표면 근전도(surface electromyogram, sEMG) 신호를 측정하여 표면 근전도 패턴의 정보를 얻는 제1 단계;근육 활성화 패턴에 대하여 우도 확률 함수(likelihood probability function)를 다음 식으로 정의하고, ,상기 측정된 표면 근전도 패턴에 대해 우도 확률을 평가하는 제2 단계;최대 우도법(Maximum Likelihood Estimation, MLE)을 수행하여 최대 우도 추정치 와 최대 우도 확률 을 다음 식으로 산출하고 ,,상기 표면 근전도 패턴을 분류하는 제3 단계; 및상기 최대 우도 확률 값을 기반으로 반복적인 자가-적응 프로세스를 수행하여 상기 분류된 표면 근전도 패턴의 우도 확률 함수를 업데이트 하거나 새로운 근육 활성화 패턴을 등록하는 제4 단계를 포함하는 표면 근전도 패턴 인식을 위한 자가-적응형 분류 시스템에 의해서 수행되는 자가-적응형 분류 방법.여기서, pn는 우도 확률 함수이고, xn는 표면 근전도 측정값이며(n=1, 2, ..., N; N은 표면 근전도 채널의 총 수임), θm는 근육 활성화 패턴을 나타내는 변수이고(m=1, 2, ..., M; M은 근육 활성화 패턴의 총 수임), k는 표면 근전도 패턴의 측정 반복 수를 나타낸다.

삭제

삭제

제 1 항에 있어서,상기 제4 단계는,상기 우도 확률 함수에 대해 확산 방정식을 이용하는 확산 프로세스를 수행하는 과정;상기 최대 우도 확률이 미리 설정된 임계 확율보다 큰 경우 상기 우도 확률 함수를 업데이트하는 과정;상기 최대 우도 확률이 미리 설정된 임계 확률보다 작은 경우 상기 새로운 근육 활성화 패턴을 등록하는 과정을 더 포함하는, 표면 근전도 패턴 인식을 위한 자가-적응형 분류 시스템에 의해서 수행되는 자가-적응형 분류 방법.

제 4 항에 있어서,상기 확산 프로세스를 수행하는 과정은 다음 식에 따라 확률 분포를 한 단계 확산시키는 것을 포함하는, 표면 근전도 패턴 인식을 위한 자가-적응형 분류 시스템에 의해서 수행되는 자가-적응형 분류 방법.여기서, k는 표면 근전도 패턴의 측정 반복 수를 나타내고, α는 확산 계수이다.

제 4 항에 있어서,상기 우도 확률 함수를 업데이트하는 과정은 다음 식에 따라 수행되는 것을 포함하는, 표면 근전도 패턴 인식을 위한 자가-적응형 분류 시스템에 의해서 수행되는 자가-적응형 분류 방법.,여기서, σu2은 미리 설정된 업데이트 분산(variance)이다.

제 4 항에 있어서,상기 새로운 근육 활성화 패턴을 등록하는 과정은 다음 식에 따라 수행되는 것을 포함하는, 표면 근전도 패턴 인식을 위한 자가-적응형 분류 시스템에 의해서 수행되는 자가-적응형 분류 방법.,,,여기서, σu2은 미리 설정된 업데이트 분산(variance)이다.

제 1 항에 있어서,상기 제4 단계는,등록이 발생한 마지막 반복 이후 미리 설정된 반복 기간 후에 새로 등록이 발생하도록 제한하는 등록 보류 과정을 더 포함하는, 표면 근전도 패턴 인식을 위한 자가-적응형 분류 시스템에 의해서 수행되는 자가-적응형 분류 방법.

제 1 항, 제 4 항 내지 제 8 항 중 어느 한 항에 따른 표면 근전도 패턴 인식을 위한 자가-적응형 분류 방법을 수행하기 위한 컴퓨터 프로그램이 기록된 컴퓨터로 판독 가능한 기록 매체.

표면 근전도(surface electromyogram, sEMG)를 측정하여 표면 근전도 패턴을 얻는 표면 근전도 센서;근육 활성화 패턴에 대하여 우도 확률 함수(likelihood probability function)를 다음 식으로 정의하고, ,상기 측정된 표면 근전도 값에 대해 우도 확률을 평가하는 모델링부;최대 우도법(Maximum Likelihood Estimation, MLE)을 수행하여 최대 우도 추정치 와 최대 우도 확률 을 다음 식으로 산출하고 ,,상기 표면 근전도 패턴을 분류하는 예측부; 및상기 최대 우도 확률 값을 기반으로 반복적인 자가-적응 프로세스를 수행하여 상기 분류된 표면 근전도 패턴의 우도 확률 함수를 업데이트 하거나 새로운 근육 활성화 패턴을 등록하는 자가-적응부를 포함하는 표면 근전도 패턴 인식을 위한 자가-적응형 분류 시스템.여기서, pn는 우도 확률 함수이고, xn는 표면 근전도 측정값이며(n=1, 2, ..., N; N은 표면 근전도 채널의 총 수임), θm는 근육 활성화 패턴을 나타내는 변수이고(m=1, 2, ..., M; M은 근육 활성화 패턴의 총 수임), k는 표면 근전도 패턴의 측정 반복 수를 나타낸다.

삭제

삭제

제 10 항에 있어서,상기 자가-적응부는,상기 우도 확률 함수에 대해 확산 방정식을 이용하는 확산 프로세스를 수행하고,상기 최대 우도 확률이 미리 설정된 임계 확율보다 큰 경우 상기 우도 확률 함수를 업데이트하고,상기 최대 우도 확률이 미리 설정된 임계 확률보다 작은 경우 상기 새로운 근육 활성화 패턴을 등록하는, 표면 근전도 패턴 인식을 위한 자가-적응형 분류 시스템.

제 13 항에 있어서,상기 확산 프로세스를 수행하는 과정은 다음 식에 따라 확률 분포를 한 단계 확산시키는 것을 포함하는, 표면 근전도 패턴 인식을 위한 자가-적응형 분류 시스템.여기서, k는 표면 근전도 패턴의 측정 반복 수를 나타내고, α는 확산 계수이다.

제 13 항에 있어서,상기 우도 확률 함수를 업데이트하는 과정은 다음 식에 따라 수행되는 것을 포함하는, 표면 근전도 패턴 인식을 위한 자가-적응형 분류 시스템.,여기서, σu2은 미리 설정된 업데이트 분산(variance)이다.

제 13 항에 있어서,상기 새로운 근육 활성화 패턴을 등록하는 과정은 다음 식에 따라 수행되는 것을 포함하는, 표면 근전도 패턴 인식을 위한 자가-적응형 분류 시스템.,,,여기서, σu2은 미리 설정된 업데이트 분산(variance)이다.

제 10 항에 있어서,상기 자가-적응부는,등록이 발생한 마지막 반복 이후 미리 설정된 반복 기간 후에 새로 등록이 발생하도록 제한하는 등록 보류 과정을 더 수행하는, 표면 근전도 패턴 인식을 위한 자가-적응형 분류 시스템.