KR20240107776A - 근육의 sEMG 신호를 기반으로 근육량을 추정하는 방법과 이의 연산 장치 - Google Patents

근육의 sEMG 신호를 기반으로 근육량을 추정하는 방법과 이의 연산 장치 Download PDF

Info

Publication number
KR20240107776A
KR20240107776A KR1020220190737A KR20220190737A KR20240107776A KR 20240107776 A KR20240107776 A KR 20240107776A KR 1020220190737 A KR1020220190737 A KR 1020220190737A KR 20220190737 A KR20220190737 A KR 20220190737A KR 20240107776 A KR20240107776 A KR 20240107776A
Authority
KR
South Korea
Prior art keywords
muscle mass
semg
signal
features
unit movement
Prior art date
Application number
KR1020220190737A
Other languages
English (en)
Inventor
문경률
무함마드 지샨 아샤드
정다운
이대현
김진욱
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 KR1020220190737A priority Critical patent/KR20240107776A/ko
Publication of KR20240107776A publication Critical patent/KR20240107776A/ko

Links

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]
    • A61B5/397—Analysis of electromyograms
    • 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
    • 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
    • A61B5/4519—Muscles
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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
    • G16H50/20—ICT specially adapted for medical diagnosis, medical simulation or medical data mining; ICT specially adapted for detecting, monitoring or modelling epidemics or pandemics for computer-aided diagnosis, e.g. based on medical expert systems
    • A—HUMAN NECESSITIES
    • A61—MEDICAL OR VETERINARY SCIENCE; HYGIENE
    • A61B—DIAGNOSIS; SURGERY; IDENTIFICATION
    • A61B2562/00—Details of sensors; Constructional details of sensor housings or probes; Accessories for sensors
    • A61B2562/02—Details of sensors specially adapted for in-vivo measurements
    • A61B2562/0219—Inertial sensors, e.g. accelerometers, gyroscopes, tilt switches

Landscapes

  • Health & Medical Sciences (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Engineering & Computer Science (AREA)
  • Medical Informatics (AREA)
  • Physics & Mathematics (AREA)
  • Biomedical Technology (AREA)
  • Public Health (AREA)
  • General Health & Medical Sciences (AREA)
  • Pathology (AREA)
  • Veterinary Medicine (AREA)
  • Biophysics (AREA)
  • Animal Behavior & Ethology (AREA)
  • Molecular Biology (AREA)
  • Heart & Thoracic Surgery (AREA)
  • Surgery (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Computation (AREA)
  • Data Mining & Analysis (AREA)
  • Physiology (AREA)
  • Dentistry (AREA)
  • Oral & Maxillofacial Surgery (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • General Engineering & Computer Science (AREA)
  • Primary Health Care (AREA)
  • Epidemiology (AREA)
  • Databases & Information Systems (AREA)
  • General Physics & Mathematics (AREA)
  • Computing Systems (AREA)
  • Fuzzy Systems (AREA)
  • Psychiatry (AREA)
  • Signal Processing (AREA)
  • Orthopedic Medicine & Surgery (AREA)
  • Rheumatology (AREA)
  • Measurement And Recording Of Electrical Phenomena And Electrical Characteristics Of The Living Body (AREA)

Abstract

일 실시예의 근육량을 추정하는 방법은 사용자의 동작에 따른 연속된 sEMG(surface electromyogram) 신호를 획득하는 제1 단계, 획득된 상기 sEMG 신호의 시계열 데이터로부터 단위 동작의 sEMG 신호를 분할(segmentation)해 해당하는 단위 동작의 sEMG 데이터를 획득하는 제2 단계, 획득된 해당 단위 동작의 sEMG 데이터에서 시간 도메인, 주파수 도메인, 기술적 통계 매개변수를 기반으로 한 특징들을 추출하는 제3 단계, 학습된 근육량 추정 모델에 추출된 특징들을 입력해 상기 사용자의 근육량을 추정하는 제4 단계를 포함하고, 상기 근육량 추정 모델은, 상기 sEMG 신호에서 단위 동작마다 추출된 근육량과 관련된 특징에 ASM 지표(appendicular skeletal muscle mass index)를 레이블링해서 만들어진 훈련 데이터 셋에 기초해 지도 학습된다.

