KR102106471B1 - Emg 신호 그래프 매칭 알고리즘을 이용한 보행 단계 검출 장치 및 방법 - Google Patents

Emg 신호 그래프 매칭 알고리즘을 이용한 보행 단계 검출 장치 및 방법 Download PDF

Info

Publication number
KR102106471B1
KR102106471B1 KR1020170173183A KR20170173183A KR102106471B1 KR 102106471 B1 KR102106471 B1 KR 102106471B1 KR 1020170173183 A KR1020170173183 A KR 1020170173183A KR 20170173183 A KR20170173183 A KR 20170173183A KR 102106471 B1 KR102106471 B1 KR 102106471B1
Authority
KR
South Korea
Prior art keywords
emg signal
signal
emg
walking
walking step
Prior art date
Application number
KR1020170173183A
Other languages
English (en)
Other versions
KR20190072102A (ko
Inventor
김덕환
류재환
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 KR1020170173183A priority Critical patent/KR102106471B1/ko
Publication of KR20190072102A publication Critical patent/KR20190072102A/ko
Application granted granted Critical
Publication of KR102106471B1 publication Critical patent/KR102106471B1/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
    • A61B5/103—Detecting, measuring or recording devices for testing the shape, pattern, colour, size or movement of the body or parts thereof, for diagnostic purposes
    • A61B5/11—Measuring movement of the entire body or parts thereof, e.g. head or hand tremor, mobility of a limb
    • A61B5/112—Gait analysis
    • A61B5/0488—
    • 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]

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Public Health (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Physiology (AREA)
  • Dentistry (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)

Abstract

실시예들은 보행하는 피험자의 하체에 부착된 EMG 센서로부터 EMG 신호를 획득하는 훈련용 EMG 신호 획득부; 상기 피험자의 발에 부착된 압력센서로부터 압력신호를 획득하는 훈련용 압력신호 획득부; 획득한 EMG 신호와 압력신호를 기초로 보행 단계별로 EMG 신호를 분류하는 훈련용 EMG 신호 분류부; 및 분류된 보행 단계별 EMG신호를 보행단계별 레퍼런스 EMG 신호로 데이터베이스에 저장하는 훈련용 레퍼런스 데이터 처리부를 포함하되, 상기 보행단계는, 초기접촉(Initial contact), 중간기(Mid stance), 추진(Propulsion) 및 스윙(Swing)을 포함하고, 각 보행단계는 상기 압력신호를 기초로 결정되는 것을 특징으로 하는, EMG 신호 그래프 매칭(ESGM) 알고리즘을 이용한 보행 단계 검출 장치 및 이를 이용한 특징 추출방법에 관련된다.

