징과 제2 근전도 신호의 특징을 사용하여 사용자의 동작에 대응하는 근전도 신호의 특징을 결정하는 근전도 신호 특징 결정부를 포함할 수 있다.

Description

근전도 신호의 패턴 분류 장치 및 방법{APPARATUS AND METHOD FOR CLASSIFING PATTERN OF ELECTROMYOGRAM SIGNALS}
본 발명은 근전도 신호의 패턴 분류 장치 및 방법에 관한 것으로, 보다 상세하게는 사용자의 동작에 따른 진폭 특성이 서로 반대인 근육의 근전도 신호의 특징을 사용하여 사용자의 동작에 따른 근전도 신호의 특징을 결정함으로써, 사용자의 동작에 대한 근전도 신호의 패턴을 명확하게 분류하는 근전도 신호의 패턴 분류 장치 및 방법에 관한 것이다.
최근 들어 근전도(EMG) 및 뇌전도(EEG)와 같은 인위적으로 발생 가능한 생체 신호를 이용하여, 노약자나 장애인이 컴퓨터를 이용하는데 있어서의 인터페이스(human computer interface)로 사용하거나 휠체어 등의 재활기기 구동 제어를 위한 명령어를 생성하기 위한 기술이 개발되고 있다.
한국등록특허 제10-0652010호(공개일 2006년 11월 23일)에는 근전도 신호를 블록화하여 특징을 추출하고, 추출한 특징 값을 사용하여 사용자의 동작 패턴을 인식하는 기술이 개시되어 있다. 그러나, 종래의 기술은 센서가 측정한 근전도 신호를 단순히 블록화하고 있으므로, 사용자의 제1 동작에 따른 제1 근육의 근전도 신호의 특성과 사용자의 제2 동작에 따른 제2 근육의 근전도 신호의 특징이 유사할 경우, 서로 오버랩(overlap)되어 각 동작의 특징 점이 구별되지 않는 것을 방지할 수 없다는 한계가 있었다.
따라서, 사용자의 동작에 대한 근전도 신호의 특징을 정확하게 구별할 수 있는 방법이 요청되고 있다.
본 발명은 사용자의 동작에 따른 진폭 특성이 서로 반대인 근육의 근전도 신호의 특징을 사용하여 사용자의 동작에 따른 근전도 신호의 특징을 결정함으로써, 사용자의 동작에 대한 근전도 신호의 패턴을 명확하게 분류하는 장치 및 방법을 제공한다.
본 발명의 일실시예에 따른 근전도 신호의 패턴 분류 장치는 사용자의 근육 중 제1 근육이 사용자의 동작에 따라 발산한 제1 근전도 신호의 특징과, 사용자의 동작에 대응하는 근전도 신호의 특징이 제1 근육과 반대인 제2 근육이 사용자의 동작에 따라 발산한 제2 근전도 신호의 특징을 추출하는 근전도 신호 특징 추출부; 및 제1 근전도 신호의 특징과 제2 근전도 신호의 특징을 사용하여 사용자의 동작에 대응하는 근전도 신호의 특징을 결정하는 근전도 신호 특징 결정부를 포함할 수 있다.
본 발명의 일실시예에 따른 근전도 신호의 패턴 분류 장치의 근전도 신호 특징 추출부는, 제1 근육과 제2 근육이 일정 시간 동안 발산한 근전도 신호의 절대차분평균치(DAMV: Difference Absolute Mean Value)와 평균절대값(MAV: Mean Absolute Value)을 사용하여 제1 근전도 신호의 특징과 제2 근전도 신호의 특징을 추출할 수 있다.
본 발명의 일실시예에 따른 근전도 신호의 패턴 분류 장치의 근전도 신호 특징 결정부는, 제1 근전도 신호의 특징과 제2 근전도 신호의 특징의 크기를 비교하고, 비교 결과를 사용자의 동작에 대응하는 근전도 신호의 특징으로 결정할 수 있다.
본 발명의 일실시예에 따른 근전도 신호의 패턴 분류 장치는 사용자의 동작에 대응하는 근전도 신호의 특징을 2차원 가우시안 혼합 모델(Gaussian Mixture Model)로 모델링하여 사용자의 동작에 대한 근전도 신호의 패턴을 분류하는 근전도 신호 패턴 분류부를 더 포함할 수 있다.
본 발명의 일실시예에 따른 근전도 신호의 패턴 분류 방법은 사용자의 근육 중 제1 근육이 사용자의 동작에 따라 발산한 제1 근전도 신호의 특징을 추출하는 단계; 사용자의 동작에 대응하는 근전도 신호의 특징이 제1 근육과 반대인 제2 근육이 사용자의 동작에 따라 발산한 제2 근전도 신호의 특징을 추출하는 단계; 및 제1 근전도 신호의 특징과 제2 근전도 신호의 특징을 사용하여 사용자의 동작에 대응하는 근전도 신호의 특징을 결정하는 단계를 포함할 수 있다.