Description

근육의 sEMG 신호를 기반으로 근육량을 추정하는 방법과 이의 연산 장치{Method for estimating muscle mass based on sEMG signal and apparatus thereof}
본 발명은 근육의 sEMG(surface electromyogram) 신호에서 단위 운동 마다 특징들을 추출하고 인공지능 기술을 적용하여 근육량을 추정하는 방법과 이의 연산 장치에 관한 것이다.
세계보건기구 (WHO)에 따르면, 전 세계적으로 60세 이상 인구가 2000년 6억 명에서 2025년 12억 명, 그리고 2050년 20억 명으로 증가할 것으로 예상된다.
이 같은 폭발적 노인 인구의 증가는 근감소증, 노쇠와 같은 연령이 증가함에 따라 증가하는 노인성 질환에 좀 더 초점을 맞춰 선제 조치가 필요하다는 것을 우리에게 말하고 있다.
특히 노화로 인한 근감소증은 노인의 기능 저하, 낙상, 골절, 입원 및 입원 기간 연장과 같은 광범위한 부작용과 연관되기에, 근감소증 또는 근감소증 가능군에 대한 조기 진단은 매우 중요하다 할 것이다.
근감소증은 사지근육량을 토대로 계산된 ASM 지표 (ASM index)와 밀접한 연관성이 있는데, 현재 검사 방법으로는 에너지 X선 흡수 측정법(DXA)이 널리 활용되고 있다.
그런데, 그러나 DXA의 경우 고가의 장비일 뿐만 아니라 휴대가 불가하고 병원에 숙련된 전문가가 아니면 측정이 어렵다는 문제가 있다.
근육량을 추정하는 관련된 선행기술 문헌은 다음과 같다.
출원번호 KR 10-2022-0034116 "표면 근전도 지표를 이용한 근육량 예측 방법"은 표면 근전도 지표를 이용한 근육량 예측 방법에 관한 것이나, 일정한 수학식을 활용하여 근육량을 예측하므로, 진단의 정확도가 떨어지는 문제점이 있다.
한국특허출원공보 10-2022-0034116 “표면 근전도 지표를 이용한 근육량 예측 방법”
본 발명이 해결하고자 하는 기술적 과제는, 고가의 장비, 숙련된 전문가, 복잡한 검사 과정을 필요로 하지 않는 근육량을 추정하는 툴(tool)을 제공하고자 한다.
상기 기술적 과제를 해결하기 위하여, 일 실시예의 근육량 추정방법은, 사용자의 동작에 따른 연속된 sEMG(surface electromyogram) 신호를 획득하는 제1 단계, 획득된 상기 sEMG 신호의 시계열 데이터로부터 단위 동작의 sEMG 신호를 분할(segmentation)해 해당하는 단위 동작의 sEMG 데이터를 획득하는 제2 단계, 획득된 해당 단위 동작의 sEMG 데이터에서 시간 도메인, 주파수 도메인, 기술적 통계 매개변수를 기반으로 한 특징들을 추출하는 제3 단계, 그리고, 학습된 근육량 추정 모델에 추출된 특징들을 입력해 상기 사용자의 근육량을 추정하는 제4 단계를 포함하고, 상기 근육량 추정 모델은, 상기 sEMG 신호에서 단위 동작마다 추출된 근육량과 관련된 특징에 ASM 지표(appendicular skeletal muscle mass index)를 레이블링해서 만들어진 훈련 데이터 셋에 기초해 지도 학습된다.
상기 sEMG 신호는 단위 동작마다 최대 및 최소 값이 반복되는 시계열적 신호이며,
상기 근육량 추정방법은, 상기 사용자로부터 관성 신호를 획득하는 단계를 더 포함하고, 상기 단위 동작은 상기 관성 신호에 기초해서 판단된다.
상기 제3 단계는, 상기 sEMG 신호로부터 추출된 특징들에 mRMR (Minimum Redundancy-Maximum Relevance)을 적용할 수 있다.
