KR20150131554A - 다중 채널 표면 근전도에서의 신체 관절 운동학 정보 추출 방법, 이를 수행하기 위한 기록 매체 및 장치 - Google Patents

다중 채널 표면 근전도에서의 신체 관절 운동학 정보 추출 방법, 이를 수행하기 위한 기록 매체 및 장치 Download PDF

Info

Publication number
KR20150131554A
KR20150131554A KR1020140058380A KR20140058380A KR20150131554A KR 20150131554 A KR20150131554 A KR 20150131554A KR 1020140058380 A KR1020140058380 A KR 1020140058380A KR 20140058380 A KR20140058380 A KR 20140058380A KR 20150131554 A KR20150131554 A KR 20150131554A
Authority
KR
South Korea
Prior art keywords
joint
information
signal
kinematics
joint kinematics
Prior art date
Application number
KR1020140058380A
Other languages
English (en)
Other versions
KR101666399B1 (ko
Inventor
이종민
김승종
황요하
김경재
정상훈
Original Assignee
한국과학기술연구원
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 한국과학기술연구원 filed Critical 한국과학기술연구원
Priority to KR1020140058380A priority Critical patent/KR101666399B1/ko
Priority to US14/331,825 priority patent/US20150332013A1/en
Publication of KR20150131554A publication Critical patent/KR20150131554A/ko
Application granted granted Critical
Publication of KR101666399B1 publication Critical patent/KR101666399B1/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
    • 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]
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B5/00—Measuring for diagnostic purposes; Identification of persons
    • A61B5/45—For evaluating or diagnosing the musculoskeletal system or teeth
    • A61B5/4528—Joints
    • G—PHYSICS
    • G16—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR SPECIFIC APPLICATION FIELDS
    • G16H—HEALTHCARE INFORMATICS, i.e. INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR THE HANDLING OR PROCESSING OF MEDICAL OR HEALTHCARE DATA
    • G16H50/00—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics
    • G16H50/50—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for simulation or modelling of medical disorders

Landscapes

  • Health & Medical Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Medical Informatics (AREA)
  • Biomedical Technology (AREA)
  • Physics & Mathematics (AREA)
  • Pathology (AREA)
  • Theoretical Computer Science (AREA)
  • General Engineering & Computer Science (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Surgery (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Dermatology (AREA)
  • Epidemiology (AREA)
  • Human Computer Interaction (AREA)
  • Neurosurgery (AREA)
  • Rheumatology (AREA)
  • Orthopedic Medicine & Surgery (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Dentistry (AREA)
  • Neurology (AREA)
  • Primary Health Care (AREA)
  • Rehabilitation Tools (AREA)
  • Mathematical Physics (AREA)
  • Measurement Of The Respiration, Hearing Ability, Form, And Blood Characteristics Of Living Organisms (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)
  • Algebra (AREA)
  • Mathematical Optimization (AREA)
  • Computational Mathematics (AREA)
  • Software Systems (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Analysis (AREA)

Abstract

신체 관절 운동학 정보 추출 방법은, 관절 운동을 하는 경우의 근전도 신호 및 관절 운동학 정보에 기초하여, 다중 선형 모델의 관절 운동학 파라미터 추정기를 생성하는 단계; 실시간으로 근전도 신호를 측정하는 단계; 및 실시간으로 측정된 근전도 신호를 관절 운동학 파라미터 추정기에 적용하여 관절 운동학 정보를 추정하는 단계를 포함한다. 이에 따라, 비침습식으로 추출된 표면 근전도 신호를 이용하여 안전하고 정확하게 신체 관절 운동학 정보를 추출할 수 있다.

