KR20210055361A - 표면 근전도 신호의 잡음 채널 검출 방법 - Google Patents

Abstract

본 발명은 표면 근전도 신호의 잡음 채널 검출 방법에 관한 것으로, 표면 근전도 신호를 센싱하는 단계와, 상기 센싱된 표면 근전도 신호에 대해 복잡도 계수 및 허스트 지수를 반영한 MFCC(mel frequency cepstral coefficients)를 이용하여 특징점을 추출하는 단계와, 상기 추출된 특징점을 SVM(support vector machine)에 적용하여 잡음 채널을 판별하는 단계를 포함함으로써, 표면 근전도 신호의 잡음 채널을 효과적으로 검출하여 표면 근전도 신호의 유용성을 확보할 수 있다.

Description

표면 근전도 신호의 잡음 채널 검출 방법{METHOD FOR DETECTING NOISE CHANNELS OF SURFACE EMG SIGNALS}

본 발명은 복잡도 계수 및 허스트 지수를 반영한 MFCC(mel frequency cepstral coefficients)를 이용하여 표면 근전도 신호의 특징점을 추출하고, 추출된 특징점을 SVM(support vector machine)에 적용하여 잡음 채널을 판별함으로써, 표면 근전도 신호의 잡음 채널을 효과적으로 검출하여 표면 근전도 신호의 유용성을 확보할 수 있는 표면 근전도 신호의 잡음 채널 검출 방법에 관한 것이다.

잘 알려진 바와 같이, 표면 근전도(surface EMG : surface electromyogram)는 피부 표면에 전극을 부착하여 비침습적이고 통증이 없는 방식으로 생체신호를 획득할 수 있으며, 최근 표면 근전도 신호를 이용한 연구는 스포츠 과학, 보철 제어, 재활 치료 등에서 활발하게 진행되고 있다.

예를 들면, 스포츠 과학 분야에서는 근육의 운동 시 발생하는 근전도 신호를 측정하여 정량적인 분석을 통한 기능적 이상 여부의 진단을 할 수 있으며, 보철 제어 분야에서는 팔다리의 기능을 상실한 사람들을 위해 보조 의수를 조절할 수 있는 등 표면 근전도의 대표적인 응용분야로서 주목받고 있다.

한편, 다중채널 또는 고밀도의 표면 근전도 신호에는 서로 다른 채널에서 저레벨 또는 고레벨의 잡음이 존재하는데, 잡음의 강도가 낮을 경우 무시해도 되지만, 높은 강도의 잡음이 있을 경우 근전도를 포함하는 모든 심리적 신호의 유용성을 저하시키는 요인으로 작용할 수 있다.

상술한 바와 같은 표면 근전도 신호의 유용성을 확보하기 위해 표면 근전도 신호에서 다중채널 중 고레벨 또는 저레벨의 잡음이 발생하는 불량 채널의 검출 기법에 대한 다양한 연구가 수행되고 있는 실정이다.

1. 한국등록특허 제10-0554464호(2006.02.16.등록) 2. 한국등록특허 제10-1689769호(2016.12.20.등록)

본 발명은 복잡도 계수 및 허스트 지수를 반영한 MFCC(mel frequency cepstral coefficients)를 이용하여 표면 근전도 신호의 특징점을 추출하고, 추출된 특징점을 SVM(support vector machine)에 적용하여 잡음 채널을 판별함으로써, 표면 근전도 신호의 잡음 채널을 효과적으로 검출하여 표면 근전도 신호의 유용성을 확보할 수 있는 표면 근전도 신호의 잡음 채널 검출 방법을 제공하고자 한다.

그리고, 본 발명은 MFCC의 필터 뱅크와 주파수 리미터가 표면 근전도 신호로 설정되도록 조절되고, 복잡도 계수가 표면 근전도 신호의 이동계수에 대한 표면 근전도 신호의 이동계수의 미분의 비로 정의되며, 허스트 지수가 자기 유사성 색인으로 참조되어 큰 값이 상대적으로 더 강한 자기 유사성을 나타내도록 함으로써, 표면 근전도 신호의 특징점들을 효과적으로 추출할 수 있는 표면 근전도 신호의 잡음 채널 검출 방법을 제공하고자 한다.

또한, 본 발명은 추출된 특징점을 데이터세트로 제공받아 SVM을 통해 두 분류의 클래스로 분류하여 잡음 채널을 판별함으로써, 실시간 처리가 가능할 뿐만 아니라 높은 검출 정확도를 제공할 수 있는 표면 근전도 신호의 잡음 채널 검출 방법을 제공하고자 한다.