Description

EMG 신호 그래프 매칭 알고리즘을 이용한 보행 단계 검출 장치 및 방법{APPARATUS AND METHOD FOR DETECTING GAIT PHASE USING EMG SIGNAL GRAPH MATCHING ALGORITHM}
본 발명은 보행단계 검출 장치 및 방법에 관한 것으로, 더욱 구체적으로는 EMS 신호 그래프 매칭 알고리즘을 이용한 보행 단계 검출 장치 및 방법에 관한 것이다.
최근 EMG (Electromyogram) 신호를 이용한 웨어러블 로봇, 바이오닉 다리, 스마트 워커 등의 연구가 진행되고 있다. EMG 신호는 근육 세포가 전기적 또는 신경 학적으로 활성화되었을 때 근육 세포에 의해 생성되는 전기 전위이다. 종래 근전도 신호에 기반한 패턴 인식 및 기계 학습을 이용한 보행 위상 검출 방법은 여전히 많은 문제점을 가지고 있다. 예컨대 걸음 걸이 단계를 실시간으로 쉽게 감지 할 수 없고 정확도가 낮을 수 있다. EMG 신호의 진폭이 낮거나 유사한 경우 EMG 신호를 사용하여 보행 보조 위상을 인식하는 것이 쉽지 않다. EMG 신호 패턴은 주체 걷기 대회에 따라 다르기 때문에 사용자 적응 형 분류기가 필요하다.
일반적으로 보행 단계는 4 단계(초기 접촉, 중간기, 추진력, 스윙)로 나뉘어 진다. 도 1은 각 보행단계에서, 하체에서 획득한 EMG 신호 변화를 나타낸다. 도 1을 참조하면 초기 접촉과 추진 사이의 평균 절대값 (MAV) 특징 값이 유사하거나 중간 자세의 특징 값이 0에 가까우므로, 이러한 특징 값을 사용하게 되면 클래스 분리 정도 정확도가 감소하는 문제가 있다. 따라서 사용자의 보행 단계를 추정함에 있어서 정확도가 떨어지는 문제가 있다.
한국공개특허 제10-2015-0000241호
본 발명은 위와 같은 문제를 해결하기 위해서, 각 보행 단계별로 EMG 신호를 분리하고 데이터베이스화 하여 보행 단계를 추정하는 방법이 필요하다.
본 발명의 기술적 과제는 이상에서 언급한 것들로 제한되지 않으며, 언급되지 않은 또 다른 기술적 과제는 아래의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
본 발명의 일 실시예에 따른 EMG 신호 그래프 매칭(ESGM) 알고리즘을 이용한 보행 단계 검출 장치는 보행하는 피험자의 하체에 부착된 EMG 센서로부터 EMG 신호를 획득하는 훈련용 EMG 신호 획득부, 상기 피험자의 발에 부착된 압력센서로부터 압력신호를 획득하는 훈련용 압력신호 획득부, 획득한 EMG 신호와 압력신호를 기초로 보행 단계별로 EMG 신호를 분류하는 훈련용 EMG 신호 분류부 및 분류된 보행 단계별 EMG신호를 보행단계별 레퍼런스 EMG 신호로 데이터베이스에 저장하는 훈련용 레퍼런스 데이터 처리부를 포함하되, 상기 보행단계는, 초기접촉(Initial contact), 중간기(Mid stance), 추진(Propulsion) 및 스윙(Swing)을 포함하고, 각 보행단계는 상기 압력신호를 기초로 결정되는 것일 수 있다.
일 실시예에 있어서, 상기 훈련용 레퍼런스 데이터 처리부는, 분류된 보행 단계별 EMG 신호를 절대값화하고 정규화하여 상기 레퍼런스 EMG 신호로서, 상기 데이터베이스에 저장할 수 있다.
일 실시예에 있어서, 상기 상기 훈련용 레퍼런스 데이터 처리부는, 정규화된 EMG 신호를 A 곡선(absolute curve) 형태로 피팅하여 상기 레퍼런스 EMG 신호로서 상기 데이터베이스에 저장할 수 있다.
일 실시예에 있어서, 상기 훈련용 레퍼런스 데이터 처리부는, 정규화된 절대값 EMG 신호의 평균을 각 보행단계별 레퍼런스 EMG 신호로서 데이터베이스에 저장할 수 있다.
일 실시예에 있어서, 보행하는 사용자의 하체에 부착된 EMG 센서로부터 EMG 신호를 획득하는 EMG 신호 획득부, 획득한 EMG 신호를 절대값화하고 정규화하여 입력 EMG 신호를 생성하는 EMG 신호 처리부 및 생성된 입력 EMG 신호를 데이터베이스에 저장된 레퍼런스 EMG 신호와 비교하여 현재 사용자의 보행 단계를 추정하는 보행단계 추정부를 더 포함할 수 있다.
일 실시예에 있어서, 상기 EMG 신호 처리부는, 획득한 EMG 신호를 1msec 간격으로 샘플링하여 절대값화하고 정규화할 수 있다.
본 발명의 일 실시예에 따른 EMG 신호 그래프 매칭(ESGM) 알고리즘을 이용한 보행 단계 검출 방법은 보행하는 피험자의 하체에 부착된 EMG 센서로부터 EMG 신호를 획득하는 단계, 상기 피험자의 발에 부착된 압력센서로부터 압력신호를 획득하는 단계, 획득한 EMG 신호와 압력신호를 기초로 보행 단계별로 EMG 신호를 분류하는 단계 및 분류된 보행 단계별 EMG신호를 보행단계별 레퍼런스 EMG 신호로 데이터베이스에 저장하는 단계를 포함하되, 상기 보행단계는, 초기접촉(Initial contact), 중간기(Mid stance), 추진(Propulsion) 및 스윙(Swing)을 포함하고, 각 보행단계는 상기 압력신호를 기초로 결정될 수 있다.
일 실시예에 있어서, 보행하는 사용자의 하체에 부착된 EMG 센서로부터 EMG 신호를 획득하는 단계, 획득한 EMG 신호를 절대값화하고 정규화하여 입력 EMG 신호를 생성하는 단계 및 생성된 입력 EMG 신호를 데이터베이스에 저장된 레퍼런스 EMG 신호와 비교하여 현재 사용자의 보행 단계를 추정하는 단계를 더 포함할 수 있다.