상기 근육량 추정 모델은 Cat Boost Regressor (CBR), Gradient Boost Regressor (GBR), Light Gradient Boosting Machine (LGBM), Random Forrest Regressor (RFR), Extreme Gradient Boosting Regressor (XGB) 중 하나의 머신러닝 모델로 구현될 수 있다.
또한 다른 실시예의 연산 장치는, sEMG 신호에서 단위 동작마다 추출된 근육량과 관련된 특징에 ASM 지표(appendicular skeletal muscle mass index)를 레이블링해서 만들어진 훈련 데이터 셋에 기초해 지도 학습된 근육량 추정 모델을 저장하는 메모리, 사용자의 동작에 따른 연속된 sEMG(surface electromyogram) 신호를 획득하고, 획득된 상기 sEMG 신호의 시계열 데이터로부터 단위 동작의 sEMG 신호를 분할(segmentation)해 해당하는 단위 동작의 sEMG 데이터를 획득하고, 획득된 해당 단위 동작의 sEMG 데이터에서 시간 도메인, 주파수 도메인, 기술적 통계 매개변수를 포함한 특징들을 추출하고, 상기 학습된 근육량 추정 모델에 추출된 특징들을 입력해 상기 사용자의 근육량을 추정하는 프로세서를 포함한다.
본 발명의 실시예에 따르면, 고가의 장비를 사용하지 않고도 근육의 sEMG 신호 만으로 검사자의 근육량을 정확히 추정할 수 있으며 이는 운동선수의 훈련 전략 수립 및 중장년층의 근감소 위험 모니터링에 유용하게 활용될 수 있다.
도 1은 sEMG 신호로부터 사용자의 근육량을 추정하는 일련의 과정을 보여주는 흐름도이다.
도 2는 사용자로부터 획득한 시계열적 sEMG 신호와 관성 신호를 예시한다.
도 3은 관성 정보를 획득해서 사용자의 운동을 단위 동작으로 세분화하는 과정을 보여준다.
도 4 내지 도 6은 sEMG 신호에서 추출되는 특징들을 보여주는 표이다.
도 7은 다른 실시예의 연산 장치의 블록도이다.
이하에서는 도면을 참조하여 본 발명의 실시예들을 구체적으로 설명하도록 한다. 다만, 하기의 설명 및 첨부된 도면에서 본 발명의 요지를 흐릴 수 있는 공지 기능 또는 구성에 대한 상세한 설명은 생략한다. 덧붙여, 명세서 전체에서, 어떤 구성 요소를 '포함'한다는 것은, 특별히 반대되는 기재가 없는 한 다른 구성요소를 제외하는 것이 아니라, 다른 구성요소를 더 포함할 수 있는 것을 의미한다.
또한, 제 1, 제 2 등의 용어는 다양한 구성요소들을 설명하는데 사용될 수 있지만, 상기 구성 요소들은 상기 용어들에 의해 한정되어서는 안 된다. 상기 용어들은 하나의 구성 요소를 다른 구성 요소로부터 구별하는 목적으로 사용될 수 있다. 예를 들어, 본 발명의 권리 범위로부터 이탈되지 않은 채 제 1 구성 요소는 제 2 구성 요소로 명명될 수 있고, 유사하게 제 2 구성 요소도 제 1 구성 요소로 명명될 수 있다.
본 발명에서 사용한 용어는 단지 특정한 실시예를 설명하기 위해 사용된 것으로, 본 발명을 한정하려는 의도가 아니다. 단수의 표현은 문맥상 명백하게 다르게 뜻하지 않는 한, 복수의 표현을 포함한다. 본 출원에서, "포함하다" 또는 "구비하다" 등의 용어는 설시된 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 부가 가능성을 미리 배제하지 않는 것으로 이해되어야 한다.
