인공지능을 이용한 근전도 및 관성 신호 기반의 손동작 분류 시스템 개발
Development of a hand motion classification system based on surface electromyogram and inertial signals using artificial intelligence
초록/요약
본 연구의 목표는 표면 근전도(surface electromyography: sEMG)와 관성측정장비(inertial measurement unit: IMU)를 함께 사용하여 다양한 손동작을 높은 성능으로 분류하는 것이다. 16명의 subject가 실험에 참여하였으며, 실험을 진행하는 동안 손등에 부착한 sEMG와 IMU센서를 이용하여 데이터를 수집하였다. 오프라인 실험에서 피험자들은 9가지의 서로 다른 손동작 과제를 각각 2초씩 총 20회 반복 수행하였다. 측정된 sEMG와 IMU데이터로부터 손동작 움직임을 분류하기 위한 특징을 추출하였으며, 5 x 5-fold 교차 검증과 선형분류판별기(linear discriminant analysis: LDA)를 활용하여 분류정확도를 계산하였다. 오프라인 실험 데이터를 활용하여 분류기를 생성한 후, 실시간으로 9가지 손동작을 구분하는 온라인 실험을 별도로 수행하였으며, 각각의 손동작을 10회씩 수행하여 실시간 분류 정확도를 산출하였다. 또한, CNN을 이용하여 손동작을 분류하기 위하여 최적의 학습 변수(hyperparameter)를 선정하는 과정을 거쳐 선정된 옵션으로 오프라인과 온라인 분류정확도를 산출하여 LDA의 분류 정확도와 비교하였다. 분류 정확도를 개선하기 위하여 데이터 증대(augmentation)을 적용하여 분류기의 학습 데이터 양을 늘려 분류정확도도 산출하였다. 연구 결과, 데이터 증대를 적용한 LDA로 sEMG와 IMU을 함께 사용하였을 때 오프라인 평균 분류정확도는 99.1 ± 1.5%, 온라인 평균 분류정확도는 76.1 ± 14.9%로 sEMG와 IMU를 개별적으로 사용한 정확도 대비 유의미하게 높은 것을 확인하였으며, 데이터 증대로 인한 분류 정확도 향상을 확인하였다. 본 연구에서는 sEMG와 IMU를 동시에 사용하여 사용자의 여러 손동작을 높은 정확도로 구분할 수 있음을 확인하였으며, 다양한 인간-컴퓨터 인터페이스 기술로 유용하게 활용될 수 있을 것으로 기대된다.
more초록/요약
The objective of this study was to classify different hand motions with high performance using surface electromyography (sEMG) and inertial measurement unit (IMU) data. 16 subjects participated in the experiment, and data was acquired using the sEMG and IMU sensor attached to the back of the hand during the experiment. In the offline experiment, subjects performed nine different hand motions 20 trials for 2s each. The Hudgins' features for classifying gestures were extracted from the measured sEMG and IMU data, and the classification accuracy was calculated using a 5 x 5-fold cross-validation and a linear discriminant analysis (LDA). After training a classifier using the offline experiment data, an online experiment to classify 9 hand gestures in real time was separately performed, and each hand gesture was performed 10 trials to calculate the real-time classification accuracy. In addition, offline and online classification accuracy using convolutional neural network (CNN) was calculated as an option selected through the process of selecting an optimal hyperparameter to classify gestures and compared with the classification accuracy of LDA. The classification accuracy was calculated by increasing the amount of learning data of the classifier by applying data augmentation to improve the classification accuracy. As a result of the study, when using a combination of sEMG and IMU as an LDA to which data augmentation was applied, the offline classification accuracy was 99.1 ± 1.5%, and the online classification accuracy was 76.1 ± 14.9%. Also, the classification accuracy was improved due to data augmentation. In this study, author confirmed that different hand motions can be discriminated with high performance when using sEMG and IMU features simultaneously, and it is expected that this result can be usefully used to develop human-computer interface applications
more목차
I. 서론 1
1.1 연구 배경 1
가. 근전도 1
나. 관성측정장치 2
다. 인간-컴퓨터 상호작용 3
1.2 연구 목적 4
II. 방법 6
2.1 실험 대상 6
2.2 데이터 측정 6
2.3 실험 패러다임 8
가. 오프라인 실험 8
나. 온라인 실험 9
2.4 손동작 분류 10
가. 머신러닝을 이용한 손동작 분류 10
나. 딥러닝을 이용한 손동작 분류 11
다. 데이터 증대 13
2.5 통계 14
III. 결 과 15
3.1 머신러닝을 이용한 손동작 분류 결과 15
3.2 딥러닝을 이용한 손동작 분류 결과 18
3.3 데이터 증대를 적용한 분류 결과 22
IV. 결 론 24
참고문헌 26
