Current Issue

벤치마킹 근전도 데이터는 공개적으로 사용이 가능한 데이터로 "EMG(Dr. R. Khushaba)"가 그 중 하나이다. EMG 데이터는 6개 세트로 구성되어 있다. 세트 1은 8명의 피험자가 10개 손동작을 수행하고 이를 2채널로 측정하였다[5]. 세트 2-3은 8명의 피험자가 15개 손동작을 수행하고 이를 8채널로 측정하였다[6][7]. 세트 4는 손이 절단된 사람의 근전도 신호를 측정한 데이터[8], 세트 5는 팔 방향을 변화하면서 측정한 근전도 데이터[9], 세트 6은 사지 위치를 변화하면서 측정한 근전도 데이터로 구성하였다[10]. 세트 1-3 및 6은 대역 통과 필터와 노치 필터를 이용해 잡음을 제거하였으며, 척측수근신근, 손가락폄근, 장요측수근신근 등에서 근전도 신호를 측정하였다.

UCI의 "sEMG for basic hand movements data set[11]"은 20~22세 사이의 5명 피험자가 6개 손동작을 수행하면서 측정한 데이터이다. 근전도 신호는 요측수근신근과 척측수근굴근에서 측정하였다. 전처리 과정으로 대역 통과 필터와 노치 필터를 적용하였으며, 총 2 세트로 구성되어 있다. 세트 1은 5명의 피험자가 single-session에서 각 동작을 30번 반복한 데이터, 세트 2는 1명의 피험자가 multi-session에서 각 동작을 100번 반복한 데이터다.

UCI의 "EMG dataset in lower limb data set[12]"은 22명의 피험자(정상인 11명, 비정상인 11명)가 3가지 발동작(앉기, 서기, 걷기)을 수행하면서 측정한 데이터이다. 근전도 신호는 4채널로 대퇴직근, 대퇴이두근, 내광근, 반힘줄근에서 측정하였다.

"Ninapro DB2[13]"는 40명의 피험자가 49개 손동작을 수행하면서 측정한 데이터로, 데이터는 3개 세트로 구성되어 있다. 세트 1은 손가락과 손목을 펼치거나 회전하면서 측정한 근전도 신호로 구성되었다. 세트 2는 물체를 잡는 동작을 수행하면서 측정한 근전도 신호로 구성되었다. 세트 3은 한 개 이상의 손가락을 구부리면서 측정한 근전도 신호로 구성되었다. 데이터 세트에서 모든 동작은 5초 동안 유지하고, 6회 반복 동작하였다.

"Ninapro DB5[14]"는 10명의 피험자가 52개 손동작을 수행하면서 측정한 데이터로, 데이터는 3개 세트로 구성되어 있다. 세트 1은 손가락을 움직이면서 측정한 근전도 신호로 구성되었다. 세트 2-3은 Ninapro DB2의 세트 1-2와 동일하게 구성되었다. 모든 동작은 5초 동안 유지하고, 동작 수행 후 피험자는 3초 동안 휴식하였다.

X. Zhang[15]은 근전도 신호 기반 동작 인식을 위해 데이터를 측정했다. 근전도 신호는 22~31세 사이의 피험자 10명에게 MYO 암밴드를 이용해 전완근 주위에서 8채널로 측정하였다. 근전도 신호를 측정한 동작은 5개의 air 동작(Ok, come, hi 등)과 5개의 dynamic 동작(Drinking, typing, writing 등)으로, 피험자는 앉아있는 편안한 상태에서 각 동작을 20회 반복하였다.

H. Yamaba[16]는 일본어 수화 음절에 대한 근전도 신호를 측정했다. DL-3100 및 DL 141 장비를 이용해 2채널로 근전도 신호를 측정하고, 6명의 피험자는 의자에 앉은 편안한 상태로 동작을 수행하였다. 각 동작은 10회 반복하고, 신호의 변동성을 고려하기 위해 3개 session에서 측정하였다.

J. M. Fajardo[17]는 1채널 근전도 신호를 이용한 동작 인식을 위해 Biopac MP30 장비로 피험자의 오른팔 근육에서 근전도 신호를 측정했다. 근전도 신호는 wrist extension, wrist flexion, radial carpi deviation, pronation을 포함한 10개의 동작을 수행하면서 측정하였다. 모든 동작은 3초 동안 유지하고, 동작 후 피험자는 2초 동안 휴식하였다.

표 1은 기존 연구에서 사용한 근전도 데이터 세트의 구성을 비교하였다. 벤치마킹 데이터와 직접 측정한 데이터는 수행한 동작 수가 적거나, 공개되지 않은 문제가 있다. 또한, 주로 single-session으로 구축되어, 근전도를 이용한 동작 인식에서 신호의 변동성을 고려하지 못하는 문제가 발생한다.