Description

다중 채널 표면 근전도에서의 신체 관절 운동학 정보 추출 방법, 이를 수행하기 위한 기록 매체 및 장치{HUMAN JOINT KINEMATICS INFORMATION EXTRACTION METHOD FROM MULTI-CHANNEL SURFACE ELECTROMYOGRAM SIGNALS, RECORDING MEDIUM AND DEVICE FOR PERFORMING THE METHOD}
본 발명은 신체 관절 운동학 정보 추출 방법, 이를 수행하기 위한 기록 매체 및 장치에 관한 것으로서, 더욱 상세하게는 비침습식으로 추출된 표면 근전도 신호를 이용하여 신체 관절 운동학 정보 추출 방법, 이를 수행하기 위한 기록 매체 및 장치에 관한 것이다.
스마트폰 사용의 증가 및 다양한 의사소통 기술의 발달로 인간과 컴퓨터, 인간과 로봇과의 상호작용에 관한 중요성이 증대되고 있다. 상호작용에 있어 가장 중요하고 어려운 것은 인간의 의도를 파악하여 전달하는 인터페이스 관련 기술이다. 상기 기술에서도 인간의 의도를 정확하게 파악하는 것이 특히 중요한데, 이를 위해 뇌전도(EEG), 피질뇌전도(ECoG), 근전도(EMG), 심전도(ECG) 등의 생체 신호를 이용한 연구가 활발히 진행되고 있다.
특히, 최근 생체 신호를 통해 관절 운동학 정보를 추출하여 사람의 관절 운동의도로 사용하기 위한 연구들이 진행되고 있다. 그 중 대표적인 것으로 뇌신호를 통해 하지 운동학 정보를 추출한 연구들이 진행되었다(N. A. Fitzsimmons, et al., 및 A. Presacco, et al.,).
N. A. Fitzsimmons, et al.,의 기술에서는 원숭이가 트레드밀에서 보행 중 침습식으로 추출된 뇌 신호(neural spike)와 모션캡쳐신호를 통해 계산된 하지 운동학(lower-limb kinematics) 정보를 다중 선형 모델로 구성한 뒤 위너 필터를 사용하여 가중치 매트릭스를 계산하였고, 구성된 가중치 매트릭스를 사용하여 뇌 신호만으로 보행 운동학 정보를 추정하였다.
A. Presacco, et al.,에서는 사람이 트레드밀에서 보행 중 비침습식으로 추출된 뇌전도(EEG, electroencephalogram) 신호와 모션캡쳐신호를 통해 계산된 하지 운동학 정보를 정보를 일반화된 선형 모델로 구성한 뒤 위너 필터를 사용하여 디코딩 매트릭스를 계산하였고, 구성된 디코딩 매트릭스를 통해 뇌전도 신호만으로 하지 운동학 정보를 추정하였다.
N. A. Fitzsimmons, et al., 및 A. Presacco, et al.,의 경우 침습식, 비침습식 방법에서 각각 처음 제안된 방법이라는데 의미가 크다고 할 수 있으나, N. A. Fitzsimmons, et al.,의 경우 뇌에 손상이 가므로 실제 사람에게 적용하기엔 위험하고, A. Presacco, et al.,의 경우도 뇌전도 신호의 시변(time-variant) 특성 상 상시 균일한 성능을 보장하기 어려운 문제가 있다. 특히 A. Presacco, et al.,에서는 운동학 정보 생성을 위해 뇌전도 신호중 델타(delta)파를 사용하였는데, 델타파에 하지 운동과 직접적으로 관련된 정보가 포함되어 있다는 임상적 근거가 아직 마련되지 못했다는 것이 단점으로 지적되고 있다.
EP2644168 A1
N. A. Fitzsimmons, et al., "Extracting kinematics parameters for monkey bipedal walking from cortical neuronal ensemble activity," Frontiers in Integrative Neuroscience, 3(3), 2009. A. Presacco, et al., "Decoding intra-limb and inter-limb kinematics during treadmill walking from scalp EEG signals," IEEE Trans. Neural Syst. Rehab. Eng., 20(2), 2012.
이에, 본 발명의 기술적 과제는 이러한 점에서 착안된 것으로 본 발명의 목적은 비침습식으로 추출된 표면 근전도 신호를 이용하여 신체 관절 운동학 정보 추출 방법을 제공하는 것이다.
본 발명의 다른 목적은 상기 신체 관절 운동학 정보 추출 방법을 수행하기 위한 컴퓨터 프로그램이 기록된 기록 매체를 제공하는 것이다.
본 발명의 또 다른 목적은 상기 신체 관절 운동학 정보 추출 방법을 수행하기 위한 장치를 제공하는 것이다.
상기한 본 발명의 목적을 실현하기 위한 일 실시예에 따른 신체 관절 운동학 정보 추출 방법은, 관절 운동을 하는 경우의 근전도 신호 및 관절 운동학 정보에 기초하여, 다중 선형 모델의 관절 운동학 파라미터 추정기를 생성하는 단계; 실시간으로 근전도 신호를 측정하는 단계; 및 상기 실시간으로 측정된 근전도 신호를 상기 관절 운동학 파라미터 추정기에 적용하여 관절 운동학 정보를 추정하는 단계를 포함한다.
본 발명의 실시예에서, 상기 다중 선형 모델의 관절 운동학 파라미터 추정기를 생성하는 단계는, 관절 운동을 하는 경우의 근전도 신호 및 관절 운동학 정보를 동시에 측정하는 단계; 상기 근전도 신호를 입력으로 설정하고, 각 운동 모드에서 기록된 관절 운동학 정보를 출력으로 설정한 다중 선형 모델을 구성하는 단계; 및 상기 다중 선형 모델의 가중치를 계산하는 단계를 포함할 수 있다.
본 발명의 실시예에서, 상기 다중 선형 모델의 가중치를 계산하는 단계는, 위너 필터(Wiener filter) 및 칼만 필더(Kalman filter) 중 하나를 이용할 수 있다.
본 발명의 실시예에서, 상기 다중 선형 모델의 관절 운동학 파라미터 추정기를 생성하는 단계는, 상기 근전도 신호 및 상기 관절 운동학 정보를 정류하거나 필터링하는 단계를 더 포함할 수 있다.
본 발명의 실시예에서, 상기 관절 운동학 정보는, 관절각도, 위치, 각속도 중 적어도 하나를 포함할 수 있다.
본 발명의 실시예에서, 실시간으로 근전도 신호를 측정하는 단계는, 상기 실시간으로 측정된 근전도 신호를 정류하거나 필터링하는 단계를 더 포함할 수 있다.
상기한 본 발명의 다른 목적을 실현하기 위한 일 실시예에 따른 컴퓨터로 판독 가능한 저장 매체에는, 신체 관절 운동학 정보 추출 방법을 수행하기 위한 컴퓨터 프로그램이 기록되어 있다.
상기한 본 발명의 또 다른 목적을 실현하기 위한 일 실시예에 따른 신체 관절 운동학 정보 추출을 수행하기 위한 장치는, 관절 운동을 하는 경우의 근전도 신호 및 관절 운동학 정보에 기초하여, 다중 선형 모델의 관절 운동학 파라미터 추정기를 생성하는 오프라인 전처리부; 및 실시간으로 측정한 근전도 신호를, 상기 관절 운동학 파라미터 추정기에 적용하여 관절 운동학 정보를 추정하는 온라인 관절 운동학 추정부를 포함한다.
본 발명의 실시예에서, 상기 오프라인 전처리부는, 관절 운동을 하는 경우의 근전도 신호 및 관절 운동학 정보를 동시에 측정하는 제1 측정부; 상기 근전도 신호를 입력으로 설정하고, 각 운동 모드에서 기록된 관절 운동학 정보를 출력으로 설정한 다중 선형 모델을 구성하는 모델부; 및 상기 다중 선형 모델의 가중치를 계산하는 가중치 계산부를 포함할 수 있다.
