KR20100056254A - 손가락 힘 추정 방법 및 추정 장치, 손가락 힘 추정을 위한근육 판별 방법 및 근육 판별 장치 - Google Patents

손가락 힘 추정 방법 및 추정 장치, 손가락 힘 추정을 위한근육 판별 방법 및 근육 판별 장치 Download PDF

Info

Publication number
KR20100056254A
KR20100056254A KR1020080115333A KR20080115333A KR20100056254A KR 20100056254 A KR20100056254 A KR 20100056254A KR 1020080115333 A KR1020080115333 A KR 1020080115333A KR 20080115333 A KR20080115333 A KR 20080115333A KR 20100056254 A KR20100056254 A KR 20100056254A
Authority
KR
South Korea
Prior art keywords
emg
signal
force
muscles
muscle
Prior art date
Application number
KR1020080115333A
Other languages
English (en)
Other versions
KR100994408B1 (ko
Inventor
김정
최창목
권순철
박원일
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 KR1020080115333A priority Critical patent/KR100994408B1/ko
Publication of KR20100056254A publication Critical patent/KR20100056254A/ko
Application granted granted Critical
Publication of KR100994408B1 publication Critical patent/KR100994408B1/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
    • A61B5/225—Measuring muscular strength of the fingers, e.g. by monitoring hand-grip force
    • 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

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Medical Informatics (AREA)
  • Biophysics (AREA)
  • Pathology (AREA)
  • Engineering & Computer Science (AREA)
  • Biomedical Technology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Physics & Mathematics (AREA)
  • Molecular Biology (AREA)
  • Surgery (AREA)
  • Animal Behavior & Ethology (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Veterinary Medicine (AREA)
  • Physical Education & Sports Medicine (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • User Interface Of Digital Computer (AREA)

Abstract

본 발명은 손가락 힘 추정 방법 및 추정 장치, 손가락 힘 추정을 위한 근육 판별 방법 및 근육 판별 장치에 관한 것이다.
본 발명에 따른 손가락 힘 추정 방법은, 피측정인의 아래팔의 피부에 밀착되도록 장착된 복수 개의 근전도 센서로부터 엄지와 검지의 근육을 관장하는 7개의 근육의 근전도 신호를 획득하는 근전도 신호 획득단계, 소정의 판별식에 의하여 7개의 근육의 근전도 신호 중 힘의 측정을 위한 정보를 가지는 4개의 근육의 근전도 신호를 선정하는 근전도 신호 선정단계, 선정된 4개의 근전도 신호를 타임 윈도우 내의 근전도 신호로 각각 변환하여, 소정의 분산 알고리즘에 의하여 변환된 타임 윈도우 내의 근전도 신호의 각각에 대한 베어리언스를 산출하는 베어리언스 산출단계, 산출된 베어리언스를 인공신경망 알고리즘에 의하여 힘 신호로 추정하는 힘 신호 추정단계, 추정된 힘 신호를 디스플레이하는 단계를 포함한다.
근전도 신호, 판별식, 분산 알고리즘, 타임 윈도우

