KR101829356B1 - Gpes 라이브러리와 ismf를 이용한 emg신호 기반 보행단계 인식 방법 - Google Patents

Gpes 라이브러리와 ismf를 이용한 emg신호 기반 보행단계 인식 방법 Download PDF

Info

Publication number
KR101829356B1
KR101829356B1 KR1020160156709A KR20160156709A KR101829356B1 KR 101829356 B1 KR101829356 B1 KR 101829356B1 KR 1020160156709 A KR1020160156709 A KR 1020160156709A KR 20160156709 A KR20160156709 A KR 20160156709A KR 101829356 B1 KR101829356 B1 KR 101829356B1
Authority
KR
South Korea
Prior art keywords
curve
emg signal
absolute
library
gpes
Prior art date
Application number
KR1020160156709A
Other languages
English (en)
Inventor
김덕환
류재환
Original Assignee
인하대학교산학협력단
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 인하대학교산학협력단 filed Critical 인하대학교산학협력단
Priority to KR1020160156709A priority Critical patent/KR101829356B1/ko
Application granted granted Critical
Publication of KR101829356B1 publication Critical patent/KR101829356B1/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
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • A61B5/389—Electromyography [EMG]
    • A61B5/0488—
    • A61B5/04012—
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/24—Detecting, measuring or recording bioelectric or biomagnetic signals of the body or parts thereof
    • A61B5/316—Modalities, i.e. specific diagnostic methods
    • 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
    • A61B5/7264—Classification of physiological signals or data, e.g. using neural networks, statistical classifiers, expert systems or fuzzy systems

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Biophysics (AREA)
  • Molecular Biology (AREA)
  • Veterinary Medicine (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Medical Informatics (AREA)
  • Artificial Intelligence (AREA)
  • Pathology (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Signal Processing (AREA)
  • Psychiatry (AREA)
  • Physiology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Fuzzy Systems (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

본 발명은 보행단계별로 GPES(gait phase EMG signals) 라이브러리를 만들고, 그 후 ISMF(integrated spectral matching filter)를 이용하여 보행단계를 인식하는 EMG신호 기반 보행단계 인식 방법에 관한 것으로서, (a) 훈련데이터를 이용하여 GPES 라이브러리를 생성하는 단계; (b) 보행자의 측정된 EMG 신호를 입력받는 단계; (c) 측정된 보행자의 EMG 신호를 ISMF(integrated spectral matching filter) 필터를 이용하여 필터링하는 단계; 및, (d) 상기 필터링된 EMG 신호를 상기 GPES 라이브러리의 신호와 대비하여, 보행단계를 인식하는 단계를 포함하는 구성을 마련한다.
상기와 같은 방법에 의하여, EMG신호 라이브러리 나 ISMF (Integrated Signal Matching Filter)를 미분 분석법과 적분 분석법을 이용하여 만들어지기 때문에, 정확도가 높고, EMG 신호 진폭 변화에 강인할 수 있다.