본 발명의 실시예에서, 상기 관절 운동학 정보는, 관절을 움직이면서 모션캡쳐 센서를 사용하여 측정할 수 있다.
본 발명의 실시예에서, 상기 근전도 신호는, 상기 관절의 운동과 관련된 근육에 부착된 근전도 센서를 사용하여 측정할 수 있다.
본 발명의 실시예에서, 상기 가중치 계산부는, 위너 필터(Wiener filter) 및 칼만 필더(Kalman filter) 중 하나를 이용하여 가중치를 계산할 수 있다.
본 발명의 실시예에서, 상기 오프라인 전처리부는, 상기 근전도 신호를 정류 및 필터링하는 제1 신호 처리부; 및 상기 관절 운동학 정보를 필터링하는 제2 신호 처리부를 포함할 수 있다.
본 발명의 실시예에서, 상기 관절 운동학 정보는, 관절각도, 위치, 각속도 중 적어도 하나를 포함할 수 있다.
본 발명의 실시예에서, 상기 온라인 관절 운동학 추정부는, 실시간으로 근전도 신호를 측정하는 제2 측정부; 및 상기 실시간으로 측정한 근전도 신호를, 상기 관절 운동학 파라미터 추정기에 적용하여 관절 운동학 정보를 추정하는 추정부를 포함할 수 있다.
본 발명의 실시예에서, 상기 온라인 관절 운동학 추정부는, 상기 실시간으로 측정된 근전도 신호를 정류하거나 필터링하는 제3 신호 처리부를 더 포함할 수 있다.
이와 같은 신체 관절 운동학 정보 추출 방법에 따르면, 비침습식으로 추출된 표면 근전도 신호에서 사람의 관절 운동학 정보를 추출하기 위해, 근전도의 포락선 신호를 입력으로 설정하고 다양한 운동 모드에서 기록된 관절 운동학 정보를 출력으로 설정한 다중 선형 모델을 구성한다. 근전도 원신호가 아닌 포락선 신호를 사용할 경우 근전도 신호의 시변 특징을 해결하여 발명 기술의 항시 균일한 성능을 보장할 수 있다는 장점이 있다. 또한, 구성된 모델의 가중치를 구하기 위한 방법으로 위너 필터 등의 추정 기술을 사용하여 모델 파라미터로 구성되어 있는 디코딩(decoding) 매트릭스(matrix)를 추출한다. 이 후 실시간으로 측정된 근전도 신호와 디코딩 매트릭스의 산술연산만으로 안전하고 정확하게 사람의 관절 운동학 정보를 생성할 수 있다.
도 1은 본 발명의 일 실시예에 따른 신체 관절 운동학 정보 추출 장치의 블록도이다.
도 2는 도 1의 신체 관절 운동학 정보 추출 장치의 상세 블록도이다.
도 3은 근전도 신호의 포락선 검출 과정을 보여주는 파형도이다.
도 4는 본 발명의 일 실시예에 따른 신체 관절 운동학 정보 추출 방법의 흐름도이다.
도 5는 도 4의 오프라인 전처리 과정의 상세한 흐름도이다.
도 6 및 도 7은 본 발명에 따라 추출한 관절 운동학 정보의 예를 보여주는 파형도이다.
후술하는 본 발명에 대한 상세한 설명은, 본 발명이 실시될 수 있는 특정 실시예를 예시로서 도시하는 첨부 도면을 참조한다. 이들 실시예는 당업자가 본 발명을 실시할 수 있기에 충분하도록 상세히 설명된다. 본 발명의 다양한 실시예는 서로 다르지만 상호 배타적일 필요는 없음이 이해되어야 한다. 예를 들어, 여기에 기재되어 있는 특정 형상, 구조 및 특성은 일 실시예에 관련하여 본 발명의 정신 및 범위를 벗어나지 않으면서 다른 실시예로 구현될 수 있다. 또한, 각각의 개시된 실시예 내의 개별 구성요소의 위치 또는 배치는 본 발명의 정신 및 범위를 벗어나지 않으면서 변경될 수 있음이 이해되어야 한다. 따라서, 후술하는 상세한 설명은 한정적인 의미로서 취하려는 것이 아니며, 본 발명의 범위는, 적절하게 설명된다면, 그 청구항들이 주장하는 것과 균등한 모든 범위와 더불어 첨부된 청구항에 의해서만 한정된다. 도면에서 유사한 참조부호는 여러 측면에 걸쳐서 동일하거나 유사한 기능을 지칭한다.
이하, 도면들을 참조하여 본 발명의 바람직한 실시예들을 보다 상세하게 설명하기로 한다.
도 1은 본 발명의 일 실시예에 따른 신체 관절 운동학 정보 추출 장치의 블록도이다.
본 발명에서는 비침습식으로 추출된 표면 근전도 신호를 사용하여 신체 관절 운동학 정보를 추출한다. 근전도 신호는 근수축에 따른 신경근육 활동을 전기신호로 나타낸 것으로, 뇌전도 신호보다 미세하게 지연되어 관측되지만 실제 동작 이전에 발생하고 뇌전도 신호에 비해 시불변(time-invariant) 특성이 좋으며 관절 운동과 직접적으로 관련된 신호이다.
본 발명에서는 비침습식으로 추출된 표면 근전도 신호에서 사람의 관절 운동학 정보를 추출해내기 위해, 근전도의 포락선 신호를 입력으로 설정하고 다양한 운동 모드에서 기록된 관절 운동학 정보를 출력으로 설정한 다중 선형 모델을 구성한다. 그리고, 구성된 다중 선형 모델의 가중치를 구하기 위한 방법으로 위너 필터 등의 추정 기술을 사용하여 모델 파라미터로 구성되어 있는 디코딩(decoding) 매트릭스(matrix)를 추출한다. 이 후 실시간으로 측정된 근전도 신호와 디코딩 매트릭스의 산술연산만으로 사람의 관절 운동학 정보를 생성할 수 있다.
이를 위해, 도 1을 참조하면, 본 발명에 따른 신체 관절 운동학 정보 추출 장치(10, 이하 장치)는 오프라인 전처리부(100) 및 온라인 관절 운동학 추정부(300)를 포함한다.
본 발명의 상기 장치(10)는 신체 관절 운동학 정보 추출을 수행하기 위한 소프트웨어(애플리케이션)가 설치되어 실행될 수 있으며, 상기 오프라인 전처리부(100) 등의 구성은 상기 장치(10)에서 실행되는 상기 신체 관절 운동학 정보 추출을 위한 소프트웨어에 의해 제어될 수 있다.
상기 장치(10)는 별도의 단말이거나 또는 단말의 일부 모듈일 수 있다. 상기 장치(10)는 이동성을 갖거나 고정될 수 있다. 상기 장치(10)는, 서버(server) 또는 엔진(engine) 형태일 수 있으며, 디바이스(device), 기구(apparatus), 단말(terminal), UE(user equipment), MS(mobile station), MT(mobile terminal), UT(user terminal), SS(subscriber station), 무선기기(wireless device), PDA(personal digital assistant), 무선 모뎀(wireless modem), 휴대기기(handheld device) 등 다른 용어로 불릴 수 있다.
상기 오프라인 전처리부(100)는 관절 운동을 하는 경우의 근전도 신호 및 관절 운동학 정보에 기초하여 디코딩 매트릭스, 즉, 다중 선형 모델의 관절 운동학 파라미터 추정기를 생성한다.
오프라인 전처리 과정을 통해 관절 운동학 파라미터 추정기를 생성하면, 이후의 온라인 처리 과정으로서 상기 온라인 관절 운동학 추정부(300)는 별도의 추가 작업 없이 오프라인 처리 과정에서 생성된 관절 운동학 파라미터 추정기와 측정된 근전도 신호만으로도 관절 운동학 정보를 지속적으로 추출할 수 있다.
구체적으로, 도 2를 참조하면, 상기 오프라인 전처리부(100)는 제1 측정부(110), 모델부(150) 및 가중치 계산부(170)를 포함할 수 있다. 또한, 상기 오프라인 전처리부(100)는 신호 처리부(130)를 더 포함할 수 있다.
상기 제1 측정부(110)는 관절 운동을 하는 경우의 근전도 신호 및 관절 운동학 정보를 동시에 측정한다. 예를 들어, 추출해 내고자 하는 관절을 움직이면서 모션캡쳐 센서를 사용하여 해당 관절 운동학 정보를 추출하고, 해당 관절의 운동과 관련된 근육에 부착된 근전도 센서로부터 근전도 신호를 동시에 측정할 수 있다. 상기 관절 운동학 정보는 관절각도, 위치, 각속도 중 적어도 하나를 포함할 수 있다.