Description

손가락 힘 추정 방법 및 추정 장치, 손가락 힘 추정을 위한 근육 판별 방법 및 근육 판별 장치{METHOD AND DEVICE FOR DEDUCTING PINCH FORCE, METHOD AND DEVICE FOR DISCRIMINATING MUSCLE TO DEDUCT PINCH FORCE}
본 발명은 손가락 힘 추정 방법 및 추정 장치, 손가락 힘 추정을 위한 근육 판별 방법 및 근육 판별 장치에 관한 것이다.
사람의 다재다능한 손기술은 신체의 수의운동을 관장하는 뇌와 척수의 중추신경시스템에 의해 조절된다. 물건을 잡을 때 과도한 힘을 발생하게 되면 물건을 망가뜨리게 될 것이고 미약한 힘으로 물건을 잡고자 하면 물체를 들어올리지 못하게 된다 된다. 사람은 물건을 잡을 때 과도하지도 미약하지도 않은 최적의 힘을 발생시키게 되며, 힘의 크기는 물체의 모양, 무게, 감촉에 따라 각기 다르게 조절된다. 즉, 물건을 손으로 다루는데 있어서 힘을 적절히 조절하는 것은 매우 중요하며, 이러한 힘의 크기는 근육이 수축하는 정도에 따라 변하는데 근육의 수축되는 정도는 근전도 (electromyogram)을 사용하여 관측할 수 있다.
근전도는 근육의 수축 정도를 측정할 수 있는 전기생리학적 신호로써 의수로 봇 (robotic prosthesis), 외골격로봇 (exoskeleton), 원격조종 (telemanipulation)과 같은 인간-기계 상호작용 (human-machine interaction, HMI)분야에서 인간의 움직임 의도를 추출하기 위해 많이 사용되는 대표적인 생체 신호 중 하나이다. 근전도는 비침습적으로 취득할 수 있어 다른 신경신호 (electroneurogram, cortical signals)에 비해 사용이 비교적 간편하며, 실제 신체의 움직임이 일어나기 이전에 신호가 선행함으로 힘 센서나 모션카메라를 이용하여 사용자의 움직임의도를 예측하는 것 보다 앞서 의도를 해석할 수 있다는 장점이 있다. 최근 Tenore et al. 과 Nagata et al. 연구팀은 근전도 신호로부터 사람의 5개 손가락의 굽힘 및 폄 등의 10가지 이상 움직임 의도를 분석하는데 성공하였으며, 이 연구결과는 사용자가 근전도 신호를 이용하여 손 로봇 제어하는데 있어서 로봇의 손가락을 개별적으로 제어할 수 있는 가능성을 보였다 할 수 있다. 하지만 이 연구는 손가락 굽힘 및 폄과 같은 "ON", "OFF" 상태의 의도만 추출하였으며, 어느 정도의 힘으로 손가락 굽힘 및 폄을 일으킬 것인지에 관한 힘 정보는 추출하지 않았다. 최근 근전도 신호로부터 근육 힘을 추정하려는 시도가 있었지만 주로 손목, 팔꿈치 관절의 토크를 추출한 것이었으며, 손가락 힘을 추정한 연구는 본 연구팀의 조사에 의하면 존재하지 않는다. 사람이 물건을 다재다능하게 다루는데 있어서 손가락 힘 조절 기능이 매우 중요하다는 것을 상기해보면, 손 로봇을 제어하려는 목적에서 사용자의 제어 힘 추출은 매우 중요하다 할 수 있다.
Utah/MIT dexterous hand, Shadow dexterous hand, Cyberhand 등 현재 개발된 손 로봇들은 사람 손과 같이 5개의 손가락을 가지고 있으며, 16-자유도 이상의 움직임을 제공한다. 일본의 Okada hand는 손가락 사이에 막대를 끼고 돌리는 행동을 시연해 보이면서 손 로봇도 복잡한 동작을 수행하는 것이 기술적으로도 가능한 일이라는 것을 보여주었다. 이와 같이 사람의 섬세하고 정교한 손 움직임을 모방할 수 있는 로봇들은 활발히 개발됐음에도 불구하고, 섬세하고 정교하게 물체를 다루기 위하여 사용자의 힘 의도를 추출하는 연구는 상대적으로 미흡하였다.
근전도 신호로부터 손가락 힘을 예측하는 데는 다음과 같은 어려움이 존재한다. 39개의 많은 근육들이 손가락 힘을 발생하는데 기여하며, 대부분의 외근(extrinsic muscle)은 팔 깊숙이 위치해 있어 표면 전극으로 신호획득이 불가능하며, 대부분의 내근(intrinsic muscle)은 관측하기에 크기가 너무 작다. 손가락 움직임을 관장하는 근육들은 하지, 어깨 근육에 비해 부피가 작아 상대적으로 크로스토크(crosstalk)문제가 심각하게 발생한다. 사람의 신경시스템은 손가락 힘을 발생하는데 있어서 각각의 근육들을 개별적으로 제어하는 것이 아니라 여러 개의 근육을 여러 개의 그룹으로 묶어서 제어하며 힘을 발생시키는데, 다양한 패턴들이 존재한다는 연구결과가 있었지만 정확한 메커니즘에 관해서는 아직 밝혀진바 없다. 재활, 운동생리학 분야에서 근전도로부터 힘을 추정한 연구들이 있지만 이들은 off-line해석으로 수행한 연구결과들이거나 바늘전극을 사용하여 침습적인 방법으로 수행한 것으로 HMI 응용으로 사용되기 부적절하다.
한편, 표면 근전도는 개별적인 근육의 수축을 보는데는 한계가 있다고 알려져 있다. 왜냐하면, 관찰하고 싶은 근육부위의 피부에 전극을 붙이더라도 옆이나, 속에 있는 근육의 수축 역시 전극에 영향을 미치기 때문이다. 또한 사람마다 근육 의 해부학적 구조가 다르고, 피부의 두께도 큰 영향을 미칩니다. 또한 보고자 하는 근육이 너무 피부 깊숙히 위치해있다면 근전도 신호의 신호 대 잡음비(signal-to-noise ratio)가 현격히 떨어지게 되는 문제점이 있다.
따라서, 상기와 같은 문제점을 해결하기 위하여, 본 발명은 표면전극으로 관측했을 때 가장 힘을 예측하기 좋은 근육들만 선별할 수 있는 소정의 판별식을 사용하는 것에 의하여, 손가락의 핀치(pinch)힘을 추정하는데 효과적으로 표면전극의 위치를 결정할 수 있는 손가락 힘 추정 방법 및 추정 장치, 손가락 힘 추정을 위한 근육 판별 방법 및 근육 판별 장치를 제공하는 것을 목적으로 한다.
또한, 본 발명은, 신경망 구조를 결정하기 위해 다양한 은닉노드의 개수를 사용하는 인공신경망 알고리즘을 사용하는 것에 의하여, 학습시간이 매우 짧음에도 불구하고 핀치(pinch)힘을 추정할 수 있는 손가락 힘 추정 방법 및 추정 장치, 손가락 힘 추정을 위한 근육 판별 방법 및 근육 판별 장치를 제공하는 것을 목적으로 한다.
또한, 본 발명은, 엄지, 검지 손가락이 절단된 사람들이 의수를 사용하는데 있어서 정교하게 물체를 다루는데 사용될 수 있으며, 사람이 직접 수행하기 힘은 위험한 작업을 원격조종 로봇을 사용하여 수행할 때 제어하기 위한 방법으로 사용될 수 있는 손가락 힘 추정 방법 및 추정 장치, 손가락 힘 추정을 위한 근육 판별 방법 및 근육 판별 장치를 제공하는 것을 목적으로 한다.
청구항 1에 관한 발명인 손가락 힘 추정 방법은, 피측정인의 아래팔의 피부에 밀착되도록 장착된 복수 개의 근전도 센서로부터 엄지와 검지의 근육을 관장하는 7개의 근육의 근전도 신호를 획득하는 근전도 신호 획득단계, 소정의 판별식에 의하여 7개의 근육의 근전도 신호 중 힘의 측정을 위한 정보를 가지는 4개의 근육의 근전도 신호를 선정하는 근전도 신호 선정단계, 선정된 4개의 근전도 신호를 타임 윈도우 내의 근전도 신호로 각각 변환하여, 소정의 분산 알고리즘에 의하여 변환된 타임 윈도우 내의 근전도 신호의 각각에 대한 베어리언스를 산출하는 베어리언스 산출단계, 산출된 베어리언스를 인공신경망 알고리즘에 의하여 힘 신호로 추정하는 힘 신호 추정단계, 추정된 힘 신호를 디스플레이하는 단계를 포함한다.