Description

GPES 라이브러리와 ISMF를 이용한 EMG신호 기반 보행단계 인식 방법 { An EMG Signal-Based Gait Phase Recognition Method Using a GPES library and ISMF }
본 발명은 EMG(electromyography)신호를 이용하여 보행단계를 인식하고, 이를 이용하여 동력의지를 제어하기 위한, EMG신호 기반 보행단계 인식 방법에 관한 것이다.
특히, 본 발명은 보행단계별로 GPES(gait phase EMG signals) 라이브러리를 만들고, 그 후 ISMF(integrated spectral matching filter)를 이용하여 보행단계를 인식하되, GPES 라이브러리는 훈련과정에 사용자 별로 제작한 참조 EMG 신호이고, ISMF는 미분 분석법을 이용하여 변환된 EMG신호를 적분을 수행한 후 곡선의 매칭률(Matching ratio)을 비교하기 위한 필터로서, 입력된 EMG신호는 ISMF를 이용하여 GPES 라이브러리와 비교하여 보행단계를 인식하게 되는, EMG신호 기반 보행단계 인식 방법에 관한 것이다.
최근 EMG(electromyography) 신호를 이용한 동력의족 연구가 활발히 진행되고 있다[비특허문헌 1-3]. EMG신호는 움직임에 따라 근육 표면으로부터 근섬유를 따라 일어나는 전기 신호이다. 따라서 사용자의 의도를 파악할 수 있다는 장점이 있다[비특허문헌 4]. EMG 신호는 동력의족에서 모드 인식(walking, stair up, stair down, etc)을 위해 사용된다[비특허문헌 1-3.5]. 대표적인 방법으로는 특정 근육의 진폭을 이용한 방법과 특징추출 및 분류기를 이용한 방법이 있다[비특허문헌 1-3,5,6].
대부분의 의족은 물리적인 센서를 이용하여 보행단계를 분류한다[비특허문헌 1,3,5,6]. 따라서 움직임이 자연스럽지 못하다. 이러한 문제를 해결하기 위해 EMG 신호 기반의 특징 추출 및 분류기를 이용한 보행단계 인식 연구가 제안됐다[비특허문헌 8].
보행단계는 입각기(stance phase)와 유각기(swing phase)로 구분된다[비특허문헌 7,8]. 입각기(stance phase) 단계는 기준이 되는 다리가 지면에 닿은 상태로 5단계(heel strike, foot flat, mid stance, heel off and toe off)로 나눠진다. 유각기(swing phase) 단계는 기준이 되는 다리가 땅에서 떨어진 상태로 3단계(acceleration, mid swing and deceleration)로 나눠진다[비특허문헌 7,8].
보행 단계 인식은 EMG 신호를 이용하여 입각기(stance phase)와 유각기(swing phase)를 최소 4단계 이상 인식한다. EMG 신호를 이용한 보행단계 인식은 다양한 문제점들을 가지고 있다. 첫 번째는 보행을 단계별로 분류할 시 시간이 짧아 특징 산출이 어렵다[비특허문헌 5,9,10]. 두 번째는 계산 량이 많아 실시간 처리가 힘들다. 세 번째는 사용자의 보행습관에 따라 근육발달도가 다르기 때문에 사용자 맞춤 인식기가 필요하다. 마지막 네 번째는 사용자의 상태에 따라 EMG신호의 진폭(Amplitude)이 차이가 난다[비특허문헌 11,12]. 즉 근육의 피로도가 낮을 경우 진폭은 크고 떨림은 작아지지만, 피로도가 높을 경우 진폭은 떨어지고 떨림은 커진다.
L. J. Hargrove, A. M. Simon, A. J. Young, R. D. Lipschutz, S. B. Finucane, D. G. Smith and T. A. Kuiken, "Robotic Leg Control with EMG Decoding in an Amputee with Nerve Transfers," The New England journal of medicine, vol. 369, pp. 1237-1242, 2013. B. J. Chen, E. heng, X. Fan, T. Liang, Q. Wang, K. Wei and L. Wang, "Locomotion Mode Classification Using a Wearable Capacitive Sensing System," IEEE transactions on neural systems and rehabilitation engineering, vol. 21, pp. 744-755, 2013. F. Zhang and H. hunag, "Source Selection for Real-Time User Intent Recognition Toward Volitional Control of Artificial Legs," IEEE transactions on neural systems and rehabilitation engineering, vol. 17, pp. 907-914, 2013. M. B. Popovic, "Biomechanics and Robotics," Pan Stanford Publishing, pp.94, 2013. D.H. Kim, C.Y. Cho and J.H. Ryu, "Real-Time Locomotion Mode Recognition Employing Correlation Feature Analysis Using EMG Pattern," ETRI Journal, vol. 36, pp. 99-105, 2013. A. Phinyomark, C. Limsakul and P. Phukpattaranont, "A Novel Feature Extraction for Robust EMG Pattern Recognition," Journal of computing, vol. 1, pp.71-80, 2009. A.N. Donald and N. David, "Kinesiology of the Musculoskeletal System," Mosby, 2009. J.H. Ryu and D.H. Kim, "Multiple Gait Phase Recognition using Boosted Classifiers based on sEMG Signal and Classification Matrix," In Proc. of ACM IMCOM 2014, pp. 90.1-90.4, 2014. K. Englehart, B. Hudgins, "A