상기 신호 처리부(130)는 잡음제거를 위해 상기 측정된 근전도 신호 및 관절 운동학 정보를 정류 또는 필터링한다. 일 실시예로서, 상기 신호 처리부(130)는 상기 근전도 신호의 포락선 검출을 위해 전파 정류(full-wave rectification)와 저역 통과 필터링(Low-Pass filtering) 과정을 추가적으로 수행하는 제1 신호 처리부(131) 및 상기 관절 운동학 정보를 저역 통과 필터링하는 제2 신호 처리부(133)를 포함할 수 있다.
도 3은 측정된 원시 근전도 신호들 및 이에 대응하는 각 근전도 신호의 포락선을 보여준다.
상기 모델부(150)는 상기 근전도 신호를 입력으로 설정하고, 각 운동 모드에서 기록된 관절 운동학 정보를 출력으로 설정한 다중 선형 모델(multiple linear model)을 구성한다. 이를 수식으로 설명하면 다음의 수학식 1과 같다.
[수학식 1]
Figure pat00001
수학식 1에서
Figure pat00002
는 하지 운동학 정보이다. 상세하게는
Figure pat00003
등의 시간열(time series) 신호이며 이는 신체 관절(고관절, 슬관절, 족관절, 수관절, 주관절, 견관절 등)의 위치, 각도, 각속도를 나타낸다.
Figure pat00004
과
Figure pat00005
은 각각 근전도 신호의 샘플 수(시간 지연)와 센서 수를 나타내며,
Figure pat00006
은 지연 시간
Figure pat00007
에서 센서
Figure pat00008
으로부터 측정된 근육 포락선 신호이다.
Figure pat00009
는 잔여 오차이고,
Figure pat00010
와
Figure pat00011
는 다중 선형 모델의 가중치를 나타낸다.
결국, 오프라인 전처리 과정에서 다중 선형 모델의 가중치인
Figure pat00012
와
Figure pat00013
를 구하게 되면 이후 온라인 실시간 관절 운동학 추출과정에서는 근전도 신호(
Figure pat00014
)만으로 관절 운동학 정보를 추정할 수 있게 된다.
상기 가중치 계산부(170)는 상기 다중 선형 모델의 모델 파라미터를 추출하기 위한 과정을 수행한다. 다중 선형 모델의 가중치인
Figure pat00015
와
Figure pat00016
를 구하는 방법으로 위너 필터(Wiener filter)를 사용할 수 있다. 위너 필터는 입력을 원하는 출력과 가능한 매우 근사하게 변환시켜주는 필터로서, 여기서 "가능한 매우 근사하게"의 의미는 필터 출력과 원하는 결과의 차의 제곱의 합이 최소가 된다는 의미로써 최소자승 필터라고도 한다. 이를 수식으로 설명하기 위해 수학식 1을 매트릭스 폼으로 변형하면 다음의 수학식 2와 같다.
[수학식 2]
Figure pat00017
수학식 2에서
Figure pat00018
는
Figure pat00019
와
Figure pat00020
로 구성된 모델 가중치 매트릭스이며, 이를 계산하기 위한 방법은 다음의 수학식 3과 같다.
[수학식 3]
Figure pat00021
=
Figure pat00022
위너 필터가 먼저 트레이닝된 후에는 새로운 근전도 신호를 위한 디코더로 지속적으로 사용될 수 있다. 본 실시예에서는 위너 필터를 사용하였지만 가중치 매트릭스를 구하기 위한 추정 기법으로는 칼만 필터 기반의 추정 알고리즘(Kalman filter, unscented Kalman filter) 등이 사용될 수 있으며, 필요에 따라 다른 종래 추정 기법을 적용할 수 있음은 물론이다.
오프라인 전처리 과정을 통해 관절 운동학 파라미터 추정기를 생성하면, 상기 온라인 관절 운동학 추정부(300)는 온라인 처리 과정으로서 관절 운동학 정보를 지속적으로 추출할 수 있다.
구체적으로, 도 2를 참조하면, 상기 온라인 관절 운동학 추정부(300)는 실시간으로 근전도 신호를 측정하는 제2 측정부(310) 및 상기 실시간으로 측정한 근전도 신호를, 상기 관절 운동학 파라미터 추정기에 적용하여 관절 운동학 정보를 추정하는 추정부(350)를 포함한다.
상기 온라인 관절 운동학 추정부(300)는 잡음제거를 위해 상기 측정된 근전도 신호를 정류 또는 필터링하는 제3 신호 처리부(330)를 포함할 수 있다. 예를 들어, 상기 제3 신호 처리부(330)는 상기 근전도 신호를 전파 정류(full-wave rectification)와 저역 통과 필터링(Low-Pass filtering)하는 과정을 추가적으로 수행할 수 있다.
본 발명에서는 표면 근전도(surface electromyography) 신호를 사용하여 사람의 관절 운동학 정보(관절각도, 위치, 각속도 등)를 생성하기 위한 방법을 제시한다. 구체적으로, 다중 선형 모델(multiple linear model)과 위너 필터(Wiener filter) 기반의 모델 파라미터(model parameter) 추출 기술을 통해 다중 채널 표면 근전도 신호 만으로 관절 운동학(joint kinematics) 정보를 추정할 수 있는 기술을 제시한다. 이에 따라, 추출된 관절 운동학 정보는 여러 운동 재활로봇 및 생활보조로봇에서 사용될 수 있는 관절 운동의도 정보로 활용될 수 있다.
도 4는 본 발명의 일 실시예에 따른 신체 관절 운동학 정보 추출 방법의 흐름도이다.
본 실시예에 따른 신체 관절 운동학 정보 추출 방법은, 도 1의 장치(10)와 실질적으로 동일한 구성에서 진행될 수 있다. 따라서, 도 1의 장치(10)와 동일한 구성요소는 동일한 도면부호를 부여하고, 반복되는 설명은 생략한다.
또는, 본 실시예에 따른 신체 관절 운동학 정보 추출 방법은 신체 관절 운동학 정보 추출을 위한 소프트웨어(애플리케이션)에 의해 실행될 수 있다.
도 4를 참조하면, 본 실시예에 따른 신체 관절 운동학 정보 추출 방법은, 관절 운동을 하는 경우의 근전도 신호 및 관절 운동학 정보에 기초하여 다중 선형 모델의 관절 운동학 파라미터 추정기를 생성한다(단계 S100).
다중 선형 모델의 관절 운동학 파라미터 추정기를 생성하는 단계(단계 S100)는, 관절 운동학 정보를 추정하기 이전의 오프라인 전처리 과정으로서, 관절 운동을 하는 경우의 근전도 신호 및 관절 운동학 정보에 기초하여 디코딩 매트릭스, 즉, 다중 선형 모델의 관절 운동학 파라미터 추정기를 생성하는 과정이다.
도 5를 참조하여, 다중 선형 모델의 관절 운동학 파라미터 추정기를 생성하는 단계(단계 S100)를 구체적으로 설명하면, 먼저 관절 운동을 하는 경우의 근전도 신호 및 관절 운동학 정보를 동시에 측정한다(단계 S110).
예를 들어, 추출해 내고자 하는 관절을 움직이면서 모션캡쳐 센서를 사용하여 해당 관절 운동학 정보를 추출하고, 해당 관절의 운동과 관련된 근육에 부착된 근전도 센서로부터 근전도 신호를 동시에 측정할 수 있다. 상기 관절 운동학 정보는 관절각도, 위치, 각속도 중 적어도 하나를 포함할 수 있다.
이후, 잡음제거를 위해 상기 측정된 근전도 신호 및 관절 운동학 정보를 정류 또는 필터링하는 단계를 더 포함할 수 있다(단계 S130). 일 실시예로서, 상기 근전도 신호를 도 3과 같은 포락선 검출을 위해 전파 정류(full-wave rectification)와 저역 통과 필터링(Low-Pass filtering) 과정을 추가적으로 수행할 수 있다. 또한, 상기 관절 운동학 정보를 저역 통과 필터링할 수 있다.