특별히 다르게 정의되지 않는 한, 기술적이거나 과학적인 용어를 포함해서 여기서 사용되는 모든 용어들은 본 발명이 속하는 기술분야에서 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 출원에서 명백하게 정의하지 않는 한, 이상적이거나 과도하게 형식적인 의미로 해석되지 않는다.
도 1은 본 발명의 일 실시예에 따른 표면근전도(sEMG) 신호로부터 사용자의 근육량을 추정하는 일련의 과정을 보여주는 흐름도이다.
sEMG(surface electromyogram) 신호에서 단위 운동 마다 특징들을 추출하고 인공지능 기술을 적용하여 근육량을 추정하는 방법과 인공지능을 이용해서 근육량을 추정하는 일련의 처리 과정은 이하에서 기술되는 동작을 수행하는 명령을 포함하는 프로그램으로 구현되어 적어도 하나의 프로세서를 구비하는 연산 장치(600)를 통해 실행될 수 있다.
일 실시예의 근육량 추정 방법은, 사용자의 동작에 따른 연속된 sEMG(surface electromyogram) 신호를 획득하는 제1 단계(S11), 획득된 상기 sEMG 신호의 시계열 데이터로부터 단위 동작의 sEMG 신호를 분할(segmentation)해 해당하는 단위 동작의 sEMG 데이터를 획득하는 제2 단계(S13), 획득된 해당 단위 동작의 sEMG 데이터에서 시간 도메인, 주파수 도메인, 기술적 통계 매개변수를 기반으로 한 특징들을 추출하는 제3 단계(S15), 학습된 근육량 추정 모델에 추출된 특징들을 입력해 상기 사용자의 근육량을 추정하는 제4 단계(S17)을 포함한다.
본 발명은 이 같은 구성을 통해 sEMG(surface electromyogram) 신호를 사용자가 행한 동작에 맞춰 소단위로 분해해서 시간 도메인, 주파수 도메인, 기술적 통계 매개변수를 기반으로 한 특징들을 추출하고, 이를 근육량 추정 모델에 입력하기 때문에 논리적이며 매우 높은 확률로 근육량을 추정할 수 있다.
S11 단계에서, 연산 장치(600)는 사용자로부터 sEMG를 획득한다. 일 예에서, 사용자의 신체 부위에 sEMG 센서(710)가 부착될 수 있다. 이 sEMG 센서(710)는 사용자가 움직임에 따라 그 움직임에 맞춰 sEMG 데이터를 연산장치(600)에 전송한다.
일 예에서, sEMG 센서(710)는 IMU(inertial measurement unit)를 포함하고 있어서, 신체 분절의 움직임에 대한 가속도 및 각속도와 같은 관성 신호가 sEMG 신호와 같이 연산장치(600)에 제공될 수 있다.
사용자는 예를 들어서, sEMG 센서(710)를 하지에 부착한 채, 걷기, 스쿼트 등처럼 움직임이 반복되는 운동을 수행할 수 있다. 이 운동 과정에서, sEMG 센서(710)는 하지의 표면 근전도를 시계열적으로 측정해서 획득한 sEMG 신호를 연산장치(600)에 전송한다.
한편, 연산장치(600)는 사용자로부터 수신된 sEMG 신호에 섞여 있는 노이즈 제거를 위해 필터에 수신된 sEMG 신호를 입력해서 신호에 섞여 있는 노이즈를 제거할 수 있다.
S13 단계에서, 연산장치(600)는 수신된 sEMG 신호를 단위 동작 단위로 세분화해서 sEMG 신호의 시계열 데이터로부터 단위 동작의 sEMG 신호를 분할(segmentation)해 해당하는 단위 동작의 sEMG 데이터를 획득한다.
여기서 단위 동작은 사용자가 반복적인 동작을 행했을 때의 최소 단위를 말한다. 예를 들어서, 사용자가 걷기 운동을 하는 경우에 한 걸음이 단위 동작일 수 있다.
사용자가 반복적인 동작을 하는 경우에, 수신된 sEMG 신호는 도 3에서 예시하는 바처럼, 단위 운동마다 최대값과 최소값이 반복되는 일정한 패턴의 신호로, sEMG 신호의 패턴을 통해서도 단위 동작을 손쉽게 찾을 수 있다.