Robust, Real-Time Control Scheme for Multifunction Myoelectric Control," IEEE transactions on Biomedical Engineering, vol. 50, no. 7, pp. 848-854, 2003. A. Phinyomark, S. Thongpanja, F. Quaine, Y. Laurillau, C. Limsakul, P. Phukpattaranont, "Optimal EMG Amplitude Detectors for Muscle-Computer Interface," In Proc. Of ECTI-CON 2013, pp. 10.01-10.06, 2013. A. Greorgakis, L.K. stergioulas and G. Giakas, "Fatigue Analysis of the Surface EMG Signal in Isometric Constant Force Contractions Using the Averaged Instantaneous Frequency," IEEE transactions on Biomedical Engineering, vol. 50, no. 2, pp. 262-265, 2003. D. Farina, M. Gazzoni, and R. Merletti, "Assessment of low back muscle fatigue by surface EMG signal analysis: methodological aspects," Journal of Electromyography and Kinesiology, vol. 13, pp. 319-332, 2003. "Zygote Body," Zygote media Groups, Inc, 2012 E. C. Wentink, V. G. H. Schut, E. C. Prinsen, J. S. Rietman, and P. H. Veltink, "Detection of the onset of gait initiation using kinematic sensors and EMG in transfemoral amputees," Gait & Posture, vol. 39, no. 1, pp. 391-396, 2014.
본 발명의 목적은 상술한 바와 같은 문제점을 해결하기 위한 것으로, 보행단계별로 GPES(gait phase EMG signals) 라이브러리를 만들고, 입력신호에 ISMF(integrated signal matching filter)를 적용하여 이를 GPES 라이브러리와 비교하여 보행단계를 인식하는, EMG신호 기반 보행단계 인식 방법을 제공하는 것이다.
특히, 본 발명의 목적은 훈련과정에 사용자 별로 제작한 참조 EMG 신호들로 GPES 라이브러리를 생성하고, ISMF 필터로서, 미분 분석법을 이용하여 변환된 EMG신호를 적분을 수행한 후 곡선의 매칭률(Matching ratio)을 비교하기 위한 필터를 적용하는, EMG신호 기반 보행단계 인식 방법을 제공하는 것이다. 즉, GPES 라이브러리는 각각의 사용자들에게서 만들어진 참조 EMG 신호이다.
또한, 본 발명의 목적은 보행인식 단계에서는 입력된 EMG 신호(Signal)를 GPES 라이브러리 생성 단계와 동일한 방법을 통해 AMDI 곡선(curve)으로 변환하고, 그 후 ISMF를 이용하여 보행단계를 분류하는, EMG신호 기반 보행단계 인식 방법을 제공하는 것이다.
또한, 본 발명의 목적은 입각기(stance) 3단계와 유각기(swing) 1단계로 분류하는, EMG신호 기반 보행단계 인식 방법을 제공하는 것이다.
상기 목적을 달성하기 위해 본 발명은 EMG신호 기반 보행단계 인식 방법에 관한 것으로서, (a) 훈련데이터를 이용하여 GPES 라이브러리를 생성하는 단계; (b) 보행자의 측정된 EMG 신호를 입력받는 단계; (c) 측정된 보행자의 EMG 신호를 ISMF(integrated spectral matching filter) 필터를 이용하여 필터링하는 단계; 및, (d) 상기 필터링된 EMG 신호를 상기 GPES 라이브러리의 신호와 대비하여, 보행단계를 인식하는 단계를 포함하는 것을 특징으로 한다.
또한, 본 발명은 EMG신호 기반 보행단계 인식 방법에 있어서, 상기 (a)단계는, (a1) 보행단계에 따른 훈련용 EMG신호를 획득하는 단계; (a2) 훈련용 EMG신호를 절대 EMG신호로 변환하는 단계; (a3) 상기 절대 EMG신호를 절대곡선으로 정규화하는 단계; (a4) 보행단계별 평균시간을 계산하고, 상기 절대곡선을 상기 보행단계별 평균시간으로 절대평균곡선을 변환하는 단계; (a5) 미분분광법을 이용하여 상기 절대평균곡선을 절대평균미분곡선으로 변환하는 단계; (a6) 적분분광법을 이용하여 상기 절대평균미분곡선을 절대평균미적분곡선으로 변환하는 단계; 및, (a7) 상기 절대평균미적분곡선으로 GPES 라이브러리를 생성하는 단계를 포함하는 것을 특징으로 한다.
또한, 본 발명은 EMG신호 기반 보행단계 인식 방법에 있어서, 상기 (c)단계는, (c1) 입력된 EMG신호를 GPES 라이브러리의 크기로 재조정하는 단계; (c2) 상기 재조정된 EMG신호를 절대 입력EMG신호로 변환하는 단계; (c3) 변환된 절대 입력EMG신호를 입력절대곡선으로 정규화하는 단계; (c4) 미분분광법을 이용하여 상기 입력절대곡선을 절대미분곡선으로 변환하는 단계; 및, (c5) 적분분광법을 이용하여 상기 절대미분곡선을 절대미적분곡선으로 변환하는 단계를 포함하는 것을 특징으로 한다.
또한, 본 발명은 EMG신호 기반 보행단계 인식 방법에 있어서, 상기 (d)단계에서, 상기 필터링된 EMG신호를 상기 GPES 라이브러리의 보행단계 곡선과의 매칭율을 구하여, 대비하는 것을 특징으로 한다.
또한, 본 발명은 EMG신호 기반 보행단계 인식 방법에 있어서, 상기 매칭율은 다음 [수식 1]에 의하여 계산되는 것을 특징으로 한다.
[수식 1]
Figure 112016114771754-pat00001
단, Gi 는 i번째 입력 ADI 곡선(Input ADI Curve), Li 는 i번째 초기접지(initial contact) GPES 라이브러리이고 m 은 GPES 라이브러리의 길이(Length)이고, wi는 i번째 입력 ADI 곡선(Input ADI Curve)과 초기접지(initial contact) GPES 라이브러리의 비율임.