본 발명의 일 실시예에 따르면 인간 다리의 근육 활동이 보행주기 동안 반복적인 방식으로 발생하기 때문에 보행 단계 검출 정확도를 높일 수 있다. 또한, EMG 신호를 사용하는 근육 활동은 AHRS, 압력 센서 및 발 스위치와 달리 복잡한 인간 동작을 탐지 할 수 있으므로, 다양한 신체 활동 분석 분야에 이용될 수 있다.
본 발명의 효과들은 이상에서 언급한 효과들로 제한되지 않으며, 언급되지 않은 또 다른 효과들은 청구범위의 기재로부터 당업자에게 명확하게 이해될 수 있을 것이다.
도 1은 각 보행단계에서, 하체에서 획득한 EMG 신호 변화를 나타낸다.
도 2는 본 발명의 일 실시예에 따른 EMG 신호 그래프 매칭(ESGM) 알고리즘을 이용한 보행 단계 검출 장치의 블록도이다.
도 3은 본 발명의 일 실시예에 따른 훈련단계의 데이터 형태를 나타낸다.
도 4는 본 발명의 일 실시예에 따른 A 곡선 형태의 정규화된 EMG 신호 그래프이다.
도 5는 본 발명의 일 실시예에 따른 보행단계 추정단계를 나타낸다.
도 6 내지 도 11은 본 발명의 일 실시예에 따라 추정한 보행단계에 대한 실험 결과를 나타낸다.
도 12는 본 발명의 일 실시예에 따른 EMG 신호 그래프 매칭(ESGM) 알고리즘을 이용한 보행 단계 검출 방법의 순서도이다.
본 명세서에서 사용한 용어는 단지 특정한 실시 예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 명세서에서, "포함하다" 또는 "가지다" 등의 용어는 기재된 특징, 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것이 존재함을 지정하려는 것이지, 하나 또는 그 이상의 다른 특징들이나 숫자, 단계, 동작, 구성요소, 부분품 또는 이들을 조합한 것들의 존재 또는 부가가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에 의해 일반적으로 이해되는 것과 동일한 의미이다. 일반적으로 사용되는 사전에 정의되어 있는 것과 같은 용어들은 관련 기술의 문맥상 가지는 의미와 일치하는 의미인 것으로 해석되어야 하며, 본 명세서에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다. 도면에 제시된 동일한 참조부호는 동일한 부재를 나타낸다.
다만, 실시형태를 설명함에 있어서, 관련된 공지 기능 혹은 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그에 대한 상세한 설명은 생략한다. 또한, 도면에서의 각 구성요소들의 크기는 설명을 위하여 과장될 수 있으며, 실제로 적용되는 크기를 의미하는 것은 아니다.
본 명세서에 기술된 실시예는 전적으로 하드웨어이거나, 부분적으로 하드웨어이고 부분적으로 소프트웨어이거나, 또는 전적으로 소프트웨어인 측면을 가질 수 있다. 본 명세서에서 "부(unit)", "모듈(module)", "장치" 또는 "시스템" 등은 하드웨어, 하드웨어와 소프트웨어의 조합, 또는 소프트웨어 등 컴퓨터 관련 엔티티(entity)를 지칭한다. 예를 들어, 본 명세서에서 부, 모듈, 장치 또는 시스템 등은 실행중인 프로세스, 프로세서, 객체(object), 실행 파일(executable), 실행 스레드(thread of execution), 프로그램(program), 및/또는 컴퓨터(computer)일 수 있으나, 이에 제한되는 것은 아니다. 예를 들어, 컴퓨터에서 실행중인 애플리케이션(application) 및 컴퓨터의 양쪽이 모두 본 명세서의 부, 모듈, 장치 또는 시스템 등에 해당할 수 있다.
실시예들이 도면에 제시된 순서도를 참조로 하여 설명되었다. 간단히 설명하기 위하여 상기 방법은 일련의 블록들로 도시되고 설명되었으나, 본 발명은 상기 블록들의 순서에 한정되지 않고, 몇몇 블록들은 다른 블록들과 본 명세서에서 도시되고 기술된 것과 상이한 순서로 또는 동시에 일어날 수도 있으며, 동일한 또는 유사한 결과를 달성하는 다양한 다른 분기, 흐름 경로, 및 블록의 순서들이 구현될 수 있다. 또한, 본 명세서에서 기술되는 방법의 구현을 위하여 도시된 모든 블록들이 요구되지 않을 수도 있다. 나아가, 본 발명의 일 실시예에 따른 방법은 일련의 과정들을 수행하기 위한 컴퓨터 프로그램의 형태로 구현될 수도 있으며, 상기 컴퓨터 프로그램은 컴퓨터로 판독 가능한 기록 매체에 기록될 수도 있다.
이하에서, 도면을 참조하여 본 발명의 실시예들에 대하여 상세히 살펴본다.
도 2는 본 발명의 일 실시예에 따른 EMG 신호 그래프 매칭(ESGM) 알고리즘을 이용한 보행 단계 검출 장치의 블록도이다. 도 2를 참조하면, EMG 신호 그래프 매칭(ESGM) 알고리즘을 이용한 보행 단계 검출 장치1000는 훈련 장치 100 및 보행단계 추정장치 200를 포함할 수 있다.
훈련 장치100는 훈련용 EMG 신호 획득부110, 훈련용 압력신호 획득부120, 훈련용 EMG 신호 분류부 130 및 훈련용 레퍼런스 데이터 처리부140를 포함할 수 있고 데이터베이스150를 더 포함할 수도 있다.