본 발명의 실시예들의 목적은 이상에서 언급한 목적으로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 명확하게 이해될 수 있을 것이다.

본 발명의 실시예에 따르면, 표면 근전도 신호를 센싱하는 단계와, 상기 센싱된 표면 근전도 신호에 대해 복잡도 계수 및 허스트 지수를 반영한 MFCC(mel frequency cepstral coefficients)를 이용하여 특징점을 추출하는 단계와, 상기 추출된 특징점을 SVM(support vector machine)에 적용하여 잡음 채널을 판별하는 단계를 포함하는 표면 근전도 신호의 잡음 채널 검출 방법이 제공될 수 있다.

또한, 본 발명의 실시예에 따르면, 상기 특징점을 추출하는 단계는, 상기 MFCC의 필터 뱅크와 주파수 리미터가 상기 표면 근전도 신호로 설정되도록 조절되는 표면 근전도 신호의 잡음 채널 검출 방법이 제공될 수 있다.

또한, 본 발명의 실시예에 따르면, 상기 특징점을 추출하는 단계는, 상기 복잡도 계수가 상기 표면 근전도 신호의 이동계수에 대한 상기 표면 근전도 신호의 이동계수의 미분의 비로 정의되는 표면 근전도 신호의 잡음 채널 검출 방법이 제공될 수 있다.

또한, 본 발명의 실시예에 따르면, 상기 특징점을 추출하는 단계는, 상기 허스트 지수가 자기 유사성 색인으로 참조되어 큰 값이 상대적으로 더 강한 자기 유사성을 나타내도록 하는 표면 근전도 신호의 잡음 채널 검출 방법이 제공될 수 있다.

또한, 본 발명의 실시예에 따르면, 상기 잡음 채널을 판별하는 단계는, 상기 특징점을 데이터세트로 제공받아 상기 SVM을 통해 두 분류의 클래스로 분류하여 상기 잡음 채널을 판별하는 표면 근전도 신호의 잡음 채널 검출 방법이 제공될 수 있다.

본 발명은 복잡도 계수 및 허스트 지수를 반영한 MFCC를 이용하여 표면 근전도 신호의 특징점을 추출하고, 추출된 특징점을 SVM에 적용하여 잡음 채널을 판별함으로써, 표면 근전도 신호의 잡음 채널을 효과적으로 검출하여 표면 근전도 신호의 유용성을 확보할 수 있다.

그리고, 본 발명은 MFCC의 필터 뱅크와 주파수 리미터가 표면 근전도 신호로 설정되도록 조절되고, 복잡도 계수가 표면 근전도 신호의 이동계수에 대한 표면 근전도 신호의 이동계수의 미분의 비로 정의되며, 허스트 지수가 자기 유사성 색인으로 참조되어 큰 값이 상대적으로 더 강한 자기 유사성을 나타내도록 함으로써, 표면 근전도 신호의 특징점들을 효과적으로 추출할 수 있다.

또한, 본 발명은 추출된 특징점을 데이터세트로 제공받아 SVM을 통해 두 분류의 클래스로 분류하여 잡음 채널을 판별함으로써, 실시간 처리가 가능할 뿐만 아니라 높은 검출 정확도를 제공할 수 있다.

도 1은 본 발명의 실시예에 따라 표면 근전도 신호의 잡음 채널을 검출하는 과정을 나타낸 플로우차트이고,
도 2는 본 발명의 실시예에 따른 표면 근전도 신호의 잡음 채널 검출 방법이 적용된 장치의 블록구성도이며,
도 3 내지 도 5는 본 발명의 실시예에 따른 표면 근전도 신호의 잡음 채널을 검출하는 것을 설명하기 위한 도면이다.

본 발명의 실시예들에 대한 이점 및 특징, 그리고 그것들을 달성하는 방법은 첨부되는 도면과 함께 상세하게 후술되어 있는 실시예들을 참조하면 명확해질 것이다. 그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라 서로 다른 다양한 형태로 구현될 수 있으며, 단지 본 실시예들은 본 발명의 개시가 완전하도록 하고, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이며, 본 발명은 청구항의 범주에 의해 정의될 뿐이다. 명세서 전체에 걸쳐 동일 참조 부호는 동일 구성 요소를 지칭한다.