상술한 바와 같이, 본 발명에 따른 EMG신호 기반 보행단계 인식 방법에 의하면, 종래기술의 문제점이었던 짧은 보행시간으로 인한 특징 산출 불가, 실시간 처리 불가능, 사용자 마다 다른 EMG 신호, 적응적(Adaptive) 보행속도 그리고 상태에 따라 다른 진폭 등의 문제들 해결할 수 있는 효과가 얻어진다.
본 발명에 따른 EMG신호 기반 보행단계 인식 방법에 의하면, EMG신호 라이브러리 나 ISMF (Integrated Signal Matching Filter)를 미분 분석법과 적분 분석법을 이용하여 만들어지기 때문에, 정확도가 높고, EMG 신호 진폭 변화에 강인할 수 있는 효과가 얻어진다.
또한, 본 발명의 실험에 따르면, 본 발명의 EMG신호 기반 보행단계 인식 방법은 평균 정확도에서 기존방법보다 17% 높았고, 평균 지연 시간에서는 본 발명의 방법이 26.2ms인 반면에 기존방법은 195.2mse인 것으로 나타났다.
도 1은 본 발명의 일실시예에 따른 EMG신호 기반 보행단계 인식 방법을 실시하기 위한 전체 시스템의 구성에 대한 블록도.
도 2는 본 발명의 일실시예에 따른 EMG신호 기반 보행단계 인식 방법을 설명하는 흐름도.
도 3은 본 발명의 일실시예에 따른 GPES 라이브러리 생성 단계를 설명하는 흐름도.
도 4는 본 발명의 GPES 라이브러리 생성 과정의 전체적인 과정을 설명하는 흐름 블록도.
도 5는 본 발명의 일실시예에 따른 (a) 초기 접지(initial contact) EMG 신호, 및, (b) 초기 접지(initial contact) GPES 라이브러리를 나타낸 그래프.
도 6은 본 발명의 일실시예에 따른 ISMF 필터링 단계를 설명하는 흐름도.
도 7은 본 발명의 일실시예에 따른 (a) 초기 접지(initial contact) GPES 라이브러리 곡선(실선), 및, (b) 입력 ADI 곡선(점선)을 나타낸 그래프.
도 8은 본 발명의 일실시예에 따른 매칭율에 의한 보행단계 인식 방법을 나타낸 예시도.
도 9은 본 발명의 실험에 따른 전극 부착 위치를 나타낸 그림.
도 10는 본 발명의 실험에 따른 가장 높은 정확도 및, 해당 근육을 나타낸 표.
도 11은 본 발명의 실험에 따른 본 발명과 종래기술의 평가결과에 대한 그래프로서, (a) 민감도 평가결과, (b) 특이도 평가결과를 나타낸 그래프.
도 12은 본 발명의 실험에 따른 본 발명과 종래기술의 각 보행단계의 정확도를 비교한 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 EMG신호 기반 보행단계 인식 방법을 실시하기 위한 전체 시스템의 구성에 대하여 도 1을 참조하여 설명한다.
도 1에서 보는 바와 같이, 본 발명에 따른 EMG신호 기반 보행단계 인식 방법은 훈련 데이터(학습 데이터)(11) 또는 EMG 신호(12)를 입력받아, GPES 라이브러리를 생성하여 보행단계를 인식하는 컴퓨터 단말(20) 상의 프로그램 시스템(30)으로 실시될 수 있다. 즉, 상기 EMG신호 기반 보행단계 인식 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 EMG신호 기반 보행단계 인식 방법은 프로그램으로 구성되어 범용 컴퓨터에서 동작하는 것 외에 ASIC(주문형 반도체) 등 하나의 전자회로로 구성되어 실시될 수 있다. 또는 GPES 라이브러리를 생성하여 보행단계를 인식하는 것만을 전용으로 처리하는 전용 단말(30)로 개발될 수도 있다. 특히, 상기와 같은 전자회로는 동력의지를 제어하는 제어장치에 이용되거나, 제어장치의 일부로서 실시될 수 있다. 이를 EMG신호 기반 보행단계 인식 장치(30)라 부르기로 한다. 그 외 가능한 다른 형태도 실시될 수 있다.
본 발명의 일실시예에 따른 EMG신호 기반 보행단계 인식 방법을 도 2를 참조하여 구체적으로 설명한다.
도 2에서 보는 바와 같이, 본 발명에 따른 EMG신호 기반 보행단계 인식 방법은 GPES 라이브러리 생성 단계(S10), 보행자 EMG 신호 입력 단계(S20), ISMF 필터링 단계(S30), 및 보행단계 인식 단계(S20)로 나뉜다.
GPES 라이브러리 생성 단계(S10)에서는 훈련데이터를 이용하여, GPES 라이브러리를 생성한다. 이때 훈련데이터는 물리적인 센서에 의한 측정된 보행단계 및, 해당 보행단계에서 측정된 EMG 신호로 구성된다.
예를들어, 물리적 센서는 압력센서나 AHRS 센서 등을 이용한다. 압력센서/AHRS센서는 훈련데이터의 보행범위를 생성하기 위해 사용된다. AHRS(Attitude & Heading Reference System)은 3축 지자기, 자이로, 가속도계를 측정할 수 있는 항법센서이다. 이는 무릎각도 변화를 분석하고자 사용된다. 구체적으로, 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.
근전도(EMG) 신호는 각각 내측광근, 외측광근, 최직근, 비복근 등의 근육에서 측정된 생체신호들이다. EMG 신호는 연속적인 생체신호이나, 앞서 물리적인 센서에 의해 보행단계가 구분되어, 각 보행단계별 EMG 신호로 구분된다.
또한, 훈련데이터는 특정사람에 해당되는 근전도 신호를 사용하고, 이로부터 GPES 라이브러리를 생성한다. 즉, 각 사람별로 GPES 라이브러리를 생성한다.
다음으로, 실제 보행자의 EMG신호를 측정하여, 현재 보행자의 보행단계를 인식한다.
구체적으로, 실제 보행자의 근전도(EMG) 신호만을 측정하고(S20), 측정된 보행자의 근전도 신호를 ISMF(integrated spectral matching filter) 필터를 이용하여 필터링한다(S30). 그리고 필터링된 EMG 신호를 GPES 라이브러리에 적용하여 현재 보행단계를 판별하여 인식한다(S40).
이때, 실제 보행자의 근전도(EMG) 신호는 측정된 보행자의 EMG 신호로서 획득한다(또는 입력받는다)(S20). 보행자의 EMG신호는 실제 보행자가 보행하면서 측정되어 입력된 신호이다.
한편, 보행단계 인식은 앞서 단계 S20 내지 S40을 반복하여, 지속적으로 보행자의 EMG신호를 입력받아, 보행자의 보행단계를 지속적으로 인식한다.
