표면근전도는 외골격로봇에서 인간의 움직임 의도를 감지하는 데 사용할 수 있으며, 인간이 보행할 때의 보행 단계는 하지 외골격을 제어하기 위한 요소이다. 보행 단계는 지면반력을 측정해 구분할 수 있지만, 이 센서를 외골격에 직접 사용하면 부자연스러운 움직임이 발생할 수 있고, 부피도 커진다. 근전도는 움직임 이전에 근육 활성화를 감지할 수 있다는 장점이 있지만 잡음과 시간 변동성으로 인해 직접 사용하기가 어렵다. 본 연구에서는 지면반력 정보를 사용하지 않고 근전도의 시계열 특성과 순환신경망을 사용하여 걷기의 보행 단계를 감지하였다. 보행 주기는 실제 보행 동작이 발생하기 10 ms 전에 근전도를 통해 90% 정확도로 추정하였다. 이 연구를 통해 지면반력 센서 없이도 보행 단계를 추정할 수 있음을 보여주었으며, 이는 하지 외골격 로봇 연구에서 시스템 구조를 단순화하고 제어를 안정화하는 데 도움이 될 것으로 기대한다.

본 연구는 표면 근전도(sEMG)와 신경망을 결합하여 머리 움직임 의도를 예측하는 것의 타당성과 효과를 탐색한다. 실험에는 건강한 성인 남성 3명이 참여하였으며, 이들의 머리 및 목 근육 활동은 Vicon Vero/Nexus 모션 캡처 시스템과 Delsys Trigno 무선 sEMG 센서를 사용하여 기록하였다. 피험자의 머리와 어깨에는 반사 마커를 배치하였고, 눈 주위 및 목 근육 둘레에는 소형 sEMG 센서를 부착하였다. sEMG 신호는 밴드패스 및 밴드스톱 필터를 사용하여 처리하였다. 참여자들은 시각적 안내를 따라 4가지 방향으로 머리 움직임을 수행했으며, 각 자세는 3초 동안 유지하였다. 분석을 위해 4개의 EMG 특징 세트를 구성하였다. 커널 나이브 베이즈(kernel naïve bayes), 가우시안 나이브 베이즈(gaussian naïve bayes), 배깅 트리(bagged trees), 서브스페이스 k-최근접 이웃(subspace k-nearest neighbors; KNN) 등 다양한 기계학습 모델을 적용하여 머리 움직임 상태를 예측하였다. EMG 세트 3에 적용된 서브스페이스 KNN 모델이 84.5%의 가장 높은 분류 정확도를 달성하였다. 본 연구는 고도화된 계산 기법과 결합된 sEMG가 머리 움직임 의도 예측을 향상시킬 수 있음을 보여주며, 인간-컴퓨터 상호작용, 가상현실, 보조 기술 분야에서의 잠재적 응용 가능성을 시사한다.

표면근전도는 외골격로봇에서 인간의 움직임 의도를 감지하는 데 사용할 수 있으며, 인간이 보행할 때의 보행 단계는 하지 외골격을 제어하기 위한 요소이다. 보행 단계는 지면반력을 측정해 구분할 수 있지만, 이 센서를 외골격에 직접 사용하면 부자연스러운 움직임이 발생할 수 있고, 부피도 커진다. 근전도는 움직임 이전에 근육 활성화를 감지할 수 있다는 장점이 있지만 잡음과 시간 변동성으로 인해 직접 사용하기가 어렵다. 본 연구에서는 지면반력 정보를 사용하지 않고 근전도의 시계열 특성과 순환신경망을 사용하여 걷기의 보행 단계를 감지하였다. 보행 주기는 실제 보행 동작이 발생하기 10 ms 전에 근전도를 통해 90% 정확도로 추정하였다. 이 연구를 통해 지면반력 센서 없이도 보행 단계를 추정할 수 있음을 보여주었으며, 이는 하지 외골격 로봇 연구에서 시스템 구조를 단순화하고 제어를 안정화하는 데 도움이 될 것으로 기대한다.

본 연구는 표면 근전도(sEMG)와 신경망을 결합하여 머리 움직임 의도를 예측하는 것의 타당성과 효과를 탐색한다. 실험에는 건강한 성인 남성 3명이 참여하였으며, 이들의 머리 및 목 근육 활동은 Vicon Vero/Nexus 모션 캡처 시스템과 Delsys Trigno 무선 sEMG 센서를 사용하여 기록하였다. 피험자의 머리와 어깨에는 반사 마커를 배치하였고, 눈 주위 및 목 근육 둘레에는 소형 sEMG 센서를 부착하였다. sEMG 신호는 밴드패스 및 밴드스톱 필터를 사용하여 처리하였다. 참여자들은 시각적 안내를 따라 4가지 방향으로 머리 움직임을 수행했으며, 각 자세는 3초 동안 유지하였다. 분석을 위해 4개의 EMG 특징 세트를 구성하였다. 커널 나이브 베이즈(kernel naïve bayes), 가우시안 나이브 베이즈(gaussian naïve bayes), 배깅 트리(bagged trees), 서브스페이스 k-최근접 이웃(subspace k-nearest neighbors; KNN) 등 다양한 기계학습 모델을 적용하여 머리 움직임 상태를 예측하였다. EMG 세트 3에 적용된 서브스페이스 KNN 모델이 84.5%의 가장 높은 분류 정확도를 달성하였다. 본 연구는 고도화된 계산 기법과 결합된 sEMG가 머리 움직임 의도 예측을 향상시킬 수 있음을 보여주며, 인간-컴퓨터 상호작용, 가상현실, 보조 기술 분야에서의 잠재적 응용 가능성을 시사한다.