본 발명의 실시예들을 설명함에 있어서 공지 기능 또는 구성에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우에는 그 상세한 설명을 생략할 것이다. 그리고 후술되는 용어들은 본 발명의 실시예에서의 기능을 고려하여 정의된 용어들로서 이는 사용자, 운용자의 의도 또는 관례 등에 따라 달라질 수 있다. 그러므로 그 정의는 본 명세서 전반에 걸친 내용을 토대로 내려져야 할 것이다.

이하, 첨부된 도면을 참조하여 본 발명의 실시예를 상세히 설명하기로 한다.

도 1은 본 발명의 실시예에 따라 표면 근전도 신호의 잡음 채널을 검출하는 과정을 나타낸 플로우차트이고, 도 2는 본 발명의 실시예에 따른 표면 근전도 신호의 잡음 채널 검출 방법이 적용된 장치의 블록구성도이며, 도 3 내지 도 5는 본 발명의 실시예에 따른 표면 근전도 신호의 잡음 채널을 검출하는 것을 설명하기 위한 도면이다.

도 1 내지 도 5를 참조하면, 신호 센싱부(110)에서는 표면 근전도 신호를 센싱할 수 있다(단계110)

예를 들면, 표면 근전도 신호는 3mm 두께의 팻레이어(fat layer), 1mm 두께의 스킨레이어(skin layer), 105개의 운동단위(MU : motor units)를 갖는 가상 근육을 기반으로 생성된 시뮬레이션 신호로 구성될 수 있으며, 각각은 균일한 50-200 분포를 갖는 임의의 수의 근육 섬유로 구성될 수 있다.

또한, 운동단위의 섬유는 근육 전체에 균일하고 무작위로 분포된 원형 운동단위(MU) 영역에 무작위로 흩어져 있고, 각각의 표면 근전도 신호는 전극 간 거리가 5mm인 전극 배열로 구성된 감지 시스템을 통해 2048샘플/초로 샘플링된 16채널 단일 차동 근전도 신호로서 도 3에 도시한 바와 같이 나타낼 수 있다.

그리고, 특징점 추출부(20)에서는 신호 센싱부(110)를 통해 센싱된 표면 근전도 신호를 전달받아 이 표면 근전도 신호에 대해 복잡도 계수 및 허스트 지수를 반영한 MFCC(mel frequency cepstral coefficients)를 이용하여 특징점을 추출할 수 있다(단계120).

여기에서, MFCC의 필터 뱅크와 주파수 리미터가 표면 근전도 신호로 설정되도록 조절되고, 복잡도 계수가 표면 근전도 신호의 이동계수에 대한 표면 근전도 신호의 이동계수의 미분의 비로 정의되며, 허스트 지수가 자기 유사성 색인으로 참조되어 큰 값이 상대적으로 더 강한 자기 유사성을 나타내도록 함으로써, 표면 근전도 신호의 특징점들을 효과적으로 추출할 수 있다.

예를 들면, MFCC는 오디오 신호에서 추출할 수 있는 특징점(feature)으로, 소리의 고유한 특징을 나타내는 수치이며, 주로 음성 인식, 화자 인식, 음성 합성, 음악 장르 분석 등 오디오 도메인 문제를 해결하는데 사용될 수 있다.

구체적으로 설명하면, MFCC는 멜 스펙트럼(mel spectrum)에서 켑스트럴(cepstral) 분석을 통해 추출된 값이라고 할 수 있는데, 오디오 신호를 프레임별(대략 20ms-40ms)로 나누어 고속푸리에변환(FFT)를 적용하여 스펙트럼(spectrum)을 구하고, 스펙트럼에 멜 필터 뱅크(mel filter bank)를 적용하여 멜 스펙트럼을 구하며, 멜 스펙트럼에 켑스트럴 분석을 적용하여 MFCC를 구할 수 있다.

본 발명에서는 필터 뱅크와 주파수 제한기를 근전도 신호의 필터 뱅크와 주파수 제한기로 조정하기 위해 MFCC를 수정하였는데, 이를 통해 필터 뱅크는 깨끗하고 시끄러운 채널의 주파수에 적응할 수 있기 때문에 채널을 구별할 수 있고, 획득된 켑스트럴 계수의 대각 공분산은 계산량을 줄이는데 계산되어질 수 있을 뿐만 아니라 특징세트의 정확도를 높이는데 사용될 수 있다.