본 발명의 일실시예에 의하면, 사용자의 동작에 따른 진폭 특성이 서로 반대인 근육의 근전도 신호의 특징을 사용하여 사용자의 동작에 따른 근전도 신호의 특징을 결정함으로써, 사용자의 동작에 대한 근전도 신호의 패턴을 명확하게 분류할 수 있다.
도 1은 본 발명의 일실시예에 따른 근전도 신호의 패턴 분류 장치와 다른 장치 간의 관계를 나타내는 도면이다.
도 2는 본 발명의 일실시예에 따른 근전도 신호를 측정하는 근육의 일례이다.
도 3은 사용자의 동작에 따른 신근과 굴근의 진폭 특성의 일례이다.
도 4는 본 발명의 일실시예에 따른 D_ DAMV와 D_ MAV를 결정하는 과정의 일례이다.
도 5는 본 발명의 일실시예에 따른 근전도 신호의 특징 결정 방법을 도시한 플로우차트이다.
이하, 본 발명의 실시예를 첨부된 도면을 참조하여 상세하게 설명한다. 본 발명의 일실시예에 따른 근전도 신호의 특징 결정 방법은 근전도 신호의 패턴 분류 장치에 의해 수행될 수 있다.
도 1은 본 발명의 일실시예에 따른 근전도 신호의 패턴 분류 장치(100)를 도시한 블록 다이어그램이다.
도 1을 참고하면, 본 발명의 일실시예에 따른 근전도 신호의 패턴 분류 장치(100)는 근전도 신호 수신부(110)와 전처리부(120), 근전도 신호 특징 추출부(130), 근전도 신호 특징 결정부(140) 및 근전도 신호 패턴 분류부(150)를 포함할 수 있다.
근전도 신호 수신부(110)는 사용자의 근육에 부착된 체표면 전극으로부터 사용자의 근전도 신호를 수신할 수 있다. 이때, 체표면 전극은 사용자의 동작에 대응하는 근전도 신호의 특징이 서로 반대인 제1 근육과 제2 근육에 부착될 수 있다. 예를 들어, 도 2에 도시된 바와 같이 제1 근육이 손을 펴는 동작에서 진폭이 크고, 손을 쥐는 동작에서 진폭이 적은 자측 손목 신근(extensor carpi ulnaris)(210)인 경우, 제2 근육은 자측 손목 신근에 비하여 손을 펴는 동작에서 진폭이 적고, 손을 쥐는 동작에서 진폭이 큰 자측 손목 굴근(flexor carpi ulnaris)(220)일 수 있다.
전처리부(120)는 근전도 신호 수신부(110)가 수신한 근전도 신호에 전처리 과정을 수행할 수 있다. 이때, 전처리 과정은 근전도 신호를 대역 통과 필터링하고, 증폭하는 과정을 포함할 수 있다.
근전도 신호 특징 추출부(130)는 사용자의 동작에 따른 제1 근전도 신호와 제2 근전도 신호의 특징을 추출할 수 있다.
근전도 신호 특징 추출부(130)는 사용자의 근육 중 제1 근육과 제2 근육이 일정 시간 동안 발산한 근전도 신호의 절대차분평균치(DAMV: Difference Absolute Mean Value)와 평균절대값(MAV: Mean Absolute Value)을 사용하여 제1 근전도 신호의 특징과 제2 근전도 신호의 특징을 추출할 수 있다.
이때, 근전도 신호 특징 추출부(130)는 일정 시간 동안 수신한 근전도 신호의 절대값을 적분하여 절대차분평균치를 계산할 수 있다. 예를 들어 근전도 신호 특징 추출부(130)는 수학식 1을 사용하여 절대차분평균치를 계산할 수 있다.
Figure 112011102796269-pat00001
이때, x는 근전도 신호 수신부(110)가 수신하여 전처리부(120)가 전처리한 근전도 신호이고, i는 근전도 신호의 수신 순서, N은 일정 시간 동안 수신한 근전도 신호의 개수일 수 있다.
또한, 근전도 신호 특징 추출부(130)는 무빙(moving) 윈도우를 이용하여 근전도 신호의 평균절대값을 계산할 수 있다. 예를 들어, 근전도 신호 특징 추출부(130)는 수학식 2를 사용하여 평균절대값을 계산할 수 있다.
Figure 112011102796269-pat00002
이때, S는 무빙 윈도우의 길이이며, f(s)는 무빙 윈도우 안의 데이터일 수 있다.
근전도 신호 특징 결정부(140)는 제1 근전도 신호의 특징과 제2 근전도 신호의 특징을 사용하여 사용자의 동작에 대응하는 근전도 신호의 특징을 결정할 수 있다. 구체적으로, 근전도 신호 특징 결정부(140)는 제1 근전도 신호의 특징과 제2 근전도 신호의 특징의 크기를 비교하고, 비교 결과를 사용자의 동작에 대응하는 근전도 신호의 특징으로 결정할 수 있다.