이어, 상기 근전도 신호를 입력으로 설정하고, 각 운동 모드에서 기록된 관절 운동학 정보를 출력으로 설정한 다중 선형 모델을 구성한다(단계 S150). 이를 수식으로 설명하면 상기 수학식 1 내지 수학식 3과 같다.
상기 다중 선형 모델이 구성되면, 상기 다중 선형 모델의 모델 파라미터를 추출하기 위한 과정을 수행한다(단계 S170). 이때, 다중 선형 모델의 가중치인
Figure pat00023
와
Figure pat00024
를 구하는 방법으로는 위너 필터(Wiener filter) 또는 칼만 필터(Kalman filter)를 사용할 수 있다.
오프라인 전처리 과정을 통해 관절 운동학 파라미터 추정기를 생성하면, 이후 온라인 처리 과정으로서 관절 운동학 정보를 지속적으로 추출할 수 있다.
구체적으로, 실시간으로 근전도 신호를 측정하여(단계 S310), 상기 오프라인 전처리 과정에서 생성된 관절 운동학 파라미터 추정기에 적용하여 관절 운동학 정보를 추정한다(단계 S350). 이때, 상기 잡음제거를 위해 상기 측정된 근전도 신호를 정류 또는 필터링하는 단계(단계 S330)를 더 포함할 수 있다.
최근, 뇌졸중 환자의 보행재활 여부는 뇌기능 회복과 밀접한 관련이 있다는 연구 보고가 있었다. 이후 뇌졸중 환자의 뇌 및 신경신호로부터 검출된 보행의도대로 동작시키는 재활치료 방법이 뇌기능 증진에 기여한다는 학설이 발표되었고, 보행재활로봇을 대상으로 이를 규명하기 위한 연구가 시작되었다. 보행의도로서 동작 시점, 동작 패턴, 동작 모드 등의 기준을 제시할 수 있는데 관절 운동학 정보는 이 중 동작 시점과 패턴 정보를 결정할 수 있는 중요한 수단이 될 수 있다. 관절 운동학 정보를 얻기 위해 기존의 모션 캡쳐 방법을 사용할 수 있으나, 이는 보행에 따른 결과이지 보행의도라 볼 수 없다.
따라서, 본 발명에서와 같이 근전도 신호를 통해 관절 운동학 정보를 얻을 수 있다면 최근 제기된 학설 기반의 재활 훈련이 가능한 로봇시스템을 구축할 수 있다. 이하에서는, 본 발명에 따라 추정된 근전도 신호의 정확도 및 효과를 검증한다.
도 6 및 도 7은 본 발명에 따라 추출한 관절 운동학 정보의 예를 보여주는 파형도이다.
본 발명의 성능을 검증하기 위해 도 6 및 도 7에 비장애인이 평지 보행을 할 때 표면 근전도에 본 발명에서 제안한 방법을 적용한 사례를 각각 첨부하였다. 도 6 및 도 7에서
Figure pat00025
축 단위는 sec이고
Figure pat00026
축 단위는 각도이다.
근전도 신호는 피험자가 자연스러운 속도로 보행 시, 2,000 Hz의 샘플링 속도로 하지 12곳(좌우 다리의 gluteus medius, rectus femoris, vastus medialis, hamstring, tibialis anterior, gastrocnemius)에서 측정하였다. 다중 선형 모델 구성을 위한 하지 각 관절의 운동학 정보는 측각기를 통해 좌우 다리의 고관절과 슬관절의 각도 값을 측정하여 사용하였다. 만약, 모션캡쳐 센서를 사용한다면 각 관절부의 절대 좌표, 각도 및 각속도까지 측정할 수 있다.
측정된 관절각도와 근전도 신호를 사용하여 디코딩 매트릭스, 즉 관절 운동학 파라미터(parameter) 추정기를 생성하였고, 생성된 추정기와 근전도 신호를 사용하여 관절각도를 추출하였다. 그 결과로서, 측정된 관절각도와 추출된 관절각도를 비교한 그래프는 도 6 및 도 7과 같다.
도 6 및 도 7은 각각 좌측 고관절, 좌측 슬관절, 우측 고관절, 우측 슬관절 각도로, 두꺼운 회색선은 측정된 관절각도이고 얇은 실선은 추출된 관절각도이다. 두꺼운 회색선과 얇은 실선이 매우 유사한 결과를 보여주므로, 관절 운동학 정보가 실제에 가깝게 추출되었음을 확인할 수 있다. 따라서, 본 발명에서 제안한 방법으로 근전도 신호 만으로 관절 운동학 정보를 추출할 수 있음을 검증하였다.
이와 같은, 다중 채널 표면 근전도에서의 신체 관절 운동학 정보 추출 방법은 애플리케이션으로 구현되거나 다양한 컴퓨터 구성요소를 통하여 수행될 수 있는 프로그램 명령어의 형태로 구현되어 컴퓨터 판독 가능한 기록 매체에 기록될 수 있다. 상기 컴퓨터 판독 가능한 기록 매체는 프로그램 명령어, 데이터 파일, 데이터 구조 등을 단독으로 또는 조합하여 포함할 수 있다.
상기 컴퓨터 판독 가능한 기록 매체에 기록되는 프로그램 명령어는 본 발명을 위하여 특별히 설계되고 구성된 것들이거니와 컴퓨터 소프트웨어 분야의 당업자에게 공지되어 사용 가능한 것일 수도 있다.
컴퓨터 판독 가능한 기록 매체의 예에는, 하드 디스크, 플로피 디스크 및 자기 테이프와 같은 자기 매체, CD-ROM, DVD와 같은 광기록 매체, 플롭티컬 디스크(floptical disk)와 같은 자기-광 매체(magneto-optical media), 및 ROM, RAM, 플래시 메모리 등과 같은 프로그램 명령어를 저장하고 수행하도록 특별히 구성된 하드웨어 장치가 포함된다.
프로그램 명령어의 예에는, 컴파일러에 의해 만들어지는 것과 같은 기계어 코드뿐만 아니라 인터프리터 등을 사용해서 컴퓨터에 의해서 실행될 수 있는 고급 언어 코드도 포함된다. 상기 하드웨어 장치는 본 발명에 따른 처리를 수행하기 위해 하나 이상의 소프트웨어 모듈로서 작동하도록 구성될 수 있으며, 그 역도 마찬가지이다.
이상에서는 실시예들을 참조하여 설명하였지만, 해당 기술 분야의 숙련된 당업자는 하기의 특허 청구의 범위에 기재된 본 발명의 사상 및 영역으로부터 벗어나지 않는 범위 내에서 본 발명을 다양하게 수정 및 변경시킬 수 있음을 이해할 수 있을 것이다.
본 발명은 좀 더 편리하고 장시간 안전하게 사람의 근전도를 이용하여 동작의도를 알아내는 방법이다. 최근 운동재활로봇 기술은 운동의도와 무관한 단순 반복 재활운동 치료인 bottom-up 방식에서, 환자가 본인의지를 반영할 수 있는 top-down 재활방식으로 패러다임이 변화되고 있으며, 이를 위해 Neural-Machine Interface 기술이 접목된다. 뇌/신경신호(뇌전도, 근전도 등) 기반 운동의도를 재활훈련에 적용함으로써 뇌졸중 편마비 환자의 뇌가소성을 촉진하여 상지 및 하지 운동 재활에 기여할 수 있다.
본 발명은 동작 의도반영이 가능한 상지 및 하지 재활로봇에 적용하여 근전도 기반 동작의도 검출기술을 구현하고, 이를 통해 top-down 방식으로 전환된 재활치료를 뇌졸중 환자에게 적용할 수 있다. 또한, 상지 및 하지 보조로봇 및 의수, 의족에 적용하여 근전도 기반 동작의도 검출기술을 구현하고 이를 통해 보조로봇 및 의수, 의족을 사용자 의도대로 움직일 수 있도록 할 수 있다. 따라서, 재활관련 바이오 인터페이스 분야에 폭넓게 적용될 수 있을 것으로 예상된다.
10: 신체 관절 운동학 정보 추출 장치 100: 오프라인 전처리부
110: 제1 측정부 130: 신호 처리부
131: 제1 신호 처리부 133: 제2 신호 처리부
150: 모델부 170: 가중치 계산부
300: 온라인 관절 운동학 추정부 310: 제2 측정부
330: 제3 신호 처리부 350: 추정부