그리고, 복잡도 계수(CC : complexity coefficient)는 근전도 신호의 이동계수에 대한 근전도 신호의 이동계수의 미분비율로 정의되는데, 다음의 수학식 1과 같이 정의될 수 있다.

이러한 복잡도 계수(CC)는 분산에 기초한 계산으로 인해 웨이블릿 변환에 비해 계산 능력이 떨어지기 때문에 실시간 태스킹에 사용될 수 있고, 백색가우시안잡음(WGN : white Gaussian noise)에 대한 복잡도 계수(CC)를 분석한 결과 백색가우시안잡음(WGN)에 대한

과 무관하다는 것을 알 수 있다.

또한, 허스트 지수(H : hurst exponent)는 시계열의 장거리 의존성을 조사하고 측정하는데 사용되는데, 시계열에서 확대 및 축소하는 동안 확률적 프로세스에서 동일한 범위의 값으로 인해 자기 유사성 지수라고 할 수 있고, 프랙탈 인덱스(fractal index)와 유사하며, 큰 값은 더 강한 자기 유사성을 나타낼 수 있다.

다음에, 잡음 채널 판별부(30)에서는 특징점 추출부(20)에서 추출된 특징점을 데이터세트로 제공받아 SVM(support vector machine)에 적용하여 잡음 채널을 판별할 수 있다(단계130).

여기에서, 잡음 채널 판별부(30)에서는 표면 근전도 신호의 특징점을 데이터세트로 제공받아 SVM을 통해 두 분류의 클래스로 분류하여 잡음 채널을 판별할 수 있다.

예를 들면, SVM은 소프트마진(soft margine)을 사용하여 약간의 오류를 허용하면서 관찰값을 분류하는 서포트벡터분류기(SVC : support vector classifier)를 확장하여 비선형 클래스의 경계를 수용하는 분류 방법으로, 선형분류기를 비선형 구조로 변경하여 관측값을 분류할 수 있다.

본 발명에서는 패턴 인식, 이미지 처리, 데이터 마이닝 등과 같은 실시간 애플리케이션에서의 성능으로 인해 SVM을 사용할 수 있는데, 특징점 공간에서 하이퍼플레인(hyperplane)이라는 구분 기호를 사용하여 이진 클래스 데이터를 분리하고 구분할 수 있고, 초평면으로부터 특징점의 거리가 멀수록 분류가 더 정확해질 수 있다.

또한, 광범위한 비선형 데이터의 경우 하이퍼 플레인은 하이퍼 플레인의 커널 함수 역할을 하는 라그랑지안(Lagrangian) 다항식을 사용하여 수정할 수 있는데, 이를 통해 클래스가 2보다 큰 데이터에 복수 개의 하이퍼 플레인을 도입할 수 있어 오분류율을 현저하게 감소시킬 수 있다.

상술한 바와 같은 본 발명의 실시예에 따라 시뮬레이션을 수행하였는데, 320개의 채널에서 총 100개의 채널이 무작위로 선택되고, 다양한 신호대잡음비(SNR : signal to noise ratio)를 갖는 PLI(power line interference), 기준선 드리프트, 전극 이동, 화이트 노이즈, 컬러 노이즈 등과 같은 랜덤 아티팩트(random artifacts)의 영향을 받으며, MFCC, 복잡도 계수 및 허스트 지수를 포함한 매개변수는 모든 320개 채널에 대해 계산되고, 매개변수는 320*127 크기의 데이터세트 형식으로 배열된다. 여기에서, 320은 무작위로 배열된(깨끗하고 시끄러운) 채널의 총 수를 나타내고, 127은 각 채널에 대해 추출된 특징점을 나타낸다(수정된 mMFCC에서 대각선 공분산 켑스트럴 계수 124개와 복잡도 계수, 허스트 지수 및 RMS 값에서 나머지 3개).

그리고, SVM은 320개의 시뮬레이션된 SD 근전도 신호에서 추출된 데이터셋트를 제공하는 주요 분류기로 사용될 수 있는데, σ=4 alc 2의 교차 검증을 갖는 2차 커널 함수를 사용하여 SVM 분류기를 훈련시킬 수 있고, 클린 채널과 노이즈가 있는 채널을 각각 참조하여 총 2개의 클래스가 “Good”와 “Bad”로 정의될 수 있다.

