의수 하드웨어의 성능의 발전에도 불구하고 사용성이 떨어지는 가장 큰 이유 중 하나는 사용자의 다양한 동작 의도를 정확하고 빠르게 인식하는 알고리즘 및 측정 시스템의 부재다. 대부분의 의수는 근전도 센서를 절단 뒤 잔여하는 팔뚝에 부착하여 근육이 수축할 때 발생하는 전기적 신호의 측정 값을 통해 의수의 동작을 제어하는 형태로 되어 있다 (Fig. 2).

근전도 센서를 활용하여 정확하고 안정적으로 사용자의 동작 의도를 파악하기 위해서는 근전도의 부착 위치, 근전도 센서의 개수, 근전도 신호 처리 방법, 의도 분류 알고리즘 등 다양한 요소를 고려해야 한다. 근 10년간 다양한 동작의도에 대한 정확하고 안정적인 인식을 위하여 다양한 측정 시스템 및 의수 제어방법들이 연구되어왔다. 본문에서는 다양한 동작의도를 구분하기 위한 다양한 측정 시스템과 제어 방법에 대한 연구 동향을 소개하고자 한다.






 

제한된 정보를 활용해서 다양한 기능을 수행할 수 있도록 하기에 용이한 방법 중 하나는 상태 머신을 활용하는 것이다. 그래서 많은 상용 의수들의 경우 간단한 측정 시스템을 통해 다양한 파지 자세를 구현하기 위해서 상태 머신을 활용한다. 근전도 센서를 굽힘근과 신전근 근처에 부착하여 손을 열고 닫는 의도를 각각 굽힘근과 신전근을 통해서 인식하고, 굽힘근과 신전근을 동시에 수축(co-contraction)하는 신호를 통해서 파지 자세를 변화시킨다 (Fig. 3) [2].
파지자세를 변화시키기 위한 또 다른 방법으로 의수에 설치된 물리 버튼의 터치나 스마트폰 앱을 통한 파지 자세 선택이 있다.



 

본 방법들은 센싱 시스템의 설계를 단순화할 수 있다는 장점이 있으나, 사용자의 경우 원하는 파지 자세를 선택하고 나서 동작을 수행하기 때문에 직관적으로 원하는 동작은 원하는 타이밍에 수행하기 어렵다. 이런 한계를 극복하기 위해서 더 많은 수의 근전도 센서를 부착하여 동작의도 인식에 활용하는 연구가 이루어지고 있다.



 

High-Density (HD) 근전도 센서를 통한 동작의도 인식은 팔뚝 주변에 더 많은 근전도 센서를 부착하여 다양한 동작의도를 근전도 센서 신호의 주요 특징(feature) 및 패턴으로부터 파악하는 방법이다. 동작의도 파악을 위해 주로 Hudgins의 연구에서 제안했던 시간의존(Time dependent) 근전도 신호 특징을 활용한다 [3]. 주요 근전도 신호의 특징들은 특정 time step 만큼 이동하는 200ms의 간격의 window 안의 데이터로부터 계산되며 그 종류는 다음과 같이 정리할 수 있다.



 

1) Mean Average Value (MAV): Window 안의 근전도 신호 데이터에 대한 절대값의 평균



 

2) Wave Length (WL): Window 안의 근전도 신호 waveform의 총 길이로 각 time step에 대한 근전도 신호의 절대 변화량의 총합을 의미한다.



3) Zero-crossing (ZC): Window 안의 근전도 신호의 sign(+/-) 변화 횟수

4) Slope Sign Changes (SC): Window 안의 근전도 신호의 기울기의 sign(+/-) 변화 횟수


위에 정리한 것 이외에도 autoregressive (AR), Willson amplitude (WAMP), sample entropy (ENT) 등 다양한 특징들을 근전도 신호로부터 추출하여 기계학습의 입력으로 활용하고 있으며 함께 사용함으로써 동작인식 정확도를 증가시킬 수 있다.

8개의 근전도 센서를 Fig. 4(a)에서 보는 위치에 부착하고 사용하는 근전도 신호 특징의 종류에 따라 7개의 동작을 분류한 연구 결과를 통해 [4] (Fig. 4(b-c)) 각 특징이 분류에 얼마나 기여하고 있는지 알 수 있다. 위에서 정리한 4가지의 주요 특징을 모두 활용했을 때 (Fig. 4(b-c)의 TD) 분류 오차율이 작다는 것을 확인할 수 있고, WL, MAV, ZC, SC 순으로 기여도가 높음을 확인할 수 있다.




 

Fig. 4. 근전도 전극 위치 및 근전도 신호 특징의 종류에 따른 분류 오차율. (a) 근전도 전극 위치 (팔뚝의 단면도); 4채널: 2, 4, 6, 8 위치; 6채널: 2, 3, 4, 6, 7, 8 위치, (b) static condition에서의 동작 분류 오차율, (c) dynamic condition에서의 동작 분류 오차율 [4].




 

Fig. 4(b-c)의 결과를 통해 사용하는 근전도 센서의 수가 증가함에 따라 정확도가 높아짐 또한 확인 할 수 있다. 많은 근전도 센서를 사용할수록 분류 정확도는 증가하지만 시스템의 복잡도가 증가하게 된다. 정확도를 높게 유지하는 최소의 근전도 센서 수 및 부착 위치를 찾는 것은 실제 활용 가능한 HD-근전도센서 기반 의도 인식 시스템을 개발하는 데 있어서 중요하다.