손 제스처 인식(HGR)은 고급 보철, 뉴로로보틱스, 인간-로봇 상호작용(HRI)을 개발하는 데 핵심적이다. 표면 근전도(sEMG)와 고밀도 sEMG(HD-sEMG)는 손 제스처의 기반이 되는 근육 활동을 포착할 수 있다는 점에서 주목을 받아왔다. 동일한 대상 내에서 많은 모델이 높은 성능을 달성함에도 불구하고, 서로 다른 대상 간으로의 일반화는 여전히 중요한 과제로 남아 있어 실제 환경에서 이러한 시스템의 적용을 제한한다. 또한 대부분의 기존 접근은 주로 제스처의 정상(steady) 단계에 초점을 맞추고 있어 실시간 예측을 늦춘다. 이러한 문제를 해결하기 위해 본 연구에서는 Vision Transformer(ViT) 아키텍처를 기반으로 한 교차 대상 동적 손 제스처 인식(DHGR) 프레임워크, 즉 ViT-DHGR을 제안한다. 우리의 모델은 제스처가 안정화되기 전의 신호 과도(transient) 단계를 명시적으로 대상으로 하여 제스처 예측 지연을 줄이고 시스템 제어 지연을 상쇄하는 데 중점을 둔다. 대상 임베딩과 전이 학습 전략을 통합함으로써, 제안된 ViT-DHGR 프레임워크는 34개의 동적 손 제스처에 대해 제스처 데이터 1회 반복만 사용하여 10명의 대상에서 정확도 76.44%를 달성하였으며, 2회 반복 시 85.03%로 향상되었다. 아울러 본 프레임워크는 데이터 1회 반복 조건에서, 처음부터 학습한 대상 특이적 모델에 비해 테스트 대상 전반에 걸친 평균 정확도가 16% 이상 더 높다. 본 연구는 동적 손 제스처를 포착하는 데 HD-sEMG의 잠재력을 보여주며, 로봇 응용에서 데이터 요구량을 줄이고 실용성을 향상시키는 데 있어 교차 사용자 지식 전이의 이점을 강조한다.

로봇공학 및 재활공학 분야에서 표면 근전도(surface electromyography, sEMG) 신호는 근 활성화를 추정하기 위해 널리 연구되어 왔으며, 비침습적이라는 장점 때문에 로봇 장치의 제어 입력으로 활용되어 왔다. 그러나 sEMG의 확률적 특성으로 인해 신호 대 잡음비(SNR)가 낮아지고, 이로 인해 sEMG를 로봇 장치의 안정적이고 연속적인 제어 입력으로 사용하기 어렵다. 전통적인 방법으로는 시간 평균 필터(예: 저역통과 필터)가 sEMG의 SNR을 향상시킬 수 있으나, 시간 평균 필터는 지연(latency) 문제를 겪어 실시간 로봇 제어를 어렵게 만든다. 본 연구에서는 기존 연구에서 사용된 백색화(whitening) 방법에서 확장된 재스케일링(rescaling) 방법을 기반으로, 전통적인 시간 평균 필터 기반 근전도(myoprocessor)에서 나타나는 지연 문제 없이 sEMG의 SNR을 향상시키는 확률적(myoprocessor) 근전도 프로세서를 제안한다. 개발된 확률적 근전도 프로세서는 앙상블 평균을 사용하기 위해 16채널 전극을 사용하며, 이 중 8채널은 심부 근 활성화를 측정하고 분해하는 데 사용된다. 개발된 근전도 프로세서의 성능을 검증하기 위해, 팔꿈치 관절을 선택하고 굴곡 토크를 추정한다. 실험 결과, 개발된 근전도 프로세서의 추정 결과는 RMS 오차 6.17[%]를 보였으며, 이는 기존 방법에 비해 향상된 것이다. 따라서 본 연구에서 제안한 다채널 전극을 이용한 재스케일링 방법은 유망하며, 로봇 재활공학 분야에서 로봇 장치에 대한 신속하고 정확한 제어 입력을 생성하는 데 적용될 수 있다.

뇌졸중은 운동 기능의 상실, 일상생활 활동 수행의 불가능, 그리고 궁극적으로 삶의 질 저하를 초래하는 장애를 일으키는 질환이다. 로봇 기반 재활은 기존 재활보다 더 효과적인 방법이지만, 로봇이 환자의 자발적 움직임을 보조할 수 있도록 환자의 의도를 정확히 인식할 필요가 있다. 본 연구는 만성 뇌졸중 환자를 대상으로 고밀도 근전도(HD-EMG)를 사용하여 손 악물기(hand grasp) 동작 의도를 인식하는 데 초점을 두었다. 연구는 3명의 만성 뇌졸중 환자와 함께 수행되었으며, 손 악물기 동작에 관련된 근육들로부터 HD-EMG 신호를 기록하였다. 적응형 발현(onset) 검출 알고리즘을 사용하여 손 악물기 동작의 시작을 정확하게 식별하였고, 4가지 악물기 동작 중 하나로 HD-EMG 신호를 분류하기 위해 합성곱 신경망(CNN)을 학습하였다. 3명의 대상자에서 악물기 발현 검출의 평균 참양성률과 거짓양성률은 각각 91.6%와 9.8%였으며, 학습된 CNN은 악물기 동작을 평균 정확도 76.3%로 분류하였다. 결과는 HD-EMG를 사용하면 만성 뇌졸중 환자에서 손 악물기 동작 의도를 정확하게 인식할 수 있음을 보여주었고, 이는 효과적인 로봇 기반 재활의 가능성을 강조한다.