KR101697173B1

KR101697173B1 - 특징추출과 근육부위 선택을 통한 근전도 신호 기반 계단 보행 단계 분류 방법

Info

Publication number: KR101697173B1
Application number: KR1020150024354A
Authority: KR
Inventors: 김덕환; 김상호; 류재환
Original assignee: 인하대학교산학협력단
Priority date: 2015-02-17
Filing date: 2015-02-17
Publication date: 2017-01-18
Also published as: KR20160101803A

Abstract

본 발명은 근전도 신호 기반 계단 보행 단계 분류 방법에 관한 것으로서, (a) 오르막 보행 및 내리막 보행 시에 측정된 다수 근육의 근전도 신호의 훈련용 신호를 입력받아, 상기 근전도 신호로부터 특징을 추출하고, 추출된 특징으로 상기 보행의 보행단계를 분류하는 분류기를 상기 특징별로 생성하는 단계; (b) 상기 근육의 근전도 신호의 테스트용 신호를 입력받아, 상기 분류기를 테스트하여 인식률을 구하여, 상기 인식률에 따라 분류기를 선정하되, 상기 오르막 보행 및 내리막 보행 별로 각각 분류기를 선정하는 단계; 및, (c) 상기 선정된 분류기로 상기 오르막 보행 또는 내리막 보행의 보행단계를 인식하는 단계를 포함하는 구성을 마련한다.
상기와 같은 방법에 의하여, 오르막 보행과 내리막 보행 각각에 보행 단계별 인식률이 높게 나오는 특징 및 근육을 각각 다르게 사용함으로써, 계단 보행 단계를 보다 정확하게 분류할 수 있다.

Description

특징추출과 근육부위 선택을 통한 근전도 신호 기반 계단 보행 단계 분류 방법 { A Gait phase classification method for Stair walking using Feature Extraction and Muscle selection based on EMG Signals }

본 발명은 물리적인 센서를 사용하지 않고 EMG 신호(근전도 신호) 만으로 피험자의 계단 보행단계에 따라 채널별 특징벡터를 사용해서 추출된 특징 값들을 LDA(Linear Discriminant Analysis) 분류기를 통해서 분류한 후에 계단을 오르고 내릴 때의 보행단계에 대해서 특징과 근육별 인식률을 측정하는, 근전도 신호 기반 계단 보행 단계 분류 방법에 관한 것이다.

최근 IT와 BT를 융합하는 연구가 중요하게 떠오르면서 관련 연구들이 활발히 진행되고 있다. 대표적으로 생체신호인 EMG(electromyogram)를 이용하여 절단환자들을 위한 보조기구인 동력의지를 제어하는 연구가 있다[비특허문헌 1,2]. 이런 연구는 장애인들의 삶 영위에 많은 도움을 주고 있다. 일반적으로 대퇴절단 후 사용하는 의족은 각도 및 압력, 흡착 등의 물리적인 센서를 이용하여 제어 한다[비특허문헌 3].

하지만 이러한 물리적인 센서를 이용한 방법들은 사전의 보행동작만을 재현하기 때문에 사전에 입력된 속도, 걸음걸이 데이터에 따라서 일정하게만 보행해야하는 단점이 있다.

이러한 문제를 해결하기 위해서 EMG(근전도 신호)를 이용하여 의지를 제어하는 연구들이 진행 중이다[비특허문헌 2,4,5]. 보행은 크게 평지보행과 계단보행 두 가지로 나눌 수 있다. 그 중에서 평지 보행에 대한 연구는 활발하게 진행되고 있는 중이다[비특허문헌 2,4].

그러나 계단 보행에 대해서는 연구가 미흡한 편이다. 계단보행에 관한 기존 연구들은 보행단계에 따른 무게중심의 이동, 무릎의 움직임 등에 집중되었다[비특허문헌 6].