예를 들어, 근전도 신호 특징 결정부(140)는 수학식 3과 같이 제1 근전도 신호의 절대차분평균치(DAMVExtensor)와 제2 근전도 신호의 절대차분평균치(DAMV Flexor)를 사용하여 사용자의 동작에 대응하는 절대차분평균치(D_ DAMV)를 계산할 수 있다.
Figure 112011102796269-pat00003
일반적으로 손을 쥐는 동작에서는 굴근의 진폭이 신근과 비교하여 우세하고 손을 펴는 동작에서는 반대의 특징이 나타난다. 따라서, 손을 쥐는 경우, D_DAMV는 근전도 신호 특징 결정부(140)에서 1보다 큰 값으로 결정되고, 손을 펴는 경우 D_DAMV는 근전도 신호 특징 결정부(140)에서 1보다 작은 값으로 결정될 수 있다.
또한, 근전도 신호 특징 결정부(140)는 수학식 3과 같이 제1 근전도 신호의 평균절대값(MAVExtensor)과 제2 근전도 신호의 평균절대값(MAVFlexor)를 사용하여 사용자의 동작에 대응하는 평균절대값(D_ MAV)를 계산할 수 있다.
Figure 112011102796269-pat00004
이때, 사용자의 동작이 손을 쥐는 동작인 경우, D_ MAV는 근전도 신호 특징 결정부(140)에서 1보다 큰 값으로 결정되고, 사용자의 동작이 손을 펴는 동작인 경우, D_ MAV는 근전도 신호 특징 결정부(140)에서 1보다 작은 값으로 결정될 수 있다.
즉, 근전도 신호 특징 결정부(140)는 사용자의 동작에 따른 진폭 특성이 서로 반대인 근육의 근전도 신호의 특징을 사용하여 사용자의 동작에 따른 근전도 신호의 특징을 결정함으로써, 사용자의 동작에 대한 근전도 신호의 특징을 명확하게 할 수 있다.
근전도 신호 패턴 분류부(150)는 근전도 신호 특징 결정부(140)가 결정한 사용자의 동작에 대응하는 근전도 신호의 특징을 2차원 가우시안 혼합 모델(Gaussian Mixture Model)로 모델링 함으로써, 사용자의 동작에 대한 근전도 신호의 패턴을 분류할 수 있다. 예를 들어, 근전도 신호 패턴 분류부(150)는 D_DAMV와 D_ MAV가 모두 1보다 큰 값인 경우, 사용자의 동작을 손을 쥔 동작으로 분류할 수 있다. 또한, 근전도 신호 패턴 분류부(150)는 D_DAMV와 D_ MAV가 모두 1보다 적은 값인 경우, 사용자의 동작을 쥔을 쥔 동작으로 분류할 수 있다.
이때, 근전도 신호 패턴 분류부(150)는 복수의 가우시안 확률 밀도 함수로 사용자의 동작에 대응하는 근전도 신호의 특징을 모델링 할 수 있다. 이때, 근전도 신호 패턴 분류부(150)가 사용하는 전체 확률밀도함수는 M개의 가우시안 확률밀도함수의 선형결합으로 수학식 5와 같이 정의될 수 있다.
Figure 112011102796269-pat00005
이때, p(x | wi, θi)는 데이터 x에 대하여 wi 번째 성분 파라미터 θi로 구성된 확률밀도함수일 수 있다. 또한, P(wi)는 각 확률밀도함수의 상대적인 중요도를 의미하는 혼합 가중치(mixture weight)일 수 있다.
또한, 근전도 신호 패턴 분류부(150)는 근전도 신호 특징 추출부(130)가 추출한 근전도 신호의 절대차분평균치(DAMV)와 평균절대값(MAV)을 모두 2차원 가우시안 혼합 모델(Gaussian Mixture Model)로 모델링 함으로써, 사용자의 동작에 대한 근전도 신호의 패턴을 분류할 수도 있다.
그리고, 근전도 신호 패턴 분류부(150)는 2차원 가우시안 혼합 모델로 모델링 한 모델에 베이즈(Bayes) 분류를 수행하여 패턴 인식률을 증가시킬 수 있다.
도 3은 사용자의 동작에 따른 신근과 굴근의 진폭 특성의 일례이다.
도 3은 사용자가 손을 쥐는 경우와 손을 펴는 경우, 제1 근육인 신근(210)과 제2 근육인 굴근(220)에서 측정된 근전도 신호의 절대차분평균치(DAMV)와 평균절대값(MAV)의 일례이다.
도 3에 도시된 바와 같이 사용자가 손을 쥐는 경우, 신근(210)의 진폭 특성(310)는 굴근(220)의 진폭 특성(320)보다 적다. 반면, 사용자가 손을 펴는 경우, 신근(210)의 진폭 특성(330)는 굴근(220)의 진폭 특성(340)보다 크다.
