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.

*본 초록은 AI를 통해 원문을 번역한 내용입니다. 정확한 내용은 하기 원문에서 확인해주세요.