예를 들어서, 사용자가 스쿼트 운동을 하는 경우에, 이 스쿼트 운동의 단위 동작은 앉았다 일어서는 동작이 될 수 있다.
도 2에서 예시하는 바처럼, 스쿼트 동작시에 앉았다 일어서는 동작에서 유사한 패턴의 sEMG 신호가 반복적으로 관찰된다. 따라서, 단위 동작은 앉았다 일어서는 동작이 된다.
또한, 보다 정확하게 단위 운동을 세분화하기 위해서 관성 신호가 이용될 수 있다. 도 3은 관성 신호를 획득해서 사용자의 운동을 단위 동작으로 세분화하는 과정을 보여준다.
S151 단계에서, 사용자로부터 관성 신호를 획득한다. 상술한 바처럼, 일 예에서 sEMG 센서(710)는 IMU(inertial measurement unit)를 포함하고 있어서, 신체 분절의 움직임에 대한 가속도 및 각속도와 같은 관성 신호를 운동에 맞춰 획득할 수 있고, 획득된 관성 신호는 sEMG 신호와 같이 연산장치(600)로 전송된다.
도 2에서 빨간색 선은 각속도 신호를, 파란색 선은 각속도 신호에 시간적으로 동기화된 sEMG 신호를 보여준다. 도시된 바처럼, 사용자가 반복되는 동작을 행하는 경우에, sEMG 신호 뿐만 아니라 관성 신호 역시도 특정 패턴이 반복되는 것을 볼 수 있다.
따라서, 시간적으로 동기화된 두 신호를 기초로 하면, 보다 정확하게 운동을 단위 동작으로 세분화할 수 있고, 또한 이 단위 동작에 맞춰 sEMG 신호 역시도 세분화해 sEMG 신호의 시계열적 데이터에서 필요로 하는 단위 동작의 sEMG 데이터를 추출할 수 있다.
S15 단계에서, 추출된 단위 동작의 sEMG 데이터에서 시간 도메인, 주파수 도메인, 그리고 기술적 통계 매개변수를 기반으로 특징들을 추출한다. 이 단계에서 데이터로부터 특징들을 추출하는 방법은 특별한 제한이 없는 한 알려진 다양한 방법이 사용될 수 있다.
도 4 내지 도 6은 추출되는 특징들을 나타내는 표이다. 도 4는 기술적 통계 매개변수에 따른 특징, 도 5는 시간 도메인에 따른 특징, 도 6은 주파수 도메인에 따른 특징을 각각 보여준다.
일 예에서, 단위 동작당 기술적 통계 매개변수에서는 11개의 특징이, 시간 도메인에서는 13개의 특징이, 주파수 도메인에서는 7개의 특징이 추출될 수 있다. 따라서, 만약 한번의 운동 세션이 10개의 단위 동작으로 구성된 경우에, 한번의 운동 세션동안 추출되는 특징의 개수는 10*(11+13+7)=310이다.
이 같은 특징 추출은 한번의 운동 세션을 구성하는 단위 동작마다, 그리고 ASM 지표를 구성하는 모든 근육을 대상으로 각 근육마다 이뤄진다.
한편, 추출된 특징들 중에서도 중요한 특징을 선택하기 위해 mRMR (Minimum Redundancy-Maximum Relevance)가 적용될 수 있다. 이 mRMR은 특징을 선택하는 강력한 알고리즘으로 알려져 있으며, 중복된 특징을 삭제하고 고유한 정보와 가장 연관성이 있는 특징만 선택할 수 있다. 이 mRMR 외에도 알려진 다양한 알고리즘들이 보다 유용한 특징을 선택하기 위해서 활용될 수 있다.
이상 설명한 S11 내지 S15 단계에 기재된 일련의 데이터 처리 과정은 sEMG 신호에서 근육량을 추정하는데 활용 가능한 특징들을 추출하는 과정이다.
이 과정들(S11 내지 S15 단계)은 인공지능을 학습시키기 위한 훈련 데이터 셋을 구성할 때도 동일하게 사용된다.