청구항 2에 관한 발명인 손가락 힘 추정 방법은, 청구항 1에 관한 발명인 손가락 힘 추정 방법에 있어서, 근전도 신호 획득단계에서, 근전도 신호는 평균이 0인 가우시안 프로세스이다.
청구항 3에 관한 발명인 손가락 힘 추정 방법은, 청구항 1에 관한 발명인 손가락 힘 추정 방법에 있어서, 힘 신호 추정단계에서, 인공신경망 알고리즘은 근전도 신호의 베어리언스에 대응되는 힘 신호를 미리 설정하고, 미리 설정된 힘 신호를 변환된 타임 윈도우 내의 근전도 신호의 각각에 대한 베어리언스에 해당하는 힘 신호로 추정한다.
청구항 4에 관한 발명인 손가락 힘 추정 장치는, 피측정인의 아래팔의 피부에 밀착되도록 장착되어 엄지와 검지의 근육을 관장하는 7개의 근육의 근전도 신호를 획득하는 복수 개의 근전도 센서부, 소정의 판별식에 의하여 획득된 7개의 근육의 근전도 신호 중 힘의 측정을 위한 정보를 가지는 4개의 근육의 근전도 신호를 선정하는 근전도 신호 선정부, 선정된 4개의 근전도 신호를 타임 윈도우 내의 근전도 신호로 각각 변환하여, 소정의 분산 알고리즘에 의하여 변환된 타임 윈도우 내의 근전도 신호의 각각에 대한 베어리언스를 산출하는 베어리언스 산출부, 산출된 베어리언스를 인공신경망 알고리즘에 의하여 힘 신호로 추정하는 힘 신호 추정부, 추정된 힘 신호를 디스플레이하는 표시부를 포함한다.
청구항 5에 관한 발명인 손가락 힘 추정 장치는, 청구항 4에 관한 발명인 손가락 힘 추정 장치에 있어서, 근전도 신호는 평균이 0인 가우시안 프로세스이다.
청구항 6에 관한 발명인 손가락 힘 추정 장치는, 청구항 4에 관한 발명인 손가락 힘 추정 장치에 있어서, 인공신경망 알고리즘은 근전도 신호의 베어리언스에 대응되는 힘 신호를 미리 설정하고, 미리 설정된 힘 신호를 변환된 타임 윈도우 내의 근전도 신호의 각각에 대한 베어리언스에 해당하는 힘 신호로 추정한다.
청구항 7에 관한 발명인 손가락 힘 추정을 위한 근육 판별 방법은, 피측정인의 아래팔의 피부에 밀착되도록 장착되어 엄지와 검지를 관장하는 7개의 근육에 대한 근전도 신호를 복수 회에 걸쳐 획득하는 근전도 신호 획득단계, 복수 회에 걸쳐 획득된 근전도 신호를 기준함수에 입력하여 각각의 기준함수 결과값을 산출하는 기준함수 결과값 산출단계, 산출된 각각의 기준함수 결과값이 차례로 큰 4 개의 근육 을 판별하는 근육 판별단계를 포함한다.
청구항 8에 관한 발명인 손가락 힘 추정을 위한 근육 판별 방법은, 청구항 7에 관한 발명인 손가락 힘 추정을 위한 근육 판별 방법에 있어서, 근전도 신호는 평균이 0인 가우시안 프로세스이다.
청구항 9에 관한 발명인 손가락 힘 추정을 위한 근육 판별 장치는, 피측정인의 아래팔의 피부에 밀착되도록 장착되어 엄지와 검지를 관장하는 7개의 근육에 대한 근전도 신호를 복수 회에 걸쳐 획득하는 근전도 신호 획득부, 복수 회에 걸쳐 획득된 근전도 신호를 기준함수에 입력하여 각각의 기준함수 결과값을 산출하는 기준함수 결과값 산출부, 산출된 각각의 기준함수 결과값이 차례로 큰 4 개의 근육을 판별하는 근육 판별부를 포함한다.
청구항 10에 관한 발명인 손가락 힘 추정을 위한 근육 판별 장치는, 청구항 9에 관한 발명인 손가락 힘 추정을 위한 근육 판별 장치는, 근전도 신호는 평균이 0인 가우시안 프로세스이다.
상기한 바와 같이, 본 발명에 따른 손가락 힘 추정 방법 및 추정 장치, 손가락 힘 추정을 위한 근육 판별 방법 및 근육 판별 장치에 의하면, 소정의 판별식을 사용하는 것에 의하여, 손가락의 핀치(pinch)힘을 추정하는데 효과적으로 표면전극의 위치를 결정할 수 있다.
또한, 본 발명에 따르면, 신경망 구조를 결정하기 위해 다양한 은닉노드의 개수를 사용하는 인공신경망 알고리즘을 사용하는 것에 의하여, 학습시간이 매우 짧음에도 불구하고 핀치(pinch)힘을 추정할 수 있다.
또한, 본 발명에 따르면, 엄지, 검지 손가락이 절단된 사람들이 의수를 사용하는데 있어서 정교하게 물체를 다루는데 사용될 수 있으며, 사람이 직접 수행하기 힘은 위험한 작업을 원격조종 로봇을 사용하여 수행할 때 제어하기 위한 방법으로 사용될 수 있다.
이상과 같은 본 발명에 대한 해결하고자 하는 과제, 과제 해결 수단, 효과 외의 구체적인 사항들은 다음에 기재할 실시예 및 도면들에 포함되어 있다. 본 발명의 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.
이하 본 발명의 실시예에 대하여 첨부한 도면을 참조하여 상세하게 설명하기로 한다. 다만, 첨부된 도면은 본 발명의 내용을 보다 쉽게 개시하기 위하여 설명되는 것일 뿐, 본 발명의 범위가 첨부된 도면의 범위로 한정되는 것이 아님은 이 기술분야의 통상의 지식을 가진 자라면 용이하게 알 수 있을 것이다.
도 1은 본 발명의 일 실시예에 따른 손가락 힘 추정 장치의 주변구조를 설명하기 위한 도면이고, 도 2는 본 발명의 일 실시예에 따른 손가락 힘 추정 장치의 구조를 설명하기 위한 도면이며, 도 3은 본 발명의 일 실시예에 따른 손가락 힘 추정 장치에서 근전도 센서가 장착된 피 측정인의 팔을 도시한 도면이다.
한편, 본 발명의 일 실시예는, 사람이 손으로 물건을 잡는 형태 중 가장 섬세하고 많이 쓰이는 형태를 선정하였으며, 이는 엄지와 검지를 이용하여 손끝으로 물건을 잡는 형태로써 핀치(pinch)라 명명된다. 즉, 이하, 본 발명의 실시예에서는 손가락 힘을 핀치 힘이라 하기로 한다.
도 1은 본 발명의 일 실시예에 따른 손가락 힘 추정 장치의 주변구조를 설명하기 위한 도면이다.
도 1에 도시된 바와 같이, 손가락 힘 추정 장치에 사용되는 환경으로서는, 등척성 실험환경을 구현하기 위하여 피측정인의 팔과 손목(40)을 팔 고정기 (arm brace)(미도시)와 손목 고정기 (wrist brace)(미도시)를 사용하여 고정한다. 손가락은 고정기를 사용하여 고정하기 힘들기 때문에 모션카메라 (Micron Tracker S60, Claron Technology Inc., Canada)(10)를 사용하여 손가락 움직임을 관측한다. 피시험자는 엄지와 검지를 알루미늄 봉에 달려있는 힘 센서 (NANO 17, ATI Industrial Automation, USA)를 잡고 핀치(pinch)힘을 가한다. 근전도 신호는 표면전극 (DE-2.1, Delsys, USA)(20)을 사용하여 측정하고, 신호수집장치 (PCI 6034e, National InstrumentsTM, USA)(미도시)와 연결되어 컴퓨터(30)에 1kHz로 신호를 전송할 수 있도록 한다.
도 2는 본 발명의 일 실시예에 따른 손가락 힘 추정 장치의 구조를 설명하기 위한 도면이다.