Claims (16)

  1. 관절 운동을 하는 경우의 근전도 신호 및 관절 운동학 정보에 기초하여, 다중 선형 모델의 관절 운동학 파라미터 추정기를 생성하는 단계;
    실시간으로 근전도 신호를 측정하는 단계; 및
    상기 실시간으로 측정된 근전도 신호를 상기 관절 운동학 파라미터 추정기에 적용하여 관절 운동학 정보를 추정하는 단계를 포함하는, 신체 관절 운동학 정보 추출 방법.
  2. 제1항에 있어서, 상기 다중 선형 모델의 관절 운동학 파라미터 추정기를 생성하는 단계는,
    관절 운동을 하는 경우의 근전도 신호 및 관절 운동학 정보를 동시에 측정하는 단계;
    상기 근전도 신호를 입력으로 설정하고, 각 운동 모드에서 기록된 관절 운동학 정보를 출력으로 설정한 다중 선형 모델을 구성하는 단계; 및
    상기 다중 선형 모델의 가중치를 계산하는 단계를 포함하는, 신체 관절 운동학 정보 추출 방법.
  3. 제2항에 있어서, 상기 다중 선형 모델의 가중치를 계산하는 단계는,
    위너 필터(Wiener filter) 및 칼만 필더(Kalman filter) 중 하나를 이용하는, 신체 관절 운동학 정보 추출 방법.
  4. 제2항에 있어서, 상기 다중 선형 모델의 관절 운동학 파라미터 추정기를 생성하는 단계는,
    상기 근전도 신호 및 상기 관절 운동학 정보를 정류하거나 필터링하는 단계를 더 포함하는, 신체 관절 운동학 정보 추출 방법.
  5. 제1항에 있어서, 상기 관절 운동학 정보는,
    관절각도, 위치, 각속도 중 적어도 하나를 포함하는, 신체 관절 운동학 정보 추출 방법.
  6. 제1항에 있어서, 실시간으로 근전도 신호를 측정하는 단계는,
    상기 실시간으로 측정된 근전도 신호를 정류하거나 필터링하는 단계를 더 포함하는, 신체 관절 운동학 정보 추출 방법.
  7. 제1항 내지 제6항 중 어느 하나의 항에 따른 신체 관절 운동학 정보 추출 방법을 수행하기 위한, 컴퓨터 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체.
  8. 관절 운동을 하는 경우의 근전도 신호 및 관절 운동학 정보에 기초하여, 다중 선형 모델의 관절 운동학 파라미터 추정기를 생성하는 오프라인 전처리부; 및
    실시간으로 측정한 근전도 신호를, 상기 관절 운동학 파라미터 추정기에 적용하여 관절 운동학 정보를 추정하는 온라인 관절 운동학 추정부를 포함하는, 신체 관절 운동학 정보 추출 장치.
  9. 제8항에 있어서, 상기 오프라인 전처리부는,
    관절 운동을 하는 경우의 근전도 신호 및 관절 운동학 정보를 동시에 측정하는 제1 측정부;
    상기 근전도 신호를 입력으로 설정하고, 각 운동 모드에서 기록된 관절 운동학 정보를 출력으로 설정한 다중 선형 모델을 구성하는 모델부; 및
    상기 다중 선형 모델의 가중치를 계산하는 가중치 계산부를 포함하는, 신체 관절 운동학 정보 추출 장치.
  10. 제9항에 있어서, 상기 관절 운동학 정보는,
    관절을 움직이면서 모션캡쳐 센서를 사용하여 측정하는, 신체 관절 운동학 정보 추출 장치.
  11. 제10항에 있어서, 상기 근전도 신호는,
    상기 관절의 운동과 관련된 근육에 부착된 근전도 센서를 사용하여 측정하는, 신체 관절 운동학 정보 추출 장치.
  12. 제9항에 있어서, 상기 가중치 계산부는,
    위너 필터(Wiener filter) 및 칼만 필더(Kalman filter) 중 하나를 이용하여 가중치를 계산하는, 신체 관절 운동학 정보 추출 장치.
  13. 제9항에 있어서, 상기 오프라인 전처리부는,
    상기 근전도 신호를 정류 및 필터링하는 제1 신호 처리부; 및
    상기 관절 운동학 정보를 필터링하는 제2 신호 처리부를 포함하는, 신체 관절 운동학 정보 추출 장치.
  14. 제8항에 있어서, 상기 관절 운동학 정보는,
    관절각도, 위치, 각속도 중 적어도 하나를 포함하는, 신체 관절 운동학 정보 추출 장치.
  15. 제8항에 있어서, 상기 온라인 관절 운동학 추정부는,
    실시간으로 근전도 신호를 측정하는 제2 측정부; 및
    상기 실시간으로 측정한 근전도 신호를, 상기 관절 운동학 파라미터 추정기에 적용하여 관절 운동학 정보를 추정하는 추정부를 포함하는, 신체 관절 운동학 정보 추출 장치.
  16. 제15항에 있어서, 상기 온라인 관절 운동학 추정부는,
    상기 실시간으로 측정된 근전도 신호를 정류하거나 필터링하는 제3 신호 처리부를 더 포함하는, 신체 관절 운동학 정보 추출 장치.
KR1020140058380A 2014-05-15 2014-05-15 다중 채널 표면 근전도에서의 신체 관절 운동학 정보 추출 방법, 이를 수행하기 위한 기록 매체 및 장치 KR101666399B1 (ko)