그러나 실제로 고려되는 신호는 사용된 기록 장치의 배치, 관련된 피험자의 감정 상태, 수행된 작업 및 주변 환경에 따라 달라질 수 있으므로 생체신호를 이용한 연구는 신호의 변동성을 고려해야 한다[18]. 따라서 본 논문에서는 신호의 변동성을 확인 가능하도록 충분한 인원을 대상으로 인간-컴퓨터 인터페이스에 사용 가능한 multi-session 벤치마킹 근전도 데이터를 구축했다. 또한, 데이터의 효용성을 확인하기 위해 동작 인식 실험을 진행한다.

측정자는 근전도 신호를 측정하기 전에 피험자에게 실험 목적과 절차, 수행 동작에 대해 설명하였다. 또한, 카페인 및 음주 여부, 건강 상태, 수면 상태 등을 설문조사하였다. 이는 피험자의 질병을 확인하고, 생활 습관에 따른 데이터의 특성을 향후 연구하기 위해 조사하였다. 근전도 신호는 Biopac MP160 장비를 이용해 평균 24.69세(19~70세) 사이의 피험자 200명(남성 98명, 여성 102명)에게 측정하였다[19].

센서는 그림 2와 같이 오른손의 긴손바닥근 및 손가락폄근에 높은 감도를 지닌 Ag/AgCl 센서를 부착하였다[20]. 센서 위치는 손동작 시 근육 변화량이 많은 지점을 선택하였다. 피험자는 의자에 앉은 편안한 상태에서 손동작을 진행했으며, 각 동작은 10회 반복하였다. 동작 전/후 휴식을 진행하고, 동작은 최소 1초 이상 유지하였다. 신호는 2,000Hz 샘플링 속도, 16bit ADC 해상도로 측정했으며, 피험자는 조선대학교 학생 및 연구원, 일반인을 대상으로 선정하였다[19].

Fig. 2. 
EMG signal measurement positions

CS_sEMG DB는 그림 3과 같이 12개 동작에 대한 근전도 신호로 구성되었다. 동작은 static 동작 및 dynamic 동작으로 구분되며, 일상생활에서 많이 사용하는 동작으로 선정하였다[19].

Fig. 3. 
Twelve hand motions of CS_sEMG DB

Static 동작은 한 번의 움직임을 수행하는 동작이며, dynamic 동작은 연속된 움직임을 수행하는 동작이다. 데이터는 근전도 신호의 변동성을 고려하기 위해 동일한 피험자에게 총 3개 session에서 측정했으며, session 사이에는 하루 이상의 시간 간격을 두었다. 각 피험자는 1개 동작에 대해 3개 session으로 측정하여, 총 30개(10회 반복x3개 session) 근전도 신호를 측정하였다[19].

측정자 및 피험자의 실수로 잘못 측정된 근전도 데이터가 결과에 영향을 미치지 않도록 한 개 이상의 신호가 잘못된 경우 해당 피험자를 제외하였다. 구축한 데이터를 확인한 결과, 피험자 200명 중 116명의 근전도 신호가 올바르게 측정되었다. 잘못 측정된 84명은 ‘블루투스 연결 끊김’, ‘근육 수축/이완 불완전’, ‘반복 횟수 부족’, ‘근육이 활성화되지 않음’의 이유로 제외하였다. 제외된 피험자 번호는 표 2와 같다[19].

각 동작에 대한 10회 반복은 중단없이 연속적으로 측정되었다. 따라서 데이터 검증 후 올바르게 측정된 피험자들의 근전도 신호를 육안으로 판단하여 반복된 동작 구간의 신호를 분할하였다. 구축된 CS_sEMG DB는 조선대학교 IT연구소(http://www.chosun.ac.kr/user/indexSub.do?codyMenuSeq=842922712&siteId=riit)에서 공개하고 있으며, 필터링을 적용하지 않은 원시 근전도 데이터를 텍스트 파일 및 Matlab 파일로 제공한다. 텍스트 파일은 반복이 분할되지 않은 근전도 신호로, 10회 반복한 근전도 신호가 한 개의 파형으로 표현된다. Matlab 파일은 반복이 구분된 근전도 신호로, 제공되는 파일은 5개 열로 구성되어 있다. 각 열의 정보는 아래와 같다[19].

• • 1열: 2채널 근전도 데이터
• • 2열: 반복을 구분하기 위한 샘플링 정보
• • 3열: 피험자 라벨
• • 4열: 동작 라벨
• • 5열: session 라벨

구축한 CS_sEMG DB의 효용성을 확인하기 위한 실험으로, 12개 손동작의 근전도 신호를 이용한 동작 인식 실험을 진행한다. 동작을 분류하기 위한 네트워크는 3개의 합성곱 레이어 및 2개의 장단기 메모리 레이어로 구성된 기존 연구[21] 모델을 사용한다. 합성곱 레이어는 근전도 신호에서 공간 특징을, 장단기 메모리는 시간 특징을 데이터에 적응적으로 추출해 사용한다[22]. 또한, 근전도 신호 전처리 방법, 스펙트로그램 변환, 합성곱 신경망-장단기 메모리의 파라미터는 기존과 동일하게 사용한다.