전완부 근전도 기반 손 안 조작 및 엄지 촉진 분류: ResNet 모델의 혁신적 접근

 전완부 근전도 기반 손 안 조작 및 엄지 촉진 분류: ResNet 모델의 혁신적 접근

서론

인간의 손은 식사, 의복 착용, 도구 사용, 사회적 상호작용 등 일상생활 전반에 핵심적인 역할을 한다. 손 절단 환자들의 경우, 일상활동의 제약으로 삶의 질이 크게 저하된다. 이에 따라 상지 보조 로봇, 특히 의수(prosthetic hand) 개발이 활발히 진행되고 있으며, 그 핵심은 사용자의 의도를 정확히 인식하는 기술이다. 본 블로그에서는 전완부 표면 근전도(sEMG) 신호를 기반으로 한 ResNet 모델을 활용하여 손 안 조작(in-hand manipulation)과 엄지 촉진(thumb palpation)을 정밀하게 분류하는 최신 연구 결과를 소개한다.

연구 배경 및 필요성

표면 근전도(sEMG)는 비침습적이며, 인공지능 기반의 패턴 인식 기술을 통해 다양한 손 동작을 높은 정확도로 분류할 수 있는 장점이 있다. 기존 연구는 주로 grasping posture (파지 자세)에 집중되어 있으며, 손 안에서 물체를 조작하거나 촉진하는 복잡한 동작에 대한 분류는 상대적으로 미흡하다.

또한 기존 접근법은 고밀도 근전도(HD-sEMG)나 손 내재근(intrinsic hand muscles)을 함께 사용하는 경우가 많아, 실제 절단 환자에게 상용화하기 어렵다는 한계가 있다. 본 연구는 상용화된 Trigno Avanti 센서를 전완부에만 부착하여 단 8채널의 근전도만으로 10가지 동작을 고정밀로 분류하는 시스템을 개발하였다.

Fig.1의 10가지 원시 동작 설명

Fig. 1. 손 안 조작 및 엄진 촉진용 10가지 원시

Fig.1은 실험에 사용된 10가지 기본 동작(primitive)을 보여준다. 이들은 병진(translational), 회전(rotational) 운동 및 엄지의 4가지 방향 움직임(flexion, extension, adduction, abduction)으로 구성된다. 예를 들어, 손가락 끝에서 손바닥으로 물체를 이동시키는 동작은 파지 안정화를 위한 행동이며, 엄지의 내전은 섬세한 물체 조작에 필수적이다.

실험 설계 및 sEMG 측정

전완부 외재근에 부착된 8개의 sEMG 센서를 통해 총 7명의 20대 피험자를 대상으로 데이터를 수집하였다. 각 피험자는 동일한 10가지 원시 동작을 30회 반복하였으며, 실험은 이틀에 걸쳐 진행되어 전극 재부착 상황에서도 분류 정확도를 유지할 수 있는지 확인하였다.

ResNet 기반 분류 모델 구성

본 연구에서는 CNN이 아닌, 잔차 연결(skip connection)이 포함된 ResNet 모델을 사용하여 깊은 신경망에서도 학습 안정성과 정확도를 확보하였다. 모델은 3개의 잔차 블록, 글로벌 평균 풀링, 완전 연결층 2개, dropout, softmax 출력층으로 구성된다.

데이터 전처리 및 학습 방법

근전도 신호는 20-450Hz 대역 필터링과 60Hz 노치 필터를 거쳤으며, 슬라이딩 윈도우(100ms, 10ms 스텝)를 적용하여 8x200 샘플을 생성하였다. 모델 훈련은 5-Fold Cross Validation 및 Adam Optimizer를 이용해 진행되었으며, 미세 조정(fine-tuning)을 통해 전극 재부착에도 정확도를 유지할 수 있는 구조로 설계되었다.

실험 결과

Day 1 정확도

피험자 3의 경우 최고 99.18%, 피험자 4의 경우 최저 86.17%로, 평균 92~97%의 정확도를 기록하였다.

Day 2 정확도

2일 차에도 대부분의 피험자가 87% 이상 정확도를 유지했으며, 이는 ResNet의 높은 일반화 능력을 시사한다.

All Day: 미세 조정 후 결과

미세 조정 전에는 정확도가 87.26%로 향상되어 전극 재부착 상황에서의 실용 가능성을 확인하였다.

퀴즈

문제 1. 본 연구에서 사용된 ResNet 기반 모델의 장점이 아닌 것은?

A. 기울기 소실 방지
B. 고밀도 sEMG 신호 필수
C. 과적합 억제
D. 깊은 네트워크 학습 가능

문제 2. 본 연구에서 손 안 조작 동작을 10가지로 분류한 기준에 포함되지 않는 것은?

A. 병진 운동
B. 회전 운동
C. 손등 운동
D. 엄지 움직임

정답 및 해설

1. 정답: B. 해설: 본 연구는 고밀도 sEMG 대신 상용 8채널 근전도 센서를 사용하여도 높은 정확도를 유지하는 것이 핵심이다.

2. 정답: C. 해설: 손등 운동은 본 연구의 분류 기준이 아니며, 병진/회전/엄지 동작이 핵심이다.

결론 및 향후 연구 방향

본 연구는 표면 근전도만으로 손 안 조작 및 엄지 촉진 동작을 고정밀로 분류할 수 있는 ResNet 모델을 제안하며, 상지 절단 환자를 위한 의수 제어 시스템으로서의 가능성을 입증하였다. 향후에는 동적 환경에서도 안정적인 작동을 위한 사용자별 모델 최적화와 하드웨어 통합이 필요하다.

참고문헌

[1] M. Vergara et al., "An introductory study of common grasps used by adults during performance of activities of daily living," J Hand Ther., vol. 27, no. 3, pp. 225-234, 2014.
[2] S. Katz, "Assessing self-maintenance...," J Am Geriatr Soc., vol. 31, no. 12, pp. 721-727, 1983.
[3] Y. Yan et al., "Unexpected complexity of everyday manual behaviors," Nature Comm., vol. 11, 2020.
[4] J. Zhou et al., "A soft-robotic approach...," IEEE Access, vol. 7, pp. 101483-101495, 2019.
[5] J. Ribeiro et al., "Analysis of man-machine interfaces...," Robotics, vol. 8, no. 1, p. 16, 2019.
[6] M. Coskun et al., "Efficient DNN model for classification of grasp types...," J Ambient Intell Human Comput., vol. 13, pp. 4437-4450, 2022.
[7] A. Dwivedi et al., "A learning scheme for EMG based decoding...," IEEE Trans Neural Syst Rehabil Eng., vol. 27, no. 10, pp. 2205-2215, 2019.