[비특허문헌 1] E. C. Martinez-Villalpando and H. Herr, "Agonist-antaagonist active knee prosthesis: A preliminary study in level-ground walking," Journal of Rehabilitation Research & Development, vol.46, pp.361-373, 2009. [비특허문헌 2] D-H. Kim, J-H. Ryu, S-H. Kim, "Multi-step Gait phase Recognition Using Feature and Channel Selection based on sEMG Signals", Fall Conference of The Institute of Electronics and Information Engineers, pp.682-685, 2013. 11. [비특허문헌 3] C. Jensen, O. Vasseljen, R. H. Westgaard, "The influence of Electrode Position on Bipolar Surface Electromyogram Recordings of the Upper Trapezius Muscle," Eur. J. Appl Physiol., vol. 67, pp. 266-273, 1993. [비특허문헌 4] D-H. Kim, J-H. Ryu,, S-H. Jeong, "The Gait phase Recognition Using Two phase LDA classifiers based on Surface EMG Signals", Summer Conference of The Institute of Electronics and Information Engineers, pp.1009-1012, 2013. [비특허문헌 5] H.Huang, T. A. Kuiken and R. D. Lipschutz, "A Strategy for Identifying Locomotion Modes Using Surface Electromyography," Biomedical Engineering, IEEE Transactions on, vol.56, no.1, pp.65-73, 2009. [비특허문헌 6] Alison C. Novak, Samantha M. Reid, Patrick A. Costigan, Brenda Brouwer "Stair negotiation alters stability in older adults", Lower Extremity Review, October, 2010. [비특허문헌 7] A.N. Donald, N. David, "Kinesiology of the Musculoskeletal System," Mosby, 2009. [비특허문헌 8] D. H. Lee, S. L. Lee and D. H. Kim, "Implementation of a Prototype System for surface EMG Analysis based on Gait Phases," submitted to Yanbian University of Science & Technology 2012 International Symposium, June, 2012.

본 발명의 목적은 상술한 바와 같은 문제점을 해결하기 위한 것으로, 물리적인 센서를 사용하지 않고 EMG 신호(근전도 신호) 만으로 피험자의 계단 보행단계에 따라 채널별 특징벡터를 사용하고, 추출된 특징 값들을 LDA(Linear Discriminant Analysis) 분류기를 통해서 분류한 후에 계단을 오르고 내릴 때의 보행단계에 대해서 특징과 근육별 인식률을 측정하는, 근전도 신호 기반 계단 보행 단계 분류 방법을 제공하는 것이다.

상기 목적을 달성하기 위해 본 발명은 근전도 신호 기반 계단 보행 단계 분류 방법에 관한 것으로서, (a) 오르막 보행 및 내리막 보행 시에 측정된 다수 근육의 근전도 신호의 훈련용 신호를 입력받아, 상기 근전도 신호로부터 특징을 추출하고, 추출된 특징으로 상기 보행의 보행단계를 분류하는 분류기를 상기 특징별로 생성하는 단계; (b) 상기 근육의 근전도 신호의 테스트용 신호를 입력받아, 상기 분류기를 테스트하여 인식률을 구하여, 상기 인식률에 따라 분류기를 선정하되, 상기 오르막 보행 및 내리막 보행 별로 각각 분류기를 선정하는 단계; 및, (c) 상기 선정된 분류기로 상기 오르막 보행 또는 내리막 보행의 보행단계를 인식하는 단계를 포함하는 것을 특징으로 한다.

또한, 본 발명은 근전도 신호 기반 계단 보행 단계 분류 방법에 있어서, 상기 (a)단계에서, 다수 근육의 근전도 신호와 함께 보행압력 신호 및 무릎각도 신호를 입력받아, 상기 보행압력 신호 및 무릎 각도 신호로 상기 다수 근육의 근전도 신호에 대응되는 보행의 보행단계를 식별하고, 상기 근전도 신호를 보행단계 단위로 특징 추출 알고리즘을 적용하여 특징값을 추출하고, 추출된 특징값이 입력으로 들어갈 때 상기 식별된 보행단계가 출력되는 분류기를 생성하는 것을 특징으로 한다.

또한, 본 발명은 근전도 신호 기반 계단 보행 단계 분류 방법에 있어서, 상기 (a)단계에서, 다수의 특징 추출 알고리즘을 이용하여, 각 특징 추출 알고리즘에 의해 추출된 특징값 마다 분류기를 생성하고, 상기 (b)단계에서, 생성된 다수의 분류기 중에서 가장 인식률이 높은 분류기를 선택하고, 상기 선택된 분류기에 사용된 근육 및 특징 추출 알고리즘을 선택하고, 상기 (c)단계에서, 상기 선택된 근육의 근전도 신호를 측정하고, 측정된 근전도 신호에 상기 선택된 특징 추출 알고리즘을 적용하여 특징값을 추출하고, 추출된 특징값으로 상기 선택된 분류기에 입력시켜 출력되는 값에 의해 보행단계를 분류하는 것을 특징으로 한다.

또한, 본 발명은 근전도 신호 기반 계단 보행 단계 분류 방법에 있어서, 상기 특징 추출 알고리즘은 VAR(variance of EMG), wAMP(Willision amplitude), RMS(root mean square), MAV(mean absolutue), ZC(zero crossing), SSC(sign slope change) 중 어느 하나 이상을 포함하는 것을 특징으로 한다.

