동적 팔 보조 지지대(DAS)는 상지 기능이 손상된 개인이 일상생활 활동을 수행하는 데 도움을 준다. 그러나 기존 대부분의 시스템은 사용자의 자세에 기반한 정확한 중력 보상 기능이 부족하며, 필요한 토크를 줄이기 위한 설계 방법을 탐구한 연구도 드물다. 본 연구에서는 비틀린 현(트위스트드 스트링) 구동을 통해 편향된 현(actuator)을 사용하는 스프링 관절 메커니즘을 기반으로 한 종단기구(엔드 이펙터)형 능동 DAS(A-DAS) 시스템을 새롭게 제안한다. 설계는 최대 전달비, 컴팩트함, 안전성을 기준으로 최적화하였다. 우리는 사용자의 체중과 원하는 보조 수준에 기반하여 정밀한 보조를 제공하는 보조력 제어 전략을 구현하였다. 시스템을 검증하기 위해, 12명의 건강한 참가자를 대상으로 모의 식사 과제를 수행하였다. 결과는 A-DAS가 기존의 수동 시스템에 비해 우수한 제어 정확도(제곱평균근오차 0.48 대 13.57 mm)를 제공함을 보여주었다. 이는 근활성 패턴을 유의하게 개선하였으며, 전면 삼각근에서는 활성 범위가 감소하였다(참조 최대수의수축 대비 33.2% 대 60.9%). 또한 이두근에서는 보다 안정적인 활동(변동계수)이 관찰되었다(32.0% 대 49.0%). 향후 연구는 떨림을 동반한 환자를 포함하여 더 넓은 환자 집단으로 임상 적용 범위를 확장하는 데 초점을 둘 것이다.

배경: 상지 재활 로봇은 뇌졸중 후 환자에게 반복적인 뻗기(reaching) 동작 훈련을 제공한다. 사전에 정해진 동작 집합을 넘어서는 로봇 보조 훈련 프로토콜은 개인의 고유한 운동 특성을 반영하기 위해 최적화가 필요하다. 따라서 객관적 평가 방법은 정상성(normalcy)에 비해 한 사람의 수행을 비교하기 위해, 이환된 팔의 뇌졸중 이전 운동 수행을 고려해야 한다. 그러나 개인의 정상 수행을 기반으로 성과를 평가하려는 시도는 없었다. 이에 본 연구는 정상 뻗기 운동 모델에 근거하여 뇌졸중 후 상지 운동 수행을 평가하는 새로운 방법을 제시한다. 방법: 개인의 정상 뻗기 수행을 대표하기 위해 우리는 세 가지 후보 모델을 선택하였다: (1) 속도-정확도 관계에 대한 Fitts' 법칙, (2) 뇌성마비의 마우스 포인팅 과제에 대한 Almanji 모델, (3) 본 연구에서 제안한 모델. 먼저, 모델과 평가 방법을 검증하기 위해 로봇을 이용하여 건강한 대상자(n = 12)와 뇌졸중 후 대상자(n = 7)의 운동학 데이터를 획득하였고, 임상 환경에서 뇌졸중 후 환자 집단(n = 12)을 대상으로 예비 연구를 수행하였다. 덜 영향을 받은 팔의 뻗기 수행으로부터 얻은 모델을 사용하여, 환자의 정상 뻗기 수행을 예측하고 이를 이환된 팔을 평가하기 위한 기준으로 설정하였다. 결과: > 0.7) 그러나 이환된 팔의 오류 있는 뻗기 수행은 확인하지 못하였다. 또한 본 평가 방법은 이환된 팔의 고유한 운동 특성을 직관적이고 시각적으로 보여주었다. 결론: 제안된 방법은 개인의 정상 뻗기 운동 모델을 기반으로 뻗기 특성을 평가하는 데 사용할 수 있다. 뻗기 동작의 한 세트를 우선시함으로써 개인화된 훈련을 제공할 잠재력이 있다.

다수의 연구에서 뇌 가소성을 유도하기 위해 뇌-컴퓨터 인터페이스(BCI)의 운동심상(motor imagery) 기반(MI-BCI) 시스템을 뇌졸중 재활에 활용해 왔다. 그러나 기존 연구들은 주로 운동심상 탐지에만 초점을 맞추었을 뿐, 오탐(false positive, FP) 탐지의 영향을 고려하지 않았다. FP는 잘못된 방향으로의 뇌 가소성을 유도할 수 있으므로, 뇌졸중 환자에게 위협이 되어 바람직하지 않은 결과를 초래할 수 있다. 본 연구에서는 FP를 거부하는 데 중점을 둔 재활용 MI-BCI 시스템을 제안하였다. 이를 위해 먼저 FP의 원인으로 작용하는 다수의 뇌파(electroencephalogram, EEG) 신호를 식별하였고, 신호의 특성에 기반하여 FP의 원천을 포함하는 소수의 EEG 채널을 사용한 새로운 2단계 분류기를 설계하였다. 8명의 건강한 참가자와 9명의 뇌졸중 환자를 대상으로 한 실험에서, 제안한 MI-BCI 시스템은 뇌졸중 환자 집단에서 단 4개의 EEG 채널만을 사용해 선택율 71.76%와 FP 비율 13.70%를 보였다. 또한 본 시스템은 재보정(recalibration)으로 장시간 세션 간격에 따른 일상적 변동을 보상할 수 있다. 이러한 결과는 FP로 인한 부작용을 감소시킴으로써 임상 환경에서 적용 가능한 본 제안 시스템이 MI-BCI의 치료 효과를 향상시킬 수 있음을 시사한다.