보행단계 추정장치200는 EMG 신호 획득부210, EMG 신호 처리부220 및 보행단계 추정부230를 포함할 수 있다.
훈련용 EMG 신호 획득부 110 또는 EMG 신호 획득부210는 보행하는 사용자(또는 피험자)의 신체(예컨대 하체)에 부착된 하나 이상의 EMG 센서로부터 EMG 신호를 획득할 수 있다. 예컨대 EMG 신호 획득부 110, 210는 하나 이상의 EMG 센서를 포함하거나, EMG 센서와 통신 가능한 통신 장비일 수도 있다. 또한 EMG 센서는 피부표면에서 EMG 신호를 획득하는 sEMG장비일 수 있다.
예컨대 하나 이상의 EMG 센서는, 보행하는 사용자의 오른 다리, 왼 다리, 오른다리와 왼 다리 모두에 설치될 수 있으나 이에 제한되는 것은 아니다. 획득된 EMG 신호들은 전처리 과정을 통해 노이즈가 제거될 수 있다. 노이즈가 제거된 EMG 신호들은 이후 과정에서 특징이 추출될 수 있다.
이하에서는 레퍼런스 데이터를 획득하여 데이터베이스에 저장하는 훈련단계와 저장된 레퍼런스 데이터를 이용하여 현재 측정되는 EMG 신호를 기초로 사용자의 보행 단계를 추정하는 보행단계 추정단계로 나눠 설명한다.
1. 훈련단계
도 3은 본 발명의 일 실시예에 따른 훈련단계의 데이터 형태를 나타낸다.
훈련용 EMG 신호 획득부110는 보행하는 피험자의 하체에 부착된 EMG 센서로부터 EMG 신호를 획득할 수 있다. EMG 신호 획득과 함께, 훈련용 압력신호 획득부120는 피험자의 발에 부착된 압력센서로부터 압력신호를 획득할 수 있다. 일 실시예에서 압력센서가 상기 압력신호 획득부120에 포함될 수도 있다.
EMG 신호와 압력신호는 훈련용 EMG 신호 분류부130로 전달될 수 있다. EMG 신호 분류부130는 획득한 획득한 EMG 신호와 압력신호를 기초로 보행 단계별로 EMG 신호를 분류할 수 있다. 예컨대 EMG 신호와 압력신호는 시간 동기되고, EMG 신호 분류부130는 압력신호를 기초로 보행 단계를 구분하고, 구분된 보행 단계의 시간에 포함되는 EMG 신호를 해당 보행단계로 라벨링할 수 있다. 여기서 보행 단계는 초기접촉(Initial contact), 중간기(Mid stance), 추진(Propulsion) 및 스윙(Swing)을 포함할 수 있다. 즉 상술한 보행 단계는 일 보행 주기에 포함되는 일련의 하위 단계들일 수 있다.
훈련용 레퍼런스 데이터 처리부 140는 분류된 보행 단계별 EMG신호를 보행단계별 레퍼런스 EMG 신호로 데이터베이스150에 저장할 수 있다.
도 3을 참조하면, EMG 신호가 획득된다S11. 획득되는 EMG신호는 1msec 간격으로 샘플링될 수도 있다. 이렇게 획득된 EMG 신호는 보행 단계별로 분류될 수 있다S12. 각 보행 단계별로 다양한 피험자들의 EMG 신호가 획득되어 분류될 수 있다.
훈련용 레퍼런스 데이터 처리부140는 분류된 보행 단계별 EMG 신호를 절대값화할 수 있다S13. 그 후 훈련용 레퍼런스 데이터 처리부140는 절대값화된 EMG 신호를 정규화할 수 있다S14. 여기서 훈련용 레퍼런스 데이터 처리부140는 정규화된 EMG 신호를 A 곡선(absolute curve) 형태로 피팅할 수 있다. 도 4는 본 발명의 일 실시예에 따른 A 곡선 형태의 정규화된 EMG 신호 그래프이다.
이렇게 절대값처리되고 정규화된 EMG 신호는 레퍼런스 EMG 신호로서 데이터베이스150에 저장될 수 있다. 저장되는 레퍼런스 EMG 신호는 보행단계별로 구분되어 저장될 수 있다. 정규화는 해당 단위 구간 중 최대EMG 값으로 전체 구간의 EMG 값을 나눔으로써 수행될 수 있다.
도 3을 참조하면, 훈련용 레퍼런스 데이터 처리부140는, 정규화된 절대값 EMG 신호의 평균을 각 보행단계별 레퍼런스 EMG 신호로서 데이터베이스에 저장할 수 있다S15.
이상과 같은 훈련단계에 따라서, 데이터베이스150에는 보행 단계별로 레퍼런스 EMG신호가 분류되어 저장될 수 있다.
2. 보행단계 추정단계
도 5는 본 발명의 일 실시예에 따른 보행단계 추정단계를 나타낸다. 도 5의 우측 그래프에서 파란색 선은 입력 EMG 신호이고, 붉은색 점선은 데이터베이스에 저장된 레퍼런스 EMG 신호이다.
보행단계 추정장치200의 각 요소들은 사용자로부터 EMG신호를 획득하고 획득한 EMG 신호를 데이터베이스에 저장된 레퍼런스 EMG 신호와 비교하여 현재 보행 단계를 추정할 수 있다.
이를 위해 EMG 신호 획득부210는 보행하는 사용자의 하체에 부착된 EMG 센서로부터 EMG 신호를 획득할 수 있다. EMG 신호 획득부210는 훈련용 EMG 신호 획득부110와 동일한 부위로부터 EMG 신호를 획득하거나 상이한 부위로부터 획득할 수도 있다.
EMG 신호 처리부220는 획득한 EMG 신호를 처리하여 데이터베이스150에 저장된 레퍼런스 EMG 신호와 비교 가능한 형태로 만들 수 있다. 예컨대 EMG 신호 처리부220는 획득한 EMG 신호를 절대값화하고 정규화하여 입력 EMG 신호를 생성할 수 있다. '입력 EMG 신호'는 현재 입력된 EMG 신호를 기초로 레퍼런스 EMG 신호와 비교하기 위해 가공된 신호를 의미한다.
일 실시예에서 입력 EMG 신호는 레퍼런스 EMG 신호와 같은 형태일 수 있다. 예컨대 A곡선 형태일 수 도 있다.