또한, 본 발명은 근전도 신호 기반 계단 보행 단계 분류 방법에 있어서, 상기 오르막 보행의 보행단계를 체중이동기(Weight acceptance), 풀업기(Pull-up), 전방지속기(Forward continuance), 발인상기(Foot clearance), 발착지기(Fool placement)로 구성하되, 상기 풀업기(Pull-up)와 전방지속기(Forward continuance)를 하나의 단계로 묶어서 구성하고,

상기 오르막 보행의 보행단계를 체중이동기(Weight acceptance), 풀업기(Pull-up), 전방지속기(Forward continuance), 제어하강기(Controlled lowering), 다리견인기(Leg pull through), 발착지기(Fool placement)로 구성하되, 상기 체중이동기(Weight acceptance)와 전방지속기(Forward continuance)를 하나의 단계로 묶어서 구성하고, 상기 오르막 보행 또는 내리막 보행의 4개의 보행단계들 중 하나의 보행단계로 분류하는 것을 특징으로 한다.

상술한 바와 같이, 본 발명에 따른 근전도 신호 기반 계단 보행 단계 분류 방법에 의하면, 오르막 보행과 내리막 보행 각각에 보행 단계별 인식률이 높게 나오는 특징 및 근육을 각각 다르게 사용함으로써, 계단 보행 단계를 보다 정확하게 분류할 수 있는 효과가 얻어진다.

도 1은 본 발명의 일실시예에 따른 근전도 신호 기반 계단 보행 단계 분류 방법을 실시하기 위한 전체 시스템의 구성에 대한 블록도.
도 2는 본 발명에 사용되는 인간의 정상적인 계단 보행 단계를 나타낸 예시도로서, (A) 오르막 보행 단계 (B) 내리막 보행 단계를 나타낸 예시도.
도 3은 본 발명의 일실시예에 따른 근전도 신호 기반 계단 보행 단계 분류 방법을 설명하는 흐름도.
도 4는 본 발명의 일실시예에 따른 특징추출 및 계단 보행 분류 방법의 흐름 구성도.
도 5는 본 발명의 일실시예에 따른 분류기 생성 과정을 설명하는 흐름도.
도 6은 본 발명의 일실시예에 따른 근육 및 특징 선택 과정을 설명하는 흐름도.
도 7은 본 발명의 일실시예에 따른 보행 식별 과정을 설명하는 흐름도.
도 8은 본 발명의 실험결과에 따른 피험자별 오르막 보행 단계별 인식률 그래프로서, (A)특징 인식률 (B)근육 인식률에 대한 그래프.
도 9는 본 발명의 실험결과에 따른 피험자별 내리막 보행 단계별 인식률 그래프로서, (A)특징 인식률 (B)근육 인식률에 대한 그래프.
도 10은 본 발명의 실험결과에 따른 오르막 보행(위)과 내리막 보행(아래)에 따른 평균 인식률 그래프로서, (A)특징 인식률 (B)근육 인식률 그래프.

이하, 본 발명의 실시를 위한 구체적인 내용을 도면에 따라서 설명한다.

또한, 본 발명을 설명하는데 있어서 동일 부분은 동일 부호를 붙이고, 그 반복 설명은 생략한다.

먼저, 본 발명의 일실시예에 따른 근전도 신호 기반 계단 보행 단계 분류 방법을 실시하기 위한 전체 시스템의 구성에 대하여 도 1을 참조하여 설명한다.

도 1에서 보는 바와 같이, 본 발명에 따른 근전도 신호 기반 계단 보행 단계 분류 방법은 훈련 데이터(11) 또는 근전도 신호(12)를 입력받아, 오르막 보행 또는 내리막 보행에서 특징 및 채널을 선택하거나 보행단계를 인식하는 컴퓨터 단말(20) 상의 프로그램 시스템(30)으로 실시될 수 있다. 즉, 상기 근전도 신호 기반 계단 보행 단계 분류 방법은 프로그램으로 구성되어 컴퓨터 단말(20)에 설치되어 실행될 수 있다. 컴퓨터 단말(20)에 설치된 프로그램은 하나의 프로그램 시스템(30)과 같이 동작할 수 있다.

한편, 다른 실시예로서, 상기 근전도 신호 기반 계단 보행 단계 분류 방법은 프로그램으로 구성되어 범용 컴퓨터에서 동작하는 것 외에 ASIC(주문형 반도체) 등 하나의 전자회로로 구성되어 실시될 수 있다. 또는 오르막 또는 내리막 계단 보행에서의 보행단계 인식만을 전용으로 처리하는 전용 단말(30)로 개발될 수도 있다. 특히, 상기와 같은 전자회로는 동력의족을 제어하는 제어장치에 이용되거나, 제어장치의 일부로서 실시될 수 있다. 이를 근전도 신호기반 보행단계 분류 장치(30)라 부르기로 한다. 그 외 가능한 다른 형태도 실시될 수 있다.

다음으로, 본 발명에서 분류하고자 하는 계단 보행단계를 도 2를 참조하여 설명한다.

