표면 근전도활용 순환 신경망을 이용한 보행 단계 인식 (Gait Phase Recognition by Surface Electromyography Using a Recurrent Neural Network)

서지정보

· 발행기관 : 대한기계학회
· 수록지 정보 : 대한기계학회논문집 A / 48권 / 11호 / 727 ~ 734페이지
· 저자명 : 경슬기

초록

표면근전도는 외골격로봇에서 인간의 움직임 의도를 감지하는데 사용될 수 있으며, 인간이 보행할 때의 보행 단계는 하지 외골격을 제어하기 위한 요소이다. 보행 단계는 지면반력을 측정해 구분할 수 있지만, 이 센서를 외골격에 직접 사용하면 부자연스러운 움직임이 발생할 수 있고, 부피도 커진다. 근전도는 움직임 이전에 근육 활성화를 감지할 수 있다는 장점이 있지만 잡음과 시간 변동성으로 인해 직접 사용하기가 어렵다. 본 연구에서는 지면반력 정보를 사용하지 않고 근전도의 시계열 특성과 순환 신경망을 사용하여 걷기의 보행 단계를 감지하였다. 보행 주기는 실제 보행 동작이 발생하기 10 ms 전에 근전도를 통해 90% 정확도로 추정하였다. 이 연구를 통해 지면반력 센서 없이도 보행 단계를 추정할 수 있음을 보여주었으며, 이는 하지 외골격 로봇 연구에서 시스템 구조를 단순화하고, 제어를 안정화하는데 도움이 될 것으로 기대한다.

영어초록

This study focused on the recognition of gait phases using surface electromyography (sEMG) and a recurrent neural network (RNN). The goal was to enhance the performance of lower-limb exoskeletons, which assist in walking, by detecting human movement intent. Traditionally, ground reaction force (GRF) sensors have been used for gait phase detection; however, these sensors can cause issues with bulky designs and unnatural movement. Surface electromyography offers an advantage by detecting muscle activation before movement occurs, though it faces challenges such as noise and time variability. In this study, an RNN was applied to time-series sEMG data to predict gait phases without using GRF sensors. The model achieved a 90% accuracy in predicting gait phases 10 ms before the actual movement. This approach demonstrates that sEMG can serve as an alternative to GRF sensors, simplifying exoskeleton system designs and improving control stability. The findings suggest that using sEMG and RNNs can significantly enhance the functionality of wearable robotic systems aimed at assisting walking.

참고자료

· 없음