일 실시예에서 EMG 신호 처리부220는 획득한 EMG 신호를 1msec 간격으로 샘플링하여 절대값화하고 정규화하여 입력 EMG 신호를 생성할 수도 있다.
보행단계 추정부230는 생성된 입력 EMG 신호를 데이터베이스150에 저장된 레퍼런스 EMG 신호와 비교하여 현재 사용자의 보행 단계를 추정할 수 있다. 샘플링 주기마다 하나의 신호 단위가 되며, 이러한 신호 단위들을 서로 비교할 수 있다.
일 실시예에서 EMG 신호 처리부220는 입력 EMG 신호를 레퍼런스 EMG 신호와 일치하는 A 곡선으로 변환하고, 보행단계 추정부230는 레퍼런스 EMG 신호와 입력 EMG 신호의 A 곡선의 매칭 정확도를 계산할 수 있다. 이러한 단계는 규칙적인 간격으로 반복될 수 있다. 예컨대 이 간격은 EMG 전극에서 ADC의 샘플링 속도와 동일한 간격인 1msec이 될 수도 있다.
일 예에서 보행단계 추정부230는 아래 수학식1을 이용하여 입력 EMG 신호와 레퍼런스 EMG 신호의 유사도를 판단할 수 있다.
[수학식 1]
Figure 112017125234739-pat00001
Figure 112017125234739-pat00002
수학식1에서, Ri는i번째 레퍼런스 EMG 신호 값이고, Ai는 i번째 입력 EGM 신호의 A 곡선의 값이고, i는 입력신호의 번호이고, m은 레퍼런스 EMG신호에 대응되는 신호의 길이이고, wi는 레퍼런스 EMG 신호 내 대응되는 곡선의 i번째 값과 입력 EMG 신호의 i번째 A 곡선의 차이이다.
도 6 내지 도 11은 본 발명의 일 실시예에 따라 추정한 보행단계에 대한 실험 결과를 나타낸다. 도 6 내지 도 11에서 ESGM은 본 발명의 일 실시예를 나타낸다. 도 6을 참조하면 초기 접촉 레퍼런스 EMG 신호에 매칭률이 가장 높게 나타나는 250msec 구간이므로, 이 구간을 보행 단계 중 초기 접촉으로 추정할 수 있고, 450msec는 중간기로 추정할 수 있을 것이다.
또한 도 7을 참조하면 인간의 보행 최대 속도는 550ms이기 때문에 각 보행단계는 최소 55ms 이상의 시간을 필요로 하기 때문에 50ms 간은 계산을 대기하였다가 수행될 수 있다. 또한 도 7을 참조하면 매칭률이 최대가 된 후 현재 보행주기의 10%만큼 변화가 없다면 다음 보행 주기로 스위칭한 것으로 인식할 수도 있다.
도 8 및 도 9는 본 발명의 일 실시예에 따른 결과로서, 보행이 진행될수록 보행단계에 대한 정확도가 상승되며 100%에 육박하는 것을 알 수 있다.
도 10 및 도 11은 본 발명의 일 실시예에 따른 결과와 종래 방식에 따른 결과를 비교한 실험결과로서, 도 10은 민감도에 관련되고, 도 11은 대기시간에 관련된다. 도 10 및 도 11을 참조하면, 본 발명의 경우(ESGM) 민감도가 다른 종래 방식보다 높게 나타나며, 대기시간(latency time)은 확연히 짧음을 알 수 있다.
도 12는 본 발명의 일 실시예에 따른 EMG 신호 그래프 매칭(ESGM) 알고리즘을 이용한 보행 단계 검출 방법의 순서도이다. EMG 신호 그래프 매칭(ESGM) 알고리즘을 이용한 보행 단계 검출 방법은 상술한 EMG 신호 그래프 매칭(ESGM) 알고리즘을 이용한 보행 단계 검출 장치의 구성요소들에 의해 구현될 수 있다. 또한 EMG 신호 그래프 매칭(ESGM) 알고리즘을 이용한 보행 단계 검출 방법을 실행하기 위한 명령이 저장된 기록매체가 본 발명의 일 실시예로 포함될 수도 있다.
도 12를 참조하면 EMG 신호 그래프 매칭(ESGM) 알고리즘을 이용한 보행 단계 검출 방법은 보행하는 피험자의 하체에 부착된 EMG 센서로부터 EMG 신호를 획득하는 단계S100, 상기 피험자의 발에 부착된 압력센서로부터 압력신호를 획득하는 단계S200, 획득한 EMG 신호와 압력신호를 기초로 보행 단계별로 EMG 신호를 분류하는 단계S300 및 분류된 보행 단계별 EMG신호를 보행단계별 레퍼런스 EMG 신호로 데이터베이스에 저장하는 단계 S400를 포함할 수 있다. 상기 보행단계는, 초기접촉(Initial contact), 중간기(Mid stance), 추진(Propulsion) 및 스윙(Swing)을 포함할 수 있으며, 각 보행단계는 상기 압력신호를 기초로 결정될 수 있다.
또한 일 실시예에서 EMG 신호 그래프 매칭(ESGM) 알고리즘을 이용한 보행 단계 검출 방법은 보행하는 사용자의 하체에 부착된 EMG 센서로부터 EMG 신호를 획득하는 단계, 획득한 EMG 신호를 절대값화하고 정규화하여 입력 EMG 신호를 생성하는 단계 및 생성된 입력 EMG 신호를 데이터베이스에 저장된 레퍼런스 EMG 신호와 비교하여 현재 사용자의 보행 단계를 추정하는 단계를 더 포함할 수 도 있다.
또한 본 발명의 일 실시예에 따른 컴퓨터로 판독 가능한 기록매체는, 상술한 방법을 실행하기 위한 명령을 저장할 수 있다.
이상에서 살펴본 본 발명은 도면에 도시된 실시예들을 참고로 하여 설명하였으나 이는 예시적인 것에 불과하며 당해 분야에서 통상의 지식을 가진 자라면 이로부터 다양한 변형 및 실시예의 변형이 가능하다는 점을 이해할 것이다. 그러나, 이와 같은 변형은 본 발명의 기술적 보호범위 내에 있다고 보아야 한다. 따라서, 본 발명의 진정한 기술적 보호범위는 첨부된 특허청구범위의 기술적 사상에 의해서 정해져야 할 것이다.