생체역학에서 인간의 보행 단계는 기준으로 정한 다리의 발이 지면에 닿아 있는 상태를 의미하는 입각기(stance) 단계와 기준 다리의 발이 지면에서 떨어져 있는 상태를 의미하는 유각기(swing) 단계로 나뉜다[비특허문헌 5]. 일반적으로 계단보행은 오르막 보행과 내리막 보행로 나눠지는데, 세부적으로 각각 단계마다 입각기 3단계와 유각기 2단계로 나눠진다[비특허문헌 6].

도 2의 (A)에서 보는 바와 같이, 오르막 보행 단계 입각기의 체중이동기(Weight acceptance) 단계에서는 계단을 올라가기 위한 최적의 위치로 몸을 이동시키고, 풀업기(Pull-up) 단계에서는 다음 단계로 가는 것을 도와주고, 전방지속기(Forward continuance) 단계에서는 계단 오르기가 완료되면서 보행이 계속된다. 유각기의 발인상기(Foot clearance) 단계는 입각기 이후에 기준이 되는 다리가 계단에서 떨어지고, 발착지기(Fool placement) 단계는 기준이 되는 다리가 다음 보행을 위해서 다리를 배치한다[비특허문헌 6].

도 2의 (B)에서 보는 바와 같이, 내리막 보행 단계 입각기의 체중이동기(Weight acceptance) 단계는 오르막과 비슷하게 계단을 내려가기 위한 최적의 위치로 몸을 이동시키고, 전방지속기(Forward continuance) 단계는 다리를 앞으로 내리면서 몸을 이동시키고, 제어하강기(Controlled lowering) 단계는 몸의 무게중심을 이동하면서 계단을 내려가는 것을 완료되면서 보행이 계속된다. 유각기의 다리견인기(Leg pull through) 단계는 기준이 되는 다리를 계단에서 떨어지면서 뒤로 당겨지고, 발착지기(Fool placement) 단계는 기준이 되는 다리가 다음 보행을 위해서 다리를 배치한다[비특허문헌 6].

본 발명에서는 오르막 보행의 경우 풀업기(Pull-up)와 전방지속기(Forward continuance)를 하나의 단계로 묶어서 보고 내리막 보행의 경우 체중이동기(Weight acceptance)와 전방지속기(Forward continuance)를 하나의 단계로 묶어서 입각기를 2단계로 묶어서 보행단계를 4단계로 구분하였다.

다음으로, 본 발명의 실시를 위한 특징추출 알고리즘에 대하여 설명한다.

본 발명에서는 각 근육에서 측정하는 근전도 신호를 특징추출 알고리즘을 이용하여 특징값을 추출한다. 즉 근전도 신호는 연속된 데이터들이고, 이들을 소정의 시간 영역(또는 시간 범위) 내에서 축약하여 획득하는 값이 특징값이다.

EMG 신호를 이용한 근활동 분석 방법에는 적분 근전도(IEMG, Integrated EMG), 평균값(Average Value), 피크(Peak), 중간값(Mean Value), 문턱값(Threshold) 등이 있다. IEMG는 특정 동작이 시작되고 끝날 때까지 측정된 신호를 적분을 하여 1개의 특징 값으로 변환하는 것이다. 평균값(Average Value) 및, 피크(Peak)는 특정 동작이 시작되고 끝날 때까지 측정된 신호의 평균과 최대 값을 특징 값으로 추출한 것이다. 중간값(Mean)은 특정 동작이 시작되고 끝날 때까지 측정된 신호의 최대 값과 최소 값의 중앙에 위치한 값을 특징 값으로 추출한다. 마지막으로 문턱값(Threshold)은 근활성도에 따라 명령어를 정의해둔 뒤 기준이 넘을 때마다 명령어를 수행 또는 전송하는 방법이다.

즉 상방향 1.3mv, 좌 방향 2.6mv로 설정했다면 주먹을 주었을 때 그 최대 값이 1.5mv가 나왔다면 상방향 명령어를 전송하고, 2.8mv가 나왔다면 좌방향 명령어를 전송하는 방법이다. 기존의 EMG 신호 분석 방법은 근활성도 측정을 위해 개발된 방법이다. 따라서 식이 간단하고 활성도에 초점이 맞추어져 있다. 따라서 보행 분석과 같이 복잡한 조합을 통해 패턴을 인식하는 방법에는 인식률이 낮은 단점이 있다.

최근에는, 팔, 보행, 허리 등의 동작 인식을 위하여 신호처리 알고리즘을 이용한 EMG 신호 분석 방법들이 제안되었다. 대표적으로 VAR(variance of EMG), wAMP(Willision amplitude), RMS(root mean square), MAV(mean absolutue), ZC(zero crossing), SSC(sign slope change) 등을 이용한 특징 추출 알고리즘이 있다. 각각 분산, 진폭의 평균, 실효치, 절대값의 평균, 반복횟수, 진폭의 기울기를 이용하여 특징 값으로 변환한다.