그 결과, 데이터셋트에 대해 99.4%의 훈련 정확도를 달성할 수 있었고, 시뮬레이션 모델의 분산 매트릭스와 혼동 매트릭스는 각각 도 4 및 도 5에 도시한 바와 같이 나타나는 것을 확인할 수 있다. 여기에서, 도 4는 두 클래스에 대한 시뮬레이션된 근전도 신호의 산점도를 나타내고 있고, 도 5는 분류기에 의한 실제 및 예측 클래스를 보여주는 시뮬레이션된 근전도 신호의 혼동 매트릭스를 나타내고 있다.

상술한 바와 같이 SVM이 전체적으로 최상의 결과를 제공함을 알 수 있었는데, 이는 알고리즘을 사용하여 추출한 기능이 매우 잘 배치되어 쉽게 식별할 수 있기 때문이며, SVM은 훈련하는데 최소 시간이 소요되기 때문에 매우 높은 정확도를 제공할 수 있고, 초당 최대 관찰 횟수를 제공할 수 있어 본 발명에서의 방법이 실시간 상황에서 사용하기에 매우 적합한 것을 확인할 수 있다.

따라서, 본 발명은 복잡도 계수 및 허스트 지수를 반영한 MFCC를 이용하여 표면 근전도 신호의 특징점을 추출하고, 추출된 특징점을 SVM에 적용하여 잡음 채널을 판별함으로써, 표면 근전도 신호의 잡음 채널을 효과적으로 검출하여 표면 근전도 신호의 유용성을 확보할 수 있다.

그리고, 본 발명은 MFCC의 필터 뱅크와 주파수 리미터가 표면 근전도 신호로 설정되도록 조절되고, 복잡도 계수가 표면 근전도 신호의 이동계수에 대한 표면 근전도 신호의 이동계수의 미분의 비로 정의되며, 허스트 지수가 자기 유사성 색인으로 참조되어 큰 값이 상대적으로 더 강한 자기 유사성을 나타내도록 함으로써, 표면 근전도 신호의 특징점들을 효과적으로 추출할 수 있다.

또한, 본 발명은 추출된 특징점을 데이터세트로 제공받아 SVM을 통해 두 분류의 클래스로 분류하여 잡음 채널을 판별함으로써, 실시간 처리가 가능할 뿐만 아니라 높은 검출 정확도를 제공할 수 있다.

이상의 설명에서는 본 발명의 다양한 실시예들을 제시하여 설명하였으나 본 발명이 반드시 이에 한정되는 것은 아니며, 본 발명이 속하는 기술분야에서 통상의 지식을 가진 자라면 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 여러 가지 치환, 변형 및 변경이 가능함을 쉽게 알 수 있을 것이다.

10 : 신호 센싱부
20 : 특징점 추출부
30 : 잡음 채널 판별부

Claims (5)

1. 표면 근전도 신호를 센싱하는 단계와,
   상기 센싱된 표면 근전도 신호에 대해 복잡도 계수 및 허스트 지수를 반영한 MFCC(mel frequency cepstral coefficients)를 이용하여 특징점을 추출하는 단계와,
   상기 추출된 특징점을 SVM(support vector machine)에 적용하여 잡음 채널을 판별하는 단계
   를 포함하는 표면 근전도 신호의 잡음 채널 검출 방법.
   
2. 제 1 항에 있어서,
   상기 특징점을 추출하는 단계는, 상기 MFCC의 필터 뱅크와 주파수 리미터가 상기 표면 근전도 신호로 설정되도록 조절되는 표면 근전도 신호의 잡음 채널 검출 방법.
   
3. 제 2 항에 있어서,
   상기 특징점을 추출하는 단계는, 상기 복잡도 계수가 상기 표면 근전도 신호의 이동계수에 대한 상기 표면 근전도 신호의 이동계수의 미분의 비로 정의되는 표면 근전도 신호의 잡음 채널 검출 방법.
   
4. 제 3 항에 있어서,
   상기 특징점을 추출하는 단계는, 상기 허스트 지수가 자기 유사성 색인으로 참조되어 큰 값이 상대적으로 더 강한 자기 유사성을 나타내도록 하는 표면 근전도 신호의 잡음 채널 검출 방법.
   
5. 제 4 항에 있어서,
   상기 잡음 채널을 판별하는 단계는, 상기 특징점을 데이터세트로 제공받아 상기 SVM을 통해 두 분류의 클래스로 분류하여 상기 잡음 채널을 판별하는 표면 근전도 신호의 잡음 채널 검출 방법.

Images