새로운 오토인코더를 이용한 표면근전도 기반 동시 비례적인 손가락 힘 의도 추정

Abstract

최근 로봇 의수 제어를 위해 표면근전도 신호와 사용자와의 의도 간의 관계 추정 모델에 관한 연구가 활발히 진행되고 있다. 기존의 상용화 된 의수의 경우, 분리된 여러 동작만이 가능한 분류기 기반으로 의수를 제어 하고 있다. 따라서 여러 로봇 손가락의 동시에 비례적으로 제어하기 위해 모델 기반의 의도 추정 모델 개발이 필수적이다. 또한 절단 환자의 특성상, 손가락 끝 힘, 움직임 등의 정보를 알 수 없기 때문에 모델을 자율학습으로 학습할 수 밖에 없다. 기존 선행 연구의 경우 행렬의 양수 분해를 통해 의도를 추정하고자 하였지만, 손가락의 동시움직임을 추정하지 못하여 실제 의수에 적용할 수는 없었다. 또한 선형 모델이므로 손가락 운동에 대한 인간의 신경운동계의 비선형성을 추정할 수 없는 한계점을 갖는다. 본 학위논문에서는 기존의 반 자율적 선형 모델의 단점을 극복하기 위해 새로운 오토인코더를 이용한 모델을 제안한다. 제안 된 모델은 기존의 이미지 분류에서 사용되고 있는 자기부호화기 (Auto-encoder)의 형태를 차용하여 응용한 모델로써, 손가락의 동시움직임을 추정할 수 있을 뿐만 아니라 인간의 신경운동계의 비선형성을 추정 할 수 있는 모델이다. 비용 함수에 손가락 움직임의 독립성을 강조하고, 손가락 움직임에 대한 최소한의 힌트를 주는 형태로 모델을 개발했다. 제안 된 모델은 기존 모델에 비해 다음과 같은 장점을 갖는다. 1. 인공신경망을 이용한 모델로써 인간의 신경운동계의 비선형성을 추정할 수 있다. 2. 손가락의 동시활성데이터를 활용하여 손가락의 동시움직임을 추정할 수 있다. 3. 각 손가락 움직임의 간섭을 최소화하여 독립성을 확보할 수 있다. 제안 된 모델(CAE)를 기존 모델(NMF, CSP, NMF-HP, Supervised Learning)과 비교, 평가하기 위해 두 실험으로 나누어 진행했다. 첫째로는 시뮬레이션을 통해 각 모델의 성능을 RMSE 값과 손가락들간의 독립율(Independency ratio, IR) 이라는 두 지표를 통해 비교 검증했다. 제안한 모델이 기존의 선형 모델과 비교하여 두 지표 모두 좋은 성능을 보였고 손가락에 힘을 주지 않는 부분에 대해서는 제안한 모델이 월등히 좋은 성능을 보였다. 두번째 실험은, 실제 로봇 의수의 제어를 반영하기위해 각각의 모델을 이용하여 사람이 실시간으로 모니터 화면에 표시된 타겟을 정해진 위치에 도달하게 하는 타겟도달실험을 수행했다. 이 실험의 경우 제안 된 모델이 다른 모델들보다 좋은 성능을 보였다. 두 실험 간의 연관성을 평가하기 위해 RMSE, IR과 타겟도달실험의 지표와의 상관관계를 분석하였는데, RMSE값과 타겟도달실험간의 상관관계가 적었고, IR과 타겟도달실험간의 상관관계가 크다는 것을 보였다. 이는 로봇 의수의 실시간 제어의 경우, 각 손가락 간의 독립성이 더 큰 중요성을 갖는다는 것을 확인한 것이다. 따라서 본 학위논문에서는 기존 모델에서 반영하지 못했던, 인간 신경운동계의 비선형성 추정과 각 손가락의 독립성 확보가 실제 로봇 의수의 실시간 제어에 성능 향상을 꾀할 수 있음을 검증했다.