본 발명에서는, 근전도 신호 데이터는 6개의 특징 추출 알고리즘으로 대표 특징 값을 추출하는데, 이때 사용된 특징추출 알고리즘은 VAR(variance of EMG), MAV(mean absolutue), RMS(root mean square), WAMP(Willison Amplitude), ZC(zero crossing), SSC(Slope Sign Change) 총 6개를 사용하여 특징 값을 추출 한다[비특허문헌 8]. 이들은 각각 실효치, 분산, 절대값의 평균, 진폭의 기울기, 반복횟수, 진폭의 평균을 이용하여 특징 값으로 변환한다.

본 발명의 일실시예에 따른 근전도 신호 기반 계단 보행 단계 분류 방법을 도 3을 참조하여 구체적으로 설명한다.

도 3에서 보는 바와 같이, 근전도 신호 기반 계단 보행 단계 분류 방법은 분류기 생성 과정(S10), 근육 및 특징 추출 알고리즘 선택 과정(S20), 및 보행 식별 과정(S30)으로 나뉜다[비특허문헌 2]. 도 4는 본 발명의 일실시예에 따른 특징추출 및 계단 보행 분류 방법의 전체적인 흐름의 구성을 나타내고 있다.

분류기 생성 과정(S10)에서는 훈련데이터를 이용하여, 피험자별로 보행단계에 따라 4채널의 근육과 6개의 특징 추출 알고리즘을 이용하여 경우의 수만큼 분류기를 생성한다. 이때, 근육은 1개 채널별로 생성하고, 각 1개의 채널에 대하여 특징 추출방법으로 특징값을 추출하다. 본 발명에서는 시간영역의 특징 추출 알고리즘으로 VAR(variance of EMG), MAV(mean absolutue), RMS(root mean square), WAMP(Willison Amplitude), ZC(zero crossing), SSC(Slope Sign Change) 총 6개를 사용하여 특징 값을 추출 한다[비특허문헌 8].

근육 및 특징 선택 과정(S20)에서는 생성된 분류기에 각각 새로운 데이터(또는 테스트용 데이터)를 적용하여, 인식률을 계산한다. 그 후 오르막 보행 또는 내리막 보행 각각에 대하여 가장 높은 인식률을 보인 분류기와 그에 사용된 근육 및 특징을 선택한다. 이때, 오르막 보행 전체에 대하여 인식률이 높은 근육과 특징을 선택하고, 내리막 보행 전체에 대하여 인식률이 높은 근육과 특징을 선택한다. 즉, 오르막 보행 및 내리막 보행 각각에 대하여 개별적으로 선택한다.

보행 식별 과정(S30)에서는 선택된 근육과 특징 추출 알고리즘을 이용하여 입력되는 EMG 신호를 변환하고 LDA 분류기로 보행단계를 인식한다. 즉, 입력된 EMG 신호를 특징 값으로 변환하고, 그 후 선택된 분류기를 이용하여 분류 결과를 얻어서, 보행 단계를 인식한다.

먼저, 분류기 생성 과정(S10)을 보다 구체적으로 설명한다.

도 5에서 보는 바와 같이, 분류기 생성 과정(S10)은 훈련 데이터 입력 단계(S11), 압력 센서 및 AHRS 센서 입력에 의한 보행단계 구분 단계(S12), EMG 신호의 특징값 변환 단계(S13), 분류기 생성 단계(S14)로 구성된다.

훈련과정의 첫 번째 단계(S11)에서는 분류기 생성을 위하여 4채널 EMG신호와 압력 및 무릎각도 데이터(또는 보행 물리적 신호) 등 신호를 입력받는다.

측정하고자 하는 근육의 EMG를 채널 별로 취득한다. 바람직하게는, 4개 채널 근전도 신호를 이용하되, 각각 내측광근, 외측광근, 최직근, 비복근 등의 근육에서 측정된 생체신호들이다.

또한, 훈련과정에서 보행 단계를 인식하기 위하여 앞꿈치와 뒷꿈치에 설치한 압력 센서와 무릎에 설치한 AHRE센서 각각의 데이터를 추가로 입력받는다. 압력 센서와 AHRS 센서의 데이터를 기준으로 보행 단계 분류에 사용한다. 즉, 압력 데이터는 압력센서에 의한 데이터이고, 바람직하게는, 2채널의 압력 센서로서 앞꿈치와 뒷꿈치에 각각 설치하여 눌렸을 경우와 눌리지 않았을 경우를 분류한다. 또한, AHRS 센서는 무릎각도를 측정하는 센서로서 무릎각도 변화의 데이터를 측정하여 보낸다.