도 2에 도시된 바와 같이, 본 발명의 일 실시예에 따른 손가락 힘 추정 장치는, 근전도 센서부(100), 근전도 신호 선정부(200), 베어리언스 산출부(300), 힘 신호 추정부(300), 표시부(400)를 포함하다.
근전도 센서부(100)는, 복수개로 구성되어 피측정인의 아래팔의 피부에 밀착되도록 장착되어 엄지와 검지의 근육을 관장하는 7개의 근육의 근전도 신호를 획득한다. 근전도 신호는 평균이 0인 가우시안 프로세스(Gaussian process)로 간주된다. 여기서, 엄지와 검지의 움직임을 관장하는 근육은 총 15개이다. 이중 오직 7개의 근육만이 피부표면 가까이 위치하고 있다는 것을 ADAM Interactive Anatomy (A.D.A.M. Inc., USA) 소프트웨어를 사용하여 확인한다. 선정된 7가지 근육은 Extensor Digitorium (ED), Abductor Pollicis Longus (APL), Flexor Digitorum Superficialis (FDS), Dorsal Interosseous (DI), Abductor Pollicis Brevis (APB), Flexor Pollicis Brevis (FPB), Adductor Pollicis (AP) 이며, 이들 근육들은 표면전극을 통해 근 수축을 확인할 수 있다. 따라서, 피시험자의 아래팔에 도 3에 도시된 바와 같이 선정근육의 근전도를 획득하기 위하여 7개의 표면전극을 부착한다. 여기서, 각 표면전극간의 와이어(wire)에 대하여는 표면전극간의 위치관계의 정확한 설명을 위하여 도시되지 않는다.
근전도 신호 선정부(200)는, 소정의 판별식에 의하여 획득된 7개의 근육의 근전도 신호 중 힘의 측정을 위한 정보를 가지는 4개의 근육의 근전도 신호를 선정한다.
베어리언스 산출부(300)는, 근전도 신호 선정부(200)에서 선정된 4개의 근전 도 신호를 타임 윈도우 내의 근전도 신호로 각각 변환하여, 소정의 분산 알고리즘에 의하여 변환된 타임 윈도우 내의 근전도 신호의 각각에 대한 베어리언스를 산출한다. 즉, 신호의 특징을 추출하기 위해서 이동윈도우 (moving window)를 사용하여 신호의 분산을 구하였으며, 이동윈도우의 길이 (window length)는 200msec이고 윈도우의 이동 증가분 (window increment)는 50msec로 설정하였다.
힘 신호 추정부(400)는, 베어리언스 산출부(300)에서 산출된 베어리언스를 인공신경망 알고리즘에 의하여 힘 신호로 추정한다. 인공신경망 알고리즘은 근전도 신호의 베어리언스에 대응되는 힘 신호를 미리 설정하고, 미리 설정된 힘 신호를 변환된 타임 윈도우 내의 근전도 신호의 각각에 대한 베어리언스에 해당하는 힘 신호로 추정한다.
표시부(500)는, 힘 신호 추정부(400)에서 추정된 힘 신호를 표시한다. 표시부는 예를 들어, 디스플레이이다.
상기와 같이 구성된 본 발명의 일 실시예에 따른 손가락 힘 추정 장치를 이용하여 피측정자의 손가락 힘을 추정하는 방법에 대하여 도 4 내지 도 8을 참조로 하여 설명하기로 한다.
도 4는 본 발명의 다른 실시예에 따른 손가락 힘 추정 방법의 순서를 설명하기 위한 도면이고, 도 5는 본 발명의 다른 실시예에 따른 손가락 힘 추정 방법의 분산 알고리즘을 설명하기 위한 도면이며, 도 6a 내지 6c는 본 발명의 다른 실시예에 따른 손가락 힘 추정 방법의 인공 신경망 알고리즘을 설명하기 위한 도면이고, 도 7은 본 발명의 다른 실시예에 따른 손가락 힘 추정 방법에서 힘 센서로부터 측 정된 핀치 힘과 신경망을 통하여 추정된 핀치 힘을 나타낸 도면이다.
도 4에 도시된 바와 같이, 본 발명의 다른 실시예에 따른 손가락 힘 추정 방법은, 근전도 신호 획득단계(S100), 근전도 신호 선정단계(S200), 베어리언스 산출단계(S300), 힘 신호 추정단계(S400), 표시 단계(S500)를 포함한다.
근전도 신호 획득단계(S100)는, 피측정인의 아래팔의 피부에 밀착되도록 장착된 복수 개의 근전도 센서로부터 엄지와 검지의 근육을 관장하는 7개의 근육의 근전도 신호를 획득한다.
근전도 신호 선정단계(S200)는, 소정의 판별식에 의하여 7개의 근육의 근전도 신호 중 힘의 측정을 위한 정보를 가지는 4개의 근육의 근전도 신호를 선정한다.
베어리언스 산출단계(S300)는, 근전도 신호 선정단계(S200)에서 선정된 4개의 근전도 신호를 타임 윈도우 내의 근전도 신호로 각각 변환하여, 소정의 분산 알고리즘에 의하여 변환된 타임 윈도우 내의 근전도 신호의 각각에 대한 베어리언스를 산출한다. 여기서, 분산 알고리즘은, 도 5에 도시된 바와 같이, 첫번째 채널에서 획득한 근전도 신호를 볼 수 있다. 근전도 신호의 특성상 신호가 너무 노이지(noisy)하기 때문에, 타임 윈도우(time window)를 사용하여 신호를 부드럽게 만들어준다. 근전도 신호가 가우시안 프로세스(Gaussian process)로 알려져 있으므로, 타임 윈도우내의 근전도신호의 베어리언스(variance)를 계산하여 이를 신호 특징으로 사용한다. 이때, 노이지(noisy)한 로우(raw) 근전도 신호(도 5의 위쪽 그래프)를 부드러운 신호(도 5의 아래쪽 그래프)를 얻게 된다. 즉, 이 방법은 로우 패 스 필터(low-pass filter)의 한 종류라 할 수 있다. 이를 이용하여, 베어리언스를 구하는 방법은 아래의 [수학식 1]과 같다.
Figure 112008079874850-PAT00001
여기서,
Figure 112008079874850-PAT00002
는 표준편차이고,
Figure 112008079874850-PAT00003
는 분산이며, N은 시간이고, Mi는 시간i에서의 근전도 신호의 크기이며,
Figure 112008079874850-PAT00004
는 타임윈도우 내에서의 근전도 신호들의 평균값이다.
분산 알고리즘에서는 N=200(time window의 길이)이다. 근전도신호는 1kHz로 획득되고, 타임윈도우는 매 20msec마다 이동하게 된다. 즉, 힘을 추정하는 프로세스는 매 20msec마다 불려지게 된다는 의미이다.
힘 신호 추정단계(S400)는, 베어리언스 산출단계(S300)에서 산출된 베어리언스를 인공신경망 알고리즘에 의하여 힘 신호로 추정한다. 여기서, 인공신경망(artificial neural network)은, 어떠한 입력(input)과 출력(output)의 관계를 명확히 알 수 없을 때, 이를 단순히 블랙박스(black box)로 취급하여 매핑(mapping)할 때 매우 유용하게 사용된다.
끝으로, 표시 단계(S500)는, 힘 신호 추정단계(S400)에서 추정된 힘 신호를 컴퓨터의 모니터 등의 디스플레이 수단을 통해 디스플레이한다.
도 6a에 도시된 바와 같이, 본 발명의 다른 실시예에 따른 인공신경망의 명확한 구조에 대하여 히든 레이어(hidden layer)의 뉴트론(neuron)개수는 10개로 정하여 설명하기로 한다. 여기서, 이 블랙 박스 모델을 만들기 위해서는 학습이란 과정이 필요한데, 이 학습은 근전도와 힘 신호를 미리 구해두고 근전도 신호를 입력하면 자동적으로 원하는 힘이 나오도록 모델링(modeling)을 하는 것이다. 이렇게 학습이 적절하게 끝나게 되면, 실시간으로 근전도 신호를 획득하여 인공신경망 알고리즘을 거치게 되면 인공신경망이 추정한 힘 값을 출력하도록 되어있다.