본 발명에서 인공지능은 머신러닝 모델이 이용되고, 지도 학습을 통해 훈련될 수 있다. 지도 학습을 위해서 인공지능을 훈련시키는 훈련 데이터 셋은 레이블을 가진다. 레이블은 바람직하게 ASM 지표일 수 있다. ASM 지표는 근감소증과 밀접한 연관성을 가지고 있어서, 레이블로 ASM 지표를 사용하면 근육량 예측 뿐만 아니라, 근감소증 역시도 예측할 수가 있다.
그리고, 본 발명에서 근육량 추정 모델은 Cat Boost Regressor (CBR), Gradient Boost Regressor (GBR), Light Gradient Boosting Machine (LGBM), Random Forrest Regressor (RFR), Extreme Gradient Boosting Regressor (XGB)와 같은 머신러닝 모델로 구현될 수 있으나, 반드시 이에 한정되는 것은 아니고 특별한 제한이 없는 한 알려진 다양한 머신러닝 모델로도 구현될 수 있다. 모델에 대한 모델 매개변수는 grid search를 통해 최적화되고, 또한 모델은 교차검증(Cross Validation)을 통해 학습 및 검증된다.
본 발명에서, 인공지능은 이처럼 sEMG 신호에서 추출된 특징에 ASM 지표가 레이블링된 훈련 데이터 셋을 가지고 지도 학습된다.
S17 단계에서, 상술한 과정을 통해 시계열적 sEMG 신호에서 단위 동작마다의 특징들은 추출되고, 추출된 특징들은 학습된 근육량 추정 모델에 입력으로 제공된다. 학습된 근육량 추정 모델은 학습한 바에 맞춰 사용자의 근육량을 추정해 출력한다.
이하, 첨부된 도면을 참조해서 사용자의 근육량을 추정하는 연산 장치에 대해서 설명한다.
도 7은 연산 장치의 구성을 개략적으로 보여주는 도면으로, 도 1 내지 도 3의 일련의 처리 과정을 하드웨어 구성의 관점에서 재구성한 것이다.
일 실시예의 연산 장치(600)는 프로세서(610) 및 메모리(620)를 포함한다.
메모리(620)는 사용자로부터 획득한 sEMG 신호에서 단위 동작마다 추출된 근육량과 관련된 특징에 ASM 지표(appendicular skeletal muscle mass index)를 레이블링해서 만들어진 훈련 데이터 셋에 기초해 지도 학습된 근육량 추정 모델을 저장하는 구성이다.
프로세서(610)는 사용자의 동작에 따른 연속된 sEMG(surface electromyogram) 신호를 획득하고, 획득된 상기 sEMG 신호의 시계열 데이터로부터 단위 동작의 sEMG 신호를 분할(segmentation)해 해당하는 단위 동작의 sEMG 데이터를 획득하고, 획득된 해당 단위 동작의 sEMG 데이터에서 시간 도메인, 주파수 도메인, 기술적 통계 매개변수를 기반으로 한 특징들을 추출하고, 학습된 근육량 추정 모델에 추출된 특징들을 입력해 상기 사용자의 근육량을 추정한다.
또한 프로세서(610)는 상기 sEMG 신호로부터 추출된 특징들에 mRMR (Minimum Redundancy-Maximum Relevance)을 적용하여 중복된 특징을 삭제하고 고유한 정보와 가장 연관성이 있는 특징만 선택할 수 있다.
이상에서 본 발명에 대하여 그 다양한 실시예들을 중심으로 살펴보았다. 본 발명에 속하는 기술 분야에서 통상의 지식을 가진 자는 본 발명이 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 변형된 형태로 구현될 수 있음을 이해할 수 있을 것이다. 그러므로 개시된 실시예들은 한정적인 관점이 아니라 설명적인 관점에서 고려되어야 한다. 본 발명의 범위는 전술한 설명이 아니라 특허청구범위에 나타나 있으며, 그와 동등한 범위 내에 있는 모든 차이점은 본 발명에 포함된 것으로 해석되어야 할 것이다.