Priority Applications (2)

Application Number Priority Date Filing Date Title
KR1020140058380A KR101666399B1 (ko) 2014-05-15 2014-05-15 다중 채널 표면 근전도에서의 신체 관절 운동학 정보 추출 방법, 이를 수행하기 위한 기록 매체 및 장치
US14/331,825 US20150332013A1 (en) 2014-05-15 2014-07-15 Human joint kinematics information extraction method from multi-channel surface electromyogram signals, recording medium and device for performing the method

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020140058380A KR101666399B1 (ko) 2014-05-15 2014-05-15 다중 채널 표면 근전도에서의 신체 관절 운동학 정보 추출 방법, 이를 수행하기 위한 기록 매체 및 장치

Publications (2)

Publication Number Publication Date
KR20150131554A true KR20150131554A (ko) 2015-11-25
KR101666399B1 KR101666399B1 (ko) 2016-10-14

Family

ID=54538732

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020140058380A KR101666399B1 (ko) 2014-05-15 2014-05-15 다중 채널 표면 근전도에서의 신체 관절 운동학 정보 추출 방법, 이를 수행하기 위한 기록 매체 및 장치

Country Status (2)

Country Link
US (1) US20150332013A1 (ko)
KR (1) KR101666399B1 (ko)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210055189A (ko) 2019-11-07 2021-05-17 경희대학교 산학협력단 다채널 근전도 신호를 이용한 관절 토크 측정 시스템 및 그 방법

Families Citing this family (36)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10042422B2 (en) 2013-11-12 2018-08-07 Thalmic Labs Inc. Systems, articles, and methods for capacitive electromyography sensors
US11921471B2 (en) 2013-08-16 2024-03-05 Meta Platforms Technologies, Llc Systems, articles, and methods for wearable devices having secondary power sources in links of a band for providing secondary power in addition to a primary power source
US20150124566A1 (en) 2013-10-04 2015-05-07 Thalmic Labs Inc. Systems, articles and methods for wearable electronic devices employing contact sensors
WO2015081113A1 (en) 2013-11-27 2015-06-04 Cezar Morun Systems, articles, and methods for electromyography sensors
US11337652B2 (en) 2016-07-25 2022-05-24 Facebook Technologies, Llc System and method for measuring the movements of articulated rigid bodies
EP3487395A4 (en) * 2016-07-25 2020-03-04 CTRL-Labs Corporation METHODS AND APPARATUS FOR PREDICTING MUSCULOSKELETAL POSITION INFORMATION USING PORTABLE SELF-CONTAINED SENSORS
WO2020112986A1 (en) 2018-11-27 2020-06-04 Facebook Technologies, Inc. Methods and apparatus for autocalibration of a wearable electrode sensor system
US11216069B2 (en) 2018-05-08 2022-01-04 Facebook Technologies, Llc Systems and methods for improved speech recognition using neuromuscular information
US11635736B2 (en) 2017-10-19 2023-04-25 Meta Platforms Technologies, Llc Systems and methods for identifying biological structures associated with neuromuscular source signals
CN110337269B (zh) * 2016-07-25 2021-09-21 脸谱科技有限责任公司 基于神经肌肉信号推断用户意图的方法和装置
KR102700682B1 (ko) 2016-09-19 2024-08-30 삼성전자주식회사 근육의 특성에 대한 파라미터 식별 방법, 이를 이용한 보행 보조 방법, 및 이를 수행하는 장치들
US11907423B2 (en) 2019-11-25 2024-02-20 Meta Platforms Technologies, Llc Systems and methods for contextualized interactions with an environment
US11481030B2 (en) 2019-03-29 2022-10-25 Meta Platforms Technologies, Llc Methods and apparatus for gesture detection and classification
US10970936B2 (en) 2018-10-05 2021-04-06 Facebook Technologies, Llc Use of neuromuscular signals to provide enhanced interactions with physical objects in an augmented reality environment
CN112074870A (zh) 2018-01-25 2020-12-11 脸谱科技有限责任公司 重构的手部状态信息的可视化
US11961494B1 (en) 2019-03-29 2024-04-16 Meta Platforms Technologies, Llc Electromagnetic interference reduction in extended reality environments
US10937414B2 (en) 2018-05-08 2021-03-02 Facebook Technologies, Llc Systems and methods for text input using neuromuscular information
US11150730B1 (en) 2019-04-30 2021-10-19 Facebook Technologies, Llc Devices, systems, and methods for controlling computing devices via neuromuscular signals of users
US11493993B2 (en) 2019-09-04 2022-11-08 Meta Platforms Technologies, Llc Systems, methods, and interfaces for performing inputs based on neuromuscular control
US10592001B2 (en) 2018-05-08 2020-03-17 Facebook Technologies, Llc Systems and methods for improved speech recognition using neuromuscular information
WO2019231911A1 (en) 2018-05-29 2019-12-05 Ctrl-Labs Corporation Shielding techniques for noise reduction in surface electromyography signal measurement and related systems and methods
WO2019241701A1 (en) 2018-06-14 2019-12-19 Ctrl-Labs Corporation User identification and authentication with neuromuscular signatures
US11045137B2 (en) 2018-07-19 2021-06-29 Facebook Technologies, Llc Methods and apparatus for improved signal robustness for a wearable neuromuscular recording device
WO2020036958A1 (en) 2018-08-13 2020-02-20 Ctrl-Labs Corporation Real-time spike detection and identification
EP4241661A1 (en) 2018-08-31 2023-09-13 Facebook Technologies, LLC Camera-guided interpretation of neuromuscular signals
WO2020061451A1 (en) 2018-09-20 2020-03-26 Ctrl-Labs Corporation Neuromuscular text entry, writing and drawing in augmented reality systems
CN112771478A (zh) 2018-09-26 2021-05-07 脸谱科技有限责任公司 对环境中的物理对象的神经肌肉控制
CN109634419B (zh) * 2018-12-14 2021-12-03 上海迦立信息科技有限公司 康复机器人运动意图识别方法及其计算机可读存储介质
US10905383B2 (en) 2019-02-28 2021-02-02 Facebook Technologies, Llc Methods and apparatus for unsupervised one-shot machine learning for classification of human gestures and estimation of applied forces
EP3935581A4 (en) 2019-03-04 2022-11-30 Iocurrents, Inc. DATA COMPRESSION AND COMMUNICATION USING MACHINE LEARNING
CN110653817B (zh) * 2019-08-20 2022-04-15 南京航空航天大学 一种基于神经网络的外骨骼机器人助力控制系统与方法
US12089953B1 (en) 2019-12-04 2024-09-17 Meta Platforms Technologies, Llc Systems and methods for utilizing intrinsic current noise to measure interface impedances
CN111258426B (zh) * 2020-01-17 2023-03-21 杭州电子科技大学 基于肌电肌音模型和无迹粒子滤波的关节运动估计方法
US11868531B1 (en) 2021-04-08 2024-01-09 Meta Platforms Technologies, Llc Wearable device providing for thumb-to-finger-based input gestures detected based on neuromuscular signals, and systems and methods of use thereof
CN114089757B (zh) * 2021-11-17 2024-02-02 北京石油化工学院 一种上下肢协调主动康复机器人控制方法及装置
KR20240115116A (ko) 2023-01-18 2024-07-25 한국기계연구원 고전도성 근전도용 전극의 제조방법 및 이를 통해 제조된 전극을 포함하는 근전도 센싱장치