다수의 산업 분야에서는 수동 제어를 자동화하기 위해 전통적인 제어기를 적용한다. 최근에는 인간과 같은 다양한 산업 영역에서 목표를 달성할 수 있는 고급 제어기로서, 딥러닝 기법이 적용된 인공지능 제어기가 제안되어 왔다. 딥 강화학습(Deep reinforcement learning, DRL)은 이러한 제어기들이 각자의 고유한 운용 목표를 달성하는 방법을 학습하도록 하는 강력한 방법이다. DRL 제어기는 목표 시스템으로부터 샘플링을 통해 학습하기 때문에, 비례-적분-미분(Proportional-integral-derivative, PID) 제어기와 같은 전통적 제어기의 한계를 극복할 수 있다. 원자력발전소(Nuclear power plant, NPP)에서는 자동 시스템이 출력전력 전 운전(풀 파워) 동안 구성요소를 관리할 수 있다. 반면, 시동 및 정지 운전은 상대적으로 덜 자동화되어 있으며 일반적으로 운전원이 수행한다. 본 연구는 시동 운전의 일부인 냉정지(cold shutdown) 운전을 위한 DRL 기반 및 PID 기반 제어기를 제안한다. 제안된 제어기를 비교함으로써, 학습 기반 제어기가 전통적 제어기의 한계를 극복하고 최소한의 조작으로 운용 목표를 달성할 수 있음을 검증하고자 한다. 먼저, 냉정지 운전에서 필요한 구성요소, 운용 목표, 입력/출력을 식별하기 위해 본 연구는 냉정지 운전의 일반적인 운전 절차를 분석하였다. 이후 PID 및 DRL 기반 제어기를 설계하였다. PID 기반 제어기는 지글러–니콜스(Ziegler–Nichols) 규칙을 사용하여 적절하게 튜닝된 PID 제어기로 구성된다. 장단기기억(Long short-term memory, LSTM)을 사용한 DRL 기반 제어기는 분산 우선순위 경험 재생(distributed prioritized experience replay)과 분산 학습(distributed learning)을 통해 학습 시간을 줄일 수 있는 소프트 액터-크리틱(soft actor-critic) 알고리즘으로 학습된다. LSTM은 플랜트의 시계열 데이터를 처리하여 제어 신호를 생성한다. 이후 제안된 제어기들은 냉정지 운전 동안 NPP 시뮬레이터를 사용하여 검증되었다. 마지막으로 본 연구는 PID 기반 및 DRL 기반 제어기의 비교를 통해 운용 성능을 논의한다.

동적 팔 보조 지지대(DAS)는 상지 기능이 손상된 개인이 일상생활 활동을 수행하는 데 도움을 준다. 그러나 기존 대부분의 시스템은 사용자의 자세에 기반한 정확한 중력 보상 기능이 부족하며, 필요한 토크를 줄이기 위한 설계 방법을 탐구한 연구도 드물다. 본 연구에서는 비틀린 현(트위스트드 스트링) 구동을 통해 편향된 현(actuator)을 사용하는 스프링 관절 메커니즘을 기반으로 한 종단기구(엔드 이펙터)형 능동 DAS(A-DAS) 시스템을 새롭게 제안한다. 설계는 최대 전달비, 컴팩트함, 안전성을 기준으로 최적화하였다. 우리는 사용자의 체중과 원하는 보조 수준에 기반하여 정밀한 보조를 제공하는 보조력 제어 전략을 구현하였다. 시스템을 검증하기 위해, 12명의 건강한 참가자를 대상으로 모의 식사 과제를 수행하였다. 결과는 A-DAS가 기존의 수동 시스템에 비해 우수한 제어 정확도(제곱평균근오차 0.48 대 13.57 mm)를 제공함을 보여주었다. 이는 근활성 패턴을 유의하게 개선하였으며, 전면 삼각근에서는 활성 범위가 감소하였다(참조 최대수의수축 대비 33.2% 대 60.9%). 또한 이두근에서는 보다 안정적인 활동(변동계수)이 관찰되었다(32.0% 대 49.0%). 향후 연구는 떨림을 동반한 환자를 포함하여 더 넓은 환자 집단으로 임상 적용 범위를 확장하는 데 초점을 둘 것이다.