Claims (8)

  1. 보행하는 피험자의 하체에 부착된 EMG 센서로부터 EMG 신호를 획득하는 훈련용 EMG 신호 획득부;
    상기 피험자의 발에 부착된 압력센서로부터 압력신호를 획득하는 훈련용 압력신호 획득부;
    획득한 EMG 신호와 압력신호를 기초로 보행 단계별로 EMG 신호를 분류하는 훈련용 EMG 신호 분류부; 및
    분류된 보행 단계별 EMG신호를 보행단계별 레퍼런스 EMG 신호로 데이터베이스에 저장하는 훈련용 레퍼런스 데이터 처리부를 포함하되, 상기 훈련용 레퍼런스 데이터 처리부는, 분류된 보행 단계별 EMG 신호를 절대값화하고 정규화하고, 정규화된 EMG 신호를 A 곡선(absolute curve) 형태로 피팅하여 상기 레퍼런스 EMG 신호로서 상기 데이터베이스에 저장하는 것이며,
    상기 보행단계는, 초기접촉(Initial contact), 중간기(Mid stance), 추진(Propulsion) 및 스윙(Swing)을 포함하고, 각 보행단계는 상기 압력신호를 기초로 결정되는 것이고,
    보행하는 사용자의 하체에 부착된 EMG 센서로부터 EMG 신호를 획득하는 EMG 신호 획득부;
    획득한 EMG 신호를 절대값화하고 정규화하여 입력 EMG 신호를 생성하되, 입력 EMG 신호를 상기 레퍼런스 EMG 신호와 일치하는 A 곡선으로 변환하는 EMG 신호 처리부; 및
    생성된 입력 EMG 신호를 데이터베이스에 저장된 레퍼런스 EMG 신호와 비교하여 현재 사용자의 보행 단계를 추정하는 보행단계 추정부;를 더 포함하는 것이며,
    상기 보행단계 추정부는 레퍼런스 EMG 신호와 입력 EMG 신호의 A 곡선의 매칭 정확도를 아래 [수학식1]의 매칭률(matching ratio)을 이용하여 계산하는 것을 특징으로 하는, EMG 신호 그래프 매칭(ESGM) 알고리즘을 이용한 보행 단계 검출 장치.
    [수학식 1]
    Figure 112020011186328-pat00017