그러나, 사용자가 손을 쥐는 경우의 신근(210)의 진폭 특성(310)과 사용자가 손을 쥐는 경우의 굴근(220)의 진폭 특성(340)은 유사하므로, 서로 오버랩(overlap)되어 각 동작의 특징 점이 구별되지 않을 수도 있다.
도 4는 본 발명의 일실시예에 따른 D_ DAMV와 D_ MAV를 결정하는 과정의 일례이다.
본 발명의 일실시예에 따른 근전도 신호 특징 결정부(140)는 제1 근전도 신호의 특징(410)과 제2 근전도 신호의 특징(420)을 사용하여 사용자의 동작에 대응하는 근전도 신호의 특징(430)을 결정할 수 있다.
이때, 근전도 신호 특징 결정부(140)는 제1 근전도 신호의 절대차분평균치(DAMVExtensor)(411)와 제2 근전도 신호의 절대차분평균치(DAMV Flexor)(421)를 사용하여 사용자의 동작에 대응하는 절대차분평균치(D_ DAMV)(431)를 계산할 수 있다. 이때, 근전도 신호 특징 결정부(140)는 사용자의 동작이 손을 쥐는 동작인 경우, D_DAMV를 1보다 큰 값으로 결정하고, 사용자의 동작이 손을 펴는 동작인 경우, D_DAMV를 1보다 작은 값으로 결정할 수 있다.
또한, 근전도 신호 특징 결정부(140)는 제1 근전도 신호의 평균절대값(MAVExtensor)(412)과 제2 근전도 신호의 평균절대값(MAVFlexor)(422)를 사용하여 사용자의 동작에 대응하는 평균절대값(D_ MAV)(432)를 계산할 수 있다.
즉, 근전도 신호 특징 결정부(140)는 사용자의 동작에 따른 진폭 특성이 서로 반대인 근육의 근전도 신호의 특징을 사용하여 사용자의 동작에 따른 근전도 신호의 특징을 결정함으로써, 사용자의 동작에 대한 근전도 신호의 특징을 명확하게 할 수 있다.
도 5는 본 발명의 일실시예에 따른 근전도 신호의 특징 결정 방법을 도시한 플로우차트이다.
단계(S510)에서 근전도 신호 수신부(110)는 사용자의 근육에 부착된 체표면 전극으로부터 사용자의 근전도 신호를 수신할 수 있다.
단계(S520)에서 전처리부(120)는 단계(S510)에서 수신한 근전도 신호에 전처리 과정을 수행할 수 있다.
단계(S530)에서 근전도 신호 특징 추출부(130)는 사용자의 동작에 따른 제1 근전도 신호와 제2 근전도 신호의 특징을 추출할 수 있다. 이때, 근전도 신호 특징 추출부(130)는 사용자의 근육 중 제1 근육과 제2 근육이 일정 시간 동안 발산한 근전도 신호의 절대차분평균치(DAMV: Difference Absolute Mean Value)와 평균절대값(MAV: Mean Absolute Value)을 사용하여 제1 근전도 신호의 특징과 제2 근전도 신호의 특징을 추출할 수 있다.
단계(S540)에서 근전도 신호 특징 결정부(140)는 단계(S530)에서 추출한 제1 근전도 신호의 특징과 제2 근전도 신호의 특징을 사용하여 사용자의 동작에 대응하는 근전도 신호의 특징을 결정할 수 있다.
단계(S550)에서 근전도 신호 패턴 분류부(150)는 단계(S540)에서 결정한 사용자의 동작에 대응하는 근전도 신호의 특징을 2차원 가우시안 혼합 모델(Gaussian Mixture Model)로 모델링 함으로써, 사용자의 동작에 대한 근전도 신호의 패턴을 분류할 수 있다.
본 발명은 사용자의 동작에 따른 진폭 특성이 서로 반대인 근육의 근전도 신호의 특징을 사용하여 사용자의 동작에 따른 근전도 신호의 특징을 결정함으로써, 사용자의 동작에 대한 근전도 신호의 패턴을 명확하게 분류할 수 있다.
이상과 같이 본 발명은 비록 한정된 실시예와 도면에 의해 설명되었으나, 본 발명은 상기의 실시예에 한정되는 것은 아니며, 본 발명이 속하는 분야에서 통상의 지식을 가진 자라면 이러한 기재로부터 다양한 수정 및 변형이 가능하다.
그러므로, 본 발명의 범위는 설명된 실시예에 국한되어 정해져서는 아니 되며, 후술하는 특허청구범위뿐 아니라 이 특허청구범위와 균등한 것들에 의해 정해져야 한다.
100: 근전도 신호의 패턴 분류 장치
130: 근전도 신호 특징 추출부
140: 근전도 신호 특징 결정부
150: 근전도 신호 패턴 분류부