다음으로, 본 발명의 일실시예에 따른 GPES 라이브러리 생성 단계(S10)를 도 3 및 도 4를 참조하여 보다 구체적으로 설명한다. 즉, GPES(Gait Phase EMG Signal, 보행단계 근전도 신호) 라이브러리 생성 방법을 설명한다.
도 3은 GPES 라이브러리 생성과정을 설명하는 흐름도이고, 도 4는 GPES 라이브러리를 생성하는 방법을 나타낸 블록도 이다.
첫 번째 단계(S11)는 물리적인 센서를 이용하여 보행단계에 따라 EMG신호를 취득한다[비특허문헌 8].
보행단계별 EMG 신호는 물리센서를 이용하여 측정된 보행단계 주기 동안 입력받은 EMG 신호이다. 예를들어 1ms 씩 샘플링하고, 물리센서를 이용하여 측정된 초기접지(initial contact)의 주기가 250ms라고 했다면 s=(s1~sn), n은 1,2,...,250이 된다. 샘플은 1khz단위이며, 신호의 길이는 물리센서를 이용하여 결정한다. 또한 이 단계에서는 매 보행단계보다 크기가 각각 다를수 도 있다.
2번째 단계(S12)는 EMG 신호의 진폭 변화를 표현하기 위하여 절대 EMG 신호(Absolute EMG signal)로 변환한다. 절대 EMG 신호는 원 신호에서 절대 값을 취하는 형태이다.
3번째 단계(S13)는 최대 값을 이용하여 절대 EMG 신호(Absolute EMG signal)을 절대 곡선(absolute curve)(A-curve)로 정규화한다. EMG 신호를 정규화 할 시 사용자 상태에 따라 진폭이 변하는 문제를 해결할 수 있다. 정규화는 수학식 1을 이용하여 계산된다.
[수학식 1]
Figure 112016114771754-pat00002
여기서, Sj는 j번째 절대신호(absolute signal) 값, n은 신호의 길이이고, j=1, 2. 3, …, n이며, max(S)는 절대신호(absolute signal)의 최대 값이다. 즉, 비율 곡선 Rj 는 최대값에 대한 Sj의 비율이다.
4번째 단계(S14)에서는 보행단계별로 평균 시간을 계산한 후 A-곡선(A-curve)을 평균 시간에 재조정(resizing)한 후 보행단계별로 평균을 계산하여 절대 평균곡선(absolute-mean curve)(이하 AM 곡선)로 변환한다.
보행 순서에 따라 시간은 지속적으로 변한다. 예를들어 첫 번째 보행에서 초기접지(initial contact)가 230ms, 2번째 보행에서 초기접지(initial contact)가 270ms, 3번째 보행에서 초기접지(initial contact)가 220ms라고 한다면 보행단계별로 평균 시간을 계산한다. 즉 위의 예라면 (230+270+220)/3=240ms가 된다. 그 후 모든 보행단계를 보간법(interpolation)을 이용하여 재조정(resizing)하여 평균 시간으로 맞쳐준다. 예를들어 1번째 보행은 230ms에서 240ms로, 2번째 보행은 270ms에서 240ms로, 3번째 보행은 220ms에서 240ms로 변경한다. 참고로 보간법(interpolation)은 간단히 중간값을 채우거나 없애는 방법이다. 예를들어 2, 6, 10 등 3개의 숫자로 구성된 3ms 샘플을 5ms로 재조정(resizing)한다면 2 4 6 8 10 이런식으로 변경해준다.
마지막으로 240ms로 변한 3개의 보행을 평균을 계산하여, 1개의 평균 240ms의 길이의 초기접지(initial contact)로 구성된 신호로 만든다.
5번째 단계(S15)는 미분 분광 법을 이용하여 AM 곡선(AM-curve)을 절대평균 미분곡선(absolute-mean-derivative curve)(또는 AMD curve)으로 변환한다.
미분 분광법은 다음과 같은 수식을 이용하여 변환하는 방법으로서, 차분을 구하는 것과 같다.
[수학식]
Figure 112016114771754-pat00003
6번째 단계(S16)는 적분 분광 법을 이용하여 절대평균미적분 곡선(absolute-mean-derivative-integrated curve)(또는 AMDI curve)으로 변환한다.
미분 곡선인 AMD커브를 샘플에 따라 누적 합을 계산하는 것이다. 예를들어 1, 3, 5, 6, 3, 4로 구성되어 있는 6ms AMD 커브를 적분 분광법을 이용하면 1, 4(1+3), 9(4+5), 15(9+6), 18(15+3), 22(18+4)로 계산된다.
마지막으로, 변환된 절대평균미적분 곡선으로 GPES 라이브러리를 구성한다(S17). 즉, 보행단계별로 절대평균미적분 곡선으로 GPES 라이브러리를 구성한다.
이렇게 얻은 보행단계별 GPES 라이브러리는 보행인식 단계에서 ISMF (Integrated Signal Matching Filter)를 이용하여 보행을 분류한다.
도 5(a)는 초기접지(initial contact)에 해당하는 EMG 신호이고, 도 5(b)는 초기접지(initial contact)의 GPES 라이브러리(Library) 곡선이다.
A 커브는 보행의 개수 만큼 길어지고, AM, AMD, AMDI 커브는 모두 1개의 보행단계에 대한 커브이다. 만약 10번의 보행이 있었다면 10개의 A 커브가 있으며, AM커브에서 이것을 1개로 평균한다. 그 후 AMD, AMDI를 수행하기 때문에 나머지는 1개가 된다. 참고로 보행단계가 initial contact, mid stance, propulsion 4개라면 4개의 AMDI 커브가 각각 만들어진다.
다음으로, 본 발명의 일실시예에 따른 ISMF 필터링 단계(S30)를 도 6을 참조하여 보다 구체적으로 설명한다.
ISMF를 이용하여 보행을 인식한다. 즉, ISMF는 GPES 라이브러리와 AMDI 커브를 매칭시켜 보행단계를 인식한다. 그래프 비교 방식이기 때문에 실시간으로 보행단계를 인식하는 것이 가능하다. 이하의 설명에서, 현재 보행이 초기접지(initial contact)라고 가정하여 예시적으로 설명한다.
도 6에서 보는 바와 같이, 먼저, 선형 보간 법을 이용하여 입력된 EMG 신호를 초기접지(initial contact)의 보행단계(Gait) 라이브러리(또는 GPES 라이브러리)와 동일한 크기(또는 길이 Length)로 재조정(Resizing) 한다(S31).
예를 들어, 입력된 EMG 신호가 10ms이고 보행단계(Gait) 라이브러리 크기가 250ms라면 선형 보간 법을 이용하여 입력된 EMG신호를 250ms로 재조정(resizing) 한다.