    Figure 112020011186328-pat00018

    상기 [수학식1] 에서, Ri는 i번째 레퍼런스 EMG 신호 값이고, Ai는 i번째 입력 EGM 신호의 A 곡선의 값이고, i는 입력신호의 번호이고, m은 레퍼런스 EMG신호에 대응되는 신호의 길이이고, wi는 레퍼런스 EMG 신호 내 대응되는 곡선의 i번째 값과 입력 EMG 신호의 i번째 A 곡선의 차이이다.
  2. 삭제
  3. 제1항에 있어서,
    현재 보행 단계 주기 대비, 매칭률이 최대가 된 후 변화가 없는 시간의 퍼센티지를 스위칭 타임 퍼센티지[switching time(%)]라고 하고,
    상기 스위칭 타임 퍼센티지를 10% 이상으로 설정하는 것을 특징으로 하는, EMG 신호 그래프 매칭(ESGM) 알고리즘을 이용한 보행 단계 검출 장치.
  4. 삭제
  5. 삭제
  6. 제1항에 있어서,
    상기 EMG 신호 처리부는,
    획득한 EMG 신호를 1msec 간격으로 샘플링하여 절대값화하고 정규화하는 것을 특징으로 하는 EMG 신호 그래프 매칭(ESGM) 알고리즘을 이용한 보행 단계 검출 장치.
  7. 보행하는 피험자의 하체에 부착된 EMG 센서로부터 EMG 신호를 획득하는 단계;
    상기 피험자의 발에 부착된 압력센서로부터 압력신호를 획득하는 단계;
    획득한 EMG 신호와 압력신호를 기초로 보행 단계별로 EMG 신호를 분류하는 단계; 및
    분류된 보행 단계별 EMG신호를 보행단계별 레퍼런스 EMG 신호로 데이터베이스에 저장하되, 분류된 보행 단계별 EMG 신호를 절대값화하고 정규화하고, 정규화된 EMG 신호를 A 곡선(absolute curve) 형태로 피팅하여 상기 레퍼런스 EMG 신호로서 상기 데이터베이스에 저장하는 단계;를 포함하는 것이며,
    상기 보행단계는, 초기접촉(Initial contact), 중간기(Mid stance), 추진(Propulsion) 및 스윙(Swing)을 포함하고, 각 보행단계는 상기 압력신호를 기초로 결정되는 것이고,
    보행하는 사용자의 하체에 부착된 EMG 센서로부터 EMG 신호를 획득하는 단계;
    획득한 EMG 신호를 절대값화하고 정규화하여 입력 EMG 신호를 생성하되, 입력 EMG 신호를 상기 레퍼런스 EMG 신호와 일치하는 A 곡선으로 변환하는 단계; 및
    생성된 입력 EMG 신호를 데이터베이스에 저장된 레퍼런스 EMG 신호와 비교하여 현재 사용자의 보행 단계를 추정하는 단계;를 더 포함하는 것이고,
    상기 보행 단계 추정은 레퍼런스 EMG 신호와 입력 EMG 신호의 A 곡선의 매칭 정확도를 아래 [수학식1]의 매칭률(matching ratio)을 이용하여 계산하는 것을 특징으로 하는, EMG 신호 그래프 매칭(ESGM) 알고리즘을 이용한 보행 단계 검출 방법.
    [수학식 1]
    Figure 112020011186328-pat00019