Claims (11)

  1. 사용자의 근육 중 제1 근육이 사용자의 동작에 따라 발산한 제1 근전도 신호의 특징과, 사용자의 동작에 대응하는 근전도 신호의 특징이 제1 근육과 반대인 제2 근육이 사용자의 동작에 따라 발산한 제2 근전도 신호의 특징을 추출하는 근전도 신호 특징 추출부;
    제1 근전도 신호의 특징과 제2 근전도 신호의 특징을 사용하여 사용자의 동작에 대응하는 근전도 신호의 특징을 결정하는 근전도 신호 특징 결정부; 및
    사용자의 동작에 대응하는 근전도 신호의 특징을 2차원 가우시안 혼합 모델(Gaussian Mixture Model)로 모델링하여 사용자의 동작에 대한 근전도 신호의 패턴을 분류하는 근전도 신호 패턴 분류부
    를 포함하는 근전도 신호의 패턴 분류 장치.
  2. 제1항에 있어서,
    상기 근전도 신호 특징 추출부는,
    제1 근육과 제2 근육이 일정 시간 동안 발산한 근전도 신호의 절대차분평균치(DAMV: Difference Absolute Mean Value)와 평균절대값(MAV: Mean Absolute Value)을 사용하여 제1 근전도 신호의 특징과 제2 근전도 신호의 특징을 추출하는 것을 특징으로 하는 근전도 신호의 패턴 분류 장치.
  3. 제1항에 있어서,
    상기 근전도 신호 특징 결정부는,
    제1 근전도 신호의 특징과 제2 근전도 신호의 특징의 크기를 비교하고, 비교 결과를 사용자의 동작에 대응하는 근전도 신호의 특징으로 결정하는 것을 특징으로 하는 근전도 신호의 패턴 분류 장치.
  4. 삭제
  5. 사용자의 근육 중 제1 근육이 사용자의 동작에 따라 발산한 제1 근전도 신호의 특징과, 사용자의 동작에 대응하는 근전도 신호의 특징이 제1 근육과 반대인 제2 근육이 사용자의 동작에 따라 발산한 제2 근전도 신호의 특징을 추출하는 근전도 신호 특징 추출부;
    제1 근전도 신호의 특징과 제2 근전도 신호의 특징을 사용하여 사용자의 동작에 대응하는 근전도 신호의 특징을 결정하는 근전도 신호 특징 결정부; 및
    제1 근육과 제2 근육이 일정 시간 동안 발산한 근전도 신호의 절대차분평균치(DAMV)와 평균절대값(MAV)을 모두 2차원 가우시안 혼합 모델(Gaussian Mixture Model)로 모델링하여 사용자의 동작에 대한 근전도 신호의 패턴을 분류하는 근전도 신호 패턴 분류부
    를 포함하는 근전도 신호의 패턴 분류 장치.
  6. 삭제
  7. 사용자의 근육 중 제1 근육이 사용자의 동작에 따라 발산한 제1 근전도 신호의 특징을 추출하는 단계;
    사용자의 동작에 대응하는 근전도 신호의 특징이 제1 근육과 반대인 제2 근육이 사용자의 동작에 따라 발산한 제2 근전도 신호의 특징을 추출하는 단계; 및
    제1 근전도 신호의 특징과 제2 근전도 신호의 특징을 사용하여 사용자의 동작에 대응하는 근전도 신호의 특징을 결정하는 단계
    를 포함하고,
    상기 제1 근전도 신호의 특징을 추출하는 단계는,
    제1 근육이 일정 시간 동안 발산한 근전도 신호의 절대차분평균치(DAMV: Difference Absolute Mean Value)와 평균절대값(MAV: Mean Absolute Value)을 사용하여 제1 근전도 신호의 특징을 추출하는 것을 특징으로 하는 근전도 신호의 패턴 분류 방법.
  8. 사용자의 근육 중 제1 근육이 사용자의 동작에 따라 발산한 제1 근전도 신호의 특징을 추출하는 단계;
    사용자의 동작에 대응하는 근전도 신호의 특징이 제1 근육과 반대인 제2 근육이 사용자의 동작에 따라 발산한 제2 근전도 신호의 특징을 추출하는 단계; 및
    제1 근전도 신호의 특징과 제2 근전도 신호의 특징을 사용하여 사용자의 동작에 대응하는 근전도 신호의 특징을 결정하는 단계