다음으로, 재조정된 EMG 신호를 절대 EMG신호로 변환하고(S32), 절대EMG신호를 절대곡선으로 정규화한다(S33). 그리고 미분분광법을 이용하여 정규화된 절대곡선을 절대미분 곡선으로 변환한다(S34). 그리고 절대미분 곡선을 적분분광법을 이용하여 절대미적분 곡선으로 변환한다(S35).
앞서 단계 S32 내지 S35의 각 단계는, 앞서 GPES 라이브러리 생성 과정(S10)에서 S12, S13, S15, S16의 각 단계에서 구하는 방식으로 곡선을 변환한다. 그래서 최종적으로, 절대미적분 곡선(Absolute-Derivative-Integrated Rates Curve, ADI Curve)을 획득한다.
ISMF 필터링은 결과적으로 GPES라이브러리와 ADI커브를 비교하여 정확도를 계산하는 과정을 말한다.
다음으로, 본 발명의 일실시예에 따른 보행단계 인식 단계(S40)에 대하여 보다 구체적으로 설명한다.
GPES 라이브러리의 해당 보행의 AMDI 곡선과, 최종적으로 획득한 ADI 곡선을 서로 매칭하여 정확도를 계산한다. 즉, 앞서의 예로서 초기접지(initial contact) GPES 라이브러리와, 입력된 ADI 곡선을 이용하여 정확도를 계산한다.
수학식 2는 정확도 계산 식이다.
[수학식 2]
Figure 112016114771754-pat00004
수학식 2에서 Gi 는 i번째 입력 ADI 곡선(Input ADI Curve), Li 는 i번째 초기접지(initial contact) GPES 라이브러리이다. 그리고 m 은 GPES 라이브러리의 길이(Length)이다. 즉 wi는 i번째 입력 ADI 곡선(Input ADI Curve)과 초기접지(initial contact) GPES 라이브러리의 차이이다.
이렇게 계산된 매칭율(matching ratio)은 사용자가 설정된 주기마다 계산을 수행하며 매칭율(matching ratio)이 최대값이 되고 20msec 이상 정확도가 감소할 때 최대값을 보인 구간이 초기 접지(initial contact)가 된다. 도 5는 초기접지(initial contact) GPES 라이브러리와 입력된 초기 접지(initial contact)의 EMG 신호이다(20 gait).
또한, 만약 입력받은 초기 접지(initial contact)의 주기가 250ms라고한다면 20ms부터 신호를 누적시켜 270ms까지 계속 매칭을 시킨다. 그럼 밑 그림과 같이 매칭율이 점점 증가하다 최대점을 찍고 20ms이상 정확도가 감소할 경우 최대 시점이 입력부터 초기 접지(initial contact) 종료지점이 되고 그 후가 중간 입각기(mid stance)가 됩니다.
다음으로, 본 발명의 효과를 실험을 통해 설명한다.
먼저, 실험환경(Experimental Envirenmant)을 설명한다.
실험에는 BioPAC사의 MP150과 BM-EMG2 모델이 사용되었다. GPES 라이브러리와 ISMF 함수는 매트랩 2013으로 구현했다. 사용된 근육은 허벅지 피부 층에 존재하는 근육 6개 중 4개 Rectus femoris, Vastus lateralis, Vastus medialis, Biceps femoris를 사전 연구 결과를 이용하여 선별하였다[비특허문헌 6-8]. 도 9은 4개의 전극 부착 위치이고, Body Browser를 이용하여 표시했다[비특허문헌 13].
실험에는 총 3명의 피험자가 참여했고, 훈련데이터와 입력데이터를 취득하기 위해 피험자 당 각각 50걸음의 평지 보행 동작을 반복하였다. 마지막으로 종래기술에는 패턴인식 기반의 EMG 신호를 이용한 보행단계 인식기가 사용되었다. 특징은 총 6개를 분류기에는 LDA가 사용됐다[비특허문헌 6,8].
다음으로, 실험결과(Experimental Result)를 설명한다.
보행단계에 따른 근육별 정확도 실험을 진행하였다. 도 10의 표는 정확도가 가장 높은 근육이다. 피험자에 보행습관에 따라 정확도가 높은 근육이 모두 다르다는 것을 확인하였다. 정확도가 높은 근육이 모두 다른 이유는 피험자의 보행습관에 따라 근육의 발달 차이가 발생하기 때문이다. 우리는 보행단계인식에서 활성도가 높은 근육만을 사용하여 계산 량 및 처리시간을 감소시켰다.
다음은 보행단계에 따른 민감도(sensitivity)와 특이도(specificity)를 계산하였으며, 결과는 도 11과 같다. 결과에 따르면, 본 발명의 방법이 모든 경우에서 종래기술 보다 더 좋은 것으로 나타났다. 본 발명의 평균 민감도는 87%이고, 종래기술은 64%로 나타났다. 또한, 본 발명의 특이도는 83%이고, 종래기술은 73%이다. 이것은 ISMF가 종래기술의 분류기에 비하여, EMG 신호 패턴의 시간적 특징을 보다 잘 반영하기 때문이다.
다음으로, 도 12은 보행단계(gait phase)의 관점에서 본 발명과 종래기술의 평균 정확도를 나타내고 있다. 결과에 따르면, 본 발명의 방법이 모든 경우에서 종래기술 보다 더 좋은 것으로 나타났다. 또한, 일원변량분석(one-way analysis of variance) 결과에 의하면, 본 발명의 보행단계에 대한 분류 정확도에서의 편차가 의미가 있게 나타났다(F=15.47, p<0.05).
또한, 실험 결과에 의하면, 본 발명의 평균 보행단계 인식 시간이 종래기술 보다 매우 빠른 것으로 나타났다(<300msec). 따라서 EMG 신호 기반 보행 단계 인식 처리를 실시간으로 처리할 수 있다.
본 발명에서는 배경기술에 제시한 5가지 문제를 해결하기 위하여 GPES 라이브러리와 ISMF를 이용한 보행단계 인식 방법을 개발하였다. 본 발명에 따른 방법은 다음과 같은 장점을 갖는다. 특징 추출 알고리즘을 사용하지 않고 시간 변화에 따른 SEMG 신호 활성도를 비교하기 때문에 기존의 특징 값들과 비교했을 때 시간적 특성을 더 잘 반영한다. sEMG 신호를 비교하는 방식으로 보행단계를 인식하기 때문에 항상 고속 정합이 가능하다. 따라서 본 발명에 따른 방법은 보행단계 인식을 위한 실시간 처리가 가능하다.
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.
11 : 훈련데이터 12 : EMG 신호
20 : 컴퓨터 단말 30 : 보행단계 인식 장치