Muceli et al.의 연구에서는 6~192개의 근전도 센서를 여러가지 위치에 배치하고 손목을 굽힘, 신전, 내전, 외전 할 때의 근전도 신호를 분석하였고 4가지 동작을 설명할 수 있는 근육 시너지 성분을 및 개수를 분석하였다 [5]. 두 개의 시너지 성분의 조합을 통해 95% 이상의 동작을 구성할 수 있었으며, 여섯 개의 시너지를 통해 99% 이상의 동작을 설명할 수 있었다.

근전도 센서를 활용한 task 수행 성공률에 대한 분석을 통해 동작시 활성화가 많이 일어 나는 부분에 전극을 배치했을 때 (Fig. 5,붉은 영역) 6개 이상의 전극에 대해 전극 개수와 관계없이 비슷한 정확도를 갖는 다는 것을 확인할 수 있었다. Muceli et al.의 연구 결과를 통해 높은 정확도의 동작을 분류 유지하는 최적의 전극의 개수 및 위치를 최적화 가능함을 알 수 있고, 분류하고자 하는 동작에 따른 전극의 최적화가 필요함을 알 수 있다.







 

동작의도를 분류하는 알고리즘으로는 Linear Discriminant Analysis (LDA), support vector machine (SVM), Neural Network (NN) 등이 사용된다. LDA는 입출력 데이터에 대해 선형적인 hyperplane을 통해 분류하는 방식이고, SVM은 데이터를 비선형 매핑을 통해서 고차원원으로 변환한 뒤 hyperplane으로 분류하는 방식이다.

LDA에 비해서 SVM과 NN가 더 향상된 정확도를 보이지만 online 상의 테스트를 통한 결과로부터 큰 개선이 이루어지지는 않아 비교적 계산이 알고리즘이 간단한 LDA를 많은 연구에서 활용하고 있다 [1]. 복잡한 base function을 기반으로 한 SVM이나 많은 layer을 갖는 NN은 오프라인상의 분류 정확도를 크게 향상시킬 수 있지만 센서 노이즈 등의 변하는 상황에 대한 일반화가 부족하여 온라인으로 의수를 실시간으로 테스트했을 때 동작 인식률이 떨어지는 문제를 겪을 수 있다. 이 때문에 SVM과 NN을 활용할 때는 일반화가 될 수 있는 복잡도를 가지는 base function 및 네트워크 구조를 구성하는 것이 중요하다.




 

Piazza et al.의 연구에서는 [6] 분류되는 손 자세에 따라 switching 하여 동작을 수행하는 것이 아니라 동작 시너지의 조합을 통해 연속적인 변화가 나타나도록 제어하였다. 이 연구에서 사용한 SoftHand 2 Pro는 두개의 주요 동작 시너지에 따라 움직이는 의수다 (Fig. 6).

Fig. 6에서의 자세를 통해 예를 들면, 기존의 제어 방법의 경우 분류되는 파지 동작에 따라 G1-HO, G2-G3 사이의 전환만 가능한 구조이지만 (Fig. 7(a)), 동작 시너지의 조합을 통한 제어를 통해 훨씬 다양한 자세로의 전환이 (e.g. HO에서 G1, G3, G2로의 전환) 가능하다 (Fig. 7(b)).






 

Piazza et al.의 연구에서는 8개의 근전도 신호를 부착하여 5개의 동작에 대해서 분류를 하였으며 5개의 동작에 대한 분류 확률을 이용하여 2개의 시너지에 대한 성분을 계산하고 조합하여 의수를 제어하였으며 이를 활용하여 box and block test (BBT), Jebsen Taylor Hand Function Test (JTT)에서의 다양한 동작들을 직관적으로 수행할 수 있음을 확인하였다 (Fig. 8).

본 방법을 활용하였을 때 BBT는 평균 10.67개의 block을 주어진 시간에 집을 수 있었으며, JTT를 완료하는 평균 시간은 290.75초로 기존 의수에 비해 향상된 손기능을 보였다.



 

의수의 사용성을 높이고 다양한 파지 동작을 수행할 수 있도록 하기 위해서 다양한 연구가 진행되어 왔다. 근전도의 수를 늘리고 다양한 기계학습 방법을 적용함으로써 사용자의 동작의도를 비교적 정확하게 파악할 수 있다는 것을 확인 할 수 있었으며, 동작 시너지의 조합을 통해 제한된 수의 분류 가능한 동작 수를 활용하여 다양한 작업을 가능하게 할 수 있다는 것을 확인 할 수 있다.

많은 연구들은 일반인을 대상으로 의수의 제어 방법을 평가하였다. 그러나, 절단환자의 경우 일반인과 달리 근육이 소실되어 있고 남아있는 근육의 신호를 통해서 의도를 파악해야 하기 때문에 근육 신호를 통해서 얻을 수 있는 정보의 양이 상대적으로 적다. 그렇기 때문에 실질적으로 의수 제어 방법들을 평가하기 위해 다양한 절단환자 대상으로 적용해보고 이에 적합한 제어 방법에 대한 고찰이 필요하다. 동작 시너지의 조합을 통한 의수 제어는 제한된 근전도 신호를 활용하여 다양한 파지 동작을 연속적으로 전환할 수 있기 때문에 이런 한계를 극복할 수 있는 좋은 방법 중 하나이다 [6].

의수의 제어에 있어 고려해야 하는 또 한가지의 과제는 실시간으로 변화하는 근전도 신호에 대해 안정적으로 동작 인식을 가능 하게 하는 것이다. 근전도 신호의 경우 피부의 상태, 땀, 외부의 물리적인 자극에 따라서 시간에 대해 변하기 때문에, 안정적인 동작의도 인식을 위해서는 변화하는 상황에 대해 손쉽게 캘리브레이션을 할 수 있거나 적응할 수 있는 동작의도인식 알고리즘에 대한 연구가 필요하다.