한편, 다층인식신경망(즉, 인공신경망)의 성능은 다양한 요소에 의해 결정되는데, 가장 중요한 것은 신경망의 구조의 복잡도이며 이는 입력신호와 출력신호 관계의 복잡성에 따라 최적의 구조가 결정될 수 있다. 신경망의 구조가 커지게 되면 아무리 복잡한 비선형성 관계의 신호들도 잘 추정할 수 있게 되지만, 오버피팅(overfitting) 문제가 발생할 수 있으며, 학습하는데 많은 시간이 소요된다는 단점이 있다. 신경망의 구조가 작아지면 학습하는데 짧은 시간이 소요되지만, 입력 및 출력 신호간의 관계가 매우 복잡하다면 이들의 관계를 잘 추정할 수 없게 되고, 이는 언더피팅(underfitting) 문제에 직면하게 된다. 하지만, 근전도와 근육 힘의 정량적인 비선형정도를 알기 힘듦으로, 도 6b에 도시된 바와 같이, 은닉노드의 개수를 1~20개로 다양하게 사용하며 시뮬레이션을 수행하여, 대략 10개정도의 은닉노드의 개수에서 최적화된 결과가 나타난다. 여기서, 두 가지 기준, 즉 NRMSE(Normalized Root Mean Squared Error)과 CORR(CORRelation)에 의하여 수행된 다.
예를 들어, 평균연령이 26.4 ± 2.3세인 5명의 남성을 대상으로 수행한 실험결과를 설명하기로 한다. 각 한 세트는 두 가지 파트 (훈련파트, 테스트파트)로 나뉘며, 한 세트는 10회에 걸쳐 모두 실시간으로 수행된다. 훈련파트는 다층신경망에 근전도 신호를 입력했을 때 핀치(pinch)힘을 적절히 추정할 수 있도록 하는 일종의 학습과정을 위해 수행하는 것으로 컴퓨터 모니터에 도 6c와 같은 그래프를 출력하여 사용자가 정적인 핀치 힘 (2, 4, 6, 8 N)과 동적인 핀치 힘(sine wave)를 발생시킬 수 있다. 훈련파트 중에 수집된 핀치 힘과 근전도 신호들은 백 프로퍼게이션(backpropagation) 알고리즘을 사용하여 다층신경망을 학습시킨다. 훈련의 과정이 끝나면, 1분 동안 피시험자는 자신이 원하는 대로 핀치 힘을 가하게 되고, 근전도 신호를 입력으로 하여 다층인식신경망을 통해 추정된 핀치 힘과 힘 센서를 통해 측정된 핀치 힘을 비교분석한다. 이하, 비교분석된 근전도 신호를 입력으로 하여 다층인식신경망을 통해 추정된 핀치 힘과 힘 센서를 통해 측정된 핀치 힘의 실험결과를 도 7을 참조로 하여 설명하기로 한다.
도 7에 도시된 바와 같이, 실험결과에서는, 회색 선은 힘 센서로부터 측정된 실제 핀치 힘이며, 검정색 선은 다층신경망을 통해 추정된 핀치 힘이다. 결과를 정량적으로 분석하기 위해 다음과 같은 [수학식 2] 및 [수학식 3]을 사용하였다.
Figure 112008079874850-PAT00005
Figure 112008079874850-PAT00006
아래 [표 1]은 피 시험자 5명의 실험결과이며, 평균적으로 NRMSE = 0.112 ±0.082, CORR = 0.932 ± 0.058의 결과로 핀치 힘을 추정할 수 있음을 알 수 있다.
항목 NRMSE CORR
S1 0.130±0.064 0.924±0.042
S2 0.102±0.024 0.940±0.014
S3 0.124±0.030 0.915±0.014
S4 0.104±0.019 0.935±0.029
S5 0.101±0.027 0.945±0.018
평균 0.112±0.082 0.932±0.018
실시간으로 실험을 하기에 앞서 다층인식신경망을 학습시키기 위해 근전도 신호를 수집하는데 소요된 시간은 85초이다. 다층인식신경망 학습시키는 이터레이션(iteration) 횟수는 100회로 제한하였으며, 실험을 위해 사용된 컴퓨터 (Pentium 4, 2.93 GHz processor)로는 학습계산시간이 64초 소요되었다. 따라서, 근전도 신호 수집과 학습을 위해 소요된 시간은 총 2분 29초로 매우 짧은 시간 내에 특정사용자의 근전도로 신호로부터 핀치 힘을 추출해 낼 수 있음을 알 수 있다. 학습시간이 매우 짧아진 원인으로는 피셔 판별식(Fisher discriminant analysis)를 사용하여 학습을 효율적으로 수행할 수 있는 채널들을 선별하였을 뿐 아니라 입력노드의 개수를 줄였기 때문이다.
도 8은 본 발명의 또 다른 실시예에 따른 손가락 힘 추정을 위한 근육 판별 장치의 구조를 설명하기 위한 도면이다.
도 8에 도시된 바와 같이, 본 발명의 또 다른 실시예에 따른 손가락 힘 추정을 위한 근육 판별 장치는, 근전도 신호 획득부(210), 기준함수 결과값 산출부(220), 근육 판별부(230)를 포함한다.
근전도 신호 획득부(210)는, 피측정인의 아래팔의 피부에 밀착되도록 장착되어 엄지와 검지를 관장하는 7개의 근육에 대한 근전도 신호를 복수 회에 걸쳐 획득한다.
기준함수 결과값 산출부(220)는, 복수 회에 걸쳐 획득된 근전도 신호를 기준함수에 입력하여 각각의 기준함수 결과값을 산출한다.
근육 판별부(230)는, 산출된 각각의 기준함수 결과값이 차례로 큰 4 개의 근육을 판별하여준다.
이하, 상기와 같이 구성된 본 발명의 또 다른 실시예에 따른 손가락 힘 추정을 위한 근육 판별 장치를 사용한 본 발명의 또 다른 실시예에 따른 손가락 힘 추정을 위한 근육 판별 방법에 대하여 도 9 내지 도 10a 및 10b를 참조하여 설명하기로 한다.
도 9는 본 발명의 또 다른 실시예에 따른 손가락 힘 추정을 위한 근육 판별 방법의 순서를 도시한 순서도이고, 도 10a 및 10b는 본 발명의 또 다른 실시예에 따른 손가락 힘 추정을 위한 근육 판별 방법의 분산 알고리즘을 설명하기 위한 도면이다.
도 9에 도시된 바와 같이, 본 발명의 또 다른 실시예에 따른 손가락 힘 추정을 위한 근육 판별 방법은, 근전도 신호 획득단계(S210), 기준함수 결과값 산출단계(S220), 근육 판별단계(S230)를 포함한다.
근전도 신호 획득단계(S210)는, 피측정인의 아래팔의 피부에 밀착되도록 장착되어 엄지와 검지를 관장하는 7개의 근육에 대한 근전도 신호를 복수 회에 걸쳐 획득한다.
기준함수 결과값 산출단계(S220)는, 복수 회에 걸쳐 획득된 근전도 신호를 기준함수에 입력하여 각각의 기준함수 결과값을 산출한다. 여기서, 상술한 바와 같이, 근전도 신호는 평균이 0인 가우시안 프로세스(Gaussian process)로 간주된다. 본 발명의 실시예에서는, 신호의 특징을 추출하기 위해서 이동윈도우(moving window)를 사용하여 신호의 분산을 구하고, 이동윈도우의 길이 (window length)는 200msec이고 윈도우의 이동 증가분 (window increment)는 50msec로 설정한다.