Claims (5)

  1. EMG신호 기반 보행단계 인식 방법에 있어서,
    (a) 훈련데이터를 이용하여 GPES 라이브러리를 생성하는 단계;
    (b) 보행자의 측정된 EMG 신호를 입력받는 단계;
    (c) 측정된 보행자의 EMG 신호를 ISMF(integrated spectral matching filter) 필터를 이용하여 필터링하는 단계; 및,
    (d) 상기 필터링된 EMG 신호를 상기 GPES 라이브러리의 신호와 대비하여, 보행단계를 인식하는 단계를 포함하는 것을 특징으로 하는 EMG신호 기반 보행단계 인식 방법.
  2. 제1항에 있어서, 상기 (a)단계는,
    (a1) 보행단계에 따른 훈련용 EMG신호를 획득하는 단계;
    (a2) 훈련용 EMG신호를 절대 EMG신호로 변환하는 단계;
    (a3) 상기 절대 EMG신호를 절대곡선으로 정규화하는 단계;
    (a4) 보행단계별 평균시간을 계산하고, 상기 절대곡선을 상기 보행단계별 평균시간으로 절대평균곡선을 변환하는 단계;
    (a5) 미분분광법을 이용하여 상기 절대평균곡선을 절대평균미분곡선으로 변환하는 단계;
    (a6) 적분분광법을 이용하여 상기 절대평균미분곡선을 절대평균미적분곡선으로 변환하는 단계; 및,
    (a7) 상기 절대평균미적분곡선으로 GPES 라이브러리를 생성하는 단계를 포함하는 것을 특징으로 하는 EMG신호 기반 보행단계 인식 방법.
  3. 제1항에 있어서, 상기 (c)단계는,
    (c1) 입력된 EMG신호를 GPES 라이브러리의 크기로 재조정하는 단계;
    (c2) 상기 재조정된 EMG신호를 절대 입력EMG신호로 변환하는 단계;
    (c3) 변환된 절대 입력EMG신호를 입력절대곡선으로 정규화하는 단계;
    (c4) 미분분광법을 이용하여 상기 입력절대곡선을 절대미분곡선으로 변환하는 단계; 및,
    (c5) 적분분광법을 이용하여 상기 절대미분곡선을 절대미적분곡선으로 변환하는 단계를 포함하는 것을 특징으로 하는 EMG신호 기반 보행단계 인식 방법.
  4. 제1항에 있어서,
    상기 (d)단계에서, 상기 필터링된 EMG신호를 상기 GPES 라이브러리의 보행단계 곡선과의 매칭율을 구하여, 대비하는 것을 특징으로 하는 EMG신호 기반 보행단계 인식 방법.
  5. 제4항에 있어서,
    상기 매칭율은 다음 [수식 1]에 의하여 계산되는 것을 특징으로 하는 EMG신호 기반 보행단계 인식 방법.
    [수식 1]
    Figure 112018010022468-pat00005