Claims (11)

  1. 사용자의 동작에 따른 연속된 sEMG(surface electromyogram) 신호를 획득하는 제1 단계;
    획득된 상기 sEMG 신호의 시계열 데이터로부터 단위 동작의 sEMG 신호를 분할(segmentation)해 해당하는 단위 동작의 sEMG 데이터를 획득하는 제2 단계;
    획득된 해당 단위 동작의 sEMG 데이터에서 시간 도메인, 주파수 도메인, 기술적 통계 매개변수를 기반으로 한 특징들을 추출하는 제3 단계; 그리고,
    학습된 근육량 추정 모델에 추출된 특징들을 입력해 상기 사용자의 근육량을 추정하는 제4 단계;
    를 포함하고,
    상기 근육량 추정 모델은, 상기 sEMG 신호에서 단위 동작마다 추출된 근육량과 관련된 특징에 ASM 지표(appendicular skeletal muscle mass index)를 레이블링해서 만들어진 훈련 데이터 셋에 기초해 지도 학습된, 근육량을 추정하는 방법.
  2. 제1항에 있어서,
    상기 sEMG 신호는 단위 동작마다 최대 및 최소 값이 반복되는 시계열적 신호인, 근육량을 추정하는 방법.
  3. 제1항에 있어서,
    상기 사용자로부터 관성 신호를 획득하는 단계를 더 포함하고,
    상기 단위 동작은 상기 관성 신호에 기초해서 판단되는, 근육량을 추정하는 방법.
  4. 제1항에 있어서,
    상기 제3 단계는, 상기 sEMG 신호로부터 추출된 특징들에 mRMR (Minimum Redundancy-Maximum Relevance)을 적용하는, 근육량을 추정하는 방법.
  5. 제1항에 있어서,
    상기 근육량 추정 모델은 Cat Boost Regressor (CBR), Gradient Boost Regressor (GBR), Light Gradient Boosting Machine (LGBM), Random Forrest Regressor (RFR), Extreme Gradient Boosting Regressor (XGB) 중 하나의 머신러닝 모델로 구현된, 근육량을 추정하는 방법.
  6. 제 1 항 내지 제 5 항 중에 어느 한 항의 방법을 컴퓨터에서 실행시키기 위한 프로그램을 기록한 컴퓨터로 읽을 수 있는 기록매체.
  7. sEMG 신호에서 단위 동작마다 추출된 근육량과 관련된 특징에 ASM 지표(appendicular skeletal muscle mass index)를 레이블링해서 만들어진 훈련 데이터 셋에 기초해 지도 학습된 근육량 추정 모델을 저장하는 메모리; 및,
    사용자의 동작에 따른 연속된 sEMG(surface electromyogram) 신호를 획득하고, 획득된 상기 sEMG 신호의 시계열 데이터로부터 단위 동작의 sEMG 신호를 분할(segmentation)해 해당하는 단위 동작의 sEMG 데이터를 획득하고, 획득된 해당 단위 동작의 sEMG 데이터에서 시간 도메인, 주파수 도메인, 기술적 통계 매개변수를 포함한 특징들을 추출하고, 상기 학습된 근육량 추정 모델에 추출된 특징들을 입력해 상기 사용자의 근육량을 추정하는 프로세서;
    를 포함하는 연산 장치.
  8. 제7항에 있어서,
    상기 sEMG 신호는 단위 동작마다 최대 및 최소 값이 반복되는 시계열적 신호인, 연산 장치.
  9. 제7항에 있어서,
    프로세서는, 상기 사용자로부터 관성 신호를 획득하고, 상기 단위 동작은 상기 관성 신호에 기초해 판단되는, 연산 장치.
  10. 제7항에 있어서,
    상기 프로세서는, 상기 sEMG 신호로부터 추출된 특징들에 mRMR (Minimum Redundancy-Maximum Relevance)을 적용하는, 연산 장치.
  11. 제7항에 있어서,
    상기 근육량 추정 모델은 Cat Boost Regressor (CBR), Gradient Boost Regressor (GBR), Light Gradient Boosting Machine (LGBM), Random Forrest Regressor (RFR), Extreme Gradient Boosting Regressor (XGB) 중 하나의 머신러닝 모델로 구현된, 연산 장치.
KR1020220190737A 2022-12-30 2022-12-30 근육의 sEMG 신호를 기반으로 근육량을 추정하는 방법과 이의 연산 장치 KR20240107776A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020220190737A KR20240107776A (ko) 2022-12-30 2022-12-30 근육의 sEMG 신호를 기반으로 근육량을 추정하는 방법과 이의 연산 장치