엄지와 검지의 움직임을 관장하는 근육은 총 15개이다. 이중 오직 7개의 근육만이 피부표면 가까이 위치하고 있다는 것을 ADAM Interactive Anatomy (A.D.A.M. Inc., USA) 소프트웨어를 사용하여 확인할 수 있다. 선정된 7가지 근육은 손가락 폄근(Extensor Digitorium, ED), 장무지 외전근(Abductor Pollicis Longus, APL), 손가락 굽힘근(Flexor Digitorum Superficialis, FDS), 등쪽 뼈사이근(Dorsal Interosseous, DI), 짧은 엄지 벌림근(Abductor Pollicis Brevis, APB), 짧은 엄지 굽힘근(Flexor Pollicis Brevis, FPB), 엄지 모음근(Adductor Pollicis, AP) 이며, 이들 근육들은 표면전극을 통해 근 수축을 확인할 수 있다. 한 명의 피시험자의 아래팔에 도 2와 같이 선정근육의 근전도를 획득하기 위하여 7개의 표면전극을 부착하였고, 도 10a와 같이 핀치 힘을 발생하는 동시에 근전도 신호를 총 5회에 걸쳐 획득하였다. 채널 6번의 전극은 FPB 근전도 획득을 위해 사용되었으나, 도 10a에서 보면 핀치 힘이 발생할 때 근육의 힘이 줄어든다는 점과 채널 5번의 신호와 유사하다는 점을 고려할 때, 채널 6번에서 측정된 신호는 FPB 근육이 아닌 APB근육에서 측정된 신호임을 알 수 있다. 이는 해부학적으로 FPB 근육이 APB 근육에 의해 상당부분 가려져 있어서 근전도 신호가 획득되지 않았으리라 추정된다. 비록, 5번과 6번 채널에서 획득된 신호는 APB한 개의 근육으로부터 측정된 것이지만, 한 개의 근육의 많은 수의 모터 유닛(motor unit)에 의해 활성화 되고, 각각의 unit은 근 수축의 속도, 힘에 따라 다른 특성을 갖기 때문에 측정된 신호가 정확히 일치하지는 않는다. 핀치 힘을 추정하는데 7개의 측정된 신호 중 가장 효과적인 정보를 가지고 있는 채널들을 선별하기 위해 피셔 판별식(Fisher discriminant analysis)를 사용하였다. 즉, 피셔 판별식은 [수학식 4]의 기준함수로서, 이를 사용하여 평가를 하게 된다.
Figure 112008079874850-PAT00007
이 함수는 2개의 패턴인식문제를 해결하는데 유용하게 사용되며, 식 왼편의 k와 오른편의 숫자 1, 2는 각각 측정된 채널번호와 패턴 클래스를 의미한다.
Figure 112008079874850-PAT00008
와
Figure 112008079874850-PAT00009
는 각각 i번째 클래스 특징신호의 평균과 분산을 의미한다. 기준함수에서 분자는 클래스간의 특징신호 차이가 클수록 커지게 되며, 분모는 각 클래스간의 특징신호 편차가 작을수록 작아져서 전반적으로 클래스간의 분리도가 크게 되면 기준함수의 결과가 크게 된다. 따라서, k번째 기준함수 결과가 가장 크게 나왔다면 k번째 채널에서 측정된 신호는 핀치 힘을 추정하는데 가장 효과적인 정보를 제공한다고 생각할 수 있다.
이 방법을 이용하여 도 10a에서 측정된 신호를 이용하여 수학식 [4]의 기준함수에 적용하였으며, 클래스 1을 핀치 힘이 0 N일 때, 클래스 2를 핀치 힘이 8 N일 때로 분류하여 테스트한다. 근전도 신호는 근육 힘에 비례적인 특징을 보임으로 핀치 힘이 작을 때와 클 때의 신호들이 잘 분류 가능한 채널들은 0~8 N 사이의 연속적인 힘을 추정하는데 역시 효과적인 정보를 제공할 것으로 판단된다. 도 10b는 5회에 걸쳐 획득된 신호를 이용하여 피셔 판별식(Fisher discriminant analysis)를 한 결과이며, 채널 4~7번의 신호들이 핀치 힘을 추정하는데 가장 효과적인 정보를 제공하고 있음을 알 수 있다. 따라서, 본 발명의 실시예에서는 4~7번 채널의 전극만 사용하여 다수의 피시험자로부터 실시간으로 핀치 힘을 측정한다.
그런 다음, 근육 판별단계(S230)는, 산출된 각각의 기준함수 결과값이 차례로 큰 4 개의 근육을 판별한다.
따라서, 상기와 같이 구성된 본 발명의 실시예에서는, 실시간으로 손가락 힘을 근전도로부터 추정한 것이고, 핀치 힘을 근전도 신호로부터 추정하기 위하여 엄지와 검지 움직임을 관장하는 근육을 선정하고 표면전극으로 관찰할 수 있는 7개의 근육으로부터 신호를 얻어내어, 이 중 피셔 선형 판별식(Fisher linear discriminant analysis)를 통하여 힘을 추정하는데 가장 효율적인 4가지 전극을 선정하고, 다층신경망 (multilayer perceptron)을 사용하여 손가락 힘을 추정할 수 있다.
이로 인하여, 본 발명에 따른 손가락 힘 추정 방법 및 추정 장치, 손가락 힘 추정을 위한 근육 판별 방법 및 근육 판별 장치는, 피셔 판별식 (Fisher discriminant analysis)을 사용하여 핀치 힘을 추정하는데 효과적인 전극위치를 결정하고, 신경망 구조를 결정하기 위해 다양한 은닉노드의 개수를 사용하여 힘을 추정하여주는 것에 의하여, 학습시간이 매우 짧음에도 불구하고 핀치 힘을 추정할 수 있다.
이 연구결과는 엄지, 검지 손가락이 절단된 사람들이 의수를 사용하는데 있어서 정교하게 물체를 다루는데 사용될 수 있으며, 사람이 직접 수행하기 힘은 위 험한 작업을 원격조종 로봇을 사용하여 수행할 때 제어하기 위한 방법으로 사용될 수도 있다.
이와 같이, 상술한 본 발명의 기술적 구성은 본 발명이 속하는 기술분야의 당업자가 본 발명의 그 기술적 사상이나 필수적 특징을 변경하지 않고서 다른 구체적인 형태로 실시될 수 있다는 것을 이해할 수 있을 것이다.
그러므로 이상에서 기술한 실시 예들은 모든 면에서 예시적인 것이며 한정적인 것이 아닌 것으로서 이해되어야 하고, 본 발명의 범위는 상기 상세한 설명보다는 후술하는 특허청구범위에 의하여 나타나며, 특허청구범위의 의미 및 범위 그리고 그 등가개념으로부터 도출되는 모든 변경 또는 변형된 형태가 본 발명의 범위에 포함되는 것으로 해석되어야 한다.
도 1은 본 발명의 일 실시예에 따른 손가락 힘 추정 장치의 주변구조를 설명하기 위한 도면.
도 2는 본 발명의 일 실시예에 따른 손가락 힘 추정 장치의 구조를 설명하기 위한 도면.
도 3은 본 발명의 일 실시예에 따른 손가락 힘 추정 장치에서 근전도 센서가 장착된 피 측정인의 팔을 도시한 도면.
도 4는 본 발명의 다른 실시예에 따른 손가락 힘 추정 방법의 순서를 설명하기 위한 도면.
도 5는 본 발명의 다른 실시예에 따른 손가락 힘 추정 방법의 분산 알고리즘을 설명하기 위한 도면.
도 6a 내지 6c는 본 발명의 다른 실시예에 따른 손가락 힘 추정 방법의 인공 신경망 알고리즘을 설명하기 위한 도면.
도 7은 본 발명의 다른 실시예에 따른 손가락 힘 추정 방법에서 힘 센서로부터 측정된 핀치 힘과 신경망을 통하여 추정된 핀치 힘을 나타낸 도면.
도 8은 본 발명의 또 다른 실시예에 따른 손가락 힘 추정을 위한 근육 판별 장치의 구조를 설명하기 위한 도면.
도 9는 본 발명의 또 다른 실시예에 따른 손가락 힘 추정을 위한 근육 판별 방법의 순서를 도시한 순서도.
도 10a 및 10b는 본 발명의 또 다른 실시예에 따른 손가락 힘 추정을 위한 근육 판별 방법의 분산 알고리즘을 설명하기 위한 도면.