    단, Gi 는 i번째 입력 ADI 곡선(Input ADI Curve), Li 는 i번째 초기접지(initial contact) GPES 라이브러리이고 m 은 GPES 라이브러리의 길이(Length)이고, wi는 i번째 입력 ADI 곡선(Input ADI Curve)과 초기접지(initial contact) GPES 라이브러리의 비율임.
KR1020160156709A 2016-11-23 2016-11-23 Gpes 라이브러리와 ismf를 이용한 emg신호 기반 보행단계 인식 방법 KR101829356B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020160156709A KR101829356B1 (ko) 2016-11-23 2016-11-23 Gpes 라이브러리와 ismf를 이용한 emg신호 기반 보행단계 인식 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020160156709A KR101829356B1 (ko) 2016-11-23 2016-11-23 Gpes 라이브러리와 ismf를 이용한 emg신호 기반 보행단계 인식 방법

Publications (1)

Publication Number Publication Date
KR101829356B1 true KR101829356B1 (ko) 2018-02-19

Family

ID=61387637

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020160156709A KR101829356B1 (ko) 2016-11-23 2016-11-23 Gpes 라이브러리와 ismf를 이용한 emg신호 기반 보행단계 인식 방법

Country Status (1)

Country Link
KR (1) KR101829356B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109446972A (zh) * 2018-10-24 2019-03-08 电子科技大学中山学院 基于肌电信号的步态识别模型建立方法、识别方法及装置
KR20200144996A (ko) 2019-06-20 2020-12-30 청주대학교 산학협력단 근육시너지 라이브러리를 이용한 운동 코칭 시스템 및 근육시너지 라이브러리를 이용한 근육시너지 특성 산출방법
CN113796156A (zh) * 2019-05-06 2021-12-14 株式会社Ntt都科摩 用于处理服务请求的通信网络组件和方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007125368A (ja) 2005-09-26 2007-05-24 Aisin Seiki Co Ltd 歩行解析装置及び歩行解析方法
JP2013215220A (ja) 2012-04-04 2013-10-24 Asahi Kasei Corp 歩行状態検知装置
KR101585561B1 (ko) 2014-08-21 2016-01-15 인하대학교산학협력단 다중 보행단계 인식을 위한 표면근전도 신호기반 부스트 분류 시스템

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2007125368A (ja) 2005-09-26 2007-05-24 Aisin Seiki Co Ltd 歩行解析装置及び歩行解析方法
JP2013215220A (ja) 2012-04-04 2013-10-24 Asahi Kasei Corp 歩行状態検知装置
KR101585561B1 (ko) 2014-08-21 2016-01-15 인하대학교산학협력단 다중 보행단계 인식을 위한 표면근전도 신호기반 부스트 분류 시스템

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109446972A (zh) * 2018-10-24 2019-03-08 电子科技大学中山学院 基于肌电信号的步态识别模型建立方法、识别方法及装置
CN109446972B (zh) * 2018-10-24 2021-08-31 电子科技大学中山学院 基于肌电信号的步态识别模型建立方法、识别方法及装置
CN113796156A (zh) * 2019-05-06 2021-12-14 株式会社Ntt都科摩 用于处理服务请求的通信网络组件和方法
CN113796156B (zh) * 2019-05-06 2024-03-19 株式会社Ntt都科摩 用于处理服务请求的通信网络组件和方法
KR20200144996A (ko) 2019-06-20 2020-12-30 청주대학교 산학협력단 근육시너지 라이브러리를 이용한 운동 코칭 시스템 및 근육시너지 라이브러리를 이용한 근육시너지 특성 산출방법

Similar Documents

Publication Publication Date Title
Liu et al. Intent pattern recognition of lower-limb motion based on mechanical sensors
Joshi et al. Classification of gait phases from lower limb EMG: Application to exoskeleton orthosis
Luo et al. A low-cost end-to-end sEMG-based gait sub-phase recognition system
CN112754468B (zh) 一种基于多源信号的人体下肢运动检测及识别方法
Woodward et al. Pervasive monitoring of motion and muscle activation: Inertial and mechanomyography fusion
Ryu et al. sEMG signal-based lower limb human motion detection using a top and slope feature extraction algorithm
Ryu et al. Real-time gait subphase detection using an EMG signal graph matching (ESGM) algorithm based on EMG signals
Godiyal et al. Force myography based novel strategy for locomotion classification
Lukowicz et al. Detecting and interpreting muscle activity with wearable force sensors
KR20160031246A (ko) 보행 환경 인식 방법 및 장치
Yuwono et al. Unsupervised nonparametric method for gait analysis using a waist-worn inertial sensor
US11772259B1 (en) Enhanced activated exoskeleton system
KR101829356B1 (ko) Gpes 라이브러리와 ismf를 이용한 emg신호 기반 보행단계 인식 방법
Xu et al. Noninvasive human-prosthesis interfaces for locomotion intent recognition: A review
Ryu et al. sEMG-signal and IMU sensor-based gait sub-phase detection and prediction using a user-adaptive classifier
Lee et al. Biometric personal identification based on gait analysis using surface EMG signals
KR101585561B1 (ko) 다중 보행단계 인식을 위한 표면근전도 신호기반 부스트 분류 시스템
Jiang et al. Exploration of gait parameters affecting the accuracy of force myography-based gait phase detection
Song et al. Adaptive neural fuzzy reasoning method for recognizing human movement gait phase
JP2014050590A (ja) 手用の動作認識装置、義手操作装置、及び複合センサ
Hu et al. A novel fusion strategy for locomotion activity recognition based on multimodal signals
Ahkami et al. Electromyography-based control of lower limb prostheses: a systematic review
Weigand et al. Continuous locomotion mode recognition and gait phase estimation based on a shank-mounted IMU with artificial neural networks
KR20160023984A (ko) 표면근전도 신호기반 보행동작 인식을 위한 분류기 시스템
CN111053555B (zh) 基于表面肌电信号与足底力的地形分类装置及方法

Legal Events

Date Code Title Description
E902 Notification of reason for refusal
E701 Decision to grant or registration of patent right
GRNT Written decision to grant