두 번째 단계(S12)는 압력 데이터와 무릎각도 변화의 데이터를 이용하여 보행단계를 인식한다.

압력센서/AHRS센서는 특징값을 추출하지 않고, 훈련단계에서 훈련데이터의 보행범위를 생성하기 위해 사용된다. AHRS(Attitude & Heading Reference System)은 3축 지자기, 자이로, 가속도계를 측정할 수 있는 항법센서이다. 본 발명에서는 훈련단계에서 무릎각도 변화를 분석하고자 사용된다.

압력센서로 발바닥이 눌렸을 때 1, 안 눌렸을 때 0으로 하여 입각기와 유각기를 분류한다. 또한, AHRS센서로 세부적인 단계를 나누게 되며, 세부 단계는 기준다리의 무릎각도 변화를 AHRS센서의 전압값을 통해 분류된다. 예를 들어, AHRS센서를 슬관절 앞쪽에 부착하여 기준다리에 지면과 수직이 되었을 때를 90°(AHRS 전압값 약 2.0voltage)를 기준으로 하여, 60°~110°(1.7~2.2 voltage)의 값을 갖게 된다.

세 번째 단계(S13)는 채널별로 취득한 값을 오르막 보행과 내리막 보행에 대해서 4단계로 구분된 보행동작과 근육에 따라 특징 추출방법으로 특징 값을 추출한다. 즉, 보행단계에 따라 각각 특징 추출 알고리즘을 적용하여 4채널의 EMG 신호를 특징 값으로 변환한다. 본 발명에서는 시간영역의 특징 추출 알고리즘으로 VAR(variance of EMG), MAV(mean absolutue), RMS(root mean square), WAMP(Willison Amplitude), ZC(zero crossing), SSC(Slope Sign Change) 총 6개를 사용하여 특징 값을 추출 한다[비특허문헌 8].

네 번째 단계(S14)는 보행단계에 따라 각각의 근육과 특징 값을 조합한 뒤 선형 판별 분석법(LDA, linear discriminant analysis) 분류기를 이용하여 분류기를 생성한다. 이때, 각 오르막 보행 또는 내리막 보행에 따라 분류기를 생성한다.

각 근육의 채널에 6개의 특징 추출 알고리즘을 각각 적용하여 분류기를 생성한다. 따라서 오르막 보행 및 내리막 보행의 각 보행에 대하여 1개의 채널에서 6개의 분류기를 각각 생성한다. 따라서 전체적으로, 오르막 보행에서 6개의 분류기와 내리막 보행에서 6개의 분류기가 생성되어, 각 채널별 총 12개의 분류기가 생성된다. 따라서 채널이 4개인 경우(또는 근전도 측정 근육이 4개인 경우), 4×12 = 48개의 분류기가 생성될 수 있다.

각 분류기는 계단 보행, 즉, 오르막 보행 또는 내리막 보행에서의 각 보행단계들을 분류한다.

본 발명에서는 훈련단계에서 물리센서(압력/AHRS)로 오르막, 내리막 보행을 각각 보행 4단계 범위를 생성한다. 생성된 보행범위 내의 근전도 신호는 훈련데이터를 위해 특징 추출 알고리즘으로 대표 값을 산출하여 분류하게 된다.

다음으로, 근육 및 특징 선택 과정(S20)을 보다 구체적으로 설명한다.

도 6에서 보는 바와 같이, 근육 및 특징 선택 과정(S20)은 테스트용 데이터 입력 단계(S21), 입력된 EMG 신호의 특징값 변환 단계(S22), 변환된 특징값으로 분류기의 결과 획득 단계(S23), 분류기의 인식률 계산 단계(S25), 및, 인식률이 높은 분류기 및 상기 분류기에 사용된 근육 및 특징 선택 단계(S26)로 구성된다.

근육 및 특징 선택 과정의 첫 번째 단계(S21)는 보행단계에 따라 분류기 생성 과정(S10)에서 사용된 보행주기와 동일한 주기의 EMG 신호를 입력받는다. 보행주기만 같고 분류기 생성 과정(S10)의 EMG 신호와는 다른 EMG 신호(테스트용 EMG신호)를 입력받는다. 즉, 근육 및 추출 알고리즘 선택을 위하여 분류기 생성 과정(S10)에서 사용된 보행주기와 동일한 주기를 갖는 새로운 테스트용 EMG신호를 입력받는다.

다음으로, 새로 입력된 EMG 신호를 분류기 생성 과정(S10)과 동일한 특징 추출 알고리즘을 사용하여 특징 값으로 변환한다(S22). 변환된 특징값을 분류기에 입력하여 결과를 획득하고(S23), 결과와 실제 보행단계의 값을 비교하여 각 분류기의 인식률을 계산한다(S24). 실제 보행단계의 값은 해당 보행단계를 직접 입력받거나, 압력/무릎각도 데이터를 입력받아 해당 보행단계를 판별한 값이다.