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020220190737A KR20240107776A (ko) 2022-12-30 2022-12-30 근육의 sEMG 신호를 기반으로 근육량을 추정하는 방법과 이의 연산 장치

Publications (1)

Publication Number Publication Date
KR20240107776A true KR20240107776A (ko) 2024-07-09

Family

ID=91947461

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020220190737A KR20240107776A (ko) 2022-12-30 2022-12-30 근육의 sEMG 신호를 기반으로 근육량을 추정하는 방법과 이의 연산 장치

Country Status (1)

Country Link
KR (1) KR20240107776A (ko)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220034116A (ko) 2019-07-16 2022-03-17 구라레 구라후렛쿠스 가부시키가이샤 섬유 구조체 및 그 제조 방법

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR20220034116A (ko) 2019-07-16 2022-03-17 구라레 구라후렛쿠스 가부시키가이샤 섬유 구조체 및 그 제조 방법

Similar Documents

Publication Publication Date Title
JP2019084343A (ja) ウェアラブルデバイスを用いた高い正確度の光電容積脈波基盤の心房細動検出のための方法及び装置
KR101703547B1 (ko) 기능적 근적외선 분광법의 뇌활성도 측정에 따른 유효 채널 추출 방법 및 장치
US11612341B2 (en) Systems and methods for assessment and measurement of reaction time in virtual/augmented reality
JP6748076B2 (ja) 心肺適応能評価
KR101814293B1 (ko) 운동 기능 평가 시스템
He et al. Robust heart rate monitoring for quasi-periodic motions by wrist-type PPG signals
Murray et al. A pilot study using entropy as a noninvasive assessment of running
JP5612627B2 (ja) 身体能力判定装置及びデータ処理方法
KR20240107776A (ko) 근육의 sEMG 신호를 기반으로 근육량을 추정하는 방법과 이의 연산 장치
KR102395937B1 (ko) 보행 시간-주파수 분석에 기초한 건강 상태 예측 방법 및 시스템
Robinson et al. Feature identification framework for back injury risk in repetitive work with application in sheep shearing
Mukhopadhyay et al. A photoplethysmograph based practical heart rate estimation algorithm for wearable platforms
Wu et al. Modeling and classification of gait patterns between anterior cruciate ligament deficient and intact knees based on phase space reconstruction, Euclidean distance and neural networks
Mountjoy et al. Use of the fast orthogonal search method to estimate optimal joint angle for upper limb Hill-muscle models
Fegni Ndam et al. What are the best indicators of myoelectric manifestation of fatigue?
CN113425272B (zh) 一种通过穿戴设备采集数据分析房颤、室颤的方法
CN111261258B (zh) 一种体育运动训练评估系统
Mascia et al. Machine learning aided jump height estimate democratization through smartphone measures
Azarang et al. Deep learning-based venous gas emboli grade classification in doppler ultrasound audio recordings
Dandu et al. Determining physiological significance of inertial gait features in multiple sclerosis
KR102112699B1 (ko) 시계열적 신호 시각화 방법 및 이를 이용한 장치
JP6486200B2 (ja) 移動運動解析装置及びシステム並びにプログラム
Yee et al. Data-driven model for upper limb spasticity detection
Liu et al. Kinematic Analysis of Intra-Limb Joint Symmetry via Multisensor Fusion
KR20240107434A (ko) 근육의 sEMG 신호를 기반으로 근육 유형을 분류하는 방법과 이에 사용되는 근육 유형 분류 모델을 학습시키는 방법, 그리고 이의 연산 장치