    를 포함하고,
    상기 제2 근전도 신호의 특징을 추출하는 단계는,
    제2 근육이 일정 시간 동안 발산한 근전도 신호의 절대차분평균치(DAMV: Difference Absolute Mean Value)와 평균절대값(MAV: Mean Absolute Value)을 사용하여 제2 근전도 신호의 특징을 추출하는 것을 특징으로 하는 근전도 신호의 패턴 분류 방법.
  9. 사용자의 근육 중 제1 근육이 사용자의 동작에 따라 발산한 제1 근전도 신호의 특징을 추출하는 단계;
    사용자의 동작에 대응하는 근전도 신호의 특징이 제1 근육과 반대인 제2 근육이 사용자의 동작에 따라 발산한 제2 근전도 신호의 특징을 추출하는 단계; 및
    제1 근전도 신호의 특징과 제2 근전도 신호의 특징을 사용하여 사용자의 동작에 대응하는 근전도 신호의 특징을 결정하는 단계
    를 포함하고,
    상기 근전도 신호의 특징을 결정하는 단계는,
    제1 근전도 신호의 특징과 제2 근전도 신호의 특징의 크기를 비교하고, 비교 결과를 사용자의 동작에 대응하는 근전도 신호의 특징으로 결정하는 것을 특징으로 하는 근전도 신호의 패턴 분류 방법.
  10. 사용자의 근육 중 제1 근육이 사용자의 동작에 따라 발산한 제1 근전도 신호의 특징을 추출하는 단계;
    사용자의 동작에 대응하는 근전도 신호의 특징이 제1 근육과 반대인 제2 근육이 사용자의 동작에 따라 발산한 제2 근전도 신호의 특징을 추출하는 단계; 및
    제1 근전도 신호의 특징과 제2 근전도 신호의 특징을 사용하여 사용자의 동작에 대응하는 근전도 신호의 특징을 결정하는 단계
    를 포함하고,
    사용자의 동작에 대응하는 근전도 신호의 특징을 2차원 가우시안 혼합 모델(Gaussian Mixture Model)로 모델링하여 사용자의 동작에 대한 근전도 신호의 패턴을 분류하는 단계
    를 더 포함하는 근전도 신호의 패턴 분류 방법.
  11. 사용자의 근육 중 제1 근육이 사용자의 동작에 따라 발산한 제1 근전도 신호의 특징을 추출하는 단계;
    사용자의 동작에 대응하는 근전도 신호의 특징이 제1 근육과 반대인 제2 근육이 사용자의 동작에 따라 발산한 제2 근전도 신호의 특징을 추출하는 단계; 및
    제1 근전도 신호의 특징과 제2 근전도 신호의 특징을 사용하여 사용자의 동작에 대응하는 근전도 신호의 특징을 결정하는 단계
    를 포함하고,
    제1 근육과 제2 근육이 일정 시간 동안 발산한 근전도 신호의 절대차분평균치(DAMV)와 평균절대값(MAV)을 모두 2차원 가우시안 혼합 모델(Gaussian Mixture Model)로 모델링하여 사용자의 동작에 대한 근전도 신호의 패턴을 분류하는 단계
    를 더 포함하는 근전도 신호의 패턴 분류 방법.
KR1020110141162A 2011-12-23 2011-12-23 근전도 신호의 패턴 분류 장치 및 방법 KR101307046B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020110141162A KR101307046B1 (ko) 2011-12-23 2011-12-23 근전도 신호의 패턴 분류 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020110141162A KR101307046B1 (ko) 2011-12-23 2011-12-23 근전도 신호의 패턴 분류 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20130073361A KR20130073361A (ko) 2013-07-03
KR101307046B1 true KR101307046B1 (ko) 2013-09-11