Claims (10)

  1. 피측정인의 아래팔의 피부에 밀착되도록 장착된 복수 개의 근전도 센서로부터 엄지와 검지의 근육을 관장하는 7개의 근육의 근전도 신호를 획득하는 근전도 신호 획득단계;
    소정의 판별식에 의하여 상기 7개의 근육의 근전도 신호 중 힘의 측정을 위한 정보를 가지는 4개의 근육의 근전도 신호를 선정하는 근전도 신호 선정단계;
    상기 선정된 4개의 근전도 신호를 타임 윈도우 내의 근전도 신호로 각각 변환하여, 소정의 분산 알고리즘에 의하여 상기 변환된 타임 윈도우 내의 근전도 신호의 각각에 대한 베어리언스를 산출하는 베어리언스 산출단계;
    상기 산출된 베어리언스를 인공신경망 알고리즘에 의하여 힘 신호로 추정하는 힘 신호 추정단계; 및
    상기 추정된 힘 신호를 디스플레이하는 단계;
    를 포함하는, 손가락 힘 추정 방법.
  2. 제1항에 있어서,
    상기 근전도 신호 획득단계에서, 상기 근전도 신호는 평균이 0인 가우시안 프로세스인,
    손가락 힘 추정 방법.
  3. 제1항에 있어서,
    상기 힘 신호 추정단계에서, 상기 인공신경망 알고리즘은 상기 근전도 신호의 베어리언스에 대응되는 힘 신호를 미리 설정하고, 상기 미리 설정된 힘 신호를 상기 변환된 타임 윈도우 내의 근전도 신호의 각각에 대한 베어리언스에 해당하는 힘 신호로 추정하는, 손가락 힘 추정 방법.
  4. 피측정인의 아래팔의 피부에 밀착되도록 장착되어 엄지와 검지의 근육을 관장하는 7개의 근육의 근전도 신호를 획득하는 복수 개의 근전도 센서부;
    소정의 판별식에 의하여 상기 획득된 7개의 근육의 근전도 신호 중 힘의 측정을 위한 정보를 가지는 4개의 근육의 근전도 신호를 선정하는 근전도 신호 선정부;
    상기 선정된 4개의 근전도 신호를 타임 윈도우 내의 근전도 신호로 각각 변환하여, 소정의 분산 알고리즘에 의하여 상기 변환된 타임 윈도우 내의 근전도 신호의 각각에 대한 베어리언스를 산출하는 베어리언스 산출부;
    상기 산출된 베어리언스를 인공신경망 알고리즘에 의하여 힘 신호로 추정하는 힘 신호 추정부; 및
    상기 추정된 힘 신호를 디스플레이하는 표시부;
    를 포함하는, 손가락 힘 추정 장치.
  5. 제4항에 있어서,
    상기 근전도 신호는 평균이 0인 가우시안 프로세스인,
    손가락 힘 추정 장치.
  6. 제4항에 있어서,
    상기 인공신경망 알고리즘은 상기 근전도 신호의 베어리언스에 대응되는 힘 신호를 미리 설정하고, 상기 미리 설정된 힘 신호를 상기 변환된 타임 윈도우 내의 근전도 신호의 각각에 대한 베어리언스에 해당하는 힘 신호로 추정하는, 손가락 힘 추정 방법.
  7. 피측정인의 아래팔의 피부에 밀착되도록 장착되어 엄지와 검지를 관장하는 7개의 근육에 대한 근전도 신호를 복수 회에 걸쳐 획득하는 근전도 신호 획득단계;
    상기 복수 회에 걸쳐 획득된 근전도 신호를 기준함수에 입력하여 각각의 기준함수 결과값을 산출하는 기준함수 결과값 산출단계; 및
    상기 산출된 각각의 기준함수 결과값이 차례로 큰 4 개의 근육을 판별하는 근육 판별단계;
    를 포함하는 손가락 힘 추정을 위한 근육 판별 방법.
  8. 제7항에 있어서,
    상기 근전도 신호는 평균이 0인 가우시안 프로세스인,
    손가락 힘 추정을 위한 근육 판별 방법.
  9. 피측정인의 아래팔의 피부에 밀착되도록 장착되어 엄지와 검지를 관장하는 7개의 근육에 대한 근전도 신호를 복수 회에 걸쳐 획득하는 근전도 신호 획득부;
    상기 복수 회에 걸쳐 획득된 근전도 신호를 기준함수에 입력하여 각각의 기준함수 결과값을 산출하는 기준함수 결과값 산출부; 및
    상기 산출된 각각의 기준함수 결과값이 차례로 큰 4 개의 근육을 판별하는 근육 판별부;
    를 포함하는 손가락 힘 추정을 위한 근육 판별 장치.
  10. 제9항에 있어서,
    상기 근전도 신호는 평균이 0인 가우시안 프로세스인,
    손가락 힘 추정을 위한 근육 판별 장치.
KR1020080115333A 2008-11-19 2008-11-19 손가락 힘 추정 방법 및 추정 장치, 손가락 힘 추정을 위한근육 판별 방법 및 근육 판별 장치 KR100994408B1 (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020080115333A KR100994408B1 (ko) 2008-11-19 2008-11-19 손가락 힘 추정 방법 및 추정 장치, 손가락 힘 추정을 위한근육 판별 방법 및 근육 판별 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020080115333A KR100994408B1 (ko) 2008-11-19 2008-11-19 손가락 힘 추정 방법 및 추정 장치, 손가락 힘 추정을 위한근육 판별 방법 및 근육 판별 장치