인식률은 각 분류기별로 구한다. 앞서와 같이, 분류기는 각 채널의 특징값별로, 오르막 보행 또는 내리막 보행의 보행별로, 인식률을 계산한다.

마지막으로, 각 보행에서 인식률이 가장 높게 나오는 분류기를 보행 식별에 사용하도록 선택하고, 선택된 분류기에서 사용된 특징 추출 알고리즘을 계단 보행단계 식별 과정에서 사용한다.

이때, 모든 근육(또는 근육 채널)에서 인식률이 가장 높은 분류기를 선택할 수도 있고, 각 근육별로 인식률이 가장 높은 분류기를 선택할 수 있다. 선택된 분류기에서 사용된 특징 추출 알고리즘을 보행단계 식별 과정에서 사용한다.

여기서 근육의 선택은 해당 근육의 EMG 신호 선택 또는 해당 근육의 EMG 신호 채널 선택을 말한다. 앞서 분류기 생성 과정의 보행압력 신호 채널은 해당되지 않는다. 즉, EMG신호만을 이용하여 보행단계를 인식하는 것이기 때문에 보행 압력/무릎각도 신호 채널은 사용되지 않는다.

바람직하게는, 인식률이 높은 분류기는 오르막 보행 또는 내리막 보행의 각 보행별로 각각 선택된다.

다음으로, 보행 식별 과정(S30)을 보다 구체적으로 설명한다.

도 7에서 보는 바와 같이, 보행 식별 단계(S30)는 실제 EMG 신호를 입력받아 특징값으로 변환하는 단계(S31), 선택된 분류기에 변환된 특징값을 입력하여 분류하는 단계(S32), 분류결과로부터 보행단계를 추출하는 단계(S33)로 구성된다.

보행 식별과정의 첫 번째 단계(S31)는 분류기 생성 과정 중 선택된 보행동작에 따라 근육과 특징추출 알고리즘을 이용하여 특징 값으로 변환한다.

오르막 보행 또는 내리막 보행은 각각 갑자기 변화하는 경우가 없는 것으로 가정한다. 예를 들어, 오르막 보행을 계속하다가 내리막 보행을 하거나, 평행 보행을 하다가 오르막 보행을 일정 시간 계속한다거나 하는 등, 일정한 시간 동안은 동일한 보행으로 지속한다고 가정한다.

테스트 과정에서 보행별로(오르막 보행 또는 내리막 보행) 인식률이 가장 높은 분류기를 알아내고 이를 사용한다. 한편, 이때 입력되는 데이터는 실제 EMG 신호이다. 그리고 선택된 근육의 채널에 의한 EMG신호만 입력받는다.

두 번째 단계(S32)는 근육 및 특징 선택과정에서 선택된 분류기를 이용하여 분류 결과를 얻는다. 마지막 세 번째 단계(S33)는 분류기 결과에 의하여 보행단계를 식별한다.

다음으로, 실험을 통한 본 발명의 효과를 구체적으로 설명한다.

먼저, 본 발명의 효과를 위한 실험환경을 설명한다.

신호 측정에는 보행단계를 판단할 수 있는 대퇴직근, 가쪽넓은근, 안쪽넓은근, 반건양근에 전극을 부착하여 sEMG 신호를 측정하여 사용하였다. 앞꿈치와 뒷꿈치에 설치한 압력센서 데이터와 무릎에 설치한 AHRS센서의 데이터를 사용해서 트레이닝 데이터를 나누는데 사용하였다. 실험에 사용된 계단의 가로길이는 145cm, 세로길이는 27cm, 높이는 16cm이다. 실험을 위해 정상인 2명의 피험자가 참여하였다.

다음으로, 실험 결과에 대하여 설명한다.

실험결과는 2명의 피험자의 오르막과 내리막 보행 단계에 따른 특징과 근육의 인식률을 비교하였다.

도 8과 도 9는 오르막 보행과 내리막 보행에 따른 피험자들의 보행 단계별 특징 인식률과 근육 인식률을 보여준다. 그림에 보이듯이 피험자가 달라도 보행 단계별 인식률이 높고 낮은 특징과 채널이 비슷함을 볼 수 있다.

도 10에서 오르막 보행과 내리막 보행에 따른 보행단계별 특징과 근육의 평균 인식률을 살펴보면 오르막 보행 같은 경우 VAR, WAMP 특징의 인식률이 약 64%, SSC특징이 약 67% 나오고 반건양근과 안쪽넓은근의 인식률이 약 64%로 대체로 모든 보행단계에서 인식률을 높게 보인다는 걸 볼 수 있다. 내리막 보행 같은 경우 RMS, MAV 특징의 인식률이 약 38%나오고 가쪽넓은근의 인식률이 약 41% 정도가 나온다.