Family

ID=48987831

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020110141162A KR101307046B1 (ko) 2011-12-23 2011-12-23 근전도 신호의 패턴 분류 장치 및 방법

Country Status (1)

Country Link
KR (1) KR101307046B1 (ko)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20180100016A (ko) * 2017-02-28 2018-09-06 한국생산기술연구원 가우시안 혼합 모델을 이용한 배터리 상태 모니터링 방법 및 장치
US10515474B2 (en) 2017-01-19 2019-12-24 Mindmaze Holding Sa System, method and apparatus for detecting facial expression in a virtual reality system
US10521014B2 (en) 2017-01-19 2019-12-31 Mindmaze Holding Sa Systems, methods, apparatuses and devices for detecting facial expression and for tracking movement and location in at least one of a virtual and augmented reality system
US10943100B2 (en) 2017-01-19 2021-03-09 Mindmaze Holding Sa Systems, methods, devices and apparatuses for detecting facial expression
US11328533B1 (en) 2018-01-09 2022-05-10 Mindmaze Holding Sa System, method and apparatus for detecting facial expression for motion capture

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR102058789B1 (ko) * 2017-11-27 2020-01-22 숭실대학교산학협력단 표면 근전도 신호를 이용한 손 동작 변화 판단 장치 및 그 방법
KR102461157B1 (ko) * 2020-11-18 2022-10-28 숭실대학교 산학협력단 복수의 채널을 이용한 근육 활동 검출 장치 및 방법

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110034863A (ko) * 2009-09-29 2011-04-06 한국과학기술원 근육 진동 신호를 이용한 팔 굽힘 힘 추정장치 및 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20110034863A (ko) * 2009-09-29 2011-04-06 한국과학기술원 근육 진동 신호를 이용한 팔 굽힘 힘 추정장치 및 방법