Publications (2)

Publication Number Publication Date
KR20100056254A true KR20100056254A (ko) 2010-05-27
KR100994408B1 KR100994408B1 (ko) 2010-11-16

Family

ID=42280438

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020080115333A KR100994408B1 (ko) 2008-11-19 2008-11-19 손가락 힘 추정 방법 및 추정 장치, 손가락 힘 추정을 위한근육 판별 방법 및 근육 판별 장치

Country Status (1)

Country Link
KR (1) KR100994408B1 (ko)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160034598A (ko) * 2014-09-22 2016-03-30 광주과학기술원 사용자와 스마트 기기간의 근전도 신호를 이용한 비접촉 인터페이싱 장치 및 방법
KR20160100789A (ko) * 2015-02-16 2016-08-24 삼성전자주식회사 사용자 인터페이스 방법 및 장치
CN111973184A (zh) * 2019-05-22 2020-11-24 中国科学院沈阳自动化研究所 一种针对非理想sEMG信号的模型训练数据优化方法

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US9946395B2 (en) 2015-02-16 2018-04-17 Samsung Electronics Co., Ltd. User interface method and apparatus
KR102619981B1 (ko) 2016-02-02 2024-01-02 삼성전자주식회사 근전도 신호를 이용한 동작 분류 방법 및 장치

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CA2555358A1 (en) 2004-02-05 2005-09-22 Motorika Inc. Neuromuscular stimulation

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20160034598A (ko) * 2014-09-22 2016-03-30 광주과학기술원 사용자와 스마트 기기간의 근전도 신호를 이용한 비접촉 인터페이싱 장치 및 방법
KR20160100789A (ko) * 2015-02-16 2016-08-24 삼성전자주식회사 사용자 인터페이스 방법 및 장치
CN111973184A (zh) * 2019-05-22 2020-11-24 中国科学院沈阳自动化研究所 一种针对非理想sEMG信号的模型训练数据优化方法
CN111973184B (zh) * 2019-05-22 2021-09-03 中国科学院沈阳自动化研究所 一种针对非理想sEMG信号的模型训练数据优化方法

Also Published As

Publication number Publication date
KR100994408B1 (ko) 2010-11-16

Similar Documents

Publication Publication Date Title
CN107378944B (zh) 一种基于主成分分析法的多维表面肌电信号假手控制方法
Zhang et al. Learning effective spatial–temporal features for sEMG armband-based gesture recognition
Dwivedi et al. A learning scheme for EMG based decoding of dexterous, in-hand manipulation motions
Alves et al. Uncovering patterns of forearm muscle activity using multi-channel mechanomyography
Jose et al. Classification of forearm movements from sEMG time domain features using machine learning algorithms
JP5252432B2 (ja) 指関節角度推定装置
Sayin et al. Hand gesture recognition by using sEMG signals for human machine interaction applications
Xue et al. SEMG-based human in-hand motion recognition using nonlinear time series analysis and random forest
KR100994408B1 (ko) 손가락 힘 추정 방법 및 추정 장치, 손가락 힘 추정을 위한근육 판별 방법 및 근육 판별 장치
Li et al. Wireless sEMG-based identification in a virtual reality environment
Stival et al. Online subject-independent modeling of semg signals for the motion of a single robot joint
Arteaga et al. EMG-based adaptive trajectory generation for an exoskeleton model during hand rehabilitation exercises
Dwivedi et al. Extraction of nonlinear synergies for proportional and simultaneous estimation of finger kinematics
Yu et al. Wrist torque estimation via electromyographic motor unit decomposition and image reconstruction
Kumar et al. A critical review on hand gesture recognition using semg: Challenges, application, process and techniques
Su et al. Ankle joint torque prediction based on surface Electromyographic and angular velocity signals
Cho et al. Estimating simultaneous and proportional finger force intention based on sEMG using a constrained autoencoder
Zeng et al. Robustness of combined sEMG and ultrasound modalities against muscle fatigue in force estimation
Guo et al. A novel fuzzy neural network-based rehabilitation stage classifying method for the upper limb rehabilitation robotic system
Lu et al. A hybrid deep learning framework for estimation of elbow flexion force via electromyography
Zhang et al. Pattern-based grasping force estimation from surface electromyography
Wahab et al. Analysis and classification of forearm muscles activities during gripping using EMG signals
Ramírez-Pérez et al. On the detection of activity patterns in electromyographic signals via decision trees
Hasan et al. Hand Gesture Recognition Based on Surface Electromyogram Signal (sEMG) with Muscular Contraction Level and Real Time Implementation on An Artificial Prosthetic Wrist Using Artificial Neural Network (ANN)
Li et al. Inter-subject variability evaluation of continuous elbow angle from sEMG using BPNN

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: 20131030

Year of fee payment: 4

LAPS Lapse due to unpaid annual fee