결과적으로 오르막 보행과 내리막 보행 각각에 대한 보행 단계별 인식률이 높게 나오는 특징과 근육이 있다는 것을 알 수 있다. 이는 계단을 내리고 오르는 과정에서 보행 단계별 쓰이는 근육이 다르기 때문이다. 이를 통해서 계단 보행 단계를 구분할 수 있다는 걸 알 수 있다.

이상, 본 발명자에 의해서 이루어진 발명을 실시 예에 따라 구체적으로 설명하였지만, 본 발명은 실시 예에 한정되는 것은 아니고, 그 요지를 이탈하지 않는 범위에서 여러 가지로 변경 가능한 것은 물론이다.

10 : 훈련데이터 12 : EMG 신호
20 : 컴퓨터 단말 30 : 계단 보행단계 분류 장치

Claims

근전도 신호 기반 계단 보행 단계 분류 방법에 있어서,
(a) 오르막 보행 및 내리막 보행 시에 측정된 다수 근육의 근전도 신호의 훈련용 신호를 입력받아, 상기 근전도 신호로부터 특징을 추출하고, 추출된 특징으로 상기 보행의 보행단계를 분류하는 분류기를 상기 특징별로 생성하는 단계;
(b) 상기 근육의 근전도 신호의 테스트용 신호를 입력받아, 상기 분류기를 테스트하여 인식률을 구하여, 상기 인식률에 따라 분류기를 선정하되, 상기 오르막 보행 및 내리막 보행 별로 각각 분류기를 선정하는 단계; 및,
(c) 상기 선정된 분류기로 상기 오르막 보행 또는 내리막 보행의 보행단계를 인식하는 단계를 포함하고,
상기 (a)단계에서, 다수 근육의 근전도 신호와 함께 보행압력 신호 및 무릎각도 신호를 입력받아, 상기 보행압력 신호 및 무릎 각도 신호로 상기 다수 근육의 근전도 신호에 대응되는 보행의 보행단계를 식별하고, 상기 근전도 신호를 보행단계 단위로 특징 추출 알고리즘을 적용하여 특징값을 추출하고, 추출된 특징값이 입력으로 들어갈 때 상기 식별된 보행단계가 출력되는 분류기를 생성하고,
상기 (a)단계에서, 다수의 특징 추출 알고리즘을 이용하여, 각 근육의 근전도 신호별로 각 특징 추출 알고리즘에 의해 추출된 특징값 마다 분류기를 생성하되, 오르막 보행 및 내리막 보행 별로 분류기를 각각 생성하고,
상기 (b)단계에서, 생성된 다수의 분류기 중에서 가장 인식률이 높은 분류기를 선택하고, 상기 선택된 분류기에 사용된 근육 및 특징 추출 알고리즘을 선택하고,
상기 (c)단계에서, 상기 선택된 근육의 근전도 신호를 측정하고, 측정된 근전도 신호에 상기 선택된 특징 추출 알고리즘을 적용하여 특징값을 추출하고, 추출된 특징값으로 상기 선택된 분류기에 입력시켜 출력되는 값에 의해 보행단계를 분류하고,
상기 (b)단계에서, 생성된 분류기 중에서 상기 오르막 보행 및 내리막 보행 각각에 대하여 가장 인식률이 높은 분류기를 선택하는 것을 특징으로 하는 근전도 신호 기반 계단 보행 단계 분류 방법.
삭제
삭제
삭제
제1항에 있어서,
상기 특징 추출 알고리즘은 VAR(variance of EMG), wAMP(Willision amplitude), RMS(root mean square), MAV(mean absolutue), ZC(zero crossing), SSC(sign slope change) 중 어느 하나 이상을 포함하는 것을 특징으로 하는 근전도 신호 기반 계단 보행 단계 분류 방법.
제1항에 있어서,
상기 오르막 보행의 보행단계는 체중이동기(Weight acceptance) 보행단계, 풀업기(Pull-up) 및 전방지속기(Forward continuance) 보행단계, 발인상기(Foot clearance) 보행단계, 발착지기(Fool placement) 보행단계로 구분되고,
상기 내리막 보행의 보행단계는 체중이동기(Weight acceptance) 및 전방지속기(Forward continuance) 보행단계, 제어하강기(Controlled lowering) 보행단계, 다리견인기(Leg pull through) 보행단계, 발착지기(Fool placement) 보행단계로 구분되고,
상기 오르막 보행 또는 내리막 보행의 4개의 보행단계들 중 하나의 보행단계로 분류하는 것을 특징으로 하는 근전도 신호 기반 계단 보행 단계 분류 방법.