Cited By (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10515474B2 (en) 2017-01-19 2019-12-24 Mindmaze Holding Sa System, method and apparatus for detecting facial expression in a virtual reality system
US10521014B2 (en) 2017-01-19 2019-12-31 Mindmaze Holding Sa Systems, methods, apparatuses and devices for detecting facial expression and for tracking movement and location in at least one of a virtual and augmented reality system
US10943100B2 (en) 2017-01-19 2021-03-09 Mindmaze Holding Sa Systems, methods, devices and apparatuses for detecting facial expression
US11195316B2 (en) 2017-01-19 2021-12-07 Mindmaze Holding Sa System, method and apparatus for detecting facial expression in a virtual reality system
US11495053B2 (en) 2017-01-19 2022-11-08 Mindmaze Group Sa Systems, methods, devices and apparatuses for detecting facial expression
US11709548B2 (en) 2017-01-19 2023-07-25 Mindmaze Group Sa Systems, methods, devices and apparatuses for detecting facial expression
KR20180100016A (ko) * 2017-02-28 2018-09-06 한국생산기술연구원 가우시안 혼합 모델을 이용한 배터리 상태 모니터링 방법 및 장치
KR101897038B1 (ko) 2017-02-28 2018-09-13 한국생산기술연구원 가우시안 혼합 모델을 이용한 배터리 상태 모니터링 방법 및 장치
US11328533B1 (en) 2018-01-09 2022-05-10 Mindmaze Holding Sa System, method and apparatus for detecting facial expression for motion capture

Also Published As

Publication number Publication date
KR20130073361A (ko) 2013-07-03

Similar Documents

Publication Publication Date Title
KR101307046B1 (ko) 근전도 신호의 패턴 분류 장치 및 방법
JP4934813B2 (ja) 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
JP6361951B2 (ja) 電子機器、泳法判別方法、及び泳法判別プログラム
CN105956558B (zh) 一种基于三轴加速度传感器人体动作识别方法
CN109508728B (zh) 一种用于可穿戴设备的新型身份验证方法
KR102478383B1 (ko) 낙상 예측 시스템 및 그 방법
CN105989694A (zh) 一种基于三轴加速度传感器的人体跌倒检测方法
Wang et al. Real time accelerometer-based gait recognition using adaptive windowed wavelet transforms
KR102151301B1 (ko) 인간 운동 활동의 유형을 결정하기 위한 방법 및 이를 구현하기 위한 장치
CN107832686A (zh) 融合表面肌电和加速度信号的下肢运动模式识别方法
CN108549900A (zh) 基于移动设备佩戴位置的人体跌倒检测方法
Naik et al. Multi run ICA and surface EMG based signal processing system for recognising hand gestures
CN108958482B (zh) 一种基于卷积神经网络的相似性动作识别装置及方法
CN108229401A (zh) 一种基于afsa-svm的多模态信号分类方法
Ding et al. Energy efficient human activity recognition using wearable sensors
Nukala et al. A real-time robust fall detection system using a wireless gait analysis sensor and an artificial neural network
Ge et al. Detecting Falls Using Accelerometers by Adaptive Thresholds in Mobile Devices.
CN110032987B (zh) 一种基于小脑神经网络模型的表面肌电信号分类方法
Ison et al. Beyond user-specificity for emg decoding using multiresolution muscle synergy analysis
JP6458387B2 (ja) 生体電気ノイズ同定システム及び生体電気ノイズ除去システム
Zong et al. Automatic gait characterization for a mobility assistance system
Edwards et al. Footstep pressure signal analysis for human identification
CN109620241B (zh) 一种可穿戴设备及基于其的动作监测方法
Arozi et al. Electromyography (EMG) signal recognition using combined discrete wavelet transform based on artificial neural network (ANN)
CN110163142B (zh) 实时手势识别方法及系统

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: 20160602

Year of fee payment: 4

FPAY Annual fee payment

Payment date: 20170626

Year of fee payment: 5

FPAY Annual fee payment

Payment date: 20190905

Year of fee payment: 7