    Figure 112020011186328-pat00020

    상기 [수학식1] 에서, Ri는 i번째 레퍼런스 EMG 신호 값이고, Ai는 i번째 입력 EGM 신호의 A 곡선의 값이고, i는 입력신호의 번호이고, m은 레퍼런스 EMG신호에 대응되는 신호의 길이이고, wi는 레퍼런스 EMG 신호 내 대응되는 곡선의 i번째 값과 입력 EMG 신호의 i번째 A 곡선의 차이이다.
  8. 삭제
KR1020170173183A 2017-12-15 2017-12-15 Emg 신호 그래프 매칭 알고리즘을 이용한 보행 단계 검출 장치 및 방법 KR102106471B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020170173183A KR102106471B1 (ko) 2017-12-15 2017-12-15 Emg 신호 그래프 매칭 알고리즘을 이용한 보행 단계 검출 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020170173183A KR102106471B1 (ko) 2017-12-15 2017-12-15 Emg 신호 그래프 매칭 알고리즘을 이용한 보행 단계 검출 장치 및 방법

Publications (2)

Publication Number Publication Date
KR20190072102A KR20190072102A (ko) 2019-06-25
KR102106471B1 true KR102106471B1 (ko) 2020-05-04

Family

ID=67065230

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020170173183A KR102106471B1 (ko) 2017-12-15 2017-12-15 Emg 신호 그래프 매칭 알고리즘을 이용한 보행 단계 검출 장치 및 방법

Country Status (1)

Country Link
KR (1) KR102106471B1 (ko)

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR101492480B1 (ko) 2013-06-24 2015-02-11 인하대학교 산학협력단 보행 단계에 기반한 표면 근전도 분석 시스템
KR101621232B1 (ko) * 2014-08-21 2016-05-17 인하대학교산학협력단 표면근전도 신호기반 부스트 분류기와 분류 매트릭스를 사용한 다중 보행단계 인식 방법

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
논문, EMG Signal-Based Gait Phase Recognition Using a GPES library and ISMF, 2016 38th Annual International Conference of the IEEE EMBC, (2016.08.)

Also Published As

Publication number Publication date
KR20190072102A (ko) 2019-06-25

Similar Documents

Publication Publication Date Title
Benalcázar et al. Hand gesture recognition using machine learning and the Myo armband
US10154818B2 (en) Biometric authentication method and apparatus
Mazilu et al. Feature learning for detection and prediction of freezing of gait in Parkinson’s disease
KR102451795B1 (ko) 심전도 신호의 검출 방법
KR102367481B1 (ko) 생체 인증 장치 및 방법
AU2016201690B2 (en) Method and system for noise cleaning of photoplethysmogram signals
Coyle et al. A time-series prediction approach for feature extraction in a brain-computer interface
Rizal et al. ECG signal classification using Hjorth Descriptor
Boumbarov et al. ECG personal identification in subspaces using radial basis neural networks
CN108784693B (zh) 基于独立成分分析和卡尔曼平滑的p300单次提取技术
Zhang et al. Real-time implementation of a self-recovery EMG pattern recognition interface for artificial arms
JP6243254B2 (ja) 心拍検出方法および心拍検出装置
Song et al. Adaptive common spatial pattern for single-trial EEG classification in multisubject BCI
Prince et al. Brain machine interface using Emotiv EPOC to control robai cyton robotic arm
Hao et al. Spectro-temporal feature based multi-channel convolutional neural network for ECG beat classification
US20220164029A1 (en) Classifying signals for movement control of an autonomous vehicle
Kora et al. Atrial fibrillation detection using discrete wavelet transform
Hettiarachchi et al. Multivariate adaptive autoregressive modeling and Kalman filtering for motor imagery BCI
KR102267741B1 (ko) Ppg신호를 이용한 딥러닝 기반의 감정인식 시스템 및 감정인식 방법
KR102106471B1 (ko) Emg 신호 그래프 매칭 알고리즘을 이용한 보행 단계 검출 장치 및 방법
Alam et al. Real-time classification of multi-channel forearm emg to recognize hand movements using effective feature combination and lda classifier
CN111407261B (zh) 生物信号的周期信息的测量方法及装置、电子设备
Amiruddin et al. Feature reduction and arrhythmia classification via hybrid multilayered perceptron network
KR102551184B1 (ko) 생체신호 처리 방법 및 생체신호 처리 장치
KR101875472B1 (ko) 지화 인식 시스템 및 방법

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
X091 Application refused [patent]
AMND Amendment
X701 Decision to grant (after re-examination)