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2644168B2 (ja) 1993-07-14 1997-08-25 住友ゴム工業株式会社 タイヤ成形機用フォーマ
KR20120134076A (ko) * 2011-05-31 2012-12-11 주식회사 네오펙트 손가락 재활 운동 장치의 능동 보조 제어 방법 및 장치

Family Cites Families (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2012141714A1 (en) * 2011-04-15 2012-10-18 Johns Hopkins University Multi-modal neural interfacing for prosthetic devices
US9221177B2 (en) * 2012-04-18 2015-12-29 Massachusetts Institute Of Technology Neuromuscular model-based sensing and control paradigm for a robotic leg
US9717440B2 (en) * 2013-05-03 2017-08-01 The Florida International University Board Of Trustees Systems and methods for decoding intended motor commands from recorded neural signals for the control of external devices or to interact in virtual environments

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2644168B2 (ja) 1993-07-14 1997-08-25 住友ゴム工業株式会社 タイヤ成形機用フォーマ
KR20120134076A (ko) * 2011-05-31 2012-12-11 주식회사 네오펙트 손가락 재활 운동 장치의 능동 보조 제어 방법 및 장치

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
A. Presacco, et al., "Decoding intra-limb and inter-limb kinematics during treadmill walking from scalp EEG signals," IEEE Trans. Neural Syst. Rehab. Eng., 20(2), 2012.
Atilla Kilicarslan 외 3명, "High Accuracy Decoding of User Intentions Using EEG to Control a Lower-Body Exoskeleton", Conf Proc IEEE Eng Med Biol Soc., 2013 July, pp.5606-5609* *
N. A. Fitzsimmons, et al., "Extracting kinematics parameters for monkey bipedal walking from cortical neuronal ensemble activity," Frontiers in Integrative Neuroscience, 3(3), 2009.
차경호 외 2명, ‘근전도 신호를 이용한 무릎 착용 로봇시스템’, 제어,로봇,시스템학회 논문지 제15권, 제3호, 2009.3, pp.286-292* *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20210055189A (ko) 2019-11-07 2021-05-17 경희대학교 산학협력단 다채널 근전도 신호를 이용한 관절 토크 측정 시스템 및 그 방법

Also Published As

Publication number Publication date
KR101666399B1 (ko) 2016-10-14
US20150332013A1 (en) 2015-11-19

Similar Documents

Publication Publication Date Title
KR101666399B1 (ko) 다중 채널 표면 근전도에서의 신체 관절 운동학 정보 추출 방법, 이를 수행하기 위한 기록 매체 및 장치
Tang et al. Impact of load variation on joint angle estimation from surface EMG signals
Chowdhury et al. EEG-EMG based hybrid brain computer interface for triggering hand exoskeleton for neuro-rehabilitation
Chen et al. Cross-comparison of EMG-to-force methods for multi-DoF finger force prediction using one-DoF training
JP5252432B2 (ja) 指関節角度推定装置
Zhang et al. A dual-modal approach using electromyography and sonomyography improves prediction of dynamic ankle movement: A case study
Gradolewski et al. Arm EMG wavelet-based denoising system
Mangukiya et al. Electromyography (EMG) sensor controlled assistive orthotic robotic arm for forearm movement
Serpelloni et al. Preliminary study of a robotic rehabilitation system driven by EMG for hand mirroring
Li et al. Wireless sEMG-based identification in a virtual reality environment
Benatti et al. Towards EMG control interface for smart garments
Scano et al. Robotic assistance for upper limbs may induce slight changes in motor modules compared with free movements in stroke survivors: a cluster-based muscle synergy analysis
CN114298089A (zh) 一种多模态力量训练辅助方法和系统
Jeong et al. Single-trial analysis of readiness potentials for lower limb exoskeleton control
Pauk 419. Different techniques for EMG signal processing.
Pang et al. A surface EMG signals-based real-time continuous recognition for the upper limb multi-motion
Wong et al. Utilizing movement synergies to improve decoding performance for a brain machine interface
Veer A flexible approach for segregating physiological signals
Zhang et al. Single-Channel sEMG-Based Estimation of Knee Joint Angle Using a Decomposition Algorithm With a State-Space Model
Sun et al. A fault-tolerant algorithm to enhance generalization of EMG-based pattern recognition for lower limb movement
Planelles et al. First steps in the development of an EEG-based system to detect intention of gait initiation
Chai et al. Identification of gait-related brain activity using electroencephalographic signals
Mironov et al. Myoelectric control system of lower limb exoskeleton for re-training motion deficiencies
Cai et al. Associating Endpoint Accuracy and Similarity of Muscle Synergies.
Ling et al. An Efficient Method for Identifying Lower Limb Behavior Intentions Based on Surface Electromyography.

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
AMND Amendment
E601 Decision to refuse application
AMND Amendment
X701 Decision to grant (after re-examination)
GRNT Written decision to grant
FPAY Annual fee payment

Payment date: 20190925

Year of fee payment: 4