배경: 상지 재활 로봇은 뇌졸중 후 환자에게 반복적인 뻗기(reaching) 동작 훈련을 제공한다. 사전에 정해진 동작 집합을 넘어서는 로봇 보조 훈련 프로토콜은 개인의 고유한 운동 특성을 반영하기 위해 최적화가 필요하다. 따라서 객관적 평가 방법은 정상성(normalcy)에 비해 한 사람의 수행을 비교하기 위해, 이환된 팔의 뇌졸중 이전 운동 수행을 고려해야 한다. 그러나 개인의 정상 수행을 기반으로 성과를 평가하려는 시도는 없었다. 이에 본 연구는 정상 뻗기 운동 모델에 근거하여 뇌졸중 후 상지 운동 수행을 평가하는 새로운 방법을 제시한다. 방법: 개인의 정상 뻗기 수행을 대표하기 위해 우리는 세 가지 후보 모델을 선택하였다: (1) 속도-정확도 관계에 대한 Fitts' 법칙, (2) 뇌성마비의 마우스 포인팅 과제에 대한 Almanji 모델, (3) 본 연구에서 제안한 모델. 먼저, 모델과 평가 방법을 검증하기 위해 로봇을 이용하여 건강한 대상자(n = 12)와 뇌졸중 후 대상자(n = 7)의 운동학 데이터를 획득하였고, 임상 환경에서 뇌졸중 후 환자 집단(n = 12)을 대상으로 예비 연구를 수행하였다. 덜 영향을 받은 팔의 뻗기 수행으로부터 얻은 모델을 사용하여, 환자의 정상 뻗기 수행을 예측하고 이를 이환된 팔을 평가하기 위한 기준으로 설정하였다. 결과: > 0.7) 그러나 이환된 팔의 오류 있는 뻗기 수행은 확인하지 못하였다. 또한 본 평가 방법은 이환된 팔의 고유한 운동 특성을 직관적이고 시각적으로 보여주었다. 결론: 제안된 방법은 개인의 정상 뻗기 운동 모델을 기반으로 뻗기 특성을 평가하는 데 사용할 수 있다. 뻗기 동작의 한 세트를 우선시함으로써 개인화된 훈련을 제공할 잠재력이 있다.

다수의 연구에서 뇌 가소성을 유도하기 위해 뇌-컴퓨터 인터페이스(BCI)의 운동심상(motor imagery) 기반(MI-BCI) 시스템을 뇌졸중 재활에 활용해 왔다. 그러나 기존 연구들은 주로 운동심상 탐지에만 초점을 맞추었을 뿐, 오탐(false positive, FP) 탐지의 영향을 고려하지 않았다. FP는 잘못된 방향으로의 뇌 가소성을 유도할 수 있으므로, 뇌졸중 환자에게 위협이 되어 바람직하지 않은 결과를 초래할 수 있다. 본 연구에서는 FP를 거부하는 데 중점을 둔 재활용 MI-BCI 시스템을 제안하였다. 이를 위해 먼저 FP의 원인으로 작용하는 다수의 뇌파(electroencephalogram, EEG) 신호를 식별하였고, 신호의 특성에 기반하여 FP의 원천을 포함하는 소수의 EEG 채널을 사용한 새로운 2단계 분류기를 설계하였다. 8명의 건강한 참가자와 9명의 뇌졸중 환자를 대상으로 한 실험에서, 제안한 MI-BCI 시스템은 뇌졸중 환자 집단에서 단 4개의 EEG 채널만을 사용해 선택율 71.76%와 FP 비율 13.70%를 보였다. 또한 본 시스템은 재보정(recalibration)으로 장시간 세션 간격에 따른 일상적 변동을 보상할 수 있다. 이러한 결과는 FP로 인한 부작용을 감소시킴으로써 임상 환경에서 적용 가능한 본 제안 시스템이 MI-BCI의 치료 효과를 향상시킬 수 있음을 시사한다.

다수의 산업 분야에서는 수동 제어를 자동화하기 위해 전통적인 제어기를 적용한다. 최근에는 인간과 같은 다양한 산업 영역에서 목표를 달성할 수 있는 고급 제어기로서, 딥러닝 기법이 적용된 인공지능 제어기가 제안되어 왔다. 딥 강화학습(Deep reinforcement learning, DRL)은 이러한 제어기들이 각자의 고유한 운용 목표를 달성하는 방법을 학습하도록 하는 강력한 방법이다. DRL 제어기는 목표 시스템으로부터 샘플링을 통해 학습하기 때문에, 비례-적분-미분(Proportional-integral-derivative, PID) 제어기와 같은 전통적 제어기의 한계를 극복할 수 있다. 원자력발전소(Nuclear power plant, NPP)에서는 자동 시스템이 출력전력 전 운전(풀 파워) 동안 구성요소를 관리할 수 있다. 반면, 시동 및 정지 운전은 상대적으로 덜 자동화되어 있으며 일반적으로 운전원이 수행한다. 본 연구는 시동 운전의 일부인 냉정지(cold shutdown) 운전을 위한 DRL 기반 및 PID 기반 제어기를 제안한다. 제안된 제어기를 비교함으로써, 학습 기반 제어기가 전통적 제어기의 한계를 극복하고 최소한의 조작으로 운용 목표를 달성할 수 있음을 검증하고자 한다. 먼저, 냉정지 운전에서 필요한 구성요소, 운용 목표, 입력/출력을 식별하기 위해 본 연구는 냉정지 운전의 일반적인 운전 절차를 분석하였다. 이후 PID 및 DRL 기반 제어기를 설계하였다. PID 기반 제어기는 지글러–니콜스(Ziegler–Nichols) 규칙을 사용하여 적절하게 튜닝된 PID 제어기로 구성된다. 장단기기억(Long short-term memory, LSTM)을 사용한 DRL 기반 제어기는 분산 우선순위 경험 재생(distributed prioritized experience replay)과 분산 학습(distributed learning)을 통해 학습 시간을 줄일 수 있는 소프트 액터-크리틱(soft actor-critic) 알고리즘으로 학습된다. LSTM은 플랜트의 시계열 데이터를 처리하여 제어 신호를 생성한다. 이후 제안된 제어기들은 냉정지 운전 동안 NPP 시뮬레이터를 사용하여 검증되었다. 마지막으로 본 연구는 PID 기반 및 DRL 기반 제어기의 비교를 통해 운용 성능을 논의한다.

인간 신뢰성 분석(HRA)에서의 데이터 부족은 정량화 과정에서의 주요 과제로 제기되어 왔다. 많은 기관들은 실제 운영자가 참여하는 전체 범위 시뮬레이터를 사용한 실험을 통해 HRA 데이터를 수집해 왔다. 그럼에도 불구하고 전체 범위 연구에만 의존하는 데에는 여전히 몇 가지 한계가 있다. 본 논문은 단순화된 인간 오류 실험 프로그램(Simplified Human Error Experimental Program, SHEEP)을 통해 전체 범위 데이터 수집 연구를 어떻게 뒷받침할 수 있는지 제안하고자 한다. SHEEP 프레임워크는 Idaho National Laboratory(INL)가 간소화된 시뮬레이터와 학생 운영자를 활용하여 HRA 데이터를 수집하기 위해 개발하였다. 본 논문은 SHEEP 프레임워크의 주요 과업들을 소개하며, 특히 참여자 유형(즉, 학생 vs. 실제 운영자)에 따라 발생하는 차이에 초점을 맞춘다. 이는 간소화된 시뮬레이터(즉, Rancor Microworld)를 사용한 실험에 근거한다. 또한, 본 접근법을 통해 수집된 데이터가 실험 데이터를 바탕으로 대표적인 전체 범위 데이터 수집 연구(즉, HuREX 연구)를 뒷받침할 수 있는지에 대해서도 기술한다.

뇌졸중 환자는 높은 신체적 부담과 낙상 위험을 포함하여 보행 재활에 중대한 어려움을 겪는다. 보디 웨이트 서포트(body weight support, BWS) 시스템은 회복을 돕지만, 기존 설계는 공간, 비용, 적응성에 의해 제한된다. 이러한 문제를 해결하기 위해 적응형 재활을 위한 이동식 케이블 조정 모듈을 갖춘 맞춤형 2-케이블 구동 BWS 트레드밀 시스템을 개발하였다. 사용자는 하네스를 골반 지지 또는 상부 지지로 구성할 수 있으며, 이에 따라 두 가지 훈련 프로토콜을 제공한다: (1) 보행 효율을 향상시키기 위한 성과 중심 보행 훈련(Performance-Focused Gait Training, PFGT)과 (2) 자세 조절을 개선하기 위한 안정성 중심 보행 훈련(Stability-Focused Gait Training, SFGT)이다. 임상 시험 결과, PFGT는 보행 속도를 최대 34.7% 증가시켰고 보폭은 44.7% 증가시킨 반면, SFGT는 몸통 기울기를 7.3° 감소시켜 보행의 대칭성과 안정성을 촉진하였다. 이러한 결과는 개별화된 보행 훈련을 위해 맞춤형 언로딩 지지(unloading support)를 제공할 수 있음을 보여주며, 재활의 접근성